ネットワーク分析から直感的に理解するTransformerの仕組みと処理の流れ - あつまれ統計の森
グラフ理論と隣接行列 グラフ理論は点と線で物事を表す理論です。たとえば駅の路線図では下記のように駅を点、路線を線で表します。 東京メトロホームページより 上記の路線図では「駅と駅が隣接するかどうか」を中心に取り扱う一方で、それぞれの位置や方角などは厳密に再現はされません。このように、「隣接するかどうか」のみに着目して物事を表す際の理論を「グラフ理論」といいます。 グラフ理論では点をノード(node)、線をエッジ(edge)、全体をグラフ(graph)と定義します。数式で表すと$G = (V,E)$のように表しますが、$V$が頂点のVertice、$E$がEdge、$G$がGraphであるとそれぞれ解釈すると良いです。 グラフの表記法に関しては主に$2$通りあり、「①図を用いる」と「②隣接行列を用いる」をそれぞれ抑えておくと良いです。例があるとわかりやすいので下記のWikipediaの例を元
Introducing TensorFlow Graphics: Computer Graphics Meets Deep Learning
https://blog.tensorflow.org/2019/05/introducing-tensorflow-graphics_9.html https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEiLtbFBddaXSQ9x-oBlhU_mUrk7nd9XpEr0bWXFRiE9lNjdeGKKf6Zl5DKbqn7eiaY032Wmck2JDliqalyJx_f43Y-4Mspjkz3X7eBze1o7NhSnsyDRvEIpHli9oqEFBuJshVeRt7cEmW02/s1600/tf+graphics.jpeg May 09, 2019 — Posted by Julien Valentin and Sofien Bouaziz Github repository: https://github.com/te
Limitations of Deep Learning for Vision, and How We Might Fix Them
Limitations of Deep Learning for Vision, and How We Might Fix Them History of Deep Learning We are witnessing the third rise of deep learning. The first two waves — 1950s–1960s and 1980s–1990s — generated considerable excitement but slowly ran out of steam, since these neural networks neither achieved their promised performance gains nor aided our understanding of biological vision systems. The th
Microsoft acquires Lobe to help bring AI development capability to everyone - The Official Microsoft Blog
Lobe’s simple visual interface lets people easily create intelligent apps that can understand hand gestures, hear music, read handwriting, and more. Technology has already transformed the world we live in. Computers are ubiquitous, from the machines on our desks to the devices in our pockets and in our homes. Now, breakthroughs in artificial intelligence (AI) and deep learning are helping scientis
New AI Technique Helps Robots Work Alongside Humans | NVIDIA Technical Blog
Researchers from NVIDIA, led by Stan Birchfield and Jonathan Tremblay, developed a first of its kind deep learning-based system that can teach a robot to complete a task by just observing the actions of a human. The method is designed to enhance communication between humans and robots and at the same time further research that will enable people to work alongside robots seamlessly. “For robots to
looking-to-listen-audio-visual-speech.html
