物体検出の学習では大量の画像が必要となるため、データ拡張をおこなうことが一般的である。データ拡張の一手法である画風変換では、精度向上を目指すために最適なスタイル画像を選定する必要がある。しかし、学習に有効な特徴量のみを持つデータセットの作製は困難である。そこで本研究では、画風変換画像をUMAPという次元削減手法を用いて、CNNにおける中間層のデータ分布を可視化し、スタイル画像ごとに比較をおこなった。結果として、物体検出の精度と中間層のデータ分布に相関がみられ、物体検出における頑健なモデルの構築を目指すために、データ拡張の際に中間層の可視化が有効であるということが示唆された。