Weitere ähnliche Inhalte
Ähnlich wie [GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料 (20)
[GTC 2018] GTCテクニカルセッション_0913 Ridge-i発表資料
- 2. 1©2018 Ridge-i All Rights Reserved.
Ridge-i(リッジアイ)について
事業領域
ビジネスニーズに最適化し
たAI技術を提供
• AIコンサルティング
− 機械学習・ディープ
ラーニング中心
• ソリューション開発
− 例:放送品質モノクロ
映像 彩色ディープ
ラーニング
会社概要
オフィス
• 千代田区大手町1-6-1-
442(大手町駅直結)
従業員数
• 15名 + α
主に機械学習エンジニ
ア、コンサルタント
就労スタイル
• 裁量労働制
パートナーシップ
Deep Learning Lab幹事企業
(コミュニティ登録者3963人)
- 3. 2©2018 Ridge-i All Rights Reserved.
AIのメリットは?
• ルールで記述できなかった、人の勘・コツを模倣できる可能性 (形式知化)
• 人手では限界のある、大量かつ複雑なデータの解析が得意
それぞれの特徴を踏まえて、目的に応じたベストミックスが必要
従来システム開発とAI開発の比較
相違点
共通点
従来システム開発 AI(機械学習・ディープラーニング)開発
ルールベース・
質が人(要件定義者)に依存
質がデータに依存
“garbage in, garbage out”
厳密解 近似解
演繹的・ホワイトボックス(改善が容易) 帰納的・ブラックボックス(改善が難しい)
目的や機能の定義は人
自動的に自ら改善や機能の追加はしない
- 4. 3©2018 Ridge-i All Rights Reserved.
AI開発アセスメント~AI開発・導入までの主な流れ
AI導入目的
と課題
の整理
データとAIの
組合せを
定義
AI
パイロット
検証
AI開発・
導入に
向けた
計画策定
AI開発
POC周辺
システム
との連携
導入
保守
AI開発アセスメント・パイロット検証 フェーズ
※一方通行ではなく、違うデータとアルゴリズムの組合せで、アジャイルに検証をすることも大事
AI
開発・導入フェーズ
開発導入判断
コンサルティングチームがお客様と検討を重ねて
AIの導入目的を明確にすることが肝要
- 5. 4©2018 Ridge-i All Rights Reserved.
Ridge-iの取り組みのご紹介
Ridge-iの
特徴
機械学習・DLを
はじめとする
総合的な実現力
卓越した
画像解析技術
ビジネスの現場で
インパクトを実現
• センサーやレーザー等の
デバイス選定から支援
• 従来手法とDLの組合わせで、
複雑なタスクを解決
• 周辺システムとのつなぎ
開発も可能
• 最先端の論文も実装
• 少ないデータで精度を向上
するノウハウ
• 競合が達成できなかった
案件も複数
• ゴールを顧客と共に明確化
• AIありきではなくROIを重視
• PoCで終わらない、
実運用までのこだわり
案件例
• 運搬機器の動線解析• ゼネコン向け安全監視
• 高解像異常物検出
• 時系列変化を踏まえた動画
のシーン分類
• プラントの自動運転化
• 画像解析/加工ツール
成果が実現・体感できるソリューションを提供
- 6. 5©2018 Ridge-i All Rights Reserved.
① 優秀なアシスタント 彩色ディープラーニング
② ごみ焼却炉でのセグメンテーション活用
③ 衛星データ SAR画像でオイル流出検出
④ ルールにできなかった 異常検知
<今日は④を中心に技術詳細解説します>
事例・ソリューション紹介
- 7. 6©2018 Ridge-i All Rights Reserved.
① 優秀なアシスタント 彩色ディープラーニング
(1) 放送レベル自動彩色DL |NHKアート様と共同開発
<4Kの白黒映像をディープラーニングで彩色した実証実験映像>
ディープラーニングによる自動彩色
• 最初の1枚だけ人が彩色 残りの499フレームはDLが彩色
• 木の葉の揺れや雲の動きにも対応
- 8. 7©2018 Ridge-i All Rights Reserved.
① 優秀なアシスタント 彩色ディープラーニング
(2) 求める色合いを正確に再現
Webでの汎用AIサービス Ridge-i + NHKアート様
無断転載・配布禁止
プレゼン用途のみの画像につき
配布資料から削除しております
- 9. 8©2018 Ridge-i All Rights Reserved.
