Submit Search
Upload
DeepLearningDay2016Spring
•
16 likes
•
9,686 views
Takayoshi Yamashita
Follow
Heterogeneous Learning for Convolutional Neural Network
Read less
Read more
Technology
Report
Share
Report
Share
1 of 31
Recommended
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
20150414seminar
20150414seminar
nlab_utokyo
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Daiki Shimada
2016/4/16 名古屋CVPRML 発表資料
2016/4/16 名古屋CVPRML 発表資料
Hiroshi Fukui
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
Takayoshi Yamashita
20190804_icml_kyoto
20190804_icml_kyoto
Takayoshi Yamashita
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介
nlab_utokyo
Recommended
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
nlab_utokyo
20150414seminar
20150414seminar
nlab_utokyo
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Daiki Shimada
2016/4/16 名古屋CVPRML 発表資料
2016/4/16 名古屋CVPRML 発表資料
Hiroshi Fukui
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
Takayoshi Yamashita
20190804_icml_kyoto
20190804_icml_kyoto
Takayoshi Yamashita
MIRU_Preview_JSAI2019
MIRU_Preview_JSAI2019
Takayoshi Yamashita
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介
nlab_utokyo
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い
Seiji Hotta
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
IEEE ITSS Nagoya Chapter
IEEE ITSS Nagoya Chapter
Takayoshi Yamashita
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
大規模画像認識とその周辺
大規模画像認識とその周辺
n_hidekey
20160601画像電子学会
20160601画像電子学会
nlab_utokyo
MIRU2018 tutorial
MIRU2018 tutorial
Takayoshi Yamashita
DeepLearningDay2016Summer
DeepLearningDay2016Summer
Takayoshi Yamashita
SSII2014 詳細画像識別 (FGVC) @OS2
SSII2014 詳細画像識別 (FGVC) @OS2
nlab_utokyo
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
Deep Learningの技術と未来
Deep Learningの技術と未来
Seiya Tokui
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
畳み込みニューラルネットワークが なぜうまくいくのか?についての手がかり
畳み込みニューラルネットワークが なぜうまくいくのか?についての手がかり
tm_2648
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
Hirokatsu Kataoka
Tutorial-DeepLearning-PCSJ-IMPS2016
Tutorial-DeepLearning-PCSJ-IMPS2016
Takayoshi Yamashita
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
Lab introduction 2014
Lab introduction 2014
nlab_utokyo
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
Akisato Kimura
20150803.山口大学講演
20150803.山口大学講演
Hayaru SHOUNO
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
Hirokatsu Kataoka
知識を紡ぐための言語処理と、そのための言語資源
知識を紡ぐための言語処理と、そのための言語資源
Koji Matsuda
Chainer GTC 2016
Chainer GTC 2016
Shohei Hido
More Related Content
What's hot
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い
Seiji Hotta
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
IEEE ITSS Nagoya Chapter
IEEE ITSS Nagoya Chapter
Takayoshi Yamashita
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
大規模画像認識とその周辺
大規模画像認識とその周辺
n_hidekey
20160601画像電子学会
20160601画像電子学会
nlab_utokyo
MIRU2018 tutorial
MIRU2018 tutorial
Takayoshi Yamashita
DeepLearningDay2016Summer
DeepLearningDay2016Summer
Takayoshi Yamashita
SSII2014 詳細画像識別 (FGVC) @OS2
SSII2014 詳細画像識別 (FGVC) @OS2
nlab_utokyo
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
NVIDIA Japan
Deep Learningの技術と未来
Deep Learningの技術と未来
Seiya Tokui
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
畳み込みニューラルネットワークが なぜうまくいくのか?についての手がかり
畳み込みニューラルネットワークが なぜうまくいくのか?についての手がかり
tm_2648
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
Hirokatsu Kataoka
Tutorial-DeepLearning-PCSJ-IMPS2016
Tutorial-DeepLearning-PCSJ-IMPS2016
