2019年10月25日、CTC Forum 2019@品川。楽天ではどのようにビッグデータの活用を行っているのか、データサイエンスおよびAIの視点でプレゼンテーションが行われた。登壇者:勝山 公雄(Senior Manager, Global Data Supervisory Department, Rakuten, Inc.)
2019年10月25日、CTC Forum 2019@品川。楽天ではどのようにビッグデータの活用を行っているのか、データサイエンスおよびAIの視点でプレゼンテーションが行われた。登壇者:勝山 公雄(Senior Manager, Global Data Supervisory Department, Rakuten, Inc.)
映像やCG制作の現場において、AIの技術は様々な自動化・クリエイティブで利用され始めています。そのAI そのものは、従来のデジタル制作と異なる性質も持っており、道具としての AI を正しく理解しておくことも重要です。このセッションでは、既存のAI技術を紹介しつつ、どのようにクリエイティブの現場に取り入れ、理解していくのかをご紹介します。
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
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。
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.
10. 流行りのStable Diffusionを超ざっくり説明
§ Stable Diffusion
LDM論文で発表された手法で現在はStable diffusionという名前でOSSとして公開され画像生成AIブームの起爆剤となった。
学習時は学習データを別の空間移しノイズを付与し、逆拡散過程を学習。当たり前だが推論時は逆拡散過程の部分(赤線の中)のみを用いる。
§ Stable DiffusionはU-NetとVAEとText Encoderから構成される
①VAE:VAEの潜在空間に対して拡散モデルを学習させることで、効率よく高解像度の画像生成が可能。
② U-Net:画像中のノイズを推論する部分。テキストによる条件付けは、U-Net内のCross-Attentionでおこなっている。
③ Text Encoder:CLIPというモデルでテキストから特徴量を取得
10
https://qiita.com/omiita/items/ecf8d60466c50ae8295b
(Qiita記事: 世界に衝撃を与えた画像生成AI「Stable Diffusion」を徹底解説!@omiita より引用)
③
① ①
②
11. 流行りのStable Diffusionを超ざっくり説明
§ Stable Diffusion
LDM論文で発表された手法で現在はStable diffusionという名前でOSSとして公開され画像生成AIブームの起爆剤となった。
学習時は学習データを別の空間移しノイズを付与した後、逆拡散過程を学習。当たり前だが推論時は逆拡散過程の部分(赤線の中)のみを用いる。
§ Stable DiffusionはU-NetとVAEとText Encoderから構成される
①VAE:VAEの潜在空間に対して拡散モデルを学習させることで、効率よく高解像度の画像生成が可能。
② U-Net:画像中のノイズを推論する部分。テキストによる条件付けは、U-Net内のCross-Attentionでおこなっている。
③ Text Encoder:CLIPというモデルでテキストから特徴量を取得
11
https://qiita.com/omiita/items/ecf8d60466c50ae8295b
(Qiita記事: 世界に衝撃を与えた画像生成AI「Stable Diffusion」を徹底解説!@omiita より引用)
③
① ①
②
13. 流行りのStable Diffusionを超ざっくり説明
§ Stable Diffusion
LDM論文で発表された手法で現在はStable diffusionという名前でOSSとして公開され画像生成AIブームの起爆剤となった。
学習時は学習データを別の空間移しノイズを付与した後、逆拡散過程を学習。当たり前だが推論時は逆拡散過程の部分(赤線の中)のみを用いる。
§ Stable DiffusionはU-NetとVAEとText Encoderから構成される
①VAE:VAEの潜在空間に対して拡散モデルを学習させることで、効率よく高解像度の画像生成が可能。
② U-Net:画像中のノイズを推論する部分。テキストによる条件付けは、U-Net内でおこなっている。
③ Text Encoder:CLIPというモデルでテキストから特徴量を取得
13
https://qiita.com/omiita/items/ecf8d60466c50ae8295b
(Qiita記事: 世界に衝撃を与えた画像生成AI「Stable Diffusion」を徹底解説!@omiita より引用)
③
① ①
②
15. 流行りのStable Diffusionを超ざっくり説明
§ Stable Diffusion
LDM論文で発表された手法で現在はStable diffusionという名前でOSSとして公開され画像生成AIブームの起爆剤となった。
学習時は学習データを別の空間移しノイズを付与した後、逆拡散過程を学習。当たり前だが推論時は逆拡散過程の部分(赤線の中)のみを用いる。
§ Stable DiffusionはU-NetとVAEとText Encoderから構成される
①VAE:VAEの潜在空間に対して拡散モデルを学習させることで、効率よく高解像度の画像生成が可能。
② U-Net:画像中のノイズを推論する部分。テキストによる条件付けは、U-Net内のCross-Attentionでおこなっている。
③ Text Encoder:CLIPというモデルでテキストから特徴量を取得
15
https://qiita.com/omiita/items/ecf8d60466c50ae8295b
(Qiita記事: 世界に衝撃を与えた画像生成AI「Stable Diffusion」を徹底解説!@omiita より引用)
③
① ①
②
16. 流行りのStable Diffusionを超ざっくり説明
③ Text Encoder:CLIP
§ 元々は画像とテキストの類似度を推定するモデル
§ 学習時はテキストと画像で対照学習(※)を行いテキストと画像の特徴を同じ空間上に埋め込む、マルチモーダルモデル
§ Stable diffusionではテキストを入力して類似度が高い画像のCLIP特徴を得る
§ CLIP特徴をUnetに差し込むことでテキストによる条件付けが可能
※対照学習: ラベル付けを行うことなく、データ同士を比較する仕組みを用いて
学習できる自己教師あり学習の一つ
16
https://openai.com/research/clip
( CLIP: Connecting text and imagesより引用)