NAGOSUTA 20181020

NAGOSUTA 20181020
毎朝体操で学ぶAI×IoT で実現される世界＋ α JP TOWER・NAGOYA Hall&Conference 2018.10.20 来栖川電算取締役山口陽平なごスタ・TECH FESTIVAL「Industry 4.0 から Society 5.0 の時代へ～AI・IoT 技術の今と未来～」
今日話すこと 1. はじめに 2. AI × IoT 3. 毎朝体操 4. 毎朝体操の仕組 5. 毎朝体操の AI の改善 6. AI × IoT のこの先 7. その他 2
はじめに自己紹介 & 会社紹介 3
山口陽平 @melleo1978 • 所属 – 有限会社来栖川電算取締役 – 名古屋工業大学大学院博士前期課程修了 • 実績 – IPA 未踏ソフトウェア創造事業採択 – Mashup Awards 9 優秀賞受賞 • 興味 – 機械学習，強化学習，UI/UX – 高速化，省資源化，並列分散 ※実物に髪の毛はありません 4
山口陽平 @melleo1978 • ［実践］画像認識を執筆 WEB+DB PRESS Vol.83 – これから画像認識をはじめる人におススメ 5 – OpenCV の使い方や実装例 – SIFTなどの各種アルゴリズムや特定物体認識のしくみ – 精度改善への取り組み方
来栖川電算設立 2003年（名古屋工業大学発ベンチャー）従業員 61人 • SF 世界の技術を実現し、社会に役立てる – AI 技術のライセンス販売・研究・SI • 文字認識，物体認識，動作認識，行動認識 – スマホアプリの企画・制作・運営スマートライフ技術 NTTドコモ様との共同研究スマートドライブ技術大手自動車メーカー様むけメイドさんもふくめて 6
7 なりきり2.0 ヒーローの動きでゲームを制御毎朝体操腕の動きで体操採点するアプリ動作推定API 加速度センサで人の行動を推定タンゴチュウ写真に写る単語を抽出するサービス地図生成オルソ画像から地物・交通規則を抽出走行データ解析周辺環境を認識し、様々な解析に活用 AR付箋書籍の中身を検索するアプリ Cellars ワインラベルで情報検索するアプリ画像認識API 商品パッケージで情報検索するAPI AnnoFab（アノテーションサービス）高品質なアノテーションを大量に作成可能 Ahab（実験スケジューラ）大量の実験と計算資源を効率的に管理 DNNコンパイラ DNNの推論を10～1000倍も効率化
技術者集団様々なアルゴリズムや知識で課題解決 • 最先端の AI 技術 – 文字認識，物体認識，モーション認識 • 限界性能を引き出す優れた実装技術 – 機械学習・コンパイラ・データベースなどのアルゴリズムやバイナリハックを駆使した高精度化・高速化・省資源化・並列化・分散化 • 高品質なソフトウェアを実現する技術 – 言語・アーキテクチャ・プロセスに対する深い理解に基づく設計と計画 8
コミュニティ活動様々な勉強会を積極的に主催、スタッフとして協力 9
AI × IoT すぐに分かる 10
AI × IoT の世界観インターネット越しに ”統合” されたデバイス群による ”知的” サービス “ハード・インフラの低価格化” と “機械学習の進歩” が後押し 11 EDGE 情報指示 CLOUD 強化
国内の素晴らしい取り組み AI × IoT に関する 12
InfraDoctor 計測車を活用し、道路の点検・保守を効率化計測車で収集した三次元点群と動画から道路形状を復元し、道路の点検・保守に活用。首都高速道路株式会社様の取り組み。 13 ※引用元：http://www.shutoko-eng.jp/technology/infradoctor.php
Farmnote Color センサを活用し、牛の管理や世話を効率化牛に装着した加速度センサから牛の行動（発情，反芻，休憩，活動，…）を解析し、授精適期・疾病の兆候などを検知。株式会社ファームノート様の取り組み。 14 ※引用元：https://farmnote.jp/color/
ZOZOSUIT センサを活用した衣服のオーダーメイド販売 AR マーカー付きの服をスマートフォンで撮影することで全身を採寸。衣服のオーダーメイド販売や商品企画へ活用。株式会社 ZOZO 様の取り組み。 15 ※引用元：http://zozo.jp/zozosuit/
