<4D F736F F F696E74202D B B836A F82C982E682E CC835E E93E089E6919C94468EAF82C98AD682B782E98CA48B F18F6F94C5816A2E >
|
|
|
- ゆりな のえ
- 5 years ago
- Views:
Transcription
1 ディープラーニングによる船舶のタンク ホールド内画像認識に関する研究 国 研究開発法 海上 港湾 航空技術研究所海上技術安全研究所 沖 平 勝 智之 次 1. 背景 2. ニューラルネットワークによる画像認識 ( 物体検出 ) 概要 A)R- B)Fast R-とFaster R- 3. タンク ホールド内画像認識処理システム 4. タンク ホールド内画像認識実験 I 5. タンク ホールド内画像認識実験 II 6. まとめと今後の課題 人工知能学会研究会資料 SIG-KST ( 背景 (1) 油タンカーの内検 1. 背景 (2) ばら積貨物船の内検 VLCC 深さは約 30 m Deck 裏は腐 しやすい バラストタンク クロスデッキ裏 貨物タンク ケープサイズ深さは約 25 m バラストタンク 貨物ホールド 図 重船殻油タンカーの船体構造 検査 ライトのみではもっと暗い 2 図 バラストタンク 単船側ばら積貨物船の船体構造 所作業者を使 * 本資料の著作権は著者に帰属します 3
2 1. 背景 (3) ドローンによるタンク ホールド内点検 船舶のタンク ホールド内点検にドローンを活 する動きがある ドローンで撮影したタンク 船倉内画像から対象箇所の塗膜健全性 損傷の有無を 動評価 ( 画像認識 ) する技術を確 する タンク内は GPS による操縦ができない ドローン画像から位置情報を 動把握する技術を確 する ドローン要件サイズ ( ハッチサイズ以下 ) 耐衝突ライトカメラペイロード図 1 タンク ( ハッチ ) バッテリー 2. ニューラルネットワークによる画像認識 ( 物体検出 ) 概要 (1) R- R- (1) は 物体検出タスク Selective Search (2) で検出した物体候補領域をAlexNet( またはVGGNet) に して検出する 法 Selective Searchは の類似度に着 したセグメンテーション法であり の類似度の許容度を変えてグルーピングすることで様々な きさの候補領域を抽出することができる Selective Searchで検出した物体候補領域を 定サイズにリサイズし 後段の に する 物体候補領域の数だけで認識するため 計算コストが い (3) 図 2 ドローン 例 図 3: 中ドローン ( 貨物倉内ハッチ開 ) 候補領域抽出 3. 特徴の計算 Selective Search 図 1 Regions with features (1) 4. クラス分類 (1) Ross Girshick, Jeff Donahue, Trevor Darrell, and Jitendra Malik (2014): Rich Feature hierarchies for Accurate Object Detection and Semantic Segmentation. In (2) J.R. R. Uijlings, K. E. A. Van De Sande, T. Gevers and A. W. M. Smeulders (2013): Selective search for object recognition, International Journal of computer vision, vol. 104, no. 2, pp (3) 情報機構, 機械学習 知能業務活 の 引き 5 2. ニューラルネットワークによる画像認識 ( 物体検出 ) 概要 (2) Fast R- と Faster R- (1) Fast R- は R- で最も計算コストが い畳み込み処理の回数を 幅に削減することで 計算コストを削減している Faster R- は Fast R- をベースとし Selective Search をやめ Region Proposal Network で うことで計算コストを削減している Fast R- 1. Input Image 1. Input Image Selective Search 2. 候補領域抽出 計算コストを改善 Faster R- 特徴マップ Conv. Layer Region of Interest (RoI) pooling 特徴マップ Conv. Layer Region Proposal Network Region of Interest (RoI) pooling 領域の判別 対象か対象でないか判別 分類 背景 ヒト ウマ ヒト (1) 情報機構, 機械学習 知能業務活 の 引き 6 ウマ 3. タンク ホールド内画像認識処理システム (1) Faster R- (1) による画像の学習 認識を う 対象か対象でないかを判別 学習データ 領域の判別 対象の分類 領域 (Bounding-box) 領域判別結果微調整 図 1:Faster R- の流れ (1) Feature map と Bounding-box を掛け合わせ 画像内の物体領域の推定と認識の確からしさを計算 特徴抽出 ( 特徴マップ ) 認識対象 : 隔壁認識結果領域 : 枠 転移学習 ( 別の画像データで学習した結果を使 ) 深層学習モデル (-VGG) (1) Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun (2015): Faster R- 7
3 3. タンク ホールド内画像認識処理システム (2) 動作環境 Framework: CAFFE Theory: Faster R- Training Method: Approximate joint training (end-to-end) Training Model: VGG16 (1) Initialized Data: Based on ImageNet 3. タンク ホールド内画像認識処理システム (3) 作業処理 1. 画像を 意する Fully connected 図 1: アノテーションソフト (labelimg) 画 2. 学習させる構造等を選択して 名称を紐づける ブラケット 1000 図 1:VGG 図 2: 作業の流れ (1) 斎藤康毅, ゼロから作る Deep Learning タンク ホールド内画像認識実験 I (1) データセット GPS 環境 ( ハッチカバーオープン : 明るい ) を想定ばら積貨物船の重点点検箇所等 (1 6) に関連する部材名 ( 右図 枠 ) をアノテーション 1 Cross Deck 裏の内部材 2 Hatch Coamingと Deck Girderの取合部 4. タンク ホールド内画像認識実験 I(2) テストデータに訓練データを使 3 Hatch Coamingのコーナー部 4 Hold Frame 5 前後隔壁 隔壁を認識 (100%) 隔壁を認識 (100%) 訓練データ :550 画像検証データ :250 画像テストデータ :89 画像 ハッチコーミングを認識 (100%) ハッチコーミングブラケットを認識 (100%) 船体部材認識結果 ( 注 )1 箇所につき別 度から複数枚撮影あり 10 11
4 4. タンク ホールド内画像認識実験 I(3) テストデータに訓練データ以外を使 4. タンク ホールド内画像認識実験 I(4) テストデータに訓練データ以外を使 Deck girder Top side tank sloping plating: 99.2% Deck girder: 93.3% Cross Deck: 99.4% Top side tank sloping plating: 100% Hold frame: 100% Bilge hopper plating: 100% Access ladder: 99.9% Inner bottom plating: 99.9% Deck girder: 99.9% Hatch side coaming: 99.9% Hatch end coaming: 99.4% Cross deck: 99.4% Inner bottom plating: 99.7% タンク ホールド内画像認識実験 I(5) テストデータに訓練データ以外 ( 別船 ) を使 Top side tank sloping plating: 72.1% Top side tank sloping plating( 反対舷 ): 50% 未満 Transverse bulkhead: 99.6% Access ladder: 83.3% Deck girder: 99.6% Hatch side coaming: 73.1% Hatch side coaming( 反対舷 ): 50% 未満 Hatch end coaming: 56.2% Cross deck: 50% 未満 4. タンク ホールド内画像認識実験 I(6) テストデータに訓練データ以外 ( 別船 ) を使 Top side tank sloping plating: 50% 未満 Deck girder: 93.3% Hatch side coaming: 50% 未満 Hatch end coaming: 50% 未満 Top side tank sloping plating は画 上鮮明ではない 船体構造の知識が必要 Top side tank sloping plating: 98.3% Transverse bulkhead: 95.3% <Side Shellを誤認 > Access ladder: 正しく認識せず Inner Bottom: 97.0% Cross deck: 50% 未満 Top side tank sloping plating: 99.1% Deck girder: 78.1% Hatch side coaming: 98.3% Hatch end coaming: 99.0% Cross Deck: 90.3% Side Shell に Hold Frame の無い船舶で学習経験がないため 誤認したと思われる Transverse Bulkhead は正しく認識している 14 15
