Submit Search
Upload
ディープラーニングの車載応用に向けて
•
Download as PPTX, PDF
•
64 likes
•
22,777 views
Ikuro Sato
Follow
ディープラーニングの車載機への応用を主とした講演資料。膨大な学習時間に対する取り組み事例も紹介。STARCアドバンストセミナーにて講演(16年1月)。
Read less
Read more
Engineering
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 72
Download now
Recommended
深層学習を用いた車内モニタリングによる状態認識に関する研究
深層学習を用いた車内モニタリングによる状態認識に関する研究
harmonylab
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
機械学習と主成分分析
機械学習と主成分分析
Katsuhiro Morishita
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
統計的学習手法よる人検出
統計的学習手法よる人検出
Hironobu Fujiyoshi
顕著性マップの推定手法
顕著性マップの推定手法
Takao Yamanaka
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
第126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習
Naoya Chiba
Recommended
深層学習を用いた車内モニタリングによる状態認識に関する研究
深層学習を用いた車内モニタリングによる状態認識に関する研究
harmonylab
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
機械学習と主成分分析
機械学習と主成分分析
Katsuhiro Morishita
GAN(と強化学習との関係)
GAN(と強化学習との関係)
Masahiro Suzuki
統計的学習手法よる人検出
統計的学習手法よる人検出
Hironobu Fujiyoshi
顕著性マップの推定手法
顕著性マップの推定手法
Takao Yamanaka
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
第126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習
Naoya Chiba
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
西岡 賢一郎
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
第六回全日本コンピュータビジョン勉強会資料 UniT (旧題: Transformer is all you need)
第六回全日本コンピュータビジョン勉強会資料 UniT (旧題: Transformer is all you need)
Yasunori Ozaki
Iclr2016 vaeまとめ
Iclr2016 vaeまとめ
Deep Learning JP
論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
Naoya Chiba
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
強化学習その4
強化学習その4
nishio
【東工大・鈴木良郎】「画像生成用StyleGANの技術」を「3D形状の生成」に活用!! 新車のボディ形状を生成するAI
【東工大・鈴木良郎】「画像生成用StyleGANの技術」を「3D形状の生成」に活用!! 新車のボディ形状を生成するAI
ssuser1bf283
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
Demosaicing(デモザイキング)
Demosaicing(デモザイキング)
Morpho, Inc.
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
Deep Learning JP
SimGAN 輪講資料
SimGAN 輪講資料
Genki Mori
【DL輪読会】Dropout Reduces Underfitting
【DL輪読会】Dropout Reduces Underfitting
Deep Learning JP
確率モデルを用いた3D点群レジストレーション
確率モデルを用いた3D点群レジストレーション
Kenta Tanaka
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Yusuke Sekikawa
More Related Content
What's hot
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
Shiga University, RIKEN
ドメイン適応の原理と応用
ドメイン適応の原理と応用
Yoshitaka Ushiku
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
西岡 賢一郎
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
第六回全日本コンピュータビジョン勉強会資料 UniT (旧題: Transformer is all you need)
第六回全日本コンピュータビジョン勉強会資料 UniT (旧題: Transformer is all you need)
Yasunori Ozaki
Iclr2016 vaeまとめ
Iclr2016 vaeまとめ
Deep Learning JP
論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
Naoya Chiba
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
西岡 賢一郎
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
強化学習その4
強化学習その4
nishio
【東工大・鈴木良郎】「画像生成用StyleGANの技術」を「3D形状の生成」に活用!! 新車のボディ形状を生成するAI
【東工大・鈴木良郎】「画像生成用StyleGANの技術」を「3D形状の生成」に活用!! 新車のボディ形状を生成するAI
ssuser1bf283
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
Demosaicing(デモザイキング)
Demosaicing(デモザイキング)
Morpho, Inc.
