Presentation Title
|
|
|
- いおり いちぞの
- 5 years ago
- Views:
Transcription
1 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
2 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 2
3 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 3
4 機械学習とは 教師なし学習 data-driven クラスタリング 70.5 機械学習 回帰 教師あり学習 task-driven 連続値 分類 離散値 良 / 可 / 不可 4
5 分類 認識のタスク 普通メール 迷惑メール テキスト分類 あ! 画像認識 音声認識 センサー分類 5
6 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 数値 時系列 / 信号 / テキスト 画像 対象となるデータアプリケーションアルゴリズム 6
7 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 7
8 分類の流れ ラベル情報 学習フェーズ 入力 テストフェーズ 入力 バイク 船 特徴抽出 特徴抽出 機械学習アルゴリズム 分類モデル ラベルの予測 バイク 8
9 分類モデルの作成フロー モデルの変更 No 得られた観測値 モデルの作成 モデルのクオリティは十分? Yes 未知サンプルに対する予測 9
10 例1: 成分からワインの種類を判別 Statistics and Machine Learning Toolbox ワインに含まれる成分からワインの種類の判別 特徴量: リンゴ酸 アルコール 色など 判別対象物: ワイン3種類 課題 どの機械学習手法を使用するべきか 機械学習手法のハイパーパラメタは どう設定するか UCI Machine Learning Repository Wine Data Set 機械学習で分類をする手法/アルゴリズムがたくさんありますが どれを選べば良いのでしょうか 10
11 アプリから機械学習の MATLAB コード作成 Statistics and Machine Learning Toolbox Parallel Computing Toolbox 分類/回帰学習器アプリ データを分類するためのモデル学習 GUI GUI 操作を MATLAB コードとして生成可能 複数モデルを並列に学習可能 MATLAB プログラムの自動生成 11
12 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 12
13 ニューラルネットワークとは Weight x 1 w 1 Transfer Function Logistic Sigmoid Tangent Sigmoid x 2 w 2 Σ f y 0 Rectified Linear Unit w n b x n Bias 1 y = f n w k x k + b k=1 13
14 ニューラルネットワークとは IW LW x 1 Σ f 1 Σ f 2 y 1 x Σ f 1 Σ f 2 y 2 x Σ f 1 Σ f 2 y 3 x Layer 1 Layer 2 14
15 ニューラルネットワークによる予測 入力層 隠れ層 出力層 犬 猫 うさぎ 鶏 15
16 ニューラルネットワークの学習 入力層 隠れ層 出力層 犬 猫 うさぎ 鶏 誤差逆伝搬 16
17 例 2: 人の活動状態の識別 歩行 Classification 階段 - 上り 階段 - 下り 着席 直立 Dataset courtesy of: Davide Anguita, Alessandro Ghio, Luca Oneto, Xavier Parra and Jorge L. Reyes-Ortiz. Human Activity Recognition on Smartphones using a Multiclass Hardware-Friendly Support Vector Machine. International Workshop of Ambient Assisted Living (IWAAL 2012). Vitoria-Gasteiz, Spain. Dec 寝る 17
18 例 2: 人の活動状態の識別 18
19 例 2: 人の活動状態の識別 3 軸の加速度センサーの情報から人の活動状態を識別 階段? 歩行? 直立? 19
20 例 2: 人の活動状態の識別 1. 部分時系列を作成 (3 軸加速度センサーから窓幅 128 で切り出し ) 2. ニューラルネットワークを使用して活動状態を識別 部分時系列 ( 窓幅 128) 128 points 20
21 例 2: 人の活動状態の識別 128 points x y 部分時系列 (384 = 128 * 3 次元 ) z 21
22 例 2: 人の活動状態の識別 Neural Network Toolbox 加速度センサーから人の活動状態を識別 入力 : 384 次元部分時系列 ( 加速度 ) >> net = patternnet(20); >> net = train(net, x, t); >> t_hat = net(x); >> plotconfusion(t, t_hat) 出力 : 6 次元人の活動状態 ( ラベル )
23 例 2: 人の活動状態の識別 混合行列 2 層のニューラルネットワークオートエンコーダ 23
24 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 24
25 センサーデータからの異常検出 心電図 異常度 Keogh, E., Lin, J. and Fu, A. : HOT SAX : Efficiently Finding the Most Unusual Time Series Subsequence, in Proceedings of the Fifth IEEE International Conference on Data Mining, ICDM 05, pp
26 オートエンコーダによる異常検出 正常な心電図から部分時系列を生成して オートエンコーダで学習 100 points 正常な心電図 オートエンコーダ 26
27 オートエンコーダとは オートエンコーダ ネットワークが恒等写像になるように重みを学習 27
28 オートエンコーダによる異常検出 オートエンコーダ 元の正常な波形を再生するようにウェイトを学習 28
29 オートエンコーダによる異常検出 正常な波形の場合は元の波形をきれいに再生するが 異常な波形の場合はうまく再生できない! 異常な波形は正常な波形に戻そうとする 正常な波形の場合 異常な波形の場合 29
30 構造物の異常検出 ある構造物に取り付けられた振動データの比較 正常 異常 30
31 例 3: 構造物ヘルスモニタリング 実験装置 3 階建ての建物の模型 4ヶ所の加速度センサー 1 階部分に振動発生装置 人工的な損傷状態の発生 実験目的 センサーによる異常検出 Reference: Figueiredo, E., Park, G., Figueiras, J., Farrar, C., & Worden, K. (2009). Structural Health Monitoring Algorithm Comparisons using Standard Data Sets. Los Alamos National Laboratory Report: LA
