SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

•

1 like•3,837 views

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向 6月11日 (木) 11:00 - 12:30 メイン会場（vimeo + slido）登壇者：鈴木哲平氏（デンソーアイティーラボラトリ）概要：多量のデータが取得できる中、コスト等の理由により一部のデータしか正解ラベルが得られない状況において、どのようにモデルの過学習を抑制するかは重要な課題として長く取り組まれている。このような課題は半教師あり学習と呼ばれ、Web 業界や自動車業界等で注目を集めている。本講演では、近年その簡便さと有効性から半教師あり学習で広く使われている Consistency Regularization を中心に解説し、実問題への応用における課題と今後の発展について議論する。（ダウンロード後に，一部Acrobat Readerなどで文字が消える不具合に対処するために，元スライドPDFを画像化して再結合して作成したPDFを再アップロードしました）

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

SSII2020 [OS2-03] 深層学習における半教師あり学習の最新動向

More Related Content

What's hot

[DL輪読会]Focal Loss for Dense Object Detection

[DL輪読会]Focal Loss for Dense Object Detection

[DL輪読会]Focal Loss for Dense Object Detection

Deep Learning JP

画像センシングシンポジウム (SSII 2019) の企画セッション「深層学習の高速化〜高速チップ、分散学習、軽量モデル〜」の講演資料です。深層学習モデルを高速化する下記6種類の手法の解説です。 - 畳み込みの分解 (Factorization) - 枝刈り (Pruning) - アーキテクチャ探索 (Neural Architecture Search; NAS) - 早期終了、動的計算グラフ (Early Termination, Dynamic Computation Graph) - 蒸留 (Distillation) - 量子化 (Quantization)

モデル高速化百選

[DL輪読会]医用画像解析におけるセグメンテーション

[DL輪読会]医用画像解析におけるセグメンテーション

[DL輪読会]医用画像解析におけるセグメンテーション

Deep Learning JP

【DL輪読会】Data-Efficient Reinforcement Learning with Self-Predictive Representat...

【DL輪読会】Data-Efficient Reinforcement Learning with Self-Predictive Representat...

【DL輪読会】Data-Efficient Reinforcement Learning with Self-Predictive Representat...

Deep Learning JP

2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている．本講演では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い，それぞれ解説を行う． Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 https://stair.connpass.com/event/126556/

畳み込みニューラルネットワークの高精度化と高速化

畳み込みニューラルネットワークの高精度化と高速化

畳み込みニューラルネットワークの高精度化と高速化

[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...

[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...

[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...

Deep Learning JP

【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision

【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision

【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision

Deep Learning JP

Semantic segmentation

Semantic segmentation

Semantic segmentation

Takuya Minagawa

深層学習の数理

[DL輪読会]SlowFast Networks for Video Recognition

[DL輪読会]SlowFast Networks for Video Recognition

[DL輪読会]SlowFast Networks for Video Recognition

Deep Learning JP

6/9 (木) 14:45～15:15 メイン会場講師：石井雅人氏（ソニーグループ株式会社）概要：機械学習技術の急速な発達により、コンピュータによる知的処理は様々なタスクで人間に匹敵あるいは凌駕する性能を達成してきた。一方、このような高い性能は大量かつ高品質な学習データによって支えられており、多様化する機械学習応用においてデータの収集コストが大きな導入障壁の１つとなっている。本講演では、少ないデータやラベルから効率的に学習するための様々な技術について、「足りない情報をどのように補うか？」という観点から概観するとともに、特に画像認識分野における最新の研究動向についても紹介する。

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

【メタサーベイ】数式ドリブン教師あり学習

【メタサーベイ】数式ドリブン教師あり学習

【メタサーベイ】数式ドリブン教師あり学習

cvpaper. challenge

[DL輪読会]ドメイン転移と不変表現に関するサーベイ

[DL輪読会]ドメイン転移と不変表現に関するサーベイ

[DL輪読会]ドメイン転移と不変表現に関するサーベイ

Deep 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 6月11日 (木) 11:00 - 12:30 メイン会場（vimeo + slido）登壇者：片岡裕雄氏（産業技術総合研究所）概要：高品質な教師ラベルを含む大規模画像データセットを学習に用いた場合は成功がほぼ確約されていると言っても差し支えないが、ラベル付けのコストは計り知れない。本発表では、SNS からの画像データ収集や弱教師によるラベル付けを含め、最小限の手間で大規模データセットを構築する方法を紹介する。800万超の人物ラベルを含む大規模データセットを人物検出のための事前学習に用いた場合、ベースラインである教師ありの事前学習手法を凌駕する検出率を実現した。