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
Deep Learning JP
SimGAN 輪講資料
SimGAN 輪講資料
Genki Mori
【DL輪読会】Dropout Reduces Underfitting
【DL輪読会】Dropout Reduces Underfitting
Deep Learning JP
確率モデルを用いた3D点群レジストレーション
確率モデルを用いた3D点群レジストレーション
Kenta Tanaka
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
What's hot
(20)
生成モデルの Deep Learning
生成モデルの Deep Learning
構造方程式モデルによる因果探索と非ガウス性
構造方程式モデルによる因果探索と非ガウス性
ドメイン適応の原理と応用
ドメイン適応の原理と応用
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
協力ゲーム理論でXAI (説明可能なAI) を目指すSHAP (Shapley Additive exPlanation)
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
第六回全日本コンピュータビジョン勉強会資料 UniT (旧題: Transformer is all you need)
第六回全日本コンピュータビジョン勉強会資料 UniT (旧題: Transformer is all you need)
Iclr2016 vaeまとめ
Iclr2016 vaeまとめ
論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
論文紹介「PointNetLK: Robust & Efficient Point Cloud Registration Using PointNet」
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
大域的探索から局所的探索へデータ拡張 (Data Augmentation)を用いた学習の探索テクニック
一般向けのDeep Learning
一般向けのDeep Learning
強化学習その4
強化学習その4
【東工大・鈴木良郎】「画像生成用StyleGANの技術」を「3D形状の生成」に活用!! 新車のボディ形状を生成するAI
【東工大・鈴木良郎】「画像生成用StyleGANの技術」を「3D形状の生成」に活用!! 新車のボディ形状を生成するAI
Optimizer入門&最新動向
Optimizer入門&最新動向
Demosaicing(デモザイキング)
Demosaicing(デモザイキング)
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
[DLHacks]StyleGANとBigGANのStyle mixing, morphing
SimGAN 輪講資料
SimGAN 輪講資料
【DL輪読会】Dropout Reduces Underfitting
【DL輪読会】Dropout Reduces Underfitting
確率モデルを用いた3D点群レジストレーション
確率モデルを用いた3D点群レジストレーション
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Viewers also liked
CNNチュートリアル
CNNチュートリアル
Ikuro Sato
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Yusuke Sekikawa
Sparse Isotropic Hashing
Sparse Isotropic Hashing
Ikuro Sato
Deep Learning Chapter12
Deep Learning Chapter12
Kei Uchiumi
FLAT CAM: Replacing Lenses with Masks and Computationの解説
FLAT CAM: Replacing Lenses with Masks and Computationの解説
Yusuke Sekikawa
Dsirnlp#7
Dsirnlp#7
Kei Uchiumi
Nl220 Pitman-Yor Hidden Semi Markov Model
Nl220 Pitman-Yor Hidden Semi Markov Model
Kei Uchiumi
Gamglm
Gamglm
Kei Uchiumi
Halide, Darkroom - 並列化のためのソフトウェア・研究
Halide, Darkroom - 並列化のためのソフトウェア・研究
Yuichi Yoshida
DSIRNLP06 Nested Pitman-Yor Language Model
DSIRNLP06 Nested Pitman-Yor Language Model
Kei Uchiumi
マーク付き点過程
マーク付き点過程
Yoshiaki Sakakura
Holonomic Gradient Descent
Holonomic Gradient Descent
Yoshiaki Sakakura
Swift 2 (& lldb) シンポジウム
Swift 2 (& lldb) シンポジウム
Yuichi Yoshida
情報検索における評価指標の最新動向と新たな提案
情報検索における評価指標の最新動向と新たな提案
Mitsuo Yamamoto
Vanishing Component Analysisの試作(補足)
Vanishing Component Analysisの試作(補足)
Hiroshi Tsukahara
Information extraction 1
Information extraction 1
Hiroshi Tsukahara
Notes on the low rank matrix approximation of kernel
Notes on the low rank matrix approximation of kernel
Hiroshi Tsukahara
