現代の画像認識の理論・手法が俯瞰できる一冊。ＣＮＮからＶｉＴ（Ｖｉｓｉｏｎ　Ｔｒａｎｓｆｏｒｍｅｒ）まで、深層学習による画像認識の基礎がわかる。物体検出や領域分割といった基本的な手法を押さえつつ、自然言語とのマルチモーダル処理もあざやかに解説。