【ゼロから作るDeap Learning】8.4~8.6
>100 Views
June 18, 26
スライド概要
AI・機械学習を勉強したい学生たちが集まる、京都大学の自主ゼミサークルです。私たちのサークルに興味のある方はX(Twitter)をご覧ください！
関連スライド
各ページのテキスト
2026年 前期輪読会 ゼロから作るDeep Learning ( 8.4 – 8.6 ) 京都大学 工学部 理工化学科 B1 宮下琴葉 1
アジェンダ 8.4 ディープラーニングの実用例 8.5 ディープラーニングの未来 2
アジェンダ 8.4 ディープラーニングの実用例 8.5 ディープラーニングの未来 3
8.4.1 物体検出 物体検出とは：画像中から物体の種類と物体の位置を行う問題 物体認識と比べ非常に難しい問題 4
8.4.1 物体検出 R-CNN 特徴 候補領域抽出（Extract region proposals） オブジェクトらしい物体を見つける処理 CNN特徴の計算（Compute CNN features） 抽出された領域に対しクラス分類を行う処理 5
8.4.2 セグメンテーション セグメンテーションとは：画像に対してピクセルレベルでクラス分類を行う問題 単純な実装方法 すべてのピクセルを対象に、ピクセルごとに推論処理を行う ⇒畳み込み演算で多くの領域を再計算し、無駄な計算が発生 FCN (Fully Convolutional Network)へ 6
8.4.2 セグメンテーション FCN 全てが畳み込み層で構成されるネットワーク 空間ボリュームは保たれたまま最後まで処理することが可能 最後に空間サイズを拡大する処理を導入 7
8.4.3 画像キャプション生成 画像を与えると、その画像を説明する文章を自動で生成する研究 NIC（Neural Image Caption） CNN とRNN(Recurrent Neural Network)を組み合わせた構成 複数の種類の情報を組み合わせて処理することをマルチモーダル処理 8
アジェンダ 8.4 ディープラーニングの実用例 8.5 ディープラーニングの未来 9
8.5.1 画像変換 「A Neural Algorithm of Artistic Style」という論文で、世界中で多くの注目を集めた。 10
8.5.2 画像生成 DCGANについて GeneratorとDiscriminatorと呼ばれる2つのニューラルネットワークを利用 Generatorが画像を生成し、Discriminatorが実際に撮影された画像かを判定 11
8.5.3 自動運転 現状 運転者を要しない「レベル４自動運転」のバス等が９箇所で実装 レベル2「部分運転自動化」は新車の約65%に搭載 参考 https://ai-media.co.jp/2026/04/19/1500-autonomous-driving-japan-2026/ https://www.soumu.go.jp/main_content/001043470.pdf 2026/6/18閲覧 12
8.5.4 Deep Q-Network（強化学習） 強化学習 環境との相互作用から学習 状態→行動→報酬 行動が正しかったら報酬を与える 得意分野: ゲームやシミュレーションなど のアクション生成 例 AlphaGo、StarCraft 代表的なアルゴリズム Q学習、方策勾配法、Actor-Critic法 13