On the eigenstructure of dft matrices(in japanese only)
On the eigenstructure of dft matrices(in japanese only)
Koichiro Suzuki
Gitのすすめ
Gitのすすめ
Yuichi Yoshida
Vanishing Component Analysisの試作と簡単な実験
Vanishing Component Analysisの試作と簡単な実験
Hiroshi Tsukahara
Viewers also liked
(20)
CNNチュートリアル
CNNチュートリアル
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Sparse Isotropic Hashing
Sparse Isotropic Hashing
Deep Learning Chapter12
Deep Learning Chapter12
FLAT CAM: Replacing Lenses with Masks and Computationの解説
FLAT CAM: Replacing Lenses with Masks and Computationの解説
Dsirnlp#7
Dsirnlp#7
Nl220 Pitman-Yor Hidden Semi Markov Model
Nl220 Pitman-Yor Hidden Semi Markov Model
Gamglm
Gamglm
Halide, Darkroom - 並列化のためのソフトウェア・研究
Halide, Darkroom - 並列化のためのソフトウェア・研究
DSIRNLP06 Nested Pitman-Yor Language Model
DSIRNLP06 Nested Pitman-Yor Language Model
マーク付き点過程
マーク付き点過程
Holonomic Gradient Descent
Holonomic Gradient Descent
Swift 2 (& lldb) シンポジウム
Swift 2 (& lldb) シンポジウム
情報検索における評価指標の最新動向と新たな提案
情報検索における評価指標の最新動向と新たな提案
Vanishing Component Analysisの試作(補足)
Vanishing Component Analysisの試作(補足)
Information extraction 1
Information extraction 1
Notes on the low rank matrix approximation of kernel
Notes on the low rank matrix approximation of kernel
On the eigenstructure of dft matrices(in japanese only)
On the eigenstructure of dft matrices(in japanese only)
Gitのすすめ
Gitのすすめ
Vanishing Component Analysisの試作と簡単な実験
Vanishing Component Analysisの試作と簡単な実験
Similar to ディープラーニングの車載応用に向けて
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
Koichi Hamada
営業現場で困らないためのディープラーニング
営業現場で困らないためのディープラーニング
Satoru Yamamoto
Rtm・ros相互運用プログラミング環境
Rtm・ros相互運用プログラミング環境
openrtm
HAZOP, Safety and Security with records, SWEST at Gero Gifu pref. Japan
HAZOP, Safety and Security with records, SWEST at Gero Gifu pref. Japan
Kiyoshi Ogawa
Embedding Watermarks into Deep Neural Networks
Embedding Watermarks into Deep Neural Networks
Yusuke Uchida
Site Reliability Engineering (SRE)を可能にするOpenPIEのご紹介
Site Reliability Engineering (SRE)を可能にするOpenPIEのご紹介
OSSラボ株式会社
safety and security using Raspberry PI
safety and security using Raspberry PI
Kiyoshi Ogawa
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
Brocade
ITフォーラム2020 AITC(6)
ITフォーラム2020 AITC(6)
aitc_jp
「解説資料」VideoMix: Rethinking Data Augmentation for Video Classification
「解説資料」VideoMix: Rethinking Data Augmentation for Video Classification
Takumi Ohkuma
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
NTT DATA Technology & Innovation
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
Toshihiko Yamakami
CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)
CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)
Tenki Lee
20160208 power cms_cloud_public
20160208 power cms_cloud_public
Six Apart
【DL輪読会】マルチモーダル LLM
【DL輪読会】マルチモーダル LLM
Deep Learning JP