32 例 3: 構造物ヘルスモニタリング Sensor #4 Sensor #3 柱の破損 腐食など 住民 作業者など Sensor #2 Sensor #1 振動発生装置 Reference: Figueiredo, E., Park, G., Figueiras, J., Farrar, C., & Worden, K. (2009). Structural Health Monitoring Algorithm Comparisons using Standard Data Sets. Los Alamos National Laboratory Report: LA
33 例 3: 構造物ヘルスモニタリング 構造物の模型において 次の条件を変化させていくつかの状態を作成 各階への重量 (Mass) 柱の硬さの低減 (Stiffness reduction) State Description #1 Baseline condition #2 Mass = 1.2 kg at the base #3 Mass = 1.2 kg on the 1st floor #4 87.5% stiffness reduction in column 1BD #5 87.5% stiffness reduction in column 1AD and 1BD #6 87.5% stiffness reduction in column 2BD #7 87.5% stiffness reduction in column 2AD and 2BD #8 87.5% stiffness reduction in column 3BD #9 87.5% stiffness reduction in column 3AD and 3BD 上記 9 パターンのそれぞれで 10 回の実験を繰り返し 合計 90 回の実験を行った 33
34 例 3: 構造物ヘルスモニタリング State #1 を正常データとして 異常データが検知できるか調べたい State Description #1 Baseline condition #2 Mass = 1.2 kg at the base #3 Mass = 1.2 kg on the 1st floor #4 87.5% stiffness reduction in column 1BD #5 87.5% stiffness reduction in column 1AD and 1BD #6 87.5% stiffness reduction in column 2BD #7 87.5% stiffness reduction in column 2AD and 2BD #8 87.5% stiffness reduction in column 3BD #9 87.5% stiffness reduction in column 3AD and 3BD 正常データ 異常データ 34
35 オートエンコーダによる異常検出 正常な振動データから部分時系列を生成して オートエンコーダで学習 25 points 正常な振動データ オートエンコーダ 35
36 オートエンコーダによる異常検出 Sensor #1 Sensor #1 オートエンコーダ Sensor #2 Sensor #2 Sensor #3 Sensor #3 Sensor #4 Sensor #4 36
37 オートエンコーダによる異常検出 オートエンコーダから再構成誤差を算出 ch1 ch2 ch3 ch4 学習済みのオートエンコーダ ch1 ch2 ch3 ch4 ch1 ch1 ch1 e 1 ch2 ch3 - ch2 ch3 = ch2 ch3 二乗平均 e 2 e 3 ch4 ch4 ch4 e 4 元の振動データ再構成されたデータ再構成誤差 平均二乗誤差 37
38 オートエンコーダによる異常検出 正常データ 38
39 t-sne とは 観測できない高次元データを低次元にマップする手法 ( 次元削減手法 ) t-sne 高次元空間 ( 特徴量など ) 低次元空間 (2 次元または 3 次元 ) 39
40 t-sne による異常データのクラスタリング State Description #1 Baseline condition #2 Mass = 1.2 kg at the base #3 Mass = 1.2 kg on the 1st floor #4 87.5% stiffness reduction in column 1BD #5 87.5% stiffness reduction in column 1AD and 1BD #6 87.5% stiffness reduction in column 2BD #7 87.5% stiffness reduction in column 2AD and 2BD #8 87.5% stiffness reduction in column 3BD #9 87.5% stiffness reduction in column 3AD and 3BD それぞれの異常がひとつのクラスタに対応している? 40
41 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 41
42 画像分類の応用例 : 株式会社大林組様 風化変質 (4 分類 ) 割目間隔 (5 分類 ) 割目状態 (5 分類 ) AlexNet + SVM の転移学習割目状態では 89% の的中率 大林組様プレスリリースより参照 42
43 Neural Network Toolbox 畳み込みニューラルネットワーク (Convolutional Neural Networks) 畳み込みニューラルネットワーク CNN とは >> net.layers ans = 畳み込み層 プーリング層などを積層したネットワーク 分類 回帰の課題に適用 画像認識の分野で高い性能 11x1 Layer array with layers: 1 'imageinput' 2 'conv' 3 'relu' 4 'conv' 5 'relu' 6 'maxpool' 7 'conv' 8 'relu' 9 'fc' 10 'softmax' 11 'classoutput' Output Image Input Convolution ReLU Convolution ReLU Max Pooling Convolution ReLU Fully Connected Softmax Classification 43
44 畳み込みニューラルネットワーク (Convolutional Neural Networks) 畳み込み層 正規化層 最大プーリング層 畳み込み層 正規化層 最大プーリング層 全結合層 全結合層 Softmax 層 犬猫牛馬 44
45 畳み込みニューラルネットワークの主な層畳み込み層 プーリング層 層と層の間を一部のみ連結してウェイトを共有することで ニューラルネットワークを用いて畳み込 45
46 畳み込みニューラルネットワークの主な層畳み込み層 プーリング層 Convolution Layer( 畳み込み層 ) 画像のフィルタ処理に相当する処理 特徴抽出器としての役割 Pooling Layer( プーリング層 ) 領域内の最大値または平均値を出力 平行移動等に対するロバスト性に関係 ストライドと呼ばれる間引きを行うこともある 最大値を出力 : Max Pooling 平均値を出力 : Average Pooling 46
47 畳み込みニューラルネットワークの主な層活性化関数 - ReLU 層 (Rectified Linear Unit) Logistic Sigmoid のように値が飽和する関数より ReLU の方が学習が早く進行 47
48 例 4: 手書き文字の認識 畳み込みニューラルネットによる手書き文字の認識 1 畳み込み層 正規化層 最大プーリング層 畳み込み層 正規化層 最大プーリング層 全結合層 全結合層 Softmax 層 9 8 手書き文字 28 x 28 pixel 畳み込み層やプーリング層を積層化したネットワークを定義誤差逆伝搬法により学習 2 整数 (0-9) 48
