Enviar búsqueda
Cargar
深層学習オートエンコーダー
•
6 recomendaciones
•
3,511 vistas
S
Shuhei Sowa
Seguir
MLPシリーズ深層学習輪講会「オートエンコーダー」後半のスライド
Leer menos
Leer más
Datos y análisis
Denunciar
Compartir
Denunciar
Compartir
1 de 27
Descargar ahora
Descargar para leer sin conexión
Recomendados
社内勉強会での講演資料
強化学習その1
強化学習その1
nishio
2017/12/11 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
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
SSII 2015 チュートリアル講演 「Deep Learningによる画像認識革命」 2015年6月10日
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
2022/03/25 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
拝啓 寒さがひとしお身にしみるころとなりましたが、皆様いかがお過ごしでしょうか。 早いもので、もう師走、卒業論文の頃となりました。 本格的な冬将軍(添削地獄)の到来に、見も心も引き締まる思いがしていることと存じます。 さて、卒論の執筆を始める皆様にむけまして、いくつかの注意点をまとめました。 つきましては,ご拝読いただけますと幸いにございます。 師走の折、皆様おそろいで、穏やかな卒業を迎えられますようお祈り申し上げます。 敬具
卒論執筆・スライド作成のポイント
卒論執筆・スライド作成のポイント
Tsubasa Hirakawa
第6回 3D勉強会@関東 発表スライド https://3dvision.connpass.com/event/156241/
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
miyanegi
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
Recomendados
社内勉強会での講演資料
強化学習その1
強化学習その1
nishio
2017/12/11 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
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
SSII 2015 チュートリアル講演 「Deep Learningによる画像認識革命」 2015年6月10日
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
2022/03/25 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
[DL輪読会]Grokking: Generalization Beyond Overfitting on Small Algorithmic Datasets
Deep Learning JP
拝啓 寒さがひとしお身にしみるころとなりましたが、皆様いかがお過ごしでしょうか。 早いもので、もう師走、卒業論文の頃となりました。 本格的な冬将軍(添削地獄)の到来に、見も心も引き締まる思いがしていることと存じます。 さて、卒論の執筆を始める皆様にむけまして、いくつかの注意点をまとめました。 つきましては,ご拝読いただけますと幸いにございます。 師走の折、皆様おそろいで、穏やかな卒業を迎えられますようお祈り申し上げます。 敬具
卒論執筆・スライド作成のポイント
卒論執筆・スライド作成のポイント
Tsubasa Hirakawa
第6回 3D勉強会@関東 発表スライド https://3dvision.connpass.com/event/156241/
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
miyanegi
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
2020/09/10 12:00-(日本時間)に開催されたJPTA Tech Talk講演資料 https://www.meetup.com/ja-JP/JTPA-Japanese-Technology-Professionals-Association/events/272748322/ 深層学習がコンピュータビジョンの世界をどう変えたか
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)
Takuya Minagawa
2014年10月30日のPFIセミナーで話したRecurrent Neural Networksの話です。LSTMの解説と4つの応用の紹介を含みます(機械翻訳、簡単なPythonコードの実行、Neural Turing Machines、Visual Attention)。
Recurrent Neural Networks
Recurrent Neural Networks
Seiya Tokui
CVIM勉強会#11 1章バンドルアジャストメント 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。 http://xpaperchallenge.org/cv/
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜 6/11 (金) 9:30~10:40 講師:藤本 敬介 氏(ABEJA) 概要:Deep Learning(深層学習)では大量の良質なデータを学習することで、高い精度を発揮してきました。実問題にこれを適用させるためには、如何にして正しくデータを集めるかが重要な課題の一つとなっています。データを集める際に、質が悪いものや偏ったデータを集めてしまうと、適切にモデルを学習できません。本チュートリアルでは、大量の良質なデータを集めるための仕組みや手法、精度・速度面での改善方法、倫理や社会性バイアスに関して解説します。
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII
SSII2018 チュートリアル講演 TS3 6月15日(金) 9:00~10:20 (メインホール)
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
今回は Deep Unrolling(あるいは Deep Unfolding、Algorithm Unrolling)と呼ばれる解釈可能性の高いディープラーニング手法を紹介します。
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
Morpho, Inc.
最尤推定やベイズ推定の基本がようやく理解できたため,かみ砕いて説明したプレゼンを作りました.