5 5. タンク ホールド内画像認識実験 II (1) 5. タンク ホールド内画像認識実験 II (2) データセット GPS 環境 ( タンク内 : 暗い ) を想定実験 I で使 した画像を基に照明があたった画像を仮想的に再現し データセットを準備する 閉囲環境 ( 暗い環境 ) を仮想的に再現 (2 段階 ) 模擬的な暗室内画像の 成 BGR 画像データを HSV 画像データに変換 明度を, 右図に すような中 からの距離の逆 2 乗に 例するように明度を下げる. CASE1 では, 中 からの距離が 20% 時に明度が 50% CASE2 では, 中 からの距離が 10% 時に明度が 50% 明度の倍率 中 からの距離 元画像 図 : ドローンカメラ撮影画像図 : 左画像位置 ( フラッシュ撮影 ) 明るい環境での学習結果を基に認識率を検証 図 : 貨物倉内 ( ハッチ閉 : GPS 環境再現 ) タンク ホールド内画像認識実験 II (3) 5. タンク ホールド内画像認識実験 II (4) Top side tank sloping plating: 99.2% Deck girder: 93.3% Top side tank sloping platingを 2か所で認識 (99.5% と94.1%) Deck girder: 90.7% Top side tank sloping plating と Deck girder が認識できているため 検査員に有効な情報が提供できている Top side tank sloping platingを 2か所で認識 (81.8% と98.5%) Deck girderが認識できていないが Top side tank sloping platingの情報からdeck girderを推察できる可能性あり 画 だけでは判断が難しい 18 Top side tank sloping plating: 100% Hold frame: 100% Bilge hopper plating: 100% Access ladder: 99.9% Inner bottom plating: 99.9% Deck girder: 99.9% Hatch side coaming: 99.9% Hatch end coaming: 99.4% Cross deck: 99.4% Top side tank sloping plating: 53% Hold frame: 99.8% Bilge hopper plating: 99.4% Lower stool: 98.9% Access ladder: 99.3% Inner bottom plating: 57.9% Hatch side coaming: 50% 未満 Hatch end coaming: 50% 未満 Cross deck: 52.4% 暗い部材から認識が困難に 明るい部材認識率は依然 い Inner bottom, Cross deckが認識できていることは有 Top side tank sloping plating: 50% 未満 Hold frame: 98.7% Bilge hopper plating: 86.8% Transverse bulkhead: 99.8% Lower stool: 90.0% Access ladder: 50% 未満 Inner bottom plating: 50% 未満 Hatch side coaming: 50% 未満 Hatch end coaming: 50% 未満 Cross deck: 50% 未満 Bulkhead と周辺部材の認識率が依然 いことは 検査員にとって有 な判断材料 画 だけでは全体判断が困難 19
6 5. タンク ホールド内画像認識実験 II (5) 5. タンク ホールド内画像認識実験 II (6) Cross Deck: 99.4% Cross Deck: 79.5% Top side tank sloping plating: 84.9% ( 誤認 ) Cross Deck: 50% 未満 Top side tank sloping plating: 99.3% & 77.3% ( 誤認 ) Inner bottom plating: 99.7% Transverse bulkhead: 99.6% Lower stool: 90.2% Inner bottom plating: 95.3% Top side tank sloping plating: 86.2% ( 誤認 ) Cross Deck を Top side tank sloping plating と誤認 Cross Deck と認識できなかった 認識率は多少下がっているが 正しく認識できている Top side tank sloping plating と誤認 Cross Deck と Top side tank sloping plating は隣接しているため このような判断になった可能性がある 画像だけでは判断が難しい 画像だけでは判断が難しい 特に現場環境では ヒトでも判断できない 構造関係を学習しているか要調査 まとめと今後の課題 < まとめ > ディープラーニング (Faster R-) による船舶のタンク ホールド内の画像認識の精度を調査した データセット ( 訓練データ550 画像 検証データ250 画像 ) で学習し テストデータ89 画像で検証した 明るい環境での画像認識率は かった ホールド内 ( 閉環境 暗所 ) を画像処理で再現し 学習結果の重みを いてテストデータの画像認識率を調査した 明るい環境での画像認識率に べると 認識率は低下する ライトのあたった明るい ( 画像中央 ) の認識率は いものの 周辺の暗い部材の認識率は低下し 認識できなかったケースもみられた 暗い画像でヒトが判断することも困難な部材に対して 的確に判断できていたため 現場での判断 援には有望である 周辺の部材と誤認するケースもあった Deep Learningが構造関係を含んで誤認していたのか より詳細な検討が必要である ご清聴ありがとうございました < 今後の展開 > 腐 損傷画像を数多く学習させ 学習精度を検証する 実運 法を詳細に検討し リアルタイムでの認識が えるようにする 22 23
画像分野におけるディープラーニングの新展開
画像分野におけるディープラーニングの新展開 MathWorks Japan アプリケーションエンジニアリング部テクニカルコンピューティング 太田英司 2017 The MathWorks, Inc. 1 画像分野におけるディープラーニングの新展開 物体認識 ( 画像全体 ) 物体の検出と認識物体認識 ( ピクセル単位 ) CNN (Convolutional Neural Network) R-CNN
35_3_9.dvi
180 Vol. 35 No. 3, pp.180 185, 2017 Image Recognition by Deep Learning Hironobu Fujiyoshi and Takayoshi Yamashita Chubu University 1. 1990 2000 Scale-Invariant Feature Transform SIFT Histogram of Oriented
Presentation Title
画像のためのディープラーニング ( 深層学習 ) ~ CNN/R-CNN による物体の認識と検出 ~ MathWorks Japan アプリケーションエンジニアリング部テクニカルコンピューティング 太田英司 2017 The MathWorks, Inc. 1 機械学習 Machine Learning 人間が自然に行っている学習能力と同様の機能をコンピュータで実現しようとする技術 手法 ( ) イヌ
図 2 文字認識の流れ 呼ばれる手法が使われている. また文字検出においてもこうし 層が 2 層であったところを 1 層増やし 3 層とした. 畳み込み層 た物体検出と同じ手続きを踏むことで文字の検出を行うことが (conv) とプーリング層 (pool) の括弧内をそれぞれ (カーネルサイ できる
DEIM Forum 2016 P1-3 182 8585 1-5-1 E-mail: narusawa-a@mm.inf.uec.ac.jp, yanai@cs.uec.ac.jp,,.,..... CNN. 48%. 1. 1. 1,,.,.,. Google glass,.,,..,.,.,.,.. 1. 2,...,..,. 2. CNN LeCun [1]. LeNet( 1) 2,.,.,
Mastering the Game of Go without Human Knowledge ( ) AI 3 1 AI 1 rev.1 (2017/11/26) 1 6 2
6 2 6.1........................................... 3 6.2....................... 5 6.2.1........................... 5 6.2.2........................... 9 6.2.3................. 11 6.3.......................
