はじめに データアナリティクス事業本部のkobayashiです。 先日Google Cloud 認定資格の一つであるProfessional Machine Learning Engineerを受験しました。Google Cloudの認定試験では模擬試験としてサンプル問題を解くことができるので今回も模擬試験を解いて勉強したのですが、その中で出てきたアーキテクチャで気になったものを実際に試してみたいと思います。 Professional ML Engineer 認定資格 | Google Cloud Professional ML Engineer の試験問題のサンプル | 認定 | Google Cloud Google Cloud 認定資格の模擬試験 Google Cloud 認定資格の試験では模擬試験を無料で受けることができます。出題される問題は固定ですが、解説と関連ドキュ
https://blog.tensorflow.org/2021/08/3d-pose-detection-with-mediapipe-blazepose-ghum-tfjs.html https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEju5BNMgQYeE9f8fTIExf2qW4JTveDA2sfk5HmAQOZamLVBOPUKcVKkObW_6TfgTTr08usiwi4y1gvVhQfrkAzOhQeuHRa41IN9MvfIOXGqPIsbqsFAxL1USY3o21xOSvhyphenhyphenYHGSaXe8mbA/s0/TF+image+2.gif August 30, 2021 — Posted by Ivan Grishchenko, Valentin Bazarevsky, Eduard Gab
Authors¶ TorchDrift is a joint project of Orobix Srl, Bergamo, Italy and MathInf GmbH, Garching b. München, Germany. The TorchDrift Team: Thomas Viehmann, Luca Antiga, Daniele Cortinovis, Lisa Lozza Acknowledgements¶ We were inspired by Failing Loudly: An Empirical Study of Methods for Detecting Dataset Shift, NeurIPS 2019 https://github.com/steverab/failing-loudly Hendrycks & Dietterich: Benchmar
こんにちは,株式会社Ridge-iのリサーチチームの@machinery81です. 今回はNeurIPS2020で発表されたデータセットシフトを扱う機械学習に関連する論文を紹介します. 本記事は,Ridge-i主催の論文読み会で発表した以下の資料に基づいています. TL;DR 機械学習におけるデータセットシフト Covariate Shift Target Shift Concept Shift Domain Shift Sample Selection Bias Taxonomy of NeurIPS2020 papers about Dataset Shift 論文紹介 Rethinking Importance Weighting for Deep Learning under Distribution Shift Importance Weighting for Distribut
こんにちは、R&D チームの宮城です。画像分類モデルの開発や精度改善などの業務を担当しています。 最近は将棋観戦にはまっており、藤井聡太先生の対局を見まくっていますが一向に将棋が強くなる気配はありません。 今回の記事ではディープラーニングモデル圧縮手法の一つ、Pruning を PyTorch で簡単に試してみました。 Pruningとは PyTorch で Pruning お試し データセットを用意 モデル作成 ベースとなるモデルを訓練 モデルをPruning 精度評価 Pruning後の有効パラメータ数確認 Pruning後のモデルサイズ確認 評価結果まとめ おわりに Pruningとは Pruningについては下記の記事が大変参考になりました。内容をかいつまんで説明します。 Compress & Optimize Your Deep Neural Network With Pruni
