Download as PDF, PPTX
Uploaded byNVIDIA Japan
GTC 2016 ディープラーニング最新情報
2016年7月22日（金）名古屋にて開催の、NVIDIA のイベント Deep Learning Day #NVDLD 2016 Summer の資料です。 4月にアメリカにて開催のGTC 2016のディープラーニング関連セッション100以上のなかからとりわけ興味深いものをご紹介します。
More Related Content
![[Japan Tech summit 2017] MAI 001](https://cdn.slidesharecdn.com/ss_thumbnails/techsummit2017pdfmai001-171115034129-thumbnail.jpg?width=640&height=640&fit=bounds)
GTC 2016 ディープラーニング最新情報
- 1. 井﨑 武士 GTC 2016ディープラーニング最新情報
- 2. DEEP LEARNING関連セッション • 合計826セッション中166セッション 種類件数 講演 116 パネル・ポスター 21 ハンズオン 17 ハングアウト ８ チュートリアル 4
- 3.
- 4. Xian-Sheng Hua SeniorDirector/Researcher, Alibaba Group DEEP LEARNING IN REAL-WORLD LARGE- SCALE IMAGE SEARCH AND RECOGNITION SESSION 1
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12. Chiyuan Zhang PhDStudent, MIT AUTOMATED GEOPHYSICAL FEATURE DETECTION WITH DEEP LEARNING SESSION 2
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22. Konstantin Kiselev DataScientist, Youth Laboratories DEEP LEARNING ALGORITHMS FOR RECOGNIZING THE FEATURES OF FACIAL AGEING SESSION 3
- 23.
- 24.
- 25. 25 Deep Learningによるアプローチ 1. VGG-11を用いて顔の領域を検出 2. しわスコアの算出 • SegNetを用いてしわマップを作成 • VGG-16を用いてRYNKLスコアを推定 *
- 26.
- 27. Bryan Catanzaro SeniorResearcher, Baidu Research TRAINING AND DEPLOYING DEEP NEURAL NETWORKS FOR SPEECH RECOGNITION SESSION 4
- 28. 28 Deep Speech 音声認識 Endto End Learning 音声から直接文字を推論するDNN
- 29.
- 30.
- 31.
- 32.
- 33. 33 All reduce /FP16 独自のAllreduceを実装 Maxwell Pascal (推定)
- 34. Nigel Cannings ChiefTechnical Officer, Intelligent Voice Limited DEEP CONVOLUTIONAL NEURAL NETWORKS FOR SPOKEN DIALECT CLASSIFICATION OF SPECTROGRAM IMAGES USING DIGITS SESSION 5
- 35.
- 36.
- 37.
- 38.
- 39. Jianxiong Xiao AssistantProfessor, Princeton University 3D DEEP LEARNING SESSION 6
- 40.
- 41.
- 42.
- 43.
- 44.
- 45.
- 46.
- 47.
- 48.
- 49.
- 50.
- 51.
- 52.
- 53.
- 54.
- 55.
- 56.
- 57.
- 58.
- 59.
- 60.
- 61. Pavlo Molchanov ResearchScientist, NVIDIA HAND GESTURE RECOGNITION WITH 3D CONVOLUTIONAL NEURAL NETWORKS SESSION 7
- 62.
- 63.
- 64. 64 最良の分類器の選択 VIVA CHALLENGE 2015UCLA http://cvrr.ucsd.edu/vivachallenge/index.php/hands/hand-gestures/
- 65.
- 66.
- 67.
- 68.
- 69.
- 70. 70 データ・オーグメンテーション Temporal augmentation/Generating newtraining data 時間方向にフレームをずらす フリップ
- 71.
- 72.
- 73.
- 74.
- 75.
- 76. Shiliang Pu ExecutiveVice President, Hikvision Research Institute INTELLIGENT VIDEO ANALYSIS SYSTEM BASED ON GPU AND DISTRIBUTED ARCHITECTURE SESSION 8
- 77. 77 監視カメラが抱える問題 高解像度化 VS ストレージ 複雑さVS 精度 大量のデータ VS 効率 複雑さを増す環境で、より高精 細な認識精度を求められる
- 78.
- 79.
- 80.
- 81.
- 82.
- 83.
- 84.
- 85.
- 86. Stephen McGough Lecturer,Durham University ANOMALY DETECTION AND CATEGORIZATION USING UNSUPERVISED DEEP LEARNING SESSION 9
- 87. 87 異常検知 • テロリストの活動監視 • 船/飛行機のデータ監視 •警察犯罪データベース • 好ましくない情報のリーク • 機器の異常 • ソーシャルメディアの監視 • セキュリティカメラでの監視 • 不正なファイナンス取引
- 88.
