SlideShare a Scribd company logo
1 of 28
Download to read offline
画像と点群を用いた、
森林という広域空間のゾーニングと施業管理
2021.6.11
中村 裕幸(株式会社woodinfo)
maple@woodinfo.jp
広域環境の3D計測と認識 ~人が活動する場のセンシングとモデル化
woodinfoが提供する森林・林業用情報システム
原木市場 製材所 プレカット工場 建築現場
チップ工場・
バイオマス発電
所
森林・林業 素材(伐採)生産
木材トレーサビリティシステム
立木・丸太・木材製品
在庫管理システム
森林3D地図作成システム
“Digital Forest ®”
(立木・
地形
情報)
木材動産担保金融
システム
(在庫情報)
(履歴情報)
丸太検知
システム
“検知丸®”
“検知Talk”
木材クラウド®
インターネット木材入札・
オークションシステム
カーボンクレジット
モニタリングシステム
広域バイオマス資源求荷求車システム
経営林
環境林
森林経営管制度支援システム
森林現況システム
林分診断システム
採算性林分判定システム
林小班境界特定システム
“ForestView”
木材需給
マッチングシステム
歩行軌跡
計測バッファ(幅20m)
本日の講演内容
1. 日本の森林と林業の概要
① 資源としての森林(日本国土に対する森林、森林の区分け:針葉樹・広葉樹)
② 森林の課題:現状(境界、資源量、種類、形質)が分からない
③ 課題解決への制度的取組:森林経営管理制度と森林環境譲与税
2. 森林資源量を調査する手法
① 従来手法:森林簿、毎木調査
② 森林調査の効率化:リモートセンシグ技術
③ 衛星画像:Sentinel-2(無料)、WorldView3(有償)
④ 航空レーザ、ドローンレーザ、ドローン空撮(RGB、Multispectral、赤外線)
⑤ 地上レーザ:TLS、バックパックレーザ(採算性を評価する:量から質の推定)
3. 森林系管理制度を実施するためのステップ
① 広域調査による林業施業の可否・優先度判定
② 広域調査により決定された森林領域の健全度、施業時期の判定
③ 森林施業実施判定林の経営林・環境林の判定(その後施業を実施)
4. 今後の課題
① 森林吸収CO2クレジットの算定
② 持続的森林経営へ向けて多様な森林へを実現する技術
1-① 資源としての森林
(日本国土に対する森林、森林の区分け:針葉樹・広葉樹)
日本の国土:3,779万ha
日本の森林(針葉樹、広葉樹):2,250万ha*) *)通常日本の森林面積は2,510万haと言われている。
差は伐採跡地、未立木地、竹林等による
針葉樹:1,245万ha 広葉樹:1,105万ha
(企業の遊休林は
ほとんどがこちら)
J-VER適用可能森林:
約300万ha
森林経営活動によるJ-VER取引中:1,225ha(37万ton-co2)
高解像度衛星写真及び
航空レーザによる
樹木解析は現状針葉樹
林に限られる。
(理由は後述)
広葉樹を含めた算定方
法が望まれる。
1-② 森林の課題:
現状(境界、資源量、種類、形質)が分からない
木材蓄積量(人工林):300,000万㎥ 年間成長量: 8,000万㎥
年間木材使用量: 7,000万㎥ 国産材使用量:2,100万㎥
鳥取県日南町:3年間で0.7㎥から2.1万㎥へ丸太増産
これにより、木材周辺産業で約100人の新規雇用とその維持
現状では、伐っても
まだ森林蓄積量は増
えている
なぜ、林業従事者は増えないのか?
給料が安く、かつ日給
(生活が安定しないから)
経
営
者
の
心
理
森林データが無い 仕事量が見えない
固定費(月給制の給与と正規雇用)は危険
手持ち現金で運営(現金が足りないと破産)
結論:非正規雇用でかつ、賃金は安く
林業は地方再生の重
要な産業
固定費を払い、利益をえるための仕事量を決める
正規雇用で計画的かつ安定した生産
現金が足りないときには融資を受ける
(理解できる数字があれば金融機関は貸してくれる)
正規雇用で地域経済へ貢献
林業経営とは
1-③ 課題解決への制度的取組:
森林経営管理制度と森林環境譲与税
森林環境譲与税
(R3年度500億円)
森林経営管理制度実施の目的 森林経営管理制度の仕組み
