Step 2 確認クイズ
画像分類モデル構築に関する確認クイズである。5問中4問以上の正解（80%以上）で合格となる。
Q1. 転移学習の戦略
学習データが500枚程度の場合、最も適切な転移学習の戦略はどれか？
- A) スクラッチ学習（ゼロから学習）
- B) Feature Extraction（全層凍結 + 最終層のみ学習）
- C) Full Fine-tuning（全層を学習）
- D) 蒸留学習
正解: B) Feature Extraction（全層凍結 + 最終層のみ学習）
解説: データが少量の場合、Feature Extractionが最も適切である。全層を学習するFull Fine-tuningは過学習のリスクが高く、スクラッチ学習は十分なデータ量が必要。Feature Extractionは事前学習済みの特徴を活かしつつ、最終層のみを新しいタスクに適応させる。
Q2. データ拡張
医療画像（胸部X線）に対して、一般的に避けるべきデータ拡張はどれか？
- A) 水平反転
- B) 垂直反転
- C) 輝度調整
- D) わずかな回転
正解: B) 垂直反転
解説: 胸部X線画像の上下（頭側・足側）は医学的に意味を持つため、垂直反転は画像の意味を大きく変えてしまう。水平反転やわずかな回転は撮影条件の変動をシミュレートするため許容される場合が多い。
Q3. Grad-CAMの仕組み
Grad-CAMが利用する情報として正しい組み合わせはどれか？
- A) 入力画像のピクセル値と出力確率
- B) 最終畳み込み層の特徴マップと、それに対する勾配
- C) 全結合層の重みと入力特徴量
- D) 各層の活性化関数の出力のみ
正解: B) 最終畳み込み層の特徴マップと、それに対する勾配
解説: Grad-CAMは、ターゲットクラスのスコアに対する最終畳み込み層の勾配をGlobal Average Poolingして重みを計算し、特徴マップの重み付き和を求める。これにより、クラス判定に寄与した画像領域を可視化する。
Q4. クラス不均衡への対処
Chest X-Rayデータセット（NORMAL: 1,341枚、PNEUMONIA: 3,875枚）のクラス不均衡に対して、適切でない対処法はどれか？
- A) WeightedRandomSamplerで少数クラスを多くサンプリングする
- B) 多数クラス（PNEUMONIA）のデータを全て削除する
- C) CrossEntropyLossにクラス重みを設定する
- D) 少数クラスにより多くのデータ拡張を適用する
正解: B) 多数クラス（PNEUMONIA）のデータを全て削除する
解説: 多数クラスのデータを全て削除すると、そのクラスの学習データがなくなり分類自体ができなくなる。アンダーサンプリングは一部削除であり全削除ではない。A, C, Dはいずれもクラス不均衡への有効な対処法である。
Q5. モデル選定
農業テック部門がスマートフォンで動かしたいという要件がある場合、最も適切なモデルはどれか？
- A) ResNet-152（60.2Mパラメータ）
- B) EfficientNet-B7（66Mパラメータ）
- C) MobileNetV3-Large（5.4Mパラメータ）
- D) ViT-Large（307Mパラメータ）
正解: C) MobileNetV3-Large（5.4Mパラメータ）
解説: スマートフォンでの推論（エッジ推論）には、軽量かつ高速なモデルが必要である。MobileNetV3はモバイル向けに設計されており、5.4Mパラメータと最も軽量で、推論速度も高速である。
推定所要時間: 30分