Hazop Safety and Security at Fukui 2017(1/2)
Hazop Safety and Security at Fukui 2017(1/2)
Kiyoshi Ogawa
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616
Ridge-i
Dll講演資料 2017616
Dll講演資料 2017616
NORIKO HOSAKA
Yahoo! JAPANが実践するOpenStackと大規模環境でのコンテナ利用 #devsumi
Yahoo! JAPANが実践するOpenStackと大規模環境でのコンテナ利用 #devsumi
Yahoo!デベロッパーネットワーク
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
Nobukazu Yoshioka
Similar to ディープラーニングの車載応用に向けて
(20)
Generative Adversarial Networks (GAN) @ NIPS2017
Generative Adversarial Networks (GAN) @ NIPS2017
営業現場で困らないためのディープラーニング
営業現場で困らないためのディープラーニング
Rtm・ros相互運用プログラミング環境
Rtm・ros相互運用プログラミング環境
HAZOP, Safety and Security with records, SWEST at Gero Gifu pref. Japan
HAZOP, Safety and Security with records, SWEST at Gero Gifu pref. Japan
Embedding Watermarks into Deep Neural Networks
Embedding Watermarks into Deep Neural Networks
Site Reliability Engineering (SRE)を可能にするOpenPIEのご紹介
Site Reliability Engineering (SRE)を可能にするOpenPIEのご紹介
safety and security using Raspberry PI
safety and security using Raspberry PI
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
ITフォーラム2020 AITC(6)
ITフォーラム2020 AITC(6)
「解説資料」VideoMix: Rethinking Data Augmentation for Video Classification
「解説資料」VideoMix: Rethinking Data Augmentation for Video Classification
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
人と機械の協働によりデータ分析作業の効率化を目指す協働型機械学習技術(NTTデータ テクノロジーカンファレンス 2020 発表資料)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
サルでもわかるディープラーニング入門 (2017年) (In Japanese)
CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)
CVPR2018 pix2pixHD論文紹介 (CV勉強会@関東)
20160208 power cms_cloud_public
20160208 power cms_cloud_public
【DL輪読会】マルチモーダル LLM
【DL輪読会】マルチモーダル LLM
Hazop Safety and Security at Fukui 2017(1/2)
Hazop Safety and Security at Fukui 2017(1/2)
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616
Dll講演資料 2017616
Dll講演資料 2017616
Yahoo! JAPANが実践するOpenStackと大規模環境でのコンテナ利用 #devsumi
Yahoo! JAPANが実践するOpenStackと大規模環境でのコンテナ利用 #devsumi
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
機械学習応用システムの開発技術(機械学習工学)の現状と今後の展望
ディープラーニングの車載応用に向けて
1.
ディープラーニングの 車載応用に向けて 株式会社デンソーアイティーラボラトリ 佐藤 育郎 @ikuro_s Copyright ©
2016 DENSO IT LABORATORY, INC. All Rights Reserved. STARC アドバンストセミナー ニューロチップ2 1/7/2016 川崎市産業振興会館 1/72
2.
私の経歴 2005年 2005-07年 2008年 米国メリーランド大学にて博士号取得(物理) 米国の国立研究所にてポスドク デンソーアイティーラボラトリ入社 車載カメラを使った自動車の走行安全に関する 研究開発に従事 ~現在 CNNによる 歩行者検知& 身長・距離・ 体向き推定の 研究 NVIDIA Tegra K1使用 Copyright
© 2016 DENSO IT LABORATORY, INC. All Rights Reserved. 2/72
3.
研究紹介|ディープラーニングによる歩行者状態推定 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 単眼の画像から、1つのディープモデルを使い 歩行者の検知と距離・身長・体向き推定を同時に実行 3/72
4.
本発表の目的 を理解することを目的とする。 本発表では、ディープラーニングの 衝撃 ・・・なぜ今絶大な注目を集めているのか 基礎 ・・・どんな処理で成り立っているのか 応用
・・・クルマの知能化にどんな役割を果たしていくのか 課題 ・・・冬の時代に戻らないためには何が必要か Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. 4/72
5.