49 畳み込みニューラルネットワークの構築と学習 ピクセルの画像 ( 数字 ) を認識させる例題でのネットワーク構築の例 layers = [... imageinputlayer([ ], 'Normalization', 'none'); convolution2dlayer(5, 20); relulayer(); maxpooling2dlayer(2, 'Stride', 2); fullyconnectedlayer(10); softmaxlayer(); classificationlayer()]; opts = trainingoptions('sgdm', 'MaxEpochs', 50); net = trainnetwork(xtrain, TTrain, layers, opts); 49
50 畳み込みニューラルネットワーク AlexNet : ILSVRC2012 で優勝した CNN の構成 画像からの特徴抽出 特徴量の分類 出力 Softmax 層 全結合層 全結合層 全結合層 最大プーリング層 畳み込み層 畳み込み層 畳み込み層 最大プーリング層 正規化層 畳み込み層 最大プーリング層 正規化層 畳み込み層 入力 50
51 転移学習 転移学習とは 学習済みのネットワークを他のタスクに転用 ImageNet 1000 個のカテゴリ Softmax 層 全結合層 全結合層 全結合層 最大プーリング層 畳み込み層 畳み込み層 畳み込み層 最大プーリング層 正規化層 畳み込み層 最大プーリング層 正規化層 畳み込み層 入力 分類器 (SVM 等 ) 犬 猫 51
52 転移学習の応用例 見分けにくい画像の判別 タンポポ (Dandelion) フキタンポポ (Colts Foot) 52
53 例5: 転移学習で抽出した特徴を使った異常検出 異常度 高 異常度 低 53
54 異常検出の手法 1-Class SVM データセット内に異常がどれくらい含まれているか既知の場合に有効 1-Class SVM 異常データを含むデータの例 スコアの値が高い方が正常度が高い 54
55 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: 特徴が不明瞭な場合の信号データの異常検出 オートエンコーダ Case4: 画像データの分類と異常検出 CNN と転移学習 他のアルゴリズム 55
56 画像分野におけるディープラーニングアルゴリズムの使い分け 物体認識 ( 画像全体 ) 複数物体の検出と認識物体認識 ( ピクセル単位 ) CNN R-CNN Fast R-CNN Faster R-CNN SegNet FCN Dog Cat 56
57 例 1: CNN による物体判別 Training (GPU) Prediction Millions of images from 1000 different categories Real-time object recognition using a webcam connected to a laptop 57
58 例 2: R-CNN/Semantic Segmentation による複数物体の局所的判別 Regions with Convolutional Neural Network Features (R-CNN) Semantic Segmentation using SegNet 58
59 例 3: LSTM や CNN を使用した信号データの分類 / 判別 Signal Classification using LSTMs Speech Recognition using CNNs 59
60 Feature Map とは? 畳み込みニューラルネットワークの計算過程で出てくる畳み込みの出力 画像からの特徴抽出 畳み込み層 正規化層 最大プーリング層 畳み込み層 正規化層 最大プーリング層 畳み込み層 畳み込み層 畳み込み層 最大プーリング層 ( 分類 ) 227 x 227 ピクセル単位の情報からエッジなどの空間情報を取り出している プーリングの反復により位置に関する情報が粗くなってしまう 55 x x x 13 60
61 SegNet (Semantic Segmentation) Max Pooling 時の Index を転送して位置に関する情報を補充している Badrinarayanan, V., A. Kendall, and R. Cipolla. "Segnet: A deep convolutional encoder-decoder architecture for image segmentation." arxiv. Preprint arxiv: ,
62 学習リソース 64
63 ディープラーニングによる物体認識 ディープラーニング :10 行でできる転移学習 ~ 画像分類タスクに挑戦 ~ 学習した画像の種類 : オレンジ みかん グレープフルーツ ( ルビー ) グレープフルーツ ( ホワイト ) レモン学習画像数 : 各 20 枚 Requirements: 要件を満たす PC&MATLAB 環境 学習済み AlexNet 判別したい画像ファイルと 10 行のコーディングで始められます 65
64 製造現場で使える画像による異常検知 ~ キズあり ナット の発見 ~ 66
65 精度向上を手助けするサンプルプログラム たたみ込みニューラルネットワークの活性化の可視化ベイズ最適化を用いたディープラーニング visualize-activations-of-a-convolutional-neural-network.html ples/deep-learning-using-bayesian-optimization.html 67
66 実践的な学習を自分のペースで データを読み解くための機械学習 - MATLAB でデータ解析の問題に立ち向かう understanding-data-tackling-data-analytics-issues-with-matlab html MATLAB Academy WEB ブラウザ上で MATLAB ディープラーニングの操作体験 68
センサーデータのためのニューラルネット
センサーデータのためのニューラルネットワーク ~ 時系列データの分類と異常検知 ~ 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 Agenda ニューラルネットの基礎 時系列データの分類 - 部分時系列 - 自己符号化器 / 積層自己符号化器 - LSTM(Long Short Term
Presentation Title
センサーデータ解析のためのニューラルネットワーク 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 ニューラルネットワークとは? 神経細胞 ( ニューロン ) の数学的なモデル化に起源を持つ学習器 神経細胞 ( ニューロン ) 軸索によりネットワークを構成 電気的な興奮状態を伝え合う 画像提供
Presentation Title
センサーデータ解析と機械学習 ~ 振動データからの異常検出 ~ 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 2015 2014 The MathWorks, Inc. 1 構造ヘルスモニタリング センサーとコンピュータにより構造物の健全性を自動監視する 老朽化する構造物 インフラの数 人手のみの監視による限界 人間では検知できない故障や異常の予兆
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
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
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
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
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
