Skip to main content
UploadLanguage (EN)Support
BusinessMobileSocial MediaMarketingTechnologyArt & PhotosCareerDesignEducationPresentations & Public SpeakingGovernment & NonprofitHealthcareInternetLawLeadership & ManagementAutomotiveEngineeringSoftwareRecruiting & HRRetailSalesServicesScienceSmall Business & EntrepreneurshipFoodEnvironmentEconomy & FinanceData & AnalyticsInvestor RelationsSportsSpiritualNews & PoliticsTravelSelf ImprovementReal EstateEntertainment & HumorHealth & MedicineDevices & HardwareLifestyle
Preferred Networks, profile picture
Uploaded byPreferred Networks
PDF, PPTX110,668 views

ディープラーニングの最新動向

NVIDIA Deep Learning Dayでの講演内容です． ディープラーニングの最新の研究成果として強化学習によるロボットカーの制御，バラ積みロボットの認識，駐車場の検出，センサデータからの異常検知，画像生成を紹介しています。

Technology◦
Download as PDF, PPTX
ディープラーニング の最新動向 岡野原 　⼤大輔 hillbig@preferred.jp Preferred  Networks,  Inc. Preferred  Infrastructure,  Inc. 2016/1/15@NVIDIA Deep Learning Day 2016
ディープラーニング（DL：DeepLearning）とは l  層が深く、幅も広いニューラルネットワークを利利⽤用した 機械学習⼿手法 l  2012年年の⼤大ブレーク以来、研究コミュニティのみならず 産業界に多く使われてきた –  2014〜～2015年年中に出された関連論論⽂文数は1500を超える* l  画像認識識、⾳音声認識識などで劇的な精度度向上を果たし、その 多くが既に実⽤用化されている 2 2014年の一般画像認識コンテストで優勝した 22層からなるNNの例 [Google] *http://memkite.com/deep-‐‑‒learning-‐‑‒bibliography/ 2015年の一般画像認識コンテストで優勝した 152層からなるNNの例 [MSRA]
なぜ機械学習が実世界で使えるようになったのか l  Internet  of  Thingsの到来 –  センサとコンピューターとアクチュエーターがつながる l  モバイル機器の性能向上 –  モバイルでもTflops級の計算リソースが利利⽤用可能に –  デバイス上で深層学習の⼤大部分が実現可能 l  低価格ハイスループットセンサの登場 –  映像カメラ 　数千円以下に、2020年年台の⾞車車は10個以上のカメラを搭載 –  ゲノムシーケンサ 　1000ドルゲノム時代の到来 l  アクチュエータの登場 –  ⾃自動運転⾞車車、ロボット、ドローン l  機械学習の研究⾃自体の進化 3 NVIDIA DrivePX 2
 1秒間に24兆回のDLの演算可能 Velodyne Lidar １秒間で周囲数百mの
 数百万点の測距
開発⼿手法の⼤大きな変⾰革 l  ハードウェアで実現 –  綿密な要求定義・設計・テスト –  市場に出てからの機能修正・変更更は困難 –  試⾏行行錯誤のコストは⼤大きい l  ソフトウェアで実現 –  アジャイルに開発可能 –  市場にでてからの機能修正・変更更は容易易 –  （優秀な）プログラマがボトルネック l  機械学習/深層学習で実現 –  実現したい機能は機械が獲得する –  データさえ集められれば瞬時に実現 –  市場に出た後も勝⼿手に進化し続ける 4 開発期間 1〜3ケ月 1〜3日 1〜3年
Chainer : 深層学習フレームワーク ü  Pythonプログラムで⾃自由にネットワーク記述可能 ü  最新の深層学習の様々なアルゴリズムをネイティブにサポート ü  データごとにオンデマンドでのネットワーク構築が可能 ü  マルチGPU対応(Model Parallel / Data Parallel) ü  2015年年6⽉月の公開以降降，産業界，研究界で広く使われている 5
l  深層学習の最新の研究成果を紹介する –  強化学習によるロボットの⾃自動制御 u  CES  2016にてトヨタ、NTTと共同展⽰示デモ u  運転技術を0から経験のみで学習で獲得する。詳細はYoutube  コメントを参照 –  セグメンテーションによる駐⾞車車場認識識 u  Panasonicとの共同研究 –  バラ積みロボットの学習 u  FANUCとの共同研究 –  機器の異異常検知 u  FANUCとの共同研究 –  画像の⾃自動⽣生成 6
駐⾞車車場の検出  (Panasonicとの共同研究) 7 l  ⽊木漏漏れ⽇日があるだけでなく、境界に⽩白線はないため，従来⼿手法では困難 –  ⾚赤：駐⾞車車場内 　緑：駐⾞車車場枠 l  ディープラーニングのセグメンテーションにより検出可能に
センサからの異異常検知 8 異異常な部分を抽出する ディープラーニング技術 異異常は発⾒見見されない 異異常を検出 正常時の波形 異異常時の波形 実際の減速機から得られた センサデータ
9 既存⼿手法で検出が遅かった異異常を事前に検出 提案⼿手法 経過時間 異異常スコア 故障の約40⽇日前に アラームで通知 判定閾値 既存⼿手法 経過時間 故障直前で通知 ロボット 故障 ロボット 故障 15⽇日前
画像の⾃自動⽣生成 l  Chainer-‐‑‒goph https://github.com/mattya/chainer-‐‑‒gogh l  深層学習は 画像も⽣生成できる l  左の画像からスタイル だけを抽出し、ネコの 画像を⽣生成 10
chainer-‐‑‒DCGAN 　学習30分後 画像を0から⽣生成するNN https://github.com/mattya/chainer-‐‑‒DCGAN 11
学習2時間後 12
学習1⽇日後 13
まとめ l  深層学習は急速に応⽤用範囲が広がっている –  認識識 u  従来の画像分類，⾳音声認識識+画素単位のセグメンテーション 3D復復元，意味理理解 –  制御 u  ⾃自動⾞車車，ロボット，ドローンの強化学習ベースの制御 –  異異常検知 u  特徴設計を必要しない，任意のセンサを組み合わせられる，⾼高検出率率率 –  ⽣生成 u  画像、⾳音声、設計図の⽣生成 l  今回のデモは全て半年年内で実現されている –  深層学習の研究，開発はますます加速している 14