来栖川電算の取り組み AI × IoT に関する 16
地図生成オルソ画像から地物・交通規則を抽出自動運転に使用可能な高品質な地図をオルソ画像から高速に抽出できる深層学習手法を開発。株式会社トヨタマップマスター様との応用事例。 17
都市レベルの動態調査道路沿いの視覚情報を収集、各種サービスへ活用アスクル株式会社様の営業車のドラレコを解析し、視覚情報（ガソリン価格，駐車場満空，渋滞，事故，行列，…）を DB 化。ヤフー株式会社様との共同研究。 18
動作推定 API 加速度センサで人の行動を推定スマホやウォッチの動きから静止・歩行・走行・食事・睡眠などを推定。同じ仕組みで撮影時の手振れ検出も可能。株式会社 NTT ドコモ様との共同研究。 19
毎朝体操腕の動きで体操採点するアプリ 100 ヶ国 20 万人を超えるユーザから日々送られてくるセンサデータを学習することで体操採点の正確さが自動改善。JFE スチール株式会社様へ導入。 20
まとめ AI × IoT に関する 21
まとめ似たものは昔からあったよね ⇒ その通り、でも高かった • AI × IoT の３要素 – センサによる状況の把握 ※昔はここが難しかった – 運用の効率・品質の改善 ※直近の利益 – 新しい製品・サービスへの活用 ※未来の利益 • AI × IoT のブレークスルー – ハード・インフラの低価格化 • Google，Microsoft，Amazon，さくら，SORACOM， Arduino，Raspberry Pi，様々なセンサ，3D Printer，… – 機械学習技術・センシング技術の進歩 • 深層学習によりできる領域がどんどん拡大 22
毎朝体操機械学習の社員教育として始まった 23
毎朝体操いつでも、どこでも、すぐできる • Android & iPhone ⇒ http://maiasa.jp/ 24
体操採点スマホを持って体操 ⇒ 腕の動きを採点 • ラジオ体操（第１・第２） – 立位，座位 • アクティブ体操®partⅡ – 通常版，スカート版 • くまモン体操 ※近日追加予定 25
トロフィー体操するともらえる “かわいい” イラスト • 短期的な習慣化 – 目標があると取り組み易い – すぐに得られる達成感 • 長期的な習慣化 – 人はモノを集めたくなる – ふり返ったときの充実感 • 周囲を巻き込んだ習慣化 – 集めたモノを話のネタに 26
ランキング体操のスコアを競い合う “アツい” イベント • 楽しくて賞品も貰える＆広告でもある 27 2015年 7月～
毎朝市場体操でためたポイントで “おトク” にショッピング 28 2017年 7月～
企業体操 JFE スチール株式会社『アクティブ体操®partⅡ』 • 転倒災害 ※労働災害第１位 – 職場の高齢化、現代人の運動不足により深刻化 • 転倒予防体操 – コケそうな状況で踏ん張れる足腰を作るため、股関節を中心に下肢の筋力、柔軟性、バランスの向上に効果のある運動で構成 29 2016年 12月～
統計俯瞰すると面白い 30
240,000 DL 突破 115 ヶ国の 20 ～ 50 代女性が自宅・職場・旅先で活用 31 0.0% 10.0% 20.0% 30.0% 40.0% 18～24歳 25～34歳 35～44歳 45～54歳 55～64歳 65歳以上男 32.7 %女 67.3 % 15053 いいね！
マグニチュード 4 みんなのラジオ体操の「総熱量」がヤバい！ • ラジオ体操：軽く汗ばむほどの運動強度熱量状況 1.770 GJ 質量1kgの物体が木星の引力圏から脱出するために必要な運動エネルギー 2.000 GJ マグニチュード3の地震のエネルギー 4.184 GJ TNT火薬1トンの爆発のエネルギー 8.532 GJ 世界の人口1人あたりの年間消費電力量（2002年） 13.581 GJ 毎朝体操の総熱量 2014年6月22日時点 62.059 GJ 毎朝体操の総熱量 2017年6月16日時点 64.100 GJ マグニチュード4の地震のエネルギー運動強度状況 2.0 METS 電車の中で立っている 3.0 METS 庭仕事・野球の野手 3.5 METS 平地での自転車 4.0 METS ラジオ体操第１・ハイキング・速足 4.5 METS ラジオ体操第２ 6.0 METS 階段昇降・卓球 9.0 METS 水泳・高強度の長距離走・筋力トレーニング 32