こんにちは。TSUNADE事業部研究チームリサーチャーの坂田です。 本記事では、Hugging Face 社が開発しているTransformersのPipelinesという仕組みを使って日本語の固有表現抽出を行う方法をご紹介します。 Transformersとは? 日本語学習済み言語モデル Pipelines Trainer 固有表現抽出とは? 実際に日本語NERTを試してみる 必要な各種依存ライブラリのインストール 使用するデータ 日本語固有表現抽出データセットでのFine-tuning Pipelinesを使った固有表現抽出 実行例 おわりに 参考 Transformersとは? TransformersはHuggingFace社が公開しているPython用ライブラリで、BERTを始めとするTransformer系の言語モデルを使用する際のデファクトスタンダードになっています。また、最
AIが生成した材料の構造画像を用い、物性を予測する技術を開発 ―材料の選定から加工・評価までを高速・高精度に再現、材料開発を加速― NEDOの「超先端材料超高速開発基盤技術プロジェクト」で、先端素材高速開発技術研究組合、日本ゼオン(株)は産業技術総合研究所と共同で、人工知能(AI)によって材料の構造画像を生成し、高速・高精度で物性の予測を可能とする技術を開発しました。 今回開発した技術は、単純な化学構造を持つ低分子化合物に限定されない材料にディープラーニング(深層学習)を適用する新しいAI技術です。カーボンナノチューブ(CNT)のような複雑な構造を持つ材料に対して、構造画像の学習および生成を行い、実際の実験と比べて98.8%もの時間を短縮し、材料物性の高精度な予測を実現しました。これにより従来はAI技術を適用できなかったさまざまな材料系についても材料選定から加工・評価まで一連の実験作業を高
ブラ選びもAIで!?はじめての方にAIが最適なブラジャーを提案するWEBアプリ「AIするブラ診断」を大阪府立大学と共同開発。WEB上でお客様が必要な項目を入力するだけで、ぴったりな下着とサイズをAIが提案。私たちのDXチームがAI研究の第一人者・大阪府立大学の佐賀准教授と共同開発したWEBアプリを8月30日に公開しました。 コロナ禍によりオンラインで買い物をする機会が増えていますが、人によってさまざまである体型やバストの形にぴったりとフィットするブラをネットで選ぶことはとても難しく、「どの下着を買えばいいのかわからない」「自分のサイズがわからない」といった事前のご相談を多くいただいております。このWEBアプリは私たちの「試着体感サロン」でこれまで蓄積されたデータをAIが解析・学習し、お客様が必要な項目を入力するだけでその方に合った商品やサイズを提案するものです。 ライフスタイルに合った「適
GoogleのAI研究チームであるGoogle AIが、低解像度画像にあえてノイズを追加して「純粋なノイズ」になるまで加工し、そこから高解像度画像を生成する「diffusion model(拡散モデル)」という手法を改善する新たなアプローチを発表しました。「画質の悪い低解像度画像から高解像度画像を生成する技術」には、古い写真の復元から医療用画像の改善まで幅広い用途が想定され、機械学習の活躍が期待されているタスクの1つです。 Google AI Blog: High Fidelity Image Generation Using Diffusion Models https://ai.googleblog.com/2021/07/high-fidelity-image-generation-using.html Enhance! Google researchers detail new m
日本経済の「現在」を理解するための手がかりとして、TSRが長年蓄積してきた企業情報、倒産情報および公開情報等に基づき、独自の視点に立った分析をまとめて発表しています。
音ゲーの“譜面”作りをAIで高速化 KLabが「スクスタ」で活用、所要時間を半分に:CEDEC 2021(1/2 ページ) ゲームセンターの筐体としてだけでなく、スマートフォンゲームの一つとしても人気を集めるリズムゲーム。他のゲームと違うのは、ガチャだけでなく新しい曲やその“譜面”も、新規コンテンツとして開発する必要がある点だ。特に譜面、曲に合わせてタッチする位置などを示した時系列データは、1曲1曲に合わせて新規に作ることになる。この手間を、AIを活用して効率化している企業がある。 「低い難易度の譜面作りにAIを活用することで、1曲当たり40時間ほどかかっていた作業時間を約50%削減できた」──スマホ向けリズムゲーム「ラブライブ!スクールアイドルフェスティバル ALL STARS」(スクスタ)を開発するKLabの高田敦史さん(開発推進部機械学習グループ)は、自社開発した「譜面制作支援ツール
半導体メーカーであり人工知能(AI)技術の開発も行うNVIDIAが、人間の声と聞き間違うレベルで自然に発話可能なAIを開発中であることを、音声処理関連の技術カンファレンスであるINTERSPEECH 2021で発表しました。 NVIDIA Shares Speech Synthesis Research at Interspeech | NVIDIA Blog https://blogs.nvidia.com/blog/2021/08/31/conversational-ai-research-speech-synthesis-interspeech/ 合成音声は、自動案内サービスの音声や昔のカーナビの案内では機械的だったのが、スマートフォンやスマートスピーカーに搭載されたバーチャルアシスタントではかなり人間らしく洗練されたものに進化しました。 それでも、依然として実際の人間による会話の音