スライド 1
CNN を用いた弱教師学習による画像領域分割 下田和, 柳井啓司 電気通信大学 大学院情報理工学 研究科 総合情報学専攻 c 2015 UEC Tokyo. Convolutional Neural Network CNN クラス分類タスクにおいてトップの精度 CNN の応用 ( 物体位置の認識 ) 物体検出 物体に BB を付与 領域分割 ピクセル単位の認識 CNN を用いた領域分割 CNN による完全教師ありのセグメンテーション
[1] SBS [2] SBS Random Forests[3] Random Forests ii
![[1] SBS [2] SBS Random Forests[3] Random Forests ii](/thumbs/74/70333192.jpg "[1] SBS [2] SBS Random Forests[3] Random Forests ii")
Random Forests 2013 3 A Graduation Thesis of College of Engineering, Chubu University Proposal of an efficient feature selection using the contribution rate of Random Forests Katsuya Shimazaki [1] SBS
SICE東北支部研究集会資料（2017年）
307 (2017.2.27) 307-8 Deep Convolutional Neural Network X Detecting Masses in Mammograms Based on Transfer Learning of A Deep Convolutional Neural Network Shintaro Suzuki, Xiaoyong Zhang, Noriyasu Homma,
Microsoft PowerPoint - 技術セミナー資料 rev3.1.ppt
目次 1. はじめに 2. CSR に対応したソフトウェア 共通構造規則 (CSR( CSR-B 編及び CSR-T 編 ) に対する本会の取り組みと現状日本海事協会船体部 開発部 3. 図面審査におけるCSR 適用例と知見について 3.1 縦強度及び縦曲げ最終強度 3.2 バルクキャリアの規則計算 ( 局部強度 ) 3.3 バルクキャリアの直接強度計算 3.4 プロダクトタンカーの規則計算 ( 局部強度
実船における YP4 鋼の使用状況とその実績評価 Application ratio of high tensile steels (w%) Ratio of each type of steel (w%) R & D for TMCP Technology R & D for TMCP Steel
YP4 1. TMCP YP4 1 2 YP4 2 YP4 YP4 NK 1 NK 2. 2.1 TMCP TMCP 198 HT TMCP Fig.1 TMCP HT 197 YP32 HT 2% TMCP YP32/36 198 7% 2 2% TMCP YP4 4kgf/mm 2 198 12 13 8. 1 ( 財 ) 日本海事協会 49 平成 13 年度 ClassNK 研究発表会 実船における
PowerPoint Presentation
ディープラーニングの 実践的な適用ワークフロー MathWorks Japan テクニカルコンサルティング部縣亮 2015 The MathWorks, Inc. 1 アジェンダ ディープラーニングとは?( おさらい ) ディープラーニングの適用ワークフロー ワークフローの全体像 MATLAB によるニューラルネットワークの構築 学習 検証 配布 MATLAB ではじめるメリット 試行錯誤のやりやすさ
IPSJ SIG Technical Report Vol.2012-CG-149 No.13 Vol.2012-CVIM-184 No /12/4 3 1,a) ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransa
3,a) 3 3 ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransac. DB [] [2] 3 DB Web Web DB Web NTT NTT Media Intelligence Laboratories, - Hikarinooka Yokosuka-Shi, Kanagawa 239-0847 Japan a) yabushita.hiroko@lab.ntt.co.jp
(4) ω t(x) = 1 ω min Ω ( (I C (y))) min 0 < ω < C A C = 1 (5) ω (5) t transmission map tmap 1 4(a) 2. 3 2. 2 t 4(a) t tmap RGB 2 (a) RGB (A), (B), (C)
(MIRU2011) 2011 7 890 0065 1 21 40 105-6691 1 1 1 731 3194 3 4 1 338 8570 255 346 8524 1836 1 E-mail: {fukumoto,kawasaki}@ibe.kagoshima-u.ac.jp, ryo-f@hiroshima-cu.ac.jp, fukuda@cv.ics.saitama-u.ac.jp,
csr_txt_2007.pdf
1. 共通構造規則 (CSR-B 編及び CSR-T 編 ) に対する本会の取り組みと現状 1. はじめに 船体部 開発部 IACS 共通構造規則 ( 鋼船規則 CSR-B 編及び CSR-T 編, 以下 CSR という ) が 2006 年 4 月 1 日に発効してから 1 年余が経過し,CSR を適用したばら積貨物船及びタンカーの設計が本格化してきている これを受け, 本会においてもこれらの船舶の図面承認が増加の一途を辿っていることから,
Convolutional Neural Network A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolution
Convolutional Neural Network 2014 3 A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolutional Neural Network Fukui Hiroshi 1940 1980 [1] 90 3
IPSJ SIG Technical Report Vol.2016-CSEC-75 No /12/1 3DCG CAPTCHA 1,a) (3D) 3DCG CAPTCHA CAPTCHA 3 3D CAPTCHA CAPTCHA 1 CAPTCHA 3 1. Web CA
3DCG CAPTCHA,a) 2 2 3 (3D) 3DCG CAPTCHA CAPTCHA 3 3D CAPTCHA CAPTCHA CAPTCHA 3. Web CAPTCHA(Completely Automated Public Turing test to tell Computers and Humans Apart) CAPTCHA OCR(Optical Character Recognition)
AGENDA ディープラーニングとは Qwiklab/Jupyter notebook/digits の使い方 DIGITS による物体検出入門ハンズオン
ハンズオンラボ2 DIGITS による物体検出入門 村上真奈 NVIDIA CUDA & Deep Learning Solution Architect NVIDIA Corporation 1 AGENDA ディープラーニングとは Qwiklab/Jupyter notebook/digits の使い方 DIGITS による物体検出入門ハンズオン ディープラーニングとは 機械学習とディープラーニングの関係
Microsoft PowerPoint - pr_12_template-bs.pptx
12 回パターン検出と画像特徴 テンプレートマッチング 領域分割 画像特徴 テンプレート マッチング 1 テンプレートマッチング ( 図形 画像などの ) 型照合 Template Matching テンプレートと呼ばれる小さな一部の画像領域と同じパターンが画像全体の中に存在するかどうかを調べる方法 画像内にある対象物体の位置検出 物体数のカウント 物体移動の検出などに使われる テンプレートマッチングの計算
Vol.171 2004.9.15 14 100 5 10 15 52 53 55 1 7 55 58 63 3 26 53 3 6 9 2 3 6 9 6 52 53 55 3 9 5 1 7 10 14 4 12 8 11
Vol.170 2004.9.9 9 17 9 17 1000 8 10 9 17 14:00 17:00 30 28 Vol.171 2004.9.15 14 100 5 10 15 52 53 55 1 7 55 58 63 3 26 53 3 6 9 2 3 6 9 6 52 53 55 3 9 5 1 7 10 14 4 12 8 11 9.17 10 15 38 51 53 55 6 2
す 局所領域 ωk において 線形変換に用いる係数 (ak 画素の係数 (ak bk ) を算出し 入力画像の信号成分を bk ) は次式のコスト関数 E を最小化するように最適化 有さない画素に対して 式 (2) より画素値を算出する される これにより 低解像度な画像から補間によるアップサ E(
IR E-mail: hf@cs.chubu.ac.jp Abstract IR RGB ( ) IR IR IR RGB RGB PSNR 1 Time-Of- Flight(TOF)[1] Kinect [2] TOF LED TOF [3] [6] [4][5] 2 [6] RGB ( ) Infrared(IR) IR 2 2.1 1 す 局所領域 ωk において 線形変換に用いる係数 (ak
ワトソンで体感する人工知能 フォローアップ情報 株式会社リックテレコム / 書籍出版部 ( 最終情報更新日 :2018 年 4 月 5 日 ) [INDEX] 2018 年 4 月 1 日時点の IBM Watson 仕様変更について ( 著者 : 井上研一氏からのフォロー情報 ) [ 変更点 -1