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

帰納バイアスが成立する条件

帰納バイアスが成立する条件

帰納バイアスが成立する条件

日本ロボット学会ロボット工学セミナー第126回ロボットのための画像処理技術講演資料 https://www.rsj.or.jp/event/seminar/news/2020/s126.html 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては深層学習，その中でも特に畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNはクラス分類をはじめとして，物体検出やセグメンテーションなど様々なタスクを解くためのベースネットワークとして広く利用されてきている．本講演では，CNNの発展を振り返るとともに，エッジデバイスで動作させる際に重要となる高速化等，関連する深層学習技術の解説を行う． 1. クラス分類向けモデルについて 1.1. ILSVRCで振り返る進化の歴史 1.2. その他重要なモデル 1.3. モデルの自動設計 (Neural Architecture Search) 2. モデルの高速化について 2.1. 軽量モデル 2.2. その他モデルの高速化手法 3. クラス分類以外のタスクにおけるモデル 4. おまけ

画像認識と深層学習

SSII2020 技術動向解説セッション SS1 6/11 (木) 14:00～14:30　メイン会場 (vimeo + sli.do) グラフ構造をもつデータに対する DNN、すなわち Graph Neural Networks (GNNs) の研究はこの２、３年で参加する研究者が急増している。現状、様々なアーキテクチャの GNN が様々なドメインや様々なタスクで個別に提案され、概観を捉えるのも簡単ではない状態になっている。本チュートリアルは、広範に散らばった GNN 研究の現状についての概観と基盤技術を紹介するとともに、時間が許す範囲でコンピュータビジョン領域における応用例の紹介にも取り組みたい。

SSII2020SS: グラフデータでも深層学習〜 Graph Neural Networks 入門〜

SSII2020SS: グラフデータでも深層学習〜 Graph Neural Networks 入門〜

SSII2020SS: グラフデータでも深層学習〜 Graph Neural Networks 入門〜

[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling

[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling

[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling

Deep Learning JP

[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder

[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder

[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder

Deep Learning JP

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

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

What's hot (20)

[DL輪読会]Focal Loss for Dense Object Detection

[DL輪読会]Focal Loss for Dense Object Detection

[DL輪読会]Focal Loss for Dense Object Detection

モデル高速化百選

[DL輪読会]医用画像解析におけるセグメンテーション

[DL輪読会]医用画像解析におけるセグメンテーション

[DL輪読会]医用画像解析におけるセグメンテーション

【DL輪読会】Data-Efficient Reinforcement Learning with Self-Predictive Representat...

【DL輪読会】Data-Efficient Reinforcement Learning with Self-Predictive Representat...

【DL輪読会】Data-Efficient Reinforcement Learning with Self-Predictive Representat...

畳み込みニューラルネットワークの高精度化と高速化

畳み込みニューラルネットワークの高精度化と高速化

畳み込みニューラルネットワークの高精度化と高速化

[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...

[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...

[DL輪読会]Vision Transformer with Deformable Attention （Deformable Attention Tra...

【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision

【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision

【DL輪読会】DINOv2: Learning Robust Visual Features without Supervision

Semantic segmentation

Semantic segmentation

Semantic segmentation

深層学習の数理

[DL輪読会]SlowFast Networks for Video Recognition

[DL輪読会]SlowFast Networks for Video Recognition

[DL輪読会]SlowFast Networks for Video Recognition

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術〜足りない情報をどのように補うか？〜

【メタサーベイ】数式ドリブン教師あり学習

【メタサーベイ】数式ドリブン教師あり学習

【メタサーベイ】数式ドリブン教師あり学習

[DL輪読会]ドメイン転移と不変表現に関するサーベイ

[DL輪読会]ドメイン転移と不変表現に関するサーベイ

[DL輪読会]ドメイン転移と不変表現に関するサーベイ

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

帰納バイアスが成立する条件

帰納バイアスが成立する条件

帰納バイアスが成立する条件

画像認識と深層学習

SSII2020SS: グラフデータでも深層学習〜 Graph Neural Networks 入門〜

SSII2020SS: グラフデータでも深層学習〜 Graph Neural Networks 入門〜

SSII2020SS: グラフデータでも深層学習〜 Graph Neural Networks 入門〜

[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling

[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling

[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling

[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder

[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder

[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder

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

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

More from SSII

6/9 (木) 14:15～14:45 メイン会場講師：加藤大晴氏（株式会社Preferred Networks）概要：点群/メッシュ/ボクセルなどの従来的な3D表現に代わってニューラルネットによる陰関数で三次元データを表してしまう手法が近年登場し、様々なタスクで目覚ましい成果を挙げ大きな注目を集めている。この表現は、計算コストが高い代わりに柔軟性が高くさまざまなものをシンプルかつコンパクトに表現できることが知られている。本講演では、その基礎、応用、最先端の状況について、代表的な研究を広く紹介する。

