Aivia使用各种AI技术（例如随机森林，支持向量机和深度学习）来解决与图像相关的任务。对于更具挑战性的应用程序，Aivia使用一种特定类型的深度学习，称为卷积神经网络（CNN）。
CNN特别适合捕捉大量成对图像集之间的非线性关系（例如，在图像分割任务的情况下，原始图像和手动注释图像），从而允许达到与人类专家相媲美的准确性（1,2）。
神经网络由多个人工“神经元”组成，组织在互连的层中。类似于生物学的同行，人工神经网络中的神经元对特定的刺激、图像模式或特征做出反应。
当受到刺激时，一个神经元（真实和人工的）影响深层连接的神经元，直到达到输出层，进行预测。
通过将预测与真实情况进行比较，计算出误差。在进行新一轮学习（即将新的输入图像馈送到CNN）之前，网络将被更新以降低误差。
起初，所有神经元连接具有相等的权重和偏差，但在学习过程中，产生较低误差值的神经元路径会加强（即连接权重增加），而产生较高误差值的神经元路径则会减弱。
CNN中负责学习的关键过程是梯度下降和反向传播。梯度下降有助于确定不同层之间控制连接的权重和偏差应如何调整以降低误差。
梯度下降提供的更改将应用于反向传播中，从而将此更新传播到连接在网络中的元素。
经过训练的深度学习模型包括整个网络和优化的权重和偏差。它可以应用于训练中相似的“网络外”图像（即未用于训练的图像）。