Presentation Title
データの本質を読み解くための機械学習 MATLAB でデータ解析の課題に立ち向かう MathWorks Japan アプリケーションエンジニア部アプリケーションエンジニア井原瑞希 2016 The MathWorks, Inc. 1 Buzzwords IoT 人工知能 / AI データ解析 ビッグデータ 2 データ解析ワークフロー データへのアクセスと探索 データの前処理 予測モデルの構築 システムへの統合
AI技術の紹介とセンサーデータ解析への応用
AI を活用したセンサーデータ解析 MathWorks Japan アプリケーションエンジニアリンググループアプリケーションエンジニア吉田剛士 2018 The MathWorks, Inc. 1 AI を活用したセンサーデータ解析 11:20-11:50 MATLAB による AI 作成 アプリを使った簡易的な解析 学習モデルのパラメータ自動調整 学習モデルのスタンドアロン化 2 課題 : ターボファンエンジンの予知保全
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
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
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
Microsoft PowerPoint - B5_柴田様_2017ADISeminar_MathWorks.pptx
AI を応用したエッジコンピューティングを起点とする IoT システム開発 MathWorks Japan 柴田克久 1 アジェンダ イントロダクション IoT システムの概要と構成要素 エッジデバイスで取得されるセンサー信号 効果的な特徴量の抽出法 機械学習による分類 アナログ デバイセズの IoT リファレンスデザイン EV-COG-AD3029LZ による PoC 構築 まとめ 2 MathWorks
WHITE PAPER RNN
WHITE PAPER RNN ii 1... 1 2 RNN?... 1 2.1 ARIMA... 1 2.2... 2 2.3 RNN Recurrent Neural Network... 3 3 RNN... 5 3.1 RNN... 6 3.2 RNN... 6 3.3 RNN... 7 4 SAS Viya RNN... 8 4.1... 9 4.2... 11 4.3... 15 5...
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
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
MATLAB®製品紹介セミナー
MATLAB における分類 パターン認識 - 入門編 - 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部 ) アプリケーションエンジニア大開孝文 2012 The MathWorks, Inc. 1 アジェンダ 回帰モデルと分類モデルについて 分類手法を使ったワインの品質モデリング まとめ 2 分類手法を使ったワインの品質モデリング アプローチ
Deep Learning によるビッグデータ解析 ~ 手法や CUDA による高速化 2014 年 9 月 5 日 G-DEP ソリューションパートナー株式会社システム計画研究所奥村義和
Deep Learning によるビッグデータ解析 ~ 手法や CUDA による高速化 2014 年 9 月 5 日 G-DEP ソリューションパートナー株式会社システム計画研究所奥村義和 目次 DeepLearning と GPU G-DEP テストドライブ ビッグデータ GPU DeepLearning の接点 目次 DeepLearningとGPU DeepLearningとは 仕組みと計算
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
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,
IPSJ SIG Technical Report Vol.2017-CVIM-207 No /5/10 GAN 1,a) 2,b) Generative Adversarial Networks GAN GAN CIFAR-10 10% GAN GAN Stacked GAN Sta
1,a) 2,b) Generative Adversarial Networks CIFAR-10 10% Stacked Stacked 8.9% CNN 1. ILSVRC 1000 50000 5000 Convolutional Neural Network(CNN) [3] Stacked [4] 1 2 a) y.kono@chiba-u.jp b) kawa@faculty.chiba-u.jp
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
Presentation Title
外観検査のための画像処理 ディープラーニングワークフロー MathWorks Japan アプリケーションエンジニアリング部町田和也 2018 The MathWorks, Inc. 1 画像処理 ディープラーニングによるナットの良品判定アプリ 画像処理による内側のキズ検出 ディープラーニングによる分類 2 画像処理による外観検査の自動化 目盛りを読む良否判定数や大きさの測定 人が目で見て行う作業の置き換え
Presentation Title
外観検査のための 画像処理 ディープラーニング ワークフロー 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 画像処理による外観検査の自動化 目盛りを読む良否判定数や大きさの測定 人が目で見て行う作業の置き換え 文字認識 ディープラーニングを使った判定 2 ディープラーニングの適用分野の広がり 自動運転 ロボティクス 予知保全 ( 製造設備 ) セキュリティ
Deep Learningとは
企画セッション 2 ディープラーニング 趣旨 : 応用 3 分野における Deep Learning( 深層学習 ) の研究の現状 画像 : 岡谷貴之 ( 東北大学 ) 画像認識分野でのディープラーニングの研究動向 音声 : 久保陽太郎 (NTT コミュニケーション科学基礎研究所 ) 音声認識分野における深層学習技術の研究動向 自然言語処理 : 渡邉陽太郎 ( 東北大学 ) 自然言語処理におけるディープラーニングの現状
<4D F736F F F696E74202D B B836A F82C982E682E CC835E E93E089E6919C94468EAF82C98AD682B782E98CA48B F18F6F94C5816A2E >
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
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)
IPSJ SIG Technical Report Vol.2015-MPS-103 No.29 Vol.2015-BIO-42 No /6/24 Deep Convolutional Neural Network 1,a) 1,b),c) X CT (Computer Aided D
Deep Convolutional Neural Network 1,a) 1,b),c) X CT (Computer Aided Diagnosis : CAD) CAD Deep Convolutional Neural Network (DCNN) DCNN CT DCNN DCNN Support Vector Machine DCNN, Anaysis for Deep Convolutional
