Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

ディープラーニングの車載応用に向けて

21,144 views

Published on

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)。

Published in: Engineering
  • Login to see the comments

ディープラーニングの車載応用に向けて

  1. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 44. Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. 44/72
  45. 45. Copyright © 2016 DENSO IT LABORATORY, INC. All Rights Reserved. 45/72
  46. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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

×