再帰型ニューラルネットワークの「基礎の基礎」を理解する ～ディープラーニング入門｜第3回 - アイマガジン｜i Magazine｜IS magazine
前回は、ディープラーニングの中でも、とくに画像認識で利用される畳み込みネットワークを取り上げた。画像認識はディープラーニングの応用分野として、最も研究が盛んで、適用事例も多いエリアである。しかし、そのほかの分野でもさまざまな形での応用が進められており、そこでは畳み込みネットワーク以外の手法が利用されることも多い。 今回は、それらの中から「再帰型ニューラルネットワーク」と呼ばれる手法を取り上げて解説する。 ある時刻の値は、以前の 時刻の変化の延長上にある 再帰型ニューラルネットワーク（Recurrent Neural Network：以下、RNN）は、ニューラルネットワークを拡張して時系列データを扱えるようにしたものである。ここで言う時系列データとは、ある時間の経過とともに値が変化していくようなデータを指し、店舗の日次売上データやホームページのアクセス数履歴、工場設備のセンサデータなど、多種
目次。 目次。 はじめに。 読んだ論文。 題名。 著者。 量子ニューラルネットワーク。 ユニタリ変換を積み重ねるだけでは、厳密には、ニューラルネットワークとは言えない。 誤差関数（目的関数）。 誤差関数の偏微分を量子回路で求める。 最急降下法。 さいごに。 この文章を読んで、面白い！役に立った！...と思った分だけ、投げ銭していただけると嬉しいです。 ofuse.me 【宣伝】ギターも歌も下手だけど、弾き語りをやっているので、よければ聴いてください。 www.youtube.com はじめに。 2022年のノーベル物理学賞は、「量子もつれ光子対を用いた、ベルの不等式の破れの実験的検証。ならびに量子情報科学の開拓」だった。量子情報科学分野のノーベル賞受賞は、初めてのことなので、それに触発されて、何かしら量子情報科学関連の文章を書くことにした。 以前から、量子敵対的生成ネットワークを解説する文
【ディープラーニング自由研究】LSTM+Transformer モデルによるテキスト生成｜tanikawa
Abstract• Transformer モデルをテキスト生成タスクで使用する場合、計算コストに難がある • 計算コストを抑えつつ Transformer の予測性能を活かすために、Positional Encoding を LSTM に置き換えた LSTM+Transformer モデルを考案 • 生成にかかる時間を Transformer の約 1/3（CPU 実行時）に抑えることができた はじめにTransformer は現在の自然言語処理分野における代表的な深層学習モデルの1つです。さまざまなベンチマークを総なめにした Google の BERT とその派生系 (XLNet, ALBERT, etc.) や、OpenAI の GPT-2 など、最近の研究のベースにあるのが Transformer です。 Transformer の特徴として、LSTM などの従来の RNN にあっ
f(x_1 ,\cdots ,x_k ;n,p_1 ,\cdots ,p_k )=\begin{cases} \dfrac{n!}{x_1 !\cdots x_k !} p_1^{x_1} \cdots p_k^{x_k} &\text{when } \sum_{i=1}^k x_i =n \\[1ex] 0 &\mbox{上記以外} \end{cases} 条件付き確率 $$ \operatorname{P}(A\mid B)=\frac{\operatorname{P}(A \cap B)}{\operatorname{P}(B)} $$ $$ \operatorname{P}(A \cap B)= \operatorname{P}(B)\operatorname{P}(A\mid B) = \operatorname{P}(A)\operatorname{P}(B\mid A) $$
【深層学習】Attention - 全領域に応用され最高精度を叩き出す注意機構の仕組み【ディープラーニングの世界 vol. 24】#095 #VRアカデミア #DeepLearning
▼テーマ Transformer や BERT で爆発的な利用を獲得した Attention の祖となるネットワーク RNNsearch について解説します。 Attention は自然言語で GPT-3 の化け物的な精度を出したのみならず、画像や生成モデルなど、超広い領域に応用されています。 今の Deep Learning を語る上では外せない要素！ 要チェック！ ▼関連プレイリスト Deep Learning の世界 https://www.youtube.com/playlist?list=PLhDAH9aTfnxKXf__soUoAEOrbLAOnVHCP 自然言語処理シリーズ https://www.youtube.com/playlist?list=PLhDAH9aTfnxL4XdCRjUCC0_flR00A6tJR ▼目次 (後で追加します。暫くお待ちください)
