モデル Loss-Conditional Training:損失関数を改良してモデルのバリエーションを統合(2/2)
１．Loss-Conditional Training:損失関数を改良してモデルのバリエーションを統合(2/2)まとめ ・学習ベースの画像圧縮に応用すると圧縮率と画像品質を係数で調整する事ができる ・スタイル転送に応用すると元画像との類似性...
モデル
モデル モデル Loss-Conditional Training:損失関数を改良してモデルのバリエーションを統合(1/2)
１．Loss-Conditional Training:損失関数を改良してモデルのバリエーションを統合(1/2)まとめ ・多くの機械学習アプリケーションでは、モデルのパフォーマンスを一つの数値で表現する事ができない ・画質と圧縮率のようなト...
モデル ロボット工学における進化的メタラーニングの探索(3/3)
１．ロボット工学における進化的メタラーニングの探索(3/3)まとめ ・ES-MAMLは優れたパフォーマンスを持つが現実世界に展開する事は依然として困難 ・現実世界のデータをできるだけ少なくするために、新規にバッチ山登り法を導入 ・その結果、...
モデル ロボット工学における進化的メタラーニングの探索(2/3)
１．ロボット工学における進化的メタラーニングの探索(2/3)まとめ ・MAMLの代わりに進化的戦略であるES-MAMLを使うと確率性に関する競合を回避できる ・ESはパラメータが少ないため展開が容易で電力効率が高く効率的でコンパクトな学習が...
モデル ロボット工学における進化的メタラーニングの探索(1/3)
１．ロボット工学における進化的メタラーニングの探索(1/3)まとめ ・シミュレーションによりロボットのトレーニングは実現しやすくなったがギャップが存在 ・シミュレーション環境と現実世界の間に存在する微妙なギャップで意図した通りに動かない ・...
モデル EfficientDet：規模の拡張が容易で効率的な物体検出ネットワーク(2/2)
１．EfficientDet：規模の拡張が容易で効率的な物体検出ネットワーク(2/2)まとめ ・EfficientDetは物体検出器の解像度/深さ/幅を一緒に拡大する、新しい複合スケーリング手法を採用 ・三つの最適化の結果、従来の最先端モデ...
モデル EfficientDet：規模の拡張が容易で効率的な物体検出ネットワーク(1/2)
１．EfficientDet：規模の拡張が容易で効率的な物体検出ネットワーク(1/2)まとめ ・物体検出アプリケーションは様々な場所で必要とされるため計算能力の限界など様々な制約を受ける ・様々な制約にも適応できる正確で効率的な物体検出アプ...
モデル uDepth：Pixel 4でリアルタイムに奥行情報を測定
１．uDepth：Pixel 4でリアルタイムに奥行情報を測定まとめ ・Pixel 4の高速暗闇顔認証はuDepthと呼ばれる赤外線(IR)深度センサー群とソフトウェアで実現した ・uDepthは自然な風景が局所的には平面である事などを利用...
モデル MetNet：数時間先の降水量を予測するニューラル気象モデル(1/2)
１．MetNet：数時間先の降水量を予測するニューラル気象モデル(1/2)まとめ ・現在の天気予報は物理法則に基づいて気象を物理モデル化し、それを使って予報している ・この物理モデルは計算が非常に大変だが、計算を簡易化すると大きな誤差が出て...
モデル 視覚タスクで学習した重みをロボット操作タスクに転移学習する試み(2/3)
１．視覚タスクで学習した重みをロボット操作タスクに転移学習する試み(2/3)まとめ ・多くの視覚タスクモデルは「バックボーン(backbone)」と「ヘッド(head)」の2つの部分から構成される ・ヘッドはタスク固有でもあるため転移学習で...
モデル Dreamer：長期視点で考える事が出来る強化学習(1/3)
１．Dreamer：長期視点で考える事が出来る強化学習(1/3)まとめ ・世界モデルを使用しない強化学習は学習に大量の試行錯誤と時間が必要なため実用性が制限される ・世界モデルを使用する強化学習もプランニングメカニズムがネックになり能力が制...
モデル Neural Tangents：高速に手軽にニューラルネットワークの幅を無限に拡張(2/2)
１．Neural Tangents：高速に手軽にニューラルネットワークの幅を無限に拡張(2/2)まとめ ・無限幅のアンサンブルは単純な閉形式であるが有限幅のアンサンブルと顕著に一致している ・無限幅のニューラルネットワークは有限幅のネットワ...