SlideShare a Scribd company logo

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 〜​

SSII
SSII

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。

1 of 125
SSII2022 コンテンツ制作を支援する 機械学習技術 2022.6.10 シモセラ エドガー（早稲田大学）
自己紹介 https://esslab.jp • 2015 年 7 月に BarcelonaTech で博士号を 取得 • 2015 年 8 月から 早稲田大学 研究院助教 • 2017 年 4 月から 同大学 研究院講師 • 2018 年 4 月から 科学技術振興機構 さ き がけ専任研究者 • 2018 年 9 月から 早稲田大学 情報理工学科 2
自己紹介 https://esslab.jp • 2015 年 7 月に BarcelonaTech で博士号を 取得 • 2015 年 8 月から 早稲田大学 研究院助教 • 2017 年 4 月から 同大学 研究院講師 • 2018 年 4 月から 科学技術振興機構 さ き がけ専任研究者 • 2018 年 9 月から 早稲田大学 情報理工学科 2
目次 • イ ラ スト レ ーショ ンの課題 • ペン入れ • データ セッ ト の作成方法 • 敵対的拡張 • 対話的ニュ ーラ ルネッ ト ワ ーク • 可変出力 （ベク タ ー画像） • 彩色等 • 最適化 • デジタ ルパレ ッ ト • 陰影の近似 • 重要な技術 3
イ ラスト レ ーショ ンの課題
AI で生成さ れたアート • Computers Do Not Make Art [Hertzmann 2020] • アート はソ ーシャ ルアク ティ ビティ • コ ード やデータ は人間が集める • AI はアート を 作れずにただのツ ール • Christie で$432,500 の GAN を 売買 4
なぜ ・ どう やっ て人が描く ？ • ソ ーシャ ルアク ティ ビティ • 具体的なコ ンセプト を 伝える • 趣味や暇つぶし • セラ ピー • 仕事 • … 5
GAN の生成 • 制御し づら く て、 思い通り に作れない • イ ラ スト が難し く て汎化性能がない 6
イ ラスト の作成 7
イ ラスト の作成 7
イ ラスト の作成 7
イ ラスト の作成 7
問題と 課題 • 評価方法 （MSE 等が当てになら ない） • ユーザーの制御 • 高解像度 • 再現性 ・ 解釈性 • 高性能 （ユーザーの希望に応える ） • リ アルタ イ ム （理想） • 完成度 8
関連する 技術 • 今日のチュ ート リ アル • 画像変換技術 • 微分可能レ ンダリ ング • ヒ ュ ーマンコ ンピュ ータ イ ンタ ラ ク ショ ン （HCI) • 最適化 • 画像処理 9
ペン入れ
イ ラスト の作成 10
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 〜​
線画化 ラ フ スケッ チ 目標線画 ラ フ スケッ チ 目標線画 12
線画化の課題 • 課題 • 入力 ： ラ フ スケッ チ、 陰影、 ベク タ ー… • 出力 ： ラ スタ ー画像出力と ベク タ ー画像出力、 解像度… • 手法 ： ニュ ーラ ルネッ ト ワ ーク 、 グラ フ … • 評価方法 ： MSE、 SSIM、 ユーザーテスト … • 紹介する 技術 • データ セッ ト の作成方法 • 敵対的拡張 • 対話的ニュ ーラ ルネッ ト ワ ーク • 可変出力 （ベク タ ー画像） 13
ペン入れ ・ データ セッ ト の作成方法
CNN で処理 • 23 層の全層畳み込みニュ ーラ ルネッ ト ワ ーク • エンコ ーダ ・ デコ ーダ型 Flat-convolution Up-convolution 2 × 2 4 × 4 8 × 8 4 × 4 2 × 2 × × Down-convolution 14
通常のデータ セッ ト のの結果 • 簡単なモデルを 定義 • データ を ち ょ っ と 揃えて学習さ せてみる と 15
通常のデータ セッ ト のの結果 • 簡単なモデルを 定義 • データ を ち ょ っ と 揃えて学習さ せてみる と ぼやける • ラ フ スケッ チと 正解データ を 合わせてみる と 15
逆方向データ 制作 • データ の品質が重要 • ラ フ を 線画化する と 合わない （通常のデータ 作成） • 線画を ラ フ 化する と ぴっ たり （逆方向データ 作成） 通常のデータ 作成 逆方向データ 作成 16
データ 拡大 • データ セッ ト は足り ない • 訓練データ の画像を スケーリ ング • 学習する 間にラ ンダムに回転と 反転 • 入力画像を さ ら に加工 ： ト ーン調整、 ぶれ、 ノ イ ズ 入力 ト ーン調整 ぶれ ノ イ ズ 17
後処理のベク タ ー化 • potrace でベク タ ー化 • オープンソ ースのソ フ ト ウ ェア • ハイ パスフ ィ ルタ と ２ 値化 • 間違いを 拡大する 影響 入力 出力 ベク タ ー 18
入力解像度の影響 19
ペン入れ ・ 敵対的拡張
データ セッ ト のビアス 学習データ のペア 一般のラ フ スケッ チ 20