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？？〜

6/10 (金) 09:30～10:40メイン会場講師：シモセラエドガー氏（早稲田大学）概要：インターネットが現代社会の柱の基本的な構成要素になりつつある現在、大規模なコンテンツ制作がこれまで以上に重要になってきています。しかし、イラストレーションやウェブデザインなどのコンテンツ制作には、高解像度、構造付きデータ、インタラクティブ性など、コンピュータービジョンと機械学習にとって一連のユニークな課題があります。本講演では、機械学習技術を利用して、コンテンツ制作の多様な課題を解決し、クリエイターの能力を向上させる方法について説明します。

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〜

6/9 (木) 09:30～10:40メイン会場講師：河口信夫氏（名古屋大学）、斉藤之寛氏（株式会社ティアフォー）概要：自動運転を実現するためには、ロボットビジョンに基づき、環境を認識するために様々な処理（パーセプション）を行っています。本講演では、Autoware を事例とし、自動運転に使われている画像処理、３D物体認識や、それらを用いた自動運転における判断・制御について解説します。また、AutowareはROS上で動作しており、様々なセンサやアクチュエータを利用できるので、自動車だけでなく、小型の自律移動ロボットにも活用可能です。Autoware を活用している様々な自律移動ロボットを紹介します。

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〜

6/8 (水) 09:45～10:55メイン会場講師：牛久祥孝氏　　（オムロンサイニックエックス株式会社）概要： 2017年に機械翻訳を対象として提案されたTransformerは、従来の畳込みや再帰を排して自己注意機構を活用したニューラルネットワークである。2019年頃からコンピュータビジョン分野でも急速に応用が進んでおり、より柔軟かつ高精度なネットワーク構造としての地位を確立しつつある。本チュートリアルでは、Transformerおよびその周辺のネットワーク構造について、コンピュータビジョンへの応用を中心とした最前線を概説する。

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 6月10日 (金) 11:00 - 12:30 メイン会場登壇者：馬場雪乃氏（筑波大学）概要：人間の知識や判断を効果的に取り入れるため、機械学習の学習過程に人間を介在させるのが、Human-in-the-Loop 機械学習である。クラウドソーシングの登場により、不特定多数の人々、すなわち群衆の参加によるHuman-in-the-Loop 機械学習の実践が容易になった。本講演では、群衆から得られる誤りを含むラベルを統合して、質の高い訓練データを作成する手法や、そのようなラベルから機械学習モデルを直接学習する手法を解説する。さらに、機械学習の様々な場面における群衆の活用方法も紹介する。

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 [OS3-03] スケーラブルなロボット学習システムに向けて 6月10日 (金) 11:00 - 12:30 メイン会場登壇者：松嶋達也氏（東京大学）概要：DNNを用いたロボット学習アルゴリズムを用いて、動画のような高次元の入力からロボットの制御方策を学習することが可能になった。これらの手法はサービスロボット領域での応用が期待されているが、タスクや環境の多様性への対処が課題となっている。本講演では、強化学習のようなロボットの制御方策を直接学習する手法において、ロボットシステムから収集し蓄積した「オフライン」のデータを活用する方法について紹介するほか、実際に家庭内のサービスロボットシステム構築の事例紹介を通じて、実世界のロボットシステムの特徴やデータドリブンな手法を取り入れて汎化性・柔軟性を高めるための方法に関して解説する。

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 [OS3-02] Federated Learningの基礎と応用 6月10日 (金) 11:00 - 12:30 メイン会場登壇者：西尾理志氏（東京工業大学）概要：Federated Learning (FL)とは、分散して保持されたデータを収集・集約することなく機械学習モデルの訓練に用いる方法である。画像や音声、ヘルスケア情報など個人情報や機密情報の保護の観点から集約が難しいデータを機械学習へ活用できるという期待から、学術および産業の両面から注目を集めている。本講演では、FLの原理と応用例、FLの課題解決に向けた近年の取り組みについて解説する。