![ワトソンで体感する人工知能 フォローアップ情報 株式会社リックテレコム / 書籍出版部 ( 最終情報更新日 :2018 年 4 月 5 日 ) [INDEX] 2018 年 4 月 1 日時点の IBM Watson 仕様変更について ( 著者 : 井上研一氏からのフォロー情報 ) [ 変更点 -1](/thumbs/101/149419594.jpg "ワトソンで体感する人工知能 フォローアップ情報 株式会社リックテレコム / 書籍出版部 ( 最終情報更新日 :2018 年 4 月 5 日 ) [INDEX] 2018 年 4 月 1 日時点の IBM Watson 仕様変更について ( 著者 : 井上研一氏からのフォロー情報 ) [ 変更点 -1")
ワトソンで体感する人工知能 フォローアップ情報 株式会社リックテレコム / 書籍出版部 ( 最終情報更新日 :2018 年 4 月 5 日 ) [INDEX] 2018 年 4 月 1 日時点の IBM Watson 仕様変更について ( 著者 : 井上研一氏からのフォロー情報 ) [ 変更点 -1] IBM Cloud の登録とライトアカウントについて [ 変更点 -2] IBM Cloud における
Slide 1
GPU コンピューティング研究会ディープラーニング ハンズオン講習 エヌビディア合同会社 ディープラーニングソリューションアーキテクト兼 CUDA エンジニア村上真奈 追記 ハンズオンのおさらいを後日行いたい方へ MNIST データセットは以下からダウンロードする事が可能です (gz 形式 ) http://yann.lecun.com/exdb/mnist/ 下記スクリプトでも簡単にデータをダウンロード可能です
(MIRU2008) HOG Histograms of Oriented Gradients (HOG)
(MIRU2008) 2008 7 HOG - - E-mail: katsu0920@me.cs.scitec.kobe-u.ac.jp, {takigu,ariki}@kobe-u.ac.jp Histograms of Oriented Gradients (HOG) HOG Shape Contexts HOG 5.5 Histograms of Oriented Gradients D Human
本ラボの目的 ディープラーニングのイントロダクション ネットワークのトレーニング トレーニングの結果を理解する コンピュータビジョン 画像分類に関するハンズオン Caffe と DIGITS を使用する 1/17/217 6
DIGITSによるディープラーニング画像分類 森野慎也, シニアソリューションアーキテクト ディープラーニング部 エヌビディアジャパン 217/1/17 本ラボの目的 ディープラーニングのイントロダクション ネットワークのトレーニング トレーニングの結果を理解する コンピュータビジョン 画像分類に関するハンズオン Caffe と DIGITS を使用する 1/17/217 6 本ラボが意図しないこと
Slide 1
ハンズオン受講の為の準備講座 これから始める人の為の ディープラーニング基礎講座 村上真奈 NVIDIA CUDA & Deep Learning Solution Architect NVIDIA Corporation 1 機械学習とディープラーニングの関係 AGENDA ディープラーニングとは? ニューラルネットワークの構造 ディープラーニングの学習とは 畳み込みニューラルネットワーク 午後に予定しているハンズオンの為の基礎講座ディープラーニングをこれから始める方を対象に基礎概念や用語の解説を行います
untitled
DEIM Forum 2019 I2-4 305-8573 1-1-1 305-8573 1-1-1 305-8573 1-1-1 ( ) 151-0053 1-3-15 6F 101-8430 2-1-2 CNN LSTM,,,, Measuring Beginner Friendliness / Visiual Intelligibility of Web Pages explaining Academic
100326_セミナー資料_物体認識.pptx
!! "#! "#"! "#$! "#%! $#! $#"! $#$! $#%! $#&! % 物体認識 検出 について '()*++,-./#,0121#3)+,04.50+6789+":; '()*++)010;216,#3)+9,+0;.?>65.6#'@4A 物体検出は簡単か 多様な変動要素が存在して難しい 変動要素に対応する特徴量 学習手法がキー カメラの角度 姿勢
SICE東北支部研究集会資料(2013年)
280 (2013.5.29) 280-4 SURF A Study of SURF Algorithm using Edge Image and Color Information Yoshihiro Sasaki, Syunichi Konno, Yoshitaka Tsunekawa * *Iwate University : SURF (Speeded Up Robust Features)
図 5 一次微分 図 6 コントラスト変化に伴う微分プロファイルの変化 価し, 合否判定を行う. 3. エッジ検出の原理ここでは, 一般的なエッジ検出の処理内容と, それぞれの処理におけるパラメータについて述べる. 3.1 濃度投影検出線と直交する方向に各画素をスキャンし, その濃度平均値を検出線上
The Principles of Edge Detection, and Its Application to Image Measurement/ Junichi SUGANO ヴィスコ テクノロジーズ株式会社開発本部研究部菅野純一 1. はじめに画像処理におけるエッジとは, 対象物と背景の境界点を指しており, この境界点が連なることで対象物の輪郭を形成する. 対象物の輪郭を拡大してみると, レンズボケにより明から暗または暗から明へ濃度値が連続的に変化していることがわかる.
% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii
![% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii](/thumbs/91/106152959.jpg "% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii")
2012 3 A Graduation Thesis of College of Engineering, Chubu University High Accurate Semantic Segmentation Using Re-labeling Besed on Color Self Similarity Yuko KAKIMI 2400 90% 2 3 [1] Semantic Texton
Systems Research for Cyber-Physical Systems
自動運転システムにおける 高性能計算技術の応用 加藤真平 名古屋大学大学院情報科学研究科 准教授 Velodyne HDL-64e (3D LIDAR) Velodyne HDL-32e (3D LIDAR) JAVAD RTK-GNSS (GNSS/GPS) HOKUYO UTM-30LX (LIDAR) Point Grey Ladybug 5 (Camera) IBEO LUX 8L (3D
4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q
![4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q](/thumbs/92/110416683.jpg "4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q")
x-means 1 2 2 x-means, x-means k-means Bayesian Information Criterion BIC Watershed x-means Moving Object Extraction Using the Number of Clusters Determined by X-means Clustering Naoki Kubo, 1 Kousuke
時空間特徴を用いた Web動画からの特定動作対応ショットの 自動抽出
Web 動画 画像を用いた 特定動作ショットの自動収集 DO HANG NGA 樋爪和也柳井啓司 電気通信大学情報工学科 背景 既存の動画学習手法制限のある動画像 (e.g. KTH, Caltech) 教師なし学習手法 Web 上の動画 教師信号あり 動画量が少ない 研究の目的 特定動作についての Web データを使用して その動作の対応ショットを自動抽出 大量の Web 動画 ランキング 学習の必要なし
,,,,,,,,,,,,,,,,,,, 976%, i
20 Individual Recognition using positions of facial parts 1115081 2009 3 5 ,,,,,,,,,,,,,,,,,,, 976%, i Abstract Individual Recognition using positions of facial parts YOSHIHIRO Arisawa A facial recognition
Coding theorems for correlated sources with cooperative information
グラフコストの逐次更新を用いた映像顕著領域の自動抽出 2009 年 5 月 28 日 福地賢宮里洸司 (2) 木村昭悟 (1) 高木茂 (2) 大和淳司 (1) (1) 日本電信電話 ( 株 )NTT) コミュニケーション科学基礎研究所メディア情報研究部メディア認識研究グループ (2) 国立沖縄工業高等専門学校情報通信システム工学科 背景 ヒトはどのようにして もの を認識する能力を獲得するのか?
