Soumettre la recherche
Mettre en ligne
Multi Scale Recognition with DAG-CNNs
•
Télécharger en tant que PPTX, PDF
•
3 j'aime
•
3,302 vues
Hiroki Yamamoto
Suivre
第32回 コンピュータビジョン勉強会@関東 ICCV2015論文読み回の発表資料です。 Multi Scale Recognition with DAG-CNNs
Lire moins
Lire la suite
Technologie
Signaler
Partager
Signaler
Partager
1 sur 35
Télécharger maintenant
Recommandé
Colorful image colorization
Colorful image colorization
Hiroki Yamamoto
ICSE2014参加報告 (SE勉強会 6/12)
ICSE2014参加報告 (SE勉強会 6/12)
Kazunori Sakamoto
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
Takuya Minagawa
「Python 機械学習プログラミング」の挫折しない読み方
「Python 機械学習プログラミング」の挫折しない読み方
Hiroki Yamamoto
【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015
cvpaper. challenge
高位合成ツールVivado hlsのopen cv対応
高位合成ツールVivado hlsのopen cv対応
marsee101
Pn learning takmin
Pn learning takmin
Takuya Minagawa
Chainerを使ったらカノジョができたお話
Chainerを使ったらカノジョができたお話
Hiroki Yamamoto
Recommandé
Colorful image colorization
Colorful image colorization
Hiroki Yamamoto
ICSE2014参加報告 (SE勉強会 6/12)
ICSE2014参加報告 (SE勉強会 6/12)
Kazunori Sakamoto
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
Takuya Minagawa
「Python 機械学習プログラミング」の挫折しない読み方
「Python 機械学習プログラミング」の挫折しない読み方
Hiroki Yamamoto
【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015
cvpaper. challenge
高位合成ツールVivado hlsのopen cv対応
高位合成ツールVivado hlsのopen cv対応
marsee101
Pn learning takmin
Pn learning takmin
Takuya Minagawa
Chainerを使ったらカノジョができたお話
Chainerを使ったらカノジョができたお話
Hiroki Yamamoto
Spark streamingを使用したtwitter解析によるレコメンドサービス例
Spark streamingを使用したtwitter解析によるレコメンドサービス例
Junichi Noda
[DL輪読会]Training RNNs as Fast as CNNs
[DL輪読会]Training RNNs as Fast as CNNs
Deep Learning JP
Apache Sparkを利用した「つぶやきビッグデータ」クローンとリコメンドシステムの構築
Apache Sparkを利用した「つぶやきビッグデータ」クローンとリコメンドシステムの構築
Junichi Noda
Apache Spark + Arrow
Apache Spark + Arrow
Takeshi Yamamuro
2015 10 24_spark_osc15tk
2015 10 24_spark_osc15tk
Junichi Noda
経済学のための実践的データ分析 5.特許データの分析
経済学のための実践的データ分析 5.特許データの分析
Yasushi Hara
Spark Streamingで作る、つぶやきビッグデータのクローン (2015-11.10版)
Spark Streamingで作る、つぶやきビッグデータのクローン (2015-11.10版)
Junichi Noda
Chainer Contribution Guide
Chainer Contribution Guide
Kenta Oono
OPNFVのコンポーネントと調べ方
OPNFVのコンポーネントと調べ方
Mibu Ryota
JTF2014:OpenStackの概要と最新技術動向
JTF2014:OpenStackの概要と最新技術動向
irix_jp
SpinnakerとKayentaで 高速・安全なデプロイ!
SpinnakerとKayentaで 高速・安全なデプロイ!
NTT Communications Technology Development
進化するChainer
進化するChainer
Yuya Unno
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
Kenta Oono
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
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
"OPEN NETWORKING" に向けた Management / Data Plane の動向
"OPEN NETWORKING" に向けた Management / Data Plane の動向
Kentaro Ebisawa
Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
Junichi Noda
Seurity Camp Award 2016
Seurity Camp Award 2016
slankdev
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Eric Sartre
OpenStack APAC Report
OpenStack APAC Report
Satoshi Konno
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
sn679259
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...
Toru Tamaki
Contenu connexe
Similaire à Multi Scale Recognition with DAG-CNNs
Spark streamingを使用したtwitter解析によるレコメンドサービス例
Spark streamingを使用したtwitter解析によるレコメンドサービス例
Junichi Noda
[DL輪読会]Training RNNs as Fast as CNNs
[DL輪読会]Training RNNs as Fast as CNNs
Deep Learning JP
Apache Sparkを利用した「つぶやきビッグデータ」クローンとリコメンドシステムの構築
Apache Sparkを利用した「つぶやきビッグデータ」クローンとリコメンドシステムの構築
Junichi Noda
Apache Spark + Arrow
Apache Spark + Arrow
Takeshi Yamamuro
2015 10 24_spark_osc15tk
2015 10 24_spark_osc15tk
Junichi Noda
経済学のための実践的データ分析 5.特許データの分析
経済学のための実践的データ分析 5.特許データの分析
Yasushi Hara
Spark Streamingで作る、つぶやきビッグデータのクローン (2015-11.10版)
Spark Streamingで作る、つぶやきビッグデータのクローン (2015-11.10版)
Junichi Noda
Chainer Contribution Guide
Chainer Contribution Guide
Kenta Oono
OPNFVのコンポーネントと調べ方
OPNFVのコンポーネントと調べ方
Mibu Ryota
JTF2014:OpenStackの概要と最新技術動向
JTF2014:OpenStackの概要と最新技術動向
irix_jp
SpinnakerとKayentaで 高速・安全なデプロイ!