① 優秀なアシスタント 彩色ディープラーニング
(3) NHKで放映実績あり
NHK『第50回思い出のメロディー』(2018年8月放送)
• 番組内の企画コーナー “歌でつながる時代”―
「カラーでよみがえる 第1回 思い出のメロディー」のため
に、初めて放送された回の白黒映像一部を、本システム
を用いてカラー化
NHKスペシャル
「戦後ゼロ年東京ブラックホール 1945-1946」
(2017/8/20 NHKで放送)
大相撲
(2017/5/21 NHKで放送)
省力化を実現しながらも、放送クオリティを確保
人が価値を生み出せるところに集中し、AIをパートナーに
無断転載・配布禁止
プレゼン用途のみの画像につき
配布資料から削除しております
- 10. 9©2018 Ridge-i All Rights Reserved.
②ごみ焼却炉でのセグメンテーション活用
荏原環境プラント株式会社様と共同開発
従来の自動運転では
投入するごみ質の変動が大きく、
安定した燃焼ができない
ごみの質をピクセル単位で
認識することに成功
熟練オペレータのノウハウを再現、
投入するごみ質の安定化が可能に
ごみ焼却炉イメージ図
<燃焼状態を監視する中央操作室><クレーン操作室>
ごみピット
焼却炉
課題と目的
- 12. 11©2018 Ridge-i All Rights Reserved.
• ルールでは波とオイルは分類困難
• 読み解けるのは一部のエキスパートのみ
• AIの活用により、オイルスリック(油膜)が
あるエリアを100%の精度で特定
衛星画像に対するディープラーニングによる解析の普及活動に参画
(総務省 4次元サイバーシティの活用に向けたタスクフォースのメンバー)
数枚の画像で学習
レーダー画像 AIによる解析
③ 衛星レーダ画像 SARでオイル流出検出
- 13. 12©2018 Ridge-i All Rights Reserved.
AI
弊社では、日本の製造業で耐えうる高解像度を実験中
学習用の良品画像
良品画像の
特徴を学んだ
AI
検品画像 不良判定
良品には存在しなかった
キズ・ゆがみなどを検出
④ルールにできなかった 異常検知
生成モデルによる極小の傷の検知
- 14. 13©2018 Ridge-i All Rights Reserved.
④ルールにできなかった 異常検知
生成モデルによる極小の傷の検知
1~2 ピクセルの微細な傷に対して、
生成できない部位として外れ値が高く出力
プレゼン用途のみの画像につき
配布資料から削除しております
- 15. 14©2018 Ridge-i All Rights Reserved.
④実務でおきる 様々な課題
実務では、様々な手法を駆使して乗り切る必要
不良データも使って
精度を上げる方法(検証中)
AnomalyDetection GAN+
高解像度化の論文実装
DGX-1で検証
データ 求められる精度
• 高解像度を維持する必要性
─ 解像度を落とすと
微細な傷が消える
─ 全体を見て、異常箇所 or
模様を判断
• 異常箇所をピクセル単位で表示
─ 分類器では不足
• 通常のGANだと、高解像度の
学習が収束しない
• 完全な「良品」の定義が難しい
• 良品データ自体のばらつき
(取得時期・振動 etc)
• データ数の不足
(例:初回検証が数百枚程度)
処理速度
• PCサーバーでは学習に数週間
かかってしまう
• 高解像度NNがメモリに乗り切ら
ない
- 17. 16©2018 Ridge-i All Rights Reserved.
敵対生成学習による外観検査のための異常検知手法
Masanari Kimura
mkimura@ridge-i.com
GTC Japan 2018 テクニカルセッション
2018/09/13
- 19. 18©2018 Ridge-i All Rights Reserved.
● 画像内の異常を発見したいケースは数多く存在する
○ e.g. 工業製品の傷検知,車両進入禁止エリアの監視など...
● 発見したい異常部分が小さいほど,対象画像の解像度は
高くなければいけない
高解像度画像内の小さな異常部分を発見したい
問題設定
- 20. 19©2018 Ridge-i All Rights Reserved.
● 異常部分と正常部分の視覚的識別
○ 傷なのか?模様なのか?
○ 同じような見た目でも,ある部分は傷,ある部分は模様という場合がある
■ 画像を細かく区切るパッチ処理ではなく画像全体を見なければいけない
● 微小な異常箇所の特定
○ 計算効率を考えて入力画像の解像度を落とすと,拾えない異常箇所が出る
○ できる限り元の解像度を保ったままモデル化する必要がある
高解像度画像内の異常検知の難しさ
- 23. 22©2018 Ridge-i All Rights Reserved.
● 正常画像の分布をモデル化して,異常箇所を特定する
○ VAE, GAN etc...
画像生成モデルによる異常検知
正常画像 異常画像
異常部分
- 25. 24©2018 Ridge-i All Rights Reserved.
● Goodfellowらが提案 [1]
● GeneratorとDiscriminatorの二つのネットワークからなる
○ Generatorは学習データにありそうな画像を生成
○ Discriminatorは本物の画像なのか生成された画像なのかを分類
Generative Adversarial Networks (GAN)
- 26. 25©2018 Ridge-i All Rights Reserved.