「ディープラーニング開発標準契約書」の公表に関するお知らせ
ディープラーニングを中心とする技術による日本の産業競争力の向上を目指す「日本ディープラーニング協会」（理事長：松尾 豊 東京大学大学院工学系研究科 教授、英称：Japan Deep Learning Association、以下JDLA）は、「ディープラーニング開発標準契約書」（以下、本契約書）を策定し、2019年9月6日公表いたしましたので、お知らせいたします。 現在も進化を続けるディープラーニング技術は、多くの可能性を社会にもたらし、新たな付加価値の創出や社会課題の解決が期待される技術であり、様々なビジネスでの活用、社会実装に向けた開発・検討が進みつつあり、その開発を担うスタートアップと業務の委託者である大企業との間で多くの議論がなされています。ビジネス面で新たなアイディア・検討が活発化する一方で、その契約においては、当事者間の契約実務に関する経験・スキル、ディープラーニングに関する認
M1 Macでディープラーニングしてみる M1 MacBook Airに一通り開発環境をセットアップしました。 ただ、ディープラーニング関係はセットアップできていなかったので、とりあえずTensorFlowを入れて、色々AI関係のソフト動かして遊んでみました。一通り動いてそれなりに遊べたのですが、色々ハマったことで知見も得られたので簡単にまとめておきます。 まず、分かったことは以下です。 M1 MacでもTensorFlowは普通に使える PyenvとかHomebrewで入れたPythonは使わない（消した）方が良い MiniForgeがtensorflow-macosを入れられる上に関連パッケージも比較的インストールできてよい（公式の方法だとpipがまだOpenCVとかに対応していない） M1 MacBook AirでiMac(3.6GHz クアッドコア Intel Core i7）相当
機械学習、ディープラーニングを行おうとするとPython一択というイメージがあります。たしかにフレームワークが豊富で、情報も数多いので一番手軽な選択肢に思えます。 しかし、ほかのプログラミング言語でもディープラーニング用のフレームワークが増えてきています。今回はそれらを言語別にまとめて紹介します。 JavaScript TensorFlow.js TensorFlow.js | JavaScript デベロッパー向けの機械学習 PythonのTensorFlowをJavaScriptにポーティングしたフレームワークになります。Pythonで作成したモデルを変換して利用できます。 Keras-js keras-team/keras: Deep Learning for humans KerasはTheano、TensorFlowが扱えるディープラーニング用ライブラリで、Keras-jsはその
第3次AI（人工知能）ブームをけん引してきたディープラーニング（深層学習）。その先駆者で“ディープラーニングの父”とも称されるのが40年以上も前にディープラーニングの原型といえる「ネオコグニトロン」を考案した福島邦彦氏である。ネオコグニトロンは学習機能を備えた多層の神経回路モデルであり、ディープラーニングの一種で広く利用されている「畳み込みニューラルネットワーク（CNN）」に大きな影響を与えた。 今もネオコグニトロンの改良を続ける福島氏に、ネオコグニトロンの仕組みや考案したきっかけ、改良点などを聞いた。インタビューには東京大学の松原仁 次世代知能科学研究センター教授が同席。AI研究者の立場から、ネオコグニトロンの意義や日本で同種の研究が広まらなかった理由を解説してもらった。 この前編では、福島氏による解説を主にお伝えする。 2021年4月に福島さんが、世界的な学術賞である「バウワー賞」（主
【深層学習】Transformer - Multi-Head Attentionを理解してやろうじゃないの【ディープラーニングの世界vol.28】#106 #VRアカデミア #DeepLearning
Transformer のモデル構造とその数理を完全に解説しました。このレベルの解説は他にないんじゃないかってくらい話しました。 結局行列と内積しか使ってないんですよ。すごくないですか？ ※行列の転値は、「左上に小文字の t 」という文化で生きています。 ☆お知らせ☆ AIcia Solid Project 公式HPが出来ました！！！ https://sites.google.com/view/aicia-official/top HPでは私たちや動画コンテンツの紹介、板書データの公開などをしています。是非ご活用ください！！ ▼関連動画 忙しい人向けはこちら → https://www.youtube.com/watch?v=FFoLqib6u-0 Multi-Head Attention は 15:27 から！ Deep Learning の世界 https://www.yout