実績だんだん凄くなってきた 33
Mashup Awards 9 日本最大級のアプリコンテストで「優秀賞」獲得 34 ※引用元：http://jp.techcrunch.com/2013/11/14/mashup-award-9/
コンテスト以降「風変わり」なアプリなので様々なメディアが注目 • アプリソムリエ – 【石井寛子アプリ事始】「毎朝体操」超最先端ラジオ体操第１！？ • 週刊朝日 – 【おすすめアプリ生活】あなたの“ラジオ体操度”が測れる「毎朝体操」 • 日経新聞 – 職場で気軽に体ほぐしヨガ・体操…お助けアプリ • 文化放送 – ドコモ団塊倶楽部アプリ紹介コーナー（生放送） 35
TFUG Tokyo #1 2016.10.13 NHK「おはよう日本」で紹介 36
TFUG Tokyo #1 噂の「ラジオ体操する IT 勉強会」の全貌が明らかに 37
Google I/O 2017 TensorFlow のモバイル応用例として紹介 38 ※引用元：https://events.google.com/io/schedule/?section=may-19&sid=33fb7070-294d-4443-b651-e407c730c32f
企業体操のアプリ化 JFE スチール株式会社『アクティブ体操®partⅡ』 • 転倒災害 – 職場の高齢化、現代人の運動不足により深刻化 • 転倒予防体操 – コケそうな状況で踏ん張れる足腰を作るため、股関節を中心に下肢の筋力、柔軟性、バランスの向上に効果のある運動で構成 39 2016年 12月～
アクティブ体操®partⅡ 立ち仕事が多い約 30 社が採用：工場，電力，化粧品，… 40 ※引用元：2017.6.6 NHK「おはよう日本」
ビジネスモデル体操採点を軸にした 41
ビジネスモデルやったか・うまさが判定できると可能になるビジネス 1. 習慣化支援無料 – 毎朝体操の基本機能 2. 健康管理有料 ※割引あり – 日々の運動状況をダッシュボードで把握 – 生体情報と連携した多角的な分析 3. 販売促進有料 ※内容次第 – 体操イベントの開催，賞品やポイントの配布 – 健康意識が高くお金がある層への広告 42
1. 習慣化支援健康が気になる社会人公園や家で気軽に運動したい人 • ゲーム要素，報酬，お得なショッピング 43
2. 健康管理健康を願う企業から従業員や会員への働きかけ • 運動状況の把握・指導，イベントの開催 44
3. 販売促進製品・特産品・観光資源を PR したい企業・自治体 • 健康に関心が高くお金がある層へリーチ 45
毎朝体操の仕組 AI × IoT の観点で理解する 46
目標と制約実用性から考えた 47
目標スマホ内で採点し、即座にレポート化「たくさんのユーザ」に「納得感が高いスコア」を「待たせることなく」提供 ※運営費が安く手間がかからないとなおよい 48
機器の制約できるだけ多くの人に使ってもらいたい • 機器 ○ スマートフォン・スマートウォッチ • 機種を統一できないが、所有している人は多い。 ×指定の BLE デバイス • 機種を統一できるが、買わせる必要がある。 • センサ ○ 加速度センサ ※普及率 100%（2013年当時） ×ジャイロセンサ ※普及率 50%（2013年当時） • 加速度センサとの組み合わせで高度な分析が可能 49
センサの制約腕の軌道を復元できるほどではない • 仕様のばらつき – 低い解像度 – 狭い値域：±2G – 低い周波数：8Hz • 厄介な仕様・バグ – ノイズ：インパルスがやたらはいる。 – バグ：正の最大値を超えると負になる。 – 余計なお世話：省電力モードではとれない。 ※パッチがあっても更新できないユーザがいる。 50
