Enviar búsqueda
Cargar
CG Image Recognition with Deep Learning
•
Descargar como PPTX, PDF
•
0 recomendaciones
•
1,157 vistas
Kodai Takao
Seguir
CG Image Recognition using Deep Learning
Leer menos
Leer más
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 24
Descargar ahora
Recomendados
ICML2016 読み会で Pixel RNN を紹介した際のスライドです。
論文紹介 Pixel Recurrent Neural Networks
論文紹介 Pixel Recurrent Neural Networks
Seiya Tokui
Convolutional Neural Networkによるディープラーニングを用いた超解像ソフトSeRanetの紹介
SeRanet
SeRanet
Kosuke Nakago
2017/6/13 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Learning by Association - A versatile semi-supervised training method ...
[DL輪読会]Learning by Association - A versatile semi-supervised training method ...
Deep Learning JP
2017/03/11 This slide is the seminar of the DNN technology at WakU2.
Deep learning 20170311
Deep learning 20170311
Hiroyuki Miyamoto
Reducing the Dimensionality of Data with Neural Networksの発表資料です.
Reducing the Dimensionality of Data with Neural Networks
Reducing the Dimensionality of Data with Neural Networks
Nagayoshi Yamashita
Slides for a lecture in Ochanomizu Univ. Japan, held on 4th Dec. 2019.
Ocha 20191204
Ocha 20191204
Atsushi Hashimoto
社内輪読会で紹介した「Active learning with efficient feature weighting methods for improving data quality and classification accuracy」の資料
Active learning with efficient feature weighting methods for improving data q...
Active learning with efficient feature weighting methods for improving data q...
Shunsuke Kozawa
Machine learning design pattern transfer learning
Machine learning design pattern transfer learning
Machine learning design pattern transfer learning
Tomohisa Seki
Recomendados
ICML2016 読み会で Pixel RNN を紹介した際のスライドです。
論文紹介 Pixel Recurrent Neural Networks
論文紹介 Pixel Recurrent Neural Networks
Seiya Tokui
Convolutional Neural Networkによるディープラーニングを用いた超解像ソフトSeRanetの紹介
SeRanet
SeRanet
Kosuke Nakago
2017/6/13 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Learning by Association - A versatile semi-supervised training method ...
[DL輪読会]Learning by Association - A versatile semi-supervised training method ...
Deep Learning JP
2017/03/11 This slide is the seminar of the DNN technology at WakU2.
Deep learning 20170311
Deep learning 20170311
Hiroyuki Miyamoto
Reducing the Dimensionality of Data with Neural Networksの発表資料です.
Reducing the Dimensionality of Data with Neural Networks
Reducing the Dimensionality of Data with Neural Networks
Nagayoshi Yamashita
Slides for a lecture in Ochanomizu Univ. Japan, held on 4th Dec. 2019.
Ocha 20191204
Ocha 20191204
Atsushi Hashimoto
社内輪読会で紹介した「Active learning with efficient feature weighting methods for improving data quality and classification accuracy」の資料
Active learning with efficient feature weighting methods for improving data q...
Active learning with efficient feature weighting methods for improving data q...
Shunsuke Kozawa
Machine learning design pattern transfer learning
Machine learning design pattern transfer learning
Machine learning design pattern transfer learning
Tomohisa Seki
サーベイ論文の解説+α
Semantic segmentation
Semantic segmentation
Takuya Minagawa
summary of paper
Image net classification with deep convolutional neural network
Image net classification with deep convolutional neural network
ga sin
データ拡張 (Data Augmentation) を学習中に使い分けるRefined Data Augmentationについて解説しました。 He, Zhuoxun, et al. "Data augmentation revisited: Rethinking the distribution gap between clean and augmented data." arXiv preprint arXiv:1909.09148 (2019).
