$30 off During Our Annual Pro Sale. View Details »

AIチャレンジコンテスト(第1回)に挑戦してみた!! / Challenge the AI Challenge Contest

moonlight-aska
June 11, 2017
15

AIチャレンジコンテスト(第1回)に挑戦してみた!! / Challenge the AI Challenge Contest

2017年6月11日開催の「TensorFlow研究会#17」のLT資料です.

moonlight-aska

June 11, 2017
Tweet

Transcript

  1. 人工知能技術戦略会議主催 AIチャレンジコンテスト(第1回) に挑戦してみた!! 2017/6/11 Moonlight 明日香 TensorFlow研究会#17 LT

  2. 自己紹介 Moonlight 明日香  鶴田 彰  関西の外資系家電メーカー勤務  昔は,

    ・パターン認識(音声, 文字, etc) ・ユーザ適応(レコメンド, etc) なども・・・ 最近は, 週末プログラマとして また機械学習に再チャレンジ中! Twitter @moonlight_aska Blog:みらいテックラボ http://mirai-tec.hatenablog.com Wiki : Androidプログラマへの道 ~Moonlight 明日香~ http://seesaawiki.jp/w/moonlight_aska/
  3. 目次 1. コンテスト概要 2. アイデア検討 3. 学習と評価 4. 最後に

  4. テーマ:画像認識 クックパッド様の提供する画像データを使用して, 料理の領域検出・ 料理の分類の画像認識アルゴリズムの作成に挑戦 スケジュール: 2017年1月10日(火) コンテスト開始 2017年3月31日(金) コンテスト終了 2017年4月10日(月)

    予測モデル等の提出締め切り(※入賞候補者) 2017年5月上旬 検収・審査にて入賞者を決定 2017年5月22日(月) 表彰式 コンテスト概要(1)
  5. コンテスト概要(2) URL:https://deepanalytics.jp/compe/31

  6. コンテスト概要(3) 料理分類部門 25種類の料理カテゴリの1つに分類 [学習データ] ・ラベル付きデータ10,000画像 ・ラベルなしデータ50,000画像 [テストデータ] ・10,000画像 [評価関数] Accuracy

    = n({i | y i = f i }) N n(A):集合Aの要素数 N:サンプル数 f i :i番目の予測値 y i :i番目の真値 クックパッド様提供
  7. コンテスト概要(4) 25種類のカテゴリ グループ bread sandwich sliced sweets table noodle somen

    udon pasta cream gratin japanese oil tomato rice boiled bowl curry fried risotto sushi soup miso potage sweets cheese cookie muffin pie pound pudding
  8. コンテスト概要(5) データの一例 ラベルはSandwich これもSandwich Sandwich クイズです. 注) クックパッド様に画像の使用許諾取得済 Sweets ??

  9. アイデア検討(1)  まずは試してみた ⇒ 0.70以上の精度を出すには, 何か工夫必要 データの特性を活かす ラベルなしデータを使用する Model Framework/

    Library Accuracy Notes 独自4層のCNN TensorFlow ~0.40 ペットボトル認識 Alexnet Chainer 約0.55 チュートリアル VGG16 Keras + TensorFlow 約0.60 ResNet50 Keras + TensorFlow 約0.65
  10. アイデア検討(2)  データを見る 10 ・写真内の料理の位置, サイズバラバラ ・分類内の料理のバリエーションが多い 1つのモデルで認識できるのか??? 例) サンドイッチ

  11. アイデア検討(3)  仮説 位置, サイズが異なる複数の領域を定義し,各領域で料理の 分類を行い, 各領域の結果を統合することで, 性能upが行え るのでは!? 複数の領域を定義

    方針: 位置・サイズ・・・複数領域で 料理バリエーション・・・データで
  12. アイデア検討(4)  ラベルなしデータにラベル付与 ラベルデータによる学習 ラベルなしデータ分類 閾値以上のものにラベル付与 ラベルデータ+ラベル付与データで 追加学習

  13. 学習と評価(1)  モデル構造 領域 1 領域 2 領域 n ・

    ・ ・ ResNet 1 ResNet 2 ResNet n ・ ・ ・ 統 合 ネ ッ ト 分類結果 Fully-connected Layer 注) 今回は, 各ResNetの分類結果を統合して, 最終結果とした
  14. 学習と評価(2)  学習条件  データ  ラベル付き 9,000  ラベル自動付与

    5,429(最初) 8,712(2回目) 12,164(3回目)  モデル  ResNet50 × 6  学習  Fine Tuning • 初回 20 Epoch • 2, 3回目 10 Epoch/回
  15. 学習と評価(3)  実験結果 領域 分類結果 最終結果 1 69.0 2 66.8

    3 68.8 4 67.9 5 68.2 6 67.2 評価データ:ラベル付きデータの内, 1000サンプル 71.9  複数の領域の分類結果を統合することで 2.9%性能upできた
  16. 最後に(1) 応募者とスコア

  17. 最後に(2) スコアボード ・ ・ ・

  18. 最後に(3) 料理分類部門<アイデア賞> 1位 tomo 2位 peroon 3位 Kumon 4位 ASKA

    5位 tmpui
  19. 最後に(4) URL:https://deepanalytics.jp/compelist?tc=top_main

  20. ご清聴ありがとうございました!! URL:https://deepanalytics.jp/compelist?tc=top_main