Enviar búsqueda
Cargar
なにわTech20160827
•
Descargar como PPTX, PDF
•
1 recomendación
•
2,587 vistas
Natsutani Minoru
Seguir
パソナテック主催のなにわテック(2016/8/27)で発表した資料です。 直前のFPGAXと同じ内容です。
Leer menos
Leer más
Ingeniería
Denunciar
Compartir
Denunciar
Compartir
1 de 62
Descargar ahora
Recomendados
なにわTech20161215
なにわTech20161215
Natsutani Minoru
FPGAによる津波シミュレーション -- GPUを超える高性能計算の手法
FPGAによる津波シミュレーション -- GPUを超える高性能計算の手法
Kentaro Sano
高速シリアル通信を支える技術
高速シリアル通信を支える技術
Natsutani Minoru
Verilog-HDL Tutorial (1)
Verilog-HDL Tutorial (1)
Hiroki Nakahara
FPGAのトレンドをまとめてみた
FPGAのトレンドをまとめてみた
Takefumi MIYOSHI
電波望遠鏡用の分光器をAltera SDK for OpenCL使ってサクッと作ってみた
電波望遠鏡用の分光器をAltera SDK for OpenCL使ってサクッと作ってみた
Hiroki Nakahara
Tensor flow usergroup 2016 (公開版)
Tensor flow usergroup 2016 (公開版)
Hiroki Nakahara
FPGA・リコンフィギャラブルシステム研究の最新動向
FPGA・リコンフィギャラブルシステム研究の最新動向
Shinya Takamaeda-Y
Recomendados
なにわTech20161215
なにわTech20161215
Natsutani Minoru
FPGAによる津波シミュレーション -- GPUを超える高性能計算の手法
FPGAによる津波シミュレーション -- GPUを超える高性能計算の手法
Kentaro Sano
高速シリアル通信を支える技術
高速シリアル通信を支える技術
Natsutani Minoru
Verilog-HDL Tutorial (1)
Verilog-HDL Tutorial (1)
Hiroki Nakahara
FPGAのトレンドをまとめてみた
FPGAのトレンドをまとめてみた
Takefumi MIYOSHI
電波望遠鏡用の分光器をAltera SDK for OpenCL使ってサクッと作ってみた
電波望遠鏡用の分光器をAltera SDK for OpenCL使ってサクッと作ってみた
Hiroki Nakahara
Tensor flow usergroup 2016 (公開版)
Tensor flow usergroup 2016 (公開版)
Hiroki Nakahara
FPGA・リコンフィギャラブルシステム研究の最新動向
FPGA・リコンフィギャラブルシステム研究の最新動向
Shinya Takamaeda-Y
Gpu vs fpga
Gpu vs fpga
Yukitaka Takemura
Abstracts of FPGA2017 papers (Temporary Version)
Abstracts of FPGA2017 papers (Temporary Version)
Takefumi MIYOSHI
FPGA
FPGA
firewood
ICD/CPSY 201412
ICD/CPSY 201412
Takefumi MIYOSHI
Pythonによる高位設計フレームワークPyCoRAMでFPGAシステムを開発してみよう
Pythonによる高位設計フレームワークPyCoRAMでFPGAシステムを開発してみよう
Shinya Takamaeda-Y
FPGAって、何?
FPGAって、何?
