SlideShare a Scribd company logo

GPUいらずの高速動画異常検知

•Download as PPTX, PDF•
•
Core Concept Technologies
Core Concept Technologies

機械学習の手法を用いた動画の異常検知手法を紹介します。シンプルに最適化されたアルゴリズムによって高価なGPUサーバを必要とせず、初期費用の大幅な削減を実現しました。耐久試験場での試験体の異常動作監視や製品形状の定量評価など製造現場での活用事例を交えて説明します。

Technology
1 of 13
GPUいらずの高速動画異常検知 2019/4/5 LT会 馬場峻司
CONFIDENTIAL © Core Concept Technologies Inc. ０．アジェンダ 2 1. 自己紹介 2. 動画解析とは 3. 動画解析の期待と課題 4. 提案手法紹介 5. 活用事例 6. まとめ
CONFIDENTIAL © Core Concept Technologies Inc. 3 IoT/AIソリューション事業部 エンジニア 馬場峻司 経歴： 2014年 3月 理学系大学院卒業 ～ 2017年 9月 某生命保険系SIer企業卒業 ～ 2017年 10月 ハンググライダーのインストラクターになる ～ 2018年 5月 CCT入社 現在の業務： 行列計算やPythonと日々格闘しながらエンジニアとして業務にあたる 最近は画面開発や窓口業務も拡大中 １．自己紹介
CONFIDENTIAL © Core Concept Technologies Inc. 4 ２．動画解析とは • 動画解析とは カメラで撮影された動画を用いた解析を経て有用な 情報を抽出すること ＤＮＮ（ディープラーニング）を用いた手法が主流 例１）稼働監視 撮影している機械が稼働中か否かを判定 稼働率や作業効率を定量化する 例２）異常検知 動画をもとに期待される動作からの乖離を 数値化し、期待していない動作や事象を検知する
CONFIDENTIAL © Core Concept Technologies Inc. 5 ３．動画解析の期待と課題 • 期待 様々な現場に使用できるかもれない 人間のような高度な判断を任せられるかもしれない • 課題 計算リソースが膨大になる →初期費用がかかる GPUサーバー：100万～ 学習に大量のデータ、専門知識が必要 →汎用性に欠ける 保守費用がかかる まずは手軽に 試したい……
CONFIDENTIAL © Core Concept Technologies Inc. 6 ４．提案手法 • 必要なもの ＰＣ、カメラ、正常動作を網羅した動画 パラメータ • 仕組み 1. 正常動画の学習 正常動画を用いて動画のピクセル毎に異常検知器を 作成。異常検知器にはＫ－近傍法を用いている。 2. 異常フレームの検知 フレーム毎に外れ値を判定し異常ピクセルを黒くする。 黒ピクセルの割合で異常度を計算する。正常動画と 比較し大きく異なる動きをとると黒く表示される。 Ｋ－近傍法イメージ
CONFIDENTIAL © Core Concept Technologies Inc. 7 ４．提案手法 • 実験 ２つの動作をするロボットアームを用意し 動画Ａを正常動作、動画Ｂを異常動作と仮定。 動画Ａを学習し動画Ｂを解析する。 動画Ａ：正常 動画Ｂ：異常
CONFIDENTIAL © Core Concept Technologies Inc. 8 ４．提案手法 • 実験結果 動画Ａにない動きの部分 のみ黒ピクセルとして 表示出来ている。 動画Ａ：正常 動画Ｂ：異常
CONFIDENTIAL © Core Concept Technologies Inc. 9 ５．活用例 活用例１ • 耐久試験中の異常動作監視 反復動作する機器の異常を監視！！ 活用例２ • 製品の品質定量化 回転加工中に製品がごくわずかなゆがみを定量化！！
CONFIDENTIAL © Core Concept Technologies Inc. 10 ６．まとめ 提案手法の特徴まとめ • 家庭用ノートＰＣでも高速な動画解析が可能 • 少ない学習データ、簡単な設定で学習が可能 • 異常個所が定量的、視覚的にとらえられる為、ＤＮＮにありがちな ブラックボックスな部分がない • 効果的な適応条件は以下の通り 監視対象が反復動作を行っていること 画角を変えず定点で撮影可能なこと 異常動作では正常動作にない動きをすること
CONFIDENTIAL © Core Concept Technologies Inc. 11 宣伝 画像センシングシンポジウムＳＳＩＩ２０１９に採録！ ※http://ssii.jp/ssii/index.html 提案手法は学術的にもご評価いただいております！ ご検討の際は、実際に現場でデモさせていただきます！！
CONFIDENTIAL © Core Concept Technologies Inc. 13 補足 実験で用いた動画の詳細は以下の通り 解像度：約380x220 フレームレート：30fps 解析にかかった時間は動画1フレームの解析で約0.002秒！