Jetson Nano TIPSまとめのページが大きくなってきたので、ディープラーニング関連の項目を切り出してまとめました。 TensorFlowのセットアップ方法 公式の方法は以下です。 Jetson NanoへのTensorFlowセットアップ方法（公式） ただし、少し煩雑なのと現時点（2019/05/12）でいくつか問題点があるため、問題点を回避しつつ自動でセットアップするスクリプトを作成しました。以下コマンドで（比較的）楽々セットアップできます。 $ git clone https://github.com/karaage0703/jetson-nano-tools $ cd jetson-nano-tools $ ./install-tensorflow.sh
人工低能のディープラーニングのお時間です
昨日は休んでしまい申し訳ありませんでした。人工低能のディープラーニングでライフハックのお時間です。 ケンタッキーで安めのセットをテイクアウトして、そのあとコンビニでファミチキなどのホットスナックを買って箱にいれると、 全部がケンタッキーになる。 いかがでしたか？ よろしければチャンネル登録、トラバ、ブクマ、Facebookシェアお願いします。
NECは2019年8月19日、ディープラーニングの学習に必要なデータ量を削減する新たな技術を開発したと発表した。同技術は画像や音声などデータ形式によらず適応でき、学習データセットの拡張を専門家による調整なしに実現するとしている。 製品の外観検査など、製造業においてもディープラーニング活用が進む。ディープラーニングの推論精度は学習用データセットの質と規模に依存するが、高品位なデータセットの用意は手間やコスト面で高いハードルが存在する。外観検査の例においても不良品の画像データを多数そろえる必要があるが、そもそも発生頻度の低い不良でデータ収集が困難な場合が多い。この問題を解決するため、他領域で学習したニューラルネットワークを転用する「転移学習」や、元の学習データを人為的に加工し学習用データセットへ加える「データ拡張」などの手法に注目が集まっている。 一方で、データ拡張は専門家による調整を必要とす
ディープラーニングG検定 試験対策講座
日本ディープラーニング協会が実施する、ディープラーニングを事業に活かす人のための「G検定（ジェネラリスト検定）」の試験対策講座です。同検定のシラバスの作成者のひとりであり、GunosyやREADYFORの創業メンバーとしてエンジニアを経験してきた業界の第一人者、巣籠悠輔氏が全8回で講義します。合格するために押さえるべきポイントを学びます。（第1回はどなたでも閲覧可能です） ディープラーニングG検定対策１ 人工知能とは？ ディープラーニングG検定 試験対策講座の第1回は、ディープラーニングの基礎知識について学びます。人工知能をめぐる動向、人工知能分野で何が問題になっているのか、について試験対策で押さえておくべきポイントを含めて巣籠氏が解説します。
東京大学の本橋優俊大学院生と宇宙航空研究開発機構（ＪＡＸＡ）宇宙科学研究所の久保田孝教授らは、惑星向けローバー（探査車）が自己位置を測る手法を自動で切り替える技術を開発した。深層学習（ディープラーニング）でタイヤが滑りやすい地形か、画像的な特徴のない地形かを判別する。人間がローバーからの映像を見て位置計測の方法を選ぶ頻度を減らせる。 ローバーは自機の位置や走行軌跡を求めるために２種類の手法を取る。タイヤの回転数から計測する場合は、砂地や斜面などで空転が発生して距離が分からなくなるケースがある。一方、周辺映像から画像的な特徴点を抽出して三角測量で自己位置を計算する手法では、平地など特徴が少ない地形で位置を見失う課題があった。 そこでスリップしやすい地形か、画像的に特徴点を取れる地形なのかを深層学習で判別する。スリップしやすい地形と特徴点の多い地形、特徴点の少ない地形の判別精度は８５％。スリッ
※ 継続的に更新のため移設しました。 はじめに ディープラーニングG検定に向けた情報整理を行う。 JDLA Deep Learning for GENERAL 2019 #3 構成はシラバスに従い、該当項目には「📘」を付す。 JDLA Deep Learning for GENERAL 2019 #3 シラバス 参考図書 ディープラーニング G検定(ジェネラリスト) 公式テキスト 【参考】模擬テスト Study-AI G検定 模擬テスト 注意事項！ 自分自身の知識の確認と整理を目的に作成しています。 テスト前のキーワード確認などでご活用ください。 この記事だけで十分な知識をつけることはできませんので、必ず公式テキスト等を活用して自ら学習を行うようにしてください。 １．📘人工知能（AI）とは（人工知能の定義） AIの定義 専門家の間で共有されている定義はない。 人工知能であるかどうかは「