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理 6/11 (金) 11:00 - 12:30 登壇者:中村 裕幸 氏(株式会社woodinfo) 概要:平成31年4月より森林経営管理制度が開始され、日本国土の約7割を占める森林に対し、第三者による伐採や保全等の施業代行が可能となった。施業地の適否、優先度、時期等を決定するため客観的な森林情報の生成が必要となった。ゾーニング及び施業管理のため、衛星やUAV、地上レーザによる空撮画像や点群を用い森林情報を生成し、森林経営管理制度の支援システムを構築し実施している。実施例と今後の課題を述べる。
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII
5分では分からなかったorz
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
NLP コロキウム https://nlp-colloquium-jp.github.io/ で発表した際のスライドです。 論文: https://arxiv.org/abs/2205.01954 GitHub: https://github.com/joisino/wordtour 概要 単語埋め込みは現代の自然言語処理の中核技術のひとつで、文書分類や類似度測定をはじめとして、さまざまな場面で使用されていることは知っての通りです。しかし、ふつう埋め込み先は何百という高次元であり、使用する時には多くの時間やメモリを消費するうえに、高次元埋め込みを視覚的に表現できないため解釈が難しいことが問題です。そこで本研究では、【一次元】の単語埋め込みを教師なしで得る方法を提案します。とはいえ、単語のあらゆる側面を一次元で捉えるのは不可能であるので、本研究ではまず単語埋め込みが満たすべき性質を健全性と完全性という二つに分解します。提案法の WordTour は、完全性はあきらめ、健全性のみを課すことで一次元埋め込みを可能にし、それでいて、全ての、とまでは言わないまでも、いくつかの応用において有用な一次元埋め込みを得ることに成功しました。
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
第16回汎用人工知能研究会
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
日本オペレーションズ・リサーチ学会「最適化の基盤とフロンティア」研究部会(http://dopal.cs.uec.ac.jp/okamotoy/woo/ 第4回 2015/11/28)の講演スライド(微修正版)
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化
Shunsuke Ono
2021/12/03 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
Deep Learning JP
最適輸送問題(Wasserstein 距離)を解く方法についてのさまざまなアプローチ・アルゴリズムを紹介します。 線形計画を使った定式化の基礎からはじめて、以下の五つのアルゴリズムを紹介します。 1. ネットワークシンプレックス法 2. ハンガリアン法 3. Sinkhorn アルゴリズム 4. ニューラルネットワークによる推定 5. スライス法 このスライドは第三回 0x-seminar https://sites.google.com/view/uda-0x-seminar/home/0x03 で使用したものです。自己完結するよう心がけたのでセミナーに参加していない人にも役立つスライドになっています。 『最適輸送の理論とアルゴリズム』好評発売中! https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-nojie-kifang
最適輸送の解き方
最適輸送の解き方
joisino
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのComputer Visionにおける躍進と 肥大化する計算資源 〜 6/10 (木) 14:00~14:30 講師:藤井 亮宏 氏(株式会社エクサウィザーズ) 概要: Vision Transformer (ViT) が2020年末に発表され、ImageNetの認識精度においてConvolutional Neural Networks (CNN) ベースのモデルをTransformerのみを使ったモデルが凌駕した。それによってTransformerがAlexNet以降画像系タスクを支配していたCNNに取って換わる可能性が高くなったが、ViTでは大量のデータと大規模な計算資源を必要とすることが障壁となっている。本チュートリアル」では、Computer vision (CV) 系のタスクでTransformerの用途とその成果、実活用の視点からCNNとTransformerの比較、今後Transformer x CVの展望、を議論する。 講師による公開場所: https://www.slideshare.net/exwzds/210610-ssiii2021-computer-vision-x-trasnformer
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
2017/12/12 強化学習アーキテクチャ勉強会の資料
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
いまさら聞けないVQVAEを実装レベルで学ぶ
実装レベルで学ぶVQVAE
実装レベルで学ぶVQVAE
ぱんいち すみもと
6/8 (水) 09:45~10:55メイン会場 講師:牛久 祥孝 氏 (オムロンサイニックエックス株式会社) 概要: 2017年に機械翻訳を対象として提案されたTransformerは、従来の畳込みや再帰を排して自己注意機構を活用したニューラルネットワークである。2019年頃からコンピュータビジョン分野でも急速に応用が進んでおり、より柔軟かつ高精度なネットワーク構造としての地位を確立しつつある。本チュートリアルでは、Transformerおよびその周辺のネットワーク構造について、コンピュータビジョンへの応用を中心とした最前線を概説する。
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
数学パワーが世界を変える2020発表資料
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
第13回 Zansa http://zansa.info/materials-13.html 独立成分分析 その概念と有用性について
121218 zansa13 for web
121218 zansa13 for web
Zansa
Structural engineering part 1
Structural engineering part 1
Structural engineering part 1
Min Kyaw Thu
Más contenido relacionado
