Enviar búsqueda
Cargar
20130727 cv machine_learning@tokyo webmining
•
28 recomendaciones
•
15,147 vistas
Masahiro Imai
Seguir
コンピュータビジョン&機械学習の入門的な内容について ※事例のランダムサンプリングを追加:修正 ※再現率、適合率の名称逆だったので入れ替え:修正
Leer menos
Leer más
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 47
Descargar ahora
Descargar para leer sin conexión
Recomendados
Playgram開発秘話_2022年1月プログラミングシンポジウム招待講演_西澤勇輝、岡本雄太
Playgram開発秘話_2022年1月プログラミングシンポジウム招待講演_西澤勇輝、岡本雄太
Preferred Networks
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
電子工作xの会 / Electronics Mokumoku Study in TechShop Tokyo
電子工作xの会 / Electronics Mokumoku Study in TechShop Tokyo
Dan Imagineer
2015年12月PRMU研究会 対応点探索のための特徴量表現
2015年12月PRMU研究会 対応点探索のための特徴量表現
Mitsuru Ambai
機械学習を始めるための第一歩
機械学習を始めるための第一歩
LINE Corporation
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
Core Concept Technologies
【 #Unity会 】このUnityがすごい2015年版
【 #Unity会 】このUnityがすごい2015年版
ui nyan
TouchDesigenr Beginners' workshop vol.003
TouchDesigenr Beginners' workshop vol.003
Dan Imagineer
Recomendados
Playgram開発秘話_2022年1月プログラミングシンポジウム招待講演_西澤勇輝、岡本雄太
Playgram開発秘話_2022年1月プログラミングシンポジウム招待講演_西澤勇輝、岡本雄太
Preferred Networks
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
電子工作xの会 / Electronics Mokumoku Study in TechShop Tokyo
電子工作xの会 / Electronics Mokumoku Study in TechShop Tokyo
Dan Imagineer
2015年12月PRMU研究会 対応点探索のための特徴量表現
2015年12月PRMU研究会 対応点探索のための特徴量表現
Mitsuru Ambai
機械学習を始めるための第一歩
機械学習を始めるための第一歩
LINE Corporation
ディープラーニングによる時系列データの異常検知
ディープラーニングによる時系列データの異常検知
Core Concept Technologies
【 #Unity会 】このUnityがすごい2015年版
【 #Unity会 】このUnityがすごい2015年版
ui nyan
TouchDesigenr Beginners' workshop vol.003
TouchDesigenr Beginners' workshop vol.003
Dan Imagineer
内職がいらないくらいわかりやすいディープラーニング
内職がいらないくらいわかりやすいディープラーニング
Ko Kikuta
[2013_04]新入生用スライド
[2013_04]新入生用スライド
たろう しょりけん
機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介
BrainPad Inc.
【アドテクにおける画像圧縮技術】
【アドテクにおける画像圧縮技術】
Kengo Shimada
Ict委員会の開発力について
Ict委員会の開発力について
Yuta Hinokuma
2012ー1 TENTOプレゼン資料
2012ー1 TENTOプレゼン資料
TENTO_slide
Unityではじめるサンデープログラミングのススメ
Unityではじめるサンデープログラミングのススメ
Yasuyuki Kamata
【Unity道場スペシャル 2017幕張】大学、専門学校でunityの講座をおこなった感触
【Unity道場スペシャル 2017幕張】大学、専門学校でunityの講座をおこなった感触
Unity Technologies Japan K.K.
【Unity道場教育スペシャル】4年制大学の教育・研究におけるUnityの活用
【Unity道場教育スペシャル】4年制大学の教育・研究におけるUnityの活用
UnityTechnologiesJapan002
Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目
Core Concept Technologies
プログラミングとは
プログラミングとは
yayugu
Unsupervised Object Discovery and Localization in the Wild:Part-Based Match...
Unsupervised Object Discovery and Localization in the Wild:Part-Based Match...
Yoshitaka Ushiku
ネットワークへのCI的アプローチ
ネットワークへのCI的アプローチ
susumu tanaka
2018 帰り道もくもく会のはじまり
2018 帰り道もくもく会のはじまり
m_miyamoto
視覚と対話の融合研究
視覚と対話の融合研究
Yoshitaka Ushiku
可視化法学(Found it project#9)
可視化法学(Found it project#9)
(shibao)芝尾 (kouichiro)幸一郎
Unityティーチャートレーニングデイ -認定3Dアーティスト編-
Unityティーチャートレーニングデイ -認定3Dアーティスト編-
Unity Technologies Japan K.K.
