SlideShare a Scribd company logo
1 of 62
ディープラーニングによる
画像認識と応用事例
山下 隆義
ディープラーニングでできること
画像から文章を生成
Show and Tell: A Neural Image Caption Generator, 2015 2
ディープラーニングでできること
3Generating Images from Captions with Attention, 2016
文章から画像を生成
ディープラーニングでできること
4
画像から音を推定
Visually Indicated Sounds, 2016
ディープラーニングでできること
5
高速な一般物体検出
You Only Look Once: Unified, Real-Time Object Detection, 2016
ディープラーニングでできること
6
高速な姿勢推定
Convolutional Pose Machine, 2016
ここからわかること
7
ここからわかること
屋外の走行シーン
8
ここからわかること
歩行者が二人いる
後ろを向いている
9
ここからわかること
前方に車がいる
停車車両がいる
10
ここからわかること
標識がある
時速30キロ
駐車禁止
11
ここからわかること
白線の位置
12
ここからわかること
走行可能領域 対向車線
歩道
13
ここからわかること
・物体認識
標識など
・物体検出
歩行者,車両など
・シーンラベリング
走行可能領域・歩道など
・シーン理解
歩行者の属性など
14
ここからわかること
ほとんどの認識がディープラーニングでできつつある
・物体認識
標識など
・物体検出
歩行者,車両など
・シーンラベリング
走行可能領域・歩道など
・シーン理解
歩行者の属性など
15
画像分野でのディープラーニング
全てのルーツは
福島邦彦、位置ずれに影響されないパターン認識機構の神経回路のモデル -­-­-­ ネオコグニトロン -­-­-­電子通信学会論文誌A,  vol.  J62-­A,  
no.  10,  pp.  658-­665,1979.
Y.  LeCun,  et.al.  “Gradient-­based  Learning  Applied  to  Document  Recognition”,  Proc.  of  The  IEEE,    1998.
ネオコグニトロン
畳み込みニューラルネットワーク
16
ディープラーニング手法の変遷
物体認識ベンチマークを通じて,より深い構造へ
1998年
2012年
2014年
2015年
AlexNet
LeNet
GoogLeNet
ResNet
17
物体認識
http://image-­net.org
ImageNetのデータセットを利用して1000クラスの物体認識を行う
ImageNet  Large  Scale  Visual  Recognition  Challenge  (ILSVRC)
18
ディープラーニングによる物体認識
AlexNet
ILSVRC2012で優勝 8層(畳み込み5層,全結合3層)の構造
Team year Error	
  (top-­‐5)
SuperVision(AlexNet) 2012 15.3%
1層目のフィルタ
A.  Krizhevsky,  ImageNet  Classification  with  Deep  Convolutional  Neural  Networks,  NIPS2012 19
ディープラーニングによる物体認識
Team year Error	
  (top-­‐5)
SuperVision 2012 15.3%
Clarifai 2013 11.2%
VGG – Oxford	
  (16 layers) 2014 7.32%
3x3のフィルタを2層積層すると
5x5のフィルタと等価になる
AlexNetとほぼ等価の構成
VGG16
ILSVRC2014で2位 16層と深い構造
K. Simonyan,  Very Deep Convolutional Networks for Large-Scale Image Recognition, ICLR2015 20
ディープラーニングによる物体認識
Convolution
Pooling
Softmax
Other
Inception  module
Team year Error	
  (top-­‐5)
SuperVision 2012 15.3%
Clarifai 2013 11.2%
VGG – Oxford	
  (16 layers) 2014 7.32%
GoogLeNet (22layers) 2014 6.67%
3x3  
convolutions
5x5  
convolutions
Filter  
concatenation
Previous  layer
3x3  max  
pooling
1x1  
convolutions
1x1  
convolutions
1x1  
convolutions
1x1  
convolutions
C. Szegedy, Going Deeper with Convolutions, CVPR2015
GoogLeNet
Inception  モジュールを9つ積層
途中の層の誤差を求め,下位層まで誤差を伝播
21
ディープラーニングによる物体認識
Team year Error	
  (top-­‐5)
SuperVision 2012 15.3%
Clarifai 2013 11.2%
VGG – Oxford	
  (16 layers) 2014 7.32%
GoogLeNet (22layers) 2014 6.67%
Residual	
  Net. 2015 3.57%
human  expert 5.1%
K. He, Deep Residual Learning for Image Recognition, CVPR2016
Residual  Network
特定層への入力をバイパスして上位層へ与える
逆伝播時に誤差を下位層に直接与えることができる
22
ディープラーニングによる物体認識
http://research.microsoft.com/en-­us/um/people/kahe/ilsvrc15/ilsvrc2015_deep_residual_learning_kaiminghe.pdf
23
標識認識
German  Traffic  Sign  Recognition  Benchmarkで人を上回る性能
Multi-Column Deep Neural Network for Traffic Sign Classification,IJCNN2011
METHODS ACCURACY
Multi-­Column Deep Neural Network 99.46%
Human  Performance 98.84%
Multi-­Scale  CNN 98.31%
Random  Forest 96.14%
LDA  on  HOG 95.68%
0.71
0.17
0.03
0.09
0.89
0.03
0.01
0.07
0.85
0.09
0.02
0.04
複数のCNNを利用して精度向上
学習の手間:大
メモリサイズ:大
処理時間:大
24
標識認識
一つのネットワークを仮想的に複数のネットワークにする
Ensemble  Median  Inference  
Fukui, Pedestrian Detection Based on Deep Convolutional Neural Network with Ensemble Inference Network, IV2015
METHODS ACCURACY
Multi-­Column Deep Neural Network 99.46%
Human  Performance 98.84%
Multi-­Scale  CNN 98.31%
Random  Forest 96.14%
LDA  on  HOG 95.68%
0.71
0.17
0.03
0.09
25
標識認識
METHODS ACCURACY
Random  Droput+Dn’MI 99.22%
Multi-­Column Deep Neural Network 99.46%
Human  Performance 98.84%
Multi-­Scale  CNN 98.31%
Random  Forest 96.14%
LDA  on  HOG 95.68%
0.89
0.03
0.01
0.07
0.71
0.17
0.03
0.09
0.85
0.09
0.02
0.04
複数ネットワーク利用時と同等性能
学習の手間:小
メモリサイズ:小
処理時間:中
一つのネットワークを仮想的に複数のネットワークにする
Ensemble  Median  Inference  
STEP1:全結合層のネットワークを複数生成
STEP2:各クラスの確率を累積する
Fukui, Pedestrian Detection Based on Deep Convolutional Neural Network with Ensemble Inference Network, IV2015 26
標識認識
人の目でも分かりにくい標識でも認識可能
Dropout Random Dropout + EIN
0 20 40 60 80 100
0 20 40 60 80 100
0 20 40 60 80 100
0 20 40 60 80 100
0 20 40 60 80 100
0 20 40 60 80 100
0 20 40 60 80 100
0 20 40 60 80 100
Input imageFukui, Pedestrian Detection Based on Deep Convolutional Neural Network with Ensemble Inference Network, IV2015 27
CNNの課題
物体検出への応用の難しさ
http://image-net.org/challenges/LSVRC/2014/slides/ILSVRC2014_09_12_14_det.pdf
与えられた領域の名称を認識することは得意
問題:どのように物体の領域(=位置)を与えるか?
CNNだけでは物体らしい領域を抽出ことは困難
物体検出とは?
画像中の物体の名称と位置
を特定する
28
物体検出への応用方法
2段階の検出構造
• 前段:物体領域候補を検出
• 後段:検出した物体領域候補から最終的な物体の領域を検出
入力画像 前段処理 後段処理
29
前段の検出手法
Aggregate  Channel  Features  (ACF)
・入力画像からチャンネル特徴量を生成(LUV,  勾配強度,勾配ヒストグラム)
・生成したチャンネル特徴量から特徴ピラミッドを作成
・Boosted  treeによりチャンネル特徴量から歩行者検出に有効な
特徴量を選択
30
後段の検出処理
前段処理
0.97
0.03
2段階の検出構造
• 前段:物体領域候補を検出
• 後段:検出した物体領域候補から最終的な物体の領域を検出
31
ディープラーニングを利用した歩行者検出
Caltech  Pedestrian  Detection  Benchmarkにおける性能
10
-3
10
-2
10
-1
10
0
10
1
.05
.10
.20
.30
.40
.50
.64
.80
1
false positives per image
missrate
95% VJ
68% HOG
31% DeepCascade
30% ACF-Caltech+
26% DeepCascade+
25% LDCF
21% TA-CNN
19% CCF
18% Checkerboards
17% CCF+CF
17% Checkerboards+
12% DeepParts
12% CompACT-Deep
10% SA-FastRCNN
32
S. Zhang , How Far are We from Solving Pedestrian Detection?, CVPR2016
ディープラーニングを利用した歩行者検出
人と機械学習手法との比較
36
一般物体検出
• Selective  Searchにより物体候補を検出
• CNNで抽出した特徴量をSVMでクラス識別
R−CNN
4つのステップから構成
1)局所領域の切り出し
2)領域の変形
3)CNNによる特徴抽出
4)SVMによる識別
R.  Girshick,  Rich  feature  hierarchies  for  accurate  object  detection  and  semantic  segmentation,  CVPR2014
37
R-CNNの課題
処理時間がかかる
• 1画像あたり:47秒 (VGGネットを使用時)
学習・検出プロセスが複雑
• 処理ごとに個別の学習とデータの準備が必要
特徴抽出
(CNN)
特徴抽出
(CNN)
特徴抽出
(CNN)
物体識別
(SVM)
物体識別(  
SVM)
物体識別
(SVM)
入力画像
領域切り出し
領域変形
背景
人
馬
領域ごとに実行
座標補正 (  
回帰)
座標補正 (
回帰)
R.  Girshick,  Rich  feature  hierarchies  for  accurate  object  detection  and  semantic  segmentation,  CVPR2014
38
Fast R-CNN
特徴抽出処理をまとめて行うことで高速化
• R-CNNと比べて10-100倍高速
学習・検出プロセスをシンプルに
• 領域切り出しの処理をCNNの構成で行う(SVMなし)
特徴抽出
(CNN)
特徴座標 識別層・回帰層
(CNN)
入力画像
領域切り出し
領域変形
物体:背景
座標情報
(-­1,-­1,-­1,-­1)
物体:人
座標情報
(10,3,40,100)
物体:馬
座標情報
(5,100,80,20)
領域ごとに実行
識別層・回帰層
(CNN)
識別層・回帰層
(CNN)
R.  Girshick,,  Fast  RCNN,  ICCV2015
39
Fast R-CNN
特徴抽出処理をまとめて行うことで高速化
• R-CNNと比べて10-100倍高速
学習・検出プロセスをシンプルに
• 領域切り出しの処理をCNNの構成で行う(SVMなし)
特徴抽出
(CNN)
特徴座標 識別層・回帰層
(CNN)
入力画像
領域切り出し
領域変形
物体:背景
座標情報
(-­1,-­1,-­1,-­1)
物体:人
座標情報
(10,3,40,100)
物体:馬
座標情報
(5,100,80,20)
領域ごとに実行
識別層・回帰層
(CNN)
識別層・回帰層
(CNN)
R.  Girshick,,  Fast  RCNN,  ICCV2015
Selective  Searchによる切り出し
=>この処理が時間かかる
40
Faster R-CNN
領域切り出しもCNNで行うことでさらなる高速化
• R-CNNと比べて10-100倍高速
学習・検出プロセスをさらにシンプルに
• すべてをCNNで行う
特徴抽出
(CNN)
検出層
(全結合)
入力画像
回帰層
(全結合)
識別層
(Fast R-­CNN)
Region  Proposal  
Network
S. Ren,, Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, NIPS2015 41
Region Proposal Network(RPN)
特徴抽出
(CNN)
入力画像
CNNで抽出した特徴マップ上の各注目点について
検出:k個のアンカーに対する物体か否か
回帰:k個のアンカーに対する座標
を行う 形状は1:1,1:2,2:1の3種類
大きさは128,  256,  512の3スケール
アンカー=注目領域の形状と
大きさのパターン
S. Ren,, Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, NIPS2015 42
Faster R-CNNによる物体検出例
43
Faster R-CNNによる物体検出の速度
• 特徴マップ作成をVGGで行った場合,selective  searchの
場合よりも約10倍高速化
• ZFを特徴マップ作成に利用するとさらに3倍高速化
44
車載映像
46
コンピュータビジョンで目指す姿
これは,人手でアノテーションをしているが...
47
シーンラベリング
畳み込みニューラルネットワークを利用して,各ピクセルのシーンラベルを付与
画素情報をそのまま入力して,特徴を自動的に学習
Superpixelによるセグメンテーションも併用
C.Farabet,  C.Couprie,  L.Najman,  Y.LeCun,  “Learning  Hierarchical  Features  for  Scene  Labeling.”,  PAMI2013.
畳み込みニューラルネットワークでのシーン認識
48
シーンラベリング
49
V. Badrinarayanan,  SegNet: A Deep Convolutional Encoder-Decoder Architecture for Robust Semantic Pixel-Wise Labelling, 2015
シーンラベリング手法
Fully  Convolutional  Neural  Network
プーリング層後の特徴マップを拡大し,結合
50J. Long, Fully Convolutional Networks for Semantic Segmentation, CVPR2015
SegNet
エンコーダ・デコーダの構成
Max Poolingを行う時に位置情報を記憶
最大値&圧縮前の位置情報を参照
データがない座標には「0」を補完
51
V. Badrinarayanan,  SegNet: A Deep Convolutional Encoder-Decoder Architecture for Robust Semantic Pixel-Wise Labelling, 2015
Cityscapes
車載用セグメンテーションのデータセット
→  既存のセグメンテーションデータセット(CamVid)より,大規模
Dataset  URL  :  https://www.cityscapes-­dataset.com/
50都市で撮影
30クラスのラベリング
評価には19クラスを利用
(頻出頻度の低いクラスは対象外)
The  Cityscapes  Dataset  for  Semantic  Urban  Scene  Understanding
52M. Cordts, The Cityscapes Dataset for Semantic Urban Scene Understanding, CVPR2016
ヘテロジニアスラーニング(1)
ディープラーニングのメリット
複数の異なる情報を同時に学習・認識できる
年齢と性別の同時推定
Convolution Layer Fully Connection Layer
Male  or  Female
input  samples
Age
55Heterogeneous Learningと重み付き誤差関数の導入による顔画像解析, 2015
ヘテロジニアスラーニング(2)
出力情報の種類を増やすことが可能
Convolution Layer Fully Connection Layer
Male  or  Female
input  samples
Age
Race
Smile  degree
56
ディープラーニングのメリット
複数の異なる情報を同時に学習・認識できる
Heterogeneous Learningと重み付き誤差関数の導入による顔画像解析, 2015
ヘテロジニアスラーニング(3)
57Heterogeneous Learningと重み付き誤差関数の導入による顔画像解析, 2015
ヘテロジニアスラーニング(4)
ヘテロジニアスラーニングによる歩行者検出と部位推定
1
0.0001 0.001 0.01 0.1 1 10
MissRate
False Positive per Image
回帰型DCNN 31.77%
単体のDCNN 38.38%  
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
Daimler	
  Mono-­‐Pedestrian	
  Benchmark	
  Dataset
の評価結果
距離[m] 距離推定結果[m] 誤差[%]
5 4.89 2.2
10 9.26 5.3
15 14.12 5.8
回帰型Deep Convolutional Neural Networkによる人検出と部位の位置推定, 2015 58
ヘテロジニアスラーニング(5)
歩行者の属性推定
Task.2
身体の向き推定
Task.3
顔の向き推定
Task.4
性別認識
Task.5
傘の所持認識
Task.1
歩行者部位位置推定
全結合層
傘をさしているか
男性 女性
: 歩行者部位検出
( 頭と両足 )
身体の向き
( 前 , 後 , 左 , 右 )
顔の向き
( 前 , 後 , 左 , 右 )
識別するタスク
Pedestrian Attribute Recognition for an Unbalanced Dataset Using Mini-Batch
Training with Rarity Rate, 2016
59
RNNによる自己運動推定
フレーム間の方向ベクトルを可視化
RNNで移動方向を推定
前進
右回転
Convolutional-Recurrent Neural Network による自己運動識別, 2016
室内での移動方向推定
Convolutional-Recurrent Neural Network による自己運動識別, 2016
未学習環境への応用
Convolutional-Recurrent Neural Network による自己運動識別, 2016
ディープラーニングによる運転支援
C.  Chen,  DeepDriving:  Learning  Affordance  for  Direct  Perception  in  Autonomous  Driving,  ICCV2015
周辺理解
63
強化学習
入力:4フレームの画面
出力:18種のジョイスティックとボタン
差(報酬): 1回の動きで得られるスコア
64V.Mnih, Playing Atari with Deep Reinforcement Learning, NIPS2014
自動運転(NVIDIA)
65
https://www.youtube.com/watch?v=JHHlo7b0UoE
位置関係の自動制御
66https://www.youtube.com/watch?v=7A9UwxvgcV0
Roborace
67
roborace.com
まとめ
自動運転に向けたディープラーニングの活用
物体認識・標識認識のための畳み込みニューラルネットワーク
物体検出のためR-CNNからFaster R-CNN
シーンラベリングのためのFCN, SegNet, そしてデータセット
複数の処理を同時に行うヘテロジニアスラーニング
強化学習を利用した自動運転
質問などは
yamashita@cs.chubu.ac.jp
68@takayosiy 山下隆義

More Related Content

What's hot

GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報NVIDIA Japan
 
Cvim saisentan-6-4-tomoaki
Cvim saisentan-6-4-tomoakiCvim saisentan-6-4-tomoaki
Cvim saisentan-6-4-tomoakitomoaki0705
 
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱いSeiji Hotta
 
画像認識のための深層学習
画像認識のための深層学習画像認識のための深層学習
画像認識のための深層学習Saya Katafuchi
 
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までーDeep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までーnlab_utokyo
 
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
 
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例Takayoshi Yamashita
 
深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術孝昌 田中
 
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介画像処理分野における研究事例紹介
画像処理分野における研究事例紹介nlab_utokyo
 
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2Daiki Shimada
 
Introduction to Deep Compression
Introduction to Deep CompressionIntroduction to Deep Compression
Introduction to Deep CompressionWEBFARMER. ltd.
 
多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26
多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26
多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26Takashi Abe
 
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報NVIDIA Japan
 
最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめYusuke Uchida
 

What's hot (20)

20150414seminar
20150414seminar20150414seminar
20150414seminar
 
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
 
MIRU2018 tutorial
MIRU2018 tutorialMIRU2018 tutorial
MIRU2018 tutorial
 
DeepLearningDay2016Spring
DeepLearningDay2016SpringDeepLearningDay2016Spring
DeepLearningDay2016Spring
 
20150930
2015093020150930
20150930
 
MIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearningMIRU2014 tutorial deeplearning
MIRU2014 tutorial deeplearning
 
Cvim saisentan-6-4-tomoaki
Cvim saisentan-6-4-tomoakiCvim saisentan-6-4-tomoaki
Cvim saisentan-6-4-tomoaki
 
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い
 
画像認識のための深層学習
画像認識のための深層学習画像認識のための深層学習
画像認識のための深層学習
 
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までーDeep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
 
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~
 
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
 
DeepLearningTutorial
DeepLearningTutorialDeepLearningTutorial
DeepLearningTutorial
 
深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術深層学習 第4章 大規模深層学習の実現技術
深層学習 第4章 大規模深層学習の実現技術
 
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介画像処理分野における研究事例紹介
画像処理分野における研究事例紹介
 
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
Convolutional Neural Networks のトレンド @WBAFLカジュアルトーク#2
 
Introduction to Deep Compression
Introduction to Deep CompressionIntroduction to Deep Compression
Introduction to Deep Compression
 