ディープラーニングを用いて約1.8万円の低コスト筋電義手を作りました - もう疲れたので電子工作します
前回掲載したディープラーニングを応用した筋電義手の記事を予想外に多くの方にご覧いただき、非常に驚いています。こうやって皆さんに反応をもらえると非常に励みになりますね、本当にありがとうございます！ 今回は開発した筋電動作推定システムを簡易的なロボットアームに適用することで、低コストの筋電義手を作成したので報告させていただきます。（といっても、快適に使用するには程遠いですが、、、、） また、前回の記事でいただいたコメントに対する捕捉情報についても述べていきたいと思います。 実際の動作とコストについて メカ・エレキ・ソフト設計 補足情報 今後について 実際の動作とコストについて 実際に動いているときの動画です。 前回の記事と同様に、手を握った時・反った時・屈曲した時・無造作時の4種類の筋電位パターンをディープラーニングを用いて分類し、分類結果に応じてロボットアームを動かしています。 ディープラー
日本メーカーが大苦戦!マシンビジョンの世界で何が起きているのか？(14) ディープラーニング導入を成功に導く、パッケージ製品活用という選択
マシンビジョン業界におけるディープラーニング活用動向 マシンビジョン用途でディープラーニングを活用するため、各企業は様々なアプローチを試みてきた。本稿ではその方向性を紹介し、今後、どのような観点でディープラーニング技術に取り組むべきかを解説する。 マシンビジョンにディープラーニングを活用する製造業企業は、保有するAI技術レベルに応じて、大きく3つの層に分類できる。AI技術を社内で育て上げようとしている「HIGH」層、汎用AIパッケージ製品を活用してニーズに応じたアプリを自社で構築しようとしている「MIDDLE」層、社外リソースを活用して課題を解決しようとしている「LOW」層である。 「LOW」層の企業は、ディープラーニングに詳しいAIコンサルティング企業(以下、AIコンサル)に投資するという活動を行ってきた。この活動により市場が活性化し、新たなAIコンサルも数多く出現した。 しかし、前回の
はじめに スキルアップAIでは、下記の4講座を始めとして、現在、そしてこれから注目されるであろう最先端の機械学習/ディープラーニング技術に関する講座を開講しております。 GAN（敵対的生成ネットワーク）講座 現場で使える XAI（Explainable AI）講座 現場で使える自然言語処理実践講座 ディープラーニング最新論文対策講座 このような講座を開講していく中で、スキルアップAIの講師陣が注目している最先端技術をぜひ知りたいというお声を多くいただきました。 そこで、自動機械学習（AutoML）を専門としICMLなどのトップカンファレンスへの論文採択経験もある斉藤と、需要予測・異常検知など様々な分野で機械学習/ディープラーニングの産業応用に取り組んできた小縣が中心となって、スキルアップAI講師陣にておすすめの論文を選びました。 今回は、下記の4つに分けて合計30本の論文をご紹介いたします
#C#でディープラーニング（マトリクスの計算） 今回は、ディープラーニングに必要なマトリックスの計算をするプログラムだけ作成しました。 参考にした書籍は「ゼロから作る Deep Learning(オライリー)」です。 この本は、とてもわかりやすく、いい本だと思いますので、おすすめです。 漫画じゃないのに、止まらない・・・それくらい、興味を引かれました。 まだ、半分くらいしか読んでいないので、よく分からない部分も多いですが、今回は、マトリックスの計算プログラムをC#で作りました。 ##Pythonじゃなくて、C#？ この本は、理論的なことも解説していますので、Pythonのライブラリーに頼らず、C#でゼロから作りたいと思いました。 後々、F#や、Haskellでも実装してみようかと思います。 ##なぜディープラーニングを始めたか？ F#や、Haskellなど関数型言語も最近勉強し始めて、わざ
2-2.選定ポイント CPUは少しお手頃なRyzenを選択。その中でも第２世代と第３世代で悩みましたが、電力消費量など含めてコスパも良いかなと思い、第３世代で選択。CPUファンはとりあえず付属品としてCPUに付いてくるクーラーで賄いました。 GPUは20××シリーズにしたいなと思いつつ、予算の関係でコスパが良いと聞いたGTX1660を選択。 メモリは16Gだと少し不安な気がしたので32Gで良さそうなものを探しました。 SSD、HDDは特に根拠なく選択。今となっては過剰だったかなと思っています。 マザーボードはCPUに合わせて良さそうなものを探しました。 電源ユニットは、横浜Fマリノスのスポンサーというところだけでオウルテック製品を選択。GPU1枚だけしか載せない想定なので、650Wあれば十分かと思っています。 ケースはAmazonで評価高めなのをそのまま選んだ感じです。 モニターはすでに購