Posted by Inbar Mosseri and Oran Lang, Software Engineers, Google Research People are remarkably good at focusing their attention on a particular person in a noisy environment, mentally “muting” all other voices and sounds. Known as the cocktail party effect, this capability comes natural to us humans. However, automatic speech separation — separating an audio signal into its individual speech sou
The Linux Foundationとオープン ソース コミュニティ メンバーがLF Deep Learningを発足 － AI分野のオープン ソース成長推進をめざす - The Linux Foundation
The Linux Foundationとオープン ソース コミュニティ メンバーがLF Deep Learningを発足 － AI分野のオープン ソース成長推進をめざす Amdocs、AT&T、B.Yond、Baidu、Huawei、Nokia、Tech Mahindra、Tencent、Univa、ZTEがディープ ラーニング、人工知能、マシン ラーニングの導入加速で協力 2018年3月26日、ロサンゼルス (Open Networking Summit) 発 － The Linux Foundationは本日、新たな傘下プロジェクトLF Deep Learning Foundationを発足しました。同プロジェクトは、人工知能、マシン ラーニング、およびディープ ラーニングにおけるオープン ソース イノベーションを支援・維持し、これらのクリティカルな新技術を開発者やデータ サイエンテ
ディープラーニングの限界 | POSTD
(注：2017/04/08、いただいたフィードバックを元に翻訳を修正いたしました。 @liaoyuanw ) この記事は、私の著書 『Deep Learning with Python（Pythonを使ったディープラーニング）』 （Manning Publications刊)の第9章2部を編集したものです。現状のディープラーニングの限界とその将来に関する2つのシリーズ記事の一部です。 既にディープラーニングに深く親しんでいる人を対象にしています（例：著書の1章から8章を読んだ人）。読者に相当の予備知識があるものと想定して書かれたものです。 ディープラーニング： 幾何学的観察 ディープラーニングに関して何より驚かされるのは、そのシンプルさです。10年前は、機械認識の問題において、勾配降下法で訓練したシンプルなパラメトリックモデルを使い、これほど見事な結果に到達するなど誰も想像しませんでした。
画像を最適かつ自動的にトリミングするニューラルネットワークのご紹介
Twitterに直接画像をツイートできるようになったのは2011年。以来、Twitterを楽しむ上で不可欠な要素になりました。Twitter上には、毎日数百万を超える画像がアップロードされていますが、それぞれのサイズも解像度も異なるため、UI上で各画像を最適な形で表示できるように処理を行うことが課題になっていました。皆さんのタイムライン上の画像は、一貫性があり、より多くのツイートを目にできるようにトリミングされています。今回は、Twitterがどの画像をトリミングし、画像のどの部分を表示するか、どのように決めているのかをご案内します。 以前は、顔認識技術を利用し、画像の中でもっともわかりやすい顔を中心にトリミングを行っていました。これはもっともわかりやすい方法ではありましたが、全ての画像に顔が含まれているわけではないため、ベストな方法とは言えませんでした。また、使用していた顔認識技術では顔
Microsoft builds a bot that draws what you tell it to
All Microsoft Global Microsoft 365 Teams Copilot Windows Surface Xbox Deals Small Business Support Software Windows Apps AI Outlook OneDrive Microsoft Teams OneNote Microsoft Edge Skype PCs & Devices Computers Shop Xbox Accessories VR & mixed reality Certified Refurbished Trade-in for cash Entertainment Xbox Game Pass Ultimate PC Game Pass Xbox games PC and Windows games Movies & TV Business Micro
Generating Photorealistic Images of Fake Celebrities with Artificial Intelligence | NVIDIA Technical Blog
Generating Photorealistic Images of Fake Celebrities with Artificial Intelligence Researchers from NVIDIA recently published a paper detailing their new methodology for generative adversarial networks (GANs) that generated photorealistic pictures of fake celebrities. One of the hottest topics in deep learning is GANs, which have the potential to create systems that learn more with less help from h