色の類似性に基づいた形状特徴量CS-HOGの提案
IS3-04 第 18 回 画 像 センシングシンポジウム, 横 浜, 2012 年 6 月 CS-HOG CS-HOG : Color Similarity-based HOG feature Yuhi Goto, Yuji Yamauchi, Hironobu Fujiyoshi Chubu University E-mail: yuhi@vision.cs.chubu.ac.jp Abstract
3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)
![3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)](/thumbs/68/59204737.jpg "3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)")
(MIRU2012) 2012 8 820-8502 680-4 E-mail: {d kouno,shimada,endo}@pluto.ai.kyutech.ac.jp (1) (2) (3) (4) 4 AdaBoost 1. Kanade [6] CLAFIC [12] EigenFace [10] 1 1 2 1 [7] 3 2 2 (1) (2) (3) (4) 4 4 AdaBoost
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. TRECVID2012 Instance Search {sak
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. TRECVID2012 Instance Search 599 8531 1 1 E-mail: {sakata,matozaki}@m.cs.osakafu-u.ac.jp, {kise,masa}@cs.osakafu-u.ac.jp
Duplicate Near Duplicate Intact Partial Copy Original Image Near Partial Copy Near Partial Copy with a background (a) (b) 2 1 [6] SIFT SIFT SIF
![Duplicate Near Duplicate Intact Partial Copy Original Image Near Partial Copy Near Partial Copy with a background (a) (b) 2 1 [6] SIFT SIFT SIF](/thumbs/82/86406952.jpg "Duplicate Near Duplicate Intact Partial Copy Original Image Near Partial Copy Near Partial Copy with a background (a) (b) 2 1 [6] SIFT SIFT SIF")
Partial Copy Detection of Line Drawings from a Large-Scale Database Weihan Sun, Koichi Kise Graduate School of Engineering, Osaka Prefecture University E-mail: sunweihan@m.cs.osakafu-u.ac.jp, kise@cs.osakafu-u.ac.jp
図 2: 高周波成分を用いた超解像 解像度度画像とそれらを低解像度化して得られる 低解像度画像との差により低解像度の高周波成分 を得る 高解像度と低解像度の高周波成分から位 置関係を保ったままパッチ領域をそれぞれ切り出 し 高解像度パッチ画像と低解像度パッチ画像の ペアとしてデータベースに登録する
Exemplar-Based Super-Resolution of Human Body Image in Surveillance Video 1 1,2 1 1 1 Kento Nishibori 1, Tomokazu TAKAHASHI 1,2, Daisuke DEGUCHI 1, Ichiro IDE 1 and Hiroshi MURASE 1 1 2 nishiborik@murase.m.is.nagoya-u.ac.jp
田向研究室PPTテンプレート
Hibikino-Musashi@Home: ホームサービスロボット開発学生プロジェクトの紹介 18/09/14 ROSCon JP 2018 Hibikino-Musashi@Home 九州工業大学田向研究室 石田裕太郎 hma@brain.kyutech.ac.jp 今日紹介するロボット RoboCup@Home に参戦するホームサービスロボット Eix@ HW: 九工大 SW: 九工大 2018
2
2 485 1300 1 6 17 18 3 18 18 3 17 () 6 1 2 3 4 1 18 11 27 10001200 705 2 18 12 27 10001230 705 3 19 2 5 10001140 302 5 () 6 280 2 7 ACCESS WEB 8 9 10 11 12 13 14 3 A B C D E 1 Data 13 12 Data 15 9 18 2
it-ken_open.key
深層学習技術の進展 ImageNet Classification 画像認識 音声認識 自然言語処理 機械翻訳 深層学習技術は これらの分野において 特に圧倒的な強みを見せている Figure (Left) Eight ILSVRC-2010 test Deep images and the cited4: from: ``ImageNet Classification with Networks et
IPSJ SIG Technical Report Vol.2013-CVIM-187 No /5/30 1,a) 1,b), 1,,,,,,, (DNN),,,, 2 (CNN),, 1.,,,,,,,,,,,,,,,,,, [1], [6], [7], [12], [13]., [
![IPSJ SIG Technical Report Vol.2013-CVIM-187 No /5/30 1,a) 1,b), 1,,,,,,, (DNN),,,, 2 (CNN),, 1.,,,,,,,,,,,,,,,,,, [1], [6], [7], [12], [13]., [](/thumbs/94/121682292.jpg "IPSJ SIG Technical Report Vol.2013-CVIM-187 No /5/30 1,a) 1,b), 1,,,,,,, (DNN),,,, 2 (CNN),, 1.,,,,,,,,,,,,,,,,,, [1], [6], [7], [12], [13]., [")
,a),b),,,,,,,, (DNN),,,, (CNN),,.,,,,,,,,,,,,,,,,,, [], [6], [7], [], [3]., [8], [0], [7],,,, Tohoku University a) omokawa@vision.is.tohoku.ac.jp b) okatani@vision.is.tohoku.ac.jp, [3],, (DNN), DNN, [3],
VOLTA TENSOR コアで 高速かつ高精度に DL モデルをトレーニングする方法 成瀬彰, シニアデベロッパーテクノロジーエンジニア, 2017/12/12
VOLTA TENSOR コアで 高速かつ高精度に DL モデルをトレーニングする方法 成瀬彰, シニアデベロッパーテクノロジーエンジニア, 2017/12/12 アジェンダ Tensorコアとトレーニングの概要 混合精度 (Tensorコア) で FP32と同等の精度を得る方法 ウェイトをFP16とFP32を併用して更新する ロス スケーリング DLフレームワーク対応状況 ウェイトをFP16で更新する
Google Goggles [1] Google Goggles Android iphone web Google Goggles Lee [2] Lee iphone () [3] [4] [5] [6] [7] [8] [9] [10] :
![Google Goggles [1] Google Goggles Android iphone web Google Goggles Lee [2] Lee iphone () [3] [4] [5] [6] [7] [8] [9] [10] :](/thumbs/91/105231422.jpg "Google Goggles [1] Google Goggles Android iphone web Google Goggles Lee [2] Lee iphone () [3] [4] [5] [6] [7] [8] [9] [10] :")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE.,, 182-8585 1-5-1 E-mail: {maruya-t,akiyama-m}@mm.inf.uec.ac.jp, yanai@cs.uec.ac.jp SURF Bag-of-Features
スライド 1
知能制御システム学 画像追跡 (1) 特徴点の検出と追跡 東北大学大学院情報科学研究科鏡慎吾 swk(at)ic.is.tohoku.ac.jp 2008.07.07 今日の内容 前回までの基本的な画像処理の例を踏まえて, ビジュアルサーボシステムの構成要素となる画像追跡の代表的手法を概説する 画像上の ある点 の追跡 オプティカルフローの拘束式 追跡しやすい点 (Harris オペレータ ) Lucas-Kanade
b4-deeplearning-embedded-c-mw
ディープラーニングアプリケーション の組み込み GPU/CPU 実装 アプリケーションエンジニアリング部町田和也 2015 The MathWorks, Inc. 1 アジェンダ MATLAB Coder/GPU Coder の概要 ディープニューラルネットワークの組み込み実装ワークフロー パフォーマンスに関して まとめ 2 ディープラーニングワークフローのおさらい Application logic
Presentation Title
ディープラーニングによる画像認識の基礎と実践ワークフロー MathWorks Japan アプリケーションエンジニアリング部アプリケーションエンジニア福本拓司 2018 The MathWorks, Inc. 1 一般的におこなわれる目視による評価 製造ライン 医用データ 作業現場 インフラ 研究データ 現場での目視 大量画像の収集 専門家によるチェック 2 スマートフォンで撮影した映像をその場で評価
