SlideShare a Scribd company logo
超高速オンライン転移学習
      2011年8月1日版


       東京工業大学
  木村大毅, Kankuekul Pichai,
  Aram Kawewong, 長谷川修


 画像センシングシンポジウム 2011
Introduction
• 実世界の物体認識は極めて困難
 現在、この問題を根本的に解決する「現実的な」手
 法は存在しない。

                実世界の難しさ
                ・多種多様の物体
                ・高ノイズ
                ・新しい物が増える
                ・オクルージョン
                      など・・・
コンピュータやロボットに
極めて多様な実世界を

 現実的な方法で

  認識させたい。
これまでは、Caltech 256 など
対象をクラス毎に学習・認識させる試み
対象毎に、沢山の学習画像を用意。
   下記は「ラクダ」の例
しかし、私たちの身の周りには膨大な数の
 モノがあり、その数は増え続けている。
パラダイムシフトが必要!
• 「月」に行くには?
 – 飛行機をどんなに改良しても「絶対」月には行けない
 – 同様に、従来方式をどんなに改良しても、人の目のような
   人工視覚はできないのでは…?




      ×             ○
本研究の成果と意義
• 下記を兼ね備えた、現実的な物体認識 手法
  を構築。
 – 転移学習を導入
  • 実世界を少数の基本的な属性知識の組合せで認識(
    例:赤+球+果物=リンゴ)
 – 命令するだけで「自力で・直ちに」賢くなる
  • 学習データはインターネットから自動収集
  • 超高速にオンライン追加学習&認識
 – 画像以外にも多様・Noisy・曖昧な情報に対応
  • 多様な曖昧情報を複合的に利用可能
きれいな「花」だな。
  何という名前だろう?


         つまり、人間は
       初めて見る対象でも
       相応に認識できる。

これに近い(と思われる)のが
転移学習(Transfer Learning)
Transfer Learning:
予め学習させた基本的な知識、「属性」の組み合
わせにより、初めて見る対象でも認識させる技術。
Transfer Learning (転移学習)
• 対象について学習するのではなく、
  基本的な概念(「属性」と呼ぶ)を学習
• 属性の組み合わせで未学習物体も認識
      窓     ダイヤル


学
習
    ボール      箱     転移
画
像


    電子レンジ
                    ダイヤルと窓がある箱型のもの= 電子レンジ
                              人間が定義
Transfer learning (転移学習)
• この関係はアルファベットと辞書の関係に類似
 – 英語の場合、26文字の組合せで数十万の単語。
 – 前頁の例では「ダイヤル+箱=金庫」もわかる。

• さらに、提案手法はベクトルデータ全般を属性
  として超高速オンライン追加学習可能。
 – 画像、音声、各種センサデータ、モータの制御信号
   など、あらゆるパターンデータが入力可能。
超高速オンライン・マルチモーダル転移学習手法
        提案手法




          24,295 枚の学習時間




          6,180 枚の認識時間

    SSII 2011:画像センシングシンポで発表
     関連研究を ViEW 2011 にて基調講演
Proposed SOINN
• AT-SOINN:
          1つのノード=1つのクラス
• 提案1つのノード=複数のクラス
     :              (度合い)
     New Input       Online Learning
                                           属性をSOINNのクラスとする
                                                 Attr.01 : 20%
    Attr.01 : 70%
                                                 Attr.02 : 80%
    Attr.02 : 30%
                                                       ・
                                                       ・
          ・
          ・                    Attr.02                 ・
          ・                                      Attr.85 : 50%
    Attr.85 : 45%    Attr.01                                     Attr.01 : 10%
                                                                 Attr.02 : 85%
                                                                       ・
                                                                       ・
                                                                       ・
     Attr.01 : 95%                                               Attr.85 : 45%
     Attr.02 : 10%
           ・
           ・                                            Attr.01 : 15%
           ・                             Recognition    Attr.02 : 80%
     Attr.85 : 30%
                                                              ・
                                                              ・
                                                              ・
     Noise Robust                                       Attr.85 : 45%
Proposed Method (Training phase)
                                            e.g. SIFT

