SlideShare a Scribd company logo
論文紹介
“Exploiting semantic segmentation to boost
reinforcement learning in video game environments”
2
目次
1. 論文詳細
2. Introduction
3. 実験の目的
4. Framework
5. Results
6. Conclusion
1. 論文詳細
4
1. 論文詳細
著者: Javier Montalbo, Alvaro Garcia-Martin, Jesus Bescos
ジャーナル: Multimedia tools and Applications
年: 2023
所属: Autonomous University of Madrid
VPU Lab (Video Processing and Understanding Lab)
https://www.uam.es/uam/internacional/o
fi
cina-acogida-internacional
ページ: 10961̶10979
2. Introduction
6
2. Introduction
Conputer Vision
画像や動画などの視覚的情報に対して処理を行うことで,
コンピュータに人間の目の機能を持たせ,
コンピュータによる視覚を実現することを目的とする分野
Image Classi
fi
cation Object Detection Image Segmentation
• Computer Visionの応用例
https://assets-global.website-
fi
les.com/5d7b77b063a9066d83e1209c/60d27bb5dce4c03f94e65abc_classi cation-detection-segmentation.jpg
7
2. Introduction
Image Segmentation
• 画像を構成する一つ一つのピクセルを複数のカテゴリに分類することで,
画像をいくつかの領域に分類するタスク
• 領域ごとに塗り分けられた画像を出力する
https://huggingface.co/tasks/assets/image-segmentation/image-segmentation-input.jpeg
8
2. Introduction
Image Segmentationの手法例
Instance Segmentation
• Semantic segmentationと異なり,
重なり合う物体を別々に検出する
Semantic Segmentation
• 画像内の全画素にラベルやカテゴリを関連付ける手法
• 特徴的なカテゴリを形成する画素の集まりを
認識するために使用される
https://www.analyticsvidhya.com/blog/2019/04/introduction-image-segmentation-techniques-python/
9
2. Introduction
Image Segmentationの手法例
Instance Segmentation
• Semantic segmentationと異なり,
重なり合う物体を別々に検出する
Semantic Segmentation
• 画像内の全画素にラベルやカテゴリを関連付ける手法
• 特徴的なカテゴリを形成する画素の集まりを
認識するために使用される
https://www.analyticsvidhya.com/blog/2019/04/introduction-image-segmentation-techniques-python/
10
2. Introduction
Semantic Segmentation用のデータセット例
Cityscapes
・Semantic Segmentation用のデータセットの一つ
・都市部を走行する車から撮られた画像に対して
アノテーションをしたもの
・画像数は5000枚
https://www.cityscapes-dataset.com/examples/
11
Semantic Segmentation用のデータセット例
2. Introduction
https://www.cityscapes-dataset.com/examples/
12
2. Introduction
Synthetic Datasets
・シミュレーションやビデオゲーム環境からアノテーション画像を作成したもの
・シミュレーション環境内であるため,
様々な場所からの視点から画像を得ることができる
‣実環境でのデータセットに比べて作成が容易
代表例
・Synthia Dataset
・Fishyscapes Dataset
13
2. Introduction
Synthetic Datasets
Synthia
・Semantic Segmentation用のデータセットの一つ
・シミュレーション環境内のVirtual Cityから得られた画像に対して
アノテーションをしたもの
・画像数は9400枚
https://synthia-dataset.net/
14
2. Introduction
Synthetic Datasets
https://www.youtube.com/watch?v=kizlNP0NfIY
15
2. Introduction
Synthetic Datasets
Fishyscapes
・Semantic Segmentation用のデータセットの一つ
・Cityscapesデータセットを用いて作られた異常検知のためのデータセット
・ランダムにCityscapesのクラスに含まれない画像を付け加えた画像を生成
https://
fi
shyscapes.com/
16
Synthetic Datasets
2. Introduction
https://
fi
shyscapes.com/
17
2. Introduction
Reinforcement Learning
https://d2l.ai/_images/RL_main.png
・機械学習の一種であり,Agentが動的環境と
繰り返し試行錯誤を重ねることによって
タスクを実行できるようになる手法
・Agentが各Stateにおいて,
最も良いActionを行うことによって,
Rewardを最大化させる方法を学習する
3. 実験の目的
実験の目的:
より抽象的な画像データをビデオゲーム環境の強化学習アルゴリズムに
用いることでその性能を高める
3. 実験の目的 19
手法:
Semantic Segmentationを用いることで色やテクスチャの情報の代わりに
クラスラベル情報を用いた抽象的な画像を作る
利点:
• Segmentなしの場合に比べて少ないエピソード数で高いRewardを獲得できる
• 強化学習モデルの汎化性能を向上させる
• 強化学習アルゴリズムにTransfer Learningを適用することができる
4. Framework
21
4. Framework
実験環境
Gym-super-mario-bros:
スーパーマリオブラザーズのOpenAI gymでの環境
https://pytorch.org/tutorials/intermediate/mario_rl_tutorial.html
Action設定
• 0: 何もしない
• 1: 右に移動
• 2: 右に移動+ダッシュ
• 3: 右に移動+ジャンプ
• 4: 右に移動+ダッシュジャンプ
(通常のジャンプより高く跳ぶことができる)
22
4. Framework
実験環境
報酬設定の目的:
死なずに,できるだけ早く,できるだけ遠くに右方向へ移動する
報酬設定:
: State間のAgentのx座標の値の差(マリオの速度を表す)
( : ステップ前のx座標, : ステップ後のx座標)
: フレーム間のゲーム時間の差(時間が経つにつれてペナルティが科される)
( : ステップ前のゲーム時間, : ステップ後のゲーム時間)
: Agentが死んだ際のペナルティ
(alive)
(death)
・rは[-15, 15]の範囲にクリップされる
r = v + c + d
v
v = x1 − x0 x0 x1
c
c = c0 − c1 c0 c1
d
d = 0
d = − 15
23
4. Framework
Frameworkの概要
24
4. Framework
Dataset generator
本実験で使うSynthetic framesの生成方法
1.切り抜き画像を背景画像に対してランダムに配置
する
2. 6つのクラスに応じてピクセルの値を設定するこ
とでsegmentされた画像を生成
※クラス: immutable objects (
fl
oor, pipes, and hard blocks),
brick, question mark box, Mario, enemy, background
https://github.com/vpulab/Semantic-Segmentation-Boost-Reinforcement-Learning/tree/69eace77a3437f98b1b437074adee5a578803581/Semantic%20segmentation
合成画像
切り抜き画像
マスク画像
25
4. Framework
Dataset generator
ラベル付けの方法:
各クラスごとに決められたピクセル値の値を割り当てる
https://www.jeremyjordan.me/semantic-segmentation/
26
4. Framework
一般的な構造:
画像から特徴量を抽出するdownsampling部分と,
その情報を元に画像に対してラベル付けを行うupsampling部分から成る
https://www.superannotate.com/blog/guide-to-semantic-segmentation
Semantic segmentation model
27
4. Framework
DeepLabV3 (2017)
・FCNs(Fully Convolutional Neural Networks)を用いた
Semantic Segmentation用のモデル
・Atrous Convolutionを直列に何層も重ね,
atrous rateを変えて並列に繋げたネットワーク構造を持つ
https://learnopencv.com/deeplabv3-ultimate-guide/
Semantic segmentation model
28
4. Framework
FCNs (fully convolutional networks):
全結合層を使わずに,
線形層が全て畳み込み層だけで構成されているCNNのこと
https://towardsdatascience.com/ef
fi
cient-method-for-running-fully-convolutional-networks-fcns-3174dc6a692b
Semantic segmentation model
29
4. Framework
Semantic segmentation model
Atrous Convolution (Dilated Convolution)
・Convolutionの視野をコントロールすることができるモジュール
・atrous/dilation rateというパラメータにより視野をコントロールする
・フィルターの間に(atrous rate - 1)個の間隔で
穴(“a trous” in French)を挿入する
・downsampling部分のプーリング層の代わりに用いることで
upsamplingにより画像の特徴量を抽出できる
30
4. Framework
Semantic segmentation model
Atrous Convolutionの適用
https://developers.arcgis.com/python/guide/how-deeplabv3-works/
31
4. Framework
https://developers.arcgis.com/python/guide/how-deeplabv3-works/
Semantic segmentation model
Atrous Convolutionの適用
32
4. Framework
Atrous Spacial Pyramid Pooling (ASPP)
・並行して,異なるatrous rateの
atrous convolutionを行う
・異なるスケールのオブジェクトを
考慮するのに役にたつ
https://learnopencv.com/deeplabv3-ultimate-guide/
Semantic segmentation model
33
4. Framework
ResNet(2015):
CNN層に対してResidual Connection(残差接続)を組み込むことで,
より深い層を持つことができる
Residual Connection (残差接続)
・ある層への入力を出力に足し合わせる手法
・勾配消失を防ぐ効果がある
https://neurohive.io/en/popular-networks/resnet/
Semantic segmentation model
34
4. Framework
Semantic segmentation model
データセットの概要
・画像サイズ: 256 × 240
・画像数: 20,000枚
・訓練画像: 18,000枚
検証画像: 2,000枚
35
4. Framework
Semantic segmentation model
Backboneの比較:
本実験で用いるSynthetic Datasetに対してDeepLabV3のbackboneの
効率と性能の比較を行った
‣ResNet50が性能と効率ともにバランスが取れているため,
ResNet50を本実験でDeepLabV3のbackboneとした
36
4. Framework
Semantic segmentation model
本実験で用いたSegmentation modelの詳細
・DeepLabV3(backbone: ResNet50)
・COCO2017 Datasetで事前学習されてモデルを使用
Segmentation modelの性能の評価
37
4. Framework
Reinforcement learning
Q-Learning
・AgentがQ値を最大化させるような行動を選択する強化学習アルゴリズム
・Agentが得ることのできる将来の報酬の合計は割引率 を使って表現される
γ
Rt = rt + γrt+1 + γ2
rt+2 + ⋯
Q値:
ある時刻tにおいてAgentがその状態 である行動 をした際に得られる
将来報酬の期待値
st at
Q(st, at) =
𝔼
[Rt |st, at]
38
4. Framework
Reinforcement learning
Deep Q-Learning
・Q-LearningとDeep Learningを組み合わせた強化学習アルゴリズム
・Deep Learningを用いてQ値を推定する
L =
𝔼
[∥
target
(r + γmaxQ(s′