1 Table 1: Identification by color of voxel Voxel Mode of expression Nothing Other 1 Orange 2 Blue 3 Yellow 4 SSL Humanoid SSL-Vision 3 3 [, 21] 8 325
![1 Table 1: Identification by color of voxel Voxel Mode of expression Nothing Other 1 Orange 2 Blue 3 Yellow 4 SSL Humanoid SSL-Vision 3 3 [, 21] 8 325](/thumbs/91/105378470.jpg "1 Table 1: Identification by color of voxel Voxel Mode of expression Nothing Other 1 Orange 2 Blue 3 Yellow 4 SSL Humanoid SSL-Vision 3 3 [, 21] 8 325")
社団法人人工知能学会 Japanese Society for Artificial Intelligence 人工知能学会研究会資料 JSAI Technical Report SIG-Challenge-B3 (5/5) RoboCup SSL Humanoid A Proposal and its Application of Color Voxel Server for RoboCup SSL
03_特集2_3校_0929.indd
MEDICAL IMAGING TECHNOLOGY Vol. 35 No. 4 September 2017 187 CT 1 1 convolutional neural network; ConvNet CT CT ConvNet 2D ConvNet CT ConvNet CT CT Med Imag Tech 35 4 : 187 193, 2017 1. CT MR 1 501-1194
情報処理学会研究報告 IPSJ SIG Technical Report Vol.2013-CVIM-186 No /3/15 EMD 1,a) SIFT. SIFT Bag-of-keypoints. SIFT SIFT.. Earth Mover s Distance
EMD 1,a) 1 1 1 SIFT. SIFT Bag-of-keypoints. SIFT SIFT.. Earth Mover s Distance (EMD), Bag-of-keypoints,. Bag-of-keypoints, SIFT, EMD, A method of similar image retrieval system using EMD and SIFT Hoshiga
特別寄稿.indd
特別寄稿 ソフトインフラとしてのデジタル地図を活用した自動運転システム Autonomous vehicle using digital map as a soft infrastructure 菅沼直樹 Naoki SUGANUMA 1. はじめに 1) 2008 2012 ITS 2) CO 2 3) 4) Door to door Door to door Door to door DARPA(
IPSJ SIG Technical Report Vol.2010-CVIM-170 No /1/ Visual Recognition of Wire Harnesses for Automated Wiring Masaki Yoneda, 1 Ta
1 1 1 1 2 1. Visual Recognition of Wire Harnesses for Automated Wiring Masaki Yoneda, 1 Takayuki Okatani 1 and Koichiro Deguchi 1 This paper presents a method for recognizing the pose of a wire harness
LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R
![LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R](/thumbs/86/93333816.jpg "LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R")
DEIM Forum 24 F5-4 Local Binary Pattern 6 84 E-mail: {tera,kida}@ist.hokudai.ac.jp Local Binary Pattern (LBP) LBP 3 3 LBP 5 5 5 LBP improved LBP uniform LBP.. Local Binary Pattern, Gradient Local Auto-Correlations,,,,
2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni
![2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni](/thumbs/86/94686225.jpg "2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni")
DEIM Forum 2012 B5-3 606 8510 E-mail: {zhao,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp Web, 1. Web Web TinEye 1 Google 1 http://www.tineye.com/ 1 2. 3. 4. 5. 6. 2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient
(Microsoft PowerPoint -
ERDAS IMAGINE 2011 新機能 1. リボンインターフェイス 1. リボンインターフェイス ERDAS IMAGINE 2010 から実装されたリボンインターフェイスについて ご紹介します 1.1 インターフェイスの概要 1.2 よく使う機能の集約 1 - Quick Access Toolbar - 1.3 よく使う機能の集約 2 - My Workflow Tab - 1.4 よく使うデータのショートカット
24 Region-Based Image Retrieval using Fuzzy Clustering
24 Region-Based Image Retrieval using Fuzzy Clustering 1130323 2013 3 9 Visual-key Image Retrieval(VKIR) k-means Fuzzy C-means 2 200 2 2 20 VKIR 5 18% 54% 7 30 Fuzzy C-means i Abstract Region-Based Image
Presentation Title
基礎から始める機械学習 深層学習 MathWorks Japan アプリケーションエンジニア井原瑞希 2018 The MathWorks, Inc. 1 Outline 機械学習の基礎 教師あり学習と教師なし学習 教師あり学習 回帰と分類 Case1: 特徴が明確な場合の数値の分類 ニューラルネットワーク以外の機械学習 Case2: 特徴が不明瞭な場合の信号分類 ニューラルネットワーク Case3:
第 1 回ディープラーニング分散学習ハッカソン <ChainerMN 紹介 + スパコンでの実 法 > チューター福 圭祐 (PFN) 鈴 脩司 (PFN)
第 1 回ディープラーニング分散学習ハッカソン チューター福 圭祐 (PFN) 鈴 脩司 (PFN) https://chainer.org/ 2 Chainer: A Flexible Deep Learning Framework Define-and-Run Define-by-Run Define Define by Run Model
2 Fig D human model. 1 Fig. 1 The flow of proposed method )9)10) 2.2 3)4)7) 5)11)12)13)14) TOF 1 3 TOF 3 2 c 2011 Information
1 1 2 TOF 2 (D-HOG HOG) Recall D-HOG 0.07 HOG 0.16 Pose Estimation by Regression Analysis with Depth Information Yoshiki Agata 1 and Hironobu Fujiyoshi 1 A method for estimating the pose of a human from
Silhouette on Image Object Silhouette on Images Object 1 Fig. 1 Visual cone Fig. 2 2 Volume intersection method Fig. 3 3 Background subtraction Fig. 4
Image-based Modeling 1 1 Object Extraction Method for Image-based Modeling using Projection Transformation of Multi-viewpoint Images Masanori Ibaraki 1 and Yuji Sakamoto 1 The volume intersection method
28 TCG SURF Card recognition using SURF in TCG play video
28 TCG SURF Card recognition using SURF in TCG play video 1170374 2017 3 2 TCG SURF TCG TCG OCG SURF Bof 20 20 30 10 1 SURF Bag of features i Abstract Card recognition using SURF in TCG play video Haruka
IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 2 Hough Forest Hough Forest[6] Random Forest( [5]) Random Forest Hough Forest Hough Forest 2.1 Hough Forest 1 2.2
![IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 2 Hough Forest Hough Forest[6] Random Forest( [5]) Random Forest Hough Forest Hough Forest 2.1 Hough Forest 1 2.2](/thumbs/91/106196100.jpg "IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 2 Hough Forest Hough Forest[6] Random Forest( [5]) Random Forest Hough Forest Hough Forest 2.1 Hough Forest 1 2.2")
IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 MI-Hough Forest () E-mail: ym@vision.cs.chubu.ac.jphf@cs.chubu.ac.jp Abstract Hough Forest Random Forest MI-Hough Forest Multiple Instance Learning Bag Hough Forest
ディープラーニングとは AGENDA Qwiklabs/DIGITS の使い方 DIGITS による物体検出入門ハンズオン
ハンズオンラボ DIGITS による物体検出入門 山崎和博 ディープラーニング ソリューションアーキテクト エヌビディア ディープラーニングとは AGENDA Qwiklabs/DIGITS の使い方 DIGITS による物体検出入門ハンズオン ディープラーニングとは 様々な分野でディープラーニングを応用 インターネットとクラウド 医学と生物学 メディアとエンターテイメント セキュリティと防衛 機械の自動化
2017 (413812)
2017 (413812) Deep Learning ( NN) 2012 Google ASIC(Application Specific Integrated Circuit: IC) 10 ASIC Deep Learning TPU(Tensor Processing Unit) NN 12 20 30 Abstract Multi-layered neural network(nn) has
1 (PCA) 3 2 P.Viola 2) Viola AdaBoost 1 Viola OpenCV 3) Web OpenCV T.L.Berg PCA kpca LDA k-means 4) Berg 95% Berg Web k-means k-means
Web, Web k-means 62% Associating Faces and Names in Web Photo News Akio Kitahara and Keiji Yanai We propose a system which extracts faces and person names from news articles with photographs on the Web
IS2-06 第21回画像センシングシンポジウム 横浜 2015年6月 画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチング は K-means をベースにした手法で 単純な K-means に いる SPIN
![IS2-06 第21回画像センシングシンポジウム 横浜 2015年6月 画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチング は K-means をベースにした手法で 単純な K-means に いる SPIN](/thumbs/92/107948919.jpg "IS2-06 第21回画像センシングシンポジウム 横浜 2015年6月 画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチング は K-means をベースにした手法で 単純な K-means に いる SPIN")
Cosegmentation E-mail: {tamanaha, nakayama}@nlab.ci.i.u-tokyo.ac.jp Abstract Cosegmentation Cosegmentation Cosegmentation 1 Never Ending Image Learner[1] Google Cosegmentation Cosegmentation Rother [2]
untitled
c ILSVRC LeNet 1. 1 convolutional neural network 1980 Fukushima [1] [2] 80 LeCun (back propagation) LeNet [3, 4] LeNet 2. 2.1 980 8579 6 6 01 okatani@vision.is.tohoku.ac.jp (simple cell) (complex cell)
知的学習認識システム特論９.key
shouno@uec.ac.jp 1 http://www.slideshare.net/pfi/deep-learning-22350063 1960 1970 1980 1990 2000 2010 Perceptron (Rosenblatt 57) Linear Separable (Minski & Papert 68) SVM (Vapnik 95) Neocognitron
WISS Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro GoPro 2 6 GoPro RICOH THETA 3 Kodak P
![WISS Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro GoPro 2 6 GoPro RICOH THETA 3 Kodak P](/thumbs/97/132457040.jpg "WISS Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro GoPro 2 6 GoPro RICOH THETA 3 Kodak P")
WISS 2016. 8 1 Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro https://gopro.com/ 360 GoPro 2 6 GoPro RICOH THETA 3 Kodak PIXPRO SP360 4 Samsung Gear 360 5 1 RICOH THETA S Brazucam
SUALAB INTRODUCTION SUALAB Solution SUALAB は 人工知能 ( ディープラーニング ) による画像解析技術を通して 迅速 正確 そして使いやすいマシンビジョン用のディープラーニングソフトウェアライブラリーである SuaKIT を提供します これは 従来のマシン
SuaKIT suɑ kít Deep learning S/WLibrary for MachineVision SuaKIT は ディスプレイ 太陽光 PCB 半導体など 様々な分野で使用できる メーカー独自のディープラーニングのマシンビジョンソフトウェアライブラリーです SuaKIT は 様々な産業分野から実際に取得された画像データに基づいて開発されました Samsung LG SK Hanwha
医用画像を題材とした3次元画像解析とディープラーニング
医用画像を題材とした 3 次元画像解析とディープラーニング MathWorks Japan シニアアプリケーションエンジニア大塚慶太郎 kei.otsuka@mathworks.co.jp 2018 The MathWorks, Inc. 1 リリース毎に進化する MATLAB の機能 医用画像処理 自動運転 ロボティクス セキュリティ 3-D Image 3-D Vision SfM Point
情報処理学会研究報告 IPSJ SIG Technical Report 被写界深度に存在する主体物体の自動検出法の提案 萩原健太, 小枝正直 1 本研究では被写界深度に存在する物体の自動検出法の提案を提案する. 本手法を用いることにより,1 枚の静止画像中にある主体物体と非主体物体の分別が可能にな
被写界深度に存在する主体物体の自動検出法の提案 萩原健太, 小枝正直 1 本研究では被写界深度に存在する物体の自動検出法の提案を提案する. 本手法を用いることにより,1 枚の静止画像中にある主体物体と非主体物体の分別が可能になる. 具体的には, まず 2 種類のエッジ抽出を組み合わせることで被写界深度に含まれる主体物体の特徴点群を検出する. その後, 得られた特徴点群を包囲する領域を 2 種類の手法により動的に求める.
Deep Learningでの地図タイル活用の検討
第 7 回地理院地図パートナーネットワーク会議 2017/6/8 Deep Learning での 地図タイル活用の検討 OSGeo 財団日本支部 岩崎亘典 和山亮介 1 はじめに 発表内容 2 /36 汎用的フォーマットとしての地図タイル 地図タイルと Deep Learning CNN を用いた旧版地形図の分類 地形図から土地利用分類 Conditional GAN を用いたタイル画像変換 空中写真
今日の内容 現代の科学は 哲学の伝統的な問題である概念形成あるいは抽象の問題に どこまで迫っているのだろうか? 人工知能の研究は 心と世界あるいは抽象と具体の哲学的問題に どのような光を ( あるいは影を ) もたらすのか? コンピュータは概念をもつことができるか? 近年の深層学習によるブレークスル
人工知能の哲学入門 池田真治 富山大学 人文学部 哲学分野准教授 今日の内容 現代の科学は 哲学の伝統的な問題である概念形成あるいは抽象の問題に どこまで迫っているのだろうか? 人工知能の研究は 心と世界あるいは抽象と具体の哲学的問題に どのような光を ( あるいは影を ) もたらすのか? コンピュータは概念をもつことができるか? 近年の深層学習によるブレークスルーは 心の哲学にどのようなインパクトをもつのか?