SSII2022 [OS3-02] Federated Learningの基礎と応用

SSII2022 [OS3-02] Federated Learningの基礎と応用

SSII2022 [OS3-02] Federated Learningの基礎と応用

SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用 6月10日 (金) 11:00 - 12:30 メイン会場オーガナイザー：米谷竜氏（オムロンサイニックエックス株式会社/慶應義塾大学）概要：SSII2020, SSII2021で高評価を得た『限られたデータからの深層学習』に続き、深層学習におけるデータの収集方法や学習時の工夫にフォーカスする。特に、分散環境のデータの活用が可能な連合学習や、オフライン強化学習と呼ばれるオフライン環境でのサンプル収集を想定した強化学習、クラウドソーシング等に基づくヒューマンコンピュテーションの最新研究事例を紹介する。

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 6月9日 (木) 11:00 - 12:30 メイン会場オーガナイザー：日浦慎作氏（兵庫県立大学）概要：深層学習技術の発展により、画像から多様な情報を取り出すことができるようになりましたが、もちろん画像に何の手がかりもなければ必要な情報を得ることはできません。つまり、end-to-end 学習の守備範囲の外側にこそ問題解決と飛躍の鍵があると言えます。このセッションでは画像情報の入口であるイメージング技術と、それが取り込むべき光を作り出す物理世界に焦点を合わせ、基礎研究から実応用までにわたる最先端の取り組みをご紹介いただきます。

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 6月8日 (水) 11:10 - 12:40 メイン会場オーガナイザー：小塚和紀氏（パナソニック株式会社）概要：最近のAI研究においては、チーム研究が効果を発揮するため、研究の内容のみならず、いかに体制を構築して人材を揃えるかというメタな視点が重要となる。本講演では、国内企業での研究機関立ち上げ事例、産官学の人材育成、アカデミアにおける大規模連携の事例を紹介することで、画像認識分野の技術者にAI分野におけるチームビルディングの最前線を紹介する。

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 6月10日 (木) 11:00 - 12:30 メイン会場（vimeo + sli.do）登壇者：松井孝太氏（名古屋大学）概要：転移学習とは、解きたいタスクに対して、それと異なるが似ている他のタスクからの知識（データ、特徴、モデルなど）を利用するための方法を与える機械学習のフレームワークです。深層モデルの学習方法として広く普及している事前学習モデルの利用は、この広義の転移学習の一つの実現形態とみなせます。本発表では、まず何をいつ転移するのか (what/when to transfer) といった転移学習の基本概念と定式化を説明し、具体的な転移学習の主要なアプローチとしてドメイン適応、メタ学習について解説します。

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 [SS2] Deepfake Generation and Detection – An Overview （ディープフェイクの生成と検出） 6/10 (木) 14:30～15:00 講師：Huy H. Nguyen 氏（総合研究大学院大学／国立情報学研究所）概要： Advances in machine learning and their interference with computer graphics allow us to easily generate high-quality images and videos. State-of-the-art manipulation methods enable the real-time manipulation of videos obtained from social networks. It is also possible to generate videos from a single portrait image. By combining these methods with speech synthesis, attackers can create a realistic video of some person saying something that they never said and distribute it on the internet. This results in loosing social trust, making confusion, and harming people’s reputation. Several countermeasures have been proposed to tackle this problem, from using hand-crafted features to using convolutional neural network. Some countermeasures use images as input and other leverage temporal information in videos. Their output could be binary (bona fide or fake) or muti-class (deepfake detection), or segmentation masks (manipulation localization). Since deepfake methods evolve rapidly, dealing with unseen ones is still a challenging problem. Some solutions have been proposed, however, this problem is not completely solved. In this talk, I will provide an overview on both deepfake generation and deepfake detection/localization. I will mainly focus on image and video domain and also introduce some audiovisual-based methods on both sides. Some open discussions and future directions are also included.