, a′

)) −
predicted
Q(s, a) ∥2
]
http://introtodeeplearning.com/slides/6S191_MIT_DeepLearning_L6.pdf
Deep Q-Learningの問題点
L =
𝔼
[∥
target
(r + γmaxQ(s′

, a′

)) −
predicted
Q(s, a) ∥2
]
target部分が過大評価となる
39
4. Framework
Reinforcement learning
Double Deep Q-Learning:
2つのQ Network (Q Network, Target Network)を用いることで
Q-Learningの過大評価を軽減できる
target
yDoubleDQN
t = rt+1 + γQ(st+1, argmaxQ(st+1, a; θt); θ−
t )
5. Results
41
5. Results
実験詳細
baseline: グレースケールの実際のゲームからの画像を
強化学習のAgentに直接Stateとして渡す
segmented: 実際のゲームからの画像をSegmentation modelに入力し,
出力された画像を強化学習のAgentにStateとして渡す
‣この2種類のモデルを比較することで,
segmentが強化学習に与える影響を評価する
42
5. Results
Game-level: 1-1
Algorithm: Double Deep Q-Learning
評価方法
・5000エピソードを5回行う
Reward evolution
結果
・segmented modelがbaselineに比べて
少ないエピソード数で高い報酬を獲得できた
43
5. Results
評価方法
・Segmentation modelの出力を
指定したクラスだけに絞り,
残りは全て背景とする
・各クラスの貢献度を評価する
Reward evolution
結果
・単一クラスだけでは高い報酬を獲得できない
44
5. Results
Domain Adaption:
十分な教師ラベルを持つドメイン(Source Domain)から得られた知識を,
十分な情報がないドメイン(Target Domain)に適用することで,
目標ドメインにおいて高い精度で働く識別器などを学習する
Training in multiple game-levels
※ドメイン(データの集まり)
https://www.mi.t.u-tokyo.ac.jp/default/domain_adaptation
‣Domain Adaptionとしての効果を調べるために,
複数のゲームレベルでの実験を行いモデルの汎化性能を評価する
45
5. Results
Training in multiple game-levels
各game-levelの概要
・DatasetはLevel 1-1の画像のみ
使用している
・Level 1-1と4-1は,背景とオブジェクト
のテクスチャが同じだが,敵と障害物
が異なる
・Level 1-1と6-1は,背景,レイアウト,
障害物が異なるが,オブジェクトの
テクスチャは同じ
46
5. Results
Round-robin algorithm
・それぞれのメンバーに優先順位を付けず
平等に実行権を与えていくアルゴリズム
・毎エピソード順番に異なるゲームレベルで
試行する
Training in multiple game-levels
Level 1-1
Level 4-1
Level 6-1
Level 1-1
Level 4-1
Level 6-1
47
5. Results
Game-level: 1-1, 4-1, 6-1
Algorithm: Double Deep Q-Learning
model: baseline
評価方法
・game-levelの異なる環境でプレイする
・9,999エピソードを行う
・round-robin algorithmに基づき評価
Training in multiple game-levels
結果
・4-1の結果が他の2つに比べて良い
‣4-1に過剰適合している
48
5. Results
Game-level: 1-1, 4-1, 6-1
Algorithm: Double Deep Q-Learning
model: segmented
評価方法
・game-levelの異なる環境でプレイする
・9,999エピソードを行う
・round-robin algorithmに基づき評価
