Enviar pesquisa
Carregar
[GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
•
0 gostou
•
957 visualizações
Ridge-i
Seguir
GTC Japan 2018 - テクニカルセッション 最新の論文や独自手法を活用した ディープラーニングソリューションの事例 - 敵対生成学習による外観検査のための異常検知手法
Leia menos
Leia mais
Engenharia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 42
Baixar agora
Baixar para ler offline
Recomendados
[GTC 2018] Inception Award Ridge-i発表資料
[GTC 2018] Inception Award Ridge-i発表資料
Ridge-i
Dlc ri
Dlc ri
Hirokuni Uchida
ディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Day
ディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Day
Deep Learning Lab(ディープラーニング・ラボ)
[GTC 2018] DGXフォーラム Ridge-i発表資料
[GTC 2018] DGXフォーラム Ridge-i発表資料
Ridge-i
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
Deep Learning Lab(ディープラーニング・ラボ)
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
Recruit Technologies
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
Ridge-i
JSUG 2018 BTC
JSUG 2018 BTC
kazukiotomori
Recomendados
[GTC 2018] Inception Award Ridge-i発表資料
[GTC 2018] Inception Award Ridge-i発表資料
Ridge-i
Dlc ri
Dlc ri
Hirokuni Uchida
ディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Day
ディープラーニング開発組織のつくり方と運営ノウハウ_DLLAB Case Study Day
Deep Learning Lab(ディープラーニング・ラボ)
[GTC 2018] DGXフォーラム Ridge-i発表資料
[GTC 2018] DGXフォーラム Ridge-i発表資料
Ridge-i
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
Ridge-iの画像解析アルゴリズムの実用事例の紹介_DLLAB Case Study Day
Deep Learning Lab(ディープラーニング・ラボ)
DataRobot活用状況@リクルートテクノロジーズ
DataRobot活用状況@リクルートテクノロジーズ
Recruit Technologies
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
[総務省宇宙データ活用] 4次元サイバーシティ タスクフォース会合資料
Ridge-i
JSUG 2018 BTC
JSUG 2018 BTC
kazukiotomori
ソフトウェアジャパン2018 ITフォーラムセッション(4)
ソフトウェアジャパン2018 ITフォーラムセッション(4)
aitc_jp
Springのプログラムモデルと動く仕様~テスト編~
Springのプログラムモデルと動く仕様~テスト編~
terahide
UXDの職能要件とキャリアパスについて
UXDの職能要件とキャリアパスについて
Recruit Technologies
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
AITCオープンラボ 2018年5月度(3)
AITCオープンラボ 2018年5月度(3)
aitc_jp
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
Recruit Technologies
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
リクルート式AIの活用法
リクルート式AIの活用法
Recruit Technologies
人事が本音だけを話す会 #2 「副業受入れOKの会社が、いま採用で最強な理由」 #honnejinji
人事が本音だけを話す会 #2 「副業受入れOKの会社が、いま採用で最強な理由」 #honnejinji
Yuichiro "Philip" Yamada
Akira shibata at developer summit 2016
Akira shibata at developer summit 2016
Akira Shibata
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
Recruit Technologies
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
Recruit Technologies
Agile again
Agile again
toshihiro ichitani
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
アプリのプロダクトマネージャーからみるScrum開発
アプリのプロダクトマネージャーからみるScrum開発
Yahoo!デベロッパーネットワーク
企業文化をサービスデザインスタイルに
企業文化をサービスデザインスタイルに
Recruit Technologies
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Recruit Technologies
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
yoshitaka373
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
Ridge-i
Mais conteúdo relacionado
Mais procurados
ソフトウェアジャパン2018 ITフォーラムセッション(4)
ソフトウェアジャパン2018 ITフォーラムセッション(4)
aitc_jp
Springのプログラムモデルと動く仕様~テスト編~
Springのプログラムモデルと動く仕様~テスト編~
terahide
UXDの職能要件とキャリアパスについて
UXDの職能要件とキャリアパスについて
Recruit Technologies
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
AITCオープンラボ 2018年5月度(3)
AITCオープンラボ 2018年5月度(3)
aitc_jp
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
Recruit Technologies