Toyohiko Komatsu
研究者のための Python による FPGA 入門
研究者のための Python による FPGA 入門
ryos36
PyCoRAM (高位合成友の会@ドワンゴ, 2015年1月16日)
PyCoRAM (高位合成友の会@ドワンゴ, 2015年1月16日)
Shinya Takamaeda-Y
FPGAを用いたEdge AIの現状
FPGAを用いたEdge AIの現状
Yukitaka Takemura
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
Hiroki Nakahara
PyCoRAMを用いたグラフ処理FPGAアクセラレータ
PyCoRAMを用いたグラフ処理FPGAアクセラレータ
Shinya Takamaeda-Y
FPGA+SoC+Linux実践勉強会資料
FPGA+SoC+Linux実践勉強会資料
一路 川染
ソフトウェア技術者はFPGAをどのように使うか
ソフトウェア技術者はFPGAをどのように使うか
なおき きしだ
FPGAX6_hayashi
FPGAX6_hayashi
愛美 林
PyCoRAMによるPythonを用いたポータブルなFPGAアクセラレータ開発 (チュートリアル@ESS2014)
PyCoRAMによるPythonを用いたポータブルなFPGAアクセラレータ開発 (チュートリアル@ESS2014)
Shinya Takamaeda-Y
プロファイラGuiを用いたコード分析 20160610
プロファイラGuiを用いたコード分析 20160610
HIDEOMI SUZUKI
増え続ける情報に対応するためのFPGA基礎知識
増え続ける情報に対応するためのFPGA基礎知識
なおき きしだ
ROS User Group Meeting #28 マルチ深層学習とROS
ROS User Group Meeting #28 マルチ深層学習とROS
Hiroki Nakahara
Reconf_201409
Reconf_201409
Takefumi MIYOSHI
Synthesijer.Scala (PROSYM 2015)
Synthesijer.Scala (PROSYM 2015)
Takefumi MIYOSHI
なにわテック道0903
なにわテック道0903
Natsutani Minoru
FPGAX2016 ドキュンなFPGA
FPGAX2016 ドキュンなFPGA
Hiroki Nakahara
Más contenido relacionado
La actualidad más candente
Gpu vs fpga
Gpu vs fpga
Yukitaka Takemura
Abstracts of FPGA2017 papers (Temporary Version)
Abstracts of FPGA2017 papers (Temporary Version)
Takefumi MIYOSHI
FPGA
FPGA
firewood
ICD/CPSY 201412
ICD/CPSY 201412
Takefumi MIYOSHI
Pythonによる高位設計フレームワークPyCoRAMでFPGAシステムを開発してみよう
Pythonによる高位設計フレームワークPyCoRAMでFPGAシステムを開発してみよう
Shinya Takamaeda-Y
FPGAって、何?
FPGAって、何?
Toyohiko Komatsu
研究者のための Python による FPGA 入門
研究者のための Python による FPGA 入門
ryos36
PyCoRAM (高位合成友の会@ドワンゴ, 2015年1月16日)
PyCoRAM (高位合成友の会@ドワンゴ, 2015年1月16日)
Shinya Takamaeda-Y
FPGAを用いたEdge AIの現状
FPGAを用いたEdge AIの現状
Yukitaka Takemura
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
Hiroki Nakahara
PyCoRAMを用いたグラフ処理FPGAアクセラレータ
PyCoRAMを用いたグラフ処理FPGAアクセラレータ
Shinya Takamaeda-Y
FPGA+SoC+Linux実践勉強会資料
FPGA+SoC+Linux実践勉強会資料
一路 川染
ソフトウェア技術者はFPGAをどのように使うか
ソフトウェア技術者はFPGAをどのように使うか
なおき きしだ
FPGAX6_hayashi
FPGAX6_hayashi
愛美 林
PyCoRAMによるPythonを用いたポータブルなFPGAアクセラレータ開発 (チュートリアル@ESS2014)
PyCoRAMによるPythonを用いたポータブルなFPGAアクセラレータ開発 (チュートリアル@ESS2014)
Shinya Takamaeda-Y
プロファイラGuiを用いたコード分析 20160610
プロファイラGuiを用いたコード分析 20160610
HIDEOMI SUZUKI
増え続ける情報に対応するためのFPGA基礎知識
増え続ける情報に対応するためのFPGA基礎知識
なおき きしだ
ROS User Group Meeting #28 マルチ深層学習とROS
ROS User Group Meeting #28 マルチ深層学習とROS
Hiroki Nakahara
Reconf_201409
Reconf_201409
Takefumi MIYOSHI
Synthesijer.Scala (PROSYM 2015)
Synthesijer.Scala (PROSYM 2015)
Takefumi MIYOSHI
La actualidad más candente
(20)
Gpu vs fpga
Gpu vs fpga
Abstracts of FPGA2017 papers (Temporary Version)
Abstracts of FPGA2017 papers (Temporary Version)
FPGA
FPGA
ICD/CPSY 201412
ICD/CPSY 201412
Pythonによる高位設計フレームワークPyCoRAMでFPGAシステムを開発してみよう
Pythonによる高位設計フレームワークPyCoRAMでFPGAシステムを開発してみよう
FPGAって、何?
FPGAって、何?