La actualidad más candente
2020/09/10 12:00-(日本時間)に開催されたJPTA Tech Talk講演資料 https://www.meetup.com/ja-JP/JTPA-Japanese-Technology-Professionals-Association/events/272748322/ 深層学習がコンピュータビジョンの世界をどう変えたか
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)
Takuya Minagawa
2014年10月30日のPFIセミナーで話したRecurrent Neural Networksの話です。LSTMの解説と4つの応用の紹介を含みます(機械翻訳、簡単なPythonコードの実行、Neural Turing Machines、Visual Attention)。
Recurrent Neural Networks
Recurrent Neural Networks
Seiya Tokui
CVIM勉強会#11 1章バンドルアジャストメント 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
sleepy_yoshi
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。 http://xpaperchallenge.org/cv/
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
cvpaper. challenge
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜 6/11 (金) 9:30~10:40 講師:藤本 敬介 氏(ABEJA) 概要:Deep Learning(深層学習)では大量の良質なデータを学習することで、高い精度を発揮してきました。実問題にこれを適用させるためには、如何にして正しくデータを集めるかが重要な課題の一つとなっています。データを集める際に、質が悪いものや偏ったデータを集めてしまうと、適切にモデルを学習できません。本チュートリアルでは、大量の良質なデータを集めるための仕組みや手法、精度・速度面での改善方法、倫理や社会性バイアスに関して解説します。
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII
SSII2018 チュートリアル講演 TS3 6月15日(金) 9:00~10:20 (メインホール)
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
今回は Deep Unrolling(あるいは Deep Unfolding、Algorithm Unrolling)と呼ばれる解釈可能性の高いディープラーニング手法を紹介します。
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
Morpho, Inc.
最尤推定やベイズ推定の基本がようやく理解できたため,かみ砕いて説明したプレゼンを作りました.
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理 6/11 (金) 11:00 - 12:30 登壇者:中村 裕幸 氏(株式会社woodinfo) 概要:平成31年4月より森林経営管理制度が開始され、日本国土の約7割を占める森林に対し、第三者による伐採や保全等の施業代行が可能となった。施業地の適否、優先度、時期等を決定するため客観的な森林情報の生成が必要となった。ゾーニング及び施業管理のため、衛星やUAV、地上レーザによる空撮画像や点群を用い森林情報を生成し、森林経営管理制度の支援システムを構築し実施している。実施例と今後の課題を述べる。
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII
5分では分からなかったorz
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
NLP コロキウム https://nlp-colloquium-jp.github.io/ で発表した際のスライドです。 論文: https://arxiv.org/abs/2205.01954 GitHub: https://github.com/joisino/wordtour 概要 単語埋め込みは現代の自然言語処理の中核技術のひとつで、文書分類や類似度測定をはじめとして、さまざまな場面で使用されていることは知っての通りです。しかし、ふつう埋め込み先は何百という高次元であり、使用する時には多くの時間やメモリを消費するうえに、高次元埋め込みを視覚的に表現できないため解釈が難しいことが問題です。そこで本研究では、【一次元】の単語埋め込みを教師なしで得る方法を提案します。とはいえ、単語のあらゆる側面を一次元で捉えるのは不可能であるので、本研究ではまず単語埋め込みが満たすべき性質を健全性と完全性という二つに分解します。提案法の WordTour は、完全性はあきらめ、健全性のみを課すことで一次元埋め込みを可能にし、それでいて、全ての、とまでは言わないまでも、いくつかの応用において有用な一次元埋め込みを得ることに成功しました。
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
joisino
第16回汎用人工知能研究会
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
Masahiro Suzuki
日本オペレーションズ・リサーチ学会「最適化の基盤とフロンティア」研究部会(http://dopal.cs.uec.ac.jp/okamotoy/woo/ 第4回 2015/11/28)の講演スライド(微修正版)
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化
Shunsuke Ono
2021/12/03 Deep Learning JP: http://deeplearning.jp/seminar-2/
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
Deep Learning JP
最適輸送問題(Wasserstein 距離)を解く方法についてのさまざまなアプローチ・アルゴリズムを紹介します。 線形計画を使った定式化の基礎からはじめて、以下の五つのアルゴリズムを紹介します。 1. ネットワークシンプレックス法 2. ハンガリアン法 3. Sinkhorn アルゴリズム 4. ニューラルネットワークによる推定 5. スライス法 このスライドは第三回 0x-seminar https://sites.google.com/view/uda-0x-seminar/home/0x03 で使用したものです。自己完結するよう心がけたのでセミナーに参加していない人にも役立つスライドになっています。 『最適輸送の理論とアルゴリズム』好評発売中! https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https://speakerdeck.com/joisino/zui-shi-shu-song-nojie-kifang