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
機械学習の基礎である分類問題を通して、ニューラルネット研究の黎明期から深層学習までの歴史を浅く広く紹介しています。
ニューラルネットと深層学習の歴史
ニューラルネットと深層学習の歴史
Akinori Abe
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向 6月10日 (木) 11:00 - 12:30 メイン会場(vimeo + sli.do) 登壇者1:中山 英樹 氏(東京大学) 登壇者2:幡谷 龍一郎 氏(東京大学) 概要:データ拡張は画像認識の精度向上テクニックとして古くから用いられてきたが、最新の深層学習においても最重要技術の一つとして年々注目を集めており、多様かつ複雑な進化を遂げている。その成功のカギは、タスクに関する先見知識を活用しながら、如何にして汎化性能を高めるように訓練画像を変換あるいは生成するかにある。本講演では、データ拡張の原理や最新動向について解説すると共に、自動的なデータ拡張に関する講演者の研究事例についても紹介する。
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
Classification of cicada by it's shell using AI::MxNet library.
Mxnetによるデープラーニングでセミの抜け殻を識別する
Mxnetによるデープラーニングでセミの抜け殻を識別する
dokechin
E-SOINN
E-SOINN
SOINN Inc.
KCS-AI班3/29の活動です. Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Layerの説明です.
Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Laye...
Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Laye...
KCS Keio Computer Society
ICML 2016 読み会
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
Takuya Akiba
2017年4月 会津大学にて行った『深層学習』勉強会第1回目のスライドです。前半はこれまでの人工知能に関する研究の歴史について(なぜ研究が始まって2010年代にナウでヤングなものになっているのか)、後半は代表的な最も単純なニューラルネットワークのFFNN(順伝播型ニューラルネットワーク)の設計方法を紹介します。
深層学習 勉強会第1回 ディープラーニングの歴史とFFNNの設計
深層学習 勉強会第1回 ディープラーニングの歴史とFFNNの設計
Yuta Sugii
大阪大学夏季集中講義「データ科学特論I」 深層学習の数理を「表現能力」「汎化能力」「最適化能力」について解説
深層学習の数理
深層学習の数理
Taiji Suzuki
画像処理の基礎
画像処理基礎
画像処理基礎
大貴 末廣
Generative Deep Learning #01
Generative Deep Learning #01
Generative Deep Learning #01
逸人 米田
SSA-SOINN
SSA-SOINN
SOINN Inc.
研究室での論文紹介スライド. Laurens van der Maaten, Geoffrey Hinton, ”Visualizing Data using t-SNE”, Journal of Machine Learning Research (2008) pp.1-48
Visualizing Data Using t-SNE
Visualizing Data Using t-SNE
Tomoki Hayashi
Generative deeplearning #02
Generative deeplearning #02
Generative deeplearning #02
逸人 米田
7月2日 於 MLSE夏合宿2020 https://mlxse.connpass.com/event/175970/
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
MLSE
AI勉強会資料
Deeply-Recursive Convolutional Network for Image Super-Resolution
Deeply-Recursive Convolutional Network for Image Super-Resolution
harmonylab
線形サポートベクトルマシンによる学習を理解する
人工知能10 サポートベクトルマシン
人工知能10 サポートベクトルマシン
Hirotaka Hachiya
山本 亮太, 岡本 一志: クラウドソーシングにおける協調的な共同作業に対する組織構成システム, 第35回人工知能学会全国大会, 2021.6
クラウドソーシングにおける協調的な共同作業に対する組織構成システム
クラウドソーシングにおける協調的な共同作業に対する組織構成システム
Okamoto Laboratory, The University of Electro-Communications
九大で開講しているデータサイエンス実践の講義資料です。
九大_DS実践_画像処理応用
九大_DS実践_画像処理応用
RyomaBise1
九大で開講しているデータサイエンス実践の講義資料です。
九大_DS実践_画像処理応用
九大_DS実践_画像処理応用
RyomaBise1
Más contenido relacionado
La actualidad más candente
サーベイ論文の解説+α
Semantic segmentation
Semantic segmentation
Takuya Minagawa
summary of paper
Image net classification with deep convolutional neural network
Image net classification with deep convolutional neural network
ga sin
データ拡張 (Data Augmentation) を学習中に使い分けるRefined Data Augmentationについて解説しました。 He, Zhuoxun, et al. "Data augmentation revisited: Rethinking the distribution gap between clean and augmented data." arXiv preprint arXiv:1909.09148 (2019).
