リクルートテクノロジーズの画像解析システムでは、「Convolutional Neural Net(CNN)」と呼ぶ画像解析手法を採用している。CNNでは各種パラメーターを調整(チューニング)することで誤判定率が変化する(CNNそのものやパラメーターチューニングについては、連載『いまさら聞けないDeep Learning超入門』でも紹介している)。 ただし、CNNで調整可能なパラメーターは種類が多く、どのパラメーターをどのように変更したら精度がどう変化するかを見るといった作業を繰り返して最適な設定を見つける必要がある。このプロセスを人手に頼った場合は手間と時間がかかる課題があった。 今回の取り組みでは、こうしたチューニングプロセスを「DFO(Derivative Free Optimization)」と呼ぶ手法を用いて自動化。人手を掛けずにチューニングを繰り返し試行できるようにしたという。
連載目次 最近注目を浴びることが多くなった「Deep Learning(ディープラーニング・深層学習)」と、それを用いた画像に関する施策周りの実装・事例について、リクルートグループにおける実際の開発経験を基に解説していく本連載。 前回までは、下記のように解説してきました。ニューラルネットワーク、Deep Learning、Convolutional Neural Net(CNN)の基礎知識と活用例、主なDeep Learningフレームワークを紹介し、リクルートグループで画像解析において積極的に利用しているフレームワーク「Caffe」を中心にDeep Learningを利用した画像解析について解説。そして、リクルートグループにおける画像解析の事例を紹介し、ビジネスへの活用に当たり、CNNだけでは乗り超えられない壁を乗り越えるまでの試行錯誤の過程を解説しました。 第1回「ニューラルネットワー
The acquisition of labeled data for a learning problem often requires a skilled human agent (e.g. to transcribe an audio segment) or a physical experiment (e.g. determining the 3D structure of a protein or determining whether there is oil at a particular location). The cost associated with the labeling process thus may render large, fully labeled training sets infeasible, whereas acquisition of un
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