最適輸送の解き方
最適輸送の解き方
joisino
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのComputer Visionにおける躍進と 肥大化する計算資源 〜 6/10 (木) 14:00~14:30 講師:藤井 亮宏 氏(株式会社エクサウィザーズ) 概要: Vision Transformer (ViT) が2020年末に発表され、ImageNetの認識精度においてConvolutional Neural Networks (CNN) ベースのモデルをTransformerのみを使ったモデルが凌駕した。それによってTransformerがAlexNet以降画像系タスクを支配していたCNNに取って換わる可能性が高くなったが、ViTでは大量のデータと大規模な計算資源を必要とすることが障壁となっている。本チュートリアル」では、Computer vision (CV) 系のタスクでTransformerの用途とその成果、実活用の視点からCNNとTransformerの比較、今後Transformer x CVの展望、を議論する。 講師による公開場所: https://www.slideshare.net/exwzds/210610-ssiii2021-computer-vision-x-trasnformer
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
2017/12/12 強化学習アーキテクチャ勉強会の資料
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
いまさら聞けないVQVAEを実装レベルで学ぶ
実装レベルで学ぶVQVAE
実装レベルで学ぶVQVAE
ぱんいち すみもと
6/8 (水) 09:45~10:55メイン会場 講師:牛久 祥孝 氏 (オムロンサイニックエックス株式会社) 概要: 2017年に機械翻訳を対象として提案されたTransformerは、従来の畳込みや再帰を排して自己注意機構を活用したニューラルネットワークである。2019年頃からコンピュータビジョン分野でも急速に応用が進んでおり、より柔軟かつ高精度なネットワーク構造としての地位を確立しつつある。本チュートリアルでは、Transformerおよびその周辺のネットワーク構造について、コンピュータビジョンへの応用を中心とした最前線を概説する。
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
数学パワーが世界を変える2020発表資料
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
La actualidad más candente
(20)
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)
Recurrent Neural Networks
Recurrent Neural Networks
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
Word Tour: One-dimensional Word Embeddings via the Traveling Salesman Problem...
深層生成モデルと世界モデル(2020/11/20版)
深層生成モデルと世界モデル(2020/11/20版)
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
最適輸送の解き方
最適輸送の解き方
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
GAN(と強化学習との関係)
GAN(と強化学習との関係)
実装レベルで学ぶVQVAE
実装レベルで学ぶVQVAE
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Destacado
第13回 Zansa http://zansa.info/materials-13.html 独立成分分析 その概念と有用性について
121218 zansa13 for web
121218 zansa13 for web
Zansa
Structural engineering part 1
Structural engineering part 1
Structural engineering part 1
Min Kyaw Thu
This presentation summarizes a study of the relative bikeability of three paths on the Shasta College campus.
Shasta college bikeability study
Shasta college bikeability study
Melvin Shuster
GIS Resume_Portfolio_MS
GIS Resume_Portfolio_MS
Melvin Shuster
Dịch vụ của W360s corp Năm 2016
W360 s presentation2016
W360 s presentation2016
W360S CORP
PTSA Meeting August 20, 2015
Ptsa mtg 8 20 15
Ptsa mtg 8 20 15
pudongptsa
This power point describes the Bear Creek sampling program.
Bear creek sampling program
Bear creek sampling program
Melvin Shuster
Youth Survey Results
Youth Survey Results
Melvin Shuster
RENACIMIENTO
Renacimiento
Renacimiento
milagros blanco
Oberoi Eternia And Enigma Enigma and Eternia is located in LBS Marg in Mulund west close to Johnson and Johnson Company. The project is just walk able distance from Mulund station. The project is strategically located and offers east access to other parts of Mumbai and its suburbs. Enigma and Eternia by Oberoi group offers exclusive lifestyle to Mulund landscape. Oberoi offers private clubhouse, jogging track, café and much more.
