Submit Search
Upload
SAR精度70% その先へ
•
Download as PPTX, PDF
•
1 like
•
1,841 views
Kazufumi Ohkawa
Follow
Deep Learningについて
Read less
Read more
Science
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 26
Download now
Recommended
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
[第3回分析コンペLT会 、オンライン開催] (https://kaggle-friends.connpass.com/event/220927/) での発表資料です。 画像コンペに出るうえで便利過ぎる timm(pytorch image models) の紹介をしました。
量子化学計算外伝 すごいよ!! FMO
量子化学計算外伝 すごいよ!! FMO
Kazufumi Ohkawa
PIEDA素敵
ClickでCLIをお手軽につくるぅぅぅ
ClickでCLIをお手軽につくるぅぅぅ
Kazufumi Ohkawa
ぬか漬け大好き☆
視覚化サービス構築の際に気をつけること
視覚化サービス構築の際に気をつけること
Kazufumi Ohkawa
視覚化サービス構築の際に気をつけること
ChEMBLを使おう
ChEMBLを使おう
Kazufumi Ohkawa
ChEMBLを使おう
IPython notebookを使おう
IPython notebookを使おう
Kazufumi Ohkawa
IPython notebookのすすめ
あまり知られていない静岡の言語戦争の歴史
あまり知られていない静岡の言語戦争の歴史
Kazufumi Ohkawa
静岡のプログラミング言語
実践コンピュータビジョン8章
実践コンピュータビジョン8章
Kazufumi Ohkawa
実践コンピュータビジョン8章
Recommended
backbone としての timm 入門
backbone としての timm 入門
Takuji Tahara
[第3回分析コンペLT会 、オンライン開催] (https://kaggle-friends.connpass.com/event/220927/) での発表資料です。 画像コンペに出るうえで便利過ぎる timm(pytorch image models) の紹介をしました。
量子化学計算外伝 すごいよ!! FMO
量子化学計算外伝 すごいよ!! FMO
Kazufumi Ohkawa
PIEDA素敵
ClickでCLIをお手軽につくるぅぅぅ
ClickでCLIをお手軽につくるぅぅぅ
Kazufumi Ohkawa
ぬか漬け大好き☆
視覚化サービス構築の際に気をつけること
視覚化サービス構築の際に気をつけること
Kazufumi Ohkawa
視覚化サービス構築の際に気をつけること
ChEMBLを使おう
ChEMBLを使おう
Kazufumi Ohkawa
ChEMBLを使おう
IPython notebookを使おう
IPython notebookを使おう
Kazufumi Ohkawa
IPython notebookのすすめ
あまり知られていない静岡の言語戦争の歴史
あまり知られていない静岡の言語戦争の歴史
Kazufumi Ohkawa
静岡のプログラミング言語
実践コンピュータビジョン8章
実践コンピュータビジョン8章
Kazufumi Ohkawa
実践コンピュータビジョン8章
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Kaggleのあるコンテンストの優勝者が作ったモデルをケーススタディとして、kaggleテクニックを解説します。特にStackingを中心に解説しています。CNNにはあえて触れませんでした。また、t-SNEやxgboostの概略にも触れました。
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
miyanegi
第6回 3D勉強会@関東 発表スライド https://3dvision.connpass.com/event/156241/
画像認識と深層学習
画像認識と深層学習
Yusuke Uchida
日本ロボット学会 ロボット工学セミナー 第126回 ロボットのための画像処理技術 講演資料 https://www.rsj.or.jp/event/seminar/news/2020/s126.html 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては深層学習,その中でも特に畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNはクラス分類をはじめとして,物体検出やセグメンテーションなど様々なタスクを解くためのベースネットワークとして広く利用されてきている.本講演では,CNNの発展を振り返るとともに,エッジデバイスで動作させる際に重要となる高速化等,関連する深層学習技術の解説を行う. 1. クラス分類向けモデルについて 1.1. ILSVRCで振り返る進化の歴史 1.2. その他重要なモデル 1.3. モデルの自動設計 (Neural Architecture Search) 2. モデルの高速化について 2.1. 軽量モデル 2.2. その他モデルの高速化手法 3. クラス分類以外のタスクにおけるモデル 4. おまけ