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 [SS1] Transformer x Computer Visionの実活用可能性と展望〜 TransformerのComputer Visionにおける躍進と肥大化する計算資源〜 6/10 (木) 14:00～14:30 講師：藤井亮宏氏（株式会社エクサウィザーズ）概要： Vision Transformer (ViT) が2020年末に発表され、ImageNetの認識精度においてConvolutional Neural Networks (CNN) ベースのモデルをTransformerのみを使ったモデルが凌駕した。それによってTransformerがAlexNet以降画像系タスクを支配していたCNNに取って換わる可能性が高くなったが、ViTでは大量のデータと大規模な計算資源を必要とすることが障壁となっている。本チュートリアル」では、Computer vision (CV) 系のタスクでTransformerの用途とその成果、実活用の視点からCNNとTransformerの比較、今後Transformer x CVの展望、を議論する。講師による公開場所： https://www.slideshare.net/exwzds/210610-ssiii2021-computer-vision-x-trasnformer

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...

SSII2021 [SS1] Transformer x Computer Visionの実活用可能性と展望〜 TransformerのCompute...

SSII2021 [TS3] 機械学習のアノテーションにおけるデータ収集〜精度向上のための仕組み・倫理や社会性バイアス〜 6/11 (金) 9:30～10:40 講師：藤本敬介氏（ABEJA）概要：Deep Learning（深層学習）では大量の良質なデータを学習することで、高い精度を発揮してきました。実問題にこれを適用させるためには、如何にして正しくデータを集めるかが重要な課題の一つとなっています。データを集める際に、質が悪いものや偏ったデータを集めてしまうと、適切にモデルを学習できません。本チュートリアルでは、大量の良質なデータを集めるための仕組みや手法、精度・速度面での改善方法、倫理や社会性バイアスに関して解説します。

SSII2021 [TS3] 機械学習のアノテーションにおけるデータ収集〜精度向上のための仕組み・倫理や社会性バイアス〜

SSII2021 [TS3] 機械学習のアノテーションにおけるデータ収集〜精度向上のための仕組み・倫理や社会性バイアス〜

SSII2021 [TS3] 機械学習のアノテーションにおけるデータ収集〜精度向上のための仕組み・倫理や社会性バイアス〜

SSII2021 [TS2] 深層強化学習〜強化学習の基礎から応用まで〜 6/10 (木) 9:30～10:40 講師：平川翼氏（中部大学）概要：深層強化学習はDeep Q-Network (DQN) の登場以降、様々なアプローチが提案されており、AlphaGoによる囲碁の攻略やロボットの自律制御などの様々な応用がなされています。本チュートリアルでは、従来の強化学習の基本的な考え方に触れ、深層学習を組み合わせた深層強化学習についての紹介を行います。また、時間の許す限り、最新の深層学習手法やAlphaGoの仕組み、深層強化学習の活用例を紹介します。

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～ 6/9 (水) 9:45～10:55 講師：内山英昭氏（奈良先端科学技術大学院大学）概要： Visual SLAMとは、カメラの周辺環境の3次元形状を認識しながら、カメラの動きを算出する技術である。Visual SLAMやIMUを併用したVisual-inertial SLAMの動作原理を理解するためには、カメラの位置姿勢推定や三角測量などのカメラ幾何の基礎や、特徴点マッチングや画像検索といった画像処理の知識が必要となる。本チュートリアルでは、動作原理を理解する上での基礎知識を概説するとともに、動的環境下における精度低下を低減する手法や、近年多くの取り組みがあるディープラーニングを用いた手法を紹介する。

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 [OS3-03] 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 6/11 (金) 11:00 - 12:30 登壇者：中村裕幸氏（株式会社woodinfo）概要：平成31年4月より森林経営管理制度が開始され、日本国土の約7割を占める森林に対し、第三者による伐採や保全等の施業代行が可能となった。施業地の適否、優先度、時期等を決定するため客観的な森林情報の生成が必要となった。ゾーニング及び施業管理のため、衛星やUAV、地上レーザによる空撮画像や点群を用い森林情報を生成し、森林経営管理制度の支援システムを構築し実施している。実施例と今後の課題を述べる。

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

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

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

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 6/11 (金) 11:00 - 12:30 登壇者：中川雅史氏（芝浦工業大学）概要：建設分野における点群と画像の利活用に関して、BIM/CIMにおける課題に触れていきます。今回は、「先端技術を安価に利用する」とはどういうことか？「i-Construction，IoT，AI」はなぜ必要か？「廉価な3D計測システム」の位置づけとは？これらを3軸にとり、UAV/ドローンを用いた点群取得やICT建機で取得した点群からの動体認識の紹介をとおして、i-ConstructionやBIM/CIMにおける点群と画像の利用に関する特徴や課題の理解を深めていきます。

