畳み込みニューラルネットワークの基礎と画像認識への応用・判断根拠の理解

深層学習の代表的な手法である畳み込みニューラルネットワークは、画像認識分野で様々なタスクへの応用が進んでいる。 　本講義では、畳み込みニューラルネットワークの基礎と画像認識分野における応用事例について説明する。また、畳み込みニューラルネットワークの判断根拠の視覚的説明や、Transformerを活用した最新手法についても説明する。実装に向けた環境やディープラーニングフレームワークによるサンプルコードの説明など実践的に活用できる内容についても説明する。

1. ディープラーニングの現在
2. 畳み込みニューラルネットワーク (CNN:Convolutional Neural Networks)
   1. 畳み込み層
   2. プーリング層
   3. 全結合層
   4. 出力層
3. 畳み込みニューラルネットワークの学習
   1. 誤差逆伝播法
   2. 最適化法
      • SGD
      • Adam
      • RMSProp
4. ネットワーク構造
   1. AlexNet
   2. VGG
   3. GoogLeNet
   4. ResNet
   5. DenseNet
5. 汎用性を向上させるためのテクニック
   1. Dropout
   2. Batch Normalization
   3. データ拡張
      • Mix up
      • Cut out等
6. 物体検出への応用
   1. Faster R-CNN
   2. YOLO
   3. SSD
7. セグメンテーションへの応用
   1. FCN
   2. SegNet
   3. U-Net
   4. PSP Net
8. ネットワークの可視化・視覚的説明
   1. CAM
   2. CAM Grad
   3. Attention Branch Network
9. 最新動向
   1. Transformer
   2. Vision Transformer
10. ディープラーニングのフレームワークと実装