深層学習の代表的な手法である畳み込みニューラルネットワークは画像認識分野で様々なタスクへの応用が進んでいる。
本講義では、畳み込みニューラルネットワークの基礎と画像認識分野における応用事例について説明する。また、畳み込みニューラルネットワークの判断根拠の視覚的説明や、実装に向けた環境やディープラーニングフレームワークによるサンプルコードの説明など実践的に活用できる内容を網羅的に説明する。
- ディープラーニングの現在
- 畳み込みニューラルネットワーク (CNN:Convolutional Neural Networks)
- 畳み込み層
- プーリング層
- 全結合層
- 出力層
- 畳み込みニューラルネットワークの学習
- 誤差逆伝播法
- 最適化法 (SGD / Adam / RMSProp)
- ネットワーク構造
- AlexNet
- VGG
- GoogLeNet
- ResNet
- DenseNet
- 汎用性を向上させるためのテクニック
- Dropout
- Batch Normalization
- Stochastic Depth
- Shake-shake Regularization
- データ拡張
- 物体検出への応用
- R-CNN
- Fast R-CNN
- Faster R-CNN
- YOLO
- SSD
- DSSD
- セグメンテーションへの応用
- FCN
- SegNet
- U-Net
- PSP Net
- 姿勢推定への応用
- Deep Convolutional Pose Machines
- Part Affinity Field
- ネットワークの可視化・視覚的説明
- CAM
- CAM Grad
- Attention Branch Network他
- ディープラーニングのフレームワーク
- Chainerによる実装
- Pytorchによる実装
- Neural Network Console等