       Labeling                 Features                            Proposed-SOINN




                                                 …
      Attributes               Extraction




                                                                        ・・・

       Images of                                  Feature-1   F-2                         F-Q
                                                                             Q : Number of Features
    Training classes

                                                        画像の特徴と属性の関連を学習
                       Class/Attribute                  SOINNの数=特徴の数
                           Matrix


                                         これを利用してクラスから属性へ変換
       Images of
      Test classes                         ex) 「りんご」⇒「赤+球」
2011/07/05   Dataset                                                                         15
Proposed Method (Test phase)
                                        e.g. SIFT

  Labeling                  Features                                   Proposed-SOINN




                                             …
 Attributes                Extraction




                                                                              ・・・

   Images of                                  Feature-1          F-2                                 F-Q
Training classes                                                       与えられた特徴から
                                                                       各々の属性の度合いを算出

                   Class/Attribute                  Calculate Attributes using statistical recognition
                       Matrix
                                     未知クラスも属性のみは知っている


  Images of                                          Guess the Class according to these Attributes
 Test classes
                                                                                        Q : Number of Features
         Dataset                        各々の属性からクラスへ変換
                                        ex) 「赤+球」⇒「りんご」
SOINNとは?
  東工大 長谷川修研で独自開発




     コンピュータやロボットが
「見て、聞いて、覚えて、考えて、行動する」
  ための脳をヒントにした情報処理技術     17
SOINNの機能
脳がそうであるように、

1. 視覚、聴覚、触覚、モータの時系列制御信号などの
   マルチモーダル・パターン情報を、超高速かつ発達
   的(オンラインかつ追加的)に学習できる。

2. 学習したパターン情報から、連想・推論・転移などの
   高次知能情報処理が実現できる。

こうした機能を兼ね備えた学習器は、SOINNだけ。
                                          18
SOINNのソフトウエアは、長谷川修研ホームページから無償でダウンロード可能。
SOINN [Shen, Hasegawa, NN06]
• 自己増殖型ニューラルネットワーク
 – オンラインかつ追加的に学習可能
 – クラス数や分布の形などの事前知識が不要
 – 実世界での運用を考慮したノイズ耐性
 – マルチモーダルなパターン情報を学習可能




                                  強力な
                                  ノイズ耐性
      入力情報          SOINN内の情報
さらに、長谷川研の提案手法は、

超高速
オンライン・マルチモーダル
転移学習手法

つまり、画像以外にも、音声や、
温度や圧力などの各種センサ情報、
多数のモータの制御情報、
なども複合的に扱える!

だから、ロボットにそのまま使える!
提案手法の発展例
• 従って、こんなことが出来る。
                他のロボットの学習結果

                                             楽チン!
 イ ン タ ー ネ ット

膨大な情報                         物理的経験          学習
          オンラインで              人の命令          データ
                                            準備不要
          超高速に学習

        属性知識



                 獲得した属性知識を        「箱+窓+ダイヤル+チン♪」
                 未知対象に適用し認識               ⇒電子レンジ
Experiments
• Lampertら[1]の動物の画像で比較実験
 – 50種類の動物
   • ライオン、シマウマ、豚、シロクマ、イルカなど
 – 85種類の属性(基本的な概念)
   • 肉食動物、尻尾がある、速く走る、賢いなど
 – 6種類の画像特徴
   • SIFT、SURF、pHOG、rgSIFT、LSS、CQの
     それぞれのヒストグラム(Bag-of-Features)
※上で挙げた従来手法以外にも多くの論文で使用されている
Experiments
 例)未知の豚を当てる方法                                    草食動物
                                                             飛べない
                          肉食動物                    だろう
                                                              だろう

