MIRU2018 tutorial
3. Team year Error (top-5) AlexNet 2012 15.3% Clarifai 2013 11.2% VGG 2014 7.32% GoogLeNet 2014 6.67% ResNet 2015 3.57% ResNet+ 2016 2.99% SENet 2017 2.25% human expert 5.1% 14. • 2012年のILSVRC優勝モデル • Rectified Linear Units (ReLU) • Local Response Normalization (LRN) • Dropout（全結合層） • Pre-training（事前学習） A. Krizhevsky, "Imagenet classification with deep convolutional neural networks”, NIPS, 2012.
深層学習による非滑らかな関数の推定
1. The document presents a method for deep learning using variational autoencoders that model the relationship between pairs of data points (x1, x2). 2. It introduces variables to represent latent vectors z and z~ that are used to generate x1 and x2, as well as a subset S of dimensions that relate x1 and x2. 3. The method works by training an encoder qφ(z|x) to approximate a prior p(z) and maximiz
コンピュータビジョンの今を映す-CVPR 2017 速報より- （夏のトップカンファレンス論文読み会）
2017年9月18日 夏のトップカンファレンス論文読み会(CVPR/ICML/KDD etc.) での発表内容です． https://abeja-innovation-meetup.connpass.com/event/63466/ コンピュータビジョン分野の「今」を映す挑戦です。論文読破・まとめ・アイディア考案・議論・実装・論文執筆（・社会実装）に至るまで広く取り組み、その過程で出てきたあらゆる知識を共有します。 2015〜2016年は1,600本以上の論文まとめを全て公開し、著名な国際会議のWSにおいて受賞を経験しました。2017年はさらにアウトプットにこだわり、突出した成果を出すことを目標とします。 SlideShareにて論文まとめや講演資料を公開し、Twitterでも情報を共有しております。 cvpaper.challenge https://sites.google.com/s
Binarized Neural Networks
NIPS・ICDM輪読会での発表資料です。 https://connpass.com/event/48804/Read less
【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
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
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
【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(2/3)cvpaper.challenge2016
【2016.01】(1/3)cvpaper.challenge2016