illustration2vecによるタグ抽出
illustration2vecによるタグ抽出
Katsuya Ishiyama
ゆるキャラグランプリに出場したキャラクターの画像から得票数を推定する試みの一環として、ディープラーニングによるタグの抽出を行いました。 方法はSaito and Matsui (2015) が提案したillustration2vecを用いています。 ゆるキャラでの結果を見て、さらにゲームのキャラクターでも試してみました。
ジーノ先生の文系的オブジェクト指向(2) - コンストラクタの引数
ジーノ先生の文系的オブジェクト指向(2) - コンストラクタの引数
Satoru Kodaira
オブジェクト指向を文法からではなく、自然言語的に分かりやすく文系的に解説する講座です。と言いつつ分かりやすくなかったらゴメンナサイ。需要があれば続けます。 今回は、コンストラクタの引数についてです。
人狼知能プログラミング演習資料2015
人狼知能プログラミング演習資料2015
Kosuke Shinoda
人狼知能の開発を題材としたプログラミング演習の講義資料をまとめたものです.対象としたサーバのバージョンが古いため,現在の最新版とは異なる箇所があると思いますので,ご注意ください
圏論walker
圏論walker
Kazufumi Ohkawa
Haskell in Shizuoka
ハッピーハッピー構造生成まつり’67
ハッピーハッピー構造生成まつり’67
Kazufumi Ohkawa
ハッピーハッピー構造生成まつり’67
Mishimasyk141025
Mishimasyk141025
Kazufumi Ohkawa
Cytoscapeでchemoinformatics
R -> Python
R -> Python
Kazufumi Ohkawa
Pandas, ggplot, scikit-learn, RDKitの話
Unigram mixtures
Unigram mixtures
Kazufumi Ohkawa
Unigram mixturesの簡単な紹介
エンジョイ☆スクレイピング
エンジョイ☆スクレイピング
Kazufumi Ohkawa
Seleniumの
Redmineでもめない会議☆
Redmineでもめない会議☆
Kazufumi Ohkawa
Redmineでもめない会議☆
pythonでオフィス快適化計画
pythonでオフィス快適化計画
Kazufumi Ohkawa
入門機械学習読書会9章
入門機械学習読書会9章
Kazufumi Ohkawa
入門機械学習読書会9章
入門機械学習6章
入門機械学習6章
Kazufumi Ohkawa
入門機械学習6章
Javascriptを書きたくないヒ トのためのPythonScript
Javascriptを書きたくないヒ トのためのPythonScript
Kazufumi Ohkawa
Javascriptを書きたくないヒ トのためのPythonScript
入門機械学習読書会二回目
入門機械学習読書会二回目
Kazufumi Ohkawa
入門機械学習1,2章
入門機械学習1,2章
Kazufumi Ohkawa
Sphinxでドキュメントを書こう
Sphinxでドキュメントを書こう
Kazufumi Ohkawa
pythonでつくるiPhoneアプリ
pythonでつくるiPhoneアプリ
Kazufumi Ohkawa
Shizupptx
Shizupptx
Kazufumi Ohkawa
More Related Content
Similar to SAR精度70% その先へ
Kaggleのテクニック
Kaggleのテクニック
Yasunori Ozaki
Kaggleのあるコンテンストの優勝者が作ったモデルをケーススタディとして、kaggleテクニックを解説します。特にStackingを中心に解説しています。CNNにはあえて触れませんでした。また、t-SNEやxgboostの概略にも触れました。
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
miyanegi
第6回 3D勉強会@関東 発表スライド https://3dvision.connpass.com/event/156241/
画像認識と深層学習
画像認識と深層学習
Yusuke Uchida
