正月休みに Twitter（現 X）を眺めていると面白いポストを見かけました。 これまで人類は真理とは単純なものであると考えて、 や のような単純な真理を追いかけてきたわけですが、このようなものは実は真理のうちのごく一部であり、人間には理解できないほど複雑な真理もあるのではないかという考え方です。 ❌「AIが人間より質的量的に賢くなったら人間には理解しきれなくなる」 ⭕️「この世界はもともと人間には理解しきれない構造になっていて、AIはそこを扱えるようになる」 みたいな世界観を持っていたほうが良さそうな気がする— すきえんてぃあ@書け (@cicada3301_kig) 2024年12月31日 似た話が 2018 年頃に敵対的摂動の文脈で議論されているのですが、本稿ではそのあたりの話を最近の文脈に絡めてお話します。 目次 目次 AI は人間には認知できない情報を活用できる 微弱な情報を活用
Mastering All YOLO Models from YOLOv1 to YOLO-NAS: Papers Explained (2024) Part2概要URL: https://learnopencv.com/mastering-all-yolo-models/2015年に登場したYOLOv1から最新のYOLO-NASまでの包括的なまとめ記事細かいところは別記事などを参考にしつつまとめています今回はYOLOv5から。前回の記事は以下に。 Mastering All YOLO Models from YOLOv1 to YOLO-NAS: Papers Explained (2024) Part1 概要 URL: https://learnopencv.com/mastering-all-yolo-models/ 2015年に登場したYOLOv1から最新 簡単な年表CVPR 20
はじめに今年の夏, MIRU 2023 チュートリアルにて「CVPR 2023 速報」[Full ver.] [MIRU ver.]を発表させて頂きました. MIRU2023会期中, 非常に辛（から）かった飲み会の席にて偶然にも面白いB4の学生さん（Oさん）とお話する機会がありました．その出会いをきっかけに, Oさんとは共同主著を前提として共同研究を実施させて頂くことになりました. もちろん, OさんはB4の学生さんということもあり, 初めての研究でコーディング未経験という状態からのスタートです. かねがね, cvpaper.challenge研究メンバーとしても, 極めて変化の激しいコンピュータビジョン分野にてトレンドを創出するためには, どのように効率的に研究を進めていけば良いのか, 研究メンバーのプレゼンスを最大化するための方法論については片岡さんとも相談を重ねていました. また,
先日、こちらのポストをお見かけしました。 AI技術開発部の高橋が社内勉強会の資料「時系列予測にTransformerを使うのは有効か？」を公開しました。 論文Are Transformers Effective for Time Series Forecastingの紹介を中心に、時系列予測について解説しています。ぜひご覧ください。https://t.co/LplxTT8b1d pic.twitter.com/nUXb4bGiQ3— GO Inc. AI Tech (@goinc_ai_tech) 2023年9月28日 なるほど、NN全盛というかNN一択の時代にあっては時系列予測もNNでやるのが当たり前になったのだなという感想でした。大昔「沖本本」で古典的な計量時系列分析を一通り学んだ身としては隔世の感がありますが、これもまたNN時代の趨勢なのでしょう。 なお、元論文2点は上記リンクから辿
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 最近、画像の異常検知研究が活発になってきました。 そこで、本稿では、画像の異常検知研究に関する最新情報をお伝えします。 画像はpaper with codeより転載 先に結論 最近の研究は精度を維持しつつ、メモリの圧迫を抑える。さらに、推論時間も短縮させている。 最近のデータセットは多様性が増し、より難易度が上がっている 予備知識 本題に入る前に、従来の手法・データセットが抱える問題点をおさらいしておきます。2021年くらいまでの情報ですので、ご存知の方は読み飛ばしてください。 従来の手法 PaDimとマハラノビスAD 今でも根強い人気
Stable DiffusionやMidjourneyなどの画像生成AIはデータセットの画像から学習していますが、このデータセットに含まれる画像の著作権については議論があり、「自分のイラストや写真をAIに学習されたくない」という人も多くいます。上海交通大学の研究チームが発表した「Mist」は画像に見えない透かしを入れることで、AIによって画像を認識できなくさせ、学習を防ぐ処理ツールです。 Mist https://mist-project.github.io/index_en.html [2302.04578] Adversarial Example Does Good: Preventing Painting Imitation from Diffusion Models via Adversarial Examples https://doi.org/10.48550/arXiv.23