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
機械学習の基礎である分類問題を通して、ニューラルネット研究の黎明期から深層学習までの歴史を浅く広く紹介しています。
ニューラルネットと深層学習の歴史
ニューラルネットと深層学習の歴史
Akinori Abe
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向 6月10日 (木) 11:00 - 12:30 メイン会場(vimeo + sli.do) 登壇者1:中山 英樹 氏(東京大学) 登壇者2:幡谷 龍一郎 氏(東京大学) 概要:データ拡張は画像認識の精度向上テクニックとして古くから用いられてきたが、最新の深層学習においても最重要技術の一つとして年々注目を集めており、多様かつ複雑な進化を遂げている。その成功のカギは、タスクに関する先見知識を活用しながら、如何にして汎化性能を高めるように訓練画像を変換あるいは生成するかにある。本講演では、データ拡張の原理や最新動向について解説すると共に、自動的なデータ拡張に関する講演者の研究事例についても紹介する。
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
Classification of cicada by it's shell using AI::MxNet library.
Mxnetによるデープラーニングでセミの抜け殻を識別する
Mxnetによるデープラーニングでセミの抜け殻を識別する
dokechin
E-SOINN
E-SOINN
SOINN Inc.
KCS-AI班3/29の活動です. Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Layerの説明です.
Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Laye...
Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Laye...
KCS Keio Computer Society
ICML 2016 読み会
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
Takuya Akiba
2017年4月 会津大学にて行った『深層学習』勉強会第1回目のスライドです。前半はこれまでの人工知能に関する研究の歴史について(なぜ研究が始まって2010年代にナウでヤングなものになっているのか)、後半は代表的な最も単純なニューラルネットワークのFFNN(順伝播型ニューラルネットワーク)の設計方法を紹介します。
深層学習 勉強会第1回 ディープラーニングの歴史とFFNNの設計
深層学習 勉強会第1回 ディープラーニングの歴史とFFNNの設計
Yuta Sugii
大阪大学夏季集中講義「データ科学特論I」 深層学習の数理を「表現能力」「汎化能力」「最適化能力」について解説
深層学習の数理
深層学習の数理
Taiji Suzuki
画像処理の基礎
画像処理基礎
画像処理基礎
大貴 末廣
Generative Deep Learning #01
Generative Deep Learning #01
Generative Deep Learning #01
逸人 米田
SSA-SOINN
SSA-SOINN
SOINN Inc.
研究室での論文紹介スライド. Laurens van der Maaten, Geoffrey Hinton, ”Visualizing Data using t-SNE”, Journal of Machine Learning Research (2008) pp.1-48
Visualizing Data Using t-SNE
Visualizing Data Using t-SNE
Tomoki Hayashi
Generative deeplearning #02
Generative deeplearning #02
Generative deeplearning #02
逸人 米田
7月2日 於 MLSE夏合宿2020 https://mlxse.connpass.com/event/175970/
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
MLSE
AI勉強会資料
Deeply-Recursive Convolutional Network for Image Super-Resolution
Deeply-Recursive Convolutional Network for Image Super-Resolution
harmonylab
線形サポートベクトルマシンによる学習を理解する
人工知能10 サポートベクトルマシン
人工知能10 サポートベクトルマシン
Hirotaka Hachiya
山本 亮太, 岡本 一志: クラウドソーシングにおける協調的な共同作業に対する組織構成システム, 第35回人工知能学会全国大会, 2021.6
クラウドソーシングにおける協調的な共同作業に対する組織構成システム
クラウドソーシングにおける協調的な共同作業に対する組織構成システム
Okamoto Laboratory, The University of Electro-Communications
La actualidad más candente
(20)
Semantic segmentation
Semantic segmentation
Image net classification with deep convolutional neural network
Image net classification with deep convolutional neural network
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
ニューラルネットと深層学習の歴史
ニューラルネットと深層学習の歴史
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
Mxnetによるデープラーニングでセミの抜け殻を識別する
Mxnetによるデープラーニングでセミの抜け殻を識別する
E-SOINN
E-SOINN
Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Laye...
Outrageously Large Neural Networks:The Sparsely-Gated Mixture-of-Experts Laye...