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
リクルート式AIの活用法
リクルート式AIの活用法
Recruit Technologies
人事が本音だけを話す会 #2 「副業受入れOKの会社が、いま採用で最強な理由」 #honnejinji
人事が本音だけを話す会 #2 「副業受入れOKの会社が、いま採用で最強な理由」 #honnejinji
Yuichiro "Philip" Yamada
Akira shibata at developer summit 2016
Akira shibata at developer summit 2016
Akira Shibata
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
Recruit Technologies
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
Recruit Technologies
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
Recruit Technologies
Agile again
Agile again
toshihiro ichitani
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
アプリのプロダクトマネージャーからみるScrum開発
アプリのプロダクトマネージャーからみるScrum開発
Yahoo!デベロッパーネットワーク
企業文化をサービスデザインスタイルに
企業文化をサービスデザインスタイルに
Recruit Technologies
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Recruit Technologies
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
yoshitaka373
Mais procurados
(20)
ソフトウェアジャパン2018 ITフォーラムセッション(4)
ソフトウェアジャパン2018 ITフォーラムセッション(4)
Springのプログラムモデルと動く仕様~テスト編~
Springのプログラムモデルと動く仕様~テスト編~
UXDの職能要件とキャリアパスについて
UXDの職能要件とキャリアパスについて
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
AITCオープンラボ 2018年5月度(3)
AITCオープンラボ 2018年5月度(3)
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
リクルート式AIの活用法
リクルート式AIの活用法
人事が本音だけを話す会 #2 「副業受入れOKの会社が、いま採用で最強な理由」 #honnejinji
人事が本音だけを話す会 #2 「副業受入れOKの会社が、いま採用で最強な理由」 #honnejinji
Akira shibata at developer summit 2016
Akira shibata at developer summit 2016
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
3万人が利用するリクルートのワイヤレス環境 ~リアクティブからプロアクティブへ~
ユーザー企業内製CSIRTにおける対応のポイント
ユーザー企業内製CSIRTにおける対応のポイント
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
運用で泣かないアーキテクチャで動く原稿作成支援システム ~リクルートにおけるDeepLearning活用事例~
Agile again
Agile again
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
アプリのプロダクトマネージャーからみるScrum開発
アプリのプロダクトマネージャーからみるScrum開発
企業文化をサービスデザインスタイルに
企業文化をサービスデザインスタイルに
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
【機械学習勉強会】画像の翻訳 ”Image-to-Image translation”
Semelhante a [GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
Ridge-i
私たち企業がアクセシビリティに取り組む理由(2018年) #accfes
私たち企業がアクセシビリティに取り組む理由(2018年) #accfes
Yahoo!デベロッパーネットワーク
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
Insight Technology, Inc.
Icml2018読み会_overview&GANs
Icml2018読み会_overview&GANs
Kentaro Tachibana
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Mao Yamaguchi
Microsoft de:code 2019 AI05 session
Microsoft de:code 2019 AI05 session
Ridge-i
研修資料@群馬県教育センター
研修資料@群馬県教育センター
Yuta Tonegawa
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Ridge-i
Tableau Developers Club Season2 - 外部サービス連携デモ
Tableau Developers Club Season2 - 外部サービス連携デモ
Kenji Noguchi
Tableau data science_20190627_distribute
Tableau data science_20190627_distribute
Masabumi Furuhata
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
Recruit Technologies
Tdc 20181121
Tdc 20181121
Masabumi Furuhata
2018年12月15日 AITC女子会 顔認識を活用したセミナー参加者の満足度分析
2018年12月15日 AITC女子会 顔認識を活用したセミナー参加者の満足度分析
aitc_jp
データサイエンスの現場で役立つスキルを磨きやすい職場環境
データサイエンスの現場で役立つスキルを磨きやすい職場環境
Masatoshi Abe
国内外AIコンペティションからみるAI技術者のキャリアパスの潮流およびAIコンペサイトSIGNATEにおけるAWS活用事例
国内外AIコンペティションからみるAI技術者のキャリアパスの潮流およびAIコンペサイトSIGNATEにおけるAWS活用事例
秀 齊藤
ソフトウェアジャパン2018 ITフォーラムセッション(3)
ソフトウェアジャパン2018 ITフォーラムセッション(3)
aitc_jp
20150421 日経ビッグデータカンファレンス
20150421 日経ビッグデータカンファレンス
Akira Shibata
AITCオープンラボ 2018年5月度(2)
AITCオープンラボ 2018年5月度(2)
aitc_jp
AI活用におけるビジネス力とは何か?
