マスク
マスクとは、AIや機械学習においてデータの一部を意図的に隠したり、計算から除外したりする処理のことです。自然言語処理のTransformerやBERTにおける事前学習で特定単語を隠して予測させるマスク言語モデルや、画像認識の画像セグメンテーションで特定領域を抽出する処理、ニューラルネットワークの計算で未来の情報を参照させないために用いられます。
画像認識のAI用語一覧
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。
有効受容野
有効受容野とは、ニューラルネットワークの出力層の特定のニューロンが、入力画像やデータのどの範囲から強く影響を受けているかを示す領域です。理論上の受容野よりも狭い範囲に影響が集中する特性があり、モデルの動作理解や性能向上に重要な役割を果たします。
インスタンスセグメンテーション
インスタンスセグメンテーションは、画像内の個々の物体（インスタンス）をピクセル単位で識別して検出するコンピュータビジョンの技術です。同じカテゴリの物体であっても、それぞれを「個別の物体」として分離して認識できるのが特徴で、自動運転や医療画像解析など高度な画像理解が必要な分野で広く活用されています。
データオーグメンテーション
データオーグメンテーションは、機械学習モデルの訓練用データを人工的に増やす技術です。既存のデータに対して回転、反転、色調調整などの加工を施すことで、過学習を防ぎ、未知のデータに対する認識精度や汎化性能を大きく向上させることができます。
バウンディングボックス
バウンディングボックスとは、画像や動画内で特定の物体がどこにあるかを示す長方形の領域です。物体検出をはじめとするコンピュータビジョンの領域で広く活用され、AIに物体の位置と種類を学習させるアノテーションや、検出結果の可視化に不可欠な基礎技術です。
検知閾値
検知閾値とは、AIモデルが物体や異常などを検知したと判断するための境界となる数値です。この値を調整することで、見逃しを減らすか、誤検知を減らすかのバランスを制御できます。
コンピュータビジョン
コンピュータビジョンとは、コンピュータに人間のような「目」と「脳」の機能を持たせ、画像や動画から意味のある情報を抽出・理解するAI技術の一分野です。カメラから得られた視覚情報をデジタル信号として取り込み、ディープラーニングなどのアルゴリズムを用いて解析することで、物体の識別や状況の把握を自動で行います。
セマンティックセグメンテーション
セマンティックセグメンテーションは、画像内のすべてのピクセルに対して意味的なクラスを分類するコンピュータビジョンの技術です。物体検出とは異なり、物体の輪郭をピクセル単位で正確に特定できるため、自動運転や医療画像解析などで広く活用されています。
セグメンテーション
セグメンテーションとは、画像やデータ等を意味のある領域やグループに分割する処理技術です。AIや機械学習の分野では、画像認識においてピクセル単位で物体や背景を識別する手法として広く活用され、自動運転や医療画像診断などで重要な役割を果たしています。
カーネルサイズ
カーネルサイズとは、畳み込みニューラルネットワークにおけるフィルタの大きさを指します。画像認識や特徴抽出の精度と計算コストに大きな影響を与える重要なハイパーパラメータです。
マックスプーリング
マックスプーリングは、畳み込みニューラルネットワーク（CNN）において、画像などの特徴マップの空間サイズを縮小するためのダウンサンプリング手法です。領域内の最大値を選択することで、重要な特徴を保持しつつ計算量を削減します。
フィルター
フィルターとは、入力データから特定のパターンや不要な情報を取り除く仕組みです。AI分野では、畳み込みニューラルネットワークにおける特徴抽出や、生成AIでの有害表現の排除など、幅広い用途で重要な役割を果たしています。
特徴マップ
特徴マップとは、畳み込みニューラルネットワーク（CNN）の層において、入力データから抽出された特徴の空間的な分布や強度を示す2次元の配列データです。画像認識やパターン検出などにおいて、AIがどこに着目しているかを可視化する際にも重要な役割を果たします。
プーリング層
プーリング層は、CNNなどの畳み込みニューラルネットワークにおいて、特徴マップの解像度を小さくしてデータ量を削減する層です。位置のわずかなズバに対する頑健性を高め、計算量を効率化する役割を持ちます。
CNN
CNN（畳み込みニューラルネットワーク）とは、画像認識やパターン認識に長けたディープラーニングモデルです。画像をそのままの格子状構造で扱い、「畳み込み層」と「プーリング層」を用いて空間的な特徴を効率的に抽出します。顔認証や医療画像診断、自動運転などに広く応用され、現代のAI技術を支える基盤となっています。
U-Net
U-Netは、医療画像などのセグメンテーションを目的に開発された畳み込みニューラルネットワークです。アルファベットのU字に似た特徴的な構造を持ち、少量のデータでも高精度なピクセル単位の画像分類を実現します。
畳み込み層
畳み込み層は、畳み込みニューラルネットワーク（CNN）の中心となる層であり、画像や音声などのグリッド状データから局所的な特徴を効率的に抽出する役割を持ちます。AIによる画像認識や物体検出などの分野で不可欠な技術です。
特徴点
画像やデータの中で、周囲と比べて際立って識別しやすい局所的な部分のことです。輪郭の角（コーナー）や輝度変化の激しい点などが該当し、画像認識や物体追跡、3D復元などで重要な役割を果たします。機械学習やディープラーニング技術を用いて高精度に検出され、画像の幾何学的な位置合わせやマッチングの基準として広く利用されています。
平均プーリング
平均プーリングは、畳み込みニューラルネットワークにおいて領域内の特徴量の平均値を計算し、データサイズを縮小する処理です。情報の急激な変化を和らげながら、計算量を削減するために用いられます。
プーリング
プーリングとは、畳み込みニューラルネットワークなどの画像認識モデルにおいて、特徴マップのサイズを縮小して計算量を削減し、位置のずれに対する頑健性を高める処理です。最大値を選択する最大プーリングや平均値を算出する平均プーリングがあり、要点を保持しながらデータ量を圧縮するために用いられます。
領域分割
領域分割は、画像内のすべてのピクセルに対して意味のあるカテゴリを割り当て、画像を複数の領域に切り分けるコンピュータビジョンの技術です。自動運転における道路や障害物の検知、医療画像における病変の特定などに活用されます。ピクセル単位での高精度な判定が可能ですが、計算コストが高く、学習データ作成に手間がかかるという特徴があります。
信頼度スコア
信頼度スコアとは、AIや機械学習モデルが予測や出力結果に対してどれだけ自信を持っているかを数値化したものです。画像認識や自然言語処理などの分野で広く使われ、予測の確実性を測る重要な指標となっています。
最大プーリング
最大プーリングとは、畳み込みニューラルネットワークにおいて特徴マップの解像度を下げ、主要な特徴を抽出するダウンサンプリング手法の一つです。領域内の最大値を選択することで、位置のわずかな変化に対する頑健性を高め、計算量を削減します。
ストライド
ストライドとは、CNNなどの畳み込み層においてフィルターを移動させる際のステップ幅のことです。値が大きいほど出力マップのサイズが小さくなり、計算効率が向上しますが、詳細な特徴量が失われるトレードオフがあります。