Enviar búsqueda
Cargar
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
•
0 recomendaciones
•
1,832 vistas
Deep Learning Lab(ディープラーニング・ラボ)
Seguir
2020/8/1 Deep Learning Digital Conference 日鉄ソリューションズ株式会社 徳竹 眞人 氏
Leer menos
Leer más
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 19
Descargar ahora
Descargar para leer sin conexión
Recomendados
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
Deep Learning Lab(ディープラーニング・ラボ)
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
Deep Learning Lab(ディープラーニング・ラボ)
[Track4-5] CDLEへの招待~CDLEハッカソンが、自分の人生のターニングポイントになった話~
[Track4-5] CDLEへの招待~CDLEハッカソンが、自分の人生のターニングポイントになった話~
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-5] 製造業における最新AI適用事例のご紹介
[Track1-5] 製造業における最新AI適用事例のご紹介
Deep Learning Lab(ディープラーニング・ラボ)
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
The Japan DataScientist Society
データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料
The Japan DataScientist Society
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
The Japan DataScientist Society
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
The Japan DataScientist Society
Recomendados
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
Deep Learning Lab(ディープラーニング・ラボ)
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
Deep Learning Lab(ディープラーニング・ラボ)
[Track4-5] CDLEへの招待~CDLEハッカソンが、自分の人生のターニングポイントになった話~
[Track4-5] CDLEへの招待~CDLEハッカソンが、自分の人生のターニングポイントになった話~
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-5] 製造業における最新AI適用事例のご紹介
[Track1-5] 製造業における最新AI適用事例のご紹介
Deep Learning Lab(ディープラーニング・ラボ)
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
The Japan DataScientist Society
データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料
The Japan DataScientist Society
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
The Japan DataScientist Society
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
The Japan DataScientist Society
[Track3-1] ビジネスで役立つAIリテラシーから機械学習エンジニアリングまで実践形式で学ぶ課題解決型AI人材育成とは?〜国内最大AIコンペサイトの...
[Track3-1] ビジネスで役立つAIリテラシーから機械学習エンジニアリングまで実践形式で学ぶ課題解決型AI人材育成とは?〜国内最大AIコンペサイトの...
Deep Learning Lab(ディープラーニング・ラボ)
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
NTT DATA Technology & Innovation
データ定義情報の管理とWebによる公開
データ定義情報の管理とWebによる公開
Recruit Technologies
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
aslead
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
Recruit Technologies
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
The Japan DataScientist Society
NRIが全社利用するビジネスチャットツールMattermostのご紹介
NRIが全社利用するビジネスチャットツールMattermostのご紹介
aslead
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
aslead
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
The Japan DataScientist Society
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
Recruit Technologies
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
Daiyu Hatakeyama
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
リクルートにおけるVDI導入 ~働き方変革とセキュリティ向上の両立を目指して~
リクルートにおけるVDI導入 ~働き方変革とセキュリティ向上の両立を目指して~
Recruit Technologies
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
Recruit Technologies
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
Daiyu Hatakeyama
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
Recruit Technologies
Azure における強化学習への取り組み
Azure における強化学習への取り組み
Keita Onabuta
vCenter Operations Management Suite 検証支援プログラム結果報告とその後
vCenter Operations Management Suite 検証支援プログラム結果報告とその後
Recruit Technologies
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Recruit Technologies
交差点の交通流におけるシミュレーション環境 を用いた深層強化学習に関する研究
交差点の交通流におけるシミュレーション環境 を用いた深層強化学習に関する研究
harmonylab
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
harmonylab
Más contenido relacionado
La actualidad más candente
[Track3-1] ビジネスで役立つAIリテラシーから機械学習エンジニアリングまで実践形式で学ぶ課題解決型AI人材育成とは?〜国内最大AIコンペサイトの...
[Track3-1] ビジネスで役立つAIリテラシーから機械学習エンジニアリングまで実践形式で学ぶ課題解決型AI人材育成とは?〜国内最大AIコンペサイトの...
