Документ обсуждает различные аспекты компьютерного зрения и глубокого обучения, включая задачи распознавания объектов, такие как дорожные знаки и рукописные цифры. Приведены результаты соревнований и достижения в области распознавания, а также упоминаются исторические примеры автономного вождения и современные технологии обработки изображений. Документ также содержит ссылки на ресурсы и литературу для дальнейшего изучения.

1. Компьютерное зрение
и deep learning
Григорий Сапунов
Хакатон GoToHack Big Data
Москва 22.02.2016
eclass.cc
RoadAR

2. “Простые задачи”
Распознавание: классификация
и локализация

3. Классификация и Детектирование
http://tutorial.caffe.berkeleyvision.org/caffe-cvpr15-detection.pdf
(задача сложнее)

4. Распознавание: Дорожные знаки (IJCNN 2011)
The German Traffic Sign Recognition Benchmark
● Мультиклассовая классификация
● >40 классов
● >50,000 изображений с реальных дорог
http://benchmark.ini.rub.de/?section=gtsrb&subsection=dataset

5. Распознавание: Дорожные знаки (IJCNN 2011)
Первый случай создания системы с качеством распознавания выше
человеческого.
http://benchmark.ini.rub.de/index.php?section=gtsrb&subsection=results#
Rank Team Representative Method Correct recognition rate
(error rate)
1 IDSIA Dan Ciresan Committee of CNNs 99.46 % (0.54%)
2 INI Human Performance 98.84 % (1.16%)
3 sermanet Pierre Sermanet Multi-Scale CNNs 98.31 % (1.69%)
4 CAOR Fatin Zaklouta Random Forests 96.14 % (3.86%)

6. Распознавание: Рукописные цифры (MNIST)
● мультиклассовая классификация
● 10 классов, 60000 изображений 28*28 пикселей
http://yann.lecun.com/exdb/mnist/

7. Распознавание: Рукописные цифры (MNIST)
Человек: ≈0.2% ошибок
Первый сопоставимый результат: 0.23% (2012)
“Multi-column Deep Neural Networks for Image
Classification”,
Dan Cireșan, Ueli Meier, Jurgen Schmidhuber
http://repository.supsi.ch/5145/1/IDSIA-04-12.pdf

8. http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html

9. Распознавание: CIFAR-10/100
● 10/100 классов
● 60000 изображений
● 32*32 пикселя
Человек: ~6% ошибок
https://www.cs.toronto.edu/~kriz/cifar.html

10. Распознавание: CIFAR-10/100
http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html#43494641522d3130

11. Large Scale Visual Recognition Challenge (ILSVRC)
ILSVRC2015
● Object detection (200 категорий)
● Object localization (1000 категорий)
● Object detection from video
(30 категорий)
● Scene classification (401 категория)
http://image-net.org/challenges/LSVRC/2015/index#maincomp

14. Для тех, кто в теме

15. Large Scale Visual Recognition Challenge (ILSVRC)
http://arxiv.org/abs/1409.0575

16. http://karpathy.github.io/2014/09/02/what-i-learned-from-competing-against-a-convnet-on-imagenet/
“Consider that there are more than 120 species of dogs in the
dataset. We estimate that 28 (37%) of the human errors fall
into this category, while only 7 (7%) of GoogLeNet errors do”

17. Ещё про ILSVRC
http://arxiv.org/abs/1502.01852
“We achieve 4.94% top-5 test error on the ImageNet 2012
classification dataset. This is a 26% relative improvement
over the ILSVRC 2014 winner (GoogLeNet, 6.66%). To our
knowledge, our result is the first to surpass human-level
performance (5.1%, Russakovsky et al.) on this visual
recognition challenge.”

20. http://vision.stanford.edu/teaching/cs231n/

21. http://vision.stanford.edu/teaching/cs231n/

22. Распознавание: Brain Image Segmentation (2012)
http://fiji.sc/Segmentation_of_neuronal_structures_in_EM_stacks_challenge_-_ISBI_2012

23. Распознавание: Brain Image Segmentation (2012)
2 набора 512 × 512 пикселей × 30 срезов

24. Распознавание: Brain Image Segmentation (2012)
Задача: по фотографиям электронного микроскопа срезов мозга (в данном
случае это дрозофила) построить 3D-модель нейронов и дендритов.
Человеческий труд крайне долгий.

26. http://ufldl.stanford.edu/housenumbers/
>600 000 картинок с реальными фотографиями из Google Street View.
The Street View House Numbers (SVHN) Dataset

28. Компьютеры
становятся лучше
человека в родных
для него задачах
на восприятие

29. … хотя иногда и довольно беспомощны
http://www.mirror.co.uk/news/weird-news/friendly-robot-hitchhiking-across-america-6184914

30. Автомобили-роботы

31. Автомобили-роботы

33. Автомобили-роботы

34. Автомобили-роботы: определение объектов

35. Автомобили-роботы: детекция пешеходов

36. Автомобили-роботы: распознавание знаков

37. Это началось не вчера.
Немножко истории

38. DARPA Urban Challenge 2007
1 место
робот “Boss”
96 км «улиц», доставка условного груза в установленную точку менее,
чем за 6 часов. Роботы должны были соблюдать правила дорожного
движения (включая учёт дорожных знаков), ехать в потоке, уметь
парковаться.