Oberoi Eternia & Enigma
Oberoi Eternia & Enigma
grassrootproperties
ĐOÀN KẾT LÀ SỨC MẠNH: câu châm ngôn này không bao giờ cũ, nó luôn đúng và mãi là chân lý
Suc Manh Cua Su Doan Ket
Suc Manh Cua Su Doan Ket
W360S CORP
Tahir cv
Tahir cv
Muhammad Tahir Raza
PF Strategic Leadershp Introductory pages (1)
PF Strategic Leadershp Introductory pages (1)
John Terhune
The Economics of Putting People First-White Paper-Final
The Economics of Putting People First-White Paper-Final
John Terhune
自分がもっと早くに読んでおけば更にhappyになっていたかもしれない本の紹介
20150116_techwomen
20150116_techwomen
amico8
Runwal My City..My Desire Presenting MyCity - the first city, ever, to be built on what you wanted and desired, instead of simply architectural plans and blueprints. It isn’t being built on promises or for a profit; but to inspire a lifestyle that you have always wished for and dreamt about, for long.
Runwal My City...My Desire Prelaunched In Dombivali
Runwal My City...My Desire Prelaunched In Dombivali
grassrootproperties
Rooks Approach to Leadership
Rooks Approach to Leadership
Pete Rooks
.
Photoshoot 2
Photoshoot 2
EmilyCollins7
"Agritourism - source of income in the rural”
Cojocaru adriana cristina,grupa 8218,imapa
Cojocaru adriana cristina,grupa 8218,imapa
Adrianna Adda
Structural Engineering part 2
Structural Engineering part 2
Structural Engineering part 2
Min Kyaw Thu
Destacado
(20)
121218 zansa13 for web
121218 zansa13 for web
Structural engineering part 1
Structural engineering part 1
Shasta college bikeability study
Shasta college bikeability study
GIS Resume_Portfolio_MS
GIS Resume_Portfolio_MS
W360 s presentation2016
W360 s presentation2016
Ptsa mtg 8 20 15
Ptsa mtg 8 20 15
Bear creek sampling program
Bear creek sampling program
Youth Survey Results
Youth Survey Results
Renacimiento
Renacimiento
Oberoi Eternia & Enigma
Oberoi Eternia & Enigma
Suc Manh Cua Su Doan Ket
Suc Manh Cua Su Doan Ket
Tahir cv
Tahir cv
PF Strategic Leadershp Introductory pages (1)
PF Strategic Leadershp Introductory pages (1)
The Economics of Putting People First-White Paper-Final
The Economics of Putting People First-White Paper-Final
20150116_techwomen
20150116_techwomen
Runwal My City...My Desire Prelaunched In Dombivali
Runwal My City...My Desire Prelaunched In Dombivali
Rooks Approach to Leadership
Rooks Approach to Leadership
Photoshoot 2
Photoshoot 2
Cojocaru adriana cristina,grupa 8218,imapa
Cojocaru adriana cristina,grupa 8218,imapa
Structural Engineering part 2
Structural Engineering part 2
深層学習オートエンコーダー
1.
MLP深層学習 自己符号化器 後半 曽和 修平
2.
前提知識 [対角行列] 対角成分以外が0の正方行列 [対称行列] 自身の転置行列と一致するような正方行列 [共分散行列] 対角成分に分散、それ以外の部分に共分散が並ぶ行列
3.
前提知識(2) [直交行列] 転置行列と逆行列が等しくなる正方行列 AT A = AAT =
I が成り立つ [固有値,固有ベクトル] 正方行列Aに対して が成り立つ時xを固有ベクトル,λを固有値という 固有ベクトルはあるベクトルAの方向は変えず大きさだけ変 えるような線形変換を施すベクトル 固有値はその変換倍率を表している
4.
白色化
5.
白色化とは • 成分間の相関をなくす処理 • 自己符号化器が良い特徴を学習できるかどうかに大き く影響する可能性
6.
成分間の相関をなくすとは?(1) • 特徴量としてテストの点数 (国語,算数,理科,社会,英語)をとるとする 国語の点数が高い人は英語の点数も高い傾向がある 相関あり 白色化は任意の2成分間で相関をなくす処理
7.
成分間の相関をなくすとは?(2) • 任意の2成分間で相関を0に • 共分散行列の非対角成分を全て0にする 1成分と3成分間の分散
8.
具体的な考え方 • 考え方 データに対してある線形変換Pを施す 施した後のデータの共分散行列の非対角成分が0に なっている このような変換行列Pを見つけ出せば良い
9.
