セミナー 印刷

畳み込みニューラルネットワークの基礎と
画像認識活用事例・判断根拠の理解

~実践的に活用できる内容を網羅的に説明します。~

★ DeepLearning(ディープラーニング)を、基礎から応用事例まで解説!
★ 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応用方法とは!?
★ 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ついても解説します。
日時 2020年3月19日(木)  10:30~16:30
会場 東京・大田区平和島 東京流通センター 2F  第5会議室
会場地図
講師 中部大学 工学部 情報工学科 准教授 山下 隆義 氏
受講料(税込)
各種割引特典
49,500円 ( S&T会員受講料 47,020円 ) S&T会員登録について
定価:本体45,000円+税4,500円
会員:本体42,750円+税4,270円
S&T会員なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で49,500円 (2名ともS&T会員登録必須​/1名あたり定価半額24,750円)
備考※資料・昼食付
※講義中の録音・撮影はご遠慮ください。
※講義中のパソコン使用はキーボードの打音などでご遠慮いただく場合がございます。

セミナー趣旨

 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の様々なタスクに応用が進んでいます。
 本セミナーでは、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します。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応用方法、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ついても紹介し、実践的に活用できる内容を網羅的に説明します。

セミナー講演内容

<得られる知識・技術>
 画像処理、機械学習など


<プログラム>
1.ディープラーニングの現在

2.畳み込みニューラルネットワーク

 2.1 畳み込み層
 2.2 プーリング層
 2.3 全結合層
 2.4 出力層

3.畳み込みニューラルネットワークの学習
 3.1 誤差逆伝播法
 3.2 最適化法(SGD / Adam / RMSProp)

4.ネットワーク構造
 4.1 AlexNet
 4.2 VGG
 4.3 GoogLeNet
 4.4 ResNet
 4.5 SE-Net

5.汎用性を向上させるためのテクニック
 5.1 Dropout
 5.2 バッチ正規化
 5.3 インスタンス正規化
 5.4 データ拡張(Mixup, Cutout 等)

6.物体検出への応用
 6.1 Faster R-CNN
 6.2 YOLO
 6.4 SSD

7.セグメンテーションへの応用
 7.1 FCN
 7.2 SegNet
 7.3 U-Net
 7.4 PSP Net
 7.5 DeepLab V3

8.判断根拠の可視化
 8.1 CAM
 8.2 CAM Grad
 8.3 Attention Branch Network
 8.4 判断根拠を活用した精度向上

9.画像生成モデル
  9.1 Generative Adversarial Network(GAN)
  9.2 条件付きGAN
  9.3 Pix2Pix

10.ディープラーニングのフレームワーク
 10.1 Chainer による実装
 10.2 Pytorch による実装
 10.3 Neural Network Console

  □質疑応答・名刺交換□