株式会社Preferred Networks エンジニア 渡部創史

1. 深層学習事例紹介
＆
PFN/MSアライアンス テクノロジーアップデート
Preferred Networks, Inc
渡部 創史

2. Microsoft ✕ Preferred Networks

3. Microsoft さまとの取り組み
l Azure上でのChainer、ChainerMN利⽤環境の提供
l Chainer のWindows公式サポートへ向けての技術検証
l PFN product on Azure の提供
l Deep Learning Labを通したChainerを使った教育プログラムの推進等
https://dllab.connpass.com/

4. ChainerMNクラスタセットアップのためのARM (Azure Resource
Manager) Templateを公開予定

5. ⾼いスケールアウト性能をAzure上で確認

6. OS Python CUDA VS Version VS Editions
Windows 10 CU x64 3.6.0+ 8.0 2015/2013 Ent/Ult/Pro/Comm
Windows 10 AU x64 3.6.0+ 8.0 2015/2013 Ent/Ult/Pro/Comm
Windows 8.1 x64 3.6.0+ 8.0 2015/2013 Ent/Ult/Pro/Comm
※下記は現在確認できているもので、変更の可能性があります
Windowsサポートの対象環境（予定）

7. Azure ✕ DIMo
監視
カメラ
人再照合
製造
ライン
外観検査
機器
故障予測
ユーティリ
ティ
需要予測
ロジ
最適化
監視
カメラ
人物分析
画像
物体検知
(segmentasion)
センサー
データ
異常予測
自動彩色
ロボット
自動制御

8. 強化学習
深層強化
学習
異常検知
マルチ
モーダル
・
センサー
フュージョン
アルゴリズム
ストリーミングデータ解析
ディープラーニング 開発・実⾏環境
学習データ作成
アノテーション
GUI
カメラ管理
映像解析
検出・分類
再照合
外観検査
Deep Intelligence in Motion（DIMo、ダイモ）
PFNの研究成果をパッケージ化したプロダクト
ツール
フロアマップ
連携
PFNのプロダクトDIMo の全体像

9. DIMo映像解析パッケージ
● フロントエンドUI
● ヒト映像解析結果の確認表⽰
● 認識モデル・カメラ・マップの管理
● アノテーションツール
● Webブラウザ上で正解データ作成
● 外部企業経由で作業者に作業発注が可能
● 画像認識ライブラリ
● ヒト検出＆追跡（全⾝ベース）
● ディープラーニングによる属性認識
stream query engine
機械学習ディープラーニング
DIMov1.0
機能別
ライブラリ画像認識
検出/追跡/認識
アノテーション
UIツール・
クラウドソーシングか
映像解析パッケージ
アノテーションツール ヒト検出・認識結果Web GUIで設定を⼀括管理
デモ：https://www.youtube.com/watch?v=blMaZPEA5rA

10. 同じ⼈物の特徴を検出：監視カメラで再照合
NTT Com プレスリリース
⼈⼯知能(AI)を活⽤した映像解析技術により
複数カメラを跨いだ不審者検出・追跡を⾼い精度で実現
〜ALSOKと連携した実証実験に成功〜
※ http://www.ntt.com/content/dam/nttcom/hq/jp/about-us/press-releases/pdf/2016/20160330.pdf

11. DIMo 外観検査パッケージ 概要
画像から物体の外観を検査しキズの有無を判定する機能
⼯場のラインなどで、製造物が順次流れてくる中で、それらの中でキズがつい
たりバリが出た不良品を⼈の代わりに検出する
キズあり
・・・
キズスコア低
キズなし

12. DIMo 異常検知（故障予測）パッケージ 概要
時系列の数値データから、そのデータの時間的な経過による異常を検知する機能
【学習処理】
そのデータの正常時の波形を⼀定時間分投⼊
正常時の波形を学習するため、異常データが学習の際には必要ない
※実際に異常が発⾒できるか検証するために異常データ⾃体は少数は必要
【判定処理】
学習した波形データの続きのデータを投⼊すると、異常度スコアが出⼒される

13. PFNの⼿法
経過時間
異常スコア
故障の約40⽇前に
故障予兆を捉える
判定閾値
既存⼿法
経過時間
ロボット
故障
ロボット
故障 15⽇前
故障直前まで
スコアがほぼ
反応しない
上記はファナック社との事例
PFNの⼿法により、ある故障するケースにおいて徐々に異常度が上
がって⾏く様⼦が可視化できた。

14. ユーティリティ需要量予測
l 実際の需要量に応じた対応を⾏いコストを最⼩化
l 未来のユーティリティ需要量を予測
l 気象データ、家庭の位置情報を活⽤
l ディープラーニングの利⽤で⾼精度な予測を実現
l 従来⼿法と⽐較しエラー率半減した例も
気温
湿度
位置
ユーティリティ
需要量予測

15. 予測結果の例（ダミーデータ）
ユ
ー
テ
ィ
リ
テ
ィ
需
要
量
時間
⼟曜⽇ ⽇曜⽇ ⽉曜
⽇
需要量
提案⼿法
⼈⼿の予測

16. 深層学習の産業応⽤事例
l Chainerベースで多くの共同R&D（画像認識、深層強化学習、etc…）
l 例1. CES2016のトヨタブースで深層強化学習ベースの⾃動運転
l 「ぶつからないクルマ」とそれを⽀える未来の交通インフラのコンセプト展⽰
l 例2. 3次元画像認識によるFANUCバラ積みロボットの動作最適化
l 8時間で専⾨家レベルの精度に到達
http://tinyurl.com/pfn-irex15http://tinyurl.com/pfn-ces16

17. Amazon Picking Challenge
l Amazonが主催
l 6/29-7/3, ドイツで開催
l RoboCup2016 と併設
l 今回2回⽬
l 倉庫の⾃動化を⽬指す
l タスク設定：
指⽰された12個のitemを15分以内に棚から取ってくる / 棚に⼊れればOK
17

18. Amazon Picking Challenge

19. Amazon Picking Challenge 結果
• Pickタスク： 2位(1位と同スコア)！
• Stowタスク： 4位(3位と僅差)！

20. ICRA 2017 でのピッキング展⽰

21. ドローン⾃動運転

22. まとめ
l Microsoft 様との提携内容とChainer on Azure の最新動向について
l ARM Template を公開予定
l ChainerMNに対応し、分散処理ができるように鋭意開発中
l PFNの深層学習活⽤事例について
l 画像解析・故障予測・外観検査プロダクトについて
l ドローンの⾃動運転の技術について