39. DARPA Grand Challenge 2005
1 место
робот “Stanley”
6 часов 54 мин
Маршрут длиной 211,8 километра по каменистой пустыне Мохаве

40. Ernst Dickmanns
Работы по роботизированным автомобилям в 1980-90е годы.
1994: "VAmP" Mercedes 500 SEL проехал более 1000 км по
кольцевому шоссе в Париже со скоростю до 130 км/ч,
автоматически перестраиваясь и пропуская машины.
Автоматическое отслеживание до 12 других автомобилей.
1995: Тур в 1758 км из Мюнхена в Данию и обратно. Разгон на шоссе до 175
км/ч. Средняя дистанция автономной езды без перезапуска системы ~9 км;
самый длинный полностью автономный участок 158 км. 95% дистанции
проехано автономно.
Видеокамеры и саккадное зрение, процессоры 8086 (забудьте про GPU!).
http://www.youtube.com/watch?v=YZ6nPhUG2i0

41. Ernst Dickmanns: VAmP Mercedes 500 SEL (1990-е)

42. Ernst Dickmanns
https://www.youtube.com/watch?v=_HbVWm7wdmE

43. Живём в интересное время

44. George Hotz: Acura Hack
Meet the 26-Year-Old Hacker Who Built a Self-
Driving Car... in His Garage
https://www.youtube.com/watch?v=KTrgRYa2wbI

45. Дроны и коптеры
http://www.digitaltrends.com/cool-tech/swiss-drone-ai-follows-trails/
Поиск потерявшихся людей

46. ● NVidia Jetson TK1/TX1 (192/256 CUDA Cores)
● Raspberry Pi (ARM Cortex-A7 900MHz 4-ядра, 1 Гб ОЗУ)
● Планшеты, телефоны, …
● Google Project Tango
Hackers’ Time

47. SLAM

48. SLAM: Simultaneous Localization and Mapping

49. SLAM: Simultaneous Localization and Mapping
Одновременная локализация и построение карты.
Visual SLAM (vision-based SLAM) — использует только камеру (а не лидар
или инерционные датчики). Может использовать одну камеру (монокулярный
SLAM) или две (стерео SLAM).
Обычно real-time.
Это (в основном пока) не про deep learning. Но уже есть совмещение с
семантической разметкой (здесь deep learning).

50. SLAM: Simultaneous Localization and Mapping
Пример с использованием лидара:

51. LSD-SLAM: Large-Scale Direct Monocular SLAM
http://vision.in.tum.de/research/vslam/lsdslam

52. Семантический SLAM
https://www.doc.ic.ac.uk/~rfs09/docs/Salas-Moreno-R-2014-PhD-Thesis.pdf

53. SLAM++: SLAM на уровне объектов
http://www.doc.ic.ac.uk/~rfs09/slampp.html

54. Семантическая сегментация

55. http://arxiv.org/pdf/1301.3572.pdf Indoor Semantic Segmentation using depth information

56. http://mi.eng.cam.ac.uk/research/projects/VideoRec/CamVid/

57. https://www.youtube.com/watch?v=ZJMtDRbqH40
NYU Semantic Segmentation with a Convolutional Network (33 categories)

58. Другие интересные задачи
работы с изображениями

59. Генерация описаний картинок
http://arxiv.org/abs/1411.4555 “Show and Tell: A Neural Image Caption Generator”

64. More Hacking: NeuralTalk and Walk
Ингредиенты:
● https://github.com/karpathy/neuraltalk2
Project for learning Multimodal Recurrent Neural Networks that describe
images with sentences
● Веб-камера/ноутбук
Результат:
● https://vimeo.com/146492001

65. More hacking: NeuralTalk and Walk

66. More Hacking: DenseCap and ?
http://arxiv.org/abs/1511.07571 DenseCap: Fully Convolutional Localization Networks for Dense Captioning

67. Как же оно всё работает?

68. Как же оно всё работает?
● Convolutional neural networks (CNN), свёрточные нейросети
● Recurrent neural networks (RNN), рекуррентные нейросети + LSTM (Long
short-term memory)
● Word embeddings (word2vec, GloVe)
● Restricted Boltzmann Machines (RBM)
● Autoencoders
Комбинации готовых “кирпичиков”

69. Операция свёртки (convolution)
Свёрточная нейронная сеть (Convolutional neural net,
CNN) использует операцию свёртки для выделения
локальных признаков на изображении.
input
kernel
output
http://intellabs.github.io/RiverTrail/tutorial/