2-① 従来手法:森林簿、毎木調査
出典:京都大学フィールド科学教育研究センター
毎木調査の様子
森林簿の項目(課題:更新されていない)
新
市
町
村
市
町
村
林
班
林
班
枝
番
小
班
小
班
枝
番
計
画
対
象
大
字
漢
字
大
字
カ
ナ
小
字
漢
字
代
表
地
番
地
番
本
番
地
番
支
番
地
番
枝
番
氏
名
漢
字
氏
名
カ
ナ
氏
名
区
分
層
区
分
林
種
樹
種
現
在
樹
種
将
来
林
齢
齢
級
面
積
ア
イ
テ
ム
ID
1 0 1 0 0 0 514 2 0 2 38 38 67 14 0.46
1 0 2 0 0 0 514 2 0 1 2 2 53 11 0.54
林班のGIS表示とその内容
2-② 森林調査の効率化:リモートセンシグ技術
地上
ドローン
• 写真
• レーザ
• バックパックレーザ
• 写真
高い
低い
視点の高度
プラットホームの種類
人工衛星
• 画像データ
(マルチバンド)
• 近赤外線
地上解像度:10ⅿ
地上解像度:1ⅿ
森林を内部から情報化
樹木の容積の把握
地上解像度:0.1ⅿ
航空
• 写真
• レーザ
2-③ 衛星画像:Sentinel-2(無料)、WorldView3(有償)
地上解像度:10ⅿ
10ⅿ四方の平均情報
樹木地域や裸地等の分類
地上解像度:1ⅿ
1ⅿ四方の平均情報
樹種等の分布を把握
2-④ 航空レーザ、ドローンレーザ、
ドローン空撮(RGB、Multispectral、赤外線)
同じ林相のまとまりは、ほぼ同じ立木
と考えられるので、林相を調査すれば、
森林が林相ごとのまとまりと考えられる。
その結果、広い林相でも、一部を調査すればその
調査結果が林相全体を表すと考えられ、立木個体
ごとに調査する必要が無くなる。
林相:
山林を構成している樹木の種類や
樹齢等によって形成される山林の
形態のこと
マルチスペクトル分析による林相区分。
色の濃淡により林相分けが可能となる。
地上解像度:0.1ⅿ
0.1ⅿ四方の平均情報
単木レベルでの樹木分布の把握
ドローンによる調査準備(100㏊の例)
Phantom 4 Pro
(オートパイロットルート確認)
Phantom 4 RTK
(GCP不要の空撮)
Phantom 4 Multispectral
(植生解析)
RTK基地局
1日:離発着位置の確認、
コントローラーからの電送距離の確認
3日:プログラムによる自動フライト
プログラムによる自動フライトルート
作業内容:基地局周辺でモニタの確認
および電池交換
1フライト当たりの飛行時間:15~20分
所定電池残量になると中断し自動帰還
電池交換後、中断地点に戻り計測を継続
2-⑤ 地上レーザ:TLS、バックパックレーザ
(採算性を評価する:量から質の推定)
直径:
30.8c
m
樹高:
17.4
m
幹材
積:
0.54㎥
地表面
(50cm等高線)
立木位置
図
立木情報一
覧
Digital Forestによる森林情報
立木(全木)情報 と
・立木位置(X,Y,Zまたは緯度経度標高)
・胸高直径
・樹高
・曲り
・幹材積
地形情報 を自動的に作成するシステム
バックパック型
レーザースキャナ
「3DWalker」
による森林計測
バックパック型レーザスキャナにより森林を計測、計測結果を森林解析ソフト
「Digital Forest」で解析し、胸高直径、樹高を算出する。
丸太の値段を決める主要3要素
末口(細い方の木口)径
丸太の長さ
丸太自体の曲り
計測ルートの指示システム”木ナビ”
歩行軌跡
計測バッファ(幅20m)
計測のバラツキ:
枝下の末口直径で±2㎝以内
計測バッファ:
計測が終了した範囲
歩行軌跡
立木のまま出材丸太の
本数と質を推定
林班図等のレイヤーを重ねて表示し、
計測のルートガイド図を作成
左右10ⅿの計測バッファ:
計測結果が実用上問題ない精度の範囲
計測ルートと樹木解析結果例
計測範囲全体のGIS表示例
計測時間約4時間
計測範囲:約3.6ha
伐採対象範囲:1.89ha
結果の立木一覧表と境
界、計測ルート
立木一覧(1068本)
伐採境界
計測ルート
立木3D表示の例
バックパック型レーザ計測結果を活用した木材生産の例