データ セッ ト のビアス 学習データ のペア 一般のラ フ スケッ チ • 教師あり データ （線画と ラ フ スケッ チのペア） ： ρx,y • ラ フ スケッ チデータ ： ρx • 線画データ ： ρy 20
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) 21
Generative Adversarial Network (GAN) • D(·) は識別でき る よ う に最大化 max D Ey∗∼ρy | {z } 本物データ log D(y∗ ) + Ez∼N(0,1) | {z } 乱数 log(1 − D(G(z))) 21
Generative Adversarial Network (GAN) • D(·) は識別でき る よ う に最大化 • G(·) は D(·) を 騙すよ う に最小化 min G Ez∼N(0,1) | {z } 乱数 log(1 − D(G(z))) 21
Generative Adversarial Network (GAN) • D(·) は識別でき る よ う に最大化 • G(·) は D(·) を 騙すよ う に最小化 • 順番で同時に学習 min G max D Ey∗∼ρy | {z } 本物データ log D(y∗ ) + Ez∼N(0,1) | {z } 乱数 log(1 − D(G(z))) 21
敵対的学習 min S 教師あり z }| { E(x,y∗)∼ρx,y 通常教師あり ロ ス z }| { kS(x) − y∗ k2 入力 通常ロ ス 22
敵対的学習 min S max D 教師あり z }| { E(x,y∗)∼ρx,y    通常教師あり ロ ス z }| { kS(x) − y∗ k2 + 教師あり 敵対的ロ ス z }| { α log D(y∗ ) + α log(1 − D(S(x)))    入力 通常ロ ス + 敵対的ロ ス 22
敵対的学習 min S max D 教師あり z }| { E(x,y∗)∼ρx,y    通常教師あり ロ ス z }| { kS(x) − y∗ k2 + 教師あり 敵対的ロ ス z }| { α log D(y∗ ) + α log(1 − D(S(x)))    + β 線画 z }| { Ey∼ρy [ log D(y) ] + β ラ フ スケッ チ z }| { Ex∼ρx [ log(1 − D(S(x))) ] | {z } 教師なし 敵対的ロ ス 入力 通常ロ ス + 敵対的ロ ス + 教師なし ロ ス 22
敵対的拡張 • 教師なし データ も 使用可 • ハイ パーパラ メ ータ 調整が困難 • Yan et al. 2020 のラ フ スケッ チベンチマーク で一位 0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 DelaunayTriangulation FidelitySimplicity MasteringSketching PolyVector PolyVector →StrokeAggregator RealTimeInking StrokeAggregator TopologyDriven TopologyDriven →StrokeAggregator Ours 23
ペン入れ ・ 対話的ニュ ーラルネッ ト ワ ーク
全自動の限界 入力 従来手法 24
全自動の限界 入力 従来手法 ユーザー編集 通常消し ゴム 24
全自動の限界 入力 従来手法 ユーザー編集 通常消し ゴム 提案手法 24
全自動の限界 “1. The inker’s main purpose is to translate the penciller’s graphite pencil lines into reproducible, black, ink lines. 2. The inker must honor the penciller’s original intent while adjusting any obvious mistakes. 3. The inker determines the look of the finished art.” — Gary Martin, The Art of Comic Book Inking [1997] 24
対話的なニュ ーラルネッ ト ワ ーク Input Output Model 25
対話的なニュ ーラルネッ ト ワ ーク Input Output Model User Edit User + 25
学習フ レ ームワ ーク 1. 線画標準化 2. ユーザー編集のシミ ュ ーレ ーショ ン Train User Edit Simulation Smart Inker Training Data Line Normalization 0 0 Dataset 26
学習フ レ ームワ ーク ・ 線画標準化 1. 線画標準化 2. ユーザー編集のシミ ュ ーレ ーショ ン Train User Edit Simulation Smart Inker Training Data Line Normalization 0 0 Dataset 27
学習フ レ ームワ ーク ・ 線画標準化 ベクターデータから生成 学習 27
学習フ レ ームワ ーク ・ 線画標準化 Input [Zhang and Suen 1984] Ours 27
