Improving neural networks by preventing co adaptation of feature detectors近年ディープラーニング（深層学習）は急速な進化を遂げ、多くの分野での利用が進んでいます。弊社はディープラーニングフレームワークChainerを開発し、オープンソースで公開しています。Pythonを用いて様々な構造のニューラルネットを簡単に構築でき、GPU上での計算もサポートするChainerについて紹介します。また、ディープラーニングの活用例として、ディープラーニングと強化学習を組み合わせて、複数台のロボットに適切な行動を獲得させた事例について説明します。
On Multiplicative Integration with Recurrent Neural Networks
We introduce a general and simple structural design called Multiplicative Integration (MI) to improve recurrent neural networks (RNNs). MI changes the way in which information from difference sources flows and is integrated in the computational building block of an RNN, while introducing almost no extra parameters. The new structure can be easily embedded into many popular RNN models, including LS
DropNeuron: Simplifying the Structure of Deep Neural Networks
Deep learning using multi-layer neural networks (NNs) architecture manifests superb power in modern machine learning systems. The trained Deep Neural Networks (DNNs) are typically large. The question we would like to address is whether it is possible to simplify the NN during training process to achieve a reasonable performance within an acceptable computational time. We presented a novel approach
誰でも無料で学術論文を読める「Sci-Hub」でダウンロードされた2800万件の論文を国・曜日・時間・人口比率などを解析してグラフ化
科学誌に投稿された学術論文を読むには購読料を支払う必要があり、これが誰もが科学に触れられる機会を制限しているという批判的な精神から、世界中の学術論文を公開している海賊版サイトとして「Sci-Hub」が知られています。Sci-Hubは論文がダウンロードされた状況についてのデータを公開しており、このデータを詳しく調べると、どのような国でダウンロードが多いのか、論文が閲覧されやすい時間帯はいつなのかなどを知ることができます。 The Winnower | Correlating the Sci-Hub data with World Bank Indicators and Identifying Academic Use https://thewinnower.com/papers/4715-correlating-the-sci-hub-data-with-world-bank-indicat
論文に関する基礎知識2016
2018年分差分Upしました． https://www.slideshare.net/tallzelkova/2018-99872316 研究室に入ったB4向け論文の読み方探し方講座のスライド．ほんのり更新しました．論文の書き方は結構更新があったのですがUpしていいかわからなかったのでとりあえずOFFで． // --- 以下昨年のコピペ --------- 本スライドは前所属の立命館大学 田村・木村・柴田研究室OBの一刈さんに始まり，大槻，石黒君，現D3の森君，他によるBrushupによって現行の形になりました．ここにお礼を申し上げます． シンポジウムとジャーナル，国際会議の論文の評価や価値については分野によって異なる可能性があります．あくまで大槻の研究分野での話であることはご承知おきください． また，内容は個人の見解によるところも大きいです．よろしくお願いいたします． Read less
人工知能学会全国大会2016 画像解析寄りの深層学習関連発表のまとめ - LIFULL Creators Blog
こんにちは。おうちハッカー@リッテルラボラトリーの石田です。 2016年6月6日~9日に開催された第30回人工知能学会全国大会に行ってきました。私は画像系及び深層学習に興味があるので、特に画像系と深層学習系セッションを見て回りました。 そこで主に自分が見たセッションを元に、今年の人工知能学会の画像に関わる深層学習の発表をまとめてみました。 私が見た・読んだ範囲で、「各分野にCNNを適用した研究」「画像系深層学習の理論的な研究」「画像ではないが気になった深層学習の研究 」に分けて紹介します。 自分で実際に見た発表については、おすすめ度をつけています。個人の主観によるものですので、弊社の見解とは関係がありません。 ではどうぞ。 各分野にCNNを適用した研究 ここでは、画像系で大きな成果を上げているCNN(畳み込みニューラルネットワーク)を、各分野の画像解析に適用してみた研究を紹介します。 画像
Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning
While great strides have been made in using deep learning algorithms to solve supervised learning tasks, the problem of unsupervised learning - leveraging unlabeled examples to learn about the structure of a domain - remains a difficult unsolved challenge. Here, we explore prediction of future frames in a video sequence as an unsupervised learning rule for learning about the structure of the visua
ochiaiの備忘録 論文読んだ：Deep Predictive Coding Networks(Deep PredNet)
Deep Predictive Coding Network(Deep PredNet)とは ニューラルネットの一種 開発元：CoxLab(http://www.coxlab.org/) 論文：Deep Predictive Coding Networks for Fideo Prediction and Unsupervised Learning できること： 時系列予測。 論文中では動画を受け取り、次に来るフレームの画像を予測、生成している。 何がすごいか(ochiai主観)： ○画像から直接次のフレームを予測している ○次のフレームの画像を生成できる ○大脳新皮質の構造に似ている(階層構造) ○高い階層に抽象的な特徴が自動生成される ○教師なし学習 Deep PredNetの構造 Deep PredNetの構造。右の図は一層分だけ拡大したもの。 更新式 状態更新のアルゴリズム。トップ
Convolutional Sketch Inversion
In this paper, we use deep neural networks for inverting face sketches to synthesize photorealistic face images. We first construct a semi-simulated dataset containing a very large number of computer-generated face sketches with different styles and corresponding face images by expanding existing unconstrained face data sets. We then train models achieving state-of-the-art results on both computer
【2016.03】cvpaper.challenge2016
cvpaper.challengeにて2016年3月にサーベイした論文のまとめです． Computer Visionの"今"をまとめています． cvpaper.challenge2016は産総研，東京電機大，筑波大学，東京大学，慶應義塾大学のメンバー約30名で構成されています． 2015年はCVPR2015の全602論文を読破し，PRMUにて論文調査からアイディア考案，論文化までをカバーする「DeepSurvey」を提案しました． 2016年は「1000本超の読破」と「コンピュータビジョンの上位会議への投稿」を目標に活動しております． Twitterで論文情報を随時アップしてます． Twitter： https://twitter.com/CVpaperChalleng 質問コメント等がありましたらメールまで． Mail ： cvpaper.challenge@gmail.com Read
【2016.02】cvpaper.challenge2016
2. Haoyu Ren, Ze-Nian Li, “Object Detection Using Generalization and Efficiency Balanced Co-occurrence Features”, in ICCV, 2015. 【1】 Keywords: Co-occurrence Features, Generalization and Efficiency Balanced (GEB) framework for Boosting 新規性・差分 手法 結果 概要 Haar-lke特徴，Local Binary Pattern (LBP), HOGに関する共起 特徴を用いるが，効果的な弱識別器の学習として Generalization and Efficiency Balanced (GEB)フレームワークを 提案し，ブースティングに活用する． 共起特徴量を
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
http://vecg.cs.ucl.ac.uk/Projects/projects_fonts/papers/siggraph14_learning_fonts.pdf
A Novel Connectionist System for Unconstrained Handwriting Recognition - tpami_2009.pdf
CTC for Offline Handwriting Recognition
https://fhtw.byu.edu/static/conf/2016/nina-classification-fhtw2016.pdf
Bidirectional Recurrent Neural Networks - Signal Processing, IEEE Transactions on
deeplearning-papernotes/README.md at master · dennybritz/deeplearning-papernotes
http://www.cs.toronto.edu/~graves/icml_2006.pdf
【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(2/3)cvpaper.challenge2016