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 6/11 (金) 11:00 - 12:30 登壇者：伊達宏昭氏（北海道大学）概要：レーザスキャナやSfM-MVSを用いた3次元計測・再構成技術が、人が活動する環境や大型設備の維持管理、各種シミュレーションに活用されてきています。本発表では、プラントや橋梁、屋内や市街地環境を対象とし、3次元計測・再構成技術のより確実かつ高度な活用を目指した、(1)高品質な計測点群を取得するための計測作業支援、(2)計測点群の迅速位置合わせ、ならびに(3)計測点群からの自動モデル化の、各技術開発の取り組みをご紹介します。

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） 6/11 (金) 11:00 - 12:30 オーガナイザー：増田宏氏（電気通信大学）概要：レーザスキャナを用いた３次元計測により、広域環境の３D情報を大規模な点群データとして取得できるようになりました。この技術は、人が活動する場、たとえば、生産現場、インフラ設備、交通網、都市、森林などの非常に広い分野において、現況把握、保全、進捗管理などの業務支援に活用できます。本セッションでは、この分野の第一人者を講師としてお招きし、広域環境の３D計測とモデル化について、技術と応用の両面から最新動向についてご講演いただきます。また、本分野の今後の展望についても議論したいと思います。

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）

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 [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 [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 [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 [OS3-03] 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 [OS3-02] Federated Learningの基礎と応用

SSII2022 [OS3-02] Federated Learningの基礎と応用

SSII2022 [OS3-02] Federated Learningの基礎と応用

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 [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 [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 [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...

SSII2021 [SS1] Transformer x Computer Visionの実活用可能性と展望〜 TransformerのCompute...

SSII2021 [TS3] 機械学習のアノテーションにおけるデータ収集〜精度向上のための仕組み・倫理や社会性バイアス〜

SSII2021 [TS3] 機械学習のアノテーションにおけるデータ収集〜精度向上のための仕組み・倫理や社会性バイアス〜

SSII2021 [TS3] 機械学習のアノテーションにおけるデータ収集〜精度向上のための仕組み・倫理や社会性バイアス〜

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 [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

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

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

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] 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）

Recently uploaded

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル

CRI Japan, Inc.

知識ゼロの営業マンでもできた！超速で初心者を脱する、悪魔的学習ステップ3選.pptx

知識ゼロの営業マンでもできた！超速で初心者を脱する、悪魔的学習ステップ3選.pptx

知識ゼロの営業マンでもできた！超速で初心者を脱する、悪魔的学習ステップ3選.pptx

論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...

論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...

論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...

論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games

論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games

論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games

Amazon SES を勉強してみるその３2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその３2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその３2024/04/26の勉強会で発表されたものです。

iPride Co., Ltd.

Amazon SES を勉強してみるその２2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその２2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその２2024/04/26の勉強会で発表されたものです。

iPride Co., Ltd.

Utilizing Ballerina for Cloud Native Integrations

Utilizing Ballerina for Cloud Native Integrations

Utilizing Ballerina for Cloud Native Integrations

LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス

LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス

LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス

CRI Japan, Inc.

論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding

論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding

論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding

新人研修　後半 2024/04/26の勉強会で発表されたものです。

新人研修　後半 2024/04/26の勉強会で発表されたものです。

新人研修　後半 2024/04/26の勉強会で発表されたものです。

iPride Co., Ltd.

Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）

Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）

Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）

Hiroshi Tomioka

Recently uploaded (11)

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル

知識ゼロの営業マンでもできた！超速で初心者を脱する、悪魔的学習ステップ3選.pptx

知識ゼロの営業マンでもできた！超速で初心者を脱する、悪魔的学習ステップ3選.pptx

知識ゼロの営業マンでもできた！超速で初心者を脱する、悪魔的学習ステップ3選.pptx

論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...

論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...

論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...

論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games

論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games

論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games

Amazon SES を勉強してみるその３2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその３2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその３2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその２2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその２2024/04/26の勉強会で発表されたものです。

Amazon SES を勉強してみるその２2024/04/26の勉強会で発表されたものです。

Utilizing Ballerina for Cloud Native Integrations

Utilizing Ballerina for Cloud Native Integrations

Utilizing Ballerina for Cloud Native Integrations

LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス

LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス

LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス

論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding

論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding

論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding

新人研修　後半 2024/04/26の勉強会で発表されたものです。

新人研修　後半 2024/04/26の勉強会で発表されたものです。

新人研修　後半 2024/04/26の勉強会で発表されたものです。

Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）

Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）

Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）