2019年8月26日、LINK-J主催によるイベント「L x T bridge ～LS経営・戦略ｘAI～人のつながりで革新を～Vol.3」が開催されました。第3回となる今回は、非エンジニアやAIの知識のないマネジメント層などに向けた、「そもそもAIとは何か」から学ぶAIサマーナイトスクールを実施。数式や理論を省いたうえで、ヘルスケア分野での応用事例を多数紹介し、「AI x ヘルスケア」の具体的な展開のイメージを持ってもらうことを主題において行われました。本記事では、NVIDIA合同会社の山田泰永氏による、ライフ系ビジネスパーソンでも理解できるAI・ディープラーニングについての講義の模様をお送りします。 製造業の集まる日本橋で作る、イノベーションのエコシステム 本荘修二氏（以下、本荘）：私はこの3年ほど、厚労省の医療系ベンチャー推進会議の座長をやっています。その前身が、当時の塩崎大臣の私的懇
2020/04/16追記：本記事については、ご質問やご相談が多く片手間では対応しきれないため、販売終了させていただきました。驚くほどたくさんの方々の購入やサポート、本当に心から感謝を申し上げます。ありがとうございました！ 本記事では、上記で作成したプログラムを有料公開しています。 以下を理解いただいた方のみ、ご購入ください。 •ディープラーニング初心者が書いたコードであり、突っ込みどころが残っているかもしれません。 •ご購入された方から正常動作のご報告は頂きましたが、保守はしていません。（何らかの外部要因で動かなくなっても修正予定はありません） •ソースコードのみであり、環境構築手順などはありません。なお、私は主にGoogle Colaboratoryで動作させていました。 •公開後の約1ヶ月間に頂いたソースコードへの主要なＱ＆Ａは、記事内にまとめています。記事内のSlackに参加いただけ
AIは教師データの収集とアノテーションが大変 こんにちは、AIやってますか！？（唐突な問いかけ） AIの中でも、ディープラーニングの画像認識といえば、大変なのは教師データを集めることとアノテーションですね。 数千枚の画像に対して、例えばルールを変えてアノテーションのやり直しとか、セマンティックセグメンテーションのアノテーションとか地獄ですよね（想像です）。 なんとかこの教師データの収集とアノテーションを自動化するのが人類の夢なのではないかと思います。ただ、これは卵が先か鶏が先かの話なのでとても難しいです。今回は、Unityを使って、この教師データ生成をなんとか自動化できないかというトライアルになります。 既に先行事例に加えて、Unityさんが丁寧なチュートリアルを出していますので、今回はそれに沿って実践していく形になります。 ブログにも記事を書いていますので、よろしければこちらも合わせて参
研究開発ライブラリ 市販の単眼カメラでステレオカメラ並みに高精度な距離計測を実現する立体認識AIを開発−ディープラーニングを活用して高精度、省コスト、省スペースな距離測定を実現。ロボットピッキング、無人配送車の自律移動、ドローン遠隔操作によるインフラ点検などに活用− | 研究開発センター | 東芝
知能化システム 前のページに戻る 市販の単眼カメラでステレオカメラ並みに高精度な距離計測を実現する立体認識AIを開発 －ディープラーニングを活用して高精度、省コスト、省スペースな距離測定を実現。 ロボットピッキング、無人配送車の自律移動、ドローン遠隔操作によるインフラ点検などに活用－ 当社は、レンズによって生じる画像のぼけをディープラーニングで解析することで、市販のカメラで撮影した1枚の画像からステレオカメラ（注1）並みに高精度な距離計測を実現する立体認識AIを開発しました。ステレオカメラを必要としないため、コストとスペースの削減が可能となります。 当社は本AIの成果を、2019年10月30日 10:00から韓国で開催される International Conference on Computer Vision（ICCV2019）で発表します。 近年、ロボットによる物品のピックアップや工場
音声合成ソフト「VOICEROID」などの音声合成エンジンとして使われる「AITalk」の開発を手掛けるエーアイ（東京都文京区）は8月27日、ディープラーニングを活用した個人向け音声合成ソフトを2021年2月に発売すると発表した。 発売予定のソフトにはディープニューラルネットワーク（DNN）による音声合成に対応した新型エンジン「AITalk5」を搭載。ユーザーが入力した文章を基に、キャラクターの話し声を合成する。話す速度や音程、音量などはユーザー側で調整できるようにするという。 AITalkはこれまで、AIによる音声合成は行わず、事前に収録した音声を切り貼りして音声を合成する「コーパスベース音声合成方式」を採用していた。AITalk5ではDNNによる音声合成も追加し、利用シーンに合わせて合成方式を選択すれば、より人間らしく豊かな音声を合成できるとしている。 関連記事 VOICEROID「小
