MobileNet(v1/2)、ShuffleNet等の高速なモデルの構成要素と何故高速なのかの解説 - Qiita
はじめに MobileNet系の高速なモデルアーキテクチャに利用される構成要素と、それらを利用したモデルについて、何故高速なのか観点と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになされているかという観点で整理を行う。 高速なモデルアーキテクチャに利用される構成要素 まず、高速なモデルに利用される畳み込み構成要素について、計算量と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになっているかを説明する。 まず、一般的な畳み込みの計算量を確認する。 入力特徴マップのサイズを$H \times W$、入力チャネル数を$N$、カーネルサイズを$K \times K$、出力チャネル数を$M$とすると、一般的な畳み込み層の計算量は、$H W N K^2 M$となる。 これは、入力特徴マップの1箇所につき畳み込みのコストが$K^2 N$で、これを入力特徴マップの$H W$箇所に適用する
みんな大好き物体検出のデファクトスタンダードFaster R-CNNの特許を読んだ - Qiita
はじめに Faster R-CNN1 の特許らしいです。 各位 Faster R-CNN特許です。ご査収ください。 Faster R-CNN patent was granted.https://t.co/Bxnjz5s1WU pic.twitter.com/MwAohEN712 — Yosuke Shinya (@shinya7y) 2018年1月8日 わたし、気になります！ということで、どんな感じか翻訳＆解説してみます。 （2018/01/15 追記）弁理士の先生にコメントを頂きましたのでまとめに記載しました！ Disclaimer 外国出願はあまりしたことがないので米国特許の請求項の読み方に慣れているわけではなく、並列・従属関係が間違っている可能性があります。特に請求項4については、どう読んだのかを文末に記載してありますのでプロの方のコメントお待ちしております=D また、請求項のみを
あのaiboでも使われているソニーのDeep Learning技術が無償で利用できる (1/3)：EnterpriseZine（エンタープライズジン）
今のAIブームで重要な役割を果たしているのが、Deep Learningだろう。先日札幌で行われた「db analytics showcase Sapporo 2018」では、Deep Learningに関するセッションも多数行われた。そんな中、ソニーのDeep Learningへの取り組みについて紹介したのが、ソニー株式会社 R&D プラットフォーム システム研究開発本部 要素技術開発部門 AIコア技術開発部 7課 シニアマシーンラーニングリサーチャーの小林由幸氏だ。 Deep Learningが人の能力を超えた ソニー株式会社 R&D プラットフォーム システム研究開発本部 要素技術開発部門 AIコア技術開発部 7課 シニアマシーンラーニングリサーチャー 小林由幸氏 小林氏は、Deep Learningの登場で画像認識の精度が格段に向上したという話から始めた。 「Deep Learni
1
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
DeepGlyph