研究者のための Python による FPGA 入門
研究者のための Python による FPGA 入門
PyCoRAM (高位合成友の会@ドワンゴ, 2015年1月16日)
PyCoRAM (高位合成友の会@ドワンゴ, 2015年1月16日)
FPGAを用いたEdge AIの現状
FPGAを用いたEdge AIの現状
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
2値化CNN on FPGAでGPUとガチンコバトル(公開版)
PyCoRAMを用いたグラフ処理FPGAアクセラレータ
PyCoRAMを用いたグラフ処理FPGAアクセラレータ
FPGA+SoC+Linux実践勉強会資料
FPGA+SoC+Linux実践勉強会資料
ソフトウェア技術者はFPGAをどのように使うか
ソフトウェア技術者はFPGAをどのように使うか
FPGAX6_hayashi
FPGAX6_hayashi
PyCoRAMによるPythonを用いたポータブルなFPGAアクセラレータ開発 (チュートリアル@ESS2014)
PyCoRAMによるPythonを用いたポータブルなFPGAアクセラレータ開発 (チュートリアル@ESS2014)
プロファイラGuiを用いたコード分析 20160610
プロファイラGuiを用いたコード分析 20160610
増え続ける情報に対応するためのFPGA基礎知識
増え続ける情報に対応するためのFPGA基礎知識
ROS User Group Meeting #28 マルチ深層学習とROS
ROS User Group Meeting #28 マルチ深層学習とROS
Reconf_201409
Reconf_201409
Synthesijer.Scala (PROSYM 2015)
Synthesijer.Scala (PROSYM 2015)
Destacado
なにわテック道0903
なにわテック道0903
Natsutani Minoru
FPGAX2016 ドキュンなFPGA
FPGAX2016 ドキュンなFPGA
Hiroki Nakahara
SDSoC解体新書2016.2版ソフトウェア編 (チラ見) : Inside SDSoC v2016.2 (Software short edtion)
SDSoC解体新書2016.2版ソフトウェア編 (チラ見) : Inside SDSoC v2016.2 (Software short edtion)
Mr. Vengineer
FPGAアクセラレータの作り方
FPGAアクセラレータの作り方
Mr. Vengineer
PYNQ祭り
PYNQ祭り
Mr. Vengineer
Slide
Slide
Takefumi MIYOSHI
Synthesijer and Synthesijer.Scala in HLS-friends 201512
Synthesijer and Synthesijer.Scala in HLS-friends 201512
Takefumi MIYOSHI
Jetson TK1でSemi-Global Matching
Jetson TK1でSemi-Global Matching
Ryo Sakamoto
20161120_HPCでFPGAを使ってみたい_fpgastartup
20161120_HPCでFPGAを使ってみたい_fpgastartup
HPCシステムズ株式会社
20160126 jetson ps4eye_01
20160126 jetson ps4eye_01
Hiroaki Yaguchi
15.06.27 実録 ソフトウェア開発者が FPGAを独習した最初の3歩@RTLを語る会(9)
15.06.27 実録 ソフトウェア開発者が FPGAを独習した最初の3歩@RTLを語る会(9)
Kei Nakazawa
mHealth Israel_Synchronizing Reimbursement and Regulatory Activities_Amir Inb...
mHealth Israel_Synchronizing Reimbursement and Regulatory Activities_Amir Inb...
Levi Shapiro
$30で始めるFPGA
$30で始めるFPGA
Yukitaka Takemura
自称IQ診断 --- いわゆる頭の体操
自称IQ診断 --- いわゆる頭の体操
HPCシステムズ株式会社
PYNQで○○してみた!
PYNQで○○してみた!
aster_ism
Pynqでカメラ画像をリアルタイムfastx コーナー検出
Pynqでカメラ画像をリアルタイムfastx コーナー検出
marsee101
なにわTech20170218(tpu) tfug
なにわTech20170218(tpu) tfug
Natsutani Minoru
Destacado
(17)
なにわテック道0903
なにわテック道0903
FPGAX2016 ドキュンなFPGA
FPGAX2016 ドキュンなFPGA
SDSoC解体新書2016.2版ソフトウェア編 (チラ見) : Inside SDSoC v2016.2 (Software short edtion)
SDSoC解体新書2016.2版ソフトウェア編 (チラ見) : Inside SDSoC v2016.2 (Software short edtion)
FPGAアクセラレータの作り方
FPGAアクセラレータの作り方
PYNQ祭り
PYNQ祭り
Slide
Slide
Synthesijer and Synthesijer.Scala in HLS-friends 201512
Synthesijer and Synthesijer.Scala in HLS-friends 201512
Jetson TK1でSemi-Global Matching
Jetson TK1でSemi-Global Matching
20161120_HPCでFPGAを使ってみたい_fpgastartup
20161120_HPCでFPGAを使ってみたい_fpgastartup
20160126 jetson ps4eye_01
20160126 jetson ps4eye_01
15.06.27 実録 ソフトウェア開発者が FPGAを独習した最初の3歩@RTLを語る会(9)
15.06.27 実録 ソフトウェア開発者が FPGAを独習した最初の3歩@RTLを語る会(9)
mHealth Israel_Synchronizing Reimbursement and Regulatory Activities_Amir Inb...
mHealth Israel_Synchronizing Reimbursement and Regulatory Activities_Amir Inb...