        足が短い

                                        飛べない
肉食動物            学習動物                             見たことがない
                                                   動物
                 40                                 10
 足が短い                種類
                                 草食動物
                                           属性
                                           を転移          種類
               飛べる                      足が長い                 足が短い
                                                              だろう
 飛べない
  ライオン          コウモリ             足が短く飛べない草食動物
                                   馬
                                           =豚?!
                      未知動物も属性の組み合わせは知っている
Results
      オンライン学習                   バッチ学習
                      AT-
          提案手法      SOINN[2]
                               DAP[1]       IAP[1]

 認識率      26.82% 26.96% 40.51% 27.83%
学習時間       7分       6時間            >70日
認識時間      1分半       4時間             >2日
データ量      1,825    347,082              -
 (ノード数)
                   99.47%削減
SOINNの数     6        1020               -

                なお学習時間と認識時間は、特徴検出の時間を含めない
Results
    オンライン学習                 バッチ学習
                  AT-
         提案手法   SOINN[2]
                           DAP[1]   IAP[1]

曖昧な
属性※       ○       ×         ×        ×
属性の
 追加       ○       △         ×        ×
※曖昧な属性とは、連続値での属性の定義が出来るという意味である

提案手法は、

  54枚/秒で学習、16ミリ秒/枚で認識
          更に、曖昧な属性や柔軟な属性の追加が可能
更なる展開:インターネットの活用
                      例)

• その場で、直ちに賢くなる
 – 高速性やオンライン学習性を活用
  • 複雑な実環境では、有効な属性を事前に
    想定するのは困難。
  • 有効な属性を、人や環境とのインタラクションを通じて
    決定。
 – ネットの情報は極めてノイジー
  • SOINNのノイズ耐性を活用
 – 大規模評価実験の実施を予定
主要参考文献
[1] C. H. Lampert, H. Nickisch, and S. Harmeling, “Learning to detect
    unseen object classes by between-class attribute transfer”, CVPR
    2009.

[2] A. Kawewong, Sirinart Tangruamsub, Pichai Kankuekool and
    Osamu Hasegawa, “Fast Online Incremental Transfer Learning for
    Unseen Object Classification Using Self-Organizing Incremental
    Neural Networks”, The 2011 International Joint Conference on
    Neural Networks (IJCNN).

[3] F. Shen, O. Hasegawa, “An Incremental Network for On-line
    Unsupervised Classification and Topology Learning”, Neural
    Networks 2006.

More Related Content

What's hot

全脳関西編(松尾)
全脳関西編(松尾)全脳関西編(松尾)
全脳関西編(松尾)
Yutaka Matsuo
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~
nlab_utokyo
 
次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -
次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -
次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -
Hironobu Fujiyoshi
 
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
Hironobu Fujiyoshi
 
ICCV2011 report
ICCV2011 reportICCV2011 report
ICCV2011 report
Hironobu Fujiyoshi
 
Lab introduction 2014
Lab introduction 2014Lab introduction 2014
Lab introduction 2014
nlab_utokyo
 
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
Takuya Minagawa
 
SSII2014 チュートリアル資料
SSII2014 チュートリアル資料SSII2014 チュートリアル資料
SSII2014 チュートリアル資料
Masayuki Tanaka
 
SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜
SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜
SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜
SSII
 
クラウドリファレンスアーキテクチャレイヤーチュートリアル01
クラウドリファレンスアーキテクチャレイヤーチュートリアル01クラウドリファレンスアーキテクチャレイヤーチュートリアル01
クラウドリファレンスアーキテクチャレイヤーチュートリアル01
Daisuke Kawada
 
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
Hideo Terada
 
コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎
Norishige Fukushima
 
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII
 
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
takaya imai
 
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII
 
ディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみたディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみた
卓也 安東
 
Deep Learningの基礎と応用
Deep Learningの基礎と応用Deep Learningの基礎と応用
Deep Learningの基礎と応用
Seiya Tokui
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII
 
SSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーションSSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーション
SSII
 
Deep Learningについて(改訂版)
Deep Learningについて(改訂版)Deep Learningについて(改訂版)
Deep Learningについて(改訂版)
Brains Consulting, Inc.
 