SpinnakerとKayentaで 高速・安全なデプロイ!
NTT Communications Technology Development
進化するChainer
進化するChainer
Yuya Unno
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
Kenta Oono
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
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
NTT DATA Technology & Innovation
"OPEN NETWORKING" に向けた Management / Data Plane の動向
"OPEN NETWORKING" に向けた Management / Data Plane の動向
Kentaro Ebisawa
Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
Junichi Noda
Seurity Camp Award 2016
Seurity Camp Award 2016
slankdev
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Eric Sartre
OpenStack APAC Report
OpenStack APAC Report
Satoshi Konno
Similaire à Multi Scale Recognition with DAG-CNNs
(20)
Spark streamingを使用したtwitter解析によるレコメンドサービス例
Spark streamingを使用したtwitter解析によるレコメンドサービス例
[DL輪読会]Training RNNs as Fast as CNNs
[DL輪読会]Training RNNs as Fast as CNNs
Apache Sparkを利用した「つぶやきビッグデータ」クローンとリコメンドシステムの構築
Apache Sparkを利用した「つぶやきビッグデータ」クローンとリコメンドシステムの構築
Apache Spark + Arrow
Apache Spark + Arrow
2015 10 24_spark_osc15tk
2015 10 24_spark_osc15tk
経済学のための実践的データ分析 5.特許データの分析
経済学のための実践的データ分析 5.特許データの分析
Spark Streamingで作る、つぶやきビッグデータのクローン (2015-11.10版)
Spark Streamingで作る、つぶやきビッグデータのクローン (2015-11.10版)
Chainer Contribution Guide
Chainer Contribution Guide
OPNFVのコンポーネントと調べ方
OPNFVのコンポーネントと調べ方
JTF2014:OpenStackの概要と最新技術動向
JTF2014:OpenStackの概要と最新技術動向
SpinnakerとKayentaで 高速・安全なデプロイ!
SpinnakerとKayentaで 高速・安全なデプロイ!
進化するChainer
進化するChainer
Development and Experiment of Deep Learning with Caffe and maf
Development and Experiment of Deep Learning with Caffe and maf
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
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
入門 Kubeflow ~Kubernetesで機械学習をはじめるために~ (NTT Tech Conference #4 講演資料)
"OPEN NETWORKING" に向けた Management / Data Plane の動向
"OPEN NETWORKING" に向けた Management / Data Plane の動向
Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
Spark Streaming と Spark GraphX を使用したTwitter解析による レコメンドサービス例
Seurity Camp Award 2016
Seurity Camp Award 2016
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
Twitterにおける即時話題推定技術「どたばたかいぎ」の開発
OpenStack APAC Report
OpenStack APAC Report
Dernier
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
sn679259
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...
Toru Tamaki
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.
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。
iPride Co., Ltd.
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
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
Toru Tamaki
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
atsushi061452
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.
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.
Dernier
(10)
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...
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
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。
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
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: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
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
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。
Multi Scale Recognition with DAG-CNNs
1.
Multi Scale Recognition with
DAG-CNNs 2016年2月6日 山本 大輝(@tereka114)
2.
Self Introduction 1. 山本
大輝 2. Acroquest Technology株式会社(2015.4.1〜) 3. システム系のエンジニア 4. Twitter(@tereka114) 5. CV勉強会 参加2回目です。(発表1回目) 6. Blog:「のんびりしているエンジニアの日記」 1. http://nonbiri-tereka.hatenablog.com/
3.
Outline 1. 論文の概要 2. Convolutional
Neural Networkとその後の比較 3. 特徴マップのScaleの比較 4. DAG-CNNs 5. Experiments 6. Conclusion
4.
Outline 1. 論文の概要 2. Convolutional
Neural Networkとその後の比較 3. 特徴マップのScaleの比較 4. DAG-CNNs 5. Experiments 6. Conclusion
5.
なんでこの論文? 1. CNNって特徴量抽出しているって言われているが、それを 検証していたのが興味深い。 2. DAGはDirected
acyclic graph(有向非循環グラフ)です。 1. 最近、複雑な構造なネットワークが多い 2. レイヤーを統合していく考え方が増えてきている。
6.