学習フ レ ームワ ーク ・ 線画標準化 • 敵対的学習を 使わずにき れいな出力へ Input No normalization Normalization 27
学習フ レ ームワ ーク ・ ユーザー編集のシミ ュ ーレ ーショ ン 1. 線画標準化 2. ユーザー編集のシミ ュ ーレ ーショ ン Train User Edit Simulation Smart Inker Training Data Line Normalization 0 0 Dataset 28
学習フ レ ームワ ーク ・ ユーザー編集のシミ ュ ーレ ーショ ン Input Data Pair Line Drawing Rough Sketch 28
学習フ レ ームワ ーク ・ ユーザー編集のシミ ュ ーレ ーショ ン Input Data Pair Line Drawing Rough Sketch Sampled Regions 28
学習フ レ ームワ ーク ・ ユーザー編集のシミ ュ ーレ ーショ ン Input Data Pair Line Drawing Rough Sketch Sampled Regions Add Edits and Noise 28
学習フ レ ームワ ーク ・ ユーザー編集のシミ ュ ーレ ーショ ン Input Data Pair Line Drawing Rough Sketch Sampled Regions Add Edits and Noise 28
学習フ レ ームワ ーク ・ ユーザー編集のシミ ュ ーレ ーショ ン Input Data Pair Line Drawing Rough Sketch Sampled Regions Add Edits and Noise 28
学習 L(y, y∗ ) = |(y − y∗ ) | {z } L1 loss
(1 + γ (1 − y∗ )) | {z } Weight lines with γ | • L1 ロ スを 使用 • γ の重みで線に重視 103 104 105 103 104 105 103 104 105 103 104 105 Input [Simo-Serra+ 2016] Baseline Ours ©David Revoy www.davidrevoy.com 29
PCA でモデルの最適化 • PCA でそれぞれの層の出力を 表示 • PCA の必要な次元数で層の必要なフ ィ ルタ ー数を 設定 • 最後の層よ り 最初の層のほう が重要 1 2 3 64 96 128 1 2 3 128 256 512 1 2 3 64 96 128 layer3 layer7 layer11 1 2 3 1 2 3 1 2 3 Input Output 30
モデル • エンコ ーダー ・ ディ コ ーダー型 [Simo-Serra+ 2016] • 24 レ イ ヤーの全層畳み込みニュ ーラ ルネッ ト ワ ーク • フ ィ ルタ ーの数を 減少 • 約三倍の加速 Approach Parameters 10242 px 15122 px 20482 px 25602 px Baseline 44,551,425 238.8ms 562.4ms 984.7ms 1.59s Ours 12,795,169 89.9ms 225.5ms 382.7ms 592.9ms 31
データ セッ ト • 288 枚のラ フ スケッ チの線画のペアー • 前の研究よ り 難し いラ フ スケッ チ 32
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 〜​
ユーザーテスト • CLIP STUDIO PAINT EX と の比較 （作業時間） • 10 人のユーザーに１ ０ 枚のラ フ スケッ チずつ • ぞれぞれのツ ール （CS、 提案手法） で五枚処理 • 一人に付き 2.8 時間 • 提案手法が 1.8× 加速 ユーザーテスト で使っ たラ フ スケッ チ 34
ユーザーテスト PT Ours 0 1000 2000 3000 Time (s) PT Ours 0 200 400 600 800 1000 Time (s) Time Input Amateur Experienced Edit Ours ©David Revoy www.davidrevoy.com 34
ユーザーテスト ©David Revoy www.davidrevoy.com PT Ours 0 200 400 600 800 1000 Time (s) PT Ours 0 200 400 600 800 1000 Time (s) Time Input Amateur Experienced Edit Ours ©Krenz Cushart 34
対話的ニュ ーラルネッ ト ワ ーク のリ ミ テーショ ン Input Automatic Edit Ours 35
ペン入れ ・ 可変出力 （ベク タ ー画像）
ベク タ ー画像 • 形を 数学で定義 • 解像度を 上げても ぼやけない • 形を 直接変更する こ と が可能 • 問題点 ： 作成が困難 36
ベク タ ー画像 • 形を 数学で定義 • 解像度を 上げても ぼやけない • 形を 直接変更する こ と が可能 • 問題点 ： 作成が困難 36
提案手法 • 様々 な画像に対応でき る ベク タ ー線画化のフ レ ームワ ーク 37
主なコント リ ビュ ーショ ン • ラ スタ ー画像でのみ学習でき る ベク タ ー線画家のフ レ ームワ ーク • どの解像度にも 対応でき る バーチャ ルペン • スト ロ ーク 正則化でベク タ ー表現の単純化 38
