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【WEBセミナー:オンデマンド配信】

ディープラーニングの基礎から応用事例まで解説!
実践的に活用できる内容を網羅的に説明します

 
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

このセミナーは、講師と直接Q&Aもできる、セミナーの映像収録です。​
※お申込み日から14日間ご視聴いただけます。
※このセミナーに関する質問に限り、講師と直接メールにてQ&Aをすることができます。

2020年8月31日(月) 23:59まで申込み受付中
【収録日:2020年3月19日(木)10:30~16:00】 ※視聴時間:3時間21分

セミナー講師

中部大学 工学部 情報工学科 准教授 山下 隆義 氏

セミナー受講料

35,200円( S&T会員受講料33,440円 )
(まだS&T会員未登録の方は、申込みフォームの通信欄に「会員登録情報希望」と記入してください。
詳しい情報を送付します。ご登録いただくと、今回から会員受講料が適用可能です。)

※資料付(マイページからダウンロードできます。)
※Webセミナーの録音・撮影、複製は固くお断りいたします。

受講について

【期間限定:講師とQ&Aもできる、講演収録済みWEBセミナー(オンデマンド配信)とは?】
以下の流れ・受講内容となります。

  • 録画セミナーの動画をお手元のPCやスマホ・タブレッドなどからご視聴・学習することができます。
  • S&T会員マイページ(無料)にログインいただき、ご視聴ください。
    ※会員ログインまたは新規会員登録せずに申込みされた場合は、営業日3日後までに弊社にてS&T会員マイページに設定し、閲覧通知のE-Mailをお送りいたします。
  • 視聴期間は申込日より14日間です。
    ご視聴いただけなかった場合でも期間延長いたしませんのでご注意ください。
  • セミナー資料はS&T会員マイページからダウンロードできます。
  • このセミナーに関する質問に限り、講師とメールにて個別Q&Aをすることができます。
    具体的には、セミナー資料に講師のメールアドレスを掲載していますので、セミナーに関する質問がございましたら直接メールでご質問ください。
    (ご質問の内容や時期によっては、ご回答できない場合がございますのでご了承下さい。)

下記受講条件をご確認ください。
(1)S&T会員登録が必須になります(マイページ機能を利用するため)
  映像視聴、各種データのダウンロードなどにS&T会員マイページ機能(無料)を利用します。
(2)動画視聴・インターネット環境をご確認ください
  セキュリティの設定や、動作環境によってはご視聴いただけない場合がございます。
  以下のサンプル動画が閲覧できるかを事前にご確認いただいたうえで、お申し込みください。 
   ≫ テスト視聴サイト【ストリーミング(HLS)を確認】  ≫ 視聴環境
(3)申込み後、すぐに視聴可能なため、Webセミナーのキャンセルはできません。予めご了承ください。

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。

習得できる知識

画像処理、機械学習など

セミナープログラム

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

■Q&A■
 このセミナーに関する質問に限り、講師とメールにて個別Q&Aをすることができます。
 具体的には、セミナー資料に講師のメールアドレスを掲載していますので、セミナーに関する質問がございましたら直接メールでご質問ください。
 (ご質問の内容や時期によっては、ご回答できない場合がございますのでご了承下さい。)