自然言語処理の最新技術動向紹介

•

5 likes•3,739 views

Yahoo!デベロッパーネットワーク

2020年12月16日（水）に行われた対話システム勉強会（第２回）での発表資料です。 https://cotobaagent-developers-community.connpass.com/event/196095/

東京大学松尾研究室が主催する深層強化学習サマースクールの講義で今井が使用した資料の公開版です．強化学習の基礎的な概念や理論から最新の深層強化学習アルゴリズムまで解説しています．巻末には強化学習を勉強するにあたって有用な他資料への案内も載せました．主に以下のような強化学習の概念やアルゴリズムの紹介をしています．・マルコフ決定過程・ベルマン方程式・モデルフリー強化学習・モデルベース強化学習・TD学習・Q学習・SARSA ・適格度トレース・関数近似・方策勾配法・方策勾配定理・DPG ・DDPG ・TRPO ・PPO ・SAC ・Actor-Critic ・DQN（Deep Q-Network）・経験再生・Double DQN ・Prioritized Experience Replay ・Dueling Network ・Categorical DQN ・Noisy Network ・Rainbow ・A3C ・A2C ・Gorila ・Ape-X ・R2D2 ・内発的報酬・カウントベース・擬似カウントベース・RND（Random Network Distillation）・ICM（Intrinsic Curiosity Module）・Go-Explore ・世界モデル（World Models）・MuZero ・SimPLe ・NGU（Never Give Up）・Agent57 ・AlphaGo ・AlphaGo Zero ・AlphaZero ・OpenAI Five ・AlphaStar ・マルチエージェント強化学習

Data-Centric AIの紹介

Kazuyuki Miyazawa

機械学習チュートリアル@Jubatus Casual TalksYuya Unno

【メタサーベイ】基盤モデル / Foundation Models

cvpaper. challenge

優れた研究論文の書き方―7つの提案

Masanori Kado

Surveyから始まる研究者への道 - Stand on the shoulders of giants -

諒介荒木

Slideshareは再アップロード不可なのでerrataはコチラ： p16：Structure(Conference Paper) →構成（カンファレンスペーパー） p28：Structure → 構成 p47：マン → マージンオリジナル： https://www.microsoft.com/en-us/research/academic-program/write-great-research-paper/ 旧版の翻訳（内容はほとんど同じです）： https://www.slideshare.net/kdmsnr/writing-a-paper-seven-suggestions

研究分野をサーベイする

Takayuki Itoh

最適化超入門

Takami Sato

研究効率化Tips Ver.2

cvpaper. challenge

cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション：http://view.tc-iaip.org/view/2021/speaker/ts1 ViEW2021参加登録：http://view.tc-iaip.org/view/2021/registration

LSTM (Long short-term memory) 概要

Kenji Urai

最新リリース：Optuna V3の全て - 2022/12/10 Optuna Meetup #2

Preferred Networks

ゼロから始める転移学習

Yahoo!デベロッパーネットワーク

Transformerを多層にする際の勾配消失問題と解決法について

Sho Takase

ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...

西岡賢一郎

機械学習の社会実装では、予測精度が高くても、機械学習がブラックボックであるために使うことができないということがよく起きます。このスライドでは機械学習が不得意な予測結果の根拠を示すために考案されたLIMEの論文を解説します。 Ribeiro, Marco Tulio, Sameer Singh, and Carlos Guestrin. "" Why should i trust you?" Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016.

分散学習のあれこれ～データパラレルからモデルパラレルまで～

最適輸送入門

大学院進学が切り拓く情報系学生のキャリア

機械学習で泣かないためのコード設計

【プレゼン】見やすいプレゼン資料の作り方【初心者用】

MOCKS | Yuta Morishige

プレゼンテーションのスライド資料を作る上で押さえておきたい基本をまとめました．多分これがslideshare内で一番役に立つと思います．スライドの作り方を学んだことがない方、参考にどうぞ！ 2016.01.22 書籍発売　好評につき重版決定！！ http://book.impress.co.jp/books/1114101129 リニューアル増量版 http://www.slideshare.net/yutamorishige50/ss-41321443 2014.11.9アップロード！【連絡先等】 Yuta Morishige Webサイト: https://mocks.jp/ ※旧タイトル【プレゼン】研究室発表のプレゼン資料の作り方【初心者用】

Recent Advances on Transfer Learning and Related Topics Ver.2

Kota Matsui

ブレインパッドにおける機械学習プロジェクトの進め方

BrainPad Inc.