AI活用におけるビジネス力とは何か?
munjapan
Semelhante a [GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
(20)
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
[Ridge-i] Deep Learning Lab - ディープラーニング 導入の課題と実例
私たち企業がアクセシビリティに取り組む理由(2018年) #accfes
私たち企業がアクセシビリティに取り組む理由(2018年) #accfes
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
[db tech showcase Tokyo 2018] #dbts2018 #D23 『機械学習の自動化を実現するDataRobotによるAIの民主化とは』
Icml2018読み会_overview&GANs
Icml2018読み会_overview&GANs
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Ques12_自動テスト ✕ 機械学習 〜自動テスト結果分析は楽になるか?〜
Microsoft de:code 2019 AI05 session
Microsoft de:code 2019 AI05 session
研修資料@群馬県教育センター
研修資料@群馬県教育センター
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Deep Learning Lab 2周年 - Deeplearning 導入 PoCを超えるノウハウ
Tableau Developers Club Season2 - 外部サービス連携デモ
Tableau Developers Club Season2 - 外部サービス連携デモ
Tableau data science_20190627_distribute
Tableau data science_20190627_distribute
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
リクルートテクノロジーズが語る 企業における、「AI/ディープラーニング」活用のリアル
Tdc 20181121
Tdc 20181121
2018年12月15日 AITC女子会 顔認識を活用したセミナー参加者の満足度分析
2018年12月15日 AITC女子会 顔認識を活用したセミナー参加者の満足度分析
データサイエンスの現場で役立つスキルを磨きやすい職場環境
データサイエンスの現場で役立つスキルを磨きやすい職場環境
国内外AIコンペティションからみるAI技術者のキャリアパスの潮流およびAIコンペサイトSIGNATEにおけるAWS活用事例
国内外AIコンペティションからみるAI技術者のキャリアパスの潮流およびAIコンペサイトSIGNATEにおけるAWS活用事例
ソフトウェアジャパン2018 ITフォーラムセッション(3)
ソフトウェアジャパン2018 ITフォーラムセッション(3)
20150421 日経ビッグデータカンファレンス
20150421 日経ビッグデータカンファレンス
AITCオープンラボ 2018年5月度(2)
AITCオープンラボ 2018年5月度(2)
AI活用におけるビジネス力とは何か?
AI活用におけるビジネス力とは何か?
Mais de Ridge-i
情報処理学会 AI tech talk Ridge-i
情報処理学会 AI tech talk Ridge-i
Ridge-i
Ridge i covid-solution_TTC_demo_20200522
Ridge i covid-solution_TTC_demo_20200522
Ridge-i
S-NETセミナー2019 in 大阪
S-NETセミナー2019 in 大阪
Ridge-i
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
Ridge-i
190216_DLLAB 広島支部キックオフイベント_基調講演-20190216
190216_DLLAB 広島支部キックオフイベント_基調講演-20190216
Ridge-i
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616
Ridge-i
Mais de Ridge-i
(6)
情報処理学会 AI tech talk Ridge-i
情報処理学会 AI tech talk Ridge-i
Ridge i covid-solution_TTC_demo_20200522
Ridge i covid-solution_TTC_demo_20200522
S-NETセミナー2019 in 大阪
S-NETセミナー2019 in 大阪
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
Microsoft de:code2019 ディープラーニングのデータ・精度評価の重要性
190216_DLLAB 広島支部キックオフイベント_基調講演-20190216
190216_DLLAB 広島支部キックオフイベント_基調講演-20190216
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616
[GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
1.
