著者:ym
ご当地ナンバー
私の車は軽自動車ですが、黄色いナンバーではなく、ラグビーワールドカップ版の、白ナンバープレートがついています。
他には、オリンピックバージョンも開始していますね。
他にも続々とご当地ナンバーがでる様ですが、ここ、”浜松” ご当地ナンバーは無いのですね。
観光振興の為にも良い案が出ると良いのだけど、アレだけは止めてもらいたい。
こうなると、ナンバープレートで軽自動車なのか、普通自動車なのかを判断するのは人間では無理？自動車のタイプによって料金の異なる高速道路や、駐車場等、ETCで検知するか、何かしらの自動認識が必要になりそう。
と思ったら、既に 2018年に導入予定とか。
なかなか縛られて大変です。
著者:杉浦
ディープラーニングのできる多彩な表現
少し前の画像関係におけるディープラーニングの成果のニュースでは、数十万枚の画像データから学習を行った、というようなふれこみがありました。（最近は画像に上手く回転、移動などの変換をかけてデータの情報量を増やすことによって比較的少ない枚数による学習を行うことができるようになりました。数十万枚でも数千枚でもそれほど学習効率は変わらないはずです）
ディープラーニングにおいて、数十万枚のデータの学習による結果の精度は、数万枚のデータの学習にかかる時間よりも魅力的でした。この記事の話はディープラーニングがなぜそれだけ多くのデータから学び続けられるのか、という話になります。
ディープラーニングはビッグデータと呼ばれるExcelではとても扱いきれないぐらい巨大なデータを用いて学習することができます。これだけ膨大なデータを学習に活かすことができるディープラーニングは多彩な表現が可能になっています。ディープラーニングとは巨大なニューラルネットワークによる機械学習のