GTC 2018 で発表されたディープラーニング最新情報
•
9 likes•3,208 views
このスライドは、2018 年 4 月 24 日 (火) にベルサール高田馬場にて開催の NVIDIA Deep Learning Seminar 2018における、エヌビディア ディープラーニング ソリューションアーキテクト 山崎和博による「GTC 2018 で発表されたディープラーニング最新情報」の資料です。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to GTC 2018 で発表されたディープラーニング最新情報
Similar to GTC 2018 で発表されたディープラーニング最新情報 (20)
More from NVIDIA Japan
More from NVIDIA Japan (20)
Recently uploaded
Recently uploaded (7)
GTC 2018 で発表されたディープラーニング最新情報
- 1. 山崎和博 エヌビディア ディープラーニングソリューションアーキテクト GTC 2018 で発表された ディープラーニング最新情報
- 2. 2 AGENDA GTC2018ディープラーニングセッション概要 Pick up 8 sessions ほか注目のセッション
- 4. 4 GTC 2018 DEEP LEARNING SESSIONS 全体を概観 GTC 2018 GTC 2017 総セッション数 654 670 DL talks 400+ (250+) DL tutorials 5 (6) DL panels 5 (3)
- 5. 5 GTC 2018 DEEP LEARNING SESSIONS 全体を概観
- 6. 6 SESSION#01 – S81011: DEEP LEARNING FOR RECOMMENDER SYSTEMS Justin Basilico - Research/Engineering Director, Netflix Yves Raimond - CA, Netflix
- 7. 7 TL;DR • レコメンデーションにディープラーニングを適用した • が、「traditional」なアプローチでは、あまり目立った改善がない • 問題設定を変え、手法を洗練することで最大40%の改善 内容をまとめると
- 8. 8
- 9. 9
- 10. 10
- 11. 11
- 12. 12
- 13. 13
- 14. 14
- 15. 15
- 16. 16
- 17. 17
- 18. 18
- 19. 19
- 20. 20
- 21. 21
- 22. 22 SESSION#02 – S8944: DEEP LEARNING OF RAILWAY TRACK FAULTS USING GPUS Nathalie Rauschmayr – Machine Learning Engineer, CSEM (Swiss Center for Electronics and Microtechnology)
- 23. 23 TL;DR • 鉄道網の検査は必須だが、人間の介在は現実的ではなく、自動化 したいが、従来のソフトウェアでは誤りが多く、あまり使われていない • ディープラーニングによって、さまざまな検査を自動化 • 異常検知や分類のみならず、経年変化のトラッキングも実施 内容をまとめると
- 24. 24
- 25. 25
- 26. 26
- 27. 27
- 28. 28
- 29. 29
- 30. 30
- 31. 31
- 32. 32
- 33. 33
- 34. 34
- 35. 35
- 36. 36
- 37. 37
- 38. 38
- 39. 39 SESSION#03 – S8117: LEARNING-FREE UNIVERSAL STYLE TRANSFORMER Chen Fang - Research Scientist, Adobe Research
- 40. 40 TL;DR • 従来のスタイル変換は、計算量が多い and/or 制御が困難 and/or 適用可能なスタイル数が限定的、などの問題があった • Universal Style Transferを提案し、任意のスタイルを効率的かつ 柔軟に適用できるようにした 内容をまとめると
- 41. 41
- 42. 42
- 43. 43
- 44. 44
- 45. 45
- 46. 46
- 47. 47
- 48. 48
- 49. 49
- 50. 50
- 51. 51
- 52. 52 SESSION#04 – S8686: PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION Samuli Laine - Researcher, NVIDIA
- 53. 53 TL;DR • GAN(敵対的生成ネットワーク)で、大規模なネットワークの学習や結 果の高解像度化は実現が難しかった • 1024x1024の解像度で画像生成することに成功 • 高解像度データセットの作成なども実施 内容をまとめると
- 54. 54
- 55. 55
- 56. 56
- 57. 57
- 58. 58
- 59. 59
- 60. 60
- 61. 61
- 62. 62
- 63. 63
- 64. 64
- 65. 65
- 66. 66
- 67. 67
- 68. 68
- 69. 69
- 70. 70
- 71. 71
- 72. 72 SESSION#05 – S8114: UNSUPERVISED IMAGE-TO-IMAGE TRANSLATION NETWORKS Ming-Yu Liu - Researcher, NVIDIA
- 73. 73 TL;DR • ドメイン(≒種類)を変換した画像を生成する手法を複数提案 • セグメンテーションのラベルからリアルな画像を生成 • 冬の風景を夏の風景に変換 • ヒョウをネコに変換 内容をまとめると
- 74. 74
- 75. 75
- 76. 76
- 77. 77
- 78. 78
- 79. 79
- 80. 80
- 81. 81
- 82. 82
- 83. 83
- 84. 84
- 85. 85
- 86. 86
- 87. 87
- 88. 88
- 89. 89
- 90. 90
- 91. 91
- 92. 92
- 93. 93
- 94. 94
- 95. 95
- 96. 96
- 97. 97
- 98. 98
- 99. 99 SESSION#06 – S8786: LEARNING FROM LIMITED DATA Tatsuya Harada - Professor, University of Tokyo
- 100. 100 TL;DR • ディープラーニングでは大量の学習データが必要となるが、特にアノ テーションにコストがかかってしまう • 限られたデータを上手く活用して、質の高い学習用データを得るため の手法を提案 • 教師ありと教師なしの両方について提案 内容をまとめると
- 101. 101
- 102. 102
- 103. 103
- 104. 104
- 105. 105
- 106. 106
- 107. 107
- 108. 108
- 109. 109
- 110. 110
- 111. 111
- 112. 112
- 113. 113
- 114. 114
- 115. 115 SESSION#07 – S8238: TEACHING MACHINES TO SEE, COMMUNICATE, AND ACT Sanja Fidler - Assistant Professor, University of Toronto
- 116. 116 TL;DR • セグメンテーションにおいて、アノテーションには非常に時間がかかるた め、RNNを用いて作業効率化するツールを実装 • そのほか、自然言語によって指示を与えて行動させたり、アフォーダン スの推論(e.g., イスの画像を見せて「座る」という推論をさせる等) • 人間と機械がコミュニケーションするには、というテーマでの研究 内容をまとめると
- 117. 117
- 118. 118
- 119. 119
- 120. 120
- 121. 121
- 122. 122
- 123. 123
- 124. 124
- 125. 125
- 126. 126 SESSION#8 – S8272: MULTI-GPU ACCELERATED METHODS IN DEEP REINFORCEMENT LEARNING Adam Stooke - Graduate Student, UC Berkeley
- 127. 127 TL;DR • 強化学習においては、小さめのネットワークを使うことがあるため、 GPUの使用率が低くなりがち • ニューラルネットワークの推論も含めた、効率的な実行方式を提案 • シミュレータの実行を分散する際の枠組みを提案、評価 内容をまとめると
- 128. 128
- 129. 129
- 130. 130
- 131. 131
- 132. 132
- 133. 133
- 134. 134
- 135. 135
- 136. 136
- 137. 137
- 138. 138 ほか、注目のセッション
- 139. 139 そのほか、興味深いセッション(1/3) • S8298: Re3: Realtime Recurrent Regression Networks for Visual Tracking of Generic Objects • CNNとLSTMを用いたリアルタイムな物体追跡手法 • S8384: Datasets and Algorithms for Road Identification Via Satellite Imagery • 航空画像からの道路検出 • S8453: Point Cloud Deep Learning • 3次元オブジェクト分類の各種手法を比較評価
- 140. 140 そのほか、興味深いセッション(2/3) • S8455: Deep Learning of Severe Weather Forecast Data • ディープラーニングを用いた荒天の予測について • S8467: Playing FPS Games with Deep Reinforcement Learning • FPSを深層強化学習で解く。転移学習や言語による指示なども実験 • S8581: Object-Level Deep Reinforcement Learning • ピクセルだけではなく、オブジェクトの存在も意識した強化学習 • S8582: Embodied Question Answering • 動画を入力として、能動的な行動をとらせることを意識した強化学習
- 141. 141 そのほか、興味深いセッション(3/3) • S8660: A Deep Neural Network for Estimating Depth from Stereo • ステレオカメラを使った半教師あり学習による深度推定 • S8791: Designing Wireless Systems with Deep Learning - An Autoencoder-Based Approach to PHY Layer Design • 無線通信システムに関わる問題でのディープラーニングの応用について紹介 • S8842: How to Win the Amazon Robotics Challenge with Deep Learning and Robotic Vision • Amazon Robotics Challenge優勝チームによるセッション • S8968: Autoregressive Wavenet Inference on Volta GPUs • WavenetのGPU向け推論実装の最適化などについて