いめーじきゃぷしょにんぐ

Image Captioning

画像の内容を自然言語の文章として生成するタスクです。

詳しい説明

Image Captioning（画像キャプション生成）は、入力された画像の内容を、自然言語で説明文として生成するタスクです。単に画像に何が写っているかをラベル付けするだけでなく、文として出力する点でマルチモーダルな技術の一種と見なされます。

仕組みは、Encoder-Decoderモデルが一般的です。CNNを用いて画像から特徴量を抽出（Encoder）し、その特徴量をRNNやTransformerに入力して文章を生成（Decoder）します。画像と文章の対応関係を学習することで、精度の高い説明文を生成します。

G検定では、画像認識（CV）と自然言語処理（NLP）の両分野を組み合わせたタスクとして問われます。特にEncoder-Decoderの構造がどのような役割分担をしているのか、どの手法が組み合わされているのかという構成要素の理解が求められます。