Generative Adversarial Networks (GAN)
● 生成器Gと識別器Dの敵対学習
● GはDを騙せるような画像を作れるように学習
● DはGに騙されないように学習
- 27. 26©2018 Ridge-i All Rights Reserved.
敵対生成学習モデルによる異常検知 [2]
Real Imagesを正常画像のみにして学習
正常画像しか作れないGeneratorを得る
- 28. 27©2018 Ridge-i All Rights Reserved.
敵対生成学習モデルによる異常検知
正常系
異常系
入力画像A
Generatorの生成範囲内なので正常
Generatorの生成範囲外なので異常
GANを利用した異
常検知の概要
GANで学習したGeneratorは正常な画像であれば完璧に生成できるはず
→ Generatorが生成できる画像は正常、できない画像は異常と判断する
入力画像B
• 特徴①:Discriminatorを騙せる程リアルな画像を生成
• 特徴②:良品画像しか作れない
• → 正常系とGeneratorが作れる画像集合が一致する
理想的なGeneratorが作れる画像の集合
- 29. 28©2018 Ridge-i All Rights Reserved.
● 生成画像と入力画像の差分をとって異常部分を検知する
● 正常部分であればGeneratorが生成できることを利用
敵対生成学習モデルによる異常検知
生成画像
入力画像
差分画像
- 30. 29©2018 Ridge-i All Rights Reserved.
● なぜ高解像度でなければいけないのか?
○ 微小な異常の場合,画像の解像度を落とすと消えてしまう
● パッチ処理 (画像を細分化して個別に異常検知)をすればいいのではないか
○ 画像全体を見ないと異常箇所 or 単なる模様の区別ができない
高解像度画像に対する異常検知
- 31. 30©2018 Ridge-i All Rights Reserved.
● Karrasらによって提案[3] (NVIDIA!!)
● 従来のGANsのクォリティを遥かに上回るGANsの学習手法
○ 低解像度画像から徐々に学習を進め,最終的に高解像度・高精細画像を得る
Progressive Growing of GANs
- 32. 31©2018 Ridge-i All Rights Reserved.
● α: K番目の解像度のフィルタとK-1番目のフィルタを足し合わせる比率
○ αを徐々に増加させていくことでK番目の解像度の学習に差し替える
● この手法によって,高解像度かつ高精細な画像を生成できるようになった
Progressive Growing of GANs (Main Contribution)
toRGB,fromRGBは1x1 Conv
- 34. 33©2018 Ridge-i All Rights Reserved.
オープンデータセットに対する異常検知例
* UMN Unusual crowd activity datase
(http://mha.cs.umn.edu/)
正常時画像
異常時画像
モデルの推論結果
- 35. 34©2018 Ridge-i All Rights Reserved.
オープンデータセットに対する異常検知例
入力 推論結果
* UMN Unusual crowd activity datase
(http://mha.cs.umn.edu/)
- 37. 36©2018 Ridge-i All Rights Reserved.
● 正常画像は多ければ多いほど良い
○ Generatorの生成できる画像の分布が実際の分布に近づくため
○ 異常箇所以外のノイズを限りなく再現できるようになる
正常画像数と精度の推移
N = 100
N = 1000
正常画像数とスコアの推移
- 38. 37©2018 Ridge-i All Rights Reserved.
● 実際に得られたデータの水増しを行うデータ拡張は注意が必要
○ 適用するドメインによっては拡張結果がそのまま異常になる可能性
データ拡張について
- 39. 38©2018 Ridge-i All Rights Reserved.
● 高解像度画像内の異常検知について,画像生成モデルを活用
○ 最新の敵対生成学習手法を実用
○ 異常箇所に対するアノテーションなしに学習可能であることを実証
● 今後の課題
○ 異常箇所以外のノイズを極力少なくするための精度改善手法の模索
○ どういうドメインにおいて特に手法が有効であるのかを調査
まとめ
- 41. 40©2018 Ridge-i All Rights Reserved.
● [1] Goodfellow, Ian, et al. "Generative adversarial nets." Advances in neural information processing systems. 2014.
● [2] Schlegl, Thomas, et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery."
International Conference on Information Processing in Medical Imaging. Springer, Cham, 2017.
● [3] Karras, Tero, et al. "Progressive growing of gans for improved quality, stability, and variation." International Conference on
Learning Representations (ICLR 2018), 2018. 4, 2018.
参考文献
- 42. 41©2018 Ridge-i All Rights Reserved.
GTC2018ブース出展中(1Fスポンサー展示エリア)
Ridge-iの様々な事例や技術情報を展示しています
We’re hiring !
ビジネスストラクチャリング / エンジニア / リサーチエンジニア
https://ridge-i.com/careers/