PFNの西川社長は2018年12月12日、半導体産業の展示会「SEMICON Japan 2018」の基調講演に登壇し、同社が開発を進めるプロセッサー「MN-Core」の概要を明らかにした。
PFNが独自開発したAIチップ「MN-Core」、回路設計を深層学習に最適化 | 日経 xTECH（クロステック）
PFNの西川社長は2018年12月12日、半導体産業の展示会「SEMICON Japan 2018」の基調講演に登壇し、同社が開発を進めるプロセッサー「MN-Core」の概要を明らかにした。
たった1000枚の画像分類『Train with 1000』で遊ぶ、学ぶ。 - Qiita
参考： GPipe、ARS-Aug、AutoAugment、森下らの手法 ただし、最も優れているGPipeはImageNetの学習済みモデルを利用するため、Train with 1000の条件から外れます。 GPipeを除くと、ARS-AugとAutoAugmentの双方でPyramidNet-SDが現時点で最も優れたモデルとなります。 従って、Train with 1000において現時点で最高水準の分類精度を達成しうるモデルはPyramidNet-SDと言えます。 (後記で言及しますが、実際は一応更に優れたモデルが提案されています。じ、実装できなかったんや…。) 実際にTrain with 1000に対してPyramidNet-SDを利用した所、分類精度は64.5%を達成しました。 本実験ではPyramidNet-SDをベースラインとし、更に認識精度を改善しうる手法について検討を行いまし
DeepなFactorization Machinesの最新動向 (2018) - Gunosyデータ分析ブログ
はじめに こんにちは。研究開発チームの関です。 最近毎週日曜日の恋するワンピースの更新を楽しみに生きています。好きなツッコミは「この船の航海士は誰？」です。 あと虹のコンキスタドールのベストアルバム「THE BEST OF RAINBOW」は皆さん買いましたか？ 健康にいいので毎日聞きましょう。 この記事はGunosy Advent Calendar 2018の22日目の記事です。 昨日はcou_zさんの「【年末年始に読みたい】Gunosyエンジニアが2018年に購入した書籍まとめ」でした。 皆さんFactorization Machinesは好きですよね。 予測モデル構築においてはXGBoostと並んでとりあえずやっておくべき手法として知られています。 今回のエントリではKDD2018で発表されたxDeepFMを読み解きながら、 DeepなFactorization Machineの現状
6000人以上を数秒で！キヤノンの群衆を見るAIの進化が止まらない
キヤノンは人工知能（ＡＩ）を活用し、ネットワークカメラで撮影した群衆の人数を高精度に推定できる技術を開発した。実証では数千人規模の人数を迅速に割り出し、誤差も５％以内に抑えられたことを確認。群衆の人数が時系列でどの程度変化するかをリアルタイムで把握できるため、公共施設における警備の効率化やマーケティング用途で需要があると見込む。２０１９年上期の実用化を目指す。 ＡＩのディープラーニング（深層学習）技術を活用し、人の密集パターンを学習させた。正面だけではなく後ろ向き、斜め向きなどいろいろな姿勢の人物でもカウントできるように改良。映像の一人一人に色付けして人数を算出する。 実証では高解像度カメラを活用することで、６０００人以上でも算出できることを確認した。フルハイビジョン（ＨＤ）の画像であれば２―５秒で人数を割り出せることも把握した。 既にラグビーの国際試合において国内のスタジアムで技術の実証
機械学習プロジェクトをいい感じにプロダクトに載せていく今風のやり方について考える | Qrunch（クランチ）
機械学習プロジェクトをいい感じにプロダクトに載せていく今風のやり方について考える この記事は裏freee developers Advent Calendar 2018の18日目の記事です。 どうも、@aflcです。freeeで機械学習とかやってます。freeeだとRoyで通ってます。 今日は、なんとかしてモデルは作ったもののその後どうしよう、という話をします。 TL;DR TensorFlow Servingとkubelessで、サーバーとか何も考えずにデプロイ出来るようになることを目指します。 本日話す内容 機械学習モデルのデプロイ 前処理・後処理の実装 モデルのバージョン 話さない内容 評価・テスト 開発時の環境 TensorFlow以外で実装する場合 APIの設計 などなど Python以外の言語の話題 はじめに あなたが様々な苦労を乗り越え、イカした機械学習モデルを構築できたとし
MN-Core - Preferred Networks
Overview AI/基盤モデルが必要とする計算資源はこれまでのスーパーコンピュータの進化の速度を大幅に上回り、爆発的に増加しています。技術の社会実装に向けて、低コスト/低環境負荷な計算資源が求められています。 Preferred Networks（PFN）は、AI/基盤モデルに要する高速かつ莫大な計算能力を賄うため、深層学習を高速化するプロセッサー（アクセラレータ）MN-Core™シリーズを神戸大学と共同開発し、MN-Core™シリーズを用いた大規模コンピュータクラスター（スーパーコンピュータ）の構築を進めています。 MN-Core Series 莫大な計算量を必要とする深層学習において、計算の高速化は大きな課題のひとつです。 AI/基盤モデルの学習フェーズに最適化した専用チップは、汎用用途のチップに比べ、機能を限定することで高い処理性能を発揮することができます。 PFNが神戸大学と共
Caffeで超軽量な "Semantic Segmentation" のモデルを生成する Sparse-Quantized CNN 512x1024_10MB_軽量モデル_その１ - Qiita
