セミナー
Deep Learningによる高精度な画像認識の手法と判別根拠の可視化技術
～学習データの準備・データ拡張・可視化手法を具体的に学ぶ～
開催主旨
ここ数年、AI（Artificial Intelligence、人工知能）の応用が急速に進展しています。劇的な認識率の向上をもたらしAI分野を発展させたのが、脳の働きからヒントを得た学習手法である「Deep Learning（深層学習）」のアルゴリズムであり、実装が容易なライブラリの登場によりユーザー数が増大しています。
Deep Learningによる画像処理により高い認識率が多く報告されていますが、高精度化を図るためにはNeural Networkの構造を理解し、かつ学習データの品質の確保が求められます。本講座では、物体検出のための最新のNeural Networkの構造から、データ拡張の手法、高精度化のための学習データの準備の仕方までを解説します。
また、後段では、Deep Learningの判別根拠を可視化する最新の研究例を解説。Deep Learningは、膨大に存在するデータから巨大なNeural Networkを学習するため、何らかの事象について正しい推定ができたとしても、その理由や根拠を示すのが難しいです。また、Deep Learningにおける判断プロセスは基本的にはブラックボックスであり、AIが導出した回答の理由や根拠を十分な形で提示できず、結果、品質保証の分野等でのAIの利活用が停滞しています。紹介する研究例は、それに一石を投じる有意なものであり、外観検査等での利用が期待されます。
概要
| 日時 | 2020年 1月27日（月）10:00～17:00 |
|---|---|
| 会場 | 日刊工業新聞社 大阪支社 セミナールーム |
| 受講料 | 44,000円（テキスト代、税込） ※振込手数料は貴社でご負担願います。 |
| 主催 | 日刊工業新聞社 |
| 協力 | 中部大学 山下研究室 |
| お問い合わせ先 | 日刊工業新聞社 大阪支社 事業出版部 セミナー係 TEL : 06-6946-3382 FAX : 06-6946-3389 E-mail : seminar-osaka@media.nikkan.co.jp |
講師
会場アクセス
-
日刊工業新聞社 大阪支社
セミナールーム
大阪市中央区北浜東2-16 - セミナー会場案内図
プログラム
| 1 Deep Learning（深層学習）の現在 |
| 1.1 Deep Learningでできること 1.2 何がDeep Leaning ？ 1.3 注目されるきっかけ |
| 2 Convolutional Neural Network（CNN、畳み込みニューラルネットワーク） |
| 2.1 Convolutional Neural Networkの構造 2.2 Convolutional Neural Networkの学習 2.3 汎化性能を向上させる方法 2.4 バッチ学習とバッチ正規化 2.5 学習データの重要性 2.6 データ拡張の方法（Cutout/Random Erasing、Mixup等） |
| 3 代表的なネットワーク構造 |
| 3.1 AlexNet 3.2 VGG 3.3 GoogLeNet 3.4 ResNet 3.5 ResNetの派生ネットワーク |
| 4 物体検出のネットワーク構造と特徴 |
| 4.1 Fast R-CNN 4.2 Faster R-CNN 4.3 R-FCN 4.4 YOLO 4.5 SSD 4.6 最新のネットワーク構造（SegNet、U-Net、PSNet、DeepLab V3ほか） |
| 5 DeepLaerningを活用した新たなモノづくり・仕事 |
| 5.1 モノづくりへのDeep Learningの活用 5.2 ピッキングロボットシステム（Amazon Robotics Challenge、World Robot Summit） 5.3 CNNによるリアルタイム物体検出 5.4 End-to-End学習による自動運転 5.5 一貫学習による自動走行 5.6 自動運手に必要な物体検出 |
| 6 Deep Learningの判断根拠の可視化 |
| 6.1 Deep Learningが着目しているところ（ネットワークの可視化、DrawNetなど） 6.2 着目領域の可視化手法（Class Activation Mapping：CAMなど）と問題点 6.3 着目領域を活用した精度向上方法（Attention Branch Network：ABN） 6.4 眼底画像の疾患判定への適用、自動運転と判断根拠の同時獲得、自動運転制御の視覚的説明、アテンションの言語説明 6.5 不確実性を考慮したABN、Bayesian ABN 6.6 手動によるネットワークの調整、Attention mapの調整 6.7 ABNのファインチューニング |
| 7 高い精度を達成するために必要なものは？ |
| 7.1 Deep Learningの三種の神器（アルゴリズム、データセット、計算機リソース） 7.2 データの重要性 7.3 良質なデータとは |