70. http://www.gimpbible.com/files/convolution-matrix/

71. CNN: Convolutional Neural Network
http://www.clarifai.com/technology

72. RNN: Recurrent Neural Network

73. https://github.com/farizrahman4u/seq2seq

74. RNN: Sequence to Sequence Learning
https://github.com/farizrahman4u/seq2seq

75. RNN: Sequence to Sequence Learning
http://www.cs.toronto.edu/~graves/arabic_ocr_chapter.pdf

76. Мультимодальное обучение
http://arxiv.org/abs/1411.2539 Unifying Visual-Semantic Embeddings with Multimodal Neural Language Models

77. Мультимодальное обучение
https://www.cs.utexas.edu/~vsub/

78. Word embeddings: word2vec
https://code.google.com/archive/p/word2vec/

79. Word embeddings: word2vec
https://code.google.com/archive/p/word2vec/

80. Word embeddings: GloVe
http://nlp.stanford.edu/projects/glove/

81. Ещё немного красивостей
и интересностей

85. Visual Question Answering
https://avisingh599.github.io/deeplearning/visual-qa/

86. Visual Question Answering
http://arxiv.org/abs/1505.02074 Exploring Models and Data for Image Question Answering

87. Visual Question Answering
http://arxiv.org/abs/1505.02074 Exploring Models and Data for Image Question Answering

88. Reinforcement Learning
Управление симулированным автомобилем на основе видеосигнала (2013)
http://people.idsia.ch/~juergen/gecco2013torcs.pdf
http://people.idsia.ch/~juergen/compressednetworksearch.html

89. Reinforcement Learning

90. Reinforcement Learning
Human-level control through deep reinforcement learning (2014)
http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html
Playing Atari with Deep Reinforcement Learning (2013)
http://arxiv.org/abs/1312.5602

91. Reinforcement Learning

92. More Fun & Hacking: Deep Dream
http://www.telegraph.co.uk/technology/google/11730050/deep-dream-best-images.html?frame=3370674

94. More Fun & Hacking: Neural Style
http://www.dailymail.co.uk/sciencetech/article-3214634/The-algorithm-learn-copy-artist-Neural-network-recreate-snaps-style-Van-Gogh-Picasso.html

95. Neural Style
http://www.dailymail.co.uk/sciencetech/article-3214634/The-algorithm-learn-copy-artist-Neural-network-recreate-snaps-style-Van-Gogh-Picasso.html

96. More Fun & Hacking: MtG cards
http://www.escapistmagazine.com/articles/view/scienceandtech/14276-Magic-The-Gathering-Cards-Made-by-Artificial-Intelligence

97. Интересно?
Что делать дальше

98. Библиотеки для работы
● OpenCV (http://opencv.org/)
● Caffe (http://caffe.berkeleyvision.org/)
● Torch7 (http://torch.ch/)
● Theano/Keras/… (http://deeplearning.net/software/theano/, http://keras.io/)
● TensorFlow (https://www.tensorflow.org/)
● Neon (http://neon.nervanasys.com/)
● ...

99. Что читать и смотреть
- CS231n: Convolutional Neural Networks for Visual Recognition, Fei-Fei
Li, Andrej Karpathy, Stanford (http://vision.stanford.
edu/teaching/cs231n/index.html)
- CS224d: Deep Learning for Natural Language Processing, Richard
Socher, Stanford (http://cs224d.stanford.edu/index.html)
- Neural Networks for Machine Learning, Geoffrey Hinton (https://www.
coursera.org/course/neuralnets)
- Подборка курсов по компьютерному зрению (http://eclass.
cc/courselists/111_computer_vision_and_navigation)
- Подборка курсов по deep learning (http://eclass.
cc/courselists/117_deep_learning)
- “Deep Learning”, Ian Goodfellow, Yoshua Bengio and Aaron Courville
(http://www.deeplearningbook.org/)

100. Что читать и смотреть
- Google+ Deep Learning community (https://plus.google.
com/communities/112866381580457264725)
- VK Deep Learning community (http://vk.com/deeplearning)
- Quora (https://www.quora.com/topic/Deep-Learning)
- FB Deep Learning Moscow (https://www.facebook.
com/groups/1505369016451458/)
- Twitter Deep Learning Hub (https://twitter.com/DeepLearningHub)
- NVidia blog (https://devblogs.nvidia.com/parallelforall/tag/deep-learning/)
- IEEE Spectrum blog (http://spectrum.ieee.org/blog/cars-that-think)
- http://deeplearning.net/
- ...

101. За кем следить?
- Jürgen Schmidhuber (http://people.idsia.ch/~juergen/)
- Geoffrey E. Hinton (http://www.cs.toronto.edu/~hinton/)
- Google DeepMind (http://deepmind.com/)
- Yann LeCun (http://yann.lecun.com, https://www.facebook.com/yann.lecun)
- Yoshua Bengio (http://www.iro.umontreal.ca/~bengioy, https://www.quora.
com/profile/Yoshua-Bengio)
- Andrej Karpathy (http://karpathy.github.io/)
- Andrew Ng (http://www.andrewng.org/)
- ...

102. https://ru.linkedin.com/in/grigorysapunov
grigory.sapunov@ieee.org
Спасибо!