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.2017-MPS-115 No /9/25 1,a) 1,b) 5 Neural Networks Percolating Information Available Only in Training Miku Yanagimo
1,a) 1,b) 5 Neural Networks Percolating Information Available Only in Training Miku Yanagimoto 1,a) Tomoharu Nagao 1,b) Abstract: In this paper, we propose a novel learning method of neural networks called
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
スライド 1
ディープラーニングへの Ruby 適用試行に関する報告 2017 年 2 月 15 日 Japan OSS Promotion Forum アプリケーション部会 サイオステクノロジー株式会社 手塚拓 0 目次 1. ディープラーニングとは 2. ディープラーニングに Ruby を利用する価値 3. Ruby でディープラーニング の問題点 4. 現状報告 I. 予備知識 II. 検証 III. 報告
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
Presentation Title
並列計算 並列実行による高速化ソリューション 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吉田剛士 2012 The MathWorks, Inc. 1 アジェンダ MATLAB R2012b ハイライト PCT / MDCS 新機能ハイライト Simulink プロダクトの並列化 まとめ 2 MATLAB R2012b のハイライト 1 新しいデスクトップ
Haiku Generation Based on Motif Images Using Deep Learning Koki Yoneda 1 Soichiro Yokoyama 2 Tomohisa Yamashita 2 Hidenori Kawamura Scho
Haiku Generation Based on Motif Images Using Deep Learning 1 2 2 2 Koki Yoneda 1 Soichiro Yokoyama 2 Tomohisa Yamashita 2 Hidenori Kawamura 2 1 1 School of Engineering Hokkaido University 2 2 Graduate
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
Deep Learning Deep Learning GPU GPU FPGA %
2016 (412825) Deep Learning Deep Learning GPU GPU FPGA 16 1 16 69% Abstract Recognition by DeepLearning attracts attention, because of its high recognition accuracy. Lots of learning is necessary for Deep
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
Rの基本操作
Microsoft Azure 高校生のための Azure Machine Learning By M. Takezawa 機械学習 (Machine Learning) とは 機械学習とは 機械にデータを学習させ データに潜むパターンや特性を発見し予測させることです Microsoft Azure Machine Learning とは Microsoft 社が提供する Azure の機能の一つであり
MATLAB ではじめる画像処理とロボットビジョン ~ 機械学習による物体認識と SLAM~ MathWorks Japan アプリケーションエンジニアリング部信号処理 通信 木川田亘 2015 The MathWorks, 1Inc.
MATLAB ではじめる画像処理とロボットビジョン ~ 機械学習による物体認識と SLAM~ MathWorks Japan アプリケーションエンジニアリング部信号処理 通信 木川田亘 2015 The MathWorks, 1Inc. ロボットビジョンとは ロボットに搭載することを目的としたコンピュータービジョン技術の一分野 標識認識などさまざまな環境下での物体認識や複雑なシーンの理解 未知の領域を探索する際にロボット自身の位置推定と地図作成(SLAM)
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
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
[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
PowerPoint プレゼンテーション
リフレッシュ meet-up 機械学習のガクシュウ 2015 年 12 月 16 日 技術研究所井上祐寛 もくじ 機械学習とは 機械学習の分類 深層学習 Deep Learnig 研究の最新動向 最新の機械学習デモ Tensor Flow Google Cloud API Raspberry Pi で Watson 日本語質問応答システム 1 機械学習とは 機械が学習するってどういう事ですか? 機械はどうやって学習するの?
目次 1. はじめに センサーと設置場所 不要なデータの除去 データ前処理 A) 機械学習ための時系列データ前処理 B) 2 つ部分時系列の距離計算 クラスタリングでの異常検知 A
IoT センサーデータの分析 平成 30 年 3 月 一般社団法人広島県中小企業診断協会 ニューロビジネス研究会 目次 1. はじめに...- 1-2. センサーと設置場所...- 1-3. 不要なデータの除去...- 1-4. データ前処理...- 4 - A) 機械学習ための時系列データ前処理...- 4 - B) 2 つ部分時系列の距離計算...- 5-5. クラスタリングでの異常検知...-
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
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
概要 単語の分散表現に基づく統計的機械翻訳の素性を提案 既存手法の FFNNLM に CNN と Gate を追加 dependency- to- string デコーダにおいて既存手法を上回る翻訳精度を達成
Encoding Source Language with Convolu5onal Neural Network for Machine Transla5on Fandong Meng, Zhengdong Lu, Mingxuan Wang, Hang Li, Wenbin Jiang, Qun Liu, ACL- IJCNLP 2015 すずかけ読み会奥村 高村研究室博士二年上垣外英剛 概要
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],
2) 3) LAN 4) 2 5) 6) 7) K MIC NJR4261JB0916 8) 24.11GHz V 5V 3kHz 4 (1) (8) (1)(5) (2)(3)(4)(6)(7) (1) (2) (3) (4)