Recommended

Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Kazuyuki Miyazawa
 
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? 【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? Deep Learning JP
 
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）Preferred Networks
 
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...harmonylab
 
[DL輪読会]Dense Captioning分野のまとめ
[DL輪読会]Dense Captioning分野のまとめ[DL輪読会]Dense Captioning分野のまとめ
[DL輪読会]Dense Captioning分野のまとめDeep Learning JP
 
Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線Yoshitaka Ushiku
 
TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門tak9029
 
IROS2020 survey
IROS2020 surveyIROS2020 survey
IROS2020 surveyrobotpaperchallenge
 

Recommended

Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Kazuyuki Miyazawa
 
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? 【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? Deep Learning JP
 
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）
不老におけるOptunaを利用した分散ハイパーパラメータ最適化 - 今村秀明（名古屋大学 Optuna講習会）Preferred Networks
 
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...harmonylab
 
[DL輪読会]Dense Captioning分野のまとめ
[DL輪読会]Dense Captioning分野のまとめ[DL輪読会]Dense Captioning分野のまとめ
[DL輪読会]Dense Captioning分野のまとめDeep Learning JP
 
Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線Yoshitaka Ushiku
 
TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門TensorFlowをもう少し詳しく入門
TensorFlowをもう少し詳しく入門tak9029
 
IROS2020 survey
IROS2020 surveyIROS2020 survey
IROS2020 surveyrobotpaperchallenge
 
【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?Masanao Ochi
 
最適輸送の解き方
最適輸送の解き方最適輸送の解き方
最適輸送の解き方joisino
 
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and EditingDeep Learning JP
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説tancoro
 
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」ManaMurakami1
 
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?Deep Learning JP
 
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦Tatsuya Matsushima
 
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化Yusuke Uchida
 
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日Kitsukawa Yuki
 
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...Deep Learning JP
 
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII
 
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields [DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields Deep Learning JP
 
backbone としての timm 入門
backbone としての timm 入門backbone としての timm 入門
backbone としての timm 入門Takuji Tahara
 
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)Deep Learning JP
 
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Preferred Networks
 
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Modelscvpaper. challenge
 
Data-Centric AIの紹介
Data-Centric AIの紹介Data-Centric AIの紹介
Data-Centric AIの紹介Kazuyuki Miyazawa
 
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)Yusuke Uchida
 
敵対的生成ネットワーク（GAN）
敵対的生成ネットワーク（GAN）敵対的生成ネットワーク（GAN）
敵対的生成ネットワーク（GAN）cvpaper. challenge
 
画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイ画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイcvpaper. challenge
 
Pythonで簡単動画解析
Pythonで簡単動画解析Pythonで簡単動画解析
Pythonで簡単動画解析Core Concept Technologies
 
AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装Core Concept Technologies
 

More Related Content

What's hot

【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?Masanao Ochi
 
最適輸送の解き方
最適輸送の解き方最適輸送の解き方
最適輸送の解き方joisino
 
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and EditingDeep Learning JP
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説tancoro
 
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」ManaMurakami1
 
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?Deep Learning JP
 
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦Tatsuya Matsushima
 
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化Yusuke Uchida
 
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日Kitsukawa Yuki
 
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...Deep Learning JP
 
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII
 
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields [DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields Deep Learning JP
 
backbone としての timm 入門
backbone としての timm 入門backbone としての timm 入門
backbone としての timm 入門Takuji Tahara
 