$30で始めるFPGA
$30で始めるFPGA
自称IQ診断 --- いわゆる頭の体操
自称IQ診断 --- いわゆる頭の体操
PYNQで○○してみた!
PYNQで○○してみた!
Pynqでカメラ画像をリアルタイムfastx コーナー検出
Pynqでカメラ画像をリアルタイムfastx コーナー検出
なにわTech20170218(tpu) tfug
なにわTech20170218(tpu) tfug
Similar a なにわTech20160827
ソフトウェア技術者から見たFPGAの魅力と可能性
ソフトウェア技術者から見たFPGAの魅力と可能性
Kenichiro MITSUDA
NW-DIY で開拓したい社会
NW-DIY で開拓したい社会
啓章 加嶋
FPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティング
Hideo Terada
PreadNet
PreadNet
Junya Kuwada
公開用_講演資料_SCSK.pdf
公開用_講演資料_SCSK.pdf
直久 住川
Fpgax20170924
Fpgax20170924
Natsutani Minoru
Riscv+fpga200606
Riscv+fpga200606
たけおか しょうぞう
Introduction of FPGA
Introduction of FPGA
Imaoka Micihihiro
Ptt391
Ptt391
Takefumi MIYOSHI
ACRiウェビナー_ChipTip Technology様ご講演資料
ACRiウェビナー_ChipTip Technology様ご講演資料
直久 住川
第4回 SoftLayer勉強会 資料
第4回 SoftLayer勉強会 資料
Naoki Shibata
Rakuten20181027
Rakuten20181027
Natsutani Minoru
マイクロソフトが考えるAI活用のロードマップ
マイクロソフトが考えるAI活用のロードマップ
Deep Learning Lab(ディープラーニング・ラボ)
ONIC2017 プログラマブル・データプレーン時代に向けた ネットワーク・オペレーションスタック
ONIC2017 プログラマブル・データプレーン時代に向けた ネットワーク・オペレーションスタック
Kentaro Ebisawa
runC概要と使い方
runC概要と使い方
Yuji Oshima
ソフトウェアエンジニアと高位合成
ソフトウェアエンジニアと高位合成
Kenichiro MITSUDA
Software forwarding path
Software forwarding path
Tomofumi Hayashi
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
Atsumori Sasaki
NVIDIA deep learning最新情報in沖縄
NVIDIA deep learning最新情報in沖縄
Tak Izaki
20170419PFNオープンハウス リサーチャーの仕事_公開用
20170419PFNオープンハウス リサーチャーの仕事_公開用
Preferred Networks
Similar a なにわTech20160827
(20)
ソフトウェア技術者から見たFPGAの魅力と可能性
ソフトウェア技術者から見たFPGAの魅力と可能性
NW-DIY で開拓したい社会
NW-DIY で開拓したい社会
FPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティング
PreadNet
PreadNet
公開用_講演資料_SCSK.pdf
公開用_講演資料_SCSK.pdf
Fpgax20170924
Fpgax20170924
Riscv+fpga200606
Riscv+fpga200606
Introduction of FPGA
Introduction of FPGA
Ptt391
Ptt391
ACRiウェビナー_ChipTip Technology様ご講演資料
ACRiウェビナー_ChipTip Technology様ご講演資料
第4回 SoftLayer勉強会 資料
第4回 SoftLayer勉強会 資料
Rakuten20181027
Rakuten20181027
マイクロソフトが考えるAI活用のロードマップ
マイクロソフトが考えるAI活用のロードマップ
ONIC2017 プログラマブル・データプレーン時代に向けた ネットワーク・オペレーションスタック
ONIC2017 プログラマブル・データプレーン時代に向けた ネットワーク・オペレーションスタック
runC概要と使い方
runC概要と使い方
ソフトウェアエンジニアと高位合成
ソフトウェアエンジニアと高位合成
Software forwarding path
Software forwarding path
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
Watsonをささえる ハイパフォーマンスクラウドで はじめるDeep Learning
NVIDIA deep learning最新情報in沖縄
NVIDIA deep learning最新情報in沖縄
20170419PFNオープンハウス リサーチャーの仕事_公開用
20170419PFNオープンハウス リサーチャーの仕事_公開用
Más de Natsutani Minoru
robotics42.pptx
robotics42.pptx
Natsutani Minoru
自作プログラミング言語の集い
自作プログラミング言語の集い
Natsutani Minoru
200821 swest
200821 swest