目次 衝撃 ・・・なぜ今絶大な注目を集めているのか 基礎 ・・・どんな処理で成り立っているのか 応用
・・・クルマの知能化にどんな役割を果たしていくのか 課題 ・・・冬の時代に戻らないためには何が必要か Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. ※ここでは主に画像分類を扱う 5/72
6.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 6/72
7.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された … baseball volleyball bee ox printer … 例)baseballの画像 確度 与えられた画像を適切な項目(クラス)に分類すること ※項目の種類は既知 アルゴ リズム Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 7/72
8.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された … baseball volleyball bee ox printer … 例)baseballの画像 確度 与えられた画像を適切な項目(クラス)に分類すること ※項目の種類は既知 アルゴ リズム 正解! Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 8/72
9.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された ImageNet Large Scale
Visual Recognition Challenge (ILSVRC) Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. http://image-net.org/challenges/LSVRC/2012/index 128万枚の訓練画像と 正解クラスを学習 学習フェーズ テストフェーズ 10万枚の評価画像の 分類性能を評価 baseball printer ox ?? ?? アルゴ アルゴ 9/72
10.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された あらかじめ決められた手順でピクセルをベクトル化し線形分類 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. … 特徴抽出 (輝度勾配の 方向ヒストグラムなど) ~10万次元~100次元 統計処理 線形分類 特徴量 3 2 1 … baseball volleyball bee ox printer … 確度 10/72
11.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された エラー率はだいたい25%程度だった (top-5 guess) Copyright
© 2016 DENSO IT LABORATORY, INC. All Rights Reserved. http://image-net.org/challenges/LSVRC/2010/results http://image-net.org/challenges/LSVRC/2011/results 2010 NEC-UIUC 2011 Xerox 28.2% 25.8% エラー率 11/72
12.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された いきなり10%近くエラーを下げたチームが現れた!! Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. http://image-net.org/challenges/LSVRC/2012/results 2010 NEC-UIUC 2011 Xerox 28.2% 25.8% エラー率 2012 U. Toronto 16.4% 12/72
13.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された U of Torontoチームの手法:Deep
Convolutional Neural Network Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. 入力 (画像) 出力 (クラス確度) 5つの畳み込み層と3つの全結合層 →とにかく深い A. Krizhevsky, et al., “ImageNet Classification with Deep Convolutional Neural Networks”, NIPS2012. 13/72
14.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された 専門家にとって何が一番衝撃的だったのか? Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 入力 (画像) 出力 (クラス確度) 5つの畳み込み層と3つの全結合層 →とにかく深い A. Krizhevsky, et al., “ImageNet Classification with Deep Convolutional Neural Networks”, NIPS2012. 特徴抽出が・・・全くない (明示的には) 14/72
15.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された 専門家にとって何が一番衝撃的だったのか? Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 入力 (画像) 出力 (クラス確度) 5つの畳み込み層と3つの全結合層 →とにかく深い A. Krizhevsky, et al., “ImageNet Classification with Deep Convolutional Neural Networks”, NIPS2012. ぜーんぶデータまかせ (構造を手で決めること以外は) 15/72
16.
2012年10月、画像分類のコンペでこれまでの常識をくつがえす ある結果が報告された 構造の決め方は、やはりみんな気になった Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. A. Krizhevsky, et al., “ImageNet Classification with Deep Convolutional Neural Networks”, NIPS2012. どうして5層 なんですか? 4層を試したけど 5層の方が性能が良かった 6層も試したけど 学習に時間がかかりすぎて 収束できなかった 参加者A Krizhevsky氏 けど6層を収束させる ことができたら、性能は さらに向上するでしょう 16/72
17.
衝撃は2012年にとどまらなかった Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 17/72
18.
衝撃は2012年にとどまらなかった 翌年、さらに性能を上げ Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 2010 NEC-UIUC 2011 Xerox 28.2% 25.8% エラー率 M. Zeiler and R. Fergus, “Visualizing and Understanding Convolutional Networks”, ECCV2014. 2012 U. Toronto 2013 Clarifai 16.4% 11.7% 18/72
19.
衝撃は2012年にとどまらなかった さらに翌年、Krizhevsky氏の予言は的中した Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 2010 NEC-UIUC 2011 Xerox 28.2% 25.8% エラー率 2012 U. Toronto 2013 Clarifai 16.4% 11.7% C. Szegedy, et al., “Going Deeper with Convolutions”, CVPR2015. 2014 Google 6.67% 22畳み込み層!! 19/72
20.
衝撃は2012年にとどまらなかった Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 2010 NEC-UIUC 2011 Xerox 28.2% 25.8% エラー率 2012 U. Toronto 2013 Clarifai 16.4% 11.7% K. He, “Deep Residual Learning for Image Recognition”, arxiv:1512.03385, 2015. 2014 Google 6.67% 2015 MSR 3.57% 一般人 5.1% 152畳み込み層!!! 20/72
21.
目次 衝撃 ・・・なぜ今絶大な注目を集めているのか 基礎 ・・・どんな処理で成り立っているのか 応用
・・・クルマの知能化にどんな役割を果たしていくのか 課題 ・・・冬の時代に戻らないためには何が必要か Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. ※画像分類器についてご説明 21/72
22.
ディープラーニングとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. プ ー リ ン グ プ ー リ ン グ プ ー リ ン グ 全 結 合 全 結 合 全 結 合 畳 み 込 み 畳 み 込 み 畳 み 込 み 層の深いニューラルネットワークの学習を指す デモで使用したネットワーク構造:3畳み込み層+3プーリング層+3全結合層 22/72
23.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 23/72
24.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 畳 み 込 み フィルタ 24/72
25.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 畳 み 込 み フィルタ 内積 25/72
26.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 畳 み 込 み フィルタ 内積 26/72
27.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 畳 み 込 み フィルタ 内積 27/72
28.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 畳 み 込 み フィルタ 内積 28/72
29.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 畳 み 込 み フィルタ 内積 29/72
30.
畳み込みとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳 み 込 み 畳 み 込 み 畳 み 込 み 畳み込み: マップの小領域ごとの内積演算 フィルタ 並び替え (ブロックを row vector化) 30/72
31.
プーリングとは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. プ ー リ ン グ プ ー リ ン グ プ ー リ ン グ プーリング: マップを1/2×1/2サイズに縮小し、値の高いものを通す 冗長な情報を“煮詰める” (maximum poolingを想定) 31/72
32.
全結合とは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 全 結 合 全 結 合 全 結 合 全結合: 重み行列と信号の内積&非線形写像 非線形分類を可能に 32/72
33.
全結合とは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 全 結 合 全 結 合 全 結 合 全結合: 重み行列と信号の内積&非線形写像 非線形分類を可能に 歩行者 背景 33/72
34.
全結合とは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 全 結 合 全 結 合 全 結 合 全結合: 重み行列と信号の内積&非線形写像 非線形分類を可能に 歩行者 背景 34/72
35.
全結合とは Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 全 結 合 全 結 合 全 結 合 全結合: 重み行列と信号の内積&非線形写像 非線形分類を可能に 歩行者 背景 35/72
36.
ちょっとまとめ Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳み込み層 プーリング層 全結合層 局所的な内積演算 縮小、閾値処理 大域的な内積演算 層の種類 大まかな処理内容 36/72
37.
ちょっとまとめ Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 畳み込み層 プーリング層 全結合層 局所的な内積演算 縮小、閾値処理 大域的な内積演算 層の種類 大まかな処理内容 基礎的かつ並列化可能な 画像/信号処理 37/72
38.
Top-4 FAQ Copyright ©
2016 DENSO IT LABORATORY, INC. All Rights Reserved. 1 2 3 4 どうやって学習するの? なぜ良い分類性能が出せるの? どうやって構造を決定すればよいの? どの程度データを与えればよいの? 38/72
39.
どうやって学習するの? Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 1 1に近づける 0に近づける 歩 行 者 画 像 背 景 画 像 同時に満たすように パラメタをチューニング 畳み込み層・全結合層が持つパラメタ(行列)をエラーを下げる方向に少しずつ動かす 39/72
40.
なぜ良い性能が出せるの? Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 2 プ ー リ ン グ プ ー リ ン グ プ ー リ ン グ 全 結 合 全 結 合 全 結 合 畳 み 込 み 畳 み 込 み 畳 み 込 み 理由1 人手による特徴抽出がない(ヘタに教示しないほうがよい) パラメタがいろいろな深さ(解像度)で使用されている理由2 (経験では解像度を高くすることで性能が出せることが多い) 40/72
41.
どうやって構造を決定すればよいの? Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 3 畳み込みとプーリングは交互に繰り返す。 入力画像サイズが与えられると、 プーリングの回数が自ずと定まる。 全結合層は3層とする(経験的に良い)。 層の決定指針 プ ー リ ン グ プ ー リ ン グ プ ー リ ン グ 全 結 合 全 結 合 全 結 合 畳 み 込 み 畳 み 込 み 畳 み 込 み これをベースモデルとし、 これに畳み込み層を追加するなどした比較モデルと比較評価をする 41/72
42.
どの程度データを与えればよいの? Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 4 データサイズが ビッグデータスモールデータ 人手による特徴抽出 + 線形SVM ディープ ラーニング 転移ゾーン 大きい場合はディープラーニングを使う方が性能が出る 小さい場合はディープラーニング以外の手法を使う方が性能が出る ことが多い 42/72
43.
