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、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を網羅的に説明する。

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. Stochastic Depth
   4. Shake-shake Regularization
   5. データ拡張
      • Mix up
      • Cut out等
6. 物体検出への応用
   1. R-CNN
   2. Fast R-CNN
   3. Faster R-CNN
   4. YOLO
   5. SSD
   6. DSSD
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. 姿勢推定への応用
   1. Deep Convolutional Pose Machines
   2. Part Affinity Field
9. ネットワークの可視化・視覚的説明
   1. CAM
   2. CAM Grad
   3. Attention Branch Network他
10. ディープラーニングのフレームワーク
    1. Chainerによる実装
    2. Pytorchによる実装
    3. Neural Network Console等