・人工知能(機械学習)を用いて、動画に写る野生ニホンザルを認識し、追跡をするプログラムを開発した。 ・従来の研究で課題となっていた、角度や照明条件、遮蔽物の有無などの変化が大きい野生場面でも、高い精度で個体追跡ができるようになった。 ・本研究成果と個体識別プログラムを組み合わせることで、一般の人がサル研究者と同じようにサルの個性を「見る」ことができる装置の開発を進めている。 大阪大学大学院人間科学研究科の上野将敬助教、山田一憲講師、岐阜大学工学部の寺田和憲准教授、林英誉氏、加畑亮輔氏らによる研究グループは、人工知能(機械学習)を用いて、動画に写る野生ニホンザルを認識し、その個体を追跡するプログラムを開発しました。
An overview of gradient descent optimization algorithms Gradient descent is the preferred way to optimize neural networks and many other machine learning algorithms but is often used as a black box. This post explores how many of the most popular gradient-based optimization algorithms such as Momentum, Adagrad, and Adam actually work. This post explores how many of the most popular gradient-based
機械学習の目標は、有限の訓練データからルールや知識を獲得し、(同じ分布からサンプリングされる)訓練データには含まれないが、訓練データと同様の性質をもつ未知のデータに対してもうまく推論できるようなモデルを獲得することである。この能力を汎化能力と呼ぶ。 一般に学習は訓練データZ={zi}Ni=1が与えられた時、訓練データに対する損失関数l(z,f)の和を最小にするような関数fを求めることで実現する。 データがどのような分布から生成されているかは未知のため、汎化誤差も未知である。訓練データとは別に用意した正解の分かっている開発用データセットを使って汎化誤差を推定することは行われる。関数fは訓練誤差を最小にするように最適化されているため、一般に訓練誤差は汎化誤差よりも小さくなる。 訓練誤差が小さく汎化誤差が大きい場合が過学習 一般に関数の表現力を大きくすると訓練誤差を小さくできるが、汎化誤差が大き
News¶ 2019/12/06: 講義資料Ver 1.1を公開(2019年度版) 2018/12/17: 講義資料Ver 1.0を公開(2018年度版) 本講義資料について¶ 本ページは 日本メディカルAI学会公認資格:メディカルAI専門コースのオンライン講義資料(以下本資料) です. 本講料を読むことで,医療で人工知能技術を使う際に最低限必要な知識や実践方法を学ぶことができます.本資料は全てGoogle Colaboratoryというサービスを用いて執筆されており,各章はJupyter notebook (iPython notebook)の形式(.ipynb)で以下のリポジトリにて配布されています(notebooksディレクトリ以下に全ての.ipynbファイルが入っています): japan-medical-ai/medical-ai-course-materials 想定受講者¶ 受
Where do you start? The code is freely available and easy to install in a few clicks with Anaconda (and pypi). Please see instructions here. We also provide a very easy to use GUI interface, and a step-by-step user guide! DeepLabCut™ is an efficient method for 2D and 3D markerless pose estimation based on transfer learning with deep neural networks that achieves excellent results (i.e. you can mat
西川善司の3DGE:囲碁でトッププロに勝利したDeepMindのAIは,「StarCraft II」でも人間に勝てるか? ライター:西川善司 北米時間2018年3月26〜29日の会期で開催されたGPU Technology Conference 2018(以下,GTC 2018)では,とにかく機械学習ベースの人工知能(Artificial Intelligence,以下 AI)に関するセッションが多かった。 GTC 2018で支配的だったのは自動運転関連だが,機械学習ベースのAIをゲームに応用するセッションもいくつかあり,なかでも個人的に興味を惹かれたのとしては,DeepMindによるセッション「StarCraft II as an Environment for Artificial Intelligence Research」(AI研究開発環境としてのStarCraft II)が挙げら
Googleが研究の一環で提供しているColaboratoryを試してみました。 Jupyterと同じようなGUIでPythonのプログラムを実行可能で、GPUも使えます。 Jupyterと同様に、先頭に「!」を書くことで、Linuxのコマンドを実行可能であり、「!pip」「!conda」「!apt-get」などで機能を追加できます。 実行結果をファイルシステム上に保管でき、共有リンクを使って取り出せます。 ただし、12時間経過すると強制終了されて、ファイルは失われます。 しかし、Notebookが動いている仮想マシンにGoogleドライブをマウント可能であり、これにより、実行結果をGoogleドライブ上のファイルとして保管できます。 Deep Learningでは、途中の状態をファイルに保管して、そこからResumeできるようにプログラムを書くことが多いので、12時間で一度強制終了しても