論文の概要 1. 複数のレイヤーの結果を使うDAG-CNNsを実装、実験した。 2. 複数のレイヤーの結果を使うことにより、high,middle,low- levelな特徴量を活用した。 3.
DAG-CNNsにより、MIT67,Scene15,SUN397のエラー率を下 げた。
7.
Outline 1. 論文の概要 2. Convolutional
Neural Networkとその後の比較 3. 特徴マップのScaleの比較 4. DAG-CNNs 5. Experiments 6. Conclusion
8.
Convolutional Neural Networkの比較
9.
Convolutional Neural Networkの比較
10.
1PでわかるCNN LeCun, Y., Bottou,
L., Bengio, Y., and Haffner, P. (1998d). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324
11.
従来までの Convolutional Neural Network 1.
Single Output CNN 1. 最後のレイヤーのみの情報を使う。 2. 非常にシンプルな構造である。 2. Multi Scale CNN 1. 結合しているのみなので、非常に高次元のデータを生成する。 2. 学習が難しく、過学習が生じやすい。
12.
Outline 1. 論文の概要 2. Convolutional
Neural Networkとその後の比較 3. 特徴マップのScaleの比較 4. DAG-CNNsの解説 5. Experiments 6. Conclusion
13.
レイヤーにおける特徴差分の検証 1. 情報検索を用いた手法で検証し、query画像からの距離 を計算し近い7画像を出力する。 2. 得たレイヤーの出力をSupport
Vector Machine(SVM, One-VS-All)で分類した。 3. 各レイヤーの出力で分類を実施し、その際の結果をK x N で可視化し、ソートを実施した。
14.
情報検索を用いた手法 1. 情報検索を実施し、各レイヤーで取得できる出力を元に 検索した。 2. 手順は以下の通り 1.
学習して、出力した各層の出力のL2距離を求めた。 2. 距離の近い上位K(=7)件を抽出する。
15.
情報検索を用いた手法
16.
特徴量のレベルによる差分 クエリ
17.
複数のレイヤーの結果から予測 1. 複数のレイヤーの結果に対して予測し、グラフ化した。 2. 各レイヤーの出力に対してSVMでOne
vs Allの手法により、 Kクラスに分類するタスクを実施した。 3. High Lavelな特徴ほど、良い結果を示している。
18.
各レイヤーの情報を用いた分類結果
19.
複数のレイヤーの結果から予測 1. 各クラスについて、分類を実施した。 2. 分類結果について、可視化を実施し、ヒートマップとした。 その上で各層ごとに最も高い正答率にてソートした。
20.
各層とクラスの正解率のマップ 最も多いクラス
21.
Outline 1. 論文の概要 2. Convolutional
Neural Networkとその後の比較 3. 特徴マップのScaleの比較 4. DAG-CNNs 5. Experiments 6. Conclusion
22.
DAG-CNNs
23.
DAG-CNNsの学習 • 今回は以下の式を最適化する。 入力 教師 誤差関数 Convolutionの重み K=Layer数、x
= 学習データ y = 学習ラベル
24.
DAG-CNNsの学習 • 今回は以下の式を最適化する。 入力 教師 誤差関数 Convolutionの重み K=Layer数、x
= 学習データ y = 学習ラベル BPで解く
25.
DAG-CNNs
26.
DAG-CNNsの学習 Convolution Layerの入力 出力
27.
DAG-CNNsの勾配の計算方法 Chain Rule
28.
Vanishing Gradient Problem 1.
低層レイヤーまでに勾配情報が消えている問題のこと。 2. 通常、深くなっていくと勾配情報が消えていくとされている。 1. 直接つないでいるので低層も問題なく学習できる。
29.
Gradient based learning
30.
Outline 1. 論文の概要 2. Convolutional
Neural Networkとその後の比較 3. 特徴マップのScaleの比較 4. DAG-CNNs 5. Experiments 6. Conclusion
31.
Experiments 1. 分類データセットのAccuracyによる評価を実施した。 1. SUN397 1.
100Kの画像と397カテゴリー、景観画像の分類 2. MIT67 1. 15Kの画像と67カテゴリー、室内画像の分類 3. Scene15 1. 外と中の景観画像
32.
Evaluation
33.
MIT67のClassification Result
34.
Outline 1. 論文の概要 2. Convolutional
Neural Networkとその後の比較 3. 特徴マップのScaleの比較 4. DAG-CNNs 5. Experiments 6. Conclusion
35.
Conclusion 1. Low LevelからHigh
Levelまでの特徴について、様々な実 験を用い、検証した。 2. 上記から、ネットワークDAG-CNNsを提唱した。 1. 各層の活性化関数の出力を合計する。 3. 実験より、特にMIT67によるデータ・セットに対し、成果を あげることができた。
Télécharger maintenant