主なコント リ ビュ ーショ ン • ラ スタ ー画像でのみ学習でき る ベク タ ー線画家のフ レ ームワ ーク • どの解像度にも 対応でき る バーチャ ルペン • スト ロ ーク 正則化でベク タ ー表現の単純化 38
フ レ ームワ ーク • 入力 ： ラ スタ ー画像 • 出力 ： ベク タ ー画像 （曲線のパラ メ ータ の集合） • 問題 ： 通常の CNN だと 入力解像度が固定さ れる Neural Network Raster image Vector stroke parameters 39
スト ローク と は • 二次ベジェ曲線 B(τ) = (1 − τ)2 P0 + 2(1 − τ)τP1 + τ2 P2, τ ∈ [0, 1] (1) • (0, 0) から 描く ので、 P0 = 0 • モデルの出力 at = xc, yc, ∆x, ∆y, w | {z } 曲線のパラ メ ータ と 幅 w , ∆s, p t , t = 1, 2, ..., T (2) • [−1, +1] の座標系 • ∆s は Canvas のスケール変更 • p ∈ [0, 1] は線を 描く か移動だけする か決める 変数 40
詳細 Stroke Generation Render Input image Canvas Stroke parameters Crop Paste 41
詳細 Stroke Generation Render Input image Canvas Stroke parameters Crop Paste 41
バーチャ ルペン Input image Canvas 42
バーチャ ルペン Input image Canvas No undrawn pixels inside 42
バーチャ ルペン Input image Canvas 42
バーチャ ルペン 42
微分可能コピーペースト と ク ロッ プ • 座標は連続値なのに、 画素は離散値 • 座標変更の後に RoIAlign [He et al. 2017] で解決 0 1 2 3 4 5 1 2 3 4 5 0 1 2 1 2 (a) Misaligned Cropping (c) Differentiable Pasting (b) Aligned Cropping 0 1 2 3 4 5 1 2 3 4 5 43
微分化レ ンダーリ ング • ベク タ ースト ロ ーク から ラ スタ ー画像を 生成 • VGG16 を 使用 [Simonyan and Zisserman 2015] Neural Network Neural Renderer Raster Loss Input image Stroke parameters Rendered image 44
ラスタ ーの損失関数 • VGG16 を 使用 [Simonyan and Zisserman 2015] Loss Network (VGG-16) Rendered image Target image 45
スト ローク 正則化 • スト ロ ーク を 描く と pt = 1、 ペンを 動く だけだと pt = 0 • スト ロ ーク 正則化 ： Lref = 1 T PT t=1 pt • 損失関数に重みつけて足す ： Ltotal = Lras + λregL Target (a long line) Output-1: short segments Output-2: overlapped strokes 1 1 1 1 1 1 1 1 0 0 1 1 1 1 46
ベク タ ー化 47
ベク タ ー化 47
ベク タ ー化 47
ベク タ ー化の結果 75s 69s 29s (GPU) Fidelity-vs-Simplicity [Favreau et al. 2016] PolyVectorization [Bessmeltsev et al. 2019] Our results (vector) Dracolion (1024px) 48
ベク タ ー化の結果 Fidelity-vs-Simplicity [Favreau et al. 2016] PolyVectorization [Bessmeltsev et al. 2019] Our results (vector) Mouse (1024px) 89s 61s 23s (GPU) 48
ペン入れ 49
ペン入れ 49
ペン入れの結果 PolyVectorization [Bessmeltsev et al. 2019] Sketch Simplification (pixel) [Simo-Serra et al. 2018] + PolyVectorization Our results (vector) Bird (384px) 50
ペン入れの結果 PolyVectorization [Bessmeltsev et al. 2019] Sketch Simplification (pixel) [Simo-Serra et al. 2018] + PolyVectorization Our results (vector) Hand (433px) 50
顔写真の線画化 51