こんにちはodasatoshiです。 この記事はNTTドコモ サービスイノベーション部 Advent Calendar 2019の幻の26日目の記事です。 2019年も年の瀬です。毎日とても寒いですね。寒さで手がかじかむときは手元のGPUをフル稼働させて暖を取る日々です。 本日は、プロジェクションマッピングを支える技術、と題しましてプロジェクションにおける色の補償（Compensation）について紹介します。 背景 まずはこちらの写真をご覧ください。 普通の風景写真ですね。ディスプレイで表示しているならばそのディスプレイの設定に合わせてこの写真が表示されているはずです。 では、これをプロジェクタを用いて壁に映写するとどうでしょうか？ こんな壁あるか？という心の声はさておき、壁の模様がくっきりと見えてしまっていますね。プロジェクションマッピングは、映写対象の形状や色などを生かした映像表現を
ディープラーニングの要約
皆さん こんにちは、GMOアドマーケティングのS.Rです。 近年IT業界ではディープラーニングを使って色々な大きな成果を出してきました。皆さんはディープラーニングの概念が分かりますか。今回はディープラーニングの基本知識を皆さんへ説明いたします。 1. AI/機械学習/ディープラーニングの関係: 人工知能（AI）は、人間の知的ふるまいを人工的に再現したものだ。AIの定義は実装する部分だけてはなく知能の本質、AIと人間の関係など哲学、心理学の問題も含まれています。 機械学習はAIを実現するために使う技術です。ディープラーニングは様々な機械学習の手法の中で動物のニューラルシステムを真似る手法です。 図1: AI/MachineLearning/Deeplearningの関係 2. 機械学習と計算機の進化 ディープラーニングは、新しいのものではなく約70年前ニューラルネットワークは提案されていた。
機械学習とディープラーニング（深層学習）の違いとは？
第3次AIブームといわれる昨今において、AIは多くの企業に注目され始めています。しかし、ディープラーニングと機械学習の違いまでは詳しくは理解できていないという方も多いのではないでしょうか。 AIを深く理解するためには、ディープラーニングと機械学習の違いをしっかりと理解しておかなくてはなりません。そこで今回は、「ディープラーニング」と「機械学習」の違いを分かりやすく解説していきますので、ぜひ参考にしてみてください。 ディープラーニングについて詳しく知りたい方は以下の記事もご覧ください。 ディープラーニングとは？仕組みやできること、実用例をわかりやすく紹介 AIにおける「機械学習」「ディープラーニング」それぞれの位置づけとは AIについて触れる中で目にする機会が多い「ディープラーニング」と「機械学習」は、それぞれどのような特徴があり、どのような位置づけになっているのでしょうか。まずは、それぞれ
技術の進歩によって、ディープラーニングが商用アプリケーションにも応用されるようになり、人工知能(AI)の研究と応用がさらに進んでいます。しかし、これまで技術的に難しかったことがAI技術で可能になった反面、AIを過信して何でもAIで解決しようとするケースもあります。アメリカの電気・情報工学分野の学術研究団体であるIEEEが、「ディープラーニングは万能ではない」とするコラムを発表しています。 Deep Learning Can’t Be Trusted, Brain Modelling Pioneer Says - IEEE Spectrum https://spectrum.ieee.org/deep-learning-cant-be-trusted 一般的なディープラーニングプログラムは、複数のタスクで優れた性能を発揮できず、厳密に制限された環境で特定のタスクをこなすことに向いています。さ
フリー素材で遊びながら理解するディープラーニング精度向上のための画像データ水増し（Data Augmentation）手法 - karaage. [からあげ]
画像データ水増し（Data Augmentation）手法 Data Augmentation（データの水増し）は、ディープラーニングの画像認識で、学習の際に精度を上げるためのテクニックです。データ水増しは、他にもデータ拡張とか言ったりします。 具体的には、教師データの画像に対して、明るさ変更・回転等の画像処理をして、教師データを増やして、カメラの変動に対して性能を向上させます（変動に対して強いことをロバスト性が高いと言ったりします）。 TensorFlow（Keras）で物体判別をする際のData Augmentationに関しては、多くの解説例があります。特に id:aidiary さんのものが分かりやすいです。 同じことをしても仕方ないので、今回はあまりネットに情報無かったTensorFlowのObject Detection APIでの物体検出のData Augmentationが
