MPRG : 機械知覚&ロボティクスグループ／中部大学
09 Nov 2018 解説&サーベイ 物体認識のための畳み込みニューラルネットワークの研究動向 1章 はじめに 2章 ILSVRCで振り返るCNNの進化 3章 最新のCNN改良手法 4章 各モデルの精度および処理速度の検証 5章 まとめ Download: PDF (Japanese) 電子情報通信学会論文誌に採録されました． 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降， 画像認識においては畳み込みニューラルネットワーク(CNN)を用いることがデファクトスタンダードとなった. ILSVRCでは毎年のように新たなCNNのモデルが提案され， 一貫して認識精度の向上に寄与してきた. CNNは画像分類だけではなく， セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている. 本稿では，AlexNet以降の代表的
A List of Chip/IP for Deep Learning
Machine Learning, especially Deep Learning technology is driving the evolution of artificial intelligence (AI). At the beginning, deep learning has primarily been a software play. Start from the year 2016, the need for more efficient hardware acceleration of AI/ML/DL was recognized in academia and industry. This year, we saw more and more players, including world’s top semiconductor companies as w
Parallel Multi Channel Convolution using General Matrix Multiplication
Convolutional neural networks (CNNs) have emerged as one of the most successful machine learning technologies for image and video processing. The most computationally intensive parts of CNNs are the convolutional layers, which convolve multi-channel images with multiple kernels. A common approach to implementing convolutional layers is to expand the image into a column matrix (im2col) and perform
A Survey of Neuromorphic Computing and Neural Networks in Hardware
Neuromorphic computing has come to refer to a variety of brain-inspired computers, devices, and models that contrast the pervasive von Neumann computer architecture. This biologically inspired approach has created highly connected synthetic neurons and synapses that can be used to model neuroscience theories as well as solve challenging machine learning problems. The promise of the technology is t
PowerPoint Presentation
Convolutional Feature Maps Elements of efficient (and accurate) CNN-based object detection Kaiming He Microsoft Research Asia (MSRA) Overview of this section • Quick introduction to convolutional feature maps • Intuitions: into the “black boxes” • How object detection networks & region proposal networks are designed • Bridging the gap between “hand-engineered” and deep learning systems • Focusing
Towards the Limit of Network Quantization
Network quantization is one of network compression techniques to reduce the redundancy of deep neural networks. It reduces the number of distinct network parameter values by quantization in order to save the storage for them. In this paper, we design network quantization schemes that minimize the performance loss due to quantization given a compression ratio constraint. We analyze the quantitative
Is Second-order Information Helpful for Large-scale Visual Recognition?
By stacking layers of convolution and nonlinearity, convolutional networks (ConvNets) effectively learn from low-level to high-level features and discriminative representations. Since the end goal of large-scale recognition is to delineate complex boundaries of thousands of classes, adequate exploration of feature distributions is important for realizing full potentials of ConvNets. However, state
実装ノート
#この文書について 筆者がtiny-cnnを実装するにあたってまとめた、ニューラルネット＋tiny-cnnの解説資料です。基本的なフィードフォワード型のニューラルネットに関する解説を行いつつ、数式に対応するコードの箇所が分かるように書きました。数式と実装のギャップがあれば、適宜補足を行っています。 ざっと読むとニューラルネットの基礎、およびtiny-cnnの実装を理解するうえで役立つかもしれません。特に筆者のような、動くコードとセットでないと理解が深まらないタイプの方に役立てば幸いです。内容に間違いがあれば、ぜひ指摘をお願いします:beers::sushi: ###表記について ニューラルネットワークの基本用語で、かつ実装中に登場する言葉については__太字__で強調します。 🍄 tiny-cnnの実装に関する注釈はキノコのアイコンで記述します。キノコに深い意味はありません:cat: :
モルフォとデンソー、次世代画像認識システム向けDNNアルゴリズムを開発
モルフォとデンソーは12月9日、共同で開発を進めてきたDeep Neural Network(DNN)による画像認識技術のアルゴリズムが、高度運転支援および自動運転技術の実現に向けた次世代の画像認識システムに応用されることが決まったことを発表した。 自動運転を実現するためには、自動車の周囲で生じるさまざまな状況を認識する必要があったが、従来のパターン認識や機械学習では、認識が必要な対象物に対して特徴づけなどを行って、あらかじめ学習させる必要があった。一方、DNNによる画像認識は、自身で対象物の特徴を抽出し、学習することができることから、対象物の認識や検知の精度を高めやすい、といった利点があり、今後も両社は継続して、認識処理性能の向上に向けた取り組みを進めていくとしている。 また、モルフォでは、デンソーが開発を進める電子ミラー技術や周辺監視システムにおいても、画像処理技術を応用することで、視
Fast and Energy-Efficient CNN Inference on IoT Devices
Convolutional Neural Networks (CNNs) exhibit remarkable performance in various machine learning tasks. As sensor-equipped internet of things (IoT) devices permeate into every aspect of modern life, it is increasingly important to run CNN inference, a computationally intensive application, on resource constrained devices. We present a technique for fast and energy-efficient CNN inference on mobile
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
Laser: Latent Set Representations for 3D Generative Modeling
CS231n Convolutional Neural Networks for Visual Recognition
Variational Bayesian dropout: pitfalls and fixes
株式会社 Accel Brain – 活用なき「AI論」は、無学に等しい。
MobileNetV2: The Next Generation of On-Device Computer Vision Networks
DSP-Based Neural Nets - Semiwiki
ConvNetの歴史とResNet亜種、ベストプラクティス
GitHub - ZheC/Realtime_Multi-Person_Pose_Estimation: Code repo for realtime multi-person pose estimation in CVPR'17 (Oral)
슬라이드 1
Error - Cookies Turned Off