ドップラーセンサ 送信波 観測対象 1 1 1 SVM 2 9 Activity and State Recognition without Body-Attached Sensor Using Microwave Doppler Sensor Masatoshi Sekine, 1 Kurato Maeno 1 and Masanori Nozaki 1 To spread context-aware
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
新技術説明会 様式例
1 構造適応型深層学習法による異種データ の学習速度の向上と深層学習における 逐次的データの自動学習 県立広島大学高度人工知能プロジェクト研究センターセンター長 ( 兼 ) 経営情報学部教授市村匠 2 内容 1 構造適応型深層学習法の開発 2 異種データにおける学習速度の向上 3 逐次データの自動学習システムの開発 1 のアルゴリズムは既に論文発表済み.2,3 は未公開特許出願. 3 背景 近年,Deep
SAP11_03
第 3 回 音声音響信号処理 ( 線形予測分析と自己回帰モデル ) 亀岡弘和 東京大学大学院情報理工学系研究科日本電信電話株式会社 NTT コミュニケーション科学基礎研究所 講義内容 ( キーワード ) 信号処理 符号化 標準化の実用システム例の紹介情報通信の基本 ( 誤り検出 訂正符号 変調 IP) 符号化技術の基本 ( 量子化 予測 変換 圧縮 ) 音声分析 合成 認識 強調 音楽信号処理統計的信号処理の基礎
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
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,.,.,
製品開発の現場では 各種のセンサーや測定環境を利用したデータ解析が行われ シミュレーションや動作検証等に役立てられています しかし 日々収集されるデータ量は増加し 解析も複雑化しており データ解析の負荷は徐々に重くなっています 例えば自動車の車両計測データを解析する場合 取得したデータをそのまま解析
ホワイトペーパー Excel と MATLAB の連携がデータ解析の課題を解決 製品開発の現場では 各種のセンサーや測定環境を利用したデータ解析が行われ シミュレーションや動作検証等に役立てられています しかし 日々収集されるデータ量は増加し 解析も複雑化しており データ解析の負荷は徐々に重くなっています 例えば自動車の車両計測データを解析する場合 取得したデータをそのまま解析に使用することはできず
機械学習のご紹介
機械学習とは? 機械学習とは 人間や動物にとって当たり前のことをコンピュータに教えるということを意味します つまり 経験から学ぶ ということです 機械学習のアルゴリズムでは モデルと呼ばれる事前に定められた方程式に頼らずに 計算的な手法を使ってデータから情報を直接学び取ります こうしたアルゴリズムは学習に使えるサンプル数の増大に伴って 適応的にその性能を向上させるようになっています もっと多くのデータ
Microsoft PowerPoint - H17-5時限（パターン認識）.ppt
パターン認識早稲田大学講義 平成 7 年度 独 産業技術総合研究所栗田多喜夫 赤穂昭太郎 統計的特徴抽出 パターン認識過程 特徴抽出 認識対象から何らかの特徴量を計測 抽出 する必要がある 認識に有効な情報 特徴 を抽出し 次元を縮小した効率の良い空間を構成する過程 文字認識 : スキャナ等で取り込んだ画像から文字の識別に必要な本質的な特徴のみを抽出 例 文字線の傾き 曲率 面積など 識別 与えられた未知の対象を
MATLAB®によるビッグデータ解析
MATLAB によるビッグデータ解析 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 吉田剛士 2013 The MathWorks, Inc. 1 ビッグデータ解析とその背景増え続けるデータ量 ビッグデータとは 100TB ~ 10PB 程度のデータ量 データが膨大になる理由 データソースの多様化と高性能化 スマートフォン位置情報監視カメラ検索情報
PowerPoint プレゼンテーション
データ解析 第 7 回 : 時系列分析 渡辺澄夫 過去から未来を予測する 観測データ 回帰 判別分析 解析方法 主成分 因子 クラスタ分析 時系列予測 時系列を予測する 無限個の確率変数 ( 確率変数が作る無限数列 ){X(t) ; t は整数 } を生成する情報源を考える {X(t)} を確率過程という 確率過程に ついて過去の値から未来を予測するにはどうしたらよいだろうか X(t-K),X(t-K+1),,X(t-1)
画像判定ソリューションのご紹介
画像判定ソリューションのご紹介 機械学習による画像の検査 / 判定の自動化提案 株式会社日立ソリューションズ 本資料中の会社名 商品名 ロゴは各社の商標 または登録商標です 1. 検査 判定プロセスの課題 人が目視で作業確認など行っていませんか? また 以下のような課題を抱えられてはいませんか? 不良品流出が心配 検査人員が不足人が集まらない 生産性をあげたい ベテラン検査員が退職した 検査レポートの作成が大変
自己紹介 名前 : 竹田卓也 年齢 : 20 歳 ( 大学生 ) 経歴 : 人工知能歴 1ヶ月プログラミング歴 5 年くらい 言語 : PythonとかJavaとかGoとか 趣味 : オンライン オフラインゲーム 2
リカレントニューラルネットワークの概要と動作原理 竹田卓也 後援 : ドワンゴ 1 自己紹介 名前 : 竹田卓也 年齢 : 20 歳 ( 大学生 ) 経歴 : 人工知能歴 1ヶ月プログラミング歴 5 年くらい 言語 : PythonとかJavaとかGoとか 趣味 : オンライン オフラインゲーム 2 アウトライン Feed forward neural network Recurrent neural
2/69
3 2018-07-18 SVM 2018-07-25 (MM ) DC EM l 1 2018-08-01 Generative Adversarial Network(GAN) 1/69 2/69 input x output y = f(x; Θ) Θ : Deep Neural Network(DNN) 3/69 f(x; Θ) = ϕ D ( ϕ 2 (b 2 + W 2 ϕ 1 (b 1
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
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
tokyo_t3.pdf
既存アプリを気軽にインテリジェント化 intra-mart の AI 基盤 IM-AI 新登場! IM-AI 基盤のご紹介 NTT データイントラマート デジタルビジネス事業推進室 高松大輔 2 アジェンダ 1 2 3 4 5 intra-martのai 基盤ご紹介 KNIMEについて活用例のご紹介今後の取り組みまとめ 3 1 intra-mart の AI 基盤ご紹介 4 intra-mart の
情報処理学会研究報告 IPSJ SIG Technical Report Vol.2015-GI-34 No /7/ % Selections of Discarding Mahjong Piece Using Neural Network Matsui
2 3 2000 3.3% Selections of Discarding Mahjong Piece Using Neural Network Matsui Kazuaki Matoba Ryuichi 2 Abstract: Mahjong is one of games with imperfect information, and its rule is very complicated