オリンパスは、AI病理診断支援ソフトウェアの実用化に向けた共同研究を呉医療センター・中国がんセンターなど6施設と実施した。病理標本に対して感度100%、特異度50%以上の精度を達成し、胃がんを対象とした汎用性を実証した。 オリンパスは2021年8月25日、AI(人工知能)病理診断支援ソフトウェアの実用化に向けた共同研究で、同ソフトウェアが胃生検の病理標本に対して感度100%、特異度50%以上の精度で腺がんの判定をし、汎用性を実証したと発表した。 同社は、2017年から呉医療センター・中国がんセンターと共同で、AI病理診断支援ソフトウェアの開発に取り組んできた。2020年からは製品化に向けた汎用性の検証、精度向上を目指し、呉医療センター・中国がんセンターを含む国内6施設との共同研究を進めている。
国際電気通信基礎技術研究所(ATR)と東京大学、日本医療研究開発機構(AMED)は2021年8月30日、複数疾患の脳画像ビッグデータを一般公開したと発表した。多くの施設で統一のプロトコルで撮像した複数精神疾患のfMRI(functional Magnetic Resonance Imaging:機能的磁気共鳴画像)データと、旅行被験者データを合わせてデータベース化したもので、オンラインプラットフォームでダウンロードの申請ができる。 ビッグデータ公開に携わったのは、ATR脳情報通信総合研究所の田中沙織氏(認知機構研究所 数理知能研究室 室長)と、東京大学大学院医学系研究科/東京大学国際高等研究所の笠井清登氏(ニューロインテリジェンス国際研究機構<IRCN> 教授)らの研究グループ。 MRI画像をAIで解析するためのデータとして利用 研究グループによると「AI(人工知能)技術の発展には、オープ
Innovative Tech: このコーナーでは、テクノロジーの最新研究を紹介するWebメディア「Seamless」を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。 米カリフォルニア大学マーセド校の研究チームが開発した「LipType」は、音のない口パク映像を音声に変換する、深層学習を用いた読唇システムだ。スマートフォンのインカメラで口パクを自撮りして、話者の唇の動きを読み取る。 音声認識は、周囲が騒がしい場合には信頼性が低く、図書館や電車内などではプライバシーやセキュリティが損なわれる。声が出せない障害のある人はそもそも音声認識が使えない。 解決策としては、口パクのような無声発話による音声入力が挙げられる。無声発話時に動く顎の動きを捉えて音声に変換するものや、無声発話時に顎の下に設置したセンサーから皮膚が変動する顎運動と舌筋の運動を計測し音声に変換す
R&D チームの奥村(@izariuo440)です。日本で気温が暖かくなると姿勢推定が盛り上がってくるように見えるのは私だけでしょうか?今年の5月に発表された人物姿勢推定モデルの MoveNet v3 をTensorRT でベンチマークしてみました。CPU でもかなり高速推論が可能ですが、CUDA でもっと速く、TensorRT でもっともっと速くなることが確認できました。 MoveNet TFLite モデルを ONNX モデルに変換 ONNX モデルを加工 ベンチマーク結果 まとめ MoveNet MoveNet は高速・軽量・高精度と三拍子揃った人物姿勢推定器です。Lightning/Thunder の二種類があり、前者はより軽量・高速です。詳細は MoveNet.SinglePose Model Card (PDF) や Next-Generation Pose Detection
One of FLAML’s algorithms CFO tuning the # of leaves and the # of trees for XGBoost. The two heatmaps show the loss and cost distribution of all configurations. The black dots are the points evaluated in CFO. Black dots connected by lines are points that yield better loss performance when evaluated (image by authors).Authors: Qingyun Wu, Chi Wang, Antoni Baum, Richard Liaw and Michael Galarnyk FLA
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
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