Deep Learning Lab(ディープラーニング・ラボ)
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
NTT DATA Technology & Innovation
データ定義情報の管理とWebによる公開
データ定義情報の管理とWebによる公開
Recruit Technologies
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
aslead
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
Recruit Technologies
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
The Japan DataScientist Society
NRIが全社利用するビジネスチャットツールMattermostのご紹介
NRIが全社利用するビジネスチャットツールMattermostのご紹介
aslead
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
aslead
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
The Japan DataScientist Society
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
Recruit Technologies
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
Daiyu Hatakeyama
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
リクルートにおけるVDI導入 ~働き方変革とセキュリティ向上の両立を目指して~
リクルートにおけるVDI導入 ~働き方変革とセキュリティ向上の両立を目指して~
Recruit Technologies
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
Recruit Technologies
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
Daiyu Hatakeyama
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
Recruit Technologies
Azure における強化学習への取り組み
Azure における強化学習への取り組み
Keita Onabuta
vCenter Operations Management Suite 検証支援プログラム結果報告とその後
vCenter Operations Management Suite 検証支援プログラム結果報告とその後
Recruit Technologies
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Recruit Technologies
La actualidad más candente
(20)
[Track3-1] ビジネスで役立つAIリテラシーから機械学習エンジニアリングまで実践形式で学ぶ課題解決型AI人材育成とは?〜国内最大AIコンペサイトの...
[Track3-1] ビジネスで役立つAIリテラシーから機械学習エンジニアリングまで実践形式で学ぶ課題解決型AI人材育成とは?〜国内最大AIコンペサイトの...
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
データ定義情報の管理とWebによる公開
データ定義情報の管理とWebによる公開
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
リクルートのビッグデータ活用基盤とデータ活用に向けた取組み
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
NRIが全社利用するビジネスチャットツールMattermostのご紹介
NRIが全社利用するビジネスチャットツールMattermostのご紹介
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
技術としての機械学習を理解し、世の中に役に立つ事を考える基礎知識
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
リクルートにおけるVDI導入 ~働き方変革とセキュリティ向上の両立を目指して~
リクルートにおけるVDI導入 ~働き方変革とセキュリティ向上の両立を目指して~
「リクルートデータセット」 ~公開までの道のりとこれから~
「リクルートデータセット」 ~公開までの道のりとこれから~
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
キャリアコンサルタント向け「企業で求められるITスキルの実態」と実践スキル向上研修
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
リクルートにおけるセキュリティ施策方針とCSIRT組織運営のポイント
Azure における強化学習への取り組み
Azure における強化学習への取り組み
vCenter Operations Management Suite 検証支援プログラム結果報告とその後
vCenter Operations Management Suite 検証支援プログラム結果報告とその後
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Similar a [Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
交差点の交通流におけるシミュレーション環境 を用いた深層強化学習に関する研究
交差点の交通流におけるシミュレーション環境 を用いた深層強化学習に関する研究
harmonylab
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
harmonylab
気象データアナリストが専門的に使う気象データと位置情報について
気象データアナリストが専門的に使う気象データと位置情報について
Yoshiki Kato
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
harmonylab
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
harmonylab
スマートフォンとクラウドで日本を変える5つの試み
スマートフォンとクラウドで日本を変える5つの試み
Cybozucommunity
デジタル時代の企業変革 - 2020
デジタル時代の企業変革 - 2020
Ikuo Misao
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
Cybozucommunity
デジタル時代の企業変革 2019
デジタル時代の企業変革 2019
Ikuo Misao
【会社概要】株式会社Biotopo_会社紹介資料_20240104_Company Information
【会社概要】株式会社Biotopo_会社紹介資料_20240104_Company Information
雅史 澤西
Ridge i covid-solution_TTC_demo_20200522
Ridge i covid-solution_TTC_demo_20200522
Ridge-i
Fine Grained Fashion Similarity Prediction by Attribute Specific Embedding Le...
Fine Grained Fashion Similarity Prediction by Attribute Specific Embedding Le...
harmonylab
Self-supervised Learning of Adversarial Example:Towards Good Generalizations...
