AlexNet
AlexNetは、2012年の画像認識コンテストで圧倒的な成績を収め、その後のディープラーニングブームの火付け役となった畳み込みニューラルネットワークの歴史的モデルです。GPUを活用した高速化やReLU関数の採用により、AI技術の飛躍的な進化の契機となりました。
画像認識のAI用語一覧（5ページ目）
116件画像認識に関するAI用語を116件掲載しています。意味や使い方、関連用語を一覧から確認できます。 現在は5ページ目です。
2D CNN
2D CNN（2次元畳み込みニューラルネットワーク）は、画像や2次元のデータ処理に特化したディープラーニングのモデル構造です。カーネルと呼ばれるフィルターを用いて局所的な特徴を効率的に抽出し、画像認識や物体検出などの分野で高い性能を発揮します。
VGG
VGGは、オックスフォード大学の研究チームが開発した代表的な畳み込みニューラルネットワーク（CNN）のアーキテクチャです。3×3の小規模な畳み込みフィルタを重ねて層を深める構造が特徴であり、転移学習や画風変換などの画像処理タスクで広く利用されています。
パッチ分割
「パッチ分割」とは、入力画像を一画素単位ではなく、一定の大きさの小さな格子状の矩形領域（パッチ）に細分化する処理のことです。Vision Transformerなどの画像処理モデルにおいて、画像データをテキストの単語（トークン）のように扱うための前処理として重要な役割を果たしています。
デジタル病理学
デジタル病理学とは、顕微鏡で観察していた病理組織標本を専用スキャナーで高解像度なデジタル画像に変換し、コンピュータ上で観察・管理・分析する技術領域です。深層学習をはじめとするAI技術や画像認識の進歩により、がん細胞の自動検出や定量評価の精度向上、病理医の負担軽減、遠隔病理診断の普及に大きく貢献しています。
ステレオマッチング
ステレオマッチングとは、異なる視点から撮影された複数の画像間で同一の対象物が写っている対応点を見つけ出し、奥行き情報を復元するコンピュータビジョンの技術です。両眼視の原理に基づき自動運転やロボットの空間認識で活用されています。
3D物体認識
3D物体認識とは、センサー等で取得した三次元データから、対象物の位置や姿勢、種類をコンピュータが特定する技術です。自動運転やロボット制御などに不可欠であり、従来の2次元画像認識よりも高度な空間把握を実現します。
ILSVRC
ILSVRCとは、大規模画像データセットImageNetを用いた画像認識の精度を競う世界的なコンペティションです。2012年にディープラーニングモデルのAlexNetが圧倒的な成績を収めたことで、現代のAIブームの火付け役となりました。
ビジョン・トランスフォーマー
Vision Transformerは、自然言語処理で高い成果を上げたTransformerの仕組みを画像認識分野に応用したディープラーニングモデルです。画像をパッチに分割して入力し、自己注意機構によって全体的な文脈を捉える点が特徴です。
ステレオビジョン
ステレオビジョンとは、2台以上のカメラを用いて対象物を異なる角度から撮影し、その画像のズレ（視差）から対象物までの距離や3次元形状を測定するコンピュータビジョンの技術です。人間の両眼立体視と同じ原理を利用しており、自動運転やロボットのナビゲーション、3次元復元など、空間認識が求められる多様なAIシステムで広く活用されています。
残差ネットワーク
ResNet（残差ネットワーク）は、スキップコネクションという構造を用いて勾配消失問題を軽減し、ディープラーニングの層を劇的に深くすることを可能にした画期的なニューラルネットワークアーキテクチャです。
光学的文字認識
OCRとは、印刷物や手書きの文字画像をスキャナーやカメラで読み取り、コンピュータが編集・検索可能なテキストデータに変換する技術です。AIやディープラーニングの導入により、手書き文字や複雑なレイアウトの認識精度が飛躍的に向上しています。
IoU
IoU（Intersection over Union）とは、物体検出やセグメンテーションなどの機械学習分野において、予測された領域と正解領域の重なり具合を測るための評価指標です。2つの領域の共通部分を全体集合で割ることで算出され、AIの精度を数値化します。
オブジェクトトラッキング
動画や連続するフレーム画像の中から特定の物体を検出し、その物体の位置や動きを時間経過に沿って追跡する技術です。監視カメラでの監視、自動運転における周囲の歩行者や他車の追跡、スポーツ映像の分析など、多岐にわたる分野で重要な役割を果たしています。
ビジョントランスフォーマー
ビジョントランスフォーマー（Vision Transformer）とは、自然言語処理で主流となったTransformerのアーキテクチャを画像認識分野に応用したディープラーニングモデルです。従来のCNNに依存せず、画像全体の関係性を捉えることで高い性能を発揮します。
YOLO
YOLO（You Only Look Once）は、画像中の物体を高速かつ高精度に検出するディープラーニングアルゴリズムです。従来の物体検出手法とは異なり、画像全体を一度だけ畳み込みニューラルネットワークに入力して物体の位置と種類を同時に予測するため、リアルタイム処理に非常に優れています。防犯カメラや自動運転など幅広く活用されています。
RPN
RPN（Region Proposal Network）は、画像の中から物体が存在しそうな領域を効率的に予測するためのディープラーニングモデルの構成要素です。主に物体検出の分野で利用され、従来の手法よりも高速かつ高精度な領域提案を実現します。
デプスマップ
デプスマップとは、画像や映像の各画素における「カメラからの距離（奥行き）」の情報を数値化し、2次元の画像として表現したデータです。一般的には手前にあるものほど明るく、奥にあるものほど暗いグレースケール画像として可視化されます。3Dモデリングや自動運転、スマートフォンのポートレートモードなどの画像処理、AIによる立体認識に不可欠な技術です。
マルチモーダル大規模言語モデル
マルチモーダル大規模言語モデルとは、テキストだけでなく画像や音声など多様なデータを同時に理解し処理できるAIモデルです。従来のテキスト中心の大規模言語モデルを拡張し、人間のように視覚や聴覚情報を踏まえた高度な対話や推論を実現します。
セレクティブ・サーチ
Selective Searchは、画像中の物体が存在しそうな領域を効率的に絞り込むためのアルゴリズムです。色の類似性やテクスチャなどを基に領域を統合し、R-CNNなどの初期の物体検出モデルで広く活用されました。