Natsutani Minoru
Kyoto devcafe
Kyoto devcafe
Natsutani Minoru
TFLiteのグラフ構造について
TFLiteのグラフ構造について
Natsutani Minoru
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
Natsutani Minoru
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
Natsutani Minoru
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
Natsutani Minoru
Interpretable ml
Interpretable ml
Natsutani Minoru
不足するAI人材に対する「パソナテックの人材育成ソリューション」
不足するAI人材に対する「パソナテックの人材育成ソリューション」
Natsutani Minoru
ML meetup20190327
ML meetup20190327
Natsutani Minoru
Kyoto dev caffe
Kyoto dev caffe
Natsutani Minoru
Kof
Kof
Natsutani Minoru
Tfug20181105
Tfug20181105
Natsutani Minoru
Nagosta 20181020
Nagosta 20181020
Natsutani Minoru
Road damge ai
Road damge ai
Natsutani Minoru
パソナテックのAI人材育成の取り組みのご紹介
パソナテックのAI人材育成の取り組みのご紹介
Natsutani Minoru
Fpgax20180217
Fpgax20180217
Natsutani Minoru
なにわテック20180127
なにわテック20180127
Natsutani Minoru
組込向けDeep Learning最新技術の紹介量子化テクニックとDorefaNetについて
組込向けDeep Learning最新技術の紹介量子化テクニックとDorefaNetについて
Natsutani Minoru
Más de Natsutani Minoru
(20)
robotics42.pptx
robotics42.pptx
自作プログラミング言語の集い
自作プログラミング言語の集い
200821 swest
200821 swest
Kyoto devcafe
Kyoto devcafe
TFLiteのグラフ構造について
TFLiteのグラフ構造について
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
AutoMLとQumicoを使って、ラズパイでディープラーニングを動かす話
Interpretable ml
Interpretable ml
不足するAI人材に対する「パソナテックの人材育成ソリューション」
不足するAI人材に対する「パソナテックの人材育成ソリューション」
ML meetup20190327
ML meetup20190327
Kyoto dev caffe
Kyoto dev caffe
Kof
Kof
Tfug20181105
Tfug20181105
Nagosta 20181020
Nagosta 20181020
Road damge ai
Road damge ai
パソナテックのAI人材育成の取り組みのご紹介
パソナテックのAI人材育成の取り組みのご紹介
Fpgax20180217
Fpgax20180217
なにわテック20180127
なにわテック20180127
組込向けDeep Learning最新技術の紹介量子化テクニックとDorefaNetについて
組込向けDeep Learning最新技術の紹介量子化テクニックとDorefaNetについて
なにわTech20160827
1.
動き検出のSW実装とHW実装について 2016/8/24 株式会社パソナテック エンジニアリング事業部 夏谷 1 Imagination, Action, and to the
Creation!
2.
前回までのあらすじ 2 FPGAX 高位合成友の会 GDG神戸 FPGAX 俺俺処理系 MYHDL FPGAとHPC 動き検出と最小二乗法 俺俺処理系 MYHDL 動き検出と最小二乗法
3.
アジェンダ 自己紹介 FPGAを使ったHPCの話
OCT/DCIについて(脱線) 動き検出のSW、HW実装の話 動き検出とneural network 高位合成ツールネタ 会社の紹介 3
4.
自己紹介 夏谷実 株式会社パソナテック
株式会社パソナテック エンジニアリング事業部 エンジニアマネージメントグループ 最近は半導体関連の仕事が多い FPGAが好き プログラミングも好き Deep Learningも好き ←New! 4 パソナテック公認キャラ
5.
自己紹介 5
6.
自己紹介 今日はアルゴリズムのHW化の話をします。 去年のGDG神戸のイベントの発表内容を加筆修正してい ます。
FPGAに関しては現役から遠ざかってますので、必ず最新の データシート、ユーザーズガイドを確認してください。 少しだけDeep Learningの話もします 6
7.
7 FPGAを使ったHPCの話
8.
HPCにFPGAを使う話 8 メリット デメリット 速い ・システムが高価 ・消費電力 ・物理的な大きさ ・開発に時間がかかる ・デバッグがやりにくい ・データの移動が面倒 ・開発環境が有料 ・正しく使わないと壊れる ・壊れたときのリカバリが高価
9.
HPCにFPGAを使う話 9 省略
10.
OCT/DCIについて(脱線) 10 省略
11.