多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26
多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26
多層NNの教師なし学習 コンピュータビジョン勉強会@関東 2014/5/26
 
GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報GTC 2016 ディープラーニング最新情報
GTC 2016 ディープラーニング最新情報
 
最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ最近のSingle Shot系の物体検出のアーキテクチャまとめ
最近のSingle Shot系の物体検出のアーキテクチャまとめ
 

Similar to DeepLearningDay2016Summer

Muramatsu Bachelor Thesis
Muramatsu Bachelor ThesisMuramatsu Bachelor Thesis
Muramatsu Bachelor Thesispflab
 
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...cvpaper. challenge
 
【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2Hirokatsu Kataoka
 
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
 
画像認識と深層学習
画像認識と深層学習画像認識と深層学習
画像認識と深層学習Yusuke Uchida
 
3次元計測とフィルタリング
3次元計測とフィルタリング3次元計測とフィルタリング
3次元計測とフィルタリングNorishige Fukushima
 
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View SynthesisDeep Learning JP
 
深層学習 - 画像認識のための深層学習 ②
深層学習 - 画像認識のための深層学習 ②深層学習 - 画像認識のための深層学習 ②
深層学習 - 画像認識のための深層学習 ②Shohei Miyashita
 
20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasy20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasyYoichi Shirasawa
 
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況cvpaper. challenge
 
Tatsuya Sueki Bachelor Thesis
Tatsuya Sueki Bachelor ThesisTatsuya Sueki Bachelor Thesis
Tatsuya Sueki Bachelor Thesispflab
 
Online moving camera_background_subtraction
Online moving camera_background_subtractionOnline moving camera_background_subtraction
Online moving camera_background_subtractionDaichi Suzuo
 
AGA_CVPR2017
AGA_CVPR2017AGA_CVPR2017
AGA_CVPR2017nonane
 
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
 
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東Yukiyoshi Sasao
 
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座NVIDIA Japan
 
Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...
Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...
Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...Yoshitaka Ushiku
 

Similar to DeepLearningDay2016Summer (20)

Muramatsu Bachelor Thesis
Muramatsu Bachelor ThesisMuramatsu Bachelor Thesis
Muramatsu Bachelor Thesis
 
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
 
【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2
 
SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)SSD: Single Shot MultiBox Detector (ECCV2016)
SSD: Single Shot MultiBox Detector (ECCV2016)
 
ae-6. 顔情報処理
ae-6. 顔情報処理ae-6. 顔情報処理
ae-6. 顔情報処理
 
画像認識と深層学習
画像認識と深層学習画像認識と深層学習
画像認識と深層学習
 
miyamori m
miyamori mmiyamori m
miyamori m
 
3次元計測とフィルタリング
3次元計測とフィルタリング3次元計測とフィルタリング
3次元計測とフィルタリング
 
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
 
深層学習 - 画像認識のための深層学習 ②
深層学習 - 画像認識のための深層学習 ②深層学習 - 画像認識のための深層学習 ②
深層学習 - 画像認識のための深層学習 ②
 
20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasy20120623 cv勉強会 shirasy
20120623 cv勉強会 shirasy
 
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
 
Tatsuya Sueki Bachelor Thesis
Tatsuya Sueki Bachelor ThesisTatsuya Sueki Bachelor Thesis
Tatsuya Sueki Bachelor Thesis
 
Online moving camera_background_subtraction
Online moving camera_background_subtractionOnline moving camera_background_subtraction
Online moving camera_background_subtraction
 
AGA_CVPR2017
AGA_CVPR2017AGA_CVPR2017
AGA_CVPR2017
 
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 -
 
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
ArtTrack: Articulated Multi-Person Tracking in the Wild : CV勉強会関東
 
これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座これから始める人のためのディープラーニング基礎講座
これから始める人のためのディープラーニング基礎講座
 
Region cnn
Region cnnRegion cnn
Region cnn
 
Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...
Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...
Reinforced Cross-Modal Matching and Self-Supervised Imitation Learning for Vi...
 

DeepLearningDay2016Summer