Self-supervised Learning of Adversarial Example:Towards Good Generalizations...
harmonylab
RAPiD
RAPiD
harmonylab
Icon imj conference2013 session1 リアルタイムでの意思決定によるマーケティング最適化
Icon imj conference2013 session1 リアルタイムでの意思決定によるマーケティング最適化
IMJ Corporation
ディープラーニングが活かすIoT
ディープラーニングが活かすIoT
Preferred Networks
NVIDIA Jetson導入事例ご紹介
NVIDIA Jetson導入事例ご紹介
NVIDIA Japan
20110523 itl
20110523 itl
loftwork
20110523 web戦略会議 it leaders
20110523 web戦略会議 it leaders
loftwork
190210_DLLAB 医療×AIシンポジウム_株式会社オプティム 吉村英樹氏
190210_DLLAB 医療×AIシンポジウム_株式会社オプティム 吉村英樹氏
Deep Learning Lab(ディープラーニング・ラボ)
Similar a [Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
(20)
交差点の交通流におけるシミュレーション環境 を用いた深層強化学習に関する研究
交差点の交通流におけるシミュレーション環境 を用いた深層強化学習に関する研究
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
気象データアナリストが専門的に使う気象データと位置情報について
気象データアナリストが専門的に使う気象データと位置情報について
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
DLゼミ:Primitive Generation and Semantic-related Alignment for Universal Zero-S...
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
マルチエージェント深層強化学習による自動運転車両の追越行動の獲得に関する研究
スマートフォンとクラウドで日本を変える5つの試み
スマートフォンとクラウドで日本を変える5つの試み
デジタル時代の企業変革 - 2020
デジタル時代の企業変革 - 2020
基調講演「データのグループウェア化」
基調講演「データのグループウェア化」
デジタル時代の企業変革 2019
デジタル時代の企業変革 2019
【会社概要】株式会社Biotopo_会社紹介資料_20240104_Company Information
【会社概要】株式会社Biotopo_会社紹介資料_20240104_Company Information
Ridge i covid-solution_TTC_demo_20200522
Ridge i covid-solution_TTC_demo_20200522
Fine Grained Fashion Similarity Prediction by Attribute Specific Embedding Le...
Fine Grained Fashion Similarity Prediction by Attribute Specific Embedding Le...
Self-supervised Learning of Adversarial Example:Towards Good Generalizations...
Self-supervised Learning of Adversarial Example:Towards Good Generalizations...
RAPiD
RAPiD
Icon imj conference2013 session1 リアルタイムでの意思決定によるマーケティング最適化
Icon imj conference2013 session1 リアルタイムでの意思決定によるマーケティング最適化
ディープラーニングが活かすIoT
ディープラーニングが活かすIoT
NVIDIA Jetson導入事例ご紹介
NVIDIA Jetson導入事例ご紹介
20110523 itl
20110523 itl
20110523 web戦略会議 it leaders
20110523 web戦略会議 it leaders
190210_DLLAB 医療×AIシンポジウム_株式会社オプティム 吉村英樹氏
190210_DLLAB 医療×AIシンポジウム_株式会社オプティム 吉村英樹氏
Más de Deep Learning Lab(ディープラーニング・ラボ)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
Deep Learning Lab(ディープラーニング・ラボ)
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
Deep Learning Lab(ディープラーニング・ラボ)
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
Deep Learning Lab(ディープラーニング・ラボ)
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Deep Learning Lab(ディープラーニング・ラボ)
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Deep Learning Lab(ディープラーニング・ラボ)
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
Deep Learning Lab(ディープラーニング・ラボ)
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
Deep Learning Lab(ディープラーニング・ラボ)
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
Deep Learning Lab(ディープラーニング・ラボ)
「言語」×AI Digital Device
「言語」×AI Digital Device
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Deep Learning Lab(ディープラーニング・ラボ)
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
Deep Learning Lab(ディープラーニング・ラボ)
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
Deep Learning Lab(ディープラーニング・ラボ)
[Track3-4] アカデミックにおけるAI/ディープラーニング の教育と学習支援に関する研究
[Track3-4] アカデミックにおけるAI/ディープラーニング の教育と学習支援に関する研究
Deep Learning Lab(ディープラーニング・ラボ)
[Track4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
Deep Learning Lab(ディープラーニング・ラボ)
[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー
[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー
Deep Learning Lab(ディープラーニング・ラボ)
Más de Deep Learning Lab(ディープラーニング・ラボ)
(20)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
「言語」×AI Digital Device
「言語」×AI Digital Device
深層強化学習と実装例
深層強化学習と実装例
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track3-4] アカデミックにおけるAI/ディープラーニング の教育と学習支援に関する研究
[Track3-4] アカデミックにおけるAI/ディープラーニング の教育と学習支援に関する研究
[Track4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー
[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー
Último
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
Último
(10)
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
1.
1Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. ディープラーニングを用いた ワインブドウの収穫量予測 日鉄ソリューションズ株式会社 IoXソリューション事業推進部 徳竹 眞人
2.
2Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 自己紹介・メンバー紹介 ◼ 徳竹 眞人 (分析・モデリング担当) ⚫ 誕生~学生時代 – 長野県中野市出身🍏 – 名古屋大学 素粒子宇宙物理学専攻(修士) ⚫ 就職~現在 – 2016/4 新日鉄住金ソリューションズ入社 エンベデッドユビキタスシステムセンター 配属 – 2017/9 IoXソリューション事業推進部 異動 – 2019/4 農業分野の案件を担当 ⚫ 休日の過ごし方 – キャンプ(ソロキャン8割) – ピアノ(月2回レッスン) – 天鳳(八段) ◼ メンバー紹介 ⚫ 森屋和喜(2020年度 PM) ⚫ 高畑紀宏(インフラ担当) ⚫ 飯田健一郎(2019年度 PM) ⚫ 山岡信介(技術サポート)
3.
3Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. イントロダクション1
4.
4Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. タスク概要 ◼ 「ブドウの収穫2週間前に、収穫量[kg]を予測したい!」 ⚫ 収穫は1年間で最も大変な作業のため、計画的に実施する必要あり 収穫 醸造 出荷 必要な人数は? - 事前にアルバイト雇う必要も 必要な時間は? - ワインの品質にも影響する ワイナリー側の 受け入れ計画どうする? これらは全て収穫量に依存する! ⚫ スマート農業実証プロジェクト(農水省) – サントリーワインインターナショナル様、日本総合研究所様、ジャパンプレミアムヴィンヤード様 ⚫ 2019年度データ収集・モデル作成、2020年度評価
5.
5Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 〇〇 kg 房検出 ×平均重量 〇〇 kg A案 B案 収穫量予測の方針 領域検出 回帰 C案 〇〇 kg
6.
6Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 〇〇 kg 房検出 ×平均重量 〇〇 kg A案 B案 収穫量予測の方針 領域検出 回帰 C案 〇〇 kg 〇直接的でシンプル ×重量データ数が 足りない可能性あり 〇隠れたブドウに頑健 〇モデル再調整しやすい ×平均重量が年毎・圃場毎 に異なる 〇普遍性の高いモデル 〇モデル再調整しやすい ×隠れたブドウによって 誤差が生じる
7.
7Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 〇〇 kg 房検出 ×平均重量 〇〇 kg A案 B案 収穫量予測の方針 領域検出 回帰 C案 〇〇 kg
8.
8Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 収穫量予測フロー ブドウ大きさ推定 - 大きさ = ピクセル数×距離^2 大きさー重量回帰 - 事前に作成した回帰モデルに より大きさを重さに変換 ブドウの領域推定 - 事前に学習させたディープ ラーニングモデルにより推定 フレーム抽出 - Depth情報と自己位置情報により、 ブドウの重複のないフレーム抽出が可能 台車+カメラで圃場内を移動しながら撮像 - カメラはIntel RealSense D435 + T265 - D435でRGB + Depth画像(距離情報)を撮像 - T265でカメラの自己位置を推定 収 量 推 定 値 = 〇 〇 ㎏ 大きさ(ピクセル数×距離^2) 重量 距 離 に よ る 補 正 ×
9.
9Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 収穫量予測フロー ブドウ大きさ推定 - 大きさ = ピクセル数×距離^2 台車+カメラで圃場内を移動しながら撮像 - カメラはIntel RealSense D435 + T265 - D435でRGB + Depth画像(距離情報)を撮像 - T265でカメラの自己位置を10cm程度の誤差で推定 収 量 推 定 値 = 〇 〇 ㎏ 大きさ(ピクセル数×距離^2) 重量 距 離 に よ る 補 正 × ②大きさー重量回帰 - 事前に作成した回帰モデルに より大きさを重さに変換 ③フレーム抽出 - Depth情報と自己位置情報により、 ブドウの重複のないフレーム抽出が可能 ①ブドウの領域推定 - 事前に学習させたディープ ラーニングモデルにより推定
10.
10Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 収穫量予測モデル構築2
11.
11Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. ①ブドウ領域推定モデル データ収集 学習 評価 Fig.1 学習データの一例 ◼ データ収集 ⚫ 合計760枚の画像を取得 ⚫ D435 + 台車 ◼ アノテーション ⚫ 760枚の画像をグループ会社+私で ⚫ アノテーション基準統一が極めて重要 – 実際アノテーション修正によってF値 85% → 94%に Fig.2 D435を搭載した台車が 畝間を走行し撮像する Fig.3 アノテーション基準ばらつきの例 アノテーション
12.
12Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. Fig.1 Ronneberger, Olaf, Philipp Fischer, and Thomas Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation”, International Conference on Medical image computing and computer- assisted intervention. Springer, Cham, 2015. ①ブドウ領域推定モデル データ収集 アノテーション 学習 評価 ◼ 学習・評価 ⚫ Unet ⚫ Data augmentation – Shift, Zoom, Horizontal flip ⚫ 5-Foldで評価 ⚫ 圃場A, B個別に評価値を算出 A, Bのブドウに対してadversarial validationの正解率70%のため Fig.3 圃場別のテストデータを用いた評価. P : Precision, R : Recall, F_1 : F-measure Fig.2 (左)圃場Aのブドウ(右)圃場Bのブドウ
13.
13Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. ◼ データ収集と回帰 ⚫ D435 + 台車 ⚫ 撮像 → 収穫 → 計量 ⚫ 2人×2日 ⚫ 129房の大きさー重量データを取得 ⚫ 線形回帰(MAPE = 18%) ②大きさ-重量回帰モデル Fig.2 画像中の房の重量を推定することができる. Fig.1 収集したデータと回帰関数 大きさ(ピクセル数×距離^2) 重量
14.
14Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. ③フレーム抽出 畝 台車の 進行方向 Fig.1 フレーム抽出方法. D435とT265により測定した自己位置情報により、撮像した畝領域の特定が可能. Fig.2 フレーム抽出の精度評価. (左)0.5m毎にマーカーを付与し、撮像した動画に対してフレーム抽出を行った. (右)抽出された各フレーム同士のダブり・抜け誤差の平均±1σ. 台車の 軌跡 ↓
15.
15Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 全体評価(は2020年度実施します)3
16.
16Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 共有したいこと・その他4 領域検出 回帰 C案 〇〇 kg Fig.1 タスク分割 Fig.2 現場の方々へのヒアリング Fig.3 アノテーション
17.
17Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 共有したいこと 〇問題を分割し各タスクに適切なアルゴリズムを採用 画像データ多 → ブドウ認識をCNNで 重量データ少 → 重量を線形回帰で 〇現場の方々のご協力・ヒアリングが成否のカギ ドメイン知識の有無がアルゴリズム選択に大きく影響する ×アノテーション基準統一が極めて重要 (外注や複数人で行う場合は特に) 実際アノテーション修正によってF値 85% → 94%に Fig.1 アノテーション基準ばらつきの例
18.
18Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. 試したこと・試したいこと ◼ 重複カウント対策 △ パノラマ画像生成 ○ 自己位置推定 × ブドウのトラッキング ◼ 隠れたブドウ対策 ○ 画角の工夫 × 隠れたブドウの生成(VAE) ? 隠れるブドウ率のサンプリング ◼ 他の圃場への展開 ? 甲州以外の品種ではどうか ? 異なる仕立てではどうか ? ブドウ以外の作物ではどうか Fig.2 隠れたブドウ 畝 台車の 軌跡 ↓ Fig.1 ブドウの重複カウント
19.
19Copyright ©2020 NS
Solutions Corporation. All Rights Reserved. FIN 本文記載の会社名及び製品名は、それぞれ各社の商標又は登録商標です。
Descargar ahora