遊び方の制約個人差により全く異なるセンサ値になる • 装着の個人差 – 左右の手（真っ直ぐ・斜め），手首，上腕 ※気分や状況で変わる。ユーザは面倒を嫌うため、どこにどのように装着したかを毎回入力してくれない。入力も正確ではない。 • 動作の個人差 – 鏡，間接の位置・角度，振りの強さ・テンポ ※家の中、動画や周囲を見ながら、など状況によっても変わる。うろ覚えなことも多い。 51
センサデータの様子少数のデータで説明できるほど単純ではない • 桃枠：白枠（収集データ）で説明できる領域 52 単一の法則に支配される世界領域ごとに異なる法則に支配される世界
方式様々な試行錯誤の末たどり着いた 53
ひねりだした方式ユーザと運営の両者の制約を満たす • 分類タスクへの還元（頑健なアルゴリズム） – 腕の軌道のズレが分かるほどのセンサではないが、腕の動きの種類なら分かりそう。 • 網羅的なデータ収集（ビッグデータ） – 同じ体操でもデバイス・センサ・個人の差により全く異なるデータになる。 • スマホ側での採点（エッジコンピューティング） – 待たせないため（採点時間を一定にする）にはユーザ数に比例する計算資源が必要となる。 54
分類タスクへの還元スコア＝時刻ごとに定められた動作との一致率 55
網羅的なデータ収集ユーザによる教師データ作成＋ノイズ対策・偏り対策 • 音楽に合わせて体操＝教師データ作成 – 再生開始からの時刻が分かれば動作も分かる 56
エッジ側での採点様々な工夫によりスマホの計算資源だけでの採点を実現 • 膨大な軽量特徴 × 集団学習 – 機械的に生成された特徴の組み合わせを学習により獲得し、推論（動作の分類）に活用 • 実装の工夫 – 索引や近似を用いた省資源化 – アーキテクチャへのフィット – 体操と並行した採点 – サーバを必要としない採点 57
まとめ体操採点エンジンを CLOUD で学習，EDGE で推論ユーザのデバイス・計算資源・通信回線を活用した安い仕組 59 EDGE 体操データ体操採点エンジン CLOUD 強化
毎朝体操の AI の改善継続して行ってきた 60
深層学習による精度改善データがめちゃくちゃ増えたからできた 61
課題と動機採点の精度はイマイチだが、データがめちゃくちゃ増えた • リリース前 – 及第点の精度 • スタッフが試して、それなりに納得がいく • 新規ユーザが、全然ダメと判断してしまわない、アプリを削除してしまわない（であろう） – 体操データ：数十人 × 数十回 • スタッフのデータだけでは量・網羅性ともに不足 • リリース後 – 精度に不満を持つユーザのレビュー – 大量に集まった体操データ：数百万回 62
施策膨大な軽量特徴 × 集団学習（旧） ⇒ 深層学習（新） • 旧手法の複雑さを参考に DNN を設計 63
実験：小規模かなりチューンされた手法に勝つのは容易ではない 64 手法集団学習膨大な軽量特徴の組み合わせ深層学習パラメータ数はほどほど事例数オーグメント：なし訓練 1,409,410 個 1,409,410 個検証 145,452 個 145,452 個処理時間測定環境：サーバ訓練 0.5 h CPU 16.8 h 95.8 epoch GPU 検証 17.0 s CPU 1 core 72.0 s CPU 1 core 予測性能 Accuracy 78.5 % 79.1 % Recall 77.6 % 76.3 % Precision 78.2 % 81.2 % F-Measure 77.7 % 76.6 % ※予測性能はラジオ体操第１の運動ごとの評価値の平均である。ユーザから収集したデータ（ノイジー）なので良い値に見えないが、体感性能は良い。
実験：大規模事例が増えるとパラメータが多い深層学習が有利に 65 手法集団学習改膨大な軽量特徴の組み合わせ深層学習改パラメータ数：ほどほど事例数オーグメント：なし訓練 27,822,604 個 27,822,604 個検証 27,453,840 個 27,453,840 個処理時間測定環境：サーバ訓練 8.0 h CPU 23.7 h 29.4 epoch GPU 検証 0.9 h CPU 1 core 6.2 h CPU 1 core 予測性能 Accuracy 83.2 % 86.8 % Precision 82.8 % 87.6 % Recall 84.3 % 87.1 % F-Measure 83.4 % 87.1 % ※どちらの手法も同じ改良が施されているので、それらを比較することはできるが、前の実験とは単純には比較できない。
