3DCGで構築のリアルタイムに動くVR内デジタルヒューマン「MEETMIKE」がSIGGRAPH 2017に登場。約44万のポリゴン/3種のDeep learning使用
3DCGで構築のリアルタイムに動くVR内デジタルヒューマン「MEETMIKE」がSIGGRAPH 2017に登場。約44万のポリゴン/3種のDeep learning使用 2017-08-03 米ロサンゼルスで開催するSIGGRAPH 2017 VR Villageにて、「MEETMIKE」と呼ぶUnreal Engineで制作されたリアルタイムで動作するVR内CGアバターが披露されました。 CGで制作されたアバターは、Nvidia GTX 1080 Ti、RAM 32GBの1台のパソコンから90fpsでリアルタイム・レンダリングされます。 VRヘッドセットには、HTC Viveが用いられており、顔の追跡にはVive Trackerを装備したフェイシャル・トラッキング用カメラリグが使用されます。 カメラリグを装着しているのは、シドニー大学のMike Seymour氏。彼を予めスキャンしリア
Deep Learning and Reinforcement Learning Summer School 2017 - Mila
Deep Learning and Reinforcement Learning Summer School 2017 DLSS: June 26th - July 1st, 2017 & RLSS: July 3rd - 5th, 2017
MNISTを認識するニューラルネットワークの画像化 - Qiita
ニューラルネットワークによる手書き数字認識について、各ノードへの元画像の影響を視覚化します。 アルゴリズム 【注】適当に思い付いたアルゴリズムです。どの程度正確に影響度が測れるかは未検証です。 比較の基準としてピクセルがすべて0のソースで各ノードの値を計算します。 評価対象とする画像を用意します。1ピクセルだけソースに入れて各ノードの値を計算して、すべて0のときと値を比較します。これをすべてのピクセルに対して行ったものを、ノードごとに特定のピクセルが与える影響とします。 これを画像化することで、視覚的に影響を見ることができます。 準備 『ゼロから作るDeep Learning』のサンプルを使います。 https://github.com/oreilly-japan/deep-learning-from-scratch 初回実行時にMNIST（手書き数字のデータ）をダウンロードするようになっ
グーグル、目から顔の表情を推測するVRゴーグル--アバターをリアルタイム生成
仮想現実（Virtual Reality：VR）用のゴーグルを装着すると、顔の相当部分が隠されてしまい、対面コミュニケーション時に重要な役割を担う表情がほとんど見えない。これに対し、GoogleはVRゴーグルに装着者の表情を合成する複合現実（MR）技術を開発して、問題の解決を図った。 また、クラウドファンディングサービス「Kickstarter」で支援を募っていた取り組みでは、2つの赤外線カメラで目と目の周囲、口、あごの動きをとらえ、その情報にもとづいてアバターの表情を変えるVRゴーグル「Veeso」といったものも存在した。 今回は、Veesoと同様の機能をよりシンプルな方法で実現するGoogleの新たな人工知能（AI）技術「Eyemotion」を紹介しよう。 この技術は、VRゴーグルの内部に組み込んだ赤外線（IR）視線トラッキングカメラからのデータを利用し、AIが顔の表情を推測する。推測
TensorFire
TensorFire is a framework for running neural networks in the browser, accelerated by WebGL. Applications powered by TensorFire can utilize deep learning in almost any modern web browser with no setup or installation. TensorFire models run up to 100x faster than previous in-browser neural network libraries, at speeds comparable to highly-optimized native CPU code. TensorFire has two parts: a low-le
Creatism: A deep-learning photographer capable of creating professional work
Machine-learning excels in many areas with well-defined goals. However, a clear goal is usually not available in art forms, such as photography. The success of a photograph is measured by its aesthetic value, a very subjective concept. This adds to the challenge for a machine learning approach. We introduce Creatism, a deep-learning system for artistic content creation. In our system, we break dow
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
We introduce an extremely computation-efficient CNN architecture named ShuffleNet, which is designed specially for mobile devices with very limited computing power (e.g., 10-150 MFLOPs). The new architecture utilizes two new operations, pointwise group convolution and channel shuffle, to greatly reduce computation cost while maintaining accuracy. Experiments on ImageNet classification and MS COCO
