GTC 2016 ディープラーニング最新情報
•
5 gostaram•4,120 visualizações
2016年7月22日（金）名古屋にて開催の、NVIDIA のイベント Deep Learning Day #NVDLD 2016 Summer の資料です。 4月にアメリカにて開催のGTC 2016のディープラーニング関連セッション100以上のなかからとりわけ興味深いものをご紹介します。
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a GTC 2016 ディープラーニング最新情報
Semelhante a GTC 2016 ディープラーニング最新情報 (20)
Mais de NVIDIA Japan
Mais de NVIDIA Japan (20)
Último
Último (9)
GTC 2016 ディープラーニング最新情報
- 1. 井﨑 武士 GTC 2016 ディープラーニング最新情報
- 2. DEEP LEARNING関連セッション • 合計826セッション中166セッション 種類 件数 講演 116 パネル・ポスター 21 ハンズオン 17 ハングアウト ８ チュートリアル 4
- 4. Xian-Sheng Hua Senior Director/Researcher, Alibaba Group DEEP LEARNING IN REAL-WORLD LARGE- SCALE IMAGE SEARCH AND RECOGNITION SESSION 1
- 5. 5 商品認識と検索
- 6. 6 特徴抽出は難しい
- 9. 9 属性分類
- 10. 10 類似デザイン検索
- 11. 11 同一商品、類似品検索
- 12. Chiyuan Zhang PhD Student, MIT AUTOMATED GEOPHYSICAL FEATURE DETECTION WITH DEEP LEARNING SESSION 2
- 13. 13 弾性波探査 探査段階：弾性波データは石油・ガス産業で非常に重要。深層にある石油を見つける ために使用され石油・ガス探査における様々なフェーズで初期および発掘時に現場の特徴 づけに使用される
- 17. 17 機械学習による断層の検知
- 18. 18 学習データの合成
- 19. 19 結果：プロット 単一断層
- 20. 20 結果：プロット、複数断層
- 21. 21 結果：プロット、岩塩
- 22. Konstantin Kiselev Data Scientist, Youth Laboratories DEEP LEARNING ALGORITHMS FOR RECOGNIZING THE FEATURES OF FACIAL AGEING SESSION 3
- 25. 25 Deep Learningによるアプローチ 1. VGG-11 を用いて顔の領域を検出 2. しわスコアの算出 • SegNetを用いてしわマップを作成 • VGG-16を用いてRYNKLスコアを推定 *
- 26. 26 データセットの集め方 AI判定による第1回目の国際ビューティコンテスト開催 （2015年12月1日～2016年1月18日） 約3000に上る画像（解像度２K以上）＋ 情報（体重、身長、年 齢、性別、人種、国） 第2回目のコンテストを2016年5月1日～開催予定 結果 平均二乗誤差： 従来手法 0.39、 Deep Learning 0.32
- 27. Bryan Catanzaro Senior Researcher, Baidu Research TRAINING AND DEPLOYING DEEP NEURAL NETWORKS FOR SPEECH RECOGNITION SESSION 4
- 28. 28 Deep Speech 音声認識 End to End Learning 音声から直接文字を推論するDNN
- 32. 32 RNNトレーニング性能
- 33. 33 All reduce / FP16 独自のAllreduceを実装 Maxwell Pascal (推定)
- 34. Nigel Cannings Chief Technical Officer, Intelligent Voice Limited DEEP CONVOLUTIONAL NEURAL NETWORKS FOR SPOKEN DIALECT CLASSIFICATION OF SPECTROGRAM IMAGES USING DIGITS SESSION 5
- 37. 37 GoogLeNetでの処理
- 38. 38 結果
- 39. Jianxiong Xiao Assistant Professor, Princeton University 3D DEEP LEARNING SESSION 6
- 40. 40 ロボットのための3次元 Deep Learning 認識
- 41. 41 ２次元での認識の限界
- 42. 42 ３次元での認識
- 43. 43 ３次元アモーダル物体検出
- 44. 44 ２次元物体検出
- 45. 45 ３次元アモーダル物体検出
- 46. 46 ３次元アモーダル物体検出
- 47. 47 ３次元アモーダル物体検出
- 49. 49 ３次元情報の符号化
- 57. 57 ３次元物体認識ネットワーク
- 58. 58 ３次元物体認識例
- 59. 59 結果：性能比較
- 61. Pavlo Molchanov Research Scientist, NVIDIA HAND GESTURE RECOGNITION WITH 3D CONVOLUTIONAL NEURAL NETWORKS SESSION 7
- 62. 62 ジェスチャー認識
- 63. 63 本件のアプローチ方法
- 64. 64 最良の分類器の選択 VIVA CHALLENGE 2015 UCLA http://cvrr.ucsd.edu/vivachallenge/index.php/hands/hand-gestures/
- 65. 65 最良の分類器の選択 3D Convolutional Neural Network
- 66. 66 セグメントジェスチャー認識
- 67. 67 一度目の結果
- 70. 70 データ・オーグメンテーション Temporal augmentation/Generating new training data 時間方向にフレームをずらす フリップ
- 71. 71 公式の結果
- 72. 72 公式の結果
- 73. 73 認識速度
- 74. 74 認識の遅延
- 76. Shiliang Pu Executive Vice President, Hikvision Research Institute INTELLIGENT VIDEO ANALYSIS SYSTEM BASED ON GPU AND DISTRIBUTED ARCHITECTURE SESSION 8
- 77. 77 監視カメラが抱える問題 高解像度化 VS ストレージ 複雑さ VS 精度 大量のデータ VS 効率 複雑さを増す環境で、より高精 細な認識精度を求められる
- 78. 78 監視カメラ分析システム
- 79. 79 認識例
- 81. 81 Deep Learningによる飛躍的な認識率改善 従来のアルゴリズム Deep Learning
