![【後藤弘茂のWeekly海外ニュース】 人間の脳から産まれたディープラーニングのプルーニング](https://cdn-ak-scissors.b.st-hatena.com/image/square/a90422925175d06a25cc3b9a7ebfd093dcefec69/height=288;version=1;width=512/https%3A%2F%2Fpc.watch.impress.co.jp%2Fimg%2Fpcw%2Flist%2F1265%2F708%2F76.jpg)
「実在しない人物」の全身画像を高解像度で生成する「全身モデル自動生成AI」が誕生しました。開発したのは京都大学に事業所を構えるデータグリッド。 実在しない人がヌルヌル生まれる 「全身モデル自動生成AI」が優れているのは、顔と体を合わせた全身を生成可能で、なおかつ1024×1024ピクセルの高解像度で出力できる点です。ディープラーニングを応用したAIに大量の全身モデル画像を学習させることで、手足の長さや肌の色、男性らしい・女性らしい体つきまで表現可能になったといいます。 高解像度の全身画像生成は世界でも前例の無い研究とのこと アパレルや広告業界での活用が期待されます 今後は広告・アパレル関連企業との実証実験を行い、実運用に必要な機能の開発を行うとのこと。また現在は動作まで生成可能なAIの研究に着手しており、さらなる精度向上にも期待が高まります。 データグリッドは過去に「実在しないアイドルの顔
人工知能(AI)を使って果物のアボカドとアボガドを識別するシステムを、千葉電波大学の鰐梨教授らが開発した。専門家並みの精度で見分けることができるという。研究結果は英科学誌「フェノメノン」5月特大号に掲載された。 研究チームではアボカドとアボガドの写真をそれぞれ200万枚ずつ用意し、ディープラーニング(深層学習)という手法を用いて、AIにそれぞれの画像からアボカドとアボガドの特徴を見つけ出させた。学習後、判別前の果物を見せたところ、99.7%の確率でアボカドとアボガドをほぼ正しく区別した。 アボカドは脂肪分を多く含むことから「森のバター」と呼ばれる一方、アボガドは「森のマーガリン」と呼ばれ、アボカドの代用品として使われることが多い。プロであれば手触りや色の違いから容易に判別できるが、よく似た見た目をしているため、これまで一般の人には識別が難しかった。今後スマートフォン向けアプリなどへの応用を
早稲田大学の研究者が、ディープネットワーク(畳み込みニューラルネットワーク)を用いた画像補完技術「Globally and Locally Consistent Image Completion」を公開しました。既存の画像補完技術とはレベルの違う精度を見せつけています。 飯塚里志 — ディープネットワークによる画像補完(SIGGRAPH 2017) http://hi.cs.waseda.ac.jp/~iizuka/projects/completion/ja/ SIGGRAPH 2017に論文が正式に採択されました。ディープラーニングによって複雑な画像補完を行う手法です。画像中の不要な物体を消したり、人の顔を変化させたりもできます。https://t.co/iHccQXmqEh pic.twitter.com/zhmVjIajcy— Satoshi Iizuka (@stsiizk) 2
ミニバッチ単位の学習 学習は、入力画像ごとに行うのではなく、数10~数100画像をまとめて処理を行うと、畳み込みの計算が行列×ベクトルではなく、行列×行列の形になり、演算あたりのメモリアクセス回数を減らせるので、計算を高速に行うことができる。この入力画像のまとまりはミニバッチと呼ばれる。 そして、ミニバッチ単位で計算を行なう場合は、それぞれの学習画像から求めた重みWの補正を行うのではなく、ミニバッチの全画像の補正量の平均値を使用するという計算が行われる。 積和演算や行列積の計算はGPUの得意な計算で、Kryzhevsky等がGPUを使って推論や学習を高速に行おうとしたのは当然で、これ以降、ILSVRCではディープラーニングとGPUの使用が一般化した。 推論は低精度でも十分 一方、画像にしろ、音声にしろ、元々アナログ量であり、それほど高い精度を持つデータではない。また、多数の入力画像を学習す
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