Takayoshi Yamashita
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
Lab introduction 2014
Lab introduction 2014
nlab_utokyo
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
Akisato Kimura
20150803.山口大学講演
20150803.山口大学講演
Hayaru SHOUNO
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
Hirokatsu Kataoka
What's hot
(20)
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い
CNNチュートリアル
CNNチュートリアル
IEEE ITSS Nagoya Chapter
IEEE ITSS Nagoya Chapter
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
大規模画像認識とその周辺
大規模画像認識とその周辺
20160601画像電子学会
20160601画像電子学会
MIRU2018 tutorial
MIRU2018 tutorial
DeepLearningDay2016Summer
DeepLearningDay2016Summer
SSII2014 詳細画像識別 (FGVC) @OS2
SSII2014 詳細画像識別 (FGVC) @OS2
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
Deep Learningの技術と未来
Deep Learningの技術と未来
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
畳み込みニューラルネットワークが なぜうまくいくのか?についての手がかり
畳み込みニューラルネットワークが なぜうまくいくのか?についての手がかり
【SSII2015】人を観る技術の先端的研究
【SSII2015】人を観る技術の先端的研究
Tutorial-DeepLearning-PCSJ-IMPS2016
Tutorial-DeepLearning-PCSJ-IMPS2016
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Lab introduction 2014
Lab introduction 2014
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
CVPR2016 reading - 特徴量学習とクロスモーダル転移について
20150803.山口大学講演
20150803.山口大学講演
【チュートリアル】コンピュータビジョンによる動画認識
【チュートリアル】コンピュータビジョンによる動画認識
Viewers also liked
知識を紡ぐための言語処理と、そのための言語資源
知識を紡ぐための言語処理と、そのための言語資源
Koji Matsuda
Chainer GTC 2016
Chainer GTC 2016
Shohei Hido
Chainerを使って細胞を数えてみた
Chainerを使って細胞を数えてみた
samacoba1983
Chainer Update v1.8.0 -> v1.10.0+
Chainer Update v1.8.0 -> v1.10.0+
Seiya Tokui
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
Yuta Kashino
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA Japan
ディープラーニングの最新動向
ディープラーニングの最新動向
Preferred Networks
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
Yusuke HIDESHIMA
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
nlab_utokyo
On the benchmark of Chainer
On the benchmark of Chainer
Kenta Oono
Chainer, Cupy入門
Chainer, Cupy入門
Yuya Unno
Viewers also liked
(11)
知識を紡ぐための言語処理と、そのための言語資源
知識を紡ぐための言語処理と、そのための言語資源
Chainer GTC 2016
Chainer GTC 2016
Chainerを使って細胞を数えてみた
Chainerを使って細胞を数えてみた
Chainer Update v1.8.0 -> v1.10.0+
Chainer Update v1.8.0 -> v1.10.0+
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
深層学習ライブラリの環境問題Chainer Meetup2016 07-02
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
NVIDIA 更新情報: Tesla P100 PCIe/cuDNN 5.1
ディープラーニングの最新動向
ディープラーニングの最新動向
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
俺のtensorが全然flowしないのでみんなchainer使おう by DEEPstation
マシンパーセプション研究におけるChainer活用事例
マシンパーセプション研究におけるChainer活用事例
On the benchmark of Chainer
On the benchmark of Chainer
Chainer, Cupy入門
Chainer, Cupy入門
Similar to DeepLearningDay2016Spring
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
Kuniyuki Takahashi
実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習
Kuniyuki Takahashi
CNTK deep dive
CNTK deep dive
Kyoichi Iwasaki
【Unite 2018 Tokyo】Unityの医療と教育への応用 ~ちょっと人を助けてみませんか?~
【Unite 2018 Tokyo】Unityの医療と教育への応用 ~ちょっと人を助けてみませんか?~
UnityTechnologiesJapan002
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
Nobukazu Yoshioka
object detection with lidar-camera fusion: survey
object detection with lidar-camera fusion: survey
Takuya Minagawa
Lecture univ.tokyo 2017_okanohara
Lecture univ.tokyo 2017_okanohara
Preferred Networks
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
Yusuke Uchida
2011研究室紹介
2011研究室紹介
Hironobu Fukai
ECCV2020 Oral論文 完全読破(1/2)
ECCV2020 Oral論文 完全読破(1/2)