目次 衝撃 ・・・なぜ今絶大な注目を集めているのか 基礎 ・・・どんな処理で成り立っているのか 応用
・・・クルマの知能化にどんな役割を果たしていくのか 課題 ・・・冬の時代に戻らないためには何が必要か Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. 43/72
44.
Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 44/72
45.
Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 45/72
46.
こんにちの車載器の認識技術 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 静止画に枠をつけるのみ ⇒ 限定的な制御のみ 46/72
47.
これからの車載器の認識技術 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. どのような歩行者かを認識 スマホ見てる 走ってる・ 渡り終えた 47/72
48.
これからの車載器の認識技術 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. スマホ見てる 走ってる・ 渡り終えた ドライバー 減速ぎみで、 スマホの人に 気を付けよう どのような歩行者かを認識 ⇒ 人が行うような制御を可能に 48/72
49.
技術的課題|特徴設計 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. ピクセルの処理により、この人 と、この人 を区別する (特徴抽出) ディープラーニングなら データから特徴を自動的に獲得! 人手で処理手順を定義するのは 困難かつ非最適 ディープラーニングの利用により「人がいる/いない」以上の認識が可能 49/72
50.
クルマの知能化に向けて Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. クルマの知能化には認識種別の詳細化が必要であり、 機械に何を答えさせたいかに関する議論が活発化し、 ディープラーニングの特徴抽出能力に期待が寄せられている 分野動向 それに応じたデータ収集が始まっている (差別化要素) 50/72
51.
研究事例| 歩行者の状態推定 単眼の画像から、1つのニューラルネットワークを使い 歩行者を検知し、距離・身長・体向きを同時に推定 Copyright ©
2016 DENSO IT LABORATORY, INC. All Rights Reserved. 51/72
52.
目次 衝撃 ・・・なぜ今絶大な注目を集めているのか 基礎 ・・・どんな処理で成り立っているのか 応用
・・・クルマの知能化にどんな役割を果たしていくのか 課題 ・・・冬の時代に戻らないためには何が必要か Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. 52/72
53.
ディープラーニングの課題 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 53/72
54.
ディープラーニングの課題 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 運用時 学習時 54/72
55.
ディープラーニングの課題 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 運用時 学習時 2014.3 2015.6 尾崎, 蓑谷, 杉山(デンソー), “Deep Neural Networks (DNN) による車載向け画像 認識ハードウェアの開発”, SSII2015. 車載GPU FPGA (デンソーITラボ) (デンソー) I. Sato and H. Niihara, “Beyond Pedestrian Detection: Deep Neural Networks Level- Up Automotive Safety”, GPU Technology Conference 2014. 2015.12 Neural Processing Unit (Qualcomm) https://www.qualcomm.co m/invention/cognitive- technologies/zeroth 55/72
56.
ディープラーニングの課題 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 運用時 学習時 2014.3 2015.6 尾崎, 蓑谷, 杉山(デンソー), “Deep Neural Networks (DNN) による車載向け画像 認識ハードウェアの開発”, SSII2015. 車載GPU FPGA (デンソーITラボ) (デンソー) I. Sato and H. Niihara, “Beyond Pedestrian Detection: Deep Neural Networks Level- Up Automotive Safety”, GPU Technology Conference 2014. 2015.12 (Qualcomm) https://www.qualcomm.co m/invention/cognitive- technologies/zeroth Neural Processing Unit アルゴリズムが固まってきた (並列度高、順列度低) ハード設計により実時間処理が 可能になり量産化に明るい兆し 56/72
57.
ディープラーニングの課題 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 運用時 学習時 2014.12 Y. Chen, et al., “DaDianNao: A Machine- Learning Supercomputer”, MICRO2014. ASIC (中国科学院) 2015 数千台の CPU分散 数十台の GPU分散 約百台の GPU分散 (デンソーITラボ)(Baidu)(Google) 2015.12012.12 J. Dean, et al, “Large Scale Distributed Deep Networks”, NIPS 2012. R. Wu, et al, “Deep Image: Scaling up Image Recognition”, arxiv:1501.02876v2, 2015. 東工大 TSUBAME スパコン 57/72
58.