今回、主に点群に対してSemantic Segmentationを行うためにTansformerを適用した研究についてサーベイしてみたので、資料を公開します。 元々は、前回開催したコンピュータビジョン勉強会＠関東「深層学習＋３D論文読み会」で発表するために準備していたのですが、発表者が十分に集まったことと、ハイブリッド開催のため運営が大変になりそうだったので、発表は断念しました。 最初は画像と点群でのTransformerの適用方法の違いが気になって調べだしたので、PointTransformerとPointMixerあたりまでを発表するつもりだったのですが、発表を取りやめて調べる時間もできたので、色々と追加で調べているうちに分量が増えてしまいました。 調べてみて、果たしてTransformerは畳み込みと比べて点群処理に最適か？というのはよくわかりませんでした。ただ、PointBERTの
光切断法トンネル断面計測装置が製品レベルに！ 国交省PRISM試行の成果を全国展開へ（大林・日南・東京大学コンソーシアム） 大林組と東京大学は2021年度、「光切断法」と呼ばれる手法を用いて、トンネルの断面を簡単かつ高精度に計測できる装置を開発した。2022年度には機器開発を得意とする日南（本社：神奈川県綾瀬市）をコンソーシアムに加え、さらに装置の完成度を高めた。そこには、国土交通省が生産性向上や品質管理の高度化のために推進する「PRISM試行」の開発成果を建設業に普及させ、全国の現場に展開する狙いがあった。 光切断法によるトンネル断面計測装置の製品化を視野に入れた完成イメージ。PRISM試行プロジェクトでの開発成果を建設業界に広く普及させ、全国の現場で使えるようにと考えた結果が最終的なデザインに結び付いた 現場事務所で完成デザインをお披露目 2023年2月7日、国土交通省近畿地方整備局の
武内和人/Takeuchi Kazuto @Kazuto_Takeuchi このツイートがTwitterで少し話題になっているようなので、この機会に戦争がどのように発生するのか、そのメカニズムについて政治学をあまり知らない方に向けて解説しようと思います。かなり長いスレッドになると思いますが、戦争のリスクについて自分なりに考えてみたい方はご一読ください。1/ twitter.com/ISOKO_MOCHIZUK… 望月衣塑子 @ISOKO_MOCHIZUKI なぜ、こんな当たり前の事がわからない大人ばかりなのか 故・加藤周一さん 「戦争の準備をすれば、戦争になる確率が大きい。平和を望むなら戦争を準備せよじゃあない。戦争の準備でなく平和を準備した方がいい。準備は容易に本当の戦争の方へ近づいていく。非常に早く強く」 jcp.or.jp/akahata/aik22/… 武内和人/Takeuchi
先端技術研究所 点群圧縮技術の最新の国際標準方式に対応したリアルタイムコーデックによる伝送実験に成功 ～デジタルツインでの活用に向け、多様な3Dコンテンツを高い表現力で手軽に伝送～ 2023年1月24日 株式会社KDDI総合研究所 株式会社KDDI総合研究所（本社：埼玉県ふじみ野市、代表取締役所長：中村 元、以下「KDDI総合研究所」）は、三次元（以下「3D」）点群圧縮技術の最新の国際標準方式であるPCC（Point Cloud Compression）に対応したリアルタイムコーデックを用いた伝送実験（以下「本伝送実験」）に世界で初めて成功しました（注1）。本伝送実験は、そのままでは膨大なデータ量となる3D点群を、データ品質を落とすことなく大幅に圧縮し、効率的かつ安定的にモバイル回線で伝送できることを確認したものです。 人物や建造物などの3D点群をモバイル回線で伝送できることで、従来より手
ＩｏＴはＩｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓの略で「モノのインターネット」と訳されている。ＩｏＴの発達により、コンピューター以外のさまざまな「モノ」がネットワークにつながり、データや情報を収集・交換することで、あらゆるモノが有機的に機能する社会の実現が期待されている。映像ＩｏＴとはＩＰネットワークカメラや全方位カメラなど、さまざまな映像センサーによるＩｏＴだ。 情報通信研究機構（ＮＩＣＴ）では、映像ＩｏＴ技術を活用した「鳥の目」「虫の目」「魚の目」による都市空間見守り、特に災害の早期発見・早期対応技術開発を進めている。 鳥の目は映像ＩｏＴシステムを山頂やタワーに設置することで、高所から街を見守る。パン・チルト機能を活用することでカメラは定常的に街全体をスキャンし、２０Ｋを超える超高解像度画像により河川増水や火災発生を検出する。災害発生時にはズーム機能による詳細画像取得や災害変化追跡を行う。
