機械学習による超解像の基礎理論、研究最新動向、及びPythonを用いた実践

超解像は、古くから、テレビの高画質化に用いられてきた技術ですが、近年では、カメラのデジタルズーム、監視カメラ、医用画像、ゲーム等、さまざまな用途で用いられています。 　2014年、香港中文大学より、機械学習による超解像が提案されて以来、この分野での研究が今日に至るまで活発に行われています。 　本講座では、機械学習による超解像に関する基礎理論、最新の動向、及び、Pythonを用いた実践に関して講義いたします。

1. 理論
   1. 機械学習について
      1. 歴史
      2. 基礎理論
         1. 順伝播型ネットワーク
         2. 確率的勾配降下法
         3. 誤差逆伝播法
         4. CNN;畳み込みニューラルネット
         5. RNN;再起型ニューラルネット
      3. 最新の研究
         1. GAN
         2. Attention Network
         3. ネットワークの構造
            • ResNet
            • DenseNet
            • U-Net
         4. モデルの軽量化
   2. 超解像について
      1. 歴史
      2. 基礎となる研究
      3. 最新の研究動向
2. 実践
   1. 機械学習フレームワーク
   2. Pythonの基本
   3. Tensorflowの基本
   4. 実行環境の構築
   5. ソースコードの入手
   6. 実行 (train/deploy)
   7. GPUによる高速化
   8. Google Collaboratoryによる実行
   9. 参考文献・URL