畳み込みニューラルネットワークを用いた自動特徴抽出による深層カラーマッチングスライド Deep Color Matching with Automatic Feature Extraction Using Convolutional Neural Networks Slide

•

0 likes•142 views

doboncho

第27回画像センシングシンポジウムSSII2021

畳み込みニューラルネットワークを用いた自動特徴抽出による深層カラーマッチングスライド Deep Color Matching with Automatic Feature Extraction Using Convolutional Neural Networks Slide

SSII2022 [OS3-02] Federated Learningの基礎と応用 6月10日 (金) 11:00 - 12:30 メイン会場登壇者：西尾理志氏（東京工業大学）概要：Federated Learning (FL)とは、分散して保持されたデータを収集・集約することなく機械学習モデルの訓練に用いる方法である。画像や音声、ヘルスケア情報など個人情報や機密情報の保護の観点から集約が難しいデータを機械学習へ活用できるという期待から、学術および産業の両面から注目を集めている。本講演では、FLの原理と応用例、FLの課題解決に向けた近年の取り組みについて解説する。

Contrastive learning 20200607

ぱんいちすみもと

【DL輪読会】SimPer: Simple self-supervised learning of periodic targets( ICLR 2023 )

Deep Learning JP

機械学習システム開発案件の事例紹介

BrainPad Inc.

[DL輪読会]Object-Centric Learning with Slot Attention

Deep Learning JP

【DL輪読会】“PanopticDepth: A Unified Framework for Depth-aware Panoptic Segmenta...

Deep Learning JP

[DL輪読会]GENESIS: Generative Scene Inference and Sampling with Object-Centric L...

Deep Learning JP

画像認識モデルを作るための鉄板レシピ

Takahiro Kubo

画像認識は現在、仕事・趣味と幅広い場面で欠かせないものとなってきています。その手段として機械学習を用いることももはや常識的になっていると言っても過言ではなく、そのためのチュートリアルも数多くあります。ただ一方で、機械学習のもとになる「学習データの作り方」についてはあまり情報がありません。本編では、この「データの取り方、処理方法(下ごしらえ)」にフォーカスした解説を進めていきます。

非線形方程式の解法にはNewton法が定番。しかし、収束は初期値に敏感であることはあまり教科書に載っていない。非常に簡単な問題でもいいので試しに指数関数が入った方程式をNewton法で解いてみるとイライラしてくるくらい初期値設定が難しいことがわかる。現実問題とはそんなもの。初期値設定を手助けする意味でHomotopy法を使ってみる。数学的には美しい理論。おもしろいのはHomotopy法を使うということは微分方程式を解いていることにつながるということ。エンジョイして欲しい。

SSII2022 [TS1] Transformerの最前線〜畳込みニューラルネットワークの先へ〜

SSII

6/8 (水) 09:45～10:55メイン会場講師：牛久祥孝氏　　（オムロンサイニックエックス株式会社）概要： 2017年に機械翻訳を対象として提案されたTransformerは、従来の畳込みや再帰を排して自己注意機構を活用したニューラルネットワークである。2019年頃からコンピュータビジョン分野でも急速に応用が進んでおり、より柔軟かつ高精度なネットワーク構造としての地位を確立しつつある。本チュートリアルでは、Transformerおよびその周辺のネットワーク構造について、コンピュータビジョンへの応用を中心とした最前線を概説する。

Point net

Fujimoto Keisuke

【DL輪読会】Hierarchical Text-Conditional Image Generation with CLIP Latents

Deep Learning JP

【DL輪読会】SDEdit: Guided Image Synthesis and Editing with Stochastic Differentia...

Deep Learning JP

自己教師学習（Self-Supervised Learning）

cvpaper. challenge

cvpaper.challenge のメタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

SSII

6/9 (木) 14:45～15:15 メイン会場講師：石井雅人氏（ソニーグループ株式会社）概要：機械学習技術の急速な発達により、コンピュータによる知的処理は様々なタスクで人間に匹敵あるいは凌駕する性能を達成してきた。一方、このような高い性能は大量かつ高品質な学習データによって支えられており、多様化する機械学習応用においてデータの収集コストが大きな導入障壁の１つとなっている。本講演では、少ないデータやラベルから効率的に学習するための様々な技術について、「足りない情報をどのように補うか？」という観点から概観するとともに、特に画像認識分野における最新の研究動向についても紹介する。

Anomaly detection 系の論文を一言でまとめた

ぱんいちすみもと

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向 6月11日 (木) 11:00 - 12:30 メイン会場（vimeo + slido）登壇者：鈴木哲平氏（デンソーアイティーラボラトリ）概要：多量のデータが取得できる中、コスト等の理由により一部のデータしか正解ラベルが得られない状況において、どのようにモデルの過学習を抑制するかは重要な課題として長く取り組まれている。このような課題は半教師あり学習と呼ばれ、Web 業界や自動車業界等で注目を集めている。本講演では、近年その簡便さと有効性から半教師あり学習で広く使われている Consistency Regularization を中心に解説し、実問題への応用における課題と今後の発展について議論する。（ダウンロード後に，一部Acrobat Readerなどで文字が消える不具合に対処するために，元スライドPDFを画像化して再結合して作成したPDFを再アップロードしました）

SSII2019TS: Shall We GANs? ～GANの基礎から最近の研究まで～

SSII

SSII2019 チュートリアル講演 TS1 6月12日(水) 9:45～11:05 (メインホール) Generative Adversarial Nets (GAN) は、提案されて以降、画像生成を中心に応用がなされ、また同時に理論的面も研究がなされてきた。本チュートリアルにおいては、まずGANの基本的な事項について述べる。GAN は「二つの分布を一致させる」ものであるが、提案手法を用いることでそれが達成できることを確認し、簡単な場合の数値計算結果を例示する。その後、時間の限り、GAN の応用例や、GAN の問題点とそれに対する最近の研究を紹介する。

畳み込みLstm

tak9029

[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...

Deep Learning JP

[サーベイ論文] Deep Learningを用いた歩行者検出の研究動向

Hiroshi Fukui

強化学習における好奇心

Shota Imai

強化学習のアルゴリズムの中で，複雑な環境の探索のために内発的報酬を用いているアルゴリズムを紹介した資料です．未知の状態への探索を促していることから「好奇心」を用いた探索とも呼ばれます．元々は別の場所で公開していた資料でしたが，いくつかの修正を加えて，こちらに改めてアップしました．

full_lengthEREN.pdf

doboncho

ERENslide.pdf