1 画像認識の問題設定
1.1 物体検出タスク
1.2 画像分類タスク
1.3 シーン理解：セマンティックセグメンテーションタスク
1.4 特定物体認識タスク
2 ニューラルネットワークと逆誤差伝搬法
2.1 ニューラルネットワーク（全結合）
2.2 多層パーセプトロン（MLP）の学習
2.3 勾配降下法
2.4 誤差関数
3 畳み込みニューラルネットワーク（CNN）
3.1 機械学習を用いた画像認識
3.2 畳み込み層
3.3 活性化関数
3.4 プーリング層
3.5 全結合層
3.6 出力層
3.7 CNNの推論過程、学習
3.8 従来の機械学習 VS 深層学習
3.9 学習サンプル数 VS 認識性能
3.10 データ拡張
4 CNNよる画像認識
4.1 一般物体認識（分類）
… AlexNet / VGG / GoogLeNet / ResNet / SENet
4.2 物体検出
… Faster R-CNN / YOLO / SSD / M2Det
4.3 セグメンテーション
… SegNet / MNet
4.4 回帰
4.5 マルチタスク学習
5 視覚的説明（Explainable AI）
5.1 説明可能なAIに向けて：XAI
5.2 視覚的説明：アテンションマップの可視化
5.3 Attention Branch Network
5.4 Attention mapのファインチューニング
5.5 外観検査への適用
6 視覚的説明のロボット応用
6.1 深層強化学習によるロボットの自律移動
6.2 Deep Q-Network
6.3 深層強化学習における判断根拠の可視化