マサチューセッツ工科大学（MIT）は2022年6月1日（米国時間）、機械学習の予測を信頼するかどうか、ユーザーが判断するために用いる「説明モデル」に問題があると発表した。 機械学習の対象データとなる人々のうち、社会的に不利な立場にある人々で構成されるサブグループについては、精度が低くなる可能性があるという。 機械学習モデルは、意思決定支援に利用されることがある。例えば、「どのロースクール志願者が、司法試験に合格する可能性が高いか」をモデルが予測し、ロースクールの入試担当者がその予測結果を、（ロースクールの合格実績を高めるために）どの学生を合格させるかといった判断に役立てる場合がある。 機械学習モデルが複雑すぎて理解できない こうした機械学習モデルは多くの場合、数百万ものパラメーターを持つ。このため、モデルがどのように予測するかについては、機械学習の利用経験がない入試担当者はもとより、研究者
DICOMO2022 6A 統一セッション：クラウド 招待講演 https://tsys.jp/dicomo/2022/program/program_abst.html#6A-1 情報サービスの利用者に必要な機能を頻繁に加え続けながらも、いかに必要十分な信頼性を継続させるかが従前より課題となっている。この課題に対するひとつの回答とも言える、Googleが提唱した情報サービスの新しい運用形態であるSite Reliability Engineering（SRE）の普及が進んでいます。本発表では、SREの中核概念を整理した上で、AI時代に向けて、AIとの対話を軸にした未来の運用のあり方を構想します。
Innovative Tech： このコーナーでは、テクノロジーの最新研究を紹介するWebメディア「Seamless」を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。 米MetaのReality Labsの研究チームが開発した「Authentic Volumetric Avatars from a Phone Scan」は、スマートフォンで自撮りした短時間のスキャン画像から、本物そっくりの3D頭部アバターを生成するシステムだ。異なる視点やフォトリアリスティックな表情を表現し、高い忠実度で再現する。 現在、実在する人物のアバターを作成するためには膨大な人物データを取得する必要があり、そのデータを収集するには大規模なマルチビューキャプチャーシステムを必要とする。そのため軽量なデータキャプチャー、低遅延、許容できる品質でのアバター作成プロセスを自動化することが
イントロ「実験室内で培養した人の「ミニ脳」にゲームをプレイさせることに成功、AIよりも速いわずか5分で習得」というニュースが話題になっています。 脳細胞をトレーの中で人工培養させて、その細胞に卓球ゲームの「Pong」をプレイさせたところ、たった５分で学習し、ラリーが続くようになったと報告されています。まるで、マトリックスの映画のようで、この技術を使った未来がワクワクすると同時にちょっと怖くもあります。一体、どんな技術を使って、脳細胞に卓球ゲームを学習させたのでしょうか。このニュースを取り上げている記事は多かったのですが、中身の仕組みについて解説している記事は多くありませんでした。そこで、このブログ記事では、ミニ脳にゲームを学習させた仕組みを自分の勉強がてらに、備忘録的にざっくりとまとめたいと思います。（そのため、自分の理解や記述が間違っている箇所があるかもしれません。もしありましたらお知ら
こんにちは、R&Dチームの河野(@ps3kono)です。深層学習モデルの開発を担当しております。 今回は、画像分類、画像検査、顔認識や異常検知など様々な分野に利用されている深層距離学習(Deep Metric Learning)について紹介したいと思います。 Deep Metric Learningとは 定番のクラス分類と距離学習によるクラス分類の違い 距離学習の進化 1. 対照的(contrastive)アプローチ サンプル選択(sample selection) 代表的な学習手法 Contrastive loss Triplet loss さらなる改善と進化 対照的アプローチの問題点 2. Softmaxをベースにしたアプローチ 代表的な学習手法 Center loss SphereFace CosFace ArcFace さらなる改善と進化(2019年以降) 推論 深層距離学習の利点
In anticipation of ICCV (Intl. Conf. on Computer Vision) this week, I rounded up all papers that use Neural Radiance Fields (NeRFs) that will be represented in the main #ICCV2021 conference. Many of the papers I discussed in my original blog-post on NerF made it into CVPR, but the sheer number of NeRF-style papers that appeared on Arxiv this year meant I could no longer keep up. The top Computer V
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