- 83. 83 認識が難しい対象物
- 85. 85 対象車両の特定
- 86. Stephen McGough Lecturer, Durham University ANOMALY DETECTION AND CATEGORIZATION USING UNSUPERVISED DEEP LEARNING SESSION 9
- 87. 87 異常検知 • テロリストの活動監視 • 船/飛行機のデータ監視 • 警察犯罪データベース • 好ましくない情報のリーク • 機器の異常 • ソーシャルメディアの監視 • セキュリティカメラでの監視 • 不正なファイナンス取引
- 88. 88 異常検知のフレームワーク
- 89. 89 トピックのモデル化
- 90. 90 Probabilistic Topic Modeling • テキストデータの教師なし分析 • 同じ単語でも、文書内で使用される他の言葉に よって意味が異なることがある • 文書類からトピックを統計的に特定 • 各文書内にどのようなトピックが現れるかを統計 的に分類
- 92. 92 全体の手法
- 93. 93 性能 SC% - SPAM Caught BH% - Blocked HAM Acc% - Accuracy MCC% - Mathews Correlation Coefficient
- 94. Natalia Vassilieva Research Group Manager, Hewlett Packard Labs SENSE MAKING IN AN IOT WORLD: SENSOR DATA ANALYSIS WITH DEEP LEARNING SESSION 10
- 95. 95 なぜディープラーニング＋センサーデータか？ ディープラーニングは： • 大量の学習データ（ラベル有無) • 自明でない(空間・時間的)多次元 や複雑なデータ • 人手で行っていたものが教師無し特 徴学習に取って代わられている • クロスモーダルな特徴学習 センサーデーター： • 大量のデータ（ほとんどがラベル無) • 自明でない複雑なデータ（ほぼ時間 的） • データ再現、特徴抽出の精査が困難 • マルチモーダル スピーチでも活用 ほとんどのデータが時系列
- 96. 96 患者の活動認識：加速度計データ • ビデオと1つの加速度計のデータおよび52対象者分（対象者あたり20分) • 加速度計のデータ：500KHzｘ4方向=12000測定データ/分/人 • 16クラス
- 97. 97 アプローチ ベースライン評価 - ZeroR (メジャーなクラス予測器) - サポートベクターマシン - 決定木(C50を実装) - 浅いニューラルネットワーク（FANNライブラリ) - 特徴：手作業 Deep Neural Networks - 全結合隠れ層＋Softmax - 時間遅延層 - リカレント層 - DNN+CRF（条件付確率場) - マルチメターパラメータ設定 - 特徴：振幅スペクトル
- 98. 98 アプローチ ベースライン評価 - ZeroR (メジャーなクラス予測器) - サポートベクターマシン - 決定木(C50を実装) - 浅いニューラルネットワーク（FANNライブラリ) - 特徴：手作業 Deep Neural Networks - 全結合隠れ層＋Softmax - 時間遅延層 - リカレント層 - DNN+CRF（条件付確率場) - マルチメターパラメータ設定 - 特徴：振幅スペクトル
- 99. 99 結果：対象者1名
- 100. 100 結果：対象者52名
- 101. Aishwarya Agrawal Ph.D. Student, Virginia Tech VQA: VISUAL QUESTION ANSWERING SESSION 11
- 106. 106 ２チャンネル VQAモデル
- 107. 107 精度の指標
- 108. 108 自由回答形式の質問問題の精度
- 109. Ian Goodfellow Senior Research Scientist, OpenAI GENERATIVE ADVERSARIAL NETWORKS SESSION 12
- 110. 110 Generative Adversarial Networks Generative Modeling
- 112. 112 LAPGAN/DCGAN
- 113. 113 DCGANのベクトル演算性
- 114. Mu Li Ph.D. Student, Carnegie Mellon University Tianqi Chen Ph.D. Student, University of Washington MXNET: FLEXIBLE DEEP LEARNING FRAMEWORK FROM DISTRIBUTED GPU CLUSTERS TO EMBEDDED SYSTEMS SESSION 13
- 117. 117 ミックス プログラミング API
- 118. 118 MXNet：両方の実装が可能
- 120. 120 自動パラレルスケジューリング
- 123. 123 分散コンピューティング：実装
- 124. 124 分散コンピューティング：性能結果
- 128. 128 多言語サポート
- 131. 131 メモリ最適化
- 133. 133 豊富な動作環境
- 134. Antonio M. López Principal Investigator & Associate Professor, Computer Vision Center & Universitat Autònoma de Barcelona TRAINING MY CAR TO SEE: USING VIRTUAL WORLDS SESSION 14
- 135. 135 車の認識
- 136. 136 仮想世界が使用できる？
- 137. 137 自動注釈付けのための仮想世界
- 138. 138 自動注釈付けのための仮想世界
- 139. 139
- 140. 140
- 141. 141
- 142. 142
- 143. Fausto Milletari, PhD Candidate, Technical University of Munich SEGMENTATION OF MEDICAL VOLUMES USING CONVOLUTIONAL NEURAL NETWORKS SESSION 15
- 159. 159 結果
- 160. 160 結果 0,76 0,77 0,85 0,85
- 161. Song Han PhD student, Stanford University DEEP COMPRESSION AND EIE: DEEP NEURAL NETWORK MODEL COMPRESSION AND EFFICIENT INFERENCE ENGINE SESSION 16
- 162. 課題
- 163. 163 Deep Compression
- 164. 164 Deep Compression
- 165. 165 Pruning
- 166. 166 Pruning：背景
- 167. 167 Pruningによる精度変化
- 172. NVIDIA IS HIRING YOUR LIFE’S WORK STARTS HERE www.nvidia.com/careers
- 173. THANK YOU