Presentation Title
モデルベースデザインではじめる自律型アームロボットの開発 導入 アプリケーションエンジニアリング部小林昇洋 2015 The MathWorks, Inc. 1 本セッションでお伝えしたいこと 自律ロボットシステムの開発のキーポイント : 1. マルチドメインシミュレーション 2. 複雑な開発要素をトータルでサポートする開発環境 3. モデルベースデザイン 2 自律ロボットシステムの開発における課題
1 人間と同様の知能とは実際どの様な事か! 人間だからこそ可能と思われている事象から * 判断する * 予測する * 診断する * 推測する 人間が行っていること 多くの判断材料からある種の結論を導き出す事 技術的には 多くのデータから特徴を見出し結論を導き出す事 研究開発や工場では人間だからこそで
AI とは? 人工知能 (AI :artificial intelligence) 人間だからこそ可能と思われている判断 行動をコンピュータ上で実現させるための技術 ( 人間と同様の知能を人工的に作る ) < 目次 > 1. 人間と同様の知能とは実際どの様な事か! 2.AI を実現するには! 3. 人間以上の高性能を出すにはどうすれば良いか!! 4. 品質工学 +MATLAB と Deep Learning
先端人工知能論Ⅰ
情報 システム工学概論画像 映像認識のモデル化 2017/11/13 知能機械情報学専攻機械情報工学科 ( 機械 B) 原田達也 Results (2012) http://www.isi.imi.i.u-tokyo.ac.jp/pattern/ilsvrc2012/index.html 1. brown bear 2. Tibetan mastiff 3. sloth bear 4. American
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
(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1
![(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1](/thumbs/91/105849651.jpg "(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1")
一般社団法人 電子情報通信学会 THE INSTITUTE OF ELECTRONICS, 社団法人 電子情報通信学会 INFORMATION AND COMMUNICATION ENGINEERS 信学技報 IEICE Technical Report PRMU2017-77(2017-10) 信学技報 TECHNICAL REPORT OF IEICE. THE INSTITUTE OF ELECTRONICS,
Presentation Title
ディープラーニングの システムへの展開 ~ エッジからクラウドまで ~ アプリケーションエンジニアリング部福本拓司 2015 The MathWorks, Inc. 1 機械学習 ディープラーニング関連セッション 2 ディープラーニング学習のイメージできましたでしょうか? カメラ データベースでのデータ取得 簡潔なコーディングで学習 & 検証 豊富なサンプルコード ユーザー成功事例 Deep Dream
PowerPoint プレゼンテーション
次世代 IoT に向けた AI の組み込み実装への 取り組み AI の推論機能を FPGA に実装するための技術とソリューション提案 Embedded Product Business Development Department Agenda 1. エッジAIの現状 2. 組み込みAIのニーズ 3.FPGAとエッジAI 4. 組み込み向けエッジAI 実装の特性 (GPUとFPGA) 5. エッジAI
b2-reinforcement-learning-mw
強化学習 最適制御のためのディープラーニングの応用 吉田剛士 2015 The MathWorks, Inc. 1 はじめに強化学習 = Reinforcement Learning AlphaGo がプロ棋士に勝利 (2015) そして 人類を超える (2017) 強化学習の特徴 自律的に学習し賢くなっていく 2 Agenda : 強化学習 ~ 最適制御のためのディープラーニングの応用 ~ 強化学習とは
(Microsoft PowerPoint - \203|\203X\203^\201[\224\255\225\\\227p\216\221\227\ ppt)
Web ページタイプによるクラスタリングを用いた検索支援システム 折原大内海彰電気通信大学システム工学専攻 はじめに 背景 文書クラスタリングを用いた検索支援システム Clusty(http://clusty.jp/) KartOO(http://www.kartoo.com/) Carrot(http://www.carrot-search.com/) これらはすべてトピックによる分類を行っている
音響モデル triphone 入力音声 音声分析 デコーダ 言語モデル N-gram bigram HMM の状態確率として利用 出力層 triphone: 3003 ノード リスコア trigram 隠れ層 2048 ノード X7 層 1 Structure of recognition syst
1,a) 1 1 1 deep neural netowrk(dnn) (HMM) () GMM-HMM 2 3 (CSJ) 1. DNN [6]. GPGPU HMM DNN HMM () [7]. [8] [1][2][3] GMM-HMM Gaussian mixture HMM(GMM- HMM) MAP MLLR [4] [3] DNN 1 1 triphone bigram [5]. 2
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
(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1
![(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1](/thumbs/49/25651654.jpg "(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. fnirs Kai Kunze 599 8531 1 1 223 8526 4 1 1 E-mail: yoshimura@m.cs.osakafu-u.ac.jp, kai@kmd.keio.ac.jp,
(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
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
PowerPoint プレゼンテーション
20150528 信号処理システム特論 本日の内容 適応フィルタ ( 時間領域 ) 適応アルゴリズム (LMS,NLMS,RLS) 適応フィルタの応用例 適応処理 非適応処理 : 状況によらずいつでも同じ処理 適応処理 : 状況に応じた適切な処理 高度な適応処理の例 雑音抑圧, 音響エコーキャンセラ, 騒音制御など 時間領域の適応フィルタ 誤差信号 与えられた手順に従ってフィルタ係数を更新し 自動的に所望の信号を得るフィルタ
5A3 セマンティックセグメンテーションによる牡蠣生育予測のための データセット作成の基礎検討 Preliminary Investigation of Dataset Creation to Predict Oysters Growth by Semantic Segmentation 大阪府立大