- 89.
- 90. 90 Probabilistic Topic Modeling •テキストデータの教師なし分析 • 同じ単語でも、文書内で使用される他の言葉に よって意味が異なることがある • 文書類からトピックを統計的に特定 • 各文書内にどのようなトピックが現れるかを統計 的に分類
- 91.
- 92.
- 93. 93 性能 SC% - SPAMCaught BH% - Blocked HAM Acc% - Accuracy MCC% - Mathews Correlation Coefficient
- 94. Natalia Vassilieva ResearchGroup Manager, Hewlett Packard Labs SENSE MAKING IN AN IOT WORLD: SENSOR DATA ANALYSIS WITH DEEP LEARNING SESSION 10
- 95. 95 なぜディープラーニング＋センサーデータか？ ディープラーニングは： • 大量の学習データ（ラベル有無) • 自明でない(空間・時間的)多次元 や複雑なデータ •人手で行っていたものが教師無し特 徴学習に取って代わられている • クロスモーダルな特徴学習 センサーデーター： • 大量のデータ（ほとんどがラベル無) • 自明でない複雑なデータ（ほぼ時間 的） • データ再現、特徴抽出の精査が困難 • マルチモーダル スピーチでも活用 ほとんどのデータが時系列
- 96.
- 97. 97 アプローチ ベースライン評価 - ZeroR (メジャーなクラス予測器) -サポートベクターマシン - 決定木(C50を実装) - 浅いニューラルネットワーク（FANNライブラリ) - 特徴：手作業 Deep Neural Networks - 全結合隠れ層＋Softmax - 時間遅延層 - リカレント層 - DNN+CRF（条件付確率場) - マルチメターパラメータ設定 - 特徴：振幅スペクトル
- 98. 98 アプローチ ベースライン評価 - ZeroR (メジャーなクラス予測器) -サポートベクターマシン - 決定木(C50を実装) - 浅いニューラルネットワーク（FANNライブラリ) - 特徴：手作業 Deep Neural Networks - 全結合隠れ層＋Softmax - 時間遅延層 - リカレント層 - DNN+CRF（条件付確率場) - マルチメターパラメータ設定 - 特徴：振幅スペクトル
- 99.
- 100.
- 101. Aishwarya Agrawal Ph.D.Student, Virginia Tech VQA: VISUAL QUESTION ANSWERING SESSION 11
- 102.
- 103.
- 104.
- 105.
- 106.
- 107.
- 108.
- 109. Ian Goodfellow SeniorResearch Scientist, OpenAI GENERATIVE ADVERSARIAL NETWORKS SESSION 12
- 110.
- 111.
- 112.
- 113.
- 114. Mu Li Ph.D.Student, Carnegie Mellon University Tianqi Chen Ph.D. Student, University of Washington MXNET: FLEXIBLE DEEP LEARNING FRAMEWORK FROM DISTRIBUTED GPU CLUSTERS TO EMBEDDED SYSTEMS SESSION 13
- 115.
- 116.
- 117.
- 118.
- 119.
- 120.
- 121.
- 122.
- 123.
- 124.
- 125.
- 126.
- 127.
- 128.
- 129.
- 130.
- 131.
- 132.
- 133.
- 134. Antonio M. LópezPrincipal Investigator & Associate Professor, Computer Vision Center & Universitat Autònoma de Barcelona TRAINING MY CAR TO SEE: USING VIRTUAL WORLDS SESSION 14
- 135.
- 136.
- 137.
- 138.
- 139.
- 140.
- 141.
- 142.
- 143. Fausto Milletari, PhDCandidate, Technical University of Munich SEGMENTATION OF MEDICAL VOLUMES USING CONVOLUTIONAL NEURAL NETWORKS SESSION 15
- 144.
- 145.
- 146.
- 147.
- 148.
- 149.
- 150.
- 151.
- 152.
- 153.
- 154.
- 155.
- 156.
- 157.
- 158.
- 159.
- 160.
- 161. Song Han PhDstudent, Stanford University DEEP COMPRESSION AND EIE: DEEP NEURAL NETWORK MODEL COMPRESSION AND EFFICIENT INFERENCE ENGINE SESSION 16
- 162.
- 163.
- 164.
- 165.
- 166.
- 167.
- 168.
- 169.
- 170.
- 171.
- 172. NVIDIA IS HIRING YOURLIFE’S WORK STARTS HERE www.nvidia.com/careers
- 173.