Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.

カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び

8.032 Aufrufe

Veröffentlicht am

2017/04/22 AI eats UX meetupでの、白井の講演資料になります

Veröffentlicht in: Technologie
  • Login to see the comments

カーセンサーで深層学習を使ってUX改善を行った事例とそこからの学び

  1. 1. カーセンサーで深層学習を使って UX改善を行った事例とそこからの学び
  2. 2. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 内容 2 Convolutional Neural Network[CNN] CNN
  3. 3. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 3 Convolutional Neural Network
  4. 4. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 4  入力画像上でパッチ(局所画像)を滑らせ、パッチからの特徴量抽出(Convolution) と近くのパッチ同士での特徴量のまとめ上げ(Pooling)を繰り返し、最終的に得られた 特徴量をもとに画像のラベルを予測する。 P (野球) P (サッカー) P (カバディ) 繰り返し すべての特徴量 を連結し使用 Convolution層 Pooling層 ベクター Predict 画像に映っているものが何かを特定する =物体認識を実施 Convolutional Neural Network とは
  5. 5. Convolution: RGB * 3 0 1 3 * 3 0 1 3 = 3*3 + 0*0 + 2*1 + 3*3 =20 * 3 0 1 3 =3 * 3 0 1 3 =12 * 3 0 1 3 =20 22 5 14 22 2 + 残したいエッジや色などの特徴を抽出する処理 Convolution と Pooling 3 0 1 2 3 0 0 2 3 3 0 2 3 2 3 0 2 3 0 2 3 0 1 3 0 Pooling: Conv 8 4 9 5 4 1 1 0 2 2*2 8 4 5 4 Max( ) = 8 Max( ) = 9 4 9 4 1 Max( ) = 5 Max( ) = 4 5 4 1 0 4 1 0 2 8 9 5 4 微小な変化に対してロバストな特徴を与える処理
  6. 6. 物体認識 ベクトル化 ベクトル化 ベクトル化 ベクトル化 野球ゾーン サッカーゾーン まとめる ベクトル化 学習 予測 予測モデル サッカーゾーンに近い。 サッカーなのでは! と特定 未知の画像 正解ラベル付きの画像を大量に学習し、 未知の画像に何が映っているかを特定する
  7. 7. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 7 CNN 車種判別内装色
  8. 8. 外装 ハンドル カーナビ 内装 ・ ・ ・ 1物件の中古車画像群 (約20枚) 1 2 3 4 タイヤ 5 4 内装画像を判定 黒 赤 シートの色を抽出して タグを付与する CNN K-means カラーhist 内装色判別:処理概要と何ができるか 物件ごとに内装色タグを付与して、 ユーザーが内装色で検索が可能 に
  9. 9. 車種判別:処理概要と何ができるか … … … CNNで作成した 車種判別モデル車の写真 2674車種 ・ワゴンR ・プリウス ・フィット ・フェラーリ ・エスティマ ・ ・ ・ 2674車種の精度 68.2% カスタマが気になる車の 写真を解析することで、 車種名が分かり検索可能に
  10. 10. CNNの用途 web Web web
  11. 11. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 11
  12. 12. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 課題 12 高精度を出すために大量の学習データが必要・・・orz 80 1 → → [ ]
  13. 13. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 課題の解は論文にあり 13 :ラベル1データ :ラベル2データ :ラベルなしデータ :境界面 VAT※1の半教師有り学習を活用 :予測確率分布がずれやすい 方向へデータをずらす … … … このズレの予測確率 分布の差が最小になる ように、WとBを学習 データの多少のブレにも耐えうる判別モ デルが作成できる 故に、たくさん画像があれば、少しのラ ベル作成で済む。 少量の学習データと大量のラ ベルなしデータで高精度なモ デルを作る技術
  14. 14. (C) Recruit Marketing Partners Co.,Ltd. All rights reserved. 今後の世界[画像解析] 14 → VAT → CNN → AWS tensorflow keras ( ) / UX

×