5A3 セマンティックセグメンテーションによる牡蠣生育予測のための データセット作成の基礎検討 Preliminary Investigation of Dataset Creation to Predict Oysters Growth by Semantic Segmentation 大阪府立大学 梁志鵬佐賀亮介 Zhipeng Liang and Ryosuke Saga Osaka Prefecture
医療情報学会 人工知能学会 AIM 合同研究会資料 SIG-AIMED 腎臓糸球体病理画像の Deep Learning による所見分類手法の検討 The classification of renal biopsy images by deep learning 山口亮平 1 嶋本公徳
医療情報学会 人工知能学会 AIM 合同研究会資料 SIG-AIMED-0-0 腎臓糸球体病理画像の Deep Learning による所見分類手法の検討 The classification of renal biopsy images by deep learning 山口亮平 嶋本公徳 河添悦昌, 堂本裕加子 宇於崎宏 大江和彦, Ryohei Yamaguchi, Kiminori Shimamoto,
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
スライド 1
知能制御システム学 画像処理の基礎 (2) OpenCV による基本的な例 東北大学大学院情報科学研究科鏡慎吾 swk(at)ic.is.tohoku.ac.jp 2009.06.30 局所処理の例 空間フィルタリング 注目点の近傍 ( 典型的には 3x3 画素,5x5 画素,... など ) の画素値から, 出力 G x,y を定める { F i,j }, (i, j) Neighbor(x,y)
はじめての機械学習
一直線に進むことはめったにない 機械学習においては 最初から最後まで迷わず一直線に進むということはめったにありません 常にさまざまなアイデアや方法を繰り返し試すことになるでしょう このセクションでは いくつかの重要な決定ポイントに注目しつつ 機械学習の体系的なワークフローについて説明します 機械学習の課題 機械学習における課題の大部分は データ処理と正しいモデルの発見に関連しています データの形式や規模は均一ではありません
Microsoft Word - 卒論レジュメ_最終_.doc
指紋認証のマニューシャ抽出について 澤見研究室 I02I036 兼信雄一 I02I093 柳楽和信 I02I142 吉田寛孝 1. はじめに近年, キャッシュカードや暗証番号が盗用され, 現金が引き出されるような事件が相次いでいる. これらの対向策として人間の体の一部を認証の鍵として利用する生体認証に注目が集まっている. そこで我々は, 生体認証で最も歴史がある指紋認証技術に着目した. 指紋認証方式は,2
PowerPoint プレゼンテーション
非線形カルマンフィルタ ~a. 問題設定 ~ 離散時間非線形状態空間表現 x k + 1 = f x k y k = h x k + bv k + w k f : ベクトル値をとるx k の非線形関数 h : スカラ値をとるx k の非線形関数 v k システム雑音 ( 平均値 0, 分散 σ v 2 k ) x k + 1 = f x k,v k w k 観測雑音 ( 平均値 0, 分散 σ w
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,,,,
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講師中山英樹 1. 画像認識分野における deep learning の歴史 2. 一般画像認識 :Deep learning 以前と以後で何が変わったか Bag-of-visual-words (VLAD, Fisher Vector) Convolutional neural network (ConvNets) 3. 最新の動向 今後の展望 ILSVRC
..,,,, , ( ) 3.,., 3.,., 500, 233.,, 3,,.,, i
25 Feature Selection for Prediction of Stock Price Time Series 1140357 2014 2 28 ..,,,,. 2013 1 1 12 31, ( ) 3.,., 3.,., 500, 233.,, 3,,.,, i Abstract Feature Selection for Prediction of Stock Price Time
johnny-paper2nd.dvi
13 The Rational Trading by Using Economic Fundamentals AOSHIMA Kentaro 14 2 26 ( ) : : : The Rational Trading by Using Economic Fundamentals AOSHIMA Kentaro abstract: Recently Artificial Markets on which
Introduction to System Identification
y(t) モデルベースデザイン 制御系設計のためのシステム同定入門 s 2 Teja Muppirala t s 2 3s 4 2012 The MathWorks, Inc. 1 モデルベースデザイン 正確なモデルがあることが大前提 実行可能な仕様書 シミュレーションによる設計 モデル 連続したテスト 検証 コード生成による実装 2 動的システムのモデリング モデリング手法 第一原理モデリング データドリブンモデリング
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
2008 : 80725872 1 2 2 3 2.1.......................................... 3 2.2....................................... 3 2.3......................................... 4 2.4 ()..................................
Kochi University of Technology Aca Title 環境分野への深層学習応用研究の立ち上げについて Author(s) 中根, 英昭, 若槻, 祐貴 Citation 高知工科大学紀要, 15(1): Date of issue U
Kochi University of Technology Aca Title 環境分野への深層学習応用研究の立ち上げについて Author(s) 中根, 英昭, 若槻, 祐貴 Citation 高知工科大学紀要, 15(1): 111-120 Date of 2018-07-31 issue URL http://hdl.handle.net/10173/1949 Rights Text version
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?
bag-of-words bag-of-keypoints Web bagof-keypoints Nearest Neighbor SVM Nearest Neighbor SIFT Nearest Neighbor bag-of-keypoints Nearest Neighbor SVM 84
Bag-of-Keypoints Web G.Csurka bag-of-keypoints Web Bag-of-keypoints SVM 5.% Web Image Classification with Bag-of-Keypoints Taichi joutou and Keiji yanai Recently, need for generic image recognition is