顔写真の結果 Our results (vector) Input Learning-To- Paint [Huang et al. 2019] Photo-Sketching (pixel) + PolyVectorization Our results (vector) Input Learning-To- Paint [Huang et al. 2019] Photo-Sketching (pixel) + PolyVectorization 52
スト ローク 正則化 • かぶっ ている スト ロ ーク の減少 Input image 53
スト ローク 正則化 • スト ロ ーク の単純化 Input image 54
彩色
彩色の基礎 六色のパレ ッ ト 線画 彩色 陰影 ©David Revoy www.davidrevoy.com 55
彩色 ・ 最適化
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 〜​
Lazy Brush • 最適化問題と し て定義 E(c) = X {p,q}∈N Vp,q(cp, cq) | {z } 隣同士の画素の連続性 + X p∈P Dp(cp) | {z } ユーザーヒ ント • Multiway-cut で最適化 • ユーザー入力が正し いと し ない前提 57
彩色 ・ デジタ ルパレ ッ ト
アーティ スト のパレ ッ ト • 最初に使用する 色の選択 • 色を 混ぜる と 新し い色を 作れる • 混ぜないと 別々 に保つ 58
オーバービュ ー 1. ユーザーの入力を ク ラ スタ リ ングで分ける （パレ ッ ト 作る ） 2. 別々 の色で自動彩色 3. 彩色の結果を ま と めて統合する 59
モデル 32 64 128 256 512 1024 512 256 128 64 32 512 256 128 64 32 512 256 128 64 32 Line drawing X ( w ×h ) Split user scribble Ui ( w ×h ×4 ) Split user scribble mask Mi ( w ×h ) Flat colour map Y ( w ×h ×3 ) Flat merging weight Wi * ( w ×h ) Region skeleton map S ( w ×h ) Convolution layer ReLU Average pooling layer Up-sampling layer line drawing X split scribble Ui scribble mask Mi Y Ci Wi * Wi S Si MSE MSE MSE Weight decoder Region decoder Layer decoder Colourlayer Mergingweight Regionskeleton 60
実際の例① (a) Input (b) Output (c) Scribble (d) (e) (f) 61
実際の例② (e) Input (f) Output (a) Scribble (b) (c) (d) 62
彩色 ・ 陰影の近似
モチベーショ ン Stroke Density Lighting Effects 35:24 200:01 Measured Estimated Ours Artist (Conditioned) Original Image Stroke History 44:13 241:37 Artist (Unconditioned) 29:11 187:54 63
概要 Artists’ workflow (b) Measured stroke density (c) Artist’s coarse effect layer (g) Effect created with another style (d) Artist’s refined effect layer (e) Visualization of painted patches (f) Artist’s final lighting effect Low Density Patches High Density Patches 33:24 241:59 (a) Artist’s real stroke history (h) Original image (R) (i) Extracted palette (M) (j) Estimated stroke density (K) (k) Normalized channel intensity (N) (l) coarse lighting effect (E) (m) Refined lighting effect (S) (n) Output (I) Proposed algorithm 64
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 〜​
汎化性能 66
リ ミ テーショ ン Lighting effects Ours Original image 67
ま と めに
ま と めに • イ ラ スト レ ーショ ンの支援が中々 難し い • ユーザーの制御 • 高解像度 • 再現性 ・ 解釈性 • 高性能 （ユーザーの希望に応える ） • リ アルタ イ ム （理想） • 完成度 • アプリ ケーショ ンによ る 開発が必要 • CV や ML の技術の導入可 • 紹介し たテーマ • ペン入れ • 彩色 68
ま と めに ご清聴あり がと う ございま し た！ © シモセラ エド ガー 69
Ad