線形変換Pの導出(1) • ここまでを数式化する ・データXの共分散行列 (データは各成分の平均値を引いた状態) ・線形変換Pを施した後のデータu ・線形変換Pを施した後のデータの共分散行列
10.
線形変換Pの導出(2) • ΦU が対角行列に成ることが目標 •
ここで、目標とする対角行列をI(=単位行列)にする 変換には を用いている
11.
線形変換Pの導出(3) • ΦXは固有ベクトルの定義に従って下記に分解できる 固有ベクトルの定義 E・・固有ベクトルを列ベクトルに持つ行列 D・・固有値を対角に並べた対角行列 E−1 AE =
D Aが対称行列,エルミート行列の時Eは直交行列 になることが知られている Φxは対称行列なので、Eは直交行列
12.
線形変換Pの導出(4) PT P = Φ−1 XΦ−1 X
= ED−1 ET と を用いて の逆行列を求める Qは任意のPと同じサイズの直交行列 Qの任意性の分だけPは無数に存在 対称行列の逆行列も対称行列 よって、Pは対称行列なので P P^t = P^2 Pt P = ED−1 ET , P2 = ED−1 ET , P = ED−1/2 ET
13.
線形変換Pの例 ・PCA白色化 共分散行列の固有ベクトルを用いる事から 主成分分析と似ているためこう呼ばれる Q = I ・ZCA白色化 Pが対称行列になっていることから、 ゼロ位相白色化(ZCA白色化)とよぶ。 Q
= E
14.
PCA白色化とZCA白色化の違い ・以下はPCA白色化とZCA白色化のPの行ベクトルを画像化し たもの (引用)http://stats.stackexchange.com/questions/117427/what-is-the-difference-between-zca-whitening-and-pca-whitening (ZCA) フィルタ部分とその他の部分の画素の 差を強調するようになっている (オンセンタと呼ばれる) (PCA) 高周波成分を強調するようになっている。 元画像とは全く違う見た目になる。
15.
PCA白色化とZCA白色化の違い PCA白色化 ZCA白色化 元画像
16.
ディープネットの事前学習
17.
概要 • 勾配消失問題のため多層の順伝搬型ネットワークは学 習が難しい • 順伝搬型ネットワークでは学習開始時の重みはランダム で初期化 •
学習開始時の重みをもっと良い値で初期化してやれば 学習がうまくいく(経験則) =積層自己符号化器
18.
積層型自己符号化器の構築 W 2 W 3 W 4 この多層順伝播型ネットワークの重みを事前学習する
19.
積層型自己符号化器の構築(2) (1)1層ずつに分割し、それぞれを自己符号化器とみなして 教師なし学習を行う W 2 W 3 W 4 Z 2 Z 3 Z 4 ここで得られる重みW2~4とバイアスb2~4が初期値となる
20.
積層型自己符号化器の構築(3) W 2 in (補足) out この層が次のネットワークの 入力 自己符号化器に分割した状態 W’ 2
21.
積層型自己符号化器の構築(4) (2)学習した重みW2~W4とバイアスb2~b4に初期化した ネットワークを構築する ただし、最後にランダムに初期化した層を1層追加する W 2 W 3 W 4 W 5
22.
その他の自己符号化器
23.
その他の自己符号化器 • 多層自己符号化器 これまでの自己符号化器は単層であったが、それを 多層にしたもの 勾配消失問題のリスクが伴う • デノイジング自己符号化器 学習に確率的な要素を取り入れ性能を向上したもの
24.
多層自己符号化器 W W’ 単層 W 2 W 3 W’ 3 W’ 2 多層
25.
デノイジング自己符号化器 ・ノイズを除去する能力を備えた特徴を得る事が期待できる ・ネットワークの構築方法は全く同じ ・入力と出力(教師)のデータにノイズを加える ・誤差関数を復号化したx’と元のサンプルxの差にする
26.
デノイジング自己符号化器 (出力) ・活性化関数が恒等写像なら (誤差関数) ・シグモイド関数なら ˆx(ˆx) = ˆf(
ˆWf(W ˆx + b) + ˆb) 二乗誤差 交差エントロピー ||ˆx(ˆx) − x||2 C(ˆx(ˆx), x)
27.
ノイズの例 ・ガウシアンノイズ 平均x,分散σ^2のガウス分布に従う値を加算する ・マスク状のノイズ 適当な割合で要素をランダムに選出し,0にする ・ソルト&ペッパーノイズ 適当な割合で要素をランダムに選出し,上限値or下限値 どちらかにランダムでする
Descargar ahora