What's hot (20)

全脳関西編(松尾)
全脳関西編(松尾)全脳関西編(松尾)
全脳関西編(松尾)
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~
 
次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -
次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -
次世代セキュリティを牽引する画像解析技術の最新動向 - 距離情報を用いた物体認識技術 -
 
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
-SSIIの技術マップ- 過去•現在, そして未来 [領域]認識
 
ICCV2011 report
ICCV2011 reportICCV2011 report
ICCV2011 report
 
Lab introduction 2014
Lab introduction 2014Lab introduction 2014
Lab introduction 2014
 
非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料非技術者でもわかる(?)コンピュータビジョン紹介資料
非技術者でもわかる(?)コンピュータビジョン紹介資料
 
SSII2014 チュートリアル資料
SSII2014 チュートリアル資料SSII2014 チュートリアル資料
SSII2014 チュートリアル資料
 
SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜
SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜
SSII2020TS: 物理ベースビジョンの過去・現在・未来 〜 カメラ・物体・光のインタラクションを モデル化するには 〜
 
クラウドリファレンスアーキテクチャレイヤーチュートリアル01
クラウドリファレンスアーキテクチャレイヤーチュートリアル01クラウドリファレンスアーキテクチャレイヤーチュートリアル01
クラウドリファレンスアーキテクチャレイヤーチュートリアル01
 
画像処理AIを用いた異常検知
画像処理AIを用いた異常検知画像処理AIを用いた異常検知
画像処理AIを用いた異常検知
 
コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎コンピュテーショナルフォトグラフティの基礎
コンピュテーショナルフォトグラフティの基礎
 
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
 
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
 
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~
 
ディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみたディープラーニングで株価予測をやってみた
ディープラーニングで株価予測をやってみた
 
Deep Learningの基礎と応用
Deep Learningの基礎と応用Deep Learningの基礎と応用
Deep Learningの基礎と応用
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
 
SSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーションSSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーション
 
Deep Learningについて(改訂版)
Deep Learningについて(改訂版)Deep Learningについて(改訂版)
Deep Learningについて(改訂版)
 

Viewers also liked

Dr.Kawewong Ph.D Thesis
Dr.Kawewong Ph.D ThesisDr.Kawewong Ph.D Thesis
Dr.Kawewong Ph.D Thesis
SOINN Inc.
 
Enterprise Scale Topological Data Analysis Using Spark
Enterprise Scale Topological Data Analysis Using SparkEnterprise Scale Topological Data Analysis Using Spark
Enterprise Scale Topological Data Analysis Using Spark
Spark Summit
 
Introduction of Business Use-Case and Business Flowin Requirement Development
Introduction of Business Use-Case and Business Flowin Requirement DevelopmentIntroduction of Business Use-Case and Business Flowin Requirement Development
Introduction of Business Use-Case and Business Flowin Requirement Development
Kent Ishizawa
 
人工知能ハッカソン用プレゼン資料(161217)
人工知能ハッカソン用プレゼン資料(161217)人工知能ハッカソン用プレゼン資料(161217)
人工知能ハッカソン用プレゼン資料(161217)
WEBFARMER. ltd.
 
動作認識におけるディープラーニングの最新動向1 3D-CNN
動作認識におけるディープラーニングの最新動向1 3D-CNN動作認識におけるディープラーニングの最新動向1 3D-CNN
動作認識におけるディープラーニングの最新動向1 3D-CNN
WEBFARMER. ltd.
 
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
Ryosuke Okuta
 
Introduction to A3C model
Introduction to A3C modelIntroduction to A3C model
Introduction to A3C model
WEBFARMER. ltd.
 