日本ロボット学会 ロボット工学セミナー 第126回 ロボットのための画像処理技術 講演資料 https://www.rsj.or.jp/event/seminar/news/2020/s126.html 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降,画像認識においては深層学習,その中でも特に畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった.CNNはクラス分類をはじめとして,物体検出やセグメンテーションなど様々なタスクを解くためのベースネットワークとして広く利用されてきている.本講演では,CNNの発展を振り返るとともに,エッジデバイスで動作させる際に重要となる高速化等,関連する深層学習技術の解説を行う. 1. クラス分類向けモデルについて 1.1. ILSVRCで振り返る進化の歴史 1.2. その他重要なモデル 1.3. モデルの自動設計 (Neural Architecture Search) 2. モデルの高速化について 2.1. 軽量モデル 2.2. その他モデルの高速化手法 3. クラス分類以外のタスクにおけるモデル 4. おまけ
illustration2vecによるタグ抽出
illustration2vecによるタグ抽出
Katsuya Ishiyama
ゆるキャラグランプリに出場したキャラクターの画像から得票数を推定する試みの一環として、ディープラーニングによるタグの抽出を行いました。 方法はSaito and Matsui (2015) が提案したillustration2vecを用いています。 ゆるキャラでの結果を見て、さらにゲームのキャラクターでも試してみました。
ジーノ先生の文系的オブジェクト指向(2) - コンストラクタの引数
ジーノ先生の文系的オブジェクト指向(2) - コンストラクタの引数
Satoru Kodaira
オブジェクト指向を文法からではなく、自然言語的に分かりやすく文系的に解説する講座です。と言いつつ分かりやすくなかったらゴメンナサイ。需要があれば続けます。 今回は、コンストラクタの引数についてです。
人狼知能プログラミング演習資料2015
人狼知能プログラミング演習資料2015
Kosuke Shinoda
人狼知能の開発を題材としたプログラミング演習の講義資料をまとめたものです.対象としたサーバのバージョンが古いため,現在の最新版とは異なる箇所があると思いますので,ご注意ください
Similar to SAR精度70% その先へ
(6)
Kaggleのテクニック
Kaggleのテクニック
SLAM開発における課題と対策の一例の紹介
SLAM開発における課題と対策の一例の紹介
画像認識と深層学習
画像認識と深層学習
illustration2vecによるタグ抽出
illustration2vecによるタグ抽出
ジーノ先生の文系的オブジェクト指向(2) - コンストラクタの引数
ジーノ先生の文系的オブジェクト指向(2) - コンストラクタの引数
人狼知能プログラミング演習資料2015
人狼知能プログラミング演習資料2015
More from Kazufumi Ohkawa
圏論walker
圏論walker
Kazufumi Ohkawa
Haskell in Shizuoka
ハッピーハッピー構造生成まつり’67
ハッピーハッピー構造生成まつり’67
Kazufumi Ohkawa
ハッピーハッピー構造生成まつり’67
Mishimasyk141025
Mishimasyk141025
Kazufumi Ohkawa
Cytoscapeでchemoinformatics
R -> Python
R -> Python
Kazufumi Ohkawa
Pandas, ggplot, scikit-learn, RDKitの話
Unigram mixtures
Unigram mixtures
Kazufumi Ohkawa
Unigram mixturesの簡単な紹介
エンジョイ☆スクレイピング
エンジョイ☆スクレイピング
Kazufumi Ohkawa
Seleniumの
Redmineでもめない会議☆
Redmineでもめない会議☆
Kazufumi Ohkawa
Redmineでもめない会議☆
pythonでオフィス快適化計画
pythonでオフィス快適化計画
Kazufumi Ohkawa
入門機械学習読書会9章
入門機械学習読書会9章
Kazufumi Ohkawa
入門機械学習読書会9章
入門機械学習6章
入門機械学習6章
Kazufumi Ohkawa
入門機械学習6章
Javascriptを書きたくないヒ トのためのPythonScript
Javascriptを書きたくないヒ トのためのPythonScript
Kazufumi Ohkawa
Javascriptを書きたくないヒ トのためのPythonScript
入門機械学習読書会二回目
入門機械学習読書会二回目
Kazufumi Ohkawa
入門機械学習1,2章
入門機械学習1,2章
Kazufumi Ohkawa
Sphinxでドキュメントを書こう
Sphinxでドキュメントを書こう
Kazufumi Ohkawa
pythonでつくるiPhoneアプリ
