GP-DNNハイブリッドモデルに基づく統計的音声合成の検討

•

2 likes•157 views

2018年1月電子情報通信学会技術研究報告 official：http://www.ieice.org/ken/paper/2018012001BH/ 音声サンプル：http://www.kbys.ip.titech.ac.jp/koriyama/demo/1801SP/index.html

YouTube nnabla channelの次の動画で利用したスライドです。【AI論文解説】Consistency ModelとRectified Flow https://youtu.be/3IKCrAPe55k Consistency ModelとRectified Flowに関連する以下の論文を紹介しています。 Consistency models（解説編Part1で紹介） - “Consistency Models,” ICML 2023. - “Improved Techniques for Training Consistency Models,” ICLR 2024. - “Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion,” ICLR 2024. Rectified flow（解説編Part2で紹介） - “Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow,” ICLR 2023. - “InstaFlow: One Step is Enough for High-Quality Diffusion-Based Text-to-Image Generation,” ICLR 2024.

CS集会#13_なるほどわからん通信技術　発表資料

Yuuitirou528 default

FIDO Alliance Osaka Seminar: Welcome Slides.pdf

FIDO Alliance

2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx

yassun7010

LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル

CRI Japan, Inc.

YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)

NTT DATA Technology & Innovation

FIDO Alliance Osaka Seminar: CloudGate.pdf

FIDO Alliance

論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes

atsushi061452

単腕マニピュレータによる複数物体の同時組み立ての基礎的考察 / Basic Approach to Robotic Assembly of Multi...

Fukuoka Institute of Technology

セル生産方式におけるロボットの活用には様々な問題があるが，その一つとして 3 体以上の物体の組み立てが挙げられる．一般に，複数物体を同時に組み立てる際は，対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる．ただし，この方法ではロボットアームや治具を部品数と同じ数だけ必要とし，部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる．この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により，治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた．すなわち，環境中の非把持対象物のロバスト性を考慮して，組み立て作業条件を検討している．本研究ではこの方策に基づいて，複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする．このとき，対象物のロバスト性を考慮することで，仮組状態の複数物体を同時に扱う手法を提案する．作業対象としてパイプジョイントの組み立てを挙げ，簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す．さらに，作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する． This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.

FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf

FIDO Alliance

Recently uploaded

MPAなWebフレームワーク、Astroの紹介 (その2) 2024/05/24の勉強会で発表されたものです。

iPride Co., Ltd.

TaketoFujikawa_物語のコンセプトに基づく情報アクセス手法の基礎検討_JSAI2024

Matsushita Laboratory

FIDO Alliance Osaka Seminar: LY-DOCOMO-KDDI-Mercari Panel.pdf

FIDO Alliance

【AI論文解説】Consistency ModelとRectified Flow

Sony - Neural Network Libraries

CS集会#13_なるほどわからん通信技術　発表資料

Yuuitirou528 default

FIDO Alliance Osaka Seminar: Welcome Slides.pdf

FIDO Alliance

2024年度_サイバーエージェント_新卒研修「データベースの歴史」.pptx

yassun7010

LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LB 日本語マニュアル

CRI Japan, Inc.

YugabyteDB適用に向けた取り組みと隠れた魅力 (DSS Asia 2024 発表資料)

NTT DATA Technology & Innovation

FIDO Alliance Osaka Seminar: CloudGate.pdf

FIDO Alliance

論文紹介: Offline Q-Learning on diverse Multi-Task data both scales and generalizes

atsushi061452

単腕マニピュレータによる複数物体の同時組み立ての基礎的考察 / Basic Approach to Robotic Assembly of Multi...

Fukuoka Institute of Technology

FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf

FIDO Alliance

FIDO Alliance Osaka Seminar: PlayStation Passkey Deployment Case Study.pdf

FIDO Alliance

論文紹介：When Visual Prompt Tuning Meets Source-Free Domain Adaptive Semantic Seg...

Toru Tamaki

【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matching

harmonylab

公開URL：https://arxiv.org/pdf/2404.19174 出典：Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023) 概要：リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat（Accelerated Features）」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。