画像工学入門
セグメンテーション 講義内容 閾値法,k-mean 法 領域拡張法 SNAK 法 P タイル法 モード法 P タイル法 画像内で対象物の占める面積 (P パーセント ) があらかじめわかっているとき, 濃度ヒストグラムを作成し, 濃度値の累積分布が全体の P パーセントとなる濃度値を見つけ, この値を閾値とする. モード法 画像の輝度ヒストグラムを調べ その分布のモード ( 頻値輝度 ) 間の谷をしきい値とする
(a) (b) 2 2 (Bosch, IR Illuminator 850 nm, UFLED30-8BD) ( 7[m] 6[m]) 3 (PointGrey Research Inc.Grasshopper2 M/C) Hz (a) (b
![(a) (b) 2 2 (Bosch, IR Illuminator 850 nm, UFLED30-8BD) ( 7[m] 6[m]) 3 (PointGrey Research Inc.Grasshopper2 M/C) Hz (a) (b](/thumbs/91/105641706.jpg "(a) (b) 2 2 (Bosch, IR Illuminator 850 nm, UFLED30-8BD) ( 7[m] 6[m]) 3 (PointGrey Research Inc.Grasshopper2 M/C) Hz (a) (b")
(MIRU202) 202 8 AdrianStoica 89 0395 744 89 0395 744 Jet Propulsion Laboratory 4800 Oak Grove Drive, Pasadena, CA 909, USA E-mail: uchino@irvs.ait.kyushu-u.ac.jp, {yumi,kurazume}@ait.kyushu-u.ac.jp 2 nearest
2015 年度 卒業論文 表情認識システム 指導教員白井英俊教授 中京大学情報理工学部機械情報工学科 学籍番号 氏名 H 中川将成 (2016 年 1 月 )
2015 年度 卒業論文 表情認識システム 指導教員白井英俊教授 中京大学情報理工学部機械情報工学科 学籍番号 氏名 H412074 中川将成 (2016 年 1 月 ) 卒業論文要旨 題目 表情認識システム 学籍番号 H412074 氏名中川将成指導教員白井英俊 近年 笑顔を認識して自動的にシャッターをきる機能を搭載したデジタルカメラが発売されており 機械が笑顔を認識する機能が実用化されるようになった
1. 研究背景 目的 2. 使用機器 3. 橋梁点検システム 4. 選定橋梁 5. 安全対策 橋梁点検フロー 6. 計測結果 計測条件 7. まとめ - 2 -
ひび割れ計測機と飛行ロボットによる橋梁点検支援システムに関する研究 大阪市立大学大学院教授プロジェクトリーダー 山口隆司大阪市立大学大学院学生堂ノ本翔平菱田伸鉄工業 ( 株 ) 菱田聡クモノスコーポレーション ( 株 ) 藤田誠二近畿地方整備局道路部, 近畿技術事務所, 大阪国道事務所 - 1 - 1. 研究背景 目的 2. 使用機器 3. 橋梁点検システム 4. 選定橋梁 5. 安全対策 橋梁点検フロー
Interoperability Workshop
Mammography Image Integration Profile IHE-J 接続検証委員会 IHE-J Vender Workshop May 2013 1 What IHE Delivers Mammography Image ( 他のモダリティとの違いは ) 何が違うのか 画像に2 種類のタイプがある 画像と属性においてベンダー間で違いがある CAD (Computer Aided
Research on Multi-view Face Detection of Comic Characters A Thesis Submitted to the Department of Computer Science and Communications Engineering, the
2015 年度 早稲田大学大学院基幹理工学研究科情報理工 情報通信専攻修士論文 マンガキャラクターを対象とした多視点顔 検出の研究 2016.2.1 柳澤秀彰 (5114F089-4) 所属オーディオビジュアル情報処理研究室 ( 渡辺裕教授 ) Research on Multi-view Face Detection of Comic Characters A Thesis Submitted to
IPSJ SIG Technical Report iphone iphone,,., OpenGl ES 2.0 GLSL(OpenGL Shading Language), iphone GPGPU(General-Purpose Computing on Graphics Proc
iphone 1 1 1 iphone,,., OpenGl ES 2.0 GLSL(OpenGL Shading Language), iphone GPGPU(General-Purpose Computing on Graphics Processing Unit)., AR Realtime Natural Feature Tracking Library for iphone Makoto
Microsoft PowerPoint - 201409_秀英体の取組み素材（予稿集）.ppt
1 2 3 4 5 6 7 8 9 10 11 No Image No Image 12 13 14 15 16 17 18 19 20 21 22 23 No Image No Image No Image No Image 24 No Image No Image No Image No Image 25 No Image No Image No Image No Image 26 27 28
研究背景 センサなどによって観測される情報の多くは時系列列データ たくさんの時系列列データの中から有益な情報を取得し その内容を理理解する 手法の開発が重要 取得された情報をより抽象度度の 高いレベルで表現 時系列列データの振る舞いを 言語で説明する 手法の開発 HandRight_x HandRi
高次元の時系列列データの潜在意味 解析に基づく 言語化 手法の開発 小林林 一郎郎 お茶茶の 水 女女 子 大学 研究背景 センサなどによって観測される情報の多くは時系列列データ たくさんの時系列列データの中から有益な情報を取得し その内容を理理解する 手法の開発が重要 取得された情報をより抽象度度の 高いレベルで表現 時系列列データの振る舞いを 言語で説明する 手法の開発 HandRight_x
AI AI Artificial Intelligence AI Strategy& Foresight AI AI AI AI 1 AI AI AI AI AI AI AI AI AI AI AI AI AI 2 AI 1 AI AI 3 AI 3 20 AI AI AI AI AI
AI AIArtificial Intelligence AI Strategy& Foresight AI AIAI AI 1 AI AI AI AI AI AI AI AI AI AI AI AI AI 2 AI 1 AI 50 80 AI 3 AI 3 20 AI AI AI AI AI IoT AI AI 4 Strategy& Foresight Vol.15 2018 Spring masahiro.m.ozaki@pwc.com
1. はじめに 2
点予測と能動学習を用いた効率的なコーパス構築 形態素解析における実証実験 京都大学情報学研究科 Graham NEUBIG 1 1. はじめに 2 形態素解析 べた書きの文字列を意味のある単位に分割し 様々な情報を付与 品詞 基本形 読み 発音等を推定 農産物価格安定法を施行した 価格 / 名詞 / 価格 / かかく / かかく安定 / 名詞 / 安定 / あんてい / あんてー法 / 接尾辞 /
PowerPoint プレゼンテーション
東京大学大学院情報理工学系研究科創造情報学専攻中山英樹 1. 画像認識分野におけるdeep learningの歴史と発展 2. 畳み込みニューラルネット (CNN) を用いた転移学習 3. 実践方法 2 1. 画像認識分野におけるdeep learningの歴史と発展 2. 畳み込みニューラルネット (CNN) を用いた転移学習 3. 実践方法 3 制約をおかない実世界環境の画像を単語で記述 一般的な物体やシーン
yoo_graduation_thesis.dvi
200 3 A Graduation Thesis of College of Engineering, Chubu University Keypoint Matching of Range Data from Features of Shape and Appearance Yohsuke Murai 1 1 2 2.5D 3 2.1 : : : : : : : : : : : : : : :
Microsoft PowerPoint - SSII_harada pptx
The state of the world The gathered data The processed data w d r I( W; D) I( W; R) The data processing theorem states that data processing can only destroy information. David J.C. MacKay. Information
機械学習 ハンズオン-チュートリアル
機械学習 ハンズオン - チュートリアル 初めてのペアモニター研究 はじめに このチュートリアルは機械学習の環境を構築し ニューラルネットワークが実行できるようになるところまで行います チュートリアルの流れ 1. 環境構築 2. 機械学習用プログラム実装 & 実行 3. プログラムの改良 ( 精度向上のため ) 4. 機械学習についてより深く理解するために 2 y[mm] y[mm] 機械学習 ヒット分布
ディープラーニングの組み込み機器実装ソリューション ~GPC/CPU編~
ディープラーニングの組み込み機器実装ソリューション ~GPU/CPU 編 ~ MathWorks Japan アプリケーションエンジニアリング部大塚慶太郎 Kei.Otsuka@mathworks.co.jp 2018 The MathWorks, Inc. 1 自動運転 : 車 歩行者等の物体認識 白線検出 組み込み GPU への実装 モデル GPU 実装 / 配布 3 医用画像 : 腫瘍等 特定の部位の検出
Kumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷
熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI プロジェクト @ 宮崎県美郷町 熊本大学副島慶人川村諒 1 実験の目的 従来 信号の受信電波強度 (RSSI:RecevedSgnal StrengthIndcator) により 対象の位置を推定する手法として 無線 LAN の AP(AccessPont) から受信する信号の減衰量をもとに位置を推定する手法が多く検討されている
DEIM Forum 2019 A7-1 Flexible Distance-based Hashing mori
DEIM Forum 2019 A7-1 Flexible Distance-based Hashing 731 3194 E-mail: mc66023@e.hiroshima-cu.ac.jp,{wakaba,s naga,inagi,yoko}@hiroshima-cu.ac.jp, morikei18@gmail.com Flexible Distance-based Hashing(FDH)
21 e-learning Development of Real-time Learner Detection System for e-learning
21 e-learning Development of Real-time Learner Detection System for e-learning 1100349 2010 3 1 e-learning WBT (Web Based training) e-learning LMS (Learning Management System) LMS WBT e-learning e-learning