実験：大規模 & リッチ深層学習はパラメータを増やすとどんどん賢くなる 66 手法深層学習改パラメータ数：ほどほど深層学習改パラメータ数：リッチ（9倍）事例数オーグメント：なし訓練 27,822,604 個 27,822,604 個検証 27,453,840 個 27,453,840 個処理時間測定環境：サーバ訓練 23.7 h 29.4 epoch GPU 6.6 h 2.9 epoch GPU 検証 6.2 h CPU 1 core 67.1 h CPU 1 core 予測性能 Accuracy 86.8 % 90.5 % Precision 87.6 % 90.5 % Recall 87.1 % 90.6 % F-Measure 87.1 % 90.5 % ※リッチな方はパラメータ数が多すぎてリリースできないため、パラメータを増やせば賢くなることが分かった時点で実験を終了した（まだ伸びしろあり）。
実験：リリース版毎週、ユーザから収集したデータを学習させまくる 67 手法深層学習改パラメータ数：ほどほど深層学習改Ⅱ パラメータ数：ほどほど事例数オーグメント：なし訓練 27,822,604 個 95,803,200 個検証 27,453,840 個 27,453,840 個処理時間測定環境：サーバ訓練 23.7 h 29.4 epoch GPU 47.6 h 75.0 epoch GPU 検証 6.2 h CPU 1 core 4.4 h CPU 1 core 予測性能 Accuracy 86.8 % 90.3 % Precision 87.6 % 90.0 % Recall 87.1 % 90.6 % F-Measure 87.1 % 90.2 % ※手法を改良（高速化）したため、処理時間が少なくなっている。改良は高速化のみなので、予測性能の向上は訓練事例数の増加によるものである。
効果：スコアユーザ体験（納得感）が劇的に改善 • 平均スコア：75点 ⇒ 90点 68 70 75 80 85 90 95 20150713 20150727 20150810 20150824 20150907 20150921 20151005 20151019 20151102 20151116 20151130 20151214 20151228 20160111 20160125 20160208 20160222 20160307 20160321 20160404 20160418 20160502 20160516 20160530 20160613 20160627 20160711 20160725 20160808 20160822 20160905 20160919 20161003 20161017 20161031 20161114 20161128
効果：参加者数参加者だけでなく熱中している人が増えた • 参加者数 / イベント：3.5倍↑ 参加者数 / 日：4.5倍↑ 69 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 20150713 20150727 20150810 20150824 20150907 20150921 20151005 20151019 20151102 20151116 20151130 20151214 20151228 20160111 20160125 20160208 20160222 20160307 20160321 20160404 20160418 20160502 20160516 20160530 20160613 20160627 20160711 20160725 20160808 20160822 20160905 20160919 20161003 20161017 20161031 20161114 20161128
マイナー体操対応データを所有するからこそできる 70