![フリー素材で遊びながら理解するディープラーニング精度向上のための画像データ水増し（Data Augmentation）手法 - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/8848bdb7573ea67b2d39f0e13408261c06007123/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20190705%2F20190705015928.png)
機械学習またはディープラーニングのアルゴリズムを実装するにあたり必要なデータ、ハードウェア、ゴールはすべて準備ができました。しかし機械学習とディープラーニングのどちらを使うべきなのでしょうか？ この ebook は、ユーザー視点のアプローチにより、最初に検討すべきアルゴリズムが選びやすいように構成されています。以下を含む 6 つの一般的なタスクにはどのようなアルゴリズムが適しているかを解説します。 過去のデータに基づいて出力を予測する 画像、動画、信号データ内のオブジェクトを認識する 物理的にまたはシミュレーション上でモノを動かす この ebook では以下について学ぶことができます。 データ、ハードウェア、解釈可能性、速度、要求される精度が手法の選び方に与える影響 畳み込みニューラルネットワーク (CNN) を使用して特徴抽出を行い、サポートベクターマシン (SVM) を使用して識別を行
日本メーカーが大苦戦!マシンビジョンの世界で何が起きているのか？(18) マシンビジョンにおけるディープラーニング活用法
マシンビジョン用途でディープラーニングを活用するためには、ネットワーク単体だけでなく、様々な合わせ技を駆使する必要がある。具体的には、「ルールベース画像処理との組み合わせ」「ネットワークカスケード」などの第3階層の充実化が挙げられる。そこで、本稿では第3階層に焦点を当て、具体的な活用方法を解説する。 まずは頻繁に遭遇する課題を例に挙げて説明したい。これまでディープラーニングにトライした方々から、「ディープラーニングは、我々が想定している場所に着目してくれない」という声を聞くことが多い。例えば下図である。 左上画像中の赤丸が欠陥である。我々人間は深い知識が無くてもこの欠陥を検出することが可能である。しかし、いざディープラーニングを実行すると、コントラストが高いバーコード領域に反応してしまうことがある。この際、ディープラーニング単体で解決を図ろうとすると、学習画像の追加や、パラメータ調整といっ
《日経Robotics》グーグル出身者が創業のドローンベンチャー、ディープラーニングで3次元地図、GPSなくても自在に飛ぶ
米グーグルの研究組織「X」でドローンのプロジェクト「Project Wing」注1）を主導していた技術者らが、今はグーグルを離れ、新たなドローンベンチャーを創業していることをご存じだろうか。 その名も米Skydio社。日本ではまだそれほど知名度はないが、2014年創業のシリコンバレーの企業で、これまでに約180億円（1億7000万米ドル）もの資金を調達している巨大ベンチャーだ（図1）。 「ドローンの分野は中国DJI社の一強であり、もはや勝負はついた」「いまさらDJI社には勝てない」─。そう思う向きも多いかもしれない。
ITの話題を変え始めた要因、ディープラーニングを振り返る
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます IT活用といった場合に、最近では自動運転車や囲碁で人間に勝つソフトウェアなど、少し前までは考えられなかったような活用例が話題の中心になってきている。 要因として、言うまでもなく人工知能（AI）が急速に発展していることが挙げられる。具体的には、深層学習（ディープラーニング）領域の発展と密接にかかわっている。 深層学習は、人間が経験から自然に身につけるやり方で、コンピューターに学習させる機械学習の手法の1つだ。事前に定義モデルを使うのではなく、計算処理を通じて情報からそのまま学習するのが特徴と言える。 グーグルのAIが動画を見て猫の概念を学習したといった話がメディアでも紹介されている。自動運転車でも、信号や歩行者の動き、障害物の出現の認識、
ゼロから学ぶディープラーニング推論