最新の論文や独自手法を活用した ディープラーニングソリューションの事例 株式会社 Ridge-i 代表取締役社長 柳原
尚史 エンジニア 木村 正成 2018年9月13日 16:00-16:50
2.
1©2018 Ridge-i All
Rights Reserved. Ridge-i(リッジアイ)について 事業領域 ビジネスニーズに最適化し たAI技術を提供 • AIコンサルティング − 機械学習・ディープ ラーニング中心 • ソリューション開発 − 例:放送品質モノクロ 映像 彩色ディープ ラーニング 会社概要 オフィス • 千代田区大手町1-6-1- 442(大手町駅直結) 従業員数 • 15名 + α 主に機械学習エンジニ ア、コンサルタント 就労スタイル • 裁量労働制 パートナーシップ Deep Learning Lab幹事企業 (コミュニティ登録者3963人)
3.
2©2018 Ridge-i All
Rights Reserved. AIのメリットは? • ルールで記述できなかった、人の勘・コツを模倣できる可能性 (形式知化) • 人手では限界のある、大量かつ複雑なデータの解析が得意 それぞれの特徴を踏まえて、目的に応じたベストミックスが必要 従来システム開発とAI開発の比較 相違点 共通点 従来システム開発 AI(機械学習・ディープラーニング)開発 ルールベース・ 質が人(要件定義者)に依存 質がデータに依存 “garbage in, garbage out” 厳密解 近似解 演繹的・ホワイトボックス(改善が容易) 帰納的・ブラックボックス(改善が難しい) 目的や機能の定義は人 自動的に自ら改善や機能の追加はしない
4.
3©2018 Ridge-i All
Rights Reserved. AI開発アセスメント~AI開発・導入までの主な流れ AI導入目的 と課題 の整理 データとAIの 組合せを 定義 AI パイロット 検証 AI開発・ 導入に 向けた 計画策定 AI開発 POC周辺 システム との連携 導入 保守 AI開発アセスメント・パイロット検証 フェーズ ※一方通行ではなく、違うデータとアルゴリズムの組合せで、アジャイルに検証をすることも大事 AI 開発・導入フェーズ 開発導入判断 コンサルティングチームがお客様と検討を重ねて AIの導入目的を明確にすることが肝要
5.
4©2018 Ridge-i All
Rights Reserved. Ridge-iの取り組みのご紹介 Ridge-iの 特徴 機械学習・DLを はじめとする 総合的な実現力 卓越した 画像解析技術 ビジネスの現場で インパクトを実現 • センサーやレーザー等の デバイス選定から支援 • 従来手法とDLの組合わせで、 複雑なタスクを解決 • 周辺システムとのつなぎ 開発も可能 • 最先端の論文も実装 • 少ないデータで精度を向上 するノウハウ • 競合が達成できなかった 案件も複数 • ゴールを顧客と共に明確化 • AIありきではなくROIを重視 • PoCで終わらない、 実運用までのこだわり 案件例 • 運搬機器の動線解析• ゼネコン向け安全監視 • 高解像異常物検出 • 時系列変化を踏まえた動画 のシーン分類 • プラントの自動運転化 • 画像解析/加工ツール 成果が実現・体感できるソリューションを提供
6.
5©2018 Ridge-i All
Rights Reserved. ① 優秀なアシスタント 彩色ディープラーニング ② ごみ焼却炉でのセグメンテーション活用 ③ 衛星データ SAR画像でオイル流出検出 ④ ルールにできなかった 異常検知 <今日は④を中心に技術詳細解説します> 事例・ソリューション紹介
7.