Training in multiple game-levels
結果
・どのゲームレベルでも同じ割合で
報酬が増加している
49
5. Results
Training in multiple game-levels
各ゲームレベルでの正規化された報酬の平均値
結果より,segmented modelは汎化性能が高いことがわかる
Transfer learning
50
別のデータを使って事前に最適化されたパラメータを用いて
学習を行うことで,モデルの正確性と柔軟性を向上させる手法
5. Results
https://www.analyticsvidhya.com/blog/2021/10/understanding-transfer-learning-for-deep-learning/
51
5. Results
評価方法
・二つのタイプの実験を行った
1.入力画像が似ている場合のTransfer learning (game-level 1-1と4-1)
2.入力画像が全く異なる場合のTransfer learning (game-level 1-1と6-1)
・各実験では4種類の方法で比較
baseline: Segmentを行わず,事前学習も行わない
segmented: Segmentを行うが,事前学習は行わない
fi
netuning - baseline: Segmentを行わないが,事前学習を行う
fi
netuning - segmented: Segmentを行い,事前学習も行う
Transfer learning
52
5. Results
Game-level: 1-1(事前学習), 4-1
Algorithm: Double Deep Q-Learning
Transfer learning
結果
・
fi
netuning - segmented modelは
他の3つに比べて早く最高点に達しており,
最終的に得られる報酬も高い
53
5. Results
Game-level: 4-1(事前学習), 1-1
Algorithm: Double Deep Q-Learning
結果
・
fi
netuning - segmented modelは
他の3つに比べて早く最高点に達しており,
最終的に得られる報酬も高い
Transfer learning
54
5. Results
Game-level: 1-1(事前学習), 6-1
Algorithm: Double Deep Q-Learning
結果
・
fi
netuning - segmented modelは
他の3つに比べて1/5のエピソード数で
最高点に達している
・
fi
netuning - baseline modelは
baseline modelの性能とほとんど変わらない
‣Transfer learningはsegmentを用いない場合は効果がないが,
segmentを用いる場合には性能を向上させることができる
Transfer learning
6. Conclusions
56
6. Conclusions
Semantic Segmentationを強化学習の入力に対して行う利点
・少ないエピソード数で学習できる
・高い性能を出すことができる
・特定のgame-level(環境)へのover-
fi
ttingを防ぐことができる
・異なるドメインに対するTransfer learningを行うことができる
Semantic Segmentationを強化学習の入力に対して行う欠点
・チェスのように盤上のどこにあるのかが重要な環境では,
Segmentを用いることができない
・segmentation modelを学習するためのデータセットが必要
・Segmentationを行うための計算時間がかかる
57
6. Conclusions
今後の展望
・segmentation modelの変化が強化学習にどのような影響を及ぼすか調べる
・異なる損失関数を用いることで,性能を向上を図る
・OpenAIのCoinRunという環境を使って,本提案手法の汎化性能を評価する
CoinRun

More Related Content

Similar to 論文紹介: Exploiting semantic segmentation to boost reinforcement learning in video game environments

OpenCV→Swift3.0.1
OpenCV→Swift3.0.1OpenCV→Swift3.0.1
OpenCV→Swift3.0.1
Daisuke Nagata
 