cvpaper. challenge
つくばチャレンジ2018技術調査報告
つくばチャレンジ2018技術調査報告
Yoshitaka HARA
R-tech BDGにおける自然言語処理活動
R-tech BDGにおける自然言語処理活動
Recruit Technologies
第8回関西cv・prml勉強会(opening,closing)
第8回関西cv・prml勉強会(opening,closing)
ishii yasunori
190210_DLLAB 医療×AIシンポジウム_名古屋大学 藤原幸一氏
190210_DLLAB 医療×AIシンポジウム_名古屋大学 藤原幸一氏
Deep Learning Lab(ディープラーニング・ラボ)
PRMU 201312 subpixel object detection survey
PRMU 201312 subpixel object detection survey
Yoshihisa Ijiri
DLLAB 製造分科会 2018年度成果報告
DLLAB 製造分科会 2018年度成果報告
Deep Learning Lab(ディープラーニング・ラボ)
Contest 02 presentation (RT-Middleware Contest of SI2017)
Contest 02 presentation (RT-Middleware Contest of SI2017)
Tomoyuki Nakai
Metrix team 20190524
Metrix team 20190524
SQiP-WEST
アプリケーション展開におけるキーポイント
アプリケーション展開におけるキーポイント
MPRG_Chubu_University
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
Yusuke Uchida
Similar to DeepLearningDay2016Spring
(20)
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習
CNTK deep dive
CNTK deep dive
【Unite 2018 Tokyo】Unityの医療と教育への応用 ~ちょっと人を助けてみませんか?~
【Unite 2018 Tokyo】Unityの医療と教育への応用 ~ちょっと人を助けてみませんか?~
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
object detection with lidar-camera fusion: survey
object detection with lidar-camera fusion: survey
Lecture univ.tokyo 2017_okanohara
Lecture univ.tokyo 2017_okanohara
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
2011研究室紹介
2011研究室紹介
ECCV2020 Oral論文 完全読破(1/2)
ECCV2020 Oral論文 完全読破(1/2)
つくばチャレンジ2018技術調査報告
つくばチャレンジ2018技術調査報告
R-tech BDGにおける自然言語処理活動
R-tech BDGにおける自然言語処理活動
第8回関西cv・prml勉強会(opening,closing)
第8回関西cv・prml勉強会(opening,closing)
190210_DLLAB 医療×AIシンポジウム_名古屋大学 藤原幸一氏
190210_DLLAB 医療×AIシンポジウム_名古屋大学 藤原幸一氏
PRMU 201312 subpixel object detection survey
PRMU 201312 subpixel object detection survey
DLLAB 製造分科会 2018年度成果報告
DLLAB 製造分科会 2018年度成果報告
Contest 02 presentation (RT-Middleware Contest of SI2017)
Contest 02 presentation (RT-Middleware Contest of SI2017)
Metrix team 20190524
Metrix team 20190524
アプリケーション展開におけるキーポイント
アプリケーション展開におけるキーポイント
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
More from Takayoshi Yamashita
AI_DL_Education
AI_DL_Education
Takayoshi Yamashita
RL_Tutorial
RL_Tutorial
Takayoshi Yamashita
UsingChainerMN
UsingChainerMN
Takayoshi Yamashita
DeepLearningTutorial
DeepLearningTutorial
Takayoshi Yamashita
ICIP2014 Presentation
ICIP2014 Presentation
Takayoshi Yamashita
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Takayoshi Yamashita
More from Takayoshi Yamashita
(6)
AI_DL_Education
AI_DL_Education
RL_Tutorial
RL_Tutorial
UsingChainerMN
UsingChainerMN
DeepLearningTutorial
DeepLearningTutorial
ICIP2014 Presentation
ICIP2014 Presentation
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
Recently uploaded
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
Recently uploaded
(12)
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
DeepLearningDay2016Spring
1.
Heterogeneous Learning for
Multi-task Facial Analysis Using Single Deep Convolutional Network 山下 隆義
2.
MPRGについて Machine Perception and
Robotics Group 2 2014年度 学科を超えた研究グループを発足 藤吉弘亘教授 山下隆義講師 山内悠嗣助手 教員3名 博士課程後期 2名 博士課程前期 2名 秘書1名 学部4年生 19名 ロボット理工学科 ロボット理工学科 情報工学科
3.
MPRGについて Machine Perception and
Robotics Group 3 http://mprg.jp
4.
MPRGについて Machine Perception and
Robotics Group 4 機械知覚 ロボティクス
5.
MPRGについて Machine Perception and
Robotics Group 5 機械知覚 ロボティクス ディープラーニング,SVMなどの 機械学習による画像認識 内積演算のバイナリ処理化によるSVMの高速化
6.
MPRGについて Machine Perception and
Robotics Group 6 機械知覚 ロボティクス 産業・生活支援ロボットのための 画像認識 ピッキングアイテムの認識 (Amazon Picking Challenge)
7.
