.. _chap_cv:

コンピュータビジョン
====================


| 医療診断、自動運転車、カメラ監視、スマートフィルターなど、コンピュータビジョン分野の多くの応用は、私たちの現在および将来の生活と密接に関係している。
| 近年、深層学習はコンピュータビジョンシステムの性能向上をもたらす変革的な力となってきた。
| 最先端のコンピュータビジョン応用のほとんどは、深層学習と切り離せないと言ってよいだろう。
| このことを踏まえ、本章ではコンピュータビジョン分野に焦点を当て、学術界および産業界で近年影響力のあった手法と応用を調べる。

| :numref:`chap_cnn` と :numref:`chap_modern_cnn`
  では、コンピュータビジョンで
  一般的に用いられるさまざまな畳み込みニューラルネットワークを学び、
  それらを単純な画像分類タスクに適用した。
| 本章の冒頭では、
  モデルの汎化性能を改善する可能性のある2つの手法、すなわち *画像拡張*
  と *ファインチューニング* を説明し、 それらを画像分類に適用する。
| 深層ニューラルネットワークは画像を複数のレベルで効果的に表現できるため、
  このような層ごとの表現は
  *物体検出*\ 、\ *意味的セグメンテーション*\ 、\ *スタイル変換* などの
  さまざまなコンピュータビジョンタスクで成功裏に 利用されてきた。
| コンピュータビジョンにおける層ごとの表現を活用するという重要な考え方に従い、
  まず物体検出の主要な構成要素と技法から始める。次に、画像の意味的セグメンテーションに
  *全畳み込みネットワーク*
  をどのように用いるかを示す。その後、この本の表紙のような画像を生成するためにスタイル変換技法をどのように使うかを説明する。
  最後に、本章の内容とこれまでのいくつかの章の材料を、2つの人気のあるコンピュータビジョンベンチマークデータセットに適用することで、
  本章を締めくくりる。

.. toctree::
   :maxdepth: 2

   image-augmentation
   fine-tuning
   bounding-box
   anchor
   multiscale-object-detection
   object-detection-dataset
   ssd
   rcnn
   semantic-segmentation-and-dataset
   transposed-conv
   fcn
   neural-style
   kaggle-cifar10
   kaggle-dog