Rails 5.1 API with Vue.js frontend, part 4: Authentication and authorization
Rails 5.1 API with Vue.js frontend, part 4: Authentication and authorization Time to deal with authenticating users in our bookstore application. This is an onging series of articles. It’s highly recommended you start with part 0! What is token authentication? “And why do we even need it?” are two questions you might be asking yourself right now. You’re probably familiar how a simple authenticatio
人工知能に関するメモ
どうもジャングルオーシャンのミケです。 最近IT界隈で流行っている人工知能のメモをしていく随時更新ページ Tensor FlowGoogle www.tensorflow.org jp.techcrunch.com CaffeBAIR Caffe | Deep Learning Framework jp.techcrunch.com ChainerPreferred Networks Chainer: A flexible framework for neural networks AlexaAmazon amazon Developer TheanoWelcome — Theano 0.9.0 documentation WatsonIBM www.ibm.com それじゃ今日はこの辺で！ また来てね！
Lua版 ゼロから作るDeep Learning その１６［単純なレイヤの実装］ - Qiita
--Copyright (C) 2017 Kazuki Nakamae --Released under MIT License --license available in LICENSE file --- MulLayerクラス（オブジェクト） -- 乗算レイヤを実装 MulLayer={} MulLayer.new = function() local obj = {} --メンバ変数 obj.x = nil obj.y = nil -- @function self.forward() -- 順伝搬 -- @param x 入力１{Type:number} -- @param x 入力２{Type:number} -- @return 乗算結果{Type:number} obj.forward = function(self, x, y) self.x = x self.y = y
Lua版 ゼロから作るDeep Learning その１４［二層ニューラルネットワークの実装］ - Qiita
--Copyright (C) 2017 Kazuki Nakamae --Released under MIT License --license available in LICENSE file common = require './common' --[[***クラスの定義*******************************************************************]] --- simpleNetクラス（オブジェクト） -- 単純なニューラルネットワークを生成する -- @param input_size 入力層のニューロン数{Type:Tensor} -- @param hidden_size 隠れ層内のニューロン数{Type:Tensor} -- @param output_size 出力層のニューロン数{Type:Tensor} Tw
MXNetをAmazon Deep Learning AMIとスポットインスタンスのGPUで試してみる | DevelopersIO
はじめに ディープラーニングフレームワークであるMXNetを、Amazon Deep Learning AMIとGPUインスタンスで試してみました。あらかじめ用意されているAMIを使うことで、インストール作業を全くすること無しに、すぐに動作させることができます。ディープラーニングに必須アイテムとも言えるGPUですが、スポットインスタンスを使えばお安く試すことができます。 Deep Learning AMI GPUを使ったディープラーニングをすぐに使えるようにするDeep Learning AMIが提供されています。以下のように、たくさんのディープラーニングフレームワークがあらかじめインストール済みとなっています。 MXNet Caffe Caffe2 TensorFlow Theano CNTK Torch Keras これらのフレームワークに加えて、GPUを使うためのCuda関連のドライ
Optimizing the Latent Space of Generative Networks
Generative Adversarial Networks (GANs) have achieved remarkable results in the task of generating realistic natural images. In most successful applications, GAN models share two common aspects: solving a challenging saddle point optimization problem, interpreted as an adversarial game between a generator and a discriminator functions; and parameterizing the generator and the discriminator as deep
ディープラーニングの実社会での活用を推進ーDeep Learning Labキックオフセミナー
ディープラーニングに関する開発事例や最新技術動向を発信するコミュニティ「Deep Learning Lab」は、都内でコミュニティのキックオフイベントを実施した。開催に先立ち日本マイクロソフトの新井氏が登壇、コミュニティ発足の背景となったPreferred Networks社（以降、PFN）との戦略的協業に触れ、「人工知能や深層学習の実社会での活用を推進していく、この分野でもパブリッククラウドが活用できるようになってきた」と抱負を述べた。 PFNとマイクロソフトの提携が意味するもの イベント冒頭では、株式会社Preferred Networks 取締役 最高執行責任者 COOの長谷川 順一氏が登壇。PFNは、その前身である検索エンジンや自然言語処理を手がけるPreferred Infrastructureから2014年にスピンアウトした、IoTとAIで大規模なデータ解析を行うスタートアップ