FPGAとHPC HW化の意味がなくなる 専用のハードウェアはどこまでの処理速度向上を 目指すのか?
対パソコンであれば1000倍は1つの目標 10倍程度はアルゴリズムですぐ追いつかれる 10倍程度は何もしなくても速くなる CPU メモリ コンパイラ ライブラリ 11
12.
顔認識の処理速度向上の例 12 Haar-like Join Haar-like 必要なデータ量が1/9 (2008) Integral Image 画像サイズに依存せ ず4回のアクセスで必 要な計算が完了する。 (2001) Granular
Space 4回が1回のアクセスに (2006) スパース最適化 Lasso (1996) Elastic Net Adaptive Lasso Dantizig Selector LAD-Lasso (2005-2007) 2005年~2008年の3年間で、10倍以上高速化 注目される分野ではこういうことが起こりえる。 10倍程度の高速化を目標としてHW化を進めるのはリスクがある。 ET WEST 2015 TS-02 実世界で活躍する画像認 識技術 より
13.
FPGAとHPC 13 動き検出のSW、HW実装の話
14.
動き検出の話 14 ・動き検出に関する業務をソフトウェア、ハードウェアの両方で経験あり。 ・動き検出自体がHWする価値のあるアルゴリズム ・登場する数式が機械学習にでてくる数式と共通点がある
15.
動き検出とは 15 動き検出とは 時刻t 画像のブロックが、時間と共にどちらへどれくらい動いたのかを検出 する処理。検出結果は動きベクトルと呼ばれる。
16.
16 動き検出とは 画像の一部分を抜き出し、次の画像と最も一致する場所を探す。 ある物体が1フレームの間に2ピクセル右に行ったとしたら、右に2ピクセルずらしたところ と画像が一致するはず。 評価関数としてSAD、SSDが使われる。どちらも0なら画像は完全に一致している。 SAD(Sum of Absolute
Difference):各画素の差分の絶対値の和。 SSD(Sum of Squared Difference):各画素の差分の二乗和 動き検出という点ではあまり精度に差がないこと、計算量が少ないことよりSADが使われ ることが多い。統計学的にはSSDの方が最小二乗和を求めているのでSSDが好まれると きもある。 E 𝑤 = 1 2 𝑑 𝑛 − 𝑦(𝑥) 2 Deep learning の誤差関数 と同じ
17.
動き検出の難しいところ 17 ①原理的に検出できない図形がある ②そもそも動いている画像ではない SADが最小となる場 所が複数存在する SADが最小となる場所が そもそも存在しない。 ピントがぼけることで、同 じような状況に陥る事が ある。
18.
とある動き検出エンジニアの日常 18 デバッグ中にトイレに行く トイレの壁がタイル orz 動き検出が失敗する模様で絶望する 動き検出エンジニアの職業病
19.
動き検出の実装方法 19 勾配法 ・共役勾配法 ・勾配降下法 ・確率的勾配降下法 ・ニュートン法 傾きを元に反復計算を行い、SSD が最小となる場所を探す。 全探索法? 一画素ずつずらして全領域での SADを計算する。
20.
動き検出の実装方法 20 ソフトウェア実装 ハードウェア実装 ②荒い検索 ①勾配法 ③全探索法 (ピクセル単位) ④サブピクセル計算 Layer1 Layer2 Layer3
21.
勾配法 21 ある初期値を与え、その場所の傾きから次の場所を 選ぶ事を繰り返すことで、SSDの最小値を求める。 ポテンシャルが一番低い所へ移動していくので、反復 計算を降下(descent)と表現する。 Ex:確率的勾配降下法(stochastic gradient descent) 勾配法には明確な欠点がある 欠点1:局所解に陥る 欠点2:何回反復すればよいのか分からない 欠点3:解が発散する 動き検出の場合は2次元
22.
勾配法 22 欠点1: 初期値を間違えると、局所解を求めてしまう。 1回の試行では局所解に陥ったかどうかが判定 できない。 初期値が大事。 初期値が良ければ2~3回で収束するケースが 多い。 良い初期値を得るために、「荒い検索」を利用す る。(後で)ここを最小 値と判定 本当はこっちが最小値 初期値を変えると上手く 行く 局所解に陥っているかど うかが判断できない
23.
勾配法 23 欠点2: 反復回数の計算が読めない。 運が良いと3回、運がわるいと数十回の反復が 必要。 入力データと初期値に依存し、汎用的な終了の 判定方法が無い。 回数を増やしたり、初期 値を変えると上手く行くと きがある。 動き検出の特性として、 そもそも最適な解が存在 しない可能性がある
24.
