失敗から学ぶ機械学習応用
5. 5 目録 ◼ 私の失敗体験談（不均衡データの学習） ◼ 機械学習開発における壁 • 機械学習のビジネスフレームワーク「5D」 • Define（定義する） • Data（データを集める） • Development（開発する） • Deploy（実装する） • Drive（運用する） ◼ ビジネス応用における壁 • AIを使ったキュウリの自動選別 • 機械学習を使って売り上げに貢献する • 機械学習を使わない選択肢 ◼ まとめ 6. 6 目録 ◼ 私の失敗体験談（不均衡データの学習） ◼ 機械学習開発における壁 • 機械学習のビジネスフレームワーク「5D」 • Define（定義する） • Data（データを集める） • Development（開発する） • Deploy（実装する） • Drive（運用する） ◼ ビジネス応用における壁 • AIを使ったキュウリの自動選別 • 機
Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―
2. 自己紹介 2007～2014 東京大学 話者認識 形状の数式表現、Mixed Reality 2014～2015 三菱電機 車内センシング（ドライバモニタ） 2015～ デンソー（東京支社） 車外センシング（物体検出等） 技術動向調査（論文・特許） http://toyota.jp/technology/safety/toyota_safety_sense_p/ より引用 三菱電機公式サイトより引用 ※本発表は個人として行うものであり 所属組織を代表するものではありません 3. CNNのモジュール • Convolution • Activation ReLU, LReLU, PReLU, RReLU, ELU, SELU, NG, tanh, Maxout, … • Normalization Batch Normalization, Weight Normalization, L
コンピュータビジョン分野メジャー国際会議 Award までの道のり
cvpaper.challenge はコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はxpaper.challengeの2020年末ワークショップとしてプレゼンした、メジャー会議Awardまでの道のりです。CV分野のメジャー会議のひとつACCV 2020にて受賞したコツや学びを紹介しています。Read less
たのしい関数型
19. 具体例 JavaでListを扱うコード List<Integer> list = new ArrayList<>(); list.add(1); list.add(2); list.add(3); System.out.println(list.get(0)); // 1 list.set(0, 4); System.out.println(list.get(0)); // 4 20. 具体例 JavaでListを扱うコード List<Integer> list = new ArrayList<>(); list.add(1); list.add(2); list.add(3); System.out.println(list.get(0)); // 1 list.set(0, 4); 副作用 副作用 System.out.println(list.get(0)); // 4 Li
機械学習で泣かないためのコード設計 2018
1. Copyright © TIS Inc. All rights reserved. 機械学習で泣かないためのコード設計 2018 戦略技術センター 久保隆宏 Don't cry anymore when creating machine learning model 2. Copyright © TIS Inc. All rights reserved. 2 ◼ はじめに ◼ 機械学習モデルの開発における問題点 ◼ 原因の特定が難しい ◼ コード上で管理できない依存が発生する ◼ 処理に必要な静的ファイルが多い ◼ 設計による問題の解決 ◼ 機械学習モデル開発におけるモジュール構成 ◼ 構成のポイント ◼ vs問題の切り分けが難しい ◼ vsコード上で管理できない依存が発生する ◼ vs処理に必要な静的ファイルが多い ◼ おわりに 目次 3. Copyright © TIS Inc.
機械学習モデルの判断根拠の説明（Ver.2）
【第40回AIセミナー】 「説明できるAI 〜AIはブラックボックスなのか？〜」 https://www.airc.aist.go.jp/seminar_detail/seminar_040.html 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演ではこれら近年の代表的な説明法について紹介する。Read less
[DL輪読会]SlowFast Networks for Video Recognition
2. ���� • ���� Ø I��g�Qcd DUdg�b�c���b�L�TU��HU�����d��� Ø ��2�9Xb�cd��X��U��XdU�X��Ub��>Q��� �Q�����dU�TbQ�CQ������Q����� >U Ø ��2��Q�U�����7?�HUcUQb�X���7?H� Ø ?99L�()1��bQ����()0')�')(����Qb��f� Ø ����Ub����dXU�7L7�f�TU��Q�d�f�di�TUdU�d�����XQ��U��U�Qd�9LFH��()1� �
![[DL輪読会]SlowFast Networks for Video Recognition](https://cdn-ak-scissors.b.st-hatena.com/image/square/2519b4209debb1fa36d1e0af290fdc3596dcad5a/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2F20191206slowfastnetworkkuboshizuma-191206010601-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
Action Recognitionの歴史と最新動向
This document summarizes recent developments in action recognition using deep learning techniques. It discusses early approaches using improved dense trajectories and two-stream convolutional neural networks. It then focuses on advances using 3D convolutional networks, enabled by large video datasets like Kinetics. State-of-the-art results are achieved using inflated 3D convolutional networks and
プログラミングコンテストでのデータ構造
2. 内容 • Union-Find 木 • バケット法と平方分割 • セグメント木 • 共通点：自分で実装するデータ構造 • セグメント木が中心 – IOI でのセグメント木の出題が非常に多い
Googleのインフラ技術から考える理想のDevOps
デブサミ2017で発表予定の資料です。 http://event.shoeisha.jp/devsumi/20170216 2017/02/14 ver1.0 公開Read less
Triplet Loss 徹底解説
ClassificationとMetric Learningの違い、Contrastive Loss と Triplet Loss、Triplet Lossの改良の変遷などRead less
[DL輪読会]When Does Label Smoothing Help?
1. 1 DEEP LEARNING JP [DL Papers] http://deeplearning.jp/ When Does Label Smoothing help? (NeurIPS2019) MasashiYokota, RESTAR Inc. 2. 書誌情報 • 著者 – Rafael Müller, Simon Kornblith, Geoffrey Hintonら Google Brainの研究チーム – NeurIPS2019 採択 • Penultimate layer(Softmax層の一つ前の層) を線形な方法で二次 元平面に可視化。それによりLabel Smoothingの効果の直感的な 理解を可能にし、さらにLabel Smoothingについて深く分析した。 2
![[DL輪読会]When Does Label Smoothing Help?](https://cdn-ak-scissors.b.st-hatena.com/image/square/f1e1e09ef5e9eec44360ae41e82085c417045f0f/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fyokota20191227dl-191227001522-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
CVPR 2015 論文紹介（NTT研究所内勉強会用資料）
5月22日、研究所内勉強会の担当回だった時の資料（一部変更）。 画像説明文生成や真相学習を利用した画像生成など、以下のオーラル発表5本を紹介。 1. Show and Tell: A Neural Image Caption Generator 2. Long-term Recurrent Convolutional Networks for Visual Recognition and Description 3. Deep Visual-Semantic Alignments for Generating Image Descriptions 4. Deep Neural Networks are Easilly Fooled: High Confidence Predictions for Unrecognizable Images 5. Understanding Deep Ima
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
論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding
SuperGlue;�Learning Feature Matching with Graph Neural Networks (CVPR'20)
【DL輪読会】Visual ChatGPT: Talking, Drawing and Editing with Visual Foundation Models
[DL輪読会]Ensemble Distribution Distillation
文献紹介：Deep Analysis of CNN-Based Spatio-Temporal Representations for Action Recognition
Semi supervised, weakly-supervised, unsupervised, and active learning
[Mmlab seminar 2016] deep learning for human pose estimation