課題と動機マイナーな体操への対応に時間がかかりすぎる • 従来プロセス – スタッフの体操データで訓練検証し、及第点の精度まで改善した上でリリース – リリース後はユーザの体操データで精度改善 – マイナーな体操だと、データがなかなか集まらず、精度を改善できない • マイナーな体操：企業体操，地域体操，… – 企業や自治体へ売り込みたい – メジャーな体操のデータは使えないものか 71
施策と実験メジャーな体操のデータをマイナーな体操へ転移学習 • 転移学習 – データが豊富にあるタスクで学習済みモデルを作成し、データが不足するタスクのためのモデルの初期値として利用する手法 72 体操種類転移訓練体操数検証体操数 Accuracy Precision Recall F-Measure ラジオ体操第１立位元 86969 個 6265 個 84.2 % 84.9 % 84.2 % 84.0 % ラジオ体操第１座位無 116 個 15 個 66.3 % 67.6 % 72.5 % 68.3 % ラジオ体操第１座位有 116 個 15 個 78.1 % 79.1 % 82.9 % 80.0 % ラジオ体操第２座位無 117 個 13 個 67.3 % 67.0 % 68.9 % 67.2 % ラジオ体操第２座位有 117 個 13 個 77.4 % 78.0 % 79.5 % 77.8 %
効果同程度の効果を得るには相当な費用が必要 • マイナー体操は練習からやる必要 73 項目内訳費用求人 / 広告費 10 万円 10 万円求人 / 人件費 2,000 円/時 × 0.25 時/人 × 200 人 100 万円指導者 / 人件費 2,000 円/時 × 8 時/日 × 25 日/人 × 2 人 80 万円指導者 / 交通費 2,000 円/日 × 25 日/人 × 2 人 10 万円体操者 / 人件費 2,000 円/時 × 2 時/日 × 5 日/人 × 100 人 200 万円体操者 / 交通費 2,000 円/日 × 5 日/人 × 100 人 100 万円場所 16,000 円/日 × 25 日 40 万円機材 / スマートフォン 50,000 円/台 × 2 台/セット × 10 セット 100 万円機材 / スマートウォッチ 50,000 円/台 × 2 台/セット × 10 セット 100 万円合計 740 万円
まとめ IoT は AI の改善を加速 ⇒ ユーザ体験を改善 • 毎朝体操の AI の改善 – 深層学習による精度改善 – 転移学習によるマイナー体操対応 • ポイント – 及第点の精度でリリースし、大量のデータが集まってから精度改善 – ある体操のデータがそれなりにあると、別の体操にすぐに対応可能 75
AI × IoT のこの先エモい話 76
強化学習 on 現実世界強化学習で現実のタスクを解く＝仮想世界を構築現実世界での様々なタスクを強化学習で仮想世界へと対応付けることで、大規模なシミュレータが構築可能。仮想世界での強化学習が捗る世界が到来。 77
求人付録① 78
スタッフ募集中学生さんも大歓迎アシスタント職もアリ • 研究職 – 機械学習を用いた映像・信号・自然言語の理解と検索・診断・制御への応用 – アルゴリズムの高精度化・高速化・省資源化 • 開発職 – アプリケーション • UI/UX，フロントエンド，バックエンド – インフラストラクチャ • ライブラリ，ミドルウェア，ツール，プロセス 79
体制・設備・サポート付録② 80
体制 AI 実現のための全業務をカバー 81 AI アプリ SI インフラ AI インフラデータモデル研究者アノテータデザイナ開発者職種正社員アルバイト合計 24 時／週以上 12 時/週以上 ※即戦力試用期間研究者 26 % 3 % 5 % 0 % 34 % 開発者 24 % 11 % 18 % 8 % 61 % デザイナ 0 % 5 % 0 % 0 % 5 % 合計 50 % 18 % 24 % 8 % 100 %
設備研究開発を円滑にするためにあらゆる手を尽くす • 理想的な個人設備 ※好きなものが選べる – PC，椅子，モニタ，キーボード，マウス，… • 豊富な計算資源とアノテータ ※使いやすい – Ahab：実験用ハイブリッドクラウド – ANNOFAB：アノテーションサービス • 豊富な独自データ ※世界中からどんどん集まる – 自動運転用データ，商品認識用データ，文字認識用データ，体操採点用データ，… 82
