東工大、0.5秒後の相手の動きをリアルタイムに予測するdeep learningを用いた格闘訓練システム「FuturePose」発表
東工大、0.5秒後の相手の動きをリアルタイムに予測するdeep learningを用いた格闘訓練システム「FuturePose」発表 2019-04-23 東京工業大学による研究チームは、0.5秒後の相手の動きをリアルタイムに予測し格闘の訓練ができるdeep learningを用いたシステム「FuturePose」を発表しました。 論文：FuturePose – Mixed Reality Martial Arts Training Using Real-Time 3D Human Pose Forecasting With a RGB Camera 著者：Erwin Wu ; Hideki Koike 所属：Tokyo Institute of Technology 本論文は、1台のRGBカメラによる画像から0.5秒後の相手の動きをリアルタイムに予測するdeep learningを用いた
電通、AIでテレビ番組視聴率を事前に予測する「SHAREST」開発
電通は6月16日、ディープラーニングを用いることで、高精度にテレビ視聴率を予測できるシステム「SHAREST（β版）」を開発したと発表した 同社では、2015年10月よりデータアーティストと共同で、過去の視聴率データ、番組ジャンル、出演者情報、インターネット上のコンテンツ閲覧傾向などのデータをベースとしたディープラーニングのモデル構築を実施。放送前のテレビ視聴率を予測するシステムを研究していたという。今回、高速データ解析プラットフォーム内で予測視聴率を算出できるプログラムを構築し、安定した視聴率予測が可能になったという。 近年、テレビに関係する多数のマーケティングデータが取得できるようになり、過去のテレビ視聴とマーケティングデータとの関連性をAIが学習することで、これまで達成が難しかったターゲット別（性年代別など）の視聴率予測とその自動化が実現できるようになったという。このため、それぞれタ
飯塚里志 — ディープネットワークによる画像補完（SIGGRAPH 2017）
概要： 本研究では，畳み込みニューラルネットワークを用いて，シーンの大域的かつ局所的な整合性を考慮した画像補完を行う手法を提案する．提案する補完ネットワークは全層が畳み込み層で構成され，任意のサイズの画像における自由な形状の「穴」を補完できる．この補完ネットワークに，シーンの整合性を考慮した画像補完を学習させるため，本物の画像と補完された画像を識別するための大域識別ネットワークと局所識別ネットワークを構築する．大域識別ネットワークは画像全体が自然な画像になっているかを評価し，局所識別ネットワークは補完領域周辺のより詳細な整合性によって画像を評価する．この2つの識別ネットワーク両方を「だます」ように補完ネットワークを学習させることで，シーン全体で整合性が取れており，かつ局所的にも自然な補完画像を出力することができる．提案手法により，様々なシーンにおいて自然な画像補完が可能となり，さらに従来の
DCGANで名刺のデザインを試みた - Stimulator
- はじめに - 社内ハッカソンと社内勉強会のネタとして、今更ながらGenerative Adversarial Networks*1 (GAN)とその応用とも言えるモデルであるDeep Convolutional Generative Adversarial Networks*2 (DCGAN)について調査し、実際に検証を行った。 この記事は、DCGANについていくらか調査、検証した部分について記述しておくものである。 なお、画像生成系のモデルは以前より話題になっていたため論文には目を通していたが、実際に触ったのは初めてである。 題材として「名刺」の画像をDCGANで生成する事を試みた。 その過程と結果を示す。 - GANとDCGAN - DCGANはGANに対してConvolutional Neural Networks(CNN)を適応する構成手法のようなものである。 生成モデルにおけ
1
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
処理を実行中です
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
