なにわTech20160827
•Descargar como PPTX, PDF•
1 recomendación•2,587 vistas
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。
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Destacado
Destacado (17)
Similar a なにわTech20160827
Similar a なにわTech20160827 (20)
Más de Natsutani Minoru
Más de Natsutani Minoru (20)
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!
- 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
- 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
- 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
- 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
- 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
- 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
- 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？
- 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
- 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
- 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
- 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
- 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
Notas del editor
- こうばいこうｋ
- オーバーフィッティング