イトナブ発表会資料
イトナブ発表会資料
Wataru Asai
生活支援ロボットにおける大規模データ収集に向けて
生活支援ロボットにおける大規模データ収集に向けて
Komei Sugiura
"マルチメディア機械学習" の取り組み
"マルチメディア機械学習" の取り組み
cyberagent
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Más contenido relacionado
Similar a 20130727 cv machine_learning@tokyo webmining
内職がいらないくらいわかりやすいディープラーニング
内職がいらないくらいわかりやすいディープラーニング
Ko Kikuta
[2013_04]新入生用スライド
[2013_04]新入生用スライド
たろう しょりけん
機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介
BrainPad Inc.
【アドテクにおける画像圧縮技術】
【アドテクにおける画像圧縮技術】
Kengo Shimada
Ict委員会の開発力について
Ict委員会の開発力について
Yuta Hinokuma
2012ー1 TENTOプレゼン資料
2012ー1 TENTOプレゼン資料
TENTO_slide
Unityではじめるサンデープログラミングのススメ
Unityではじめるサンデープログラミングのススメ
Yasuyuki Kamata
【Unity道場スペシャル 2017幕張】大学、専門学校でunityの講座をおこなった感触
【Unity道場スペシャル 2017幕張】大学、専門学校でunityの講座をおこなった感触
Unity Technologies Japan K.K.
【Unity道場教育スペシャル】4年制大学の教育・研究におけるUnityの活用
【Unity道場教育スペシャル】4年制大学の教育・研究におけるUnityの活用
UnityTechnologiesJapan002
Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目
Core Concept Technologies
プログラミングとは
プログラミングとは
yayugu
Unsupervised Object Discovery and Localization in the Wild:Part-Based Match...
Unsupervised Object Discovery and Localization in the Wild:Part-Based Match...
Yoshitaka Ushiku
ネットワークへのCI的アプローチ
ネットワークへのCI的アプローチ
susumu tanaka
2018 帰り道もくもく会のはじまり
2018 帰り道もくもく会のはじまり
m_miyamoto
視覚と対話の融合研究
視覚と対話の融合研究
Yoshitaka Ushiku
可視化法学(Found it project#9)
可視化法学(Found it project#9)
(shibao)芝尾 (kouichiro)幸一郎
Unityティーチャートレーニングデイ -認定3Dアーティスト編-
Unityティーチャートレーニングデイ -認定3Dアーティスト編-
Unity Technologies Japan K.K.
イトナブ発表会資料
イトナブ発表会資料
Wataru Asai
生活支援ロボットにおける大規模データ収集に向けて
生活支援ロボットにおける大規模データ収集に向けて
Komei Sugiura
"マルチメディア機械学習" の取り組み
"マルチメディア機械学習" の取り組み
cyberagent
Similar a 20130727 cv machine_learning@tokyo webmining
(20)
内職がいらないくらいわかりやすいディープラーニング
内職がいらないくらいわかりやすいディープラーニング
[2013_04]新入生用スライド
[2013_04]新入生用スライド
機械学習システム開発案件の事例紹介
機械学習システム開発案件の事例紹介
【アドテクにおける画像圧縮技術】
【アドテクにおける画像圧縮技術】
Ict委員会の開発力について
Ict委員会の開発力について
2012ー1 TENTOプレゼン資料
2012ー1 TENTOプレゼン資料
Unityではじめるサンデープログラミングのススメ
Unityではじめるサンデープログラミングのススメ
【Unity道場スペシャル 2017幕張】大学、専門学校でunityの講座をおこなった感触
【Unity道場スペシャル 2017幕張】大学、専門学校でunityの講座をおこなった感触
【Unity道場教育スペシャル】4年制大学の教育・研究におけるUnityの活用
【Unity道場教育スペシャル】4年制大学の教育・研究におけるUnityの活用
Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目
プログラミングとは
プログラミングとは
Unsupervised Object Discovery and Localization in the Wild:Part-Based Match...
Unsupervised Object Discovery and Localization in the Wild:Part-Based Match...
ネットワークへのCI的アプローチ
ネットワークへのCI的アプローチ
2018 帰り道もくもく会のはじまり
2018 帰り道もくもく会のはじまり
視覚と対話の融合研究
視覚と対話の融合研究
可視化法学(Found it project#9)
可視化法学(Found it project#9)
Unityティーチャートレーニングデイ -認定3Dアーティスト編-
Unityティーチャートレーニングデイ -認定3Dアーティスト編-
イトナブ発表会資料
イトナブ発表会資料
生活支援ロボットにおける大規模データ収集に向けて
生活支援ロボットにおける大規模データ収集に向けて
"マルチメディア機械学習" の取り組み
"マルチメディア機械学習" の取り組み
Último
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
Último
(12)
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
20130727 cv machine_learning@tokyo webmining
1.