Recommended

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 [OS3-04] Human-in-the-Loop 機械学習
SSII
 
[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...
[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...
[DL輪読会]data2vec: A General Framework for Self-supervised Learning in Speech,...
Deep Learning JP
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
 
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
 
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 [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？？ 〜​
SSII
 
【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ【DL輪読会】ViT + Self Supervised Learningまとめ
【DL輪読会】ViT + Self Supervised Learningまとめ
Deep Learning JP
 
【DL輪読会】論文解説：Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説：Offline Reinforcement Learning as One Big Sequence Modeling Problem【DL輪読会】論文解説：Offline Reinforcement Learning as One Big Sequence Modeling Problem
【DL輪読会】論文解説：Offline Reinforcement Learning as One Big Sequence Modeling Problem
Deep Learning JP
 
動作認識の最前線：手法，タスク，データセット
動作認識の最前線：手法，タスク，データセット動作認識の最前線：手法，タスク，データセット
動作認識の最前線：手法，タスク，データセット
Toru Tamaki
 
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？〜
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？〜
SSII
 
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
Deep Learning JP
 
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 [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
SSII
 
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 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
Deep Learning JP
 
全力解説！Transformer
全力解説！Transformer全力解説！Transformer
全力解説！Transformer
Arithmer Inc.
 
自己教師学習（Self-Supervised Learning）
自己教師学習（Self-Supervised Learning）自己教師学習（Self-Supervised Learning）
自己教師学習（Self-Supervised Learning）
cvpaper. challenge
 
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
Deep Learning JP
 
Transformer メタサーベイ
Transformer メタサーベイTransformer メタサーベイ
Transformer メタサーベイ
cvpaper. challenge
 
モデル高速化百選
モデル高速化百選モデル高速化百選
モデル高速化百選
Yusuke Uchida
 
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent [DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
Deep Learning JP
 
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
 
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs 【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
Deep Learning JP
 
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法についてTransformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
 
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
 
三次元表現まとめ（深層学習を中心に）
三次元表現まとめ（深層学習を中心に）三次元表現まとめ（深層学習を中心に）
三次元表現まとめ（深層学習を中心に）
Tomohiro Motoda
 
[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
Deep Learning JP
 
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
Deep Learning JP
 
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
 
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
Ogushi Masaya
 
[DL輪読会]GQNと関連研究，世界モデルとの関係について
[DL輪読会]GQNと関連研究，世界モデルとの関係について[DL輪読会]GQNと関連研究，世界モデルとの関係について
[DL輪読会]GQNと関連研究，世界モデルとの関係について
Deep Learning JP
 
Ad

More Related Content

What's hot (20)

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？〜
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？〜
SSII
 
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
Deep Learning JP
 
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 [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
SSII
 
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 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
Deep Learning JP
 
全力解説！Transformer
全力解説！Transformer全力解説！Transformer
全力解説！Transformer
Arithmer Inc.
 
自己教師学習（Self-Supervised Learning）
自己教師学習（Self-Supervised Learning）自己教師学習（Self-Supervised Learning）
自己教師学習（Self-Supervised Learning）
cvpaper. challenge
 
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
Deep Learning JP
 
Transformer メタサーベイ
Transformer メタサーベイTransformer メタサーベイ
Transformer メタサーベイ
cvpaper. challenge
 
モデル高速化百選
モデル高速化百選モデル高速化百選
モデル高速化百選
Yusuke Uchida
 
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent [DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
Deep Learning JP
 
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
 
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs 【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
Deep Learning JP
 
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法についてTransformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
 
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
 
三次元表現まとめ（深層学習を中心に）
三次元表現まとめ（深層学習を中心に）三次元表現まとめ（深層学習を中心に）
三次元表現まとめ（深層学習を中心に）
Tomohiro Motoda
 
[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
Deep Learning JP
 
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
Deep Learning JP
 
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
 
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？〜
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？〜
SSII
 
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
【DL輪読会】"Instant Neural Graphics Primitives with a Multiresolution Hash Encoding"
Deep Learning JP
 
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 [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
SSII
 
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 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Yusuke Uchida
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
Deep Learning JP
 
全力解説！Transformer
全力解説！Transformer全力解説！Transformer
全力解説！Transformer
Arithmer Inc.
 
自己教師学習（Self-Supervised Learning）
自己教師学習（Self-Supervised Learning）自己教師学習（Self-Supervised Learning）
自己教師学習（Self-Supervised Learning）
cvpaper. challenge
 
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
【DL輪読会】言語以外でのTransformerのまとめ (ViT, Perceiver, Frozen Pretrained Transformer etc)
Deep Learning JP
 
Transformer メタサーベイ
Transformer メタサーベイTransformer メタサーベイ
Transformer メタサーベイ
cvpaper. challenge
 
モデル高速化百選
モデル高速化百選モデル高速化百選
モデル高速化百選
Yusuke Uchida
 
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent [DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
Deep Learning JP
 
[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models[DL輪読会]Flow-based Deep Generative Models
[DL輪読会]Flow-based Deep Generative Models
Deep Learning JP
 
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs 【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
【DL輪読会】Perceiver io a general architecture for structured inputs & outputs
Deep Learning JP
 