勾配法 24 欠点3: 解が発散する。 検索範囲の端に向かって全力で移動してしまう。 →検出は簡単にできるので、局所解よりは扱い がらく 初期値を変えると上手く 行くときがある。 動き検出の特性として、 そもそも最適な解が存在 しない可能性がある
25.
動き検出の実装方法 25 ソフトウェア実装 ハードウェア実装 ②荒い検索 ①勾配法 ③全探索法 (ピクセル単位) ④サブピクセル計算 Layer1 Layer2 Layer3 初期値が全て!
26.
荒い検索 26 縮小画像での動き検出 Coarse-to-fine
search、画像ピラミッド 前回の動き検出の結果を使う 周辺の信頼できる動きベクトルを使う 動き検出できる 動き検出できない 動き検出できる 荒い検索を使っておおまかな動きベクトルを先に計算しておく ・SW実装(勾配法)の場合は、その値が初期値の候補になる ・HW実装(全探索)の場合はそのまま検索範囲の原点とする実装が多い →HW実装の場合、特定の領域を取り出すのが面倒
27.
動き検出の実装方法 27 ソフトウェア実装 ハードウェア実装 ②荒い検索 ①勾配法 ③全探索法 (ピクセル単位) ④サブピクセル計算 Layer1 Layer2 Layer3
28.
全探索法 28 検索範囲 動きを求めたい 画像 検索範囲の全ての領域に対してSADを計算し、最小の座標を求める。 検索の原点は(0,0)、もしく は荒い検索の結果
29.
全探索法 29 欠点1:局所解に陥る →全探索なので、全体で一番小さいところを検出できる 欠点2:何回反復すればよいのか分からない →反復しないので計算量は一定 欠点3:解が発散する →全探索なので、全体で一番小さいところを検出できる 勾配法の欠点を全てクリアー
30.
全探索法 30 ①各画素について差の 絶対値を計算する。 Sub+abs ②縦方向に加算 ③横方向に加算して SADを求める SAD 検索窓 (左上) 対象ブロック
31.
全探索法 31 ①各画素について差の 絶対値を計算する。 Sub+abs ②縦方向に加算 ③横方向に加算して SADを求める SAD 検索窓 (左上から一つ右)
32.
全探索法 32 sub abs add add Input_a (0,0) Input_b
(0,0) Input_a (4,0) Input_b (4,0) sub abs Input_a (4,4) Input_b (4,4) sub abs add add add add SAD ここで区切って パイプライン化
33.
全探索法 33 abss1 s2 sw sum abs sum ・・・ s3 abs sum SAD SAD SAD abs
画素の差分と絶対値の計算 sum 縦方向の和を求める加算 SAD SADを求める加算 abs sum SAD 検索幅+2clkで横方向のSADが全て計算できる。 パイプラインを作ろう だけ見ると1clkで一つSADの計算が終わるSAD
34.
全探索法 34 このデータであれば、左端から2画素 いった所でSADが0になる。 有効なSADが計算されてから、2CLK 後にSADが出力される。 対象ブロックが3x3なので、 差分と絶対値を取る回路は9 個並ぶ
35.
全探索法 35 さきほどの計算自体をN並列に実行可能 検索範囲 検索範囲 1行ずらしで並列化が正解 検索範囲をN等分するのは駄目
36.
動き検出の実装方法 36 ソフトウェア実装 ハードウェア実装 ②荒い検索 ①勾配法 ③全探索法 (ピクセル単位) ④サブピクセル検索 Layer1 Layer2 Layer3
37.
サブピクセル検索 37 http://www.sic.shibaura-it.ac.jp/~yaoki/hikarizou/hikarizou2.pdf
38.
動き検出の実装方法(まとめ) 38 勾配法 ・共役勾配法 ・勾配降下法 ・確率的勾配降下法 ・ニュートン法 傾きを元に反復計算を行い、SSD が最小となる場所を探す。 全探索法 一画素ずつずらして全領域での SADを計算する。 速い! HW化で速度を出すには、アルゴリズムの実装方法から変えないと速くならない。 並列化しやすく、固定小数点数(整数)で処理ができるアルゴリズムが良い。
39.
動き検出とneural network 39 動き検出とneural network
40.
動き検出とneural network 40 京都で立ち上げたAI専門のベンチャー 若いエンジニア(研究者)とお話したらすごく良く分かった
41.
最初の疑問 41 入力層 教科書の最初 画像を1次元のベクトルにして入力層へ 入力層 3x3 僕の疑問 画像は上下左右に相関を持ってるから、ある大き さのブロックで入力層に入れたほうがよいはず
42.
