Convolutional Rectifier Networks as Generalized Tensor Decompositions
Convolutional rectifier networks, i.e. convolutional neural networks with rectified linear activation and max or average pooling, are the cornerstone of modern deep learning. However, despite their wide use and success, our theoretical understanding of the expressive properties that drive these networks is partial at best. On the other hand, we have a much firmer grasp of these issues in the world
Deep Reinforcement Learning from Self-Play in Imperfect-Information Games
Many real-world applications can be described as large-scale games of imperfect information. To deal with these challenging domains, prior work has focused on computing Nash equilibria in a handcrafted abstraction of the domain. In this paper we introduce the first scalable end-to-end approach to learning approximate Nash equilibria without prior domain knowledge. Our method combines fictitious se
Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
Very deep convolutional networks have been central to the largest advances in image recognition performance in recent years. One example is the Inception architecture that has been shown to achieve very good performance at relatively low computational cost. Recently, the introduction of residual connections in conjunction with a more traditional architecture has yielded state-of-the-art performanc
Why are deep nets reversible: A simple theory, with implications for training
Generative models for deep learning are promising both to improve understanding of the model, and yield training methods requiring fewer labeled samples. Recent works use generative model approaches to produce the deep net's input given the value of a hidden layer several levels above. However, there is no accompanying "proof of correctness" for the generative model, showing that the feedforward d
Fast R-CNN Object detection with Caffe
Fast R-CNN Object detection with Caffe Ross Girshick Microsoft Research arXiv code Latest roasts Goals for this section • Super quick intro to object detection • Show one way to tackle obj. det. with ConvNets • Highlight some more sophisticated uses of Caffe • Python layers • Multi-task training with multiple losses • Batch sizes that change dynamically during Net::Forward() • Pointers to open sou
深層学習に最適化したディープラーニング専用ワークステーション “Deep Station DK-1”を発売開始 | 株式会社UEI
深層学習に最適化したディープラーニング専用ワークステーション “Deep Station DK-1”を発売開始 株式会社UEI(以下：UEI、ヨミ：ユーイーアイ、本社：東京都文京区、代表取締役社長 兼 CEO：清水 亮)は、プリファードインフラストラクチャー社(PFI)が開発したオープンソースの深層学習フレームワーク ChainerをベースとしたGUIディープラーニング環境と、同ソフトウェアとUbuntu14.04をプリインストールした深層学習用ワークステーション、“Deep Station DK-1”の正式受注を開始します。 また、ご購入いただいた方を対象とした、ディープラーニングの基礎から実際のデータの入力・分析操作までを1日で学ぶことができる「深層学習ベーシックセミナー」と、Pythonによるより本格的なデータ操作、ならびにLSTMの学習まで体験することができる「深層学習スタンダード
Deep Learningによるハンドサイン画像認識デモ 解説 (第一回) - 技ラボ
「ビッグデータEXPO東京 2015春」に展示しました「Deep Learningを利用したハンドサイン画像認識のデモ」について、全三回に分けて解説します。 今回は第一回です。シリーズ概要とデモ全体の概要について解説します。 by NagasawaKazuki 2015/04/20 はじめに ISPは、2015年3月12日(木)、13日(金)にザ・プリンスパークタワー東京で開催された「ビッグデータEXPO 東京」に出展しました。 ブースでは「Deep Learningを利用したハンドサイン画像認識のデモ」と「Deep Learningスターターキット」を展示し、多くの方に来訪していただきました。 当日の様子とブース 本連載では、ブースで展示していました「Deep Learningを利用したハンドサイン画像認識のデモ」について、技術的な内容を含めて全三回に分けて解説します。 シリーズ構成 本
富士通研究所、時系列データを高精度に分析する新たなDeep Learning技術を開発 | IoTNEWS
2021-09-092016-02-16 富士通研究所、時系列データを高精度に分析する新たなDeep Learning技術を開発 株式会社富士通研究所は、IoTアプリケーションに活用が期待される、振動が激しく人による判別が困難な時系列データに対して高精度な解析を可能とするDeep Learning技術（注1）を開発したと発表した。 Deep Learning技術は、人工知能の発展におけるブレークスルーとして注目されており、画像や音声では極めて高い認識精度を達成している一方で、適用できるデータの種類は限られている。特にIoT機器などから得られる、人による判別も困難なほどの激しい振動の時系列データを精度よく自動的に分類することは困難だった。 今回、最先端数学を活用し、時系列データから幾何的な特徴を抽出することで、激しい振動の時系列データを高精度に分類することができるDeep Learning技
Convolutional Neural Networkとは何なのか - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 機械学習の世界において、画像といえばConvolutional Neural Network(以下CNN)というのは、うどんといえば香川くらい当たり前のこととして認識されています。しかし、そのCNNとは何なのか、という解説は意外と少なかったりします。 そこで、本記事ではCNNについてその仕組みとメリットの解説を行っていきたいと思います。 なお、参考文献にも記載の通り解説の内容はStanfordのCNNの講座をベースにしています。こちらの講座はNeural NetworkからCNN、はてはTensorflowによる実装まで解説される予定な
What do channels refer to in a convolutional neural network?