6©2018 Ridge-i All
Rights Reserved. ① 優秀なアシスタント 彩色ディープラーニング (1) 放送レベル自動彩色DL |NHKアート様と共同開発 <4Kの白黒映像をディープラーニングで彩色した実証実験映像> ディープラーニングによる自動彩色 • 最初の1枚だけ人が彩色 残りの499フレームはDLが彩色 • 木の葉の揺れや雲の動きにも対応
8.
7©2018 Ridge-i All
Rights Reserved. ① 優秀なアシスタント 彩色ディープラーニング (2) 求める色合いを正確に再現 Webでの汎用AIサービス Ridge-i + NHKアート様 無断転載・配布禁止 プレゼン用途のみの画像につき 配布資料から削除しております
9.
8©2018 Ridge-i All
Rights Reserved. ① 優秀なアシスタント 彩色ディープラーニング (3) NHKで放映実績あり NHK『第50回思い出のメロディー』(2018年8月放送) • 番組内の企画コーナー “歌でつながる時代”― 「カラーでよみがえる 第1回 思い出のメロディー」のため に、初めて放送された回の白黒映像一部を、本システム を用いてカラー化 NHKスペシャル 「戦後ゼロ年東京ブラックホール 1945-1946」 (2017/8/20 NHKで放送) 大相撲 (2017/5/21 NHKで放送) 省力化を実現しながらも、放送クオリティを確保 人が価値を生み出せるところに集中し、AIをパートナーに 無断転載・配布禁止 プレゼン用途のみの画像につき 配布資料から削除しております
10.
9©2018 Ridge-i All
Rights Reserved. ②ごみ焼却炉でのセグメンテーション活用 荏原環境プラント株式会社様と共同開発 従来の自動運転では 投入するごみ質の変動が大きく、 安定した燃焼ができない ごみの質をピクセル単位で 認識することに成功 熟練オペレータのノウハウを再現、 投入するごみ質の安定化が可能に ごみ焼却炉イメージ図 <燃焼状態を監視する中央操作室><クレーン操作室> ごみピット 焼却炉 課題と目的
11.
10©2018 Ridge-i All
Rights Reserved. ②ピクセル単位で物の識別が可能(1/2) プレゼン用途のみの画像につき 配布資料から削除しております
12.
11©2018 Ridge-i All
Rights Reserved. • ルールでは波とオイルは分類困難 • 読み解けるのは一部のエキスパートのみ • AIの活用により、オイルスリック(油膜)が あるエリアを100%の精度で特定 衛星画像に対するディープラーニングによる解析の普及活動に参画 (総務省 4次元サイバーシティの活用に向けたタスクフォースのメンバー) 数枚の画像で学習 レーダー画像 AIによる解析 ③ 衛星レーダ画像 SARでオイル流出検出
13.
12©2018 Ridge-i All
Rights Reserved. AI 弊社では、日本の製造業で耐えうる高解像度を実験中 学習用の良品画像 良品画像の 特徴を学んだ AI 検品画像 不良判定 良品には存在しなかった キズ・ゆがみなどを検出 ④ルールにできなかった 異常検知 生成モデルによる極小の傷の検知
14.
13©2018 Ridge-i All
Rights Reserved. ④ルールにできなかった 異常検知 生成モデルによる極小の傷の検知 1~2 ピクセルの微細な傷に対して、 生成できない部位として外れ値が高く出力 プレゼン用途のみの画像につき 配布資料から削除しております
15.