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法についてTransformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
Sho Takase
 
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
 
三次元表現まとめ（深層学習を中心に）
三次元表現まとめ（深層学習を中心に）三次元表現まとめ（深層学習を中心に）
三次元表現まとめ（深層学習を中心に）
Tomohiro Motoda
 
[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
Deep Learning JP
 
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
【DL輪読会】NeRF-VAE: A Geometry Aware 3D Scene Generative Model
Deep Learning JP
 
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
[DL輪読会]Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Deep Learning JP
 

Similar to 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 〜​ (20)

自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
Ogushi Masaya
 
[DL輪読会]GQNと関連研究，世界モデルとの関係について
[DL輪読会]GQNと関連研究，世界モデルとの関係について[DL輪読会]GQNと関連研究，世界モデルとの関係について
[DL輪読会]GQNと関連研究，世界モデルとの関係について
Deep Learning JP
 
ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTURE Project
 
Globally and Locally Consistent Image Completion
Globally and Locally Consistent Image CompletionGlobally and Locally Consistent Image Completion
Globally and Locally Consistent Image Completion
harmonylab
 
ConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdfConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdf
Takuya Minagawa
 
Or seminar2011final
Or seminar2011finalOr seminar2011final
Or seminar2011final
Mikio Kubo
 
大規模画像認識とその周辺
大規模画像認識とその周辺大規模画像認識とその周辺
大規模画像認識とその周辺
n_hidekey
 
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
 
第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）
第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）
第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）
kanejaki
 
Kerasを用いた3次元検索エンジン@TFUG
Kerasを用いた3次元検索エンジン@TFUGKerasを用いた3次元検索エンジン@TFUG
Kerasを用いた3次元検索エンジン@TFUG
Ogushi Masaya
 
Pythonによる機械学習入門 ～SVMからDeep Learningまで～
Pythonによる機械学習入門 ～SVMからDeep Learningまで～Pythonによる機械学習入門 ～SVMからDeep Learningまで～
Pythonによる機械学習入門 ～SVMからDeep Learningまで～
Yasutomo Kawanishi
 
2012-03-08 MSS研究会
2012-03-08 MSS研究会2012-03-08 MSS研究会
2012-03-08 MSS研究会
Kimikazu Kato
 
CVPR 2011 ImageNet Challenge 文献紹介
CVPR 2011 ImageNet Challenge 文献紹介CVPR 2011 ImageNet Challenge 文献紹介
CVPR 2011 ImageNet Challenge 文献紹介
Narihira Takuya
 
[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜
[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜
[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜
Michiharu Niimi
 
Gurobi python
Gurobi pythonGurobi python
Gurobi python
Mikio Kubo
 
Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...
Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...
Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...
Kotaro Yamazaki
 
Kaggle参加報告: Champs Predicting Molecular Properties
Kaggle参加報告: Champs Predicting Molecular PropertiesKaggle参加報告: Champs Predicting Molecular Properties
Kaggle参加報告: Champs Predicting Molecular Properties
Kazuki Fujikawa
 
[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
de:code 2017
 
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
RCCSRENKEI
 
SSII2014 チュートリアル資料
SSII2014 チュートリアル資料SSII2014 チュートリアル資料
SSII2014 チュートリアル資料
Masayuki Tanaka
 
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
自然言語処理に適した ニューラルネットのフレームワーク - - - DyNet - - -
Ogushi Masaya
 
[DL輪読会]GQNと関連研究，世界モデルとの関係について
[DL輪読会]GQNと関連研究，世界モデルとの関係について[DL輪読会]GQNと関連研究，世界モデルとの関係について
[DL輪読会]GQNと関連研究，世界モデルとの関係について
Deep Learning JP
 
ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTURE Project
 
Globally and Locally Consistent Image Completion
Globally and Locally Consistent Image CompletionGlobally and Locally Consistent Image Completion
Globally and Locally Consistent Image Completion
harmonylab
 
ConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdfConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdf
Takuya Minagawa
 
Or seminar2011final
Or seminar2011finalOr seminar2011final
Or seminar2011final
Mikio Kubo
 
大規模画像認識とその周辺
大規模画像認識とその周辺大規模画像認識とその周辺
大規模画像認識とその周辺
n_hidekey
 
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
【DL輪読会】Drag Your GAN: Interactive Point-based Manipulation on the Generative ...
Deep Learning JP
 
