TopAIToolsTopAITools

Glossary

0-9
1-shot learning2-stage detector3D convolution4D data5G + AI6DoF pose estimation7D representation8-bit quantization9-layer network0-shot learning
A
AGI / Artificial General IntelligenceAlgorithmAutoencoderArtificial Intelligence (AI)Attention
B
BERTBackpropagationBatch NormalizationBoostingBias
C
CNN / Convolutional Neural NetworkClusteringCross-ValidationChatbotClassifier / Classification
D
DeepfakeDeep LearningData AugmentationDeterministic ModelDiscriminative Model
E
EpochEnsemble LearningEncoderExplainable AI (XAI)Embedding
F
Fine-tuningForward PropagationFusion / Multimodal FusionFoundation ModelFeature Extraction
G
GAN / Generative Adversarial NetworkGroundingGraph Neural Network (GNN)Gradient DescentGenerative AI
H
HyperparameterHeuristicHidden LayerHierarchical ModelHallucination
I
Instruction tuningInstance / SampleIntelligence Amplification / AugmentationInterpretabilityImbalanced Data
J
JAXJSONL / JSON-linesJitteringJoint EmbeddingJuxtaposition
K
K-Shot LearningK-means ClusteringKL Divergence (Kullback–Leibler Divergence)Kernel TrickKnowledge Distillation
L
LSTM / Long Short-Term MemoryLearning RateLatent VariableLoss FunctionLarge Language Model (LLM)
M
Multi-head AttentionMultimodal / MultimodalityMeta-learningModelMachine Learning (ML)
N
NLP / Natural Language ProcessingNLU / Natural Language UnderstandingNeural NetworkNovelty Detection / Anomaly DetectionNormalization
O
One-hot EncodingOverfittingOptimizerOnline LearningObjective Function
P
PoolingParameterPretrainingPromptPolicy / Reinforcement Learning Policy
Q
Q-learningQueue / BufferQueryQuality EstimationQuantization
R
RNN / Recurrent Neural NetworkRetrieval Augmented Generation (RAG)Reinforcement Learning (RL)RegularizationRepresentation Learning
S
SoftmaxSamplingSequence ModelingSupervised LearningSelf-Supervised Learning
T
Tuning / Hyperparameter TuningTokenizerTransformerTraining DataTransfer Learning
U
U-NetUnderfittingUniversal Approximation TheoremUnsupervised LearningUncertainty Estimation
V
Vision Transformer (ViT)Vector EmbeddingValidation SetVanishing / Exploding GradientVariational Autoencoder (VAE)
W
Weight DecayWhitening / Whitening TransformationWorkflowWord EmbeddingWeak Supervision
X
XAI / Explainable AIXLMXLNetXOR problemX-axis / feature axis
Y
Yoga of AIY-transform / YUVYAGNI (You Aren't Gonna Need It)Y-axis / feature axisYield (model yield / throughput)
Z
Z-score NormalizationZero-shot Learning / Zero-shot inferenceZero-gradient phenomenonZero-centric / Zero-bias initializationZygosity in augmentation

CNN / 畳み込みニューラルネットワークとは何か

畳み込みニューラルネットワーク（CNN）は、特に画像認識や処理に効果的なディープラーニングモデルの一種です。基本的なアイデアは、複数の畳み込み層を通じて画像の特徴を段階的に抽出し、人間の視覚システムの動作を模倣することです。CNNは1980年代にYann LeCunによって初めて提案され、2012年のImageNetコンペティションでの成功を受けて、ディープラーニングの研究と応用が大きく進展しました。


CNNは通常、入力層、複数の畳み込み層、プーリング層、全結合層、出力層で構成されます。畳み込み層は畳み込み演算を通じて局所的な特徴を抽出し、プーリング層は特徴の次元を減少させ、計算の複雑さを低減しつつ重要な情報を保持します。複数回の畳み込みとプーリングを経て、最終的な特徴は全結合層を通じて出力ラベルにマッピングされます。


CNNは画像分類、物体検出、画像分割などのコンピュータビジョンタスクに広く適用されています。例えば、GoogleのInceptionモデルやFacebookのMask R-CNNは、CNNに基づく成功事例です。医療画像分析、自動運転、ビデオ監視などの分野でも、ますます多くの応用が見られるようになっています。


データ量の増加と計算能力の向上に伴い、CNNの応用範囲はさらに拡大していくでしょう。エッジコンピューティング、拡張現実、仮想現実などの新興技術の進展も、CNNのさらなる革新を促進するでしょう。また、生成的敵対ネットワーク（GAN）などの技術と組み合わせることで、CNNは生成モデルにおいて新たな突破口を見つける可能性があります。


画像データの処理においてCNNは優れた性能を発揮しますが、大規模データセットへの依存や計算リソースの消費といった制限もあります。また、モデルの解釈性の問題は依然として研究のホットトピックです。CNNを使用する際には、モデルの精度を向上させるためにデータを適切に前処理する必要があります。