豊橋技術科学大学、深度データのみでDeep learningを用いて様々なポーズ（姿勢認識）を推定する方法を開発。約10万個のデータを無料公開
豊橋技術科学大学、深度データのみでDeep learningを用いて様々なポーズ（姿勢認識）を推定する方法を開発。約10万個のデータを無料公開 2017-07-12 豊橋技術科学大学の三浦研究室の研究者らは、深度データのみを使用しDeep learningを用いて様々なポーズ（姿勢認識）を推定する方法を開発しました。 これは介護ロボットなどが要介護者の状態（初期推定）を把握するために開発されました。 従来の認識方法は、画像認識が主流であり、しかしこの方法はプライバシーの問題や暗い場所での使用に関する問題などの課題に直面しているのが現状です。そこで、深度データのみを用いて姿勢認識を行う方法をとります。 本研究では、コンピュータグラフィックス技術とモーションキャプチャ技術を組み合わせて大量のトレーニングデータを生成する方法を確立するアプローチをとります。 まず様々なボディ形状のCGデータを作成
NVIDIA と Facebook が協力し、Caffe2 ディープラーニング フレームワークを拡充 | NVIDIA
NVIDIA と Facebook は、Caffe2 を利用して人工知能を進化させる、共同開発の結果を発表しました。Caffe2 とは、Facebook のオープンソース コミュニティに対する貢献により実現した、新しい AI ディープラーニング フレームワークです。 世界は毎日、テキスト、写真、ビデオなど、情報を生み出しています。Facebook は、このような情報の管理に役立つ新しい AI システムを開発し、情報の量が増えていったとしても、人々が世界をより適切に理解し、より効果的なコミュニケーションを図れるようにしています。Caffe2 を利用すると、開発者と研究者は、大規模に分散されたトレーニング シナリオを作成でき、エッジ デバイス向けの機械学習アプリケーションを構築できるようになります。 AI 対応サービスのモバイルでの提供は、一瞬のうちに完了しなければならない、複雑なデータ処理タ
Michael Nielsen著のオンライン書籍「ニューラルネットワークと深層学習」の翻訳に参加しました - 緑茶思考ブログ
日本語訳に参加させていただいた書籍は下記のリンクから読めます！ オリジナル書籍：Neural Networks and Deep Learning 日本語版書籍：ニューラルネットワークと深層学習 量子コンピューティング分野の物理学者Michael Nielsenという方の執筆したオンライン書籍です。 この書籍の内容はニューラルネットの入門者向けとなっています。 「なぜ？」の部分について詳しく、そしてとても分かりやすく記述されていておすすめです。 本書を読むと、例えば以下の疑問について説明できるようになります。 なぜ2層ニューラルネットは任意の関数を近似できるのか なぜ勾配消失や勾配爆発などの問題が起きるのか なぜ正規化項にバイアスは含まれないのか 個人的には、深層学習を学び始めた人が、 ゼロから作るディープラーニングの次に読むべき書籍は本書だと思っています。 翻訳参加のきっかけ 2017年
畳み込みニューラルネットワークの仕組み | POSTD
(編注：2016/11/17、記事を修正いたしました。) ディープラーニングの分野でテクノロジの進化が続いているということが話題になる場合、十中八九畳み込みニューラルネットワークが関係しています。畳み込みニューラルネットワークはCNN（Convolutional Neural Network）またはConvNetとも呼ばれ、ディープニューラルネットワークの分野の主力となっています。CNNは画像を複数のカテゴリに分類するよう学習しており、その分類能力は人間を上回ることもあります。大言壮語のうたい文句を実現している方法が本当にあるとすれば、それはCNNでしょう。 CNNの非常に大きな長所として、理解しやすいことが挙げられます。少なくとも幾つかの基本的な部分にブレークダウンして学べば、それを実感できるでしょう。というわけで、これから一通り説明します。また、画像処理についてこの記事よりも詳細に説明
TensorFlowによるDCGANでアイドルの顔画像生成 その後の実験など - すぎゃーんメモ
memo.sugyan.com の続編。 あれから色々な変更しつつ実験してみたりしたのでその記録。 結論を先に書くと、これくらい改善した。 DCGAN ざっくりおさらい Generator: 乱数の入力から画像を生成する Discriminator: 入力した画像がGeneratorが生成したものか学習データのものかを判別する という2種類のネットワークを用意し、お互いを騙す・見破るように学習を行うことで Generatorが学習データそっくりの画像を生成できるようになる、というもの 学習用画像の増加 前回の記事では90人の顔画像データから生成していたけど、あれから収集を続けて もう少し多く集まったので、今回は260人から集めた顔画像100点ずつ、計26,000件を学習に使用した。 Feature matching openai.com の記事で紹介されている "Improved Tech
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
【深層学習入門】画像処理の基礎(画素操作)からCNN設計まで｜はやぶさの技術ノート
Updating Google Maps with Deep Learning and Street View
Impressive Adobe Algorithm Transfers One Photo's Style Onto Another
長文日記