最初の疑問 42 それってCNN (Convolutional Neural
Network)の入り口 input convolution pooling convolution LCN pooling convolution Fully-connected Fully-connected softmax output 深層学習 図6.3
43.
最初の疑問 43 CNNの説明で出てくるこの動きは!?
44.
最初の疑問 各社様がCNNをFPGA実装 Altera
Xilinx Microsoft Nallatech デンソー 44
45.
次の疑問 45 ImageNet Classification with
Deep Convolutional Neural Networks https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf Figure4 Figure3 なぜこんなにばらけるのか?
46.
次の疑問 46 眼鏡っ娘画像 何も考えずに学習させたら、同じ所 ばっかりに注目するはず。 なぜばらけるのか? 全ニューロンが眼鏡に注目
47.
次の疑問 47 深層学習 p63 それってスパース正則化ってトリックを使ってます 入力xから中間層の出力yを経て出力x(^)が計算される過程において、 yの各ユニットのうち、なるべく少数のユニットのみが0でない出力を取 り、残りは出力が0(=活性化しない)となるような制約を追加します。 →行列の中の0の項を増やして疎行列に近づける。 一つ一つのニューロンが特徴を捉えるようになる。 専門家に疑問をぶつけるの大事
48.
次の疑問 48 自分でまとめてみるのも大事>< 図 5.11
49.
動き検出とneural network 49 閑話休題
50.
動き検出とneural network 50 動き検出 NN 求めるパラメータ
動きベクトル v ニューロンの重み w パラメータの数 2つ ニューロンの数 入力画像 2枚 数百~数万 パラメータの取る範囲 検索範囲 不明 必要な精度 次の処理に依存 例えば1/32画素程度 不明 オーバーフィッティング 無し 有り の部分は、実際に動かせば絞り込める
51.
動き検出とneural network 例えば、あるNNの極一部だけを、少数の入力デー タ(画像データ)で更新したい場合。 51 input convolution pooling convolution LCN pooling convolution Fully-connected Fully-connected softmax output ここだけを、変えたい
52.
動き検出とneural network 52 http://cs231n.stanford.edu/slides/winter1516_lecture11.pdf それって転移学習では
53.
動き検出とneural network 53 http://cs231n.stanford.edu/slides/winter1516_lecture11.pdf ・入力画像に近いところは汎用的 ・出力に近いところは、認識に特化 Deep Learning
for NLP (without Magic) Richard Socher, Yoshua Bengio and Chris Manning ACL 2012
54.
動き検出とneural network 54 秒単位で学習結果を変えないといけないシステム 時間で形が変化するものを、変化に合わせて学習しなおすことで、トラッキングするシステム
55.
動き検出とneural network 秒単位で学習結果を大胆に変えないといけないシステム 55 By
いらすとや リアルタイムな鳥の固体認識とか
56.
MyHDLの紹介 56 高位合成ツールネタ
57.
MyHDLの紹介 57 省略
58.
高位合成ツールへの期待 58 Ruby on Rails
みたいな Tensorflow on ○○○○ をみんなでつくりたい
59.
最後 59 会社の紹介
60.
機械学習に関するパソナテックのサービス 60 ①大量のデータに関する業務 ・データ収集 ・データ入力 ・データタグづけ、不正データ除去 Job-Hub事業部 大阪支社 他部署と連携し、大 量データを安価にご 提供します。 セキュリティ面もご 相談ください。 ②機械学習に関する業務 ・学習環境の構築 ・学習器の設計、評価 ・パラメータ調整 お客様の目的に沿ったビジネスパー トナーをご紹介します。 ③商品化への業務 ・組込プログラミング ・機械設計 専門スキルを持った人材をご提供いたし ます。委託契約、派遣契約どちらも可能 です。 機械学習に関する業務に関して、どの工程でも必要なサービスをご提供致します。 Deep Leaningも対応致します。
61.
株式会社パソナテックの取り組み 61 イベント通知 なにわテック道 【8月】 日程:8/27(土)14時~17時(受付13時半~) ☆2週連続!秋のテック祭 『はじめてのDeep
Learning』 【9月】 日程:9/3(土) 内容:☆2週連続☆秋のTECH祭☆ Deep Learning 、Java、ブロックチェーン 最新技術が集結! 詳しくはパソナテックHPで
62.
最後に 62 ご清聴ありがとうございました。
Notas del editor
こうばいこうk
オーバーフィッティング
Descargar ahora