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)Deep Learning JP
 
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Preferred Networks
 
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Modelscvpaper. challenge
 
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)Yusuke Uchida
 
敵対的生成ネットワーク（GAN）
敵対的生成ネットワーク（GAN）敵対的生成ネットワーク（GAN）
敵対的生成ネットワーク（GAN）cvpaper. challenge
 
画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイ画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイcvpaper. challenge
 

What's hot (20)

【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
 
最適輸送の解き方
最適輸送の解き方最適輸送の解き方
最適輸送の解き方
 
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
[DL輪読会]GLIDE: Guided Language to Image Diffusion for Generation and Editing
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説
 
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正版)」
 
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
 
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
AIのラボからロボティクスへ --- 東大松尾研究室のWRS2020パートナーロボットチャレンジへの挑戦
 
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化
 
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
 
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
【DL輪読会】HRDA: Context-Aware High-Resolution Domain-Adaptive Semantic Segmentat...
 
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
 
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields [DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
[DL輪読会] Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
 
backbone としての timm 入門
backbone としての timm 入門backbone としての timm 入門
backbone としての timm 入門
 
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
【DL輪読会】SimCSE: Simple Contrastive Learning of Sentence Embeddings (EMNLP 2021)
 
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
 
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
 
Data-Centric AIの紹介
Data-Centric AIの紹介Data-Centric AIの紹介
Data-Centric AIの紹介
 
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
 
敵対的生成ネットワーク（GAN）
敵対的生成ネットワーク（GAN）敵対的生成ネットワーク（GAN）
敵対的生成ネットワーク（GAN）
 
画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイ画像生成・生成モデル メタサーベイ
画像生成・生成モデル メタサーベイ
 

Similar to GPUいらずの高速動画異常検知

AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装Core Concept Technologies
 
AIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンスAIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンスCore Concept Technologies
 
意思決定を早めて採用加速
意思決定を早めて採用加速意思決定を早めて採用加速
意思決定を早めて採用加速Katsuhiro Honda
 
WeDX Flow Hands-on
WeDX Flow Hands-onWeDX Flow Hands-on
WeDX Flow Hands-onJingun Jung
 
社内動画データベース「VideoStep」サービスご紹介資料.pdf
社内動画データベース「VideoStep」サービスご紹介資料.pdf社内動画データベース「VideoStep」サービスご紹介資料.pdf
社内動画データベース「VideoStep」サービスご紹介資料.pdfssuser1232fb
 
ものづくり補助金は「IoTソリューションの開発でも採択される」
ものづくり補助金は「IoTソリューションの開発でも採択される」ものづくり補助金は「IoTソリューションの開発でも採択される」
ものづくり補助金は「IoTソリューションの開発でも採択される」Core Concept Technologies
 
祝★AWSスタンダードコンサルティングパートナーに認定されました
祝★AWSスタンダードコンサルティングパートナーに認定されました祝★AWSスタンダードコンサルティングパートナーに認定されました
祝★AWSスタンダードコンサルティングパートナーに認定されましたCore Concept Technologies
 
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例Recruit Technologies
 
データをどこに溜めよう？ローカル？クラウド？どのデータベース？
データをどこに溜めよう？ローカル？クラウド？どのデータベース？データをどこに溜めよう？ローカル？クラウド？どのデータベース？
データをどこに溜めよう？ローカル？クラウド？どのデータベース？- Core Concept Technologies
 
動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdf
動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdf動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdf
動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdfssuser1232fb
 
Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601Shotaro Suzuki
 
Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601YorikoYokoyama
 
06.ユニアデックス(株)_発表資料
06.ユニアデックス(株)_発表資料06.ユニアデックス(株)_発表資料
06.ユニアデックス(株)_発表資料wagatuma
 

Similar to GPUいらずの高速動画異常検知 (20)