MPRGについて Machine Perception and
Robotics Group 7 機械知覚 ロボティクス 産業・生活支援ロボットのための 画像認識 Weighted Hough Forestによる把持判定・追加学習
8.
ディープラーニングに関する研究 検出 回帰 セグメンテーション 歩行者検出 シーンラベリング 顔器官検出 姿勢推定 手領域抽出 顔ラベリング 8 認識 標識認識 文字認識 一般物体認識 一般物体検出 車両検出 eep Convolutional
Neural Network による画像認識 I) ワークを複数生成して識別 ・顔器官点検出 -Deep Convolutional Neural Network を回帰問題に適応 - 出力層で各器官点の座標値を推定 山下 2014] ep Convolutional Neural Network ・シーンラベリング - ラベルマップを用いて各画素のシーンを認識 - CNN の出力層は各画素に対応 求めることで 0.23 0.77 0.42 0.58 0.15 0.85 0.23 0.42 0.15Neg 0.77 0.58 0.85 Pos 複数の ネットワーク ソートした 各クラスの出力値 各ネットワーク の出力値 出力層 路上物体 道路 水 空 山 草 木 建物 対象クラス 左目の 左目の左目 唇の右端入力画像 各器官点の座標値を出力 あり Curriculum Learning 1 番目の 畳み込み層 無し
9.
ディープラーニングに関する研究 検出 回帰 セグメンテーション 歩行者検出 シーンラベリング 顔器官検出 姿勢推定 手領域抽出 顔ラベリング 9 認識 標識認識 文字認識 一般物体認識 一般物体検出 車両検出 eep Convolutional
Neural Network による画像認識 I) ワークを複数生成して識別 ・顔器官点検出 -Deep Convolutional Neural Network を回帰問題に適応 - 出力層で各器官点の座標値を推定 山下 2014] ep Convolutional Neural Network ・シーンラベリング - ラベルマップを用いて各画素のシーンを認識 - CNN の出力層は各画素に対応 求めることで 0.23 0.77 0.42 0.58 0.15 0.85 0.23 0.42 0.15Neg 0.77 0.58 0.85 Pos 複数の ネットワーク ソートした 各クラスの出力値 各ネットワーク の出力値 出力層 路上物体 道路 水 空 山 草 木 建物 対象クラス 左目の 左目の左目 唇の右端入力画像 各器官点の座標値を出力 あり Curriculum Learning 1 番目の 畳み込み層 無し 様々なタスクを効率的に 行うには?
10.
ヘテロジニアスラーニング 10
11.
GTCでの発表 11 Fast Forward Poster
(top 20)
12.
GTCでの発表 12 Fast Forward Poster
(top 20)
13.
GTCでの発表 13
14.
ヘテロジニアスラーニング(1) [加藤, MIRU2015, GTC2016] 異なるタスク(認識と回帰)を1つのネットワークで行う 各タスクに学習誤差関数を設定 各タスクから得られた誤差を逆伝播して学習 単一のDCNNの計算コストで複数タスクの識別が可能 顔器官点検出 年齢推定 性別認識 14
15.
ヘテロジニアスラーニング(2) [加藤, MIRU2015, GTC2016] 複数の回帰推定タスクと認識タスクを単一のDCNNで学習 各タスクに学習誤差関数を設定 各タスクから得られた誤差を逆伝播して学習 単一のDCNNの計算コストで複数タスクの識別が可能 顔器官点検出 年齢推定 性別認識 学習誤差のばらつきが大きい 15
16.
重み付きヘテロジニアスラーニング(1) [山下, GTC2016] 学習誤差のばらつきを抑制するタスク重みを導入 サブタスク 基準タスク (顔器官点) 基準タスク :
学習誤差が最小かつ安定しているタスク サブタスク : 基準タスク以外のタスク 基準タスク以外のサブタスクに対して重み係数を付与 16
17.
重み付きヘテロジニアスラーニング(2) [山下, GTC2016] 単一タスクの事前学習によりタスクを分類し,重み付け 17 10 2
3 4 5 6 7 8 9 10 -6 0 -2 -4 -8 10 10 10 10 10 10 2 3 4 5 6 7 8 9 10 -6 0 -2 -4 -8 10 10 10 10 10 ・・・ ・・・ ・・・ 10 2 3 4 5 6 7 8 9 10 -6 0 -2 -4 -8 10 10 10 10 10 N =2.1 x 10 N =2.8 x 10 N =8.9 x 10 -4 -3 -2 Facial point detection Age estimation Gender recognition Calcurate training error and baseline NTraining for single task CNN Select basis task Basis task Subtask Subtask t t t
18.