Learning Convolutional Neural Networks for Graphs
Learning Convolutional Neural Networks for Graphs
深層学習 勉強会第1回 ディープラーニングの歴史とFFNNの設計
深層学習 勉強会第1回 ディープラーニングの歴史とFFNNの設計
深層学習の数理
深層学習の数理
画像処理基礎
画像処理基礎
Generative Deep Learning #01
Generative Deep Learning #01
SSA-SOINN
SSA-SOINN
Visualizing Data Using t-SNE
Visualizing Data Using t-SNE
Generative deeplearning #02
Generative deeplearning #02
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
Deeply-Recursive Convolutional Network for Image Super-Resolution
Deeply-Recursive Convolutional Network for Image Super-Resolution
人工知能10 サポートベクトルマシン
人工知能10 サポートベクトルマシン
クラウドソーシングにおける協調的な共同作業に対する組織構成システム
クラウドソーシングにおける協調的な共同作業に対する組織構成システム
Similar a CG Image Recognition with Deep Learning
九大で開講しているデータサイエンス実践の講義資料です。
九大_DS実践_画像処理応用
九大_DS実践_画像処理応用
RyomaBise1
九大で開講しているデータサイエンス実践の講義資料です。
九大_DS実践_画像処理応用
九大_DS実践_画像処理応用
RyomaBise1
画像処理の応用
画像処理応用
画像処理応用
大貴 末廣
2022/05/15に開催された、第10回全日本コンピュータビジョン勉強会「生成モデル縛り論文読み会」発表資料 https://kantocv.connpass.com/event/243586/
ConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdf
Takuya Minagawa
This is a slide we have showed neural network console hands-on in 26th of June.
2018/6/26 deep learning Neural Network Console hands-on
2018/6/26 deep learning Neural Network Console hands-on
Sony Network Communications Inc.
学部初級生向けの機械学習入門資料
機械学習 入門
機械学習 入門
Hayato Maki
音響学会関西支部談話会
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介
nlab_utokyo
TensorFlow勉強会(3) で発表予定の資料です。 http://connpass.com/event/27081/ 公開履歴 2016/03/25 ver1.0 公開 2016/03/29 ver1.1 Jupyterの紹介を追加
「TensorFlow Tutorialの数学的背景」 クイックツアー(パート1)
「TensorFlow Tutorialの数学的背景」 クイックツアー(パート1)
Etsuji Nakai
Similar a CG Image Recognition with Deep Learning
(8)
九大_DS実践_画像処理応用
九大_DS実践_画像処理応用
九大_DS実践_画像処理応用
九大_DS実践_画像処理応用
画像処理応用
画像処理応用
ConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdf
2018/6/26 deep learning Neural Network Console hands-on
2018/6/26 deep learning Neural Network Console hands-on
機械学習 入門
機械学習 入門
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介
「TensorFlow Tutorialの数学的背景」 クイックツアー(パート1)
「TensorFlow Tutorialの数学的背景」 クイックツアー(パート1)
Más de Kodai Takao
Internship slide
チームラボ サマーインターン発表スライド
チームラボ サマーインターン発表スライド
Kodai Takao
Smoothed Particle Hydrodinamics
Smoothed Particle Hydrodinamics
Smoothed Particle Hydrodinamics
Kodai Takao
ディープラーニングによる3次元オブジェクト認識技術開発テーマ発表資料
プロジェクト3A テーマ発表
プロジェクト3A テーマ発表
Kodai Takao
Computer Graphics from the Mathematical Aspects 数学的にコンピュータグラフィックスの概念・仕組みを解説しています。
Computer Graphics from the Mathematical Aspects - Lecture 1
Computer Graphics from the Mathematical Aspects - Lecture 1
Kodai Takao
English Presentation
Computer Graphics
Computer Graphics
Kodai Takao
PHP, WebGLによる.objファイルのインタラクティブ表示を行うウェブサービスの作成記録。
プロジェクト2B 最終発表
プロジェクト2B 最終発表
Kodai Takao
PHP, WebGLによる.objファイルのインタラクティブ表示を行うウェブサービスの作成記録。
プロジェクト2B 中間発表
プロジェクト2B 中間発表
Kodai Takao
PHP, WebGLによる.objファイルのインタラクティブ表示を行うウェブサービスの作成記録。
プロジェクト2B テーマ発表
プロジェクト2B テーマ発表
Kodai Takao
Más de Kodai Takao
(8)
チームラボ サマーインターン発表スライド
チームラボ サマーインターン発表スライド
Smoothed Particle Hydrodinamics
Smoothed Particle Hydrodinamics
プロジェクト3A テーマ発表
プロジェクト3A テーマ発表
Computer Graphics from the Mathematical Aspects - Lecture 1
Computer Graphics from the Mathematical Aspects - Lecture 1
Computer Graphics
Computer Graphics
プロジェクト2B 最終発表
プロジェクト2B 最終発表
プロジェクト2B 中間発表
プロジェクト2B 中間発表
プロジェクト2B テーマ発表
プロジェクト2B テーマ発表
CG Image Recognition with Deep Learning
1.
