【ゼロから作るDeap Learning】8.4~8.6

2024前期輪読会 #12 ゼロから作るDeep Learning 8.4-8.6 京都大学理学部一回生 ALAWIK Abdourrahman 0

発表のポイント 8.4 ディープラーニングの実用例 ➢ 物体検出 ➢ セグメンテーション ➢ 画像キャプション生成 8.5 ディープラーニングの未来 ➢ 画像スタイルの変換 ➢ 画像生成 ➢ 自動運動 ➢ Deep Q-Network (強化学習) 8.6 まとめ 1

8.4 ディープラーニングの実用例 2

8.4 ディープラーニングの実用例 物体認識 画像のクラス分類 ➢ 手書き数字認識（これまでの実用） ➢ 猫・犬 3

8.4 ディープラーニングの実用例 A 物体検出 画像のクラス分類＋位置の特定 物体認識と違って、画像全体を対象にしていない 4

8.4 ディープラーニングの実用例 A 物体検出の実行（R-CNN） R-CNN (Region Based Convolutional Neural Networks) 1. 画像を入力 2. 候補領域抽出 ➢ Selective Search ➢ Faster R-CNN 3. CNNの特徴の計算 4. 領域の分類 5

8.4 ディープラーニングの実用例 B セグメンテーション ピクセルのレベルでクラス分類を行う ➢ 入力画像のすべてのピクセルに対してクラス分類を行う 6

8.4 ディープラーニングの実用例 B セグメンテーションの実行 全てのピクセルを対象として、ピクセルごとに推論処理？ ➢ 時間！ FCN(Fully Convolutional Network) ➢ １回のforward処理ですべてのピクセルに対してクラス分類 ➢ 空間ボリュームは保たれたまま最後の出力まで処理 ➢ 最後に空間サイズを拡 ➢ バイリニア拡大（デコンボリューション） 7

8.4 ディープラーニングの実用例 C 画像キャプション生成 コンピュータービジョン＋自然言語 画像→画像を説明する文章 8

8.4 ディープラーニングの実用例 C 画像キャプション生成の実行 NIC(Neural Image Caption) ディープなCNN→RNN(Recurrent Neural Network) ➢ 特徴抽出→再帰的にキャプション生成 9

8.5 ディープラーニングの未来 10

8.5 ディープラーニングの未来 A 画像スタイル変換 アーティストのような絵を描かせる 「コンテンツ画像」＋「スタイル画像」→新しい画像 11

8.5 ディープラーニングの未来 A 画像スタイル変換の実行 「コンテンツ画像」の中間データ→ネットワークの中間データ 「スタイル画像」→スタイル行列 論文「A Neural Algorithm of Artistic Style」 12

8.5 ディープラーニングの未来 B 画像生成 画像を入力せずに画像を生成 DCGAN(Deep Convolutional Generative Adversarial Network) 13

8.5 ディープラーニングの未来 B 画像生成の実行 Generator：画像を生成 Discriminator：本物かどうかを識別 14

8.5 ディープラーニングの未来 C 自動運転 人間の代わり運転 ➢ 周囲の環境を正しく識別 ➢ SegNet… 15

8.5 ディープラーニングの未来 D 強化学習 試行錯誤によて、自立的に学習 強化学習（reinforcement learning） ➢ エンジェント：環境に応じて行動を選択→環境変化 ➢ より良い（見込みの）報酬が得られるようにエンジェントの 行動指針 16

8.5 ディープラーニングの未来 D 強化学習の実行（ Deep Q-Network ） Q学習 ➢ 最適行動価値関数 ➢ ディープラーニング→近似 例：テレビゲーム 入力：ゲーム画像のフレーム →CNN →コントローラーの動きに価値 →人間を超えるレベルの操作 17

8.6 まとめ 18

8.6 まとめ まとめ ➢ ディープなCNN→手書き数字認識を99%を超える高精度な結果 ➢ まだ分かっていないことが多い 19

2. 便利なテンプレ集 まとめ まとめ１ まとめ２ まとめ３ ディープラーニングを使って多くの問題が解ける 未だ研究されているものはさらに多い お疲れさまでした 20

21