第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）
第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）
第18回コンピュータビジョン勉強会＠関東「ICCV祭り」発表資料（kanejaki）
kanejaki
 
Kerasを用いた3次元検索エンジン@TFUG
Kerasを用いた3次元検索エンジン@TFUGKerasを用いた3次元検索エンジン@TFUG
Kerasを用いた3次元検索エンジン@TFUG
Ogushi Masaya
 
Pythonによる機械学習入門 ～SVMからDeep Learningまで～
Pythonによる機械学習入門 ～SVMからDeep Learningまで～Pythonによる機械学習入門 ～SVMからDeep Learningまで～
Pythonによる機械学習入門 ～SVMからDeep Learningまで～
Yasutomo Kawanishi
 
2012-03-08 MSS研究会
2012-03-08 MSS研究会2012-03-08 MSS研究会
2012-03-08 MSS研究会
Kimikazu Kato
 
CVPR 2011 ImageNet Challenge 文献紹介
CVPR 2011 ImageNet Challenge 文献紹介CVPR 2011 ImageNet Challenge 文献紹介
CVPR 2011 ImageNet Challenge 文献紹介
Narihira Takuya
 
[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜
[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜
[チュートリアル講演]画像データを対象とする情報ハイディング〜JPEG画像を利用したハイディング〜
Michiharu Niimi
 
Gurobi python
Gurobi pythonGurobi python
Gurobi python
Mikio Kubo
 
Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...
Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...
Paper Introduction "RankCompete: Simultaneous ranking and clustering of info...
Kotaro Yamazaki
 
Kaggle参加報告: Champs Predicting Molecular Properties
Kaggle参加報告: Champs Predicting Molecular PropertiesKaggle参加報告: Champs Predicting Molecular Properties
Kaggle参加報告: Champs Predicting Molecular Properties
Kazuki Fujikawa
 
[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
[AI05] 目指せ、最先端 AI 技術の実活用！Deep Learning フレームワーク 「Microsoft Cognitive Toolkit 」...
de:code 2017
 
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
RCCSRENKEI
 
SSII2014 チュートリアル資料
SSII2014 チュートリアル資料SSII2014 チュートリアル資料
SSII2014 チュートリアル資料
Masayuki Tanaka
 
Ad

More from SSII (20)

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 [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 〜
SSII
 
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 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII
 
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 [OS3-02] Federated Learningの基礎と応用
SSII
 
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 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII
 
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 [OS2-01] イメージング最前線
SSII
 
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
SSII2022 [OS1-01] AI時代のチームビルディング
SSII
 
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
 
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 [SS2] Deepfake Generation and Detection – An Overview （ディープフェイクの生成と検出）
SSII
 
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 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
 
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 [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 〜
SSII
 
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 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII
 
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 [TS1] Visual SLAM ～カメラ幾何の基礎から最近の技術動向まで～
SSII
 
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 [OS3-03] 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
SSII
 
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 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII
 
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 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII
 
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）
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）
SSII
 
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII
 
SSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメントSSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメント
SSII
 
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測するSSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII
 
SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～
SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～
SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～
SSII
 
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 [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 〜
SSII
 
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 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII
 
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 [OS3-02] Federated Learningの基礎と応用
SSII
 
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 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII
 
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 [OS2-01] イメージング最前線
SSII
 
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
SSII2022 [OS1-01] AI時代のチームビルディング
SSII
 
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII
 
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 [SS2] Deepfake Generation and Detection – An Overview （ディープフェイクの生成と検出）
SSII
 
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 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII
 
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 [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 〜
SSII
 
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 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII
 
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 [TS1] Visual SLAM ～カメラ幾何の基礎から最近の技術動向まで～
SSII
 
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 [OS3-03] 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
SSII
 
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 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII
 
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 [OS3-01] 設備や環境の高品質計測点群取得と自動モデル化技術
SSII
 
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）
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）
SSII
 
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII2021 [OS2-03] 自己教師あり学習における対照学習の基礎と応用
SSII
 
SSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメントSSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメント
SSII2021 [OS1-03] エネルギーの情報化：需要家主体の分散協調型電力マネージメント
SSII
 
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測するSSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII2021 [OS1-02] まち全体のインフラや人流をサステナブルに計測する
SSII
 
SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～
SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～
SSII2021 [OS1-01] 水産養殖 x IoT・AI ～持続可能な水産養殖を実現するセンシング/解析技術～
SSII
 
Ad

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 〜​