プロジェクト3A 最終発表 14K1020 髙尾航大
2.
プロジェクトテーマ DeepLearning を用いて 3次元オブジェクトの特徴量を 2次元画像として抽出し、 カテゴリタグ付けを自動的に行う。
3.
プロジェクトテーマ(図解) なんか長い 部分がある 3次元データ 人工知能 特徴量抽出 うさぎ カテゴリ判定 動物 耳 長い input output (実際はこんなも のではない)
4.
NeuralNetworkについて
5.
MNIST手書き文字認識 MNISTと呼ばれる手書き文字のデータセットで学習を進める 28×28 ピクセルの画像 MNIST =
学習用画像 : 5万枚 / テスト用画像 : 1万枚
6.
ベクトル化 1つの画像は 28×28 =
784 ピクセルを保有している これをベクトルに落とし込む 𝑖𝑚𝑎𝑔𝑒𝑖 = 0 0 0 0 ⋮ .6 .8 1 ⋮ 0 0 0 0
7.
ベクトル化 5万枚の学習用画像は以下のベクトル集合で 表すことができる。
8.
ベクトル化 学習用画像はその画像が何の数字であるかを保持するベクトル も同添字として紐付けられている。
9.
パーセプトロン 人間の脳細胞をモデル化 ステップ関数であるため微分不可能で機械学習に向かない
10.
シグモイドニューロン パーセプトロンの改良 連続関数であるため微分可能で機械学習に向く(線形分離可能)
11.
ニューラルネットワーク シグモイドニューロンを沢山使用して学習を行う 入力に784次元ベクトル (画像の配列) バイアスと重みを コスト関数に従って 更新していくこと 学 習
12.
誤差逆伝播法 入力信号と教師データの誤差を小さくするように 勾配降下法 全体の結合重みを調整 E : 一時解と最適解の二乗誤差
13.
ソフトマックス回帰 実際に一時解ベクトル𝑦が出力される際は、 ソフトマックス回帰によって正規化される
14.
TensorFlowでのMNISTテスト 精度91%….
15.
TensorFlowでのMNISTテスト 公式ドキュメントでは99.7%以上の精度でなければ良い結果 とは言えないと書かれている。
16.
畳み込みディープニューラルネットワーク
17.
Watson API の使用 TensorFlowの画像認識ライブラリ環境 設定がうまく行かず使用断念。 Watson
Visual Recognition 教師用画像を用意してネットワークを 学習させ、カテゴリ分けを行う。
18.
学習 今回は「うさぎ」と「顔」と「その他」を区別することを考える。
19.
教師用画像の用意 100枚 100枚 100枚
20.
カラー画像で学習させた場合(うさぎ) 87% 66% 62% 72%
21.
モノクロ画像で学習させた場合(うさぎ) 87% → 89% 66%
→ 71% 62% → 63% 72% → 74%
22.
人間の顔の認識( カラー →
モノクロ ) 85% → 85% 79% → 75%
23.
その他 認識せず。
24.
結論・今後の課題 WebアプリのUIと保守性を改良することができた。 この知能をWEBアプリ内に組み込む 3カテゴリの学習による分類は70%前後の精度で成功した。 学習カテゴリを増やしても精度が保たれるかの実験を行う カテゴリ抽出後に連想語を関連付ける
Descargar ahora