CV分野におけるサーベイ方法

Hirokatsu Kataoka

失敗から学ぶ機械学習応用

Hiroyuki Masuda

社内勉強会での発表資料です。「失敗事例を通じて、機械学習の検討で抑えるべきポイントを学ぶ」をコンセプトに作成しました。AI・機械学習を検討する広くの方々に活用していただけると幸いです。あとがきを下記に書きました。よければこちらもご参照ください。 https://qiita.com/bezilla/items/1e1abac767e10d0817d1

SHAP値の考え方を理解する（木構造編）

Kazuyuki Wakasugi

「世界モデル」と関連研究について

Masahiro Suzuki

継続的なモデルモニタリングを実現するKubernetes Operator

Yahoo!デベロッパーネットワーク

ヤフーでは開発迅速性と品質のバランスをどう取ってるか

Yahoo!デベロッパーネットワーク

Test Engineers Meetup 近年のソフトウエア開発では、ビジネス変化への対応がスピーディーであることが求められます。いかに迅速にかつサービスの品質を落とさずにお客様へ新しい価値を提供できるかが重要です。このプレゼンテーションでは、開発迅速性とサービスの品質の計測と可視化、そして、2つの要素をバランスよく改善するべく自分たちが取り組んでいることを事例として紹介します。

What's hot

優れた研究論文の書き方

研究分野をサーベイする

最適化超入門

研究効率化Tips Ver.2

LSTM (Long short-term memory) 概要

Kenji Urai

最新リリース：Optuna V3の全て - 2022/12/10 Optuna Meetup #2

Preferred Networks

ゼロから始める転移学習

Yahoo!デベロッパーネットワーク

Transformerを多層にする際の勾配消失問題と解決法について

Sho Takase

ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...

西岡賢一郎

分散学習のあれこれ～データパラレルからモデルパラレルまで～

最適輸送入門

大学院進学が切り拓く情報系学生のキャリア

機械学習で泣かないためのコード設計

【プレゼン】見やすいプレゼン資料の作り方【初心者用】

MOCKS | Yuta Morishige

Recent Advances on Transfer Learning and Related Topics Ver.2

Kota Matsui

ブレインパッドにおける機械学習プロジェクトの進め方

CV分野におけるサーベイ方法

失敗から学ぶ機械学習応用

SHAP値の考え方を理解する（木構造編）

「世界モデル」と関連研究について

What's hot (20)

優れた研究論文の書き方

研究分野をサーベイする

最適化超入門

研究効率化Tips Ver.2

LSTM (Long short-term memory) 概要

最新リリース：Optuna V3の全て - 2022/12/10 Optuna Meetup #2

ゼロから始める転移学習

Transformerを多層にする際の勾配消失問題と解決法について

ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...

分散学習のあれこれ～データパラレルからモデルパラレルまで～

最適輸送入門

大学院進学が切り拓く情報系学生のキャリア

機械学習で泣かないためのコード設計

【プレゼン】見やすいプレゼン資料の作り方【初心者用】

Recent Advances on Transfer Learning and Related Topics Ver.2

ブレインパッドにおける機械学習プロジェクトの進め方

CV分野におけるサーベイ方法

失敗から学ぶ機械学習応用

SHAP値の考え方を理解する（木構造編）

「世界モデル」と関連研究について

More from Yahoo!デベロッパーネットワーク

継続的なモデルモニタリングを実現するKubernetes Operator

Yahoo!デベロッパーネットワーク

ヤフーでは開発迅速性と品質のバランスをどう取ってるか

Yahoo!デベロッパーネットワーク

オンプレML基盤on Kubernetes パネルディスカッション

Yahoo!デベロッパーネットワーク

LakeTahoe

Yahoo!デベロッパーネットワーク

オンプレML基盤on Kubernetes 〜Yahoo! JAPAN AIPF〜

Yahoo!デベロッパーネットワーク

Persistent-memory-native Database High-availability Feature

Yahoo!デベロッパーネットワーク

データの価値を最大化させるためのデザイン～データビジュアライゼーションの方法～ #devsumi 17-E-2

Yahoo!デベロッパーネットワーク

2022年2月17日・18日に開催された「Developers Summit 2022」1日目の登壇スライドです。ヤフーのデータソリューション事業やデータサイエンス部門のデザイナーとして、日々の業務においてデータに直接に触れる機会の多いエンジニアの皆さんとデータビジュアライズの観点で共有し実践していることをご紹介します。

eコマースと実店舗の相互利益を目指したデザイン #yjtc

Yahoo!デベロッパーネットワーク

2021年の「グッドデザイン賞」ではヤフーから4案件が受賞しました。本セッションでは「PayPayモールの実店舗在庫連携」について、案件の立ち上げから、リリースを通して改善・工夫した事、グッドデザイン賞の受賞経緯など、デザイナー目線でお話しします。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/MFnZd1j4SUk

