三次元形状とディープラーニング

三次元形状処理とディープラーニングの初歩についてまとめたスライドです。

Transcript

2. • 機械学習 ニューラルネット 深層学習
3. • • • θ • = ; = 2 2 + 1 + 0 ෩ = arg min ෍ =0 −1 ( , ; )
4. • • • 0 = 0 + 0 1 = 1 + 1 2 = 2 + 2 = 0 0 + 1 1 + 2 2 + = 0 0 + 1 1 + 2 2 +(0 0 + 1 1 + 2 2 + )
5. • • • 0 1 2 0 = ReLU(0 + 0 ) 1 = ReLU(1 + 1 ) 2 = ReLU(2 + 2 )
6. = 32 = 128 = 512 • •
7. • • = 512 = 1 = = 4
8. •
9. •
10. •
11. •
12. •
13. •
14. • • • • • • • • • • •
15. (c) Velodyne (c) Andrew Tallon (c) Microsoft (c) Sony
16. • , , = 0
17. ′ = − ′ = + ′
18. • ☺  ☺  ☺  ☺  , , = 0
19. ☺  ☺  ☺  ☺  , , = 0
20. • • • • •
21. • • • •
22. •
23. •
24. • ⚫ ⚫ ⚫
25. • • •
26. • • •
27. • •
28. • • •
29. • • • • • • •
30. ☺  ☺  ☺  ☺  , , = 0
31. • • • (c) Velodyne
32. • • • (0 , 0 , 0 ) (1 , 1 , 1 ) ( , , ) (−1 , −1 , −1 ) (+1 , +1 , +1 ) (0 , 0 , 0 ) (1 , 1 , 1 ) (−1 , −1 , −1 ) (+1 , +1 , +1 ) ( , , )
33. • • •
35. ⚫
36. ⚫
37. • •
38. • • •
39. •
40. •
41. •
42. • • • • • • •
43. ☺  ☺  ☺  ☺  , , = 0
44. • • •
45. • • • •
46. • • ∗ = ℱ−1(ℱ ⋅ ℱ ) ′ = ℱ−1(Θ ∘ ℱ )
47. • = 0 1 1 0 1 0 1 0 1 1 0 1 0 0 1 0 = − − 1 2− 1 2 = ෍ :
48. • • • = T
49. • () ′ = ℱ−1(Θ ∘ ℱ ) ′ = ℱ = () ℱ−1 = ()
50. • • • +1 +2 +1 = ReLU ⋅ ෍
51. • • •
52. • • •
53. • •
54. • • •
55. • • •
56. • •
57. • • • • • •
58. ☺  ☺  ☺  ☺  , , = 0
59. • , , =
60. • • •
61. • • • •
62. • •
63. • • •
64. • • •
65. • • • •
66. •
67. • • • •
68. • • •
69. • • • •
70. • • •
71. • • • •
72. • • • • • • • •
73. • • • • • • • • •