NVIDIA Deep Learning Institute
2016年4月27日のNVIDIA Deep Learning Day 2016 Springの資料です。
エヌビディア合同会社 プラットフォームビジネス本部
ディープラーニングソリューションアーキテクト 兼
CUDA エンジニア 村上 真奈
[概要]
ディープラーニングは近年、画像認識の分野で、その高い認識精度から大変注目を集めている技術です。音声認識や自動運転など画像認識の分野以外への応用が進んでおり大変期待されています。本セッションは、日々新しい構造のモデルが提案され進化しているディープラーニングの概要とGPUが必要とされている理由について簡単に説明します。
その後に、実際にディープラーニングの開発のイメージを持って戴けるように、いくつかの代表的なディープラーニングのフレームワークを使い、デモしながら各フレームワークの特徴を解説します。ディープラーニングの最新の状況が知りたい、実際の開発の際にどのフレームワークを使うべきか知りたい、開発を始める前に開発のイメージを持ちたいという方に最適です。
2015年1月15日(金)開催のNVIDIA Deep Learning Day 2016 の講演資料です。
ディープラーニングという言葉を聞かない日がないほど、ディープラーニングは注目を集めています。このセッションでは、ディープラーニングとは何か、なぜ注目されるのか、GPUが必要とされる理由を基礎から分かり易くご紹介します。またエヌビディアがディープラーニングのために提供しているGPUおよびソフトウェア製品、ソリューションについてもご紹介します。
2015年1月15日(金)開催のNVIDIA Deep Learning Day 2016 の講演資料です。
ディープラーニングという言葉を聞かない日がないほど、ディープラーニングは注目を集めています。このセッションでは、ディープラーニングとは何か、なぜ注目されるのか、GPUが必要とされる理由を基礎から分かり易くご紹介します。またエヌビディアがディープラーニングのために提供しているGPUおよびソフトウェア製品、ソリューションについてもご紹介します。
イベント名:HWAUG & GPU-Accelerated VDI Community Meetup in 札幌
https://h-watson.connpass.com/event/44378/
テーマ:「IBM Watson技術紹介とGPUを利用した高性能仮想デスクトップの最新動向」
主催 : 北海道Watsonユーザー会(HWAUG) & Japan GPU-Accelerated VDI Community
Similar to エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~ (20)
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 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。
63. 67
Theano
Optimization complete. Best validation score of 98.397436 % obtained at iteration
6630, with test performance 98.387420 %
MNISTを用いた学習:実行結果
可視化すると1万回反復してトレーニングしている間に
重みが変化している事が分かる
最終的に分類精度は98%を超える
66. 70
Torch7
Michelle, another defining place meant on the only time from the
United States is a few years we're continued here to live up to balance
on Ukraing; from Iraq.
Let me took off in, loans and the people of Hawaii will justify just like
a two. One of what reform can’t act as we can. Part of all the rights
of somebody as so they described another accomplishine between 15-
year believe.
So the quiet Republican orgence of broadband new majuri with our
head, a leader American had train and making '
実行結果:Style=obama