本サイトの活用方法 現在、たくさんのディープラーニング技術情報が溢れていますが、数学や専門用語、プログラミング、フレームワーク、環境構築、用途、種類、フェーズなど、理解しなければならい項目が多く、何から学習すれば良いか分からず、ハードルが高いのが現状です。 ディープラーニングは、主に「学習」と「推論」に分かれます。まずは理解し易く応用に繋がる「推論」を学ぶことが、ディープラーニングを使いこなすことへの近道となります。「OpenVINO™ ツールキット」は、非常にシンプルなコード記述が可能で、豊富なサンプルを持っている無償ツールです。さらに「Neural Compute Stick」と「RaspberryPi」を使うことにより、小さくて安価な人工知能を作り出すことが可能です。本サイトでは、初心者の方から理解できるように、「ディープラーニングとは何か」「そもそも何が必要でどこで買えば良いのか」
ディープラーニングによる時系列データ予測モデルの問題点を解消する
本稿では、NTTテクノクロスでAIエンジニアとして活躍する筆者が、実際にどのようなことを行っていて、どのような苦労があるのかを、実際に動かして試せる「時系列データの予測モデル作成」の題材を通して、4回にわたってお伝えします。最終回となる今回は、これまでに作成した予測モデルを振り返り、時系列データを用いた予測モデルを作成する際に起きやすい問題とその対応方法をお伝えいたします。（編集部） AIを用いた時系列データ予測－予測モデルの評価 本連載では、時系列データを用いた予測モデルの作成を題材に、その作成方法を前回まで紹介してきました。 AIを用いた新規サービス開発におけるPoC（概念実証）において、このように予測モデルをプロトタイプとして作成した際、AIエンジニアには作成した予測モデルが「どのくらい目標としているサービスに適用できそうか」「どのような特徴・問題があるか」「今後どのくらい拡張・改善
東京大学とNTTドコモは1月17日、ディープラーニングを活用し、カメラ映像から複数人のモーションキャプチャーを行う技術を開発したと発表した。専用のスーツなどを用意する必要がなく、これまでモーションキャプチャーが困難だった、スポーツの試合やライブ会場でもデータを取得できるため、運動の解析や3Dアニメーションの作成に役立つとしている。 東大の中村研究室が開発した技術「VMocap」（ブイモーキャプ）を活用。解析に適した映像を、複数のカメラから自動的に選んで切り替え、映った人の身体部位を推定する。人の骨格構造や運動の連続性を考慮しつつ、画像認識技術も用いることで、高精度のモーションデータを取得できるとしている。 フットサルの試合のように、広い空間で複数の人間が動き回ったり、身体が重なって見えたりする状況にも対応できるという。 また同研究室が開発している、ロボティクスに基づいた動作解析技術も活用。
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
【量子機械学習】量子ニューラルネットワーク（ディープラーニング）の最急降下法の話。 - sun_ek2の雑記。
ディープラーニング基礎知識まとめ - Qiita
キヤノン、「ディープラーニング画像処理技術」開発エピソードを公開…ノイズ、色補間、収差回折の補正技術を確立
Apple Silicon(M1) Mac+tensorflow-macosでディープラーニングする
Python以外でもできる。言語別ディープラーニング用フレームワークまとめ – ピクアカインフォ
ディープラーニングの先駆者、福島邦彦氏が語る「ネオコグニトロン」誕生秘話
Jetson Nanoでディープラーニング - Qiita
ディープラーニングの学習データ量を削減、「敵対的特徴」の活用で
惑星ローバーを進化させる、東大・ＪＡＸＡが開発したディープラーニング活用技術の中身 ニュースイッチ by 日刊工業新聞社
【資格試験対策】ディープラーニングG検定【キーワード・ポイントまとめ】 - Qiita
「Jetson Nano開発者キット」に新リビジョン、NVIDIAのAI/ディープラーニング向けモジュール
【AI最新論文まとめ】機械学習/ディープラーニングのおすすめ論文30選 | スキルアップAI Journal
C#で初めてのディープラーニング～Pythonでの実装をまねする～ - Qiita
ディープラーニングのための初めての自作PC - Qiita
AIは単なるプログラム、恐るるに足らずーービジネスパーソンでも理解できる機械学習・ディープラーニング 基礎の基礎
ディープラーニングさえあれば、競馬で回収率100%を超えられる（プログラム）｜yossymura_3d
Unityでディープラーニング学習用の教師データを大量に生成する方法
エーアイ、個人向けAI音声合成ソフトを21年2月に発売 ディープラーニング採用の新型エンジン搭載
プロジェクションマッピングを支える技術（ディープラーニングによる色補償） - Qiita
「ディープラーニングは万能ではない」という主張、次世代のAIを支える理論とは？
ディープラーニングと従来の機械学習: 適切なアプローチの選択
映像から複数人の激しい動きを解析、東大とドコモが技術開発 ディープラーニング活用