STN-OCR: A single Neural Network for Text Detection and Text Recognition
Detecting and recognizing text in natural scene images is a challenging, yet not completely solved task. In re- cent years several new systems that try to solve at least one of the two sub-tasks (text detection and text recognition) have been proposed. In this paper we present STN-OCR, a step towards semi-supervised neural networks for scene text recognition, that can be optimized end-to-end. In c
The data that transformed AI research—and possibly the world
In 2006, Fei-Fei Li started ruminating on an idea. Li, a newly-minted computer science professor at University of Illinois Urbana-Champaign, saw her colleagues across academia and the AI industry hammering away at the same concept: a better algorithm would make better decisions, regardless of the data. But she realized a limitation to this approach—the best algorithm wouldn’t work well if the data
What's next after deep learning?
Answer (1 of 22): There is a long long way to go from here. Deep Learning is not based on an elegant theory. It just involves a series of gradient calculations done over and over again until you reach a satisfactory point of convergence. It is simply because deep learning gives us a very low erro...
2017年 PFN夏季インターンシップのコーディング課題公開 - Preferred Networks Research & Development
* English blog is also written here. PFNでは毎年8、9月に学生の方を対象とした2カ月間の長期インターンシップを実施しています。 今年も2017年のPFN 夏季インターンを募集したところ多数の応募をいただき、先日無事に選考が終了しました。 ・PFN 2017夏季 インターン募集 それに伴い、今回PFNのインターンコーディング課題をgithub上で公開しました。 https://github.com/pfnet/intern-coding-tasks PFN自身、現在拡大中ということもあり、様々な専門性を持つ社員が集まってきています。社内でインターン実施テーマの候補だしをした結果、様々なテーマ案があがったため、今年度は機械学習分野のみならず、フロントエンド・バックエンド・チップ開発分野と範囲を広げて募集を行いました。 今回、インターンの募集に当たって、オ
A Step-by-Step Guide to Synthesizing Adversarial Examples
Synthesizing adversarial examples for neural networks is surprisingly easy: small, carefully-crafted perturbations to inputs can cause neural networks to misclassify inputs in arbitrarily chosen ways. Given that adversarial examples transfer to the physical world and can be made extremely robust, this is a real security concern. In this post, we give a brief introduction to algorithms for synthesi
Magic Leap、深層畳み込みニューラルネットワークによって駆動するSLAMトラッキング・アルゴリズム「Deep SLAM」を論文にて公開。「Deep-Learningを搭載したSLAMを大規模に展開する日は遠くない」
Magic Leap、深層畳み込みニューラルネットワークによって駆動するSLAMトラッキング・アルゴリズム「Deep SLAM」を論文にて公開。「Deep-Learningを搭載したSLAMを大規模に展開する日は遠くない」 2017-07-27 総額22億ドル以上を資金調達している米国のARスタートアップ「Magic Leap」の研究者は、深層畳み込みニューラルネットワークによって駆動するSLAMトラッキング・アルゴリズム「Deep SLAM」について記述した論文を公開しました。 Toward Geometric Deep SLAM（PDF） Magic Leapの研究者であるDaniel DeTone氏、Tomasz Malisiewicz氏、Andrew Rabinovich氏によって作成されたこの論文は、機械学習を使用し自己位置推定と環境地図作成を同時に行う「SLAM（Simulta
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