Pythonで簡単動画解析
Pythonで簡単動画解析Pythonで簡単動画解析
Pythonで簡単動画解析
 
AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装
 
AWSで実践する機械学習
AWSで実践する機械学習 AWSで実践する機械学習
AWSで実践する機械学習
 
IoTで成果を出す
IoTで成果を出すIoTで成果を出す
IoTで成果を出す
 
Orizuru IoTは何を変えたのか
Orizuru IoTは何を変えたのかOrizuru IoTは何を変えたのか
Orizuru IoTは何を変えたのか
 
AIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンスAIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンス
 
意思決定を早めて採用加速
意思決定を早めて採用加速意思決定を早めて採用加速
意思決定を早めて採用加速
 
可視化の先にあるものとは
可視化の先にあるものとは可視化の先にあるものとは
可視化の先にあるものとは
 
テクノロジの隆盛
テクノロジの隆盛テクノロジの隆盛
テクノロジの隆盛
 
WeDX Flow Hands-on
WeDX Flow Hands-onWeDX Flow Hands-on
WeDX Flow Hands-on
 
社内動画データベース「VideoStep」サービスご紹介資料.pdf
社内動画データベース「VideoStep」サービスご紹介資料.pdf社内動画データベース「VideoStep」サービスご紹介資料.pdf
社内動画データベース「VideoStep」サービスご紹介資料.pdf
 
ものづくり補助金は「IoTソリューションの開発でも採択される」
ものづくり補助金は「IoTソリューションの開発でも採択される」ものづくり補助金は「IoTソリューションの開発でも採択される」
ものづくり補助金は「IoTソリューションの開発でも採択される」
 
祝★AWSスタンダードコンサルティングパートナーに認定されました
祝★AWSスタンダードコンサルティングパートナーに認定されました祝★AWSスタンダードコンサルティングパートナーに認定されました
祝★AWSスタンダードコンサルティングパートナーに認定されました
 
リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例リクルートにおけるPaaS活用事例
リクルートにおけるPaaS活用事例
 
AutoTVM紹介
AutoTVM紹介AutoTVM紹介
AutoTVM紹介
 
データをどこに溜めよう？ローカル？クラウド？どのデータベース？
データをどこに溜めよう？ローカル？クラウド？どのデータベース？データをどこに溜めよう？ローカル？クラウド？どのデータベース？
データをどこに溜めよう？ローカル？クラウド？どのデータベース？
 
動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdf
動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdf動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdf
動画ナレッジクラウド「VideoStep」サービスご紹介資料.pdf
 
Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601
 
Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601Decode19 cd42 fixer_public_0601
Decode19 cd42 fixer_public_0601
 
06.ユニアデックス(株)_発表資料
06.ユニアデックス(株)_発表資料06.ユニアデックス(株)_発表資料
06.ユニアデックス(株)_発表資料
 

More from Core Concept Technologies

センシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなったセンシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなったCore Concept Technologies
 
コンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使うコンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使うCore Concept Technologies
 
開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話Core Concept Technologies
 
データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化Core Concept Technologies
 
Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目Core Concept Technologies
 
Pythonで簡単な統計･分析をしてみよう！
Pythonで簡単な統計･分析をしてみよう！Pythonで簡単な統計･分析をしてみよう！
Pythonで簡単な統計･分析をしてみよう！Core Concept Technologies
 
Google Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピングGoogle Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピングCore Concept Technologies
 
ロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したことロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したことCore Concept Technologies
 
なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。Core Concept Technologies
 
工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介します
工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介します工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介します
工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介しますCore Concept Technologies
 
データを活用して何を実現してきたか？
データを活用して何を実現してきたか？データを活用して何を実現してきたか？
データを活用して何を実現してきたか？Core Concept Technologies
 
付加価値を生み出すデータの可視化
付加価値を生み出すデータの可視化付加価値を生み出すデータの可視化
付加価値を生み出すデータの可視化Core Concept Technologies
 
おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）
おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）
おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）Core Concept Technologies
 
なるべく楽して展示ブースの人数の監視システムを作ろうとした話
なるべく楽して展示ブースの人数の監視システムを作ろうとした話なるべく楽して展示ブースの人数の監視システムを作ろうとした話
なるべく楽して展示ブースの人数の監視システムを作ろうとした話Core Concept Technologies
 

More from Core Concept Technologies (20)

センシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなったセンシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなった
 
