Vision Transformerの仕組みとBEV Perception

セミナー趣旨

　自己注意機構を活用したニューラルネットワークであるTransformerは、機械翻訳タスクでSoTAを達成し実用化を加速させている。このTransformerをコンピュータビジョンタスクに適用したモデルがVision Transformerであり、2019年以降、急速に応用と改良が加えられている。Vision Transformerは、CNNとは異なる新たな特徴表現獲得が可能となり、テクスチャノイズに対してロバストな認識が可能となっている。
　本セミナーでは、Vision Transformerについて従来の手法と対比しながらその仕組みと特長について解説し、コンピュータビジョン応用として物体検出、セマンティックセグメンテーション、自己教師あり学習について紹介する。また、BEV PerceptionによるEnd-to-end自動運転技術の最前線についても紹介する。

セミナープログラム

　1　Transformerの仕組み 　　
　　1.1　Transformer
　　1.2　大規模言語モデル

　2　Vision Transformerの仕組み
　　2.1　特徴表現獲得の変遷
　　2.2　VIsion Transformer（ViT）
　　2.3　ViTによる画像認識
　　2.4　ViTによる特徴表現獲得
　　2.5　ViTベースの物体検出、セマンティックセグメンテーション
　　2.6　ViTの自己教師あり学習
　　2.7　ViTの派生手法（Swin Transformer、ConvNeXtなど）

　3　Vision and Languge Model（VLM）による知識獲得向 　　
　　3.1　VLMとは
　　3.2　CLIPとオープンボキャブラリ認識
　　3.3　LLaVA
　　3.4　Vision-Language-Actionモデル（VLA）

　4　TransformerによるBEV Perception 　　
　　4.1　Bird’s-Eye-View（BEV）空間
　　4.2　BEVベースの3D物体検出：BEVFormer
　　4.3　BEVベースのE2E自動運転：UniAD、Para-Drive、EMMA

セミナー講師

藤吉弘亘（ふじよしひろのぶ）　氏　 　　　
中部大学　工学部　情報科学科　/　大学院 工学研究科 情報工学専攻　教授（博士（工学））  
＜略歴＞ 　
　1997年　中部大学大学院 博士後期課程了
　1997〜2000年　米国カーネギーメロン大学 ロボット工学研究所　Postdoctoral Fellow
　2000年　中部大学　講師
　2004年　中部大学　准教授
　2005〜2006年　米国カーネギーメロン大学　ロボット工学研究所　客員研究員
　2010年　中部大学　教授
　2014年　名古屋大学　客員教授
　　現在に至る  
＜学会＞ 　
　電子情報通信学会、情報処理学会、ロボット学会、IEEE
 ＜主な受賞＞ 　
　ロボカップ研究賞（2005年）
　情報処理学会論文誌CVIM優秀論文賞（2009年）
　情報処理学会山下記念研究賞（2009年）
　画像センシングシンポジウム優秀学術賞（2010, 2013, 2014年）
　電子情報通信学会 情報・システムソサイエティ論文賞（2013年）  
＜研究＞ 　
　計算機視覚、動画像処理、パターン認識・理解の研究に従事

セミナー受講料

お1人様受講の場合 　53,900円[税込]／1名 　　　　　
1口でお申込の場合　 66,000円[税込]／1口（3名まで受講可能）

受講について

• 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。
• インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。
• 受講中の録音・撮影等は固くお断りいたします。