14©2018 Ridge-i All
Rights Reserved. ④実務でおきる 様々な課題 実務では、様々な手法を駆使して乗り切る必要 不良データも使って 精度を上げる方法(検証中) AnomalyDetection GAN+ 高解像度化の論文実装 DGX-1で検証 データ 求められる精度 • 高解像度を維持する必要性 ─ 解像度を落とすと 微細な傷が消える ─ 全体を見て、異常箇所 or 模様を判断 • 異常箇所をピクセル単位で表示 ─ 分類器では不足 • 通常のGANだと、高解像度の 学習が収束しない • 完全な「良品」の定義が難しい • 良品データ自体のばらつき (取得時期・振動 etc) • データ数の不足 (例:初回検証が数百枚程度) 処理速度 • PCサーバーでは学習に数週間 かかってしまう • 高解像度NNがメモリに乗り切ら ない
16.
15©2018 Ridge-i All
Rights Reserved. AnoGANによる異常検知技術の詳細について 木村より説明します ④ 異常検知の技術詳細
17.
16©2018 Ridge-i All
Rights Reserved. 敵対生成学習による外観検査のための異常検知手法 Masanari Kimura mkimura@ridge-i.com GTC Japan 2018 テクニカルセッション 2018/09/13
18.
17©2018 Ridge-i All
Rights Reserved. 問題設定
19.
18©2018 Ridge-i All
Rights Reserved. ● 画像内の異常を発見したいケースは数多く存在する ○ e.g. 工業製品の傷検知,車両進入禁止エリアの監視など... ● 発見したい異常部分が小さいほど,対象画像の解像度は 高くなければいけない 高解像度画像内の小さな異常部分を発見したい 問題設定
20.
19©2018 Ridge-i All
Rights Reserved. ● 異常部分と正常部分の視覚的識別 ○ 傷なのか?模様なのか? ○ 同じような見た目でも,ある部分は傷,ある部分は模様という場合がある ■ 画像を細かく区切るパッチ処理ではなく画像全体を見なければいけない ● 微小な異常箇所の特定 ○ 計算効率を考えて入力画像の解像度を落とすと,拾えない異常箇所が出る ○ できる限り元の解像度を保ったままモデル化する必要がある 高解像度画像内の異常検知の難しさ
21.
20©2018 Ridge-i All
Rights Reserved. 画像生成モデルによる異常検知
22.
21©2018 Ridge-i All
Rights Reserved. ● 画像内の異常検知を教師なしで行いたい 画像生成モデルによる異常検知 異常部分 正常画像 異常画像
23.
22©2018 Ridge-i All
Rights Reserved. ● 正常画像の分布をモデル化して,異常箇所を特定する ○ VAE, GAN etc... 画像生成モデルによる異常検知 正常画像 異常画像 異常部分
24.
23©2018 Ridge-i All
Rights Reserved. 敵対生成学習による異常検知
25.
24©2018 Ridge-i All
Rights Reserved. ● Goodfellowらが提案 [1] ● GeneratorとDiscriminatorの二つのネットワークからなる ○ Generatorは学習データにありそうな画像を生成 ○ Discriminatorは本物の画像なのか生成された画像なのかを分類 Generative Adversarial Networks (GAN)
26.
25©2018 Ridge-i All
Rights Reserved. Generative Adversarial Networks (GAN) ● 生成器Gと識別器Dの敵対学習 ● GはDを騙せるような画像を作れるように学習 ● DはGに騙されないように学習
27.
26©2018 Ridge-i All
Rights Reserved. 敵対生成学習モデルによる異常検知 [2] Real Imagesを正常画像のみにして学習 正常画像しか作れないGeneratorを得る
28.
27©2018 Ridge-i All
Rights Reserved. 敵対生成学習モデルによる異常検知 正常系 異常系 入力画像A Generatorの生成範囲内なので正常 Generatorの生成範囲外なので異常 GANを利用した異 常検知の概要 GANで学習したGeneratorは正常な画像であれば完璧に生成できるはず → Generatorが生成できる画像は正常、できない画像は異常と判断する 入力画像B • 特徴①:Discriminatorを騙せる程リアルな画像を生成 • 特徴②:良品画像しか作れない • → 正常系とGeneratorが作れる画像集合が一致する 理想的なGeneratorが作れる画像の集合
29.
