～ 機械学習による予測モデルの基礎、深層CNNによる特徴マップ作成と物体検出への応用、物体検出モデルの実運用のポイントと注意点 ～
・深層NNモデルを活用した物体検出技術の基礎から実運用のポイントや注意点までを修得し、高性能な物体検出システムに応用するための講座
・物体検出技術の基本的な原理・特徴・利点・欠点から高性能化技術や高難度・悪条件な状況下における運用法までを図解、デモ、事例を交えて修得し、開発実務に活かすためのセミナー！
※偏微分や最適化理論などの数学知識および最新の物体検出モデル（YOLOシリーズ最新作やAttentionベースの検出モデル等）の原理などは、本講義では扱いません
・ＷＥＢ会議システムの使い方がご不明の方は弊社でご説明いたしますのでお気軽にご相談ください。
深層学習の発達により、「物体検出(Object detection)」の性能が飛躍的に向上し、物体検出技術を自社ビジネスに組み込もうとするニーズも増加の一途をたどっています。その反面、深層学習や物体検出を深く理解した人材の育成が追いついておらず、機械学習やデータサイエンスの基礎知識が欠けたまま物体検出技術を用いた業務に携わる実務者の方々も増えています。
現行技術は深層NNモデルの高度な学習力・予測力をフル活用したものであり、従来技術と比べて劇的に性能が向上したものの、未だ発展途上の技術でもあるため、専門外の方には難しい制約や欠点なども存在します。そういった基本的な性質などをよく理解・把握しきれないまま新たなプロジェクトに実務者として携わることに、少なからぬ不安をお持ちの方もいらっしゃるのではないでしょうか？
そこで本講義では、深層学習に基づく物体検出技術に携わる専門外の実務者の方々を主な対象として、基本的な原理・特徴・利点・欠点などを理解するための予備知識ゼロを前提とした図解中心の資料で学んでいきます。特に現状の物体検出技術の骨子である「物体位置予測」を深層NNモデルで行うことの原理を正確に理解することを、本講義の「1つ目のゴール」とします。NNモデルについては、必要最小限の知識や概念を図解で端的に紹介していきます。これにより、現在の物体検出技術の主要な内部プロセスについて、全体的に正確な理解や図的なイメージを持つことができるようになることを目指します。
その後に、物体検出技術をビジネスの現場で実運用する際に必要となる基本的な知識やノウハウ、性能向上のための取り組みのポイントや事例なども紹介してきます。これにより、物体検出技術に関するプロジェクトに携わる際に行うべきことの全体像を大まかに見通せるようになることを、本講義の「2つ目のゴール」とします。
| 開催日時 |
|
|---|---|
| 開催場所 | オンラインセミナー |
| カテゴリー | オンラインセミナー、電気・機械・メカトロ・設備、ソフト・データ・画像・デザイン |
| 受講対象者 |
・専門書を読んでNNモデル・深層学習・物体検出を独学した方で、その理解やイメージが正しいかを確認したい方 ・自社ビジネスに物体検出技術を組み入れることを検討するため、その基本原理やできること・できないことなどを詳しく、わかりやすく把握したい方 ・物体検出に関するプロジェクトに参画する際に、ステークホルダーの方々との打ち合わせや議論の場で、確固とした知識・理解・イメージをもって臨みたい方 ・機械学習・深層学習・物体検出についての基礎知識が薄い中で、技術営業等の場でそれらの説明を受ける／行う必要に迫られている方 ・画像認識や深層学習が専門分野ではないにも関わらず、見切り発車的に物体検出に関するプロジェクトで開発業務等に携わることになったものの、基礎知識の不足を感じている方 |
| 予備知識 |
・中学～高校レベルの数学（多項式・総和・ベクトル・行列・微分・指数・対数など） ・パターン認識、機械学習、ニューラルネットワーク、深層学習の用語・概念・知識については、必要となるものはすべて講義資料中で説明しますが、特に第1～2章の内容（機械学習・ニューラルネットワークの基礎）を予習されていると全体的によりスムーズに理解できるようになります |
| 修得知識 |
・深層学習に基づく物体検出技術の骨子である「クラス分類」と「位置予測」をEnd-to-endの深層NNモデルで行うことのしくみ・原理・特徴・利点・欠点などへの正確な理解や図的なイメージ ・物体検出技術をビジネスの現場で実運用する際に必要となる基本的な知識やノウハウ、性能向上のための取り組みのポイントや事例 ・現在の物体検出技術でできること、できないこと、得意なこと、苦手なこと、やるべきこと、やってはいけないこと、などの区別を自律的に付けられるようになることを目指します |
| プログラム |
１．予測モデルの基礎 （１）．本セクションの学習目標 （２）．パターン認識・機械学習と予測モデル ａ．分類タスクと回帰タスク ｂ．予測モデル ｃ．特徴抽出 ｄ．線形モデル （３）．予測モデルの運用に関する基本の手順や用語 （４）．図解で学ぶ非線形データと特徴抽出
２．NNモデルの基礎 （１）．本セクションの学習目標 （２）．パーセプトロン （３）．多層パーセプトロン(MLP) （４）．図解で学ぶMLPの特徴抽出と予測のしくみ （５）．MLPの定式化と値の読み解き方
３．深層CNNの基礎と特徴マップ作成のポイント （１）．本セクションの学習目標 （２）．深層CNNの基本 ａ．畳み込みニューラルネットワーク(CNN)とは ｂ．深層CNNの層構造と特徴マップの理解 （３）．図解で学ぶ「畳み込み」の役割や機能 （４）．図解で学ぶ「特徴マップ」の役割や機能
４．深層学習を用いた物体検出への応用 （１）．本セクションの学習目標 （２）．物体検出とは （３）．従来の物体検出モデル （４）．深層学習に基づく物体検出モデル （５）．図解で学ぶ「物体の位置予測」の仕組み
５．物体検出モデルの実運用のポイントと注意点 （１）．本セクションの学習目標 （２）．物体検出モデルの性能評価 ａ．物体検出モデルの学習・評価の基本 ｂ．検出精度の評価 ｃ．計算量や処理速度の評価 ｄ．実運用における性能評価の注意点 （３）．性能向上のための基本方針 ａ．モデルの改善 vs データの改善 ｂ．モデルの選定と改善 ｃ．データの選定・作成と改善 ｄ．学習法の改善 ｅ．視覚言語モデル（生成AI）を用いた物体検出 （４）．高難度・悪条件な状況下での取り組み事例 ａ．データの改善事例（１）吹雪・濃霧・夜間等の視界劣悪な状況における不鮮明な前方車両の検出 ｂ．データの改善事例（２）水中シーンにおける不鮮明小物体（魚群など）の精細な検出 ｃ．データの改善事例（その他） ｄ．モデルの改善事例（１）物体検出モデルへの注意機構の導入 ｅ．モデルの改善事例（２）物体検出モデルの処理結果に対する追加判定モデルの導入 |
| キーワード | 機械学習 AI 深層学習 畳み込みニューラルネットワーク パターン認識 予測モデル 特徴量抽出 物体検出モデル 画像認識 物体位置予測 |
| タグ | AI・機械学習、自動運転・運転支援技術・ADAS、信号処理、イメージセンサ、カメラ、ディスプレイ、データ解析、センサ、画像認識、ロボット、GUI、光学、車載機器・部品、精密機器、電子機器、電子部品 |
| 受講料 |
一般 (1名)：49,500円(税込)
同時複数申込の場合(1名)：44,000円(税込) |
| 会場 |
オンラインセミナー本セミナーは、Web会議システムを使用したオンラインセミナーとして開催します。 |
営業時間 月~金：9:00～17:00 / 定休日：土日・祝日