機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編
Daiyu Hatakeyama
 
CVPR 2016 まとめ v1
CVPR 2016 まとめ v1CVPR 2016 まとめ v1
CVPR 2016 まとめ v1
cvpaper. challenge
 
march report in japanese
march report in japanesemarch report in japanese
march report in japanesenao takatoshi
 
【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015
cvpaper. challenge
 
DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類
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
 
インタークラウドシステムの実用化に向けて
インタークラウドシステムの実用化に向けてインタークラウドシステムの実用化に向けて
インタークラウドシステムの実用化に向けて
Masaharu Munetomo
 
Intel OpenVINO™ ツールキットのご紹介
Intel OpenVINO™ ツールキットのご紹介Intel OpenVINO™ ツールキットのご紹介
Intel OpenVINO™ ツールキットのご紹介
Hiroshi Ouchiyama
 
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
 
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
Kazuyuki Miyazawa
 
semantic segmentation サーベイ
semantic segmentation サーベイsemantic segmentation サーベイ
semantic segmentation サーベイ
yohei okawa
 
20100626 CVIM(3)6,7 shirasy
20100626 CVIM(3)6,7 shirasy20100626 CVIM(3)6,7 shirasy
20100626 CVIM(3)6,7 shirasy
Yoichi Shirasawa
 
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しようMicrosoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Hideo Takagi
 
オブジェクトストレージのユースケース (Cloudweek2014 講演資料)
オブジェクトストレージのユースケース (Cloudweek2014 講演資料)オブジェクトストレージのユースケース (Cloudweek2014 講演資料)
オブジェクトストレージのユースケース (Cloudweek2014 講演資料)
CLOUDIAN KK
 
Visual StudioやAzureからAzure DevOpsを使う
Visual StudioやAzureからAzure DevOpsを使うVisual StudioやAzureからAzure DevOpsを使う
Visual StudioやAzureからAzure DevOpsを使う
Takeshi Fukuhara
 
OpenCVとARCoreで作るスタンプAR in 宮崎
OpenCVとARCoreで作るスタンプAR in 宮崎 OpenCVとARCoreで作るスタンプAR in 宮崎
OpenCVとARCoreで作るスタンプAR in 宮崎
Takashi Yoshinaga
 
【Dll171201】深層学習利活用の紹介 掲載用
【Dll171201】深層学習利活用の紹介 掲載用【Dll171201】深層学習利活用の紹介 掲載用
【Dll171201】深層学習利活用の紹介 掲載用
Hirono Jumpei
 
分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム
Okamoto Laboratory, The University of Electro-Communications
 
211104 Bioc Asia workshop
211104 Bioc Asia workshop211104 Bioc Asia workshop
211104 Bioc Asia workshop
Satoshi Kume
 

Similar to 論文紹介: Exploiting semantic segmentation to boost reinforcement learning in video game environments (20)

OpenCV→Swift3.0.1
OpenCV→Swift3.0.1OpenCV→Swift3.0.1
OpenCV→Swift3.0.1
 
機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編機械学習 / Deep Learning 大全 (5) Tool編
機械学習 / Deep Learning 大全 (5) Tool編
 
CVPR 2016 まとめ v1
CVPR 2016 まとめ v1CVPR 2016 まとめ v1
CVPR 2016 まとめ v1
 
march report in japanese
march report in japanesemarch report in japanese
march report in japanese
 
【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015
 
DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類DIGITSによるディープラーニング画像分類
DIGITSによるディープラーニング画像分類
 
大規模画像認識とその周辺
大規模画像認識とその周辺大規模画像認識とその周辺
大規模画像認識とその周辺
 
インタークラウドシステムの実用化に向けて
インタークラウドシステムの実用化に向けてインタークラウドシステムの実用化に向けて
インタークラウドシステムの実用化に向けて
 
Intel OpenVINO™ ツールキットのご紹介
Intel OpenVINO™ ツールキットのご紹介Intel OpenVINO™ ツールキットのご紹介
Intel OpenVINO™ ツールキットのご紹介
 
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
 
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
 
semantic segmentation サーベイ
semantic segmentation サーベイsemantic segmentation サーベイ
semantic segmentation サーベイ
 
20100626 CVIM(3)6,7 shirasy
20100626 CVIM(3)6,7 shirasy20100626 CVIM(3)6,7 shirasy
20100626 CVIM(3)6,7 shirasy
 
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しようMicrosoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
Microsoft Azureのビッグデータ基盤とAIテクノロジーを活用しよう
 