森林3D地図作成システム“Digital Forest®”と”木ナビ®”を活用したスマート林業
歩行軌跡
点群データ作成
生成情報のGIS出力
森林施業準備
(伐採木位置、採材仕様情報等の入力)
GIS立木情報による伐採と採
材
伐採・採材計画や路網設計
伐採作業の情報出力
計測準備
(ポータブルGIS”木ナビ”へ諸情報の入力)
木ナビ
3DWalkerによる
データ収録
歩行軌跡
計測バッファ(幅20m)
計測時歩行ガイドと継続済みエリアの表示
地形・立木情報作成
Digital Forestによる解析
地上レーザと航空レーザデータによる立木本数推定の違い
地上レーザ
(バックパック型):
森林の中を歩き回り
内側から計測
航空レーザ:
森林を上空から計測
約3,600点/㎡ 約25点/㎡
立木は樹頂点で見つける
立木は樹幹で見つける
航空レーザ計測のみでは広葉樹林の正確な材積推定は出来ない。
何故出来ないか? ⇒ 本数の推定方法が広葉樹林用では無い
●:地上レーザによる立木
立木本数:608本
平均胸高直径:29.9㎝
平均樹高:18.2ⅿ
総材積:408.0㎥
(平均材積:0.67㎥)
◆:航空レーザによる立木
立木本数:652本
平均胸高直径:29.2㎝
平均樹高:21.9ⅿ
総材積:483.4㎥
(平均材積:0.74㎥)
愛知県三沢字矢立山:0.865ha
◆:航空レーザデータによる立木
●:地上レーザデータによる立木
樹冠を取り除いた3D点群データ
中に数本の広葉樹が生えている。
広葉樹の樹幹頂点を過大に見つけ
立木本数と評価している。
スギ林の中に一部広葉樹がある
だけで、立木本数を過大に評価、
そのため材積も過大評価してい
る。
リモートセンシング
(ドローン、バックパックレーザ等)
データ解析
オープンデータ
航空レーザデータ
バックパックレーザ計測
解析データ
(STEP2で追加が必要になった場合)
搬出プランニング 造材プランニング
プラン書
計測対象林班
の選定
STEP1 森林現況システム
STEP3 採算林分判定システム
森林簿
計画図
傾斜
距離
樹種
林相
樹冠長率
樹高
胸高直径
地形
樹頂点位置
立木本数補正
細り
曲がり
樹高
胸高直径
細り
曲がり
収益
支出
施業対象区域
の選定
STEP2 林分診断システム STEP EX
林小班境界特定
システム
“フォレストビュー”
森林の現状を広範囲に把握し、
集積計画の優先度を決定します
森林の健全度を判定し、
いつどのような施業が必要かを判定しま
す
森林の採算性を評価し、
経営林か環境林を判定します
必要に応じて
小班の境界を特定するシステム
国土交通省通達に準拠しています
リモートセンシング
(ドローン、バックパックレーザ等)
データ解析
バックパックレーザ計測
解析データ
(STEP2で追加が必要になった場合)
オープンデータ
航空レーザデータ
搬出プランニング 造材プランニング
プラン書
計測対象林班
の選定
STEP1 森林現況システム
STEP3 採算林分判定システム
森林簿
計画図
傾斜
距離
樹種
林相
樹冠長率
樹高
胸高直径
立木本数補正
細り
曲がり
地形
樹頂点位置
樹高
胸高直径
細り
曲がり
収益
支出
STEP EX
林小班境界特定
システム
“フォレストビュー”
施業対象区域
の選定
STEP2 林分診断システム
ここまでの結果を添付して
森林所有者に意向調査します
3.森林系管理制度を実施するためのステップ
崩れやすく、土石流が保全対象に到達しやすい
林業不適地
崩れにくいが、土石流が保全対象に到達しやすい
保全対象に配慮した林業
崩れやすいが、土石流が保全対象に到達しにくい
林地の保全に配慮した林業
林業地の適・不適は、主に土石流の到達範囲と林地の崩れやすさで評価される。
土石流の到達範囲
出典:GeoInformation Portal Hub(GIPH)
家屋等の保全対象へ土砂が到達
林地と保全対象
との距離
崩れやすさ
崩
れ
や
す
い
崩
れ
に
く
い
1km 2km
3-① 広域調査による林業施業の可否・優先度判定
崩れにくく、土石流が全対象に到達しにくい
林業適地
急傾斜崩壊危険地域
土石流危険渓流地域
地すべり危険個所
集積計画策定の参考となる地域全体の現在の情報を作成。
STEP1:森林現況システムの画面例