新たな教育プログラム「DL4US」が開始しています。 2019年5月に、松尾研究室の新たなディープラーニングの無料教材「DL4US」が公開されています。「Deep Learning基礎講座演習コンテンツ」のバージョンアップ版の位置付けなので、今から学習する方はこちらに取り組んだ方が良いかと思います。 Dockerを使った環境構築方法を紹介している記事を書いたので、もし良ければ以下記事参照下さい。 Deep Learning基礎講座演習コンテンツが無料公開 以下のようなサイトが無料公開されていました。 学習に自由に使用してよいとのことです。ただ、肝心の使用方法が詳しく書いてないので、初心者には環境構築が厳しく、簡単に環境構築できる人にとっては、知っている内容のところが多い気がして、内容が良いだけにもったいなと感じました。 そこで、ちょっと初心者向けに環境構築の補足をしてみたいと思います。 そ
TensorFlowは計算グラフを内部で構築するための、型を指定しなければならないときがあります。本記事では、TensorFlowのTensor型に指定することのできるdtypeの種類をまとめました。
How It Works Prior detection systems repurpose classifiers or localizers to perform detection. They apply the model to an image at multiple locations and scales. High scoring regions of the image are considered detections. We use a totally different approach. We apply a single neural network to the full image. This network divides the image into regions and predicts bounding boxes and probabilitie
Adversarial PoseNet: A Structure-aware Convolutional Network for Human Pose Estimation https://arxiv.org/abs/1705.00389 関連研究 姿勢推定ではDCNN(Deep Convolutional Neural Nets)でheatmapを回帰する手法が一般的 しかし、以下の場合では現実ではあり得ない姿勢を出力してしまうことがある 部位のocclusionが大きいとき(以下の画像参照) 背景と部位の類似度が高いとき これを避けるには人体の関節構造についての事前情報が必要。 でも人体の幾何的制約をDCNNに入れ込むのは難しい Adversarial PoseNet 姿勢推定した結果が「人体として尤もらしいか」をimplicitに学習させるために、GANの枠組みを利用。 通常GANで
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields arXiv:https://arxiv.org/abs/1611.08050 概要 CNNの組合せで画像内の人物姿勢を検知を達成 NP-hard問題をrelaxationを設けて解く top-downアプローチ(人を検知→検知した人それぞれの姿勢検知)ではなく, bottom-upアプローチ.実時間処理可能. COCO 2016 keypoints challengeとMPII Multi Person benchmarkで好成績を出した Intro 画像に映る人物の姿勢推定の難しさ 人の数,スケール,位置が不定であること 人同士の接触,オクルージョンにより複数人の干渉 人数によって計算量が大きくなること 従来手法は人の検知を行い,その後で個人の姿勢推定を
皆様お久しぶりです。 今回から深層学習(ディープラーニング)フレームワークのcaffeの環境構築使い方について解説していこうと思います。 インストールに難ありと言われるcaffeに対して、AWSでインスタンスを立てる所から、 cuDNNでのコンパイル、pycaffe等の使用方法、出来ればDIGITSまで話せると良いなと思っています。 理論的なところに触れる予定は一切ありません。その辺りが気になる方は以下をご参照下さい。 www.amazon.co.jp Deep Learningと画像認識� �~歴史・理論・実践~ from nlab_utokyo www.slideshare.net Deep learning実装の基礎と実践 from Seiya Tokui www.slideshare.net Deep Learning技術の今 from Seiya Tokui www.slides
#nvcc_ARCH += -gencode=arch=compute_75,code=\"sm_75,compute_75\" #nvcc_ARCH += -gencode=arch=compute_61,code=\"sm_61,compute_61\" nvcc_ARCH += -gencode=arch=compute_52,code=\"sm_52,compute_52\" #nvcc_ARCH += -gencode=arch=compute_50,code=\"sm_50,compute_50\" #nvcc_ARCH += -gencode=arch=compute_35,code=\"sm_35,compute_35\" #nvcc_ARCH += -gencode=arch=compute_30,code=\"sm_30,compute_30\" #nvcc_ARCH
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く