オブジェクトストレージのユースケース (Cloudweek2014 講演資料)
オブジェクトストレージのユースケース (Cloudweek2014 講演資料)オブジェクトストレージのユースケース (Cloudweek2014 講演資料)
オブジェクトストレージのユースケース (Cloudweek2014 講演資料)
 
Visual StudioやAzureからAzure DevOpsを使う
Visual StudioやAzureからAzure DevOpsを使うVisual StudioやAzureからAzure DevOpsを使う
Visual StudioやAzureからAzure DevOpsを使う
 
OpenCVとARCoreで作るスタンプAR in 宮崎
OpenCVとARCoreで作るスタンプAR in 宮崎 OpenCVとARCoreで作るスタンプAR in 宮崎
OpenCVとARCoreで作るスタンプAR in 宮崎
 
【Dll171201】深層学習利活用の紹介 掲載用
【Dll171201】深層学習利活用の紹介 掲載用【Dll171201】深層学習利活用の紹介 掲載用
【Dll171201】深層学習利活用の紹介 掲載用
 
分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム分散表現を用いたリアルタイム学習型セッションベース推薦システム
分散表現を用いたリアルタイム学習型セッションベース推薦システム
 
211104 Bioc Asia workshop
211104 Bioc Asia workshop211104 Bioc Asia workshop
211104 Bioc Asia workshop
 

Recently uploaded

無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
Yuki Miyazaki
 
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
Osaka University
 
気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす
気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす
気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす
Shinichi Hirauchi
 
Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。
Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。
Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。
iPride Co., Ltd.
 
20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro
20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro
20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro
Seiya Shimabukuro
 
ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT vol112 発表資料)
ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT  vol112 発表資料)ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT  vol112 発表資料)
ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT vol112 発表資料)
Takuya Minagawa
 
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptxiMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
kitamisetagayaxxx
 
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
ARISE analytics
 
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
sugiuralab
 
なぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDD
なぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDDなぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDD
なぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDD
ssuserfcafd1
 
生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI
生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI
生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI
Osaka University
 
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMMハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
osamut
 
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライドHumanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
tazaki1
 
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobodyロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
azuma satoshi
 

Recently uploaded (14)

無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
無形価値を守り育てる社会における「デー タ」の責務について - Atlas, Inc.
 
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
協働AIがもたらす業務効率革命 -日本企業が押さえるべきポイント-Collaborative AI Revolutionizing Busines...
 
気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす
気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす
気ままなLLMをAgents for Amazon Bedrockでちょっとだけ飼いならす
 
Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。
Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。
Microsoft Azureで生成AIを使ってみた話 2024/6/14の勉強会で発表されたものです。
 
20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro
20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro
20240621_AI事業者ガイドライン_セキュリティパートの紹介_SeiyaShimabukuro
 
ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT vol112 発表資料)
ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT  vol112 発表資料)ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT  vol112 発表資料)
ろくに電子工作もしたことない人間がIoT用ミドルウェアを作った話(IoTLT vol112 発表資料)
 
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptxiMacwoSu_Gong_de_barabaranishitaHua_.pptx
iMacwoSu_Gong_de_barabaranishitaHua_.pptx
 
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
【JSAI2024】LLMエージェントの人間との対話における反芻的返答の親近感向上効果_v1.1.pdf
 
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
ヒアラブルへの入力を想定したユーザ定義型ジェスチャ調査と IMUセンサによる耳タッチジェスチャの認識
 
なぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDD
なぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDDなぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDD
なぜそのDDDは効果が薄いのか?名ばかりDX案件での経験を踏まえて培った他の思考を交えた現代風?のDDD
 
生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI
生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI
生成AIの実利用に必要なこと-Practical Requirements for the Deployment of Generative AI
 
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMMハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
ハイブリッドクラウド研究会_Hyper-VとSystem Center Virtual Machine Manager セッションMM
 
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライドHumanoid Virtual Athletics Challenge2024 技術講習会 スライド
Humanoid Virtual Athletics Challenge2024 技術講習会 スライド
 
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobodyロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
ロジックから状態を分離する技術/設計ナイト2024 by わいとん @ytnobody
 

論文紹介: Exploiting semantic segmentation to boost reinforcement learning in video game environments