pythonでつくるiPhoneアプリ
Kazufumi Ohkawa
Shizupptx
Shizupptx
Kazufumi Ohkawa
Virthualenvwrapper
Virthualenvwrapper
Kazufumi Ohkawa
Hakyll
Hakyll
Kazufumi Ohkawa
静岡のHaskellerはEmacsを使う
静岡のHaskellerはEmacsを使う
Kazufumi Ohkawa
More from Kazufumi Ohkawa
(19)
圏論walker
圏論walker
ハッピーハッピー構造生成まつり’67
ハッピーハッピー構造生成まつり’67
Mishimasyk141025
Mishimasyk141025
R -> Python
R -> Python
Unigram mixtures
Unigram mixtures
エンジョイ☆スクレイピング
エンジョイ☆スクレイピング
Redmineでもめない会議☆
Redmineでもめない会議☆
pythonでオフィス快適化計画
pythonでオフィス快適化計画
入門機械学習読書会9章
入門機械学習読書会9章
入門機械学習6章
入門機械学習6章
Javascriptを書きたくないヒ トのためのPythonScript
Javascriptを書きたくないヒ トのためのPythonScript
入門機械学習読書会二回目
入門機械学習読書会二回目
入門機械学習1,2章
入門機械学習1,2章
Sphinxでドキュメントを書こう
Sphinxでドキュメントを書こう
pythonでつくるiPhoneアプリ
pythonでつくるiPhoneアプリ
Shizupptx
Shizupptx
Virthualenvwrapper
Virthualenvwrapper
Hakyll
Hakyll
静岡のHaskellerはEmacsを使う
静岡のHaskellerはEmacsを使う
SAR精度70% その先へ
1.
SAR精度70% その先へ @fmkz___
2.
自己紹介 • 色々やります • インフォマティクスとビジュアライゼー ションに興味がある •
梅雨のエヴァコラボでモンストに飽きた けど最近のエヴァコラボ第二弾で復活w
3.
4.
5.
その先へ☆
6.
Deep Learningの何がアツイか? • 特徴の抽出をやってくれる •
(画像認識だとSIFTとか)cLogPとか職人が よく考えて構築した特徴量を使わなくて も、もっとプリミティブなデータからう まく特徴量を学習してくれるのが一番大 きいと思う。
7.
画像認識だと http://www.slideshare.net/fullscreen/takmin/ building-highlevelfeatures/1
8.
特徴量抽出を簡単に説明すると 次元の圧縮
9.
詳しくはこれを読むといい
10.
Merck Molecular Activity Challenge
11.
Kaggleのコンテスト
12.
13.
特徴量の抽出やってない…
14.
SVMと精度変わらんし、、、
15.
特徴量抽出で大きく精度改善 するのかな? データ見てみよう
16.
データを見る
17.
一万次元以上あるけどやたら疎
18.
多分これ
19.
AP and DP •
AP – ペア(下の) – 元素名、隣接した重原子の数、π電子数によ り識別された原子 • DP – カチオンとかアニオンとかドナーとアクセプ ターの7種の識別
20.
情報結構落ちてるんじゃない の? この状況下で特徴量の抽出したと して精度が向上するかは非常に疑 問
21.
改めてSARにおける認識とは • 画像認識は画像の画素のベクトル(RGB)が 与えられ認識する • SARにおける認識は、化合物が与えられ た場合にそれを何らかのベクトル表現と して与え、それから認識する •
また、ヒトが似ている似ていないを判断 するのではなく認識するのはタンパク質 であるところも異なる
22.
分子認識 • 分子が認識するための特徴量抽出のため の情報をインプットとして入力する必要 があるんじゃないのか? • グラフ情報でいいのか?
23.
重ね合わせの問題 • 実際にはタンパク質と化合物の結合状態 を考慮する必要があるが • 学習させる過程で解決するのか •
インプットの段階でよろしくやっておく のか • という問題も残る
24.
プリミティブな記述子? • 量子化学計算から出てきた軌道の型とそ の係数をそのまま使うというのはどうだ ろうか? • コンフォメーションの問題は残るが… –
結合空間の静電場が特殊で、真空中では取ら ないコンフォメーションで結合していたりす る
25.
SARでDeepLearningするには • Inputをどうするか? – 重ね合わせの問題 –
効果的な特徴量抽出のできるような • どういうモデルにするか – 深さとか
26.
まとめ • SARにおけるDeepLearningは夢があると 思う • 次回はTensorFlowとかChainerのハンズオ ンでもやりたい •
誰かよろしくw
Download now