ディープラーニングの課題 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 運用時 学習時 2012 U. Toronto 2013 Clarifai 2014 Google エラー率 16.4% 11.7% 6.67% 4.94% 5.98% 2015.1 Baidu (参考記録) 2015.2 Microsoft ILSVRCコンペでは分散学習が当たり前に 2GPU 数千CPU 数十(?)GPU 8GPU 58/72
59.
もはやTech Giantsの独壇場 ディープラーニングの課題 Copyright ©
2016 DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 運用時 学習時 2012 U. Toronto 2013 Clarifai 2014 Google エラー率 16.4% 11.7% 6.67% 4.94% 5.98% 2015.1 Baidu (参考記録) 2015.2 Microsoft ILSVRCコンペでは分散学習が当たり前に 2GPU 数千CPU 数十(?)GPU 8GPU 59/72
60.
もはやTech Giantsの独壇場 ディープラーニングの課題 Copyright ©
2016 DENSO IT LABORATORY, INC. All Rights Reserved. それは膨大な演算量! 運用時 学習時 2012 U. Toronto 2013 Clarifai 2014 Google エラー率 16.4% 11.7% 6.67% 4.94% 5.98% 2015.1 Baidu (参考記録) 2015.2 Microsoft ILSVRCコンペでは分散学習が当たり前に 2GPU 1GPU 数千CPU 数十(?)GPU 8GPU 学習データの大規模化 単一の計算機では学習時間が膨大に 大規模な計算資源を使った分散計算 が主流に 60/72
61.
ちょっとここで学習に必要な時間を見てみましょう Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. モデル 独自設計のCNN データ 1画像を1回feedforwardするのに必要な演算量 ILSVRC2012データセット (128万枚の学習画像、1000クラス)計15層 3900万パラメタ 約 2ギガ 浮動小数点演算回数 1回の学習時間の実測値 約40日 1台のTesla K40 130 epoch (cycle) 仮定 仮定 積算と和算のみカウント 画像処理を含めない 61/72
62.
ちょっとここで学習に必要な時間を見てみましょう Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. モデル 独自設計のCNN データ 1画像を1回feedforwardするのに必要な演算量 ILSVRC2012データセット (128万枚の学習画像、1000クラス)計15層 3900万パラメタ 約 2ギガ 浮動小数点演算回数 1回の学習時間の実測値 仮定 積算と和算のみカウント 画像処理を含めない 製品開発には 最低10試行必要 製品化困難約40日 62/72
63.
共通(?)認識 Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. データの爆発的増大によって、いつか学習が 終わらなくなるポイントが来るのではないか? ILSVRCよりも大きな非公開データを持っている企業は少なくない 学習計算のマシンスケーラビリティは今のところ限定的 (((( ;゚Д゚)))ガクガクブルブル 冬の時代が再来?? 63/72
64.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 64/72
65.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 正解:一輪車 対象がほとんど写っていないが、 周りのコンテキストから注目物 体を推定 65/72
66.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 正解:シャボン玉 半透明物体の透けた部分から、 背景の特徴が混入するにも関わ らず、認識できている 66/72
67.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 正解:小型の斧 注目物体の面積が小さいが、コ ンテキストを上手く活用できて いる。 67/72
68.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 正解:二人乗り自転車 68/72
69.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 正解:グランドピアノ 撮像条件が必ずしも良好ではな いが、コンテキストを上手く活 用できている 69/72
70.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 正解:ルーペ 70/72
71.
弊社の取り組み Copyright © 2016
DENSO IT LABORATORY, INC. All Rights Reserved. 東京工業大学のGPUスパコンTSUBAMEを利用して学習高速化の研究を実施。 謝辞 本検討はTSUBAMEグランドチャレンジ&トライアルユース制度を利用したものである。 48~96GPUの利用により、数十倍のiteration速度高速化を達成。 正解:パイナップル 物体の一部からでも認識できて いる。 71/72
72.
衝撃 ・・・秀逸な認識性能が実証された 基礎 ・・・単純な画像処理の反復から成り立つ 応用
・・・様々な粒度の認識により制御の幅が広がる 課題 ・・・学習時間短縮のためのハードとアルゴが必要 Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. ま と め 72/72
Download now