1. 山崎和博 エヌビディア ディープラーニングソリューションアーキテクト
GTC 2018 で発表された
ディープラーニング最新情報

2. 2
AGENDA
GTC2018ディープラーニングセッション概要
Pick up 8 sessions
ほか注目のセッション

3. 3
GTC2018ディープラーニングセッション概要

4. 4
GTC 2018 DEEP LEARNING SESSIONS
全体を概観
GTC 2018 GTC 2017
総セッション数 654 670
DL talks 400+ (250+)
DL tutorials 5 (6)
DL panels 5 (3)

5. 5
GTC 2018 DEEP LEARNING SESSIONS
全体を概観

6. 6
SESSION#01 –
S81011: DEEP LEARNING FOR RECOMMENDER
SYSTEMS
Justin Basilico - Research/Engineering Director, Netflix
Yves Raimond - CA, Netflix

7. 7
TL;DR
• レコメンデーションにディープラーニングを適用した
• が、「traditional」なアプローチでは、あまり目立った改善がない
• 問題設定を変え、手法を洗練することで最大40%の改善
内容をまとめると

8. 8

9. 9

10. 10

11. 11

12. 12

13. 13

14. 14

15. 15

16. 16

17. 17

18. 18

19. 19

20. 20

21. 21

22. 22
SESSION#02 –
S8944: DEEP LEARNING OF RAILWAY TRACK
FAULTS USING GPUS
Nathalie Rauschmayr –
Machine Learning Engineer,
CSEM (Swiss Center for Electronics and Microtechnology)

23. 23
TL;DR
• 鉄道網の検査は必須だが、人間の介在は現実的ではなく、自動化
したいが、従来のソフトウェアでは誤りが多く、あまり使われていない
• ディープラーニングによって、さまざまな検査を自動化
• 異常検知や分類のみならず、経年変化のトラッキングも実施
内容をまとめると

24. 24

25. 25

26. 26

27. 27

28. 28

29. 29

30. 30

31. 31

32. 32

33. 33

34. 34

35. 35

36. 36

37. 37

38. 38

39. 39
SESSION#03 –
S8117: LEARNING-FREE UNIVERSAL STYLE
TRANSFORMER
Chen Fang - Research Scientist, Adobe Research

40. 40
TL;DR
• 従来のスタイル変換は、計算量が多い and/or 制御が困難
and/or 適用可能なスタイル数が限定的、などの問題があった
• Universal Style Transferを提案し、任意のスタイルを効率的かつ
柔軟に適用できるようにした
内容をまとめると

41. 41

42. 42

43. 43

44. 44

45. 45

46. 46

47. 47

48. 48

49. 49

50. 50

51. 51

52. 52
SESSION#04 –
S8686: PROGRESSIVE GROWING OF GANS FOR
IMPROVED QUALITY, STABILITY, AND
VARIATION
Samuli Laine - Researcher, NVIDIA

53. 53
TL;DR
• GAN(敵対的生成ネットワーク)で、大規模なネットワークの学習や結
果の高解像度化は実現が難しかった
• 1024x1024の解像度で画像生成することに成功
• 高解像度データセットの作成なども実施
内容をまとめると

54. 54

55. 55

56. 56

57. 57

58. 58

59. 59

60. 60

61. 61

62. 62

63. 63

64. 64

65. 65

66. 66

67. 67

68. 68

69. 69

70. 70

71. 71

72. 72
SESSION#05 –
S8114: UNSUPERVISED IMAGE-TO-IMAGE
TRANSLATION NETWORKS
Ming-Yu Liu - Researcher, NVIDIA

73. 73
TL;DR
• ドメイン(≒種類)を変換した画像を生成する手法を複数提案
• セグメンテーションのラベルからリアルな画像を生成
• 冬の風景を夏の風景に変換
• ヒョウをネコに変換
内容をまとめると

74. 74

75. 75

76. 76

77. 77

78. 78

79. 79

80. 80

81. 81

82. 82

83. 83

84. 84

85. 85

86. 86

87. 87

88. 88

89. 89

90. 90

91. 91

92. 92

93. 93

94. 94

95. 95

96. 96

97. 97

98. 98

99. 99
SESSION#06 –
S8786: LEARNING FROM LIMITED DATA
Tatsuya Harada - Professor, University of Tokyo