サポート技術を磨きやすくするためにあらゆる手を尽くす • 様々な働き方 – 自由な時間帯・場所，冒険者制度，… • 優秀な同僚 ※メンタリング（JEDI） – IPA 未踏ソフトウェア創造事業採択者，コンテスト入賞者，OSS コントリビュータ，… • その他 ※全て会社負担 – 自己研鑽のための書籍・機材の購入 – 勉強会・懇親会の開催・参加・移動・宿泊 – 会社の昼会・夕会・飲み会で供される飲食物 83
製品・サービス付録③ 84
文字認識様々な書体・外乱に対応した 85
タンゴチュウ写真に写る単語を抽出するサービス情景画像（スマホで撮影した写真など）に写る単語を抽出。様々な書体・配置・劣悪な環境（歪み・隠れ・擦れ・照明など）での利用を想定。 86
類似検索膨大なデータの中から類似データを高速・高精度に照合できる 87
画像認識 API 商品パッケージで情報検索する API 商品パッケージが写った画像を送信するだけで、膨大な DB から瞬時に種類を特定。クロールした画像から直接構築した DB を利用。 88
Cellars ワインラベルで情報検索するアプリワインラベルにスマホをかざすだけで、18 万件から瞬時に種類を特定。国内外のコンテストで入賞。株式会社 Cellars 様による弊社技術の応用事例。 89
AR 付箋書籍の中身を検索するアプリ書籍を開いてスマホをかざすだけで、膨大な DB から瞬時にページを特定し、貼られている付箋を表示。お客様による弊社技術の応用事例。 90
物体認識物体の位置・向き・姿勢・種類を高速・高精度に捉える 91
走行データ解析周辺環境を認識し、様々な解析に活用膨大な走行データから歩行者・車両・白線・標識などを検出・追跡し、索引化。必要に応じて、CAN や Lidar なども活用し、高品質化。 92
地図生成オルソ画像から地物・交通規則を抽出自動運転に使用可能な高品質な地図をオルソ画像から高速に抽出できる深層学習手法を開発。株式会社トヨタマップマスター様との応用事例。 93
都市レベルの動態調査道路沿いの視覚情報を収集、各種サービスへ活用アスクル株式会社様の営業車のドラレコを解析し、視覚情報（ガソリン価格，駐車場満空，渋滞，事故，行列，…）を DB 化。ヤフー株式会社様との共同研究。 94
モーション認識身体の動き・姿勢を高速・高精度に捉える 95
動作推定 API 加速度センサで人の行動を推定スマホやウォッチの動きから静止・歩行・走行・食事・睡眠などを推定。同じ仕組みで撮影時の手振れ検出も可能。株式会社 NTT ドコモ様との共同研究。 96
毎朝体操腕の動きで体操採点するアプリ 100 ヶ国 20 万人を超えるユーザから日々送られてくるセンサデータを学習することで体操採点の正確さが自動改善。JFE スチール株式会社様へ導入。 97
なりきり 2.0 ヒーローの動きでゲームを制御腕や脚に装着したセンサで体の動きを捉え、家庭用ゲーム機のコマンドを生成。格闘ゲームが遊べるほどの速さと正確さをスマホ上で実現。 98
研究開発支援日々使い改良される道具による 99
DNN コンパイラ DNNの推論を 10 ～ 1000 倍も高速化重みや活性の量子化・スパース化、計算の共有などの様々な手法で DNN を近似し、高速化・省資源化された実行形式（Linux・Android・iOS）へ変換。 100
Ahab（実験スケジューラ）大量の実験と計算資源を効率的に管理計算資源をプライベートクラウド化し、実験に専念できる環境を実現。実験のスクリプト化、信頼性や再現性の向上、資源割り当ての効率化などを促進。 101
ANNOFAB（アノテーションサービス）高品質な教師データを大量に生産可能品質・生産性のトレードオフ、誤り・漏れの削減、きめ細かく柔軟な仕様・課題・進捗の管理。実務で培われたノウハウが詰まったツールとスタッフをご提供。 102

Check these out next

NAGOSUTA 20181020

Recomendados

Mais conteúdo relacionado

Similar a NAGOSUTA 20181020(20)

Mais de 陽平山口(20)

Último(20)