Trust Region Policy Optimization
Trust Region Policy OptimizationTrust Region Policy Optimization
Trust Region Policy Optimization
mooopan
 
[DL輪読会]Unsupervised Cross-Domain Image Generation
[DL輪読会]Unsupervised Cross-Domain Image Generation[DL輪読会]Unsupervised Cross-Domain Image Generation
[DL輪読会]Unsupervised Cross-Domain Image Generation
Deep Learning JP
 
[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learning[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learning
Deep Learning JP
 
レコメンド研究のあれこれ
レコメンド研究のあれこれレコメンド研究のあれこれ
レコメンド研究のあれこれ
Masahiro Sato
 
ディープラーニングが活かすIoT
ディープラーニングが活かすIoTディープラーニングが活かすIoT
ディープラーニングが活かすIoT
Preferred Networks
 
強化学習入門
強化学習入門強化学習入門
強化学習入門
Shunta Saito
 
SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)
Takanori Ogata
 
APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部
APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部
APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部
Daisuke Nagao
 
SSD: Single Shot MultiBox Detector (UPC Reading Group)
SSD: Single Shot MultiBox Detector (UPC Reading Group)SSD: Single Shot MultiBox Detector (UPC Reading Group)
SSD: Single Shot MultiBox Detector (UPC Reading Group)
Universitat Politècnica de Catalunya
 

Viewers also liked (20)

SOINN-AM
SOINN-AMSOINN-AM
SOINN-AM
 
E-SOINN
E-SOINNE-SOINN
E-SOINN
 
SSA-SOINN
SSA-SOINNSSA-SOINN
SSA-SOINN
 
Dr.Kawewong Ph.D Thesis
Dr.Kawewong Ph.D ThesisDr.Kawewong Ph.D Thesis
Dr.Kawewong Ph.D Thesis
 
I
II
I
 
Enterprise Scale Topological Data Analysis Using Spark
Enterprise Scale Topological Data Analysis Using SparkEnterprise Scale Topological Data Analysis Using Spark
Enterprise Scale Topological Data Analysis Using Spark
 
Introduction of Business Use-Case and Business Flowin Requirement Development
Introduction of Business Use-Case and Business Flowin Requirement DevelopmentIntroduction of Business Use-Case and Business Flowin Requirement Development
Introduction of Business Use-Case and Business Flowin Requirement Development
 
人工知能ハッカソン用プレゼン資料(161217)
人工知能ハッカソン用プレゼン資料(161217)人工知能ハッカソン用プレゼン資料(161217)
人工知能ハッカソン用プレゼン資料(161217)
 
動作認識におけるディープラーニングの最新動向1 3D-CNN
動作認識におけるディープラーニングの最新動向1 3D-CNN動作認識におけるディープラーニングの最新動向1 3D-CNN
動作認識におけるディープラーニングの最新動向1 3D-CNN
 
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
 
Introduction to A3C model
Introduction to A3C modelIntroduction to A3C model
Introduction to A3C model
 
Trust Region Policy Optimization
Trust Region Policy OptimizationTrust Region Policy Optimization
Trust Region Policy Optimization
 
[DL輪読会]Unsupervised Cross-Domain Image Generation
[DL輪読会]Unsupervised Cross-Domain Image Generation[DL輪読会]Unsupervised Cross-Domain Image Generation
[DL輪読会]Unsupervised Cross-Domain Image Generation
 
[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learning[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learning
 
レコメンド研究のあれこれ
レコメンド研究のあれこれレコメンド研究のあれこれ
レコメンド研究のあれこれ
 
ディープラーニングが活かすIoT
ディープラーニングが活かすIoTディープラーニングが活かすIoT
ディープラーニングが活かすIoT
 
強化学習入門
強化学習入門強化学習入門
強化学習入門
 
SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)
 
APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部
APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部
APIを叩くだけでない、Deep Learning on AWS で自分だけの学習モデルを作ろう! by JAWS-UG AI支部
 
SSD: Single Shot MultiBox Detector (UPC Reading Group)
SSD: Single Shot MultiBox Detector (UPC Reading Group)SSD: Single Shot MultiBox Detector (UPC Reading Group)
SSD: Single Shot MultiBox Detector (UPC Reading Group)
 