重み付きヘテロジニアスラーニング(3) [山下, GTC2016] 重み導入により学習誤差のばらつきを抑制 導入前 18 導入後
19.
比較実験 [山下, GTC2016] 単一タスクと比較して同等以上の識別性能を実現 40 50 60 70 80 90 100 左目 右目
鼻 口左 口右 平均 性別 年齢 人種 笑顔度 全体 識別率[%] 単一のDCNN 従来法 提案手法 19
20.
認識結果例(1) [加藤, MIRU2015, GTC2016]
20
21.
認識結果例(2) [加藤, MIRU2015, GTC2016]
21
22.
Jetson TX1への実装 22
23.
ヘテロジニアスラーニングの応用(1) ヘテロジニアスラーニングによる歩行者検出と部位推定 1 0.0001 0.001 0.01
0.1 1 10 MissRate False Positive per Image 回帰型DCNN 31.77% 単体のDCNN 38.38% 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 Daimler Mono-‐Pedestrian Benchmark Dataset の評価結果 距離[m] 距離推定結果[m] 誤差[%] 5 4.89 2.2 10 9.26 5.3 15 14.12 5.8 [山下, SSII2015] 23
24.
ヘテロジニアスラーニングの応用(2) 歩行者の属性推定 24 Task.2 身体の向き推定 Task.3 顔の向き推定 Task.4 性別認識 Task.5 傘の所持認識 Task.1 歩行者部位位置推定 全結合層 傘をさしているか 男性 女性 : 歩行者部位検出 (
頭と両足 ) 身体の向き ( 前 , 後 , 左 , 右 ) 顔の向き ( 前 , 後 , 左 , 右 ) 識別するタスク [Fukui, 2016]
25.
ヘテロジニアスラーニングの応用(3) 把持物体の検出と把持位置推定 [長谷川, SSII2016] 25 入力層 距離画像 カラー画像
RGBD画像 全結合層 出力層 物体検出ユニット 把持位置 検出ユニット Convolution層 Pooling層 Convolution層 Pooling層
26.
その他の研究事例 26
27.
ディープラーニングに関する研究 検出 回帰 セグメンテーション 歩行者検出 シーンラベリング 顔器官検出 姿勢推定 手領域抽出 顔ラベリング 27 認識 標識認識 文字認識 一般物体認識 一般物体検出 車両検出 eep Convolutional
Neural Network による画像認識 I) ワークを複数生成して識別 ・顔器官点検出 -Deep Convolutional Neural Network を回帰問題に適応 - 出力層で各器官点の座標値を推定 山下 2014] ep Convolutional Neural Network ・シーンラベリング - ラベルマップを用いて各画素のシーンを認識 - CNN の出力層は各画素に対応 求めることで 0.23 0.77 0.42 0.58 0.15 0.85 0.23 0.42 0.15Neg 0.77 0.58 0.85 Pos 複数の ネットワーク ソートした 各クラスの出力値 各ネットワーク の出力値 出力層 路上物体 道路 水 空 山 草 木 建物 対象クラス 左目の 左目の左目 唇の右端入力画像 各器官点の座標値を出力 あり Curriculum Learning 1 番目の 畳み込み層 無し
28.
動画像解析(行動認識) 28
29.
CNNとRNN(LSTM)による自己運動推定(1) 29 手法 認識率[%] カラー画像 可視化画像 カラー+可視化 C-RNN(2段階学習)
30.71 84.52 61.00 C-RNN(End-to-End) 49.66 82.66 73.57 DCNN 28.47 81.52 48.90 RNN 35.71 71.71 67.57 [川口, 2016]
30.
CNNとRNN(LSTM)による自己運動推定(2) 自動車の移動推定 30[川口, 2016]
31.
まとめ 複数の異なるタスクを1つのネットワークで実行 ヘテロジニアスラーニング 重み付き学習を導入することで単一タスクと同等性能 応用事例 顔属性推定 歩行者属性 歩行者検出 把持位置検出 その他の研究事例 セグメンテーション 行動認識 31 @takayosiy 山下隆義 yamashita@cs.chubu.ac.jp