◆ はじめに 先月ようやく、今時のGPU付きのノートパソコンを購入できたので、本格的に趣味でDeepLearningに取り組めるようになった。 ただ、セマンティック・セグメンテーションに興味を持ってあれこれとモデルを作り始めてみたものの、最終生成されたモデルのサイズが 500MB とか、200MB とか、ロースペック端末では現実的に利用不可能な巨大なサイズとなることが分かり、途方に暮れていた。 都合上、 Pure Caffe や Pure Tensorflow 、あるいは、それらの派生フレームワーク で実装できないモデルは除外して検証してきている。 目的の本質は、 Neural Compute Stick ＋ RapberryPi の構成でセマンティック・セグメンテーションをブーストすること、なのだが、NCSDK側のAPIが各レイヤーに対応していない、あるいは、中間コード生成時に floa
Docker版のRefineDetで物体検出してみる - Qiita
RefineDetとは Single-Shot Refinement Neural Network for Object Detection ⇒ RefineDet (Shifeng Zhang, Longyin Wen, Xiao Bian, Zhen Lei, Stan Z. Li：2017/11/18) ソースはこちらから。 物体検出アルゴリズムのひとつで、SSDよりやや速度は劣るが、認識精度が高い。 Two-Step Cascaded Regressionという仕組みで、 より小さな物体に対しての認識が可能なようです。 ※以下の記事で日本語でも解説されているので、是非ご一読ください。 リアルタイム物体検出向けニューラルネット、SSD(Single Shot Multi Detector)及びその派生モデルの解説 その他のアルゴリズムと比べるとこんな感じ。 System VOC200
万年アドベントカレンダーを実装した（OpenCV+Deep Neural Network+RoBoHoN） - Qiita
はじめに この記事は OpenCV Advent Calendar 2017 の 20日目の記事です。 (12/20 PM 追記) SHARP 公式さんから言及をいただきました、ありがとうございます！ オーナーさんによるロボホンのアプリ実装例 → 万年アドベントカレンダーを実装した（OpenCV+Deep Neural Network+RoBoHoN） https://t.co/HmoOC2Rvps — SHARP シャープ株式会社 (@SHARP_JP) 2017年12月20日 アドベントカレンダーを開け続けたい 今年初めて、我が家にリアル・アドベントカレンダーが導入されて、毎日たのしく開けています。 X'mas が近付き、のこり日数も少なくなってきて、懸念される「家族のアドベントカレンダー・ロス」の解決策として、開け続けられる万年アドベントカレンダーを実装しました。 ロボホンがカレンダ
MacOS+docker+Caffeで画像分類 - Qiita
やること ゴリラの画像とチンパンジーの画像を分類してくれる分類器を作ろうと思います。 ゴリラの画像16枚、チンパンジーの画像16枚で試してみます。 環境 OS X El Capitan 10.11.6 今回はMacOSにDockerでCaffeを導入しようと思います。Ubuntuで導入した方が色々とよさそうな感じだったんですが、今回はDockerの使い方と軽くCaffeを触りたかっただけなのでMacOSにしました。 docker DockerをMacにインストールする (更新：2017/5/26) dockerが無事インストールできたら上のメニューバーに鯨のマークが出ます。可愛いですね。 docker version Client: Version: 17.09.1-ce API version: 1.32 Go version: go1.8.3 Git commit: 19e2cf6 B
Deep LearningフレームワークのトレンドをGitHubリポジトリから自動で取得する - Qiita
Deep Learningフレームワークの最新のトレンドを調べたいと思い、現時点の情報をGitHubリポジトリから自動で取得するpythonスクリプトを作りました。 取得する情報 各リポジトリに対して、以下の情報を取得します。 Starの数 Forkの数 Issueの数 情報を取得するリポジトリ 以下のフレームワークのトレンドを取得します。 Tensorflow Chainer Caffe 実行環境 Ubuntu 16.04 LTS Python 3.6.0 jqコマンド（sudo apt-get install jq） スクリプト import subprocess def res_cmd(cmd): return subprocess.Popen( cmd, stdout = subprocess.PIPE, shell=True).communicate()[0] # targets
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
【日本の新技術・謎技術】AI開発を加速する高速格安計算機（喜多充成のCEATEC JAPAN“虫の眼”レポート #13）- INTERNET Watch
AI×医用画像の現状と可能性 - Speaker Deck
AI Transformation Playbook How to lead your company into the AI era - Landing AI
Webコンテンツ抽出のvision-based手法: TextMaps - Qiita
ディープラーニングで最強のポケモンを目指したった - Qiita
OpenCVに含まれる深層学習ベースの顔検出 - Qiita
Caffeで回帰をしてみる - Qiita
Caffeで回帰をしてみる - deploy(予測)編 - - Qiita
【Caffe】HDF5 Data Layer向けのHDF5データを作ってみる - Qiita