バックパックレーザによる
林相プロット調査
ドローン等による空撮
樹木位置や本数
材積等の情報化が
できます。
3-② 広域調査により決定された森林領域の健全度、
施業時期の判定
航空レーザやドローンによる空撮写真を
AIを用いて樹種界や林相の区分を行います。
林分診断システムのアウトプット例
過疎林
【要改善施業」
(本例では無し)
危険林
【5年以内に要主伐】
林班や小班別に健全度と経営指針の評価を行います。
それらの結果は林班・小班別の色分け、一覧表、林分診断と、採算性判定を表示。
さらに詳細な採算性の判定はSTEP3の「採算林分判定システム」で行います。
STEP2:林分診断システム
要整備林
【10年以内に要間伐】
健全林
【20年以内に適期施業】
小班別に健全度と経営指針を一覧表として表示します
STEP2:林分診断システム 林分診断システムのアウトプット例
経営林【採算性有り】
中間林「採算性検討】
環境林【採算性無し】
ダブルクリックして小班の詳細を表示
小班別の
「林分診断」と「採算性判定」
林分の診断は
①樹冠長率
②形状比
③収量比数
④相対幹距比
採算性の判定は
①平均斜度
②搬出距離
③運搬距離
で判定。
(判定の基準は地域ごとに設定)
画面のハードコピーを撮って、所有者の意向調査の参考資料として使えます!
STEP2:林分診断システム 林分診断システムのアウトプット例
小班別の健全度と経営指針一覧表の小班をクリックし、小班別の詳細を表示します
「林分診断」および「採算性判定」のコメントはAIを使って
過去の事例や条件を学習して最適なアドバイスを表示します。
図中凡例
▲間伐木、●残存木、▲支障木
▲ハーベスタで伐採可能な間伐木
▲チェインソーとグラップルで集材
作業路
1番玉:
材長3m、
末口径22cm、
小曲、
材積0.145㎥、
市場価格1,595円
【造材シミュレーション】
立木の予想売上げ
DBH:25.5cm
樹高:26.0m
合計丸太価格:6,783円
2番玉:
材長6m、
末口径18cm、
直、
材積0.217㎥、
市場価格4,015円
3番玉:
材長4m、
末口径16cm、
直、
材積0.102㎥、
市場価格1,173円
3-③ 森林施業実施判定林の経営林・環境林の判定
(その後施業を実施) 樹種区分、林相区分の中にバックパックレーザ計測によるプロットを設定し結果を解析
丸太生産数、径級、品質等のデータから造材プランニングを、地形や立木位置から
路網開設や集材費用見積の搬出プランニングを行い、採算性を判定するプラン書を作成
路網設計画例
作業路線形をマウスでクリックし作業路開設コストの自動見積、
ハーベスタやチェーンソーによる伐倒・集材のコストを集計。
造材シミュレーション例
プロット(例:30ⅿx30ⅿ)の中のシミュレーションによる造材と、
原木市場の直近の丸太落札価格から売上見積を行い、
林相・小班全体の売上を予想。
プラン書(森林施業見積書)作成例
路網開設コストと売上見積を自動転記し、両者を比較、
林分ごとに採算性を判定。
STEP3:採算林分判定システム
提案書
******
プラン書
4-① 森林吸収CO2クレジットの算定
Setp1 無償衛星画像による当該地域の植生等の概要把
握【四季別による識別性】
Step2 有償衛星画像による当該地域の植生等の把握
【地上調査地の特定】
Step3 ドローンによる当該地域の植生等の把握
【林相範囲の推定】
Step4 バックパックレーザによる地上調査地(プロット)の
森林構成等の把握【材積量の算定】
Step5 森林構成より各林相別の材積量によるCO2固定量の算定
4-② 持続的森林経営へ向けて
多様な森林へを実現する技術
~昭和20ごろ
(1945)
~昭和45ごろ
(1960)
~現在
目標林形
戦後復興
高度成長
木材需要の拡大
若者の都市流出
山林従事者の減少・高齢化
林業の衰退
人工林
1000万ha
木材需要量
1億㎥/年
(自給率18%)
生活林 生産林 環境林 生産・環境林
”木材生産機能”と
”環境保全機能”
を両立した多様な森林へ
立木蓄積のための政策・研究
森林の今が分からない
+
二つの機能の両立を
評価する方法論が無い
間
伐
植
林
間
伐
間
伐
植
林
収益 投資
持続的森林経営
多間伐

