搁颈诲驳别-颈の画像解析アルゴリズムの実用事例の绍介_DLLAB Case Study Day
?
3 likes?500 views
搁颈诲驳别-颈の画像解析アルゴリズムの実用事例の绍介
![16?2018 Ridge-i All Rights Reserved.
（参考）敵対生成学習モデルによる異常検知 [2]
Real Imagesを正常画像のみにして学習
正常画像しか作れないGeneratorを得る
GTCテクニカルセッション資料として
詳細を公開しております。](https://image.slidesharecdn.com/dll-201809213-180921104920/85/Ridge-i-_DLLAB-Case-Study-Day-17-320.jpg)
搁颈诲驳别-颈の画像解析アルゴリズムの実用事例の绍介_DLLAB Case Study Day
- 1. 2018年9月21日 Deep Learning Lab Case Study Day 株式会社 Ridge-i 活用事例と取組み -ディープラーニングのインパクトを実感できるまで追求します 代表取締役社長 柳原 尚史
- 2. 1?2018 Ridge-i All Rights Reserved. Ridge-i（リッジアイ）について 事業領域 ビジネスニーズに最適化し たAI技術を提供 ? AIコンサルティング ? 機械学習?ディープ ラーニング?強化学習 中心 ? ソリューション開発 ? 例：放送品質モノクロ 映像 彩色ディープ ラーニング 会社概要 オフィス ? 千代田区大手町1-6-1- 442（大手町駅直結） 従業員数 ? 16名 + α 主に機械学習エンジニア、 コンサルタント 就労スタイル ? 裁量労働制 パートナーシップ Deep Learning Lab幹事企業
- 3. 2?2018 Ridge-i All Rights Reserved. 2 柳原 尚史 （やなぎはら たかし） ブラックロックなど世界最大の大手金融機関にて、取引所との高速接続、高頻度取引、 リスク分析、アルゴリズム取引の設計?開発などに１０年従事 2016年にディープラーニングを中心としたAI技術の可能性を、より広い業界?社会に適用す るためにRidge-iを創立、現在に至る ? 小４からプログラマー。早稲田大学在学中にプレイステーションのゲーム開発 ? 総務省 宇宙活用 - ４次元サイバーシティタスクフォース 構成員 ? 3児のパパで、趣味はトレイルランニング ? 富士山1日3往復 ? UTMB（モンブラン 一周170Km） 45時間寝ずに走破 先々週 ３回目の完走をしてきました 代表について
- 4. 3?2018 Ridge-i All Rights Reserved. 機械学習 の各手法 統計解析 の各手法 自然言語解析 の各手法 どれでもAI ＋ ナップザック問題、動的計画法、最適化問題等も??? 混乱が深まっているので、更新していません。 階層ベイズ MCMC GLMM ベイズ理論（最尤法） 主成分分析、GLM 検定 相関、共分散 確率、正規分布、分散 機械翻訳 トピックモデル 文章生成 BWT, Wavelet Tree TF-IDF, Word2Vec 検索、N-Gram 形態素解析 分散協調 深層強化学習 強化学習 ディープラーニング 協調フィルタリング SVM, K-Means, 近傍法 RF、探索木 ロジスティック回帰 最小二乗法 「AI」の混乱をほぐすところからスタート
- 5. 4?2018 Ridge-i All Rights Reserved. AIのメリットは？ ? ルールで記述できなかった、人の勘?コツを模倣できる可能性 （形式知化） ? 人手では限界のある、大量かつ複雑なデータの解析が得意 それぞれの特徴を踏まえて、目的に応じたベストミックスが必要 従来システム開発とAI開発の比較 相違点 共通点 従来システム開発 ＡＩ（機械学習?ディープラーニング）開発 ルールベース? 質が人（要件定義者）に依存 質がデータに依存 “garbage in, garbage out” 厳密解 近似解 演繹的?ホワイトボックス（改善が容易） 帰納的?ブラックボックス（改善が難しい） 目的や機能の定義は人 自動的に自ら改善や機能の追加はしない
- 6. 5?2018 Ridge-i All Rights Reserved. AI開発アセスメント～AI開発?導入までの主な流れ AI導入目的 と課題 の整理 データとAIの 組合せを 定義 AI パイロット 検証 AI開発? 導入に 向けた 計画策定 AI開発 POC周辺 システム との連携 導入 保守 AI開発アセスメント?パイロット検証 フェーズ ※一方通行ではなく、違うデータとアルゴリズムの組合せで、アジャイルに検証をすることも大事 AI 開発?導入フェーズ 開発導入判断 コンサルティングチームがお客様と検討を重ねて AIの導入目的を明確にすることが肝要
- 7. 6?2018 Ridge-i All Rights Reserved. Ridge-iの特徴と事例 総合的なシステム 考案?連携力 ビジネスの現場で インパクトを実現 ? パートナーシップを活かした 効果的な開発 ? サーバー?FPGA?センサー等 ハードウェアの選定支援 ? 周辺システムとのつなぎ ? ゴールを顧客と共に明確化 ? AIありきではなくROIを重視 ? PoCで終わらず実運用まで ? 社会展開ができる協業体制 NVIDIAと協力して DGX-1の検証 ②ごみ質ディープラーニング 荏原環境プラント様が実用へ ①カラー化ディープラーニング NHKで放映実績 卓越した 画像解析技術 ? 最先端の論文も実装?考案 ? 少ないデータで精度を向上す るノウハウ ? 競合が達成できなかった 案件も複数 ④不良データで精度をあげる 論文作成（検証中） ④Anomaly Detection GAN＋ 高解像度化の論文実装 ③衛星レーダー画像解析 ディープラーニング 総務省?経産省の 衛星データ活用委員会
- 8. 7?2018 Ridge-i All Rights Reserved. ① カラー化ディープラーニング（既出なのでクイック） ② ごみ焼却炉でのセグメンテーション活用（新規） ③ 衛星データSAR画像 オイル流出検出（ほぼ新規） ④ 良品画像のみで行う 異常検知（詳細） 事例?ソリューション紹介
- 9. 8?2018 Ridge-i All Rights Reserved. ① カラー化 ディープラーニング (1) 放送レベル自動彩色DL ｜NHKアート様と共同開発 ＜4Kの白黒映像をディープラーニングで彩色した実証実験映像＞ ディープラーニングによる自動彩色 ? 最初の1枚だけ人が彩色 残りの499フレームはDLが彩色 ? 木の葉の揺れや雲の動きにも対応
- 10. 9?2018 Ridge-i All Rights Reserved. ① カラー化 ディープラーニング (2) 求める色合いを正確に再現 Webでの汎用AIサービス Ridge-i + NHKアート様 無断転載?配布禁止 ■放送実績 「第50回 思い出のメロディー」 2018/8 NHKで放送 NHKスペシャル「戦後ゼロ年東京ブラックホール 1945-1946」 2017/8 NHKで放送 大相撲「カラーで蘇る名勝負」 2017/5 NHKで放送
- 11. 10?2018 Ridge-i All Rights Reserved. ②ごみ焼却炉でのセグメンテーション活用 荏原環境プラント株式会社様と共同開発 従来の自動運転では 投入するごみ質の変動が大きく、 安定した燃焼ができない ごみの質をピクセル単位で 認識することに成功 熟練オペレータのノウハウを再現、 投入するごみ質の安定化が可能に ごみ焼却炉イメージ図 ＜燃焼状態を監視する中央操作室＞＜クレーン操作室＞ ごみピット 焼却炉 課題と目的
- 12. 11?2018 Ridge-i All Rights Reserved. ②ピクセル単位で物の識別が可能（１/２） 汚泥 剪定枝 剪定枝 布団 ダンボール プレゼンテーションでの表示のみ
- 13. 12?2018 Ridge-i All Rights Reserved. ? ルールでは波とオイルは分類困難 ? 読み解けるのは一部のエキスパートのみ ? AIの活用により、オイルスリック（油膜）が あるエリアを100%の精度で特定 衛星画像に対するディープラーニングによる解析の普及活動に参画 数枚の画像で学習 レーダー画像 AIによる解析 ③ 衛星レーダ画像 SARでオイル流出検出 ? 総務省 4次元サイバーシティの活用に向けたタスクフォースのメンバー ? 経産省 政府衛星データ活用 ステイクホルダ委員会
- 14. 13?2018 Ridge-i All Rights Reserved. AI 良品画像のみを使った異常検知がディープラーニングで可能 学習用の良品画像 良品画像の 特徴を学んだ DL 検品画像 不良判定 良品には存在しなかった キズ?ゆがみなどを検出 ④ 異常検知ディープラーニング ■ 異常検知の課題 不良は定義が難しい、数がすくない、アノテーションが難しい など
- 15. 14?2018 Ridge-i All Rights Reserved. ④ 異常検知ディープラーニング プレゼンテーションでの表示のみ
- 16. 15?2018 Ridge-i All Rights Reserved. ④実務でおきる 様々な課題 実務では、様々な手法を駆使して総合的に乗り切る必要 不良データも使って 精度を上げる方法（検証中） Anomaly Detection GAN＋ 高解像度化の論文実装 DGX-1で検証 データ 求められる精度 ? 高解像度を維持する必要性 ─ 解像度を落とすと 微細な傷が消える ─ 全体を見て判断 ? 異常箇所をピクセル単位で表示 ─ 分類器では不足 ? 通常のGANだと、高解像度の 学習が収束しない ? 完全な「良品」の定義が難しい ? 良品データ自体のばらつき （取得時期?振動 etc) ? データ数の不足 （例：初回検証が数百枚程度） 処理速度 ? PCサーバーでは学習に数週間 かかってしまう ? 高解像度NNがメモリに乗り切ら ない
- 17. 16?2018 Ridge-i All Rights Reserved. （参考）敵対生成学習モデルによる異常検知 [2] Real Imagesを正常画像のみにして学習 正常画像しか作れないGeneratorを得る GTCテクニカルセッション資料として 詳細を公開しております。
- 18. 17?2018 Ridge-i All Rights Reserved. （参考）敵対生成学習モデルによる異常検知 正常系 異常系 入力画像A Generatorの生成範囲内なので正常 Generatorの生成範囲外なので異常 GANを利用した異 常検知の概要 GANで学習したGeneratorは正常な画像であれば完璧に生成できるはず → Generatorが生成できる画像は正常、できない画像は異常と判断する 入力画像B ? 特徴①：Discriminatorを騙せる程リアルな画像を生成 ? 特徴②：良品画像しか作れない ? → 正常系とGeneratorが作れる画像集合が一致する 理想的なGeneratorが作れる画像の集合 GTCテクニカルセッション資料として 詳細を公開しております。
- 19. 18?2018 Ridge-i All Rights Reserved. ● 生成画像と入力画像の差分をとって異常部分を検知する ● 正常部分であればGeneratorが生成できることを利用 （参考）敵対生成学習モデルによる異常検知 生成画像 入力画像 差分画像 GTCテクニカルセッション資料として 詳細を公開しております。
- 20. 19?2018 Ridge-i All Rights Reserved. ● ディープラーニングの社会実装は始まってきている ○ 事例収集も大事だが、実際にアジャイルで試す経験値の方が有効 ○ インパクトのあるプロジェクトなら、すぐに始めた方がいい ● 日本のマーケットニーズは多くある ○ 省力化、無人化が社会的要請 ○ 人手?スキル不足がネックだった事業成長機会が発見できつつある ○ 増え続ける未発掘のデータソースから様々な知見が掘り出せる AI vs 人 を超えた、協働することによる事業成長余地が生まれています まとめ
- 21. 20?2018 Ridge-i All Rights Reserved. ディープラーニングによるインパクトを 実感できるまで追求します @ridge_i_jp @ridgeicom contact@ridge-i.comhttps://ridge-i.com