ニューラルネットワーク ことはじめ

2014年11月度 AITC クラウド・テクノロジー活用部会勉強会資料ニューラルネットワークことはじめ

Technology

Copyright ©2014 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved.
ニューラルネットワークことはじめ
2014年11月17日
先端IT活用推進コンソーシアム
クラウド・テクノロジー活用部会
勉強会資料
岡村和英(株式会社テクリエ)

細胞体
(soma)
http://commons.wikimedia.org/wiki/File:Neuron_Hand-tuned.svg
樹状突起 (dendrite)
核
シナプス（synapse）
軸索 (axon)
（細かいところは省略）
8

樹状突起から入力される信号が
ある一定のしきい値を超えると
急激な電位変化が生じる
（ニューロンの発火）
9

軸索から出力された信号が
シナプスを通じて接続された
別のニューロンに伝えられる
10

しきい値を半分に減らしたい（より敏感に反応）
Wiを２倍にする
（入力感度を高める）
23

出力を２倍にしたい（より強く反応）
Wjiを２倍にする
（出力先の入力感度を高める）
24

Copyright ©2014 Advanced IT Consortium to Evaluate, Apply and Drive All Rights Reserved.
http://aitc.jp
https://www.facebook.com/aitc.jp
ハルミン
AITC非公式イメージキャラクター

昨今の人工知能の要素技術である「ニューラルネットワーク(Neural Network)」は、脳研究の知見から得られた計算可能なモデルである。ニューラルネットワークを知る・使う上では脳を知らなくてもよいと思うが、技術の発展の背後には脳研究が存在する。本発表では、脳とは何かに触れ、ニューラルネットワークとの関係について概説する。 "Neural network" is one of the component technologies of AI. Its technology is brain-based Nature Inspire technology. There are many brain science behind these technologies. In this presentation, first explain "What is brain?" and outline the relationship with Neural network technologies.

2018/02/27 Recurrent Neural Networks starting with Neural Network Console

SBRA2018講演資料

Hiroki Nakahara

いきなりAi　tensor flow gpuによる画像分類と生成

Yoshi Sakai

20171206 Sony Neural Network Console 活用テクニック

Getting Started with Deep Learning using Scala

Taisuke Oe

学生からみた松江高専生とOpenStackで遊んだお話

Toru Komatsu

協働プロジェクト「空気を読む家」キッチンにおけるデータ収集

いろんなセンサーで家の中のいろいろなものを測ってみた

使ってわかる今どきのdocker超入門

気象予報データ(数値予報GPV)を用いたデータビジュアライゼーション

マンガ駆動開発のすゝめ

遺伝的アルゴリズム（Genetic Algorithm）を始めよう！【簡略版】

Deep Learning Lab（ディープラーニング・ラボ）

What's hot

Takahashi Bachelor thesis

pflab

マイクロソフトが考えるAI活用のロードマップ

[Dl輪読会]AdaNet: Adaptive Structural Learning of Artificial Neural Networks

Deep Learning JP

[量子コンピューター勉強会資料] マヨラナ粒子によるスケーラブルな量子コンピューターの設計

Takayoshi Tanaka

OpenStack Ironicによるベアメタルプロビジョニング

Yuuki Mori

ニューラルネットワークの紹介

振荟王

ChainerRL の学習済みモデルを gRPC 経由で使ってみる試み (+アルファ)

NVIDIA Japan

Deep Learning Lab: DIMo & Chainer

Preferred Networks

GTC 2016 ディープラーニング最新情報

NVIDIA Japan

What's hot (9)

Takahashi Bachelor thesis

マイクロソフトが考えるAI活用のロードマップ

[Dl輪読会]AdaNet: Adaptive Structural Learning of Artificial Neural Networks

[量子コンピューター勉強会資料] マヨラナ粒子によるスケーラブルな量子コンピューターの設計

OpenStack Ironicによるベアメタルプロビジョニング

ニューラルネットワークの紹介

ChainerRL の学習済みモデルを gRPC 経由で使ってみる試み (+アルファ)

Deep Learning Lab: DIMo & Chainer

GTC 2016 ディープラーニング最新情報

Similar to ニューラルネットワークことはじめ

第6回 KAIM 金沢人工知能勉強会人工知能を知るために脳を知る

tomitomi3 tomitomi3

2018/02/27 Recurrent Neural Networks starting with Neural Network Console

SBRA2018講演資料

Hiroki Nakahara

いきなりAi　tensor flow gpuによる画像分類と生成

Yoshi Sakai

20171206 Sony Neural Network Console 活用テクニック

Getting Started with Deep Learning using Scala

Taisuke Oe

学生からみた松江高専生とOpenStackで遊んだお話

Toru Komatsu

Similar to ニューラルネットワークことはじめ (7)

第6回 KAIM 金沢人工知能勉強会人工知能を知るために脳を知る

2018/02/27 Recurrent Neural Networks starting with Neural Network Console

SBRA2018講演資料

いきなりAi　tensor flow gpuによる画像分類と生成

20171206 Sony Neural Network Console 活用テクニック

Getting Started with Deep Learning using Scala

学生からみた松江高専生とOpenStackで遊んだお話

Recently uploaded

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

Fukuoka Institute of Technology

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...

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.

【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。

FIDO Alliance Osaka Seminar: Welcome Slides.pdf

Sony - Neural Network Libraries

【AI論文解説】Consistency ModelとRectified Flow

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.

FIDO Alliance Osaka Seminar: CloudGate.pdf

NTT DATA Technology & Innovation

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)

FIDO Alliance Osaka Seminar: NEC & Yubico Panel.pdf