28©2018 Ridge-i All
Rights Reserved. ● 生成画像と入力画像の差分をとって異常部分を検知する ● 正常部分であればGeneratorが生成できることを利用 敵対生成学習モデルによる異常検知 生成画像 入力画像 差分画像
30.
29©2018 Ridge-i All
Rights Reserved. ● なぜ高解像度でなければいけないのか? ○ 微小な異常の場合,画像の解像度を落とすと消えてしまう ● パッチ処理 (画像を細分化して個別に異常検知)をすればいいのではないか ○ 画像全体を見ないと異常箇所 or 単なる模様の区別ができない 高解像度画像に対する異常検知
31.
30©2018 Ridge-i All
Rights Reserved. ● Karrasらによって提案[3] (NVIDIA!!) ● 従来のGANsのクォリティを遥かに上回るGANsの学習手法 ○ 低解像度画像から徐々に学習を進め,最終的に高解像度・高精細画像を得る Progressive Growing of GANs
32.
31©2018 Ridge-i All
Rights Reserved. ● α: K番目の解像度のフィルタとK-1番目のフィルタを足し合わせる比率 ○ αを徐々に増加させていくことでK番目の解像度の学習に差し替える ● この手法によって,高解像度かつ高精細な画像を生成できるようになった Progressive Growing of GANs (Main Contribution) toRGB,fromRGBは1x1 Conv
33.
32©2018 Ridge-i All
Rights Reserved. 実例
34.
33©2018 Ridge-i All
Rights Reserved. オープンデータセットに対する異常検知例 * UMN Unusual crowd activity datase (http://mha.cs.umn.edu/) 正常時画像 異常時画像 モデルの推論結果
35.
34©2018 Ridge-i All
Rights Reserved. オープンデータセットに対する異常検知例 入力 推論結果 * UMN Unusual crowd activity datase (http://mha.cs.umn.edu/)
36.
35©2018 Ridge-i All
Rights Reserved. 現実のデータに対する異常検知例 プレゼン用途のみの画像につき 配布資料から削除しております
37.
36©2018 Ridge-i All
Rights Reserved. ● 正常画像は多ければ多いほど良い ○ Generatorの生成できる画像の分布が実際の分布に近づくため ○ 異常箇所以外のノイズを限りなく再現できるようになる 正常画像数と精度の推移 N = 100 N = 1000 正常画像数とスコアの推移
38.
37©2018 Ridge-i All
Rights Reserved. ● 実際に得られたデータの水増しを行うデータ拡張は注意が必要 ○ 適用するドメインによっては拡張結果がそのまま異常になる可能性 データ拡張について
39.
38©2018 Ridge-i All
Rights Reserved. ● 高解像度画像内の異常検知について,画像生成モデルを活用 ○ 最新の敵対生成学習手法を実用 ○ 異常箇所に対するアノテーションなしに学習可能であることを実証 ● 今後の課題 ○ 異常箇所以外のノイズを極力少なくするための精度改善手法の模索 ○ どういうドメインにおいて特に手法が有効であるのかを調査 まとめ
40.
39©2018 Ridge-i All
Rights Reserved. 参考文献
41.
40©2018 Ridge-i All
Rights Reserved. ● [1] Goodfellow, Ian, et al. "Generative adversarial nets." Advances in neural information processing systems. 2014. ● [2] Schlegl, Thomas, et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery." International Conference on Information Processing in Medical Imaging. Springer, Cham, 2017. ● [3] Karras, Tero, et al. "Progressive growing of gans for improved quality, stability, and variation." International Conference on Learning Representations (ICLR 2018), 2018. 4, 2018. 参考文献
42.
41©2018 Ridge-i All
Rights Reserved. GTC2018ブース出展中(1Fスポンサー展示エリア) Ridge-iの様々な事例や技術情報を展示しています We’re hiring ! ビジネスストラクチャリング / エンジニア / リサーチエンジニア https://ridge-i.com/careers/
Baixar agora