C#で速度を極めるいろは
C#で速度を極めるいろはC#で速度を極めるいろは
C#で速度を極めるいろは
 
コンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使うコンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使う
 
開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話
 
Linqの速度測ってみた
Linqの速度測ってみたLinqの速度測ってみた
Linqの速度測ってみた
 
データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化
 
ロボットアームをPythonで動かす
ロボットアームをPythonで動かすロボットアームをPythonで動かす
ロボットアームをPythonで動かす
 
Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目
 
Pythonで簡単な統計･分析をしてみよう！
Pythonで簡単な統計･分析をしてみよう！Pythonで簡単な統計･分析をしてみよう！
Pythonで簡単な統計･分析をしてみよう！
 
Google Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピングGoogle Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピング
 
ロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したことロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したこと
 
3Dモデル類似検索
3Dモデル類似検索3Dモデル類似検索
3Dモデル類似検索
 
固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介
 
深層強化学習入門
深層強化学習入門深層強化学習入門
深層強化学習入門
 
なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。
 
工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介します
工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介します工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介します
工場に！オフィスに！明日、お安く、安全に導入できるセンサー紹介します
 
データを活用して何を実現してきたか？
データを活用して何を実現してきたか？データを活用して何を実現してきたか？
データを活用して何を実現してきたか？
 
付加価値を生み出すデータの可視化
付加価値を生み出すデータの可視化付加価値を生み出すデータの可視化
付加価値を生み出すデータの可視化
 
おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）
おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）
おもちゃのロボットアームの制御精度をちょっとだけ上げてみました（ちょっとだけよ♡）
 
なるべく楽して展示ブースの人数の監視システムを作ろうとした話
なるべく楽して展示ブースの人数の監視システムを作ろうとした話なるべく楽して展示ブースの人数の監視システムを作ろうとした話
なるべく楽して展示ブースの人数の監視システムを作ろうとした話
 

Recently uploaded

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアルLoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアルCRI Japan, Inc.
 
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイスLoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイスCRI Japan, Inc.
 
Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）
Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）
Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）Hiroshi Tomioka
 
新人研修　後半 2024/04/26の勉強会で発表されたものです。
新人研修　後半 2024/04/26の勉強会で発表されたものです。新人研修　後半 2024/04/26の勉強会で発表されたものです。
新人研修　後半 2024/04/26の勉強会で発表されたものです。iPride Co., Ltd.
 
Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。iPride Co., Ltd.
 
Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。iPride Co., Ltd.
 
NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）
NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）
NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）NTT DATA Technology & Innovation
 
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Gamesatsushi061452
 
論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介：Selective Structured State-Spaces for Long-Form Video UnderstandingToru Tamaki
 
業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）
業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）
業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）Hiroshi Tomioka
 
論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...Toru Tamaki
 

Recently uploaded (11)

LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアルLoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
 
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイスLoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
 
Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）
Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）
Observabilityは従来型の監視と何が違うのか（キンドリルジャパン社内勉強会：2022年10月27日発表）
 
新人研修　後半 2024/04/26の勉強会で発表されたものです。
新人研修　後半 2024/04/26の勉強会で発表されたものです。新人研修　後半 2024/04/26の勉強会で発表されたものです。
新人研修　後半 2024/04/26の勉強会で発表されたものです。
 
Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その２2024/04/26の勉強会で発表されたものです。
 
Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その３2024/04/26の勉強会で発表されたものです。
 
NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）
NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）
NewSQLの可用性構成パターン（OCHaCafe Season 8 #4 発表資料）
 
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
 
論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介：Selective Structured State-Spaces for Long-Form Video Understanding
 
業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）
業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）
業務で生成AIを活用したい人のための生成AI入門講座（社外公開版：キンドリルジャパン社内勉強会：2024年4月発表）
 
論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介：Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
 