Recently uploaded

"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ..."ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
たけおか しょうぞう
 
【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション
【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション
【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション
Sony - Neural Network Libraries
 
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
Sony - Neural Network Libraries
 
Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)
Natsutani Minoru
 
Matsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit IntroductionMatsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit Introduction
Matsuo Lab
 
【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf
【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf
【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf
ARISE analytics
 
最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce
最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce
最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce
chisatotakane
 
Kyndryl Developer Services のご紹介 2024年7月
Kyndryl Developer Services のご紹介  2024年7月Kyndryl Developer Services のご紹介  2024年7月
Kyndryl Developer Services のご紹介 2024年7月
Takayuki Nakayama
 
Matsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit IntroductionMatsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit Introduction
Matsuo Lab
 
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
Toru Tamaki
 
論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...
論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...
論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...
Toru Tamaki
 
Matsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit IntroductionMatsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit Introduction
Matsuo Lab
 
LoRaWAN AI Image Sensorエンドデバイス AIG01カタログ
LoRaWAN AI Image Sensorエンドデバイス AIG01カタログLoRaWAN AI Image Sensorエンドデバイス AIG01カタログ
LoRaWAN AI Image Sensorエンドデバイス AIG01カタログ
CRI Japan, Inc.
 
20240717_IoTLT_vol113_kitazaki_v1___.pdf
20240717_IoTLT_vol113_kitazaki_v1___.pdf20240717_IoTLT_vol113_kitazaki_v1___.pdf
20240717_IoTLT_vol113_kitazaki_v1___.pdf
Ayachika Kitazaki
 

Recently uploaded (14)

"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ..."ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
"ros2rapper", Hardware implimentation of ROS2 communication Protocol without ...
 
【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション
【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション
【AI論文解説】クラスタリングベースアプローチによる大規模データセット自動キュレーション
 
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
【AI論文解説】LLMの事前学習をvisionに適用する手法Autoregressive Image Models
 
Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)Imitation learning for robotics 勉強会資料(20240701)
Imitation learning for robotics 勉強会資料(20240701)
 
Matsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit IntroductionMatsuo-Iwasawa Lab. | Research unit Introduction
Matsuo-Iwasawa Lab. | Research unit Introduction
 
【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf
【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf
【JSAI2024】J-NER大規模言語モデルのための固有表現認識における拡張固有表現階層を考慮したベンチマークデータセット.pdf
 
最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce
最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce
最速の組織を目指して全社で大規模スクラムを導入してみた話 #dxd2024 #medicalforce
 
Kyndryl Developer Services のご紹介 2024年7月
Kyndryl Developer Services のご紹介  2024年7月Kyndryl Developer Services のご紹介  2024年7月
Kyndryl Developer Services のご紹介 2024年7月
 
Matsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit IntroductionMatsuo-Iwasawa lab. Research Unit Introduction
Matsuo-Iwasawa lab. Research Unit Introduction
 
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
論文紹介:Task-aligned Part-aware Panoptic Segmentation through Joint Object-Part ...
 
論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...
論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...
論文紹介:BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sen...
 
Matsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit IntroductionMatsuo-Iwasawa Lab. Research unit Introduction
Matsuo-Iwasawa Lab. Research unit Introduction
 
LoRaWAN AI Image Sensorエンドデバイス AIG01カタログ
LoRaWAN AI Image Sensorエンドデバイス AIG01カタログLoRaWAN AI Image Sensorエンドデバイス AIG01カタログ
LoRaWAN AI Image Sensorエンドデバイス AIG01カタログ
 
20240717_IoTLT_vol113_kitazaki_v1___.pdf
20240717_IoTLT_vol113_kitazaki_v1___.pdf20240717_IoTLT_vol113_kitazaki_v1___.pdf
20240717_IoTLT_vol113_kitazaki_v1___.pdf
 

超高速オンライン転移学習