Answer (1 of 6): Imagine a network as a sequence of "layers", where each layer is of the form x_{n+1} = f(x_n), where f(x) is a linear transformation followed by a non-linearity such as sigmoid, tanh or relu. The layers operate on 3-D chunks of data, where the first two dimensions are (generally)...
Deep Learningによるハンドサイン画像認識デモ 解説 (第三回) - 技ラボ
「ビッグデータEXPO東京 2015春」に展示しました「Deep Learningを利用したハンドサイン画像認識のデモ」について、全三回に分けて解説します。 今回は第三回、最終回です。デモアプリケーションの核となっている、ハンドサイン画像の学習について解説します。 by NagasawaKazuki 2015/05/11 Deep Learningによるハンドサイン画像認識デモ 解説 (第一回)Deep Learningによるハンドサイン画像認識デモ 解説 (第二回)Deep Learningによるハンドサイン画像認識デモ 解説 (第三回) はじめに ISPは、2015年3月12日(木)、13日(金)にザ・プリンスパークタワー東京で開催された「ビッグデータEXPO 東京」に出展しました。 ブースでは「Deep Learningを利用したハンドサイン画像認識のデモ」と「Deep Learni
Deep Learningによるハンドジェスチャ認識（第二回） - 技ラボ
第一回の記事でご紹介したハンドジェスチャ認識について具体的にどのように学習を実施していったかを解説します。 by wazalabo-editor 2016/01/16 Deep Learningによるハンドジェスチャ認識（第一回） 認識エンジン開発 学習・検証用画像の撮影から、Deep Learningによる学習と検証まで、下図①～④のサイクルを繰り返し行い、認識能力を段階的に強化しました。ハンドサイン認識での経験を活かし、１ヶ月の短期間で、簡単のデモを室内で行えるレベルまで認識精度を向上させることができました。 ① 撮影 当社社員約２０名に被写体として協力してもらい、ジェスチャの動画を撮影しました。学習後に室内である程度の認識ができるようになることを目指し、照明条件や撮影場所を変えて様々な環境で撮影を行いました。 ② 学習・検証用データの準備 撮影した動画から順に一秒分のフレームを切り出
%25E3%2581%25AE%25E7%2594%25A8%25E8%25AA%259E%25E3%2581%25A8Pytho)
scikit-learn (sklean)の用語とPython - つれづれ日記
scikit-learn (sklean)の用語とPython。 datasets: 学習に使う入力データ。標準でiris とdigitsが用意されているclf: 分類器(classifier) Python配列の添え字[-1]は、配列の最後の要素のこと[:-1]は、配列の最後の要素を除く、配列全体のこと[:100]は、配列の最初の100個の要素の配列のこと 最後の要素は予測(predict)させるためのデータ、それ以前の要素は学習(learning, classification)に使う。ただし、学習用の値と検証用の値は必ずしも分けない。配列についてはpythonはとても強い。他のプログラム言語では脆弱性になるところが、簡潔な指定方法の一つになっている。交差検定 (k-fold cross validation)では、学習用の値の配列の中から、複数の値をkセットとりだしてk回検証のための
3D Visualization of a Convolutional Neural Network
Input image: Filter: Weighted input: Calculation: Output: Draw your number here Downsampled drawing: First guess: Second guess: Layer visibility Input layer Convolution layer 1 Downsampling layer 1 Convolution layer 2 Downsampling layer 2 Fully-connected layer 1 Fully-connected layer 2 Output layer Made by Adam Harley. Project details.
Log In - Khoury Confluence Server
Log in Log in to Confluence Username Password Remember me Forgot your password? Čeština Dansk Deutsch Eesti English (UK) English (US) Español Français Íslenska Italiano Magyar Nederlands Norsk Polski Português Română Slovenčina Suomi Svenska Русский 中文 日本語 한국어 Powered by Atlassian Confluence 8.5.12 Printed by Atlassian Confluence 8.5.12 Report a bug Atlassian News Atlassian
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
http://vision.stanford.edu/teaching/cs231b_spring1415/slides/alexnet_tugce_kyunghee.pdf
https://kaigi.org/jsai/webprogram/2014/pdf/785.pdf
PFIセミナー2016/2/25：生成モデルのDeep Learning
GitHub - szcom/rnnlib: RNNLIB is a recurrent neural network library for sequence learning problems. Forked from Alex Graves work http://sourceforge.net/projects/rnnl/
http://www.vision.cs.chubu.ac.jp/MPRG/F_group/F146_yamashita2014.pdf