コンピュータビジョンと機械学習 徹底入門 現実的な画像検索のためにやってきたこと 第28回#TokyoWebmining
2.
自己紹介 • 教育×IT の社内ベンチャー(メンバーは全員プロジェクトのために集まっ た。)世界No.1の新しい教育サービスを実現したい。 担当 •
画像の認識 • 動画のトランスコード • 認識の精度、サービスの精度を高めるための機械学習 2 でも、まだ始めてから半年強くらい。まだまだ未開の道が続く。 個人的には、半年前まで割と変わったことをしてました…
3.
バックグラウンド • 大学は数学専攻ですが… • 前職は主にヴォイストレーナー。歌や楽器演奏。TVも少し。 ←「○っとけないよ」のもといろいろ仕事 3
4.
画像認識(特定物体認識) 4 正解を抽出 ユーザに 役立つ情報を 送信
5.
どんなことに使えるの? • バーコードの代わりに画像が使える • ポスターを写真に取るだけで、スマホに情報が届く •
食べ物を撮影して、カロリー情報を知る 5
6.
実現手法 1.画像認識の流れとアルゴリズム 2.認識のための機械学習 3.精度測定 6
7.
実現手法 1.画像認識の流れとアルゴリズム 2.認識のための機械学習 3.精度測定 7
8.
画像認識の流れ 前処理 • 画像から特徴を取得しやすくするための加工 特徴抽出 • 画像から特徴を抽出する 認識 •
特徴量比較による認識 8
9.
画像認識のアルゴリズム1 • 解像度に注意。目的の物体を認識するのに、適した解像度は実験して 決める。 • 目的の物体
や 特徴抽出で使用するアルゴリズムによって、前処理を変え る。 9 前処理 • 画像から特徴を取得しやすくするための加工
10.
画像認識のアルゴリズム1 例 • グレースケール(輝度のみで表現)→
軽くする • Gaussian(平滑化) → ぼかす(悪いことではない) 10
11.
画像認識のアルゴリズム2 • 色や全体の位置関係が画像によって変化するなら、ロバストな局所特徴量を使 う • 有名なSIFT、SURF •
最近だとORB、FREAK(速い) • これからやるんだったら、特許の問題もあるので、ORB とか FREAK が簡単 11 特徴抽出 • 画像から特徴を抽出する
12.
画像認識のアルゴリズム2 ORB 12 小さい範囲からたくさんとる = 局所特徴量
13.
画像認識のアルゴリズム2 ORB 13 マッチした 特徴点同士を線 結んだ表現 がよく使われる
14.
違う本だと 14 当然、マッチする点 は少なくなる。 そのため、 分類できる。
15.
画像認識のアルゴリズム3 • 抽出した特徴量を比較する処理 • まずはブルートフォース(総当り)でやってみる •
そのあと、大規模な検索だったら、近似最近傍探索をやる 15 認識 • 特徴量比較による認識
16.
ブルートフォースでやることの難しさ 16 DBには、32byteのベクトルが数十万個 入る。これと画像を毎回比較したら とても時間がかかるので、近似最近傍探索やりましょう。
17.
近似最近傍探索 17 ここは個人的にまだあまり うまくいってません。 FLANN - Fast
Library for Approximate Nearest Neighbors(k-近傍探索) で実施していますが、 データがそこそこないと精度が出ない…。 もっと改善したら発表したい…。
18.
実現手法 1.画像認識の流れとアルゴリズム 2.認識のための機械学習 3.精度測定 18
19.
認識のための機械学習 正解 の抽出 N 1 … 19 学習したフィルター 学習済み フィルターを 使用して、 ただ
1 つの正解 を抽出する まずはAda-Boostで行った。 理由は割りと少ない事例 で動く。 どんなものかというと…
20.
Ada-Boost 20 • 2 クラスの分類アルゴリズム。 •
教師有り学習。 • デジカメなどの 顔認識 への利用が有名。
21.
Ada-Boostの学習 弱識別器 3 弱識 別器2 弱識 別器1 21 強識別器 今回は幾何学情報を学習した
22.
Ada-Boostの分類サンプル 22 一様に分布した点 のうち、青い点を 正事例サンプル として学習
23.
Ada-Boostの分類サンプル 23 特徴量にxとy それぞれの 大小関係のみ使って、 50個の弱識別器を作成 新しいサンプル事例を分類すると
24.
Ada-Boostの分類サンプル 24 結構きれいに 分類出来る (XOR難しい)
25.
Ada-Boostでフィルターをつくる 25 クエリ画像 抽出した正解画像 3000個の事例作成 ・ ・ ・ 正事例 正事例 負事例 正事例
26.