More Related Content

What's hot

全体セミナー20170629
全体セミナー20170629全体セミナー20170629
全体セミナー20170629Jiro Nishitoba
 
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイNaoya Chiba
 
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​SSII
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -tmtm otm
 
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Yoshitaka Ushiku
 
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925小川 雄太郎
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Yamato OKAMOTO
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII
 
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習Deep Learning JP
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement LearningPreferred Networks
 
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative ModelingDeep Learning JP
 
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII
 
これからの Vision & Language ~ Acadexit した4つの理由
これからの Vision & Language ~ Acadexit した4つの理由これからの Vision & Language ~ Acadexit した4つの理由
これからの Vision & Language ~ Acadexit した4つの理由Yoshitaka Ushiku
 
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Modelscvpaper. challenge
 
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked AutoencodersDeep Learning JP
 
画像認識における特徴表現 -SSII技術マップの再考-
画像認識における特徴表現 -SSII技術マップの再考-画像認識における特徴表現 -SSII技術マップの再考-
画像認識における特徴表現 -SSII技術マップの再考-Hironobu Fujiyoshi
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII
 
【DL輪読会】Segment Anything
【DL輪読会】Segment Anything【DL輪読会】Segment Anything
【DL輪読会】Segment AnythingDeep Learning JP
 
ディープラーニングのフレームワークと特許戦争
ディープラーニングのフレームワークと特許戦争ディープラーニングのフレームワークと特許戦争
ディープラーニングのフレームワークと特許戦争Yosuke Shinya
 

What's hot (20)

全体セミナー20170629
全体セミナー20170629全体セミナー20170629
全体セミナー20170629
 
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
 
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
 
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -深層学習の不確実性 - Uncertainty in Deep Neural Networks -
深層学習の不確実性 - Uncertainty in Deep Neural Networks -
 
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
 
最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925最近のディープラーニングのトレンド紹介_20200925
最近のディープラーニングのトレンド紹介_20200925
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
 
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
 
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learningゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
 
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
 
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
 
これからの Vision & Language ~ Acadexit した4つの理由
これからの Vision & Language ~ Acadexit した4つの理由これからの Vision & Language ~ Acadexit した4つの理由
これからの Vision & Language ~ Acadexit した4つの理由
 
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
 
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
 
画像認識における特徴表現 -SSII技術マップの再考-
画像認識における特徴表現 -SSII技術マップの再考-画像認識における特徴表現 -SSII技術マップの再考-
画像認識における特徴表現 -SSII技術マップの再考-
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
 
【DL輪読会】Segment Anything
【DL輪読会】Segment Anything【DL輪読会】Segment Anything
【DL輪読会】Segment Anything
 
研究効率化Tips Ver.2
研究効率化Tips Ver.2研究効率化Tips Ver.2
研究効率化Tips Ver.2
 
ディープラーニングのフレームワークと特許戦争
ディープラーニングのフレームワークと特許戦争ディープラーニングのフレームワークと特許戦争
ディープラーニングのフレームワークと特許戦争
 

More from SSII

SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII
 
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII
 
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習SSII
 
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII
 
SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線SSII
 
SSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディングSSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディングSSII
 
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII
 
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII
 
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)SSII
 
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜SSII
 
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII
 
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用SSII
 
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術SSII
 
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)SSII
 
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用SSII
 
SSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメントSSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメントSSII
 
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測するSSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測するSSII
 
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~SSII
 
SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)SSII
 

More from SSII (20)

SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
 
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
 
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
 
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
 
SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線
 
SSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディングSSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディング
 
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
 
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
 
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
 
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
 
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
 
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
 
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII2021 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
 
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
 
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
 
SSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメントSSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化:需要家主体の分散協調型電力マネージメント
 
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測するSSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
 
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
 
SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS1] SDGsを実現するセンシング技術 ~ 海と都市とエネルギーを持続させるために ~(オーガナイザーによる冒頭の導入)
 

SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理