100. 100
TL;DR
• ディープラーニングでは大量の学習データが必要となるが、特にアノ
テーションにコストがかかってしまう
• 限られたデータを上手く活用して、質の高い学習用データを得るため
の手法を提案
• 教師ありと教師なしの両方について提案
内容をまとめると

101. 101

102. 102

103. 103

104. 104

105. 105

106. 106

107. 107

108. 108

109. 109

110. 110

111. 111

112. 112

113. 113

114. 114

115. 115
SESSION#07 –
S8238: TEACHING MACHINES TO SEE,
COMMUNICATE, AND ACT
Sanja Fidler - Assistant Professor, University of Toronto

116. 116
TL;DR
• セグメンテーションにおいて、アノテーションには非常に時間がかかるた
め、RNNを用いて作業効率化するツールを実装
• そのほか、自然言語によって指示を与えて行動させたり、アフォーダン
スの推論(e.g., イスの画像を見せて「座る」という推論をさせる等)
• 人間と機械がコミュニケーションするには、というテーマでの研究
内容をまとめると

117. 117

118. 118

119. 119

120. 120

121. 121

122. 122

123. 123

124. 124

125. 125

126. 126
SESSION#8 –
S8272: MULTI-GPU ACCELERATED METHODS
IN DEEP REINFORCEMENT LEARNING
Adam Stooke - Graduate Student, UC Berkeley

127. 127
TL;DR
• 強化学習においては、小さめのネットワークを使うことがあるため、
GPUの使用率が低くなりがち
• ニューラルネットワークの推論も含めた、効率的な実行方式を提案
• シミュレータの実行を分散する際の枠組みを提案、評価
内容をまとめると

128. 128

129. 129

130. 130

131. 131

132. 132

133. 133

134. 134

135. 135

136. 136

137. 137

138. 138
ほか、注目のセッション

139. 139
そのほか、興味深いセッション(1/3)
• S8298: Re3: Realtime Recurrent Regression Networks for Visual
Tracking of Generic Objects
• CNNとLSTMを用いたリアルタイムな物体追跡手法
• S8384: Datasets and Algorithms for Road Identification Via Satellite
Imagery
• 航空画像からの道路検出
• S8453: Point Cloud Deep Learning
• 3次元オブジェクト分類の各種手法を比較評価

140. 140
そのほか、興味深いセッション(2/3)
• S8455: Deep Learning of Severe Weather Forecast Data
• ディープラーニングを用いた荒天の予測について
• S8467: Playing FPS Games with Deep Reinforcement Learning
• FPSを深層強化学習で解く。転移学習や言語による指示なども実験
• S8581: Object-Level Deep Reinforcement Learning
• ピクセルだけではなく、オブジェクトの存在も意識した強化学習
• S8582: Embodied Question Answering
• 動画を入力として、能動的な行動をとらせることを意識した強化学習

141. 141
そのほか、興味深いセッション(3/3)
• S8660: A Deep Neural Network for Estimating Depth from Stereo
• ステレオカメラを使った半教師あり学習による深度推定
• S8791: Designing Wireless Systems with Deep Learning - An
Autoencoder-Based Approach to PHY Layer Design
• 無線通信システムに関わる問題でのディープラーニングの応用について紹介
• S8842: How to Win the Amazon Robotics Challenge with Deep
Learning and Robotic Vision
• Amazon Robotics Challenge優勝チームによるセッション
• S8968: Autoregressive Wavenet Inference on Volta GPUs
• WavenetのGPU向け推論実装の最適化などについて

142. 142
セッションの詳細を確認するには
GTCに参加された方は……
https://2018gputechconf.smarteventscloud.com/connect/search.ww

143. 143
セッションの詳細を確認するには
GTC On-Demand
http://on-demand-gtc.gputechconf.com/gtcnew/on-demand-gtc.php
今年のセッションも
近日中に公開予定