Ada-Boost 注意した点 • 過学習は起こりづらいはずだが、事例を説明しきってしまっていないか注意 する。 •
特徴の次元を増やしすぎない • そのために、実験手法を正しくする • これらを守っても、弱点はある。 26
27.
Ada-Boostの弱点 • ノイズの影響を受けやすい • 複雑な分類はできない •
サンプルのように急に傾向が異なる結果があると分類を間違う(A ∧ B) 別の手法を使う • Random-forest でやってみた 27 A B
28.
Random-Forest • ランダムにサンプリングしたデータから、2分木をたくさん作って投票するアル ゴリズム。多クラス問題に対応できる 28 末端ノードに分類結果を持つ たくさん木をつくる
29.
Random-Forest の 投票 29 投票箱
30.
Random-Forest 注意した点 • ランダムに取得した分岐条件で、うまく分離できなければ 枝の成長をとめてよい。ランダムシードを実装しておくと良い。 •
過学習に注意し、事例の数を少なくとも数万レベルで用意する 30 うまく出来ると、とても精度良いです
31.
Random-Forest 分類サンプル 31 Ada-Boostと 同じ教師で、 どのくらい分類 できるのか? ※サンプル数は増やした
32.
Random-Forest 分類サンプル 32 特徴量にxとy それぞれの 大小関係のみ使って、 50個の木を作成 新しいサンプル事例を分類すると
33.
Random-Forest 分類サンプル 33 きわどいところまで分 類できている。 (XOR大丈夫) Random-Forest フィルター、良い感じ。
34.
34 近似探索でざっくり分類した後 識の誤りを救う目的で、機械学習を 使っています。 本当に救えているのか? 精度をちゃんと測定しましょう。
35.
実現手法 1.画像認識の流れとアルゴリズム 2.認識のための機械学習 3.精度測定 35
36.
性能評価(精度測定) • 導入には精度が必須 • そのための基礎的な概念 36 正事例 True
positive (正しく正解を抽出) True Negative (正しく不正解に抽出) 負事例 False Positive (間違って正解を抽出) False Negative (間違って不正解を抽出)
37.
性能評価 2 37 • データセット(クエリと正解
もしくは 不正解)を準備する。 • データセットを使って、精度が測定できるモジュールを作る。 負荷テストの出力を使うと効率が良かった。
38.
性能評価 3 38 正解を増やす再現率 間違いを減らす適合率 再現率と適合率の傾向を表すF値 再現率(recall) =
true positive / ( true positive + false negative ) 適合率(precision) = true positive / (true positive + true negative) F値(F measure) = 2 / ( 1 / Recall + 1 / Precision )
39.
性能評価 実例 ・1 つのクエリに対する正解が
1 つ。間違った答えは極力返さない。 ・1つのクエリに対するして、たくさんの候補をユーザに提供する。 重視したいことに合わせて、F 値 を算出する関数を変えて、F 値を見てもよ い。 39
40.
F値の使い方が良くない例 40 しっかり値を見ないと、 分類がうまくいかないことも。 極端だが、再現率を適合率の 100倍重視した例。 誤分類だらけ。
41.
実現手法 1.画像認識の流れとアルゴリズム 2.認識のための機械学習 3.精度測定 おまけ. 機械学習を勉強するにあたってお世話に なったデータ 41
42.
実験用画像セット • 以下に充実しています。 MIT が提供する画像データを使ってみます。 これはデータセットをどんな風に用意するのかを勉強することも出来ます。 http://cbcl.mit.edu/software-datasets/ 他には以下のようなデータセットもあります。 http://vasc.ri.cmu.edu/idb/html/car/index.html http://www.vision.caltech.edu/html-files/archive.html http://iris.usc.edu/Vision- Users/OldUsers/bowu/DatasetWebpage/dataset.html 42
43.
OpenCV • http://opencv.org/ • 実装はここでコード見て、ずいぶん学ぶことができました。 43
44.
これから • 画像認識を使ったサービスは開始できた。これから先は、 • 音声を使ったら… •
文字認識は… • ユーザのデータから新しい学習の傾向を探す… •新しい技術で乗り込むチャンス。 44 なので
45.
SPRIXでは、仲間を募集しています。 • 世界初のサービスをつくるため、研究~設計~実装までやれます。 • 研究機関、個人、ベンチャー、大学関係の皆様、共同研究の費用 出ます。 •
画像認識に限らず、テキストマイニング、文字認識、AI …など、研究 を現実的なサービスに取り入れるチャンス。 • 連絡があればいつでも会えます。 45 どんなことやれるの?
46.
連絡先 •Twitter @masazdream •会社 46
47.
SPRIXでは IT×教育サービス を どんどん実現します。 以上です、ありがとうございました。 47
Descargar ahora