GPUいらずの高速動画異常検知

  • 2. CONFIDENTIAL © Core Concept Technologies Inc. ０．アジェンダ 2 1. 自己紹介 2. 動画解析とは 3. 動画解析の期待と課題 4. 提案手法紹介 5. 活用事例 6. まとめ
  • 3. CONFIDENTIAL © Core Concept Technologies Inc. 3 IoT/AIソリューション事業部 エンジニア 馬場峻司 経歴： 2014年 3月 理学系大学院卒業 ～ 2017年 9月 某生命保険系SIer企業卒業 ～ 2017年 10月 ハンググライダーのインストラクターになる ～ 2018年 5月 CCT入社 現在の業務： 行列計算やPythonと日々格闘しながらエンジニアとして業務にあたる 最近は画面開発や窓口業務も拡大中 １．自己紹介
  • 4. CONFIDENTIAL © Core Concept Technologies Inc. 4 ２．動画解析とは • 動画解析とは カメラで撮影された動画を用いた解析を経て有用な 情報を抽出すること ＤＮＮ（ディープラーニング）を用いた手法が主流 例１）稼働監視 撮影している機械が稼働中か否かを判定 稼働率や作業効率を定量化する 例２）異常検知 動画をもとに期待される動作からの乖離を 数値化し、期待していない動作や事象を検知する
  • 5. CONFIDENTIAL © Core Concept Technologies Inc. 5 ３．動画解析の期待と課題 • 期待 様々な現場に使用できるかもれない 人間のような高度な判断を任せられるかもしれない • 課題 計算リソースが膨大になる →初期費用がかかる GPUサーバー：100万～ 学習に大量のデータ、専門知識が必要 →汎用性に欠ける 保守費用がかかる まずは手軽に 試したい……
  • 6. CONFIDENTIAL © Core Concept Technologies Inc. 6 ４．提案手法 • 必要なもの ＰＣ、カメラ、正常動作を網羅した動画 パラメータ • 仕組み 1. 正常動画の学習 正常動画を用いて動画のピクセル毎に異常検知器を 作成。異常検知器にはＫ－近傍法を用いている。 2. 異常フレームの検知 フレーム毎に外れ値を判定し異常ピクセルを黒くする。 黒ピクセルの割合で異常度を計算する。正常動画と 比較し大きく異なる動きをとると黒く表示される。 Ｋ－近傍法イメージ
  • 7. CONFIDENTIAL © Core Concept Technologies Inc. 7 ４．提案手法 • 実験 ２つの動作をするロボットアームを用意し 動画Ａを正常動作、動画Ｂを異常動作と仮定。 動画Ａを学習し動画Ｂを解析する。 動画Ａ：正常 動画Ｂ：異常
  • 8. CONFIDENTIAL © Core Concept Technologies Inc. 8 ４．提案手法 • 実験結果 動画Ａにない動きの部分 のみ黒ピクセルとして 表示出来ている。 動画Ａ：正常 動画Ｂ：異常
  • 9. CONFIDENTIAL © Core Concept Technologies Inc. 9 ５．活用例 活用例１ • 耐久試験中の異常動作監視 反復動作する機器の異常を監視！！ 活用例２ • 製品の品質定量化 回転加工中に製品がごくわずかなゆがみを定量化！！
  • 10. CONFIDENTIAL © Core Concept Technologies Inc. 10 ６．まとめ 提案手法の特徴まとめ • 家庭用ノートＰＣでも高速な動画解析が可能 • 少ない学習データ、簡単な設定で学習が可能 • 異常個所が定量的、視覚的にとらえられる為、ＤＮＮにありがちな ブラックボックスな部分がない • 効果的な適応条件は以下の通り 監視対象が反復動作を行っていること 画角を変えず定点で撮影可能なこと 異常動作では正常動作にない動きをすること
  • 11. CONFIDENTIAL © Core Concept Technologies Inc. 11 宣伝 画像センシングシンポジウムＳＳＩＩ２０１９に採録！ ※http://ssii.jp/ssii/index.html 提案手法は学術的にもご評価いただいております！ ご検討の際は、実際に現場でデモさせていただきます！！
  • 12.
  • 13. CONFIDENTIAL © Core Concept Technologies Inc. 13 補足 実験で用いた動画の詳細は以下の通り 解像度：約380x220 フレームレート：30fps 解析にかかった時間は動画1フレームの解析で約0.002秒！