ヤフーを支えるセキュリティ～サイバー攻撃を防ぐエンジニアの仕事とは～ #yjtc

Yahoo!デベロッパーネットワーク

世の中にはサービスのセキュリティを脅かす犯罪者がたくさんいます。ユーザーを犯罪者から守り、サービスを安心安全に利用していただくため、高度化するサイバー攻撃に日々対応する必要があります。ヤフーにおけるセキュリティの一翼を担っているCSIRTとSOCについて紹介します。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/boqitqHobrc

Yahoo! JAPANのIaaSを支えるKubernetesクラスタ、アップデート自動化への挑戦 #yjtc

Yahoo!デベロッパーネットワーク

Yahoo! JAPANのIaaS基盤では200超のOpenStackクラスタが稼働しており、それらのコントロールプレーンをKubernetes上にデプロイしています。IaaSチームで管理している十数のKubernetesクラスタは古いバージョンのまま運用が続けられていたため、現在、段階的にバージョンアップおよびその自動化に取り組んでいます。このようなクラスタ群をメンテナンスする中で、工夫した点や失敗した点、得られた知見を紹介します。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/F5EQqWOw8So

ビッグデータから人々のムードを捉える #yjtc

Yahoo!デベロッパーネットワーク

ムード（気分）は人間の行動に大きく影響します。インターネットサービスにおいて、もし人々のムードを考慮し寄り添えたなら、より魅力的なサービスが提供できるのではないでしょうか。本セッションではヤフーが持つビッグデータを用いて「ムードを推定する」取り組みについてご紹介します。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/WyZOmUN52-s

サイエンス領域におけるMLOpsの取り組み #yjtc

Yahoo!デベロッパーネットワーク

ヤフーでは、さまざまな形で機械学習を活用してきました。その経験をもとに、AIプラットフォームと連携し、MLOpsの導入・推進を進めています。本セッションでは、サイエンス部門におけるMLOpsを推進するためにこれまで行ってきた取り組みについて紹介します。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/tf9C0sLOZ14

ヤフーのAIプラットフォーム紹介～AIテックカンパニーを支えるデータ基盤～ #yjtc

Yahoo!デベロッパーネットワーク

ヤフーはAIテックカンパニーを目指し、その実現に向かって進んでいます。そのためには、AI開発のためのデータ基盤が必要です。本セッションでは、AI開発に必要なデータ基盤の全体概要と、開発を効率化するAIプラットフォームを紹介をします。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/XZKOHIfEnsU

Yahoo! JAPAN Tech Conference 2022 Day2 Keynote #yjtc

Yahoo!デベロッパーネットワーク

新技術を使った次世代の商品の見せ方～ヤフオク!のマルチビュー機能～ #yjtc

Yahoo!デベロッパーネットワーク

2021年1月にヤフオク!アプリに商品を多角的に撮影／閲覧できる機能「マルチビュー」が導入されました。ヤフオク!にマルチビュー機能が追加された理由やマルチビュー機能を実現する多視点技術についてお話しします。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/4Fi9cb0x6LU

PC版Yahoo!メールリニューアル～サービスのUI/UX統合と改善プロセス～ #yjtc

Yahoo!デベロッパーネットワーク

2021年9月、PC版Yahoo!メールを10年ぶりにリニューアルしました。技術刷新を機にweb・アプリのUI/UXを統合し、Yahoo! JAPANのサービスとしての一貫性あるデザインにしました。大規模リニューアルの改善ポイントとそのプロセスについてご紹介します。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/zuE6IysVsNw

モブデザインによる多職種チームのコミュニケーション改善 #yjtc

Yahoo!デベロッパーネットワーク

ヤフーは昨年「ワクチン接種キャンセル枠お知らせサービス」を公開しました。多くの関係者が存在するプロジェクトでありながら、リモートワーク環境下での協業、高いスピード感が必要となるプロジェクトでした。本セッションではこのプロジェクトの成功につながった「モブデザイン」という取り組みについて、その効果やうまく運用するためのポイントを紹介します。実際にモブデザインを行っている様子もご覧いただけるので、特に多職種チームでスピード感のある意思決定をしていくことに課題感をお持ちの方へのヒントになればと思います。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/lmsY2uCP6lY

「新しいおうち探し」のためのAIアシスト検索 #yjtc

Yahoo!デベロッパーネットワーク

Yahoo!不動産では「新しいおうち探し」が体験できるAIアシスト検索を提供しています。AIアシスト検索ではさまざまな軸をレコメンドすることによって検索をサポートしています。本セッションでは、AIアシスト検索のレコメンドがクラスタリングや深層学習といった手法を使って、どのように実現されているのかを紹介します。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/-uhdjlcfcmQ

ユーザーの地域を考慮した検索入力補助機能の改善の試み #yjtc

Yahoo!デベロッパーネットワーク

Yahoo!検索の入力補助機能について、ユーザーの現在位置を考慮することによる改善施策を題材として、施策の検討からオフラインでの実験、A/Bテスト、リリースまでの一連のプロセスについて紹介します。 Yahoo! JAPAN Tech Conference 2022は2022年2月3日、4日に開催しました。 https://techconference.yahoo.co.jp/2022/ アーカイブ動画はこちらからご覧ください。 https://youtu.be/8kXmkBTw0nU

The potential of Kubernetes as more than just an infrastructure to deploy

Yahoo!デベロッパーネットワーク

分散密ベクトル探索エンジンである Vald ( https://vald.vdaas.org ) は、 Kubernetesを単なるデプロイするためのインフラとしてだけではなく、Valdのアプリケーションロジックが直接Kubernetes APIを利用し分散密ベクトル探索エンジンValdの分散レイヤーの一部として利用しています。 ValdはGraph&Tree構造からなるベクトルインデックス構造をIn-Memory上に保持しており、各Podは別々のGraph空間を有していてKubernetesのAPIから取得できる情報をもとに各Podのベクトルインデックスの管理を行っています。このスライドでは、アプリケーションからcontroller-runtimeを利用し直接 Kubernetes API を利用する真の Kubernetes ネイティブアプリケーションであるValdの事例について紹介します。

More from Yahoo!デベロッパーネットワーク (20)

継続的なモデルモニタリングを実現するKubernetes Operator

ヤフーでは開発迅速性と品質のバランスをどう取ってるか

オンプレML基盤on Kubernetes パネルディスカッション

LakeTahoe

オンプレML基盤on Kubernetes 〜Yahoo! JAPAN AIPF〜

Persistent-memory-native Database High-availability Feature

データの価値を最大化させるためのデザイン～データビジュアライゼーションの方法～ #devsumi 17-E-2

eコマースと実店舗の相互利益を目指したデザイン #yjtc

ヤフーを支えるセキュリティ～サイバー攻撃を防ぐエンジニアの仕事とは～ #yjtc

Yahoo! JAPANのIaaSを支えるKubernetesクラスタ、アップデート自動化への挑戦 #yjtc

ビッグデータから人々のムードを捉える #yjtc

サイエンス領域におけるMLOpsの取り組み #yjtc

ヤフーのAIプラットフォーム紹介～AIテックカンパニーを支えるデータ基盤～ #yjtc

Yahoo! JAPAN Tech Conference 2022 Day2 Keynote #yjtc

新技術を使った次世代の商品の見せ方～ヤフオク!のマルチビュー機能～ #yjtc

PC版Yahoo!メールリニューアル～サービスのUI/UX統合と改善プロセス～ #yjtc

モブデザインによる多職種チームのコミュニケーション改善 #yjtc

「新しいおうち探し」のためのAIアシスト検索 #yjtc

ユーザーの地域を考慮した検索入力補助機能の改善の試み #yjtc

The potential of Kubernetes as more than just an infrastructure to deploy

Recently uploaded

【AI論文解説】Consistency ModelとRectified Flow

Sony - Neural Network Libraries

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.

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

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.

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

CS集会#13_なるほどわからん通信技術　発表資料

Yuuitirou528 default

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.

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

atsushi061452

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

FIDO Alliance

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

FIDO Alliance

LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LBカタログ

CRI Japan, Inc.

FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf

FIDO Alliance

FIDO Alliance Osaka Seminar: CloudGate.pdf

FIDO Alliance

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: Welcome Slides.pdf

FIDO Alliance

【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。

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

Toru Tamaki

Recently uploaded (16)

【AI論文解説】Consistency ModelとRectified Flow

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

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...

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

CS集会#13_なるほどわからん通信技術　発表資料

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。

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

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

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

LoRaWAN 4チャンネル電流センサー・コンバーター CS01-LBカタログ

FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf

FIDO Alliance Osaka Seminar: CloudGate.pdf

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

FIDO Alliance Osaka Seminar: Welcome Slides.pdf

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

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

自然言語処理の最新技術動向紹介

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

More from Yahoo!デベロッパーネットワーク

More from Yahoo!デベロッパーネットワーク (20)

Recently uploaded

Recently uploaded (16)