CNN（畳み込みニューラルネットワーク）

画像認識に特化したディープラーニングのモデル。畳み込み層とプーリング層を組み合わせて画像の局所的な特徴を抽出し、画像分類・物体検出・顔認識などに高い精度を発揮する。

画像認識に特化したニューラルネットワーク。畳み込み層で画像の局所的な特徴を抽出し、プーリング層でデータを縮小する構造を持つ。CNNと略され、物体検出や画像分類に高い性能を示す。

畳み込み層とプーリング層を組み合わせた深層学習モデル。局所的な特徴をフィルタで抽出し、階層的に高次の特徴を学習する。画像認識、物体検出、セグメンテーションなどの画像処理タスクで高い性能を発揮する。

画像の局所的な特徴をフィルタで抽出する畳み込み層と、特徴を集約して位置のずれに強くするプーリング層を重ねたニューラルネットワーク。浅い層で輪郭などの単純な特徴を、深い層でより複雑な形の特徴を階層的に捉え、画像認識、物体検出、医療画像の診断支援などで高い性能を発揮する。

カメラなどで撮影した動画から、写っている人物や物体、その動作や出来事を自動的に識別する技術。連続するフレームの変化から動きを捉える点で静止画の画像認識と異なり、ジェスチャーによる操作、監視カメラでの異常の検知などに使われる。

脳の神経細胞のつながりを模して、入力層・隠れ層・出力層のユニット（ノード）を重み付きの結合でつないだ数理モデル。各ユニットは入力の重み付き和に活性化関数を適用して出力し、誤差逆伝播法と勾配降下法で重みを学習する。隠れ層を多数重ねたものを使う手法がディープラーニングである。

ニューラルネットワークで、入力層と出力層の間にある層で、中間層ともいう。前の層の出力に重みを掛けて足し合わせ、活性化関数で変換して次の層に渡すことで、データの特徴を段階的に抽象化する。隠れ層を何層も重ねたネットワークがディープニューラルネットワークで、層の数とユニット数はハイパーパラメータになる。

CNNの畳み込み層で、入力に1つのフィルタを適用して得られる出力。フィルタが検出する特徴（縦の輪郭など）が、入力のどの位置にどれだけ強く現れているかを2次元の配列で表す。フィルタの数だけ特徴マップ（チャネル）ができ、層を重ねるほど単純な輪郭から物体の部分のような抽象的な特徴を表すようになる。

プーリング層で、特徴マップを2×2などの小領域に区切り、各領域の最大値だけを残して縮小する処理で、2×2の領域を2ずつずらせば縦横が半分になる。最も強く反応した特徴を残すので、対象の位置が少しずれても出力が変わりにくい。領域内の平均をとる平均プーリングと対比される。

CNNの畳み込みの前に、入力の周囲に値（通常は0）を詰めて大きさを広げる処理。何もしないと畳み込みのたびに出力が縮むが、パディングで出力を入力と同じ大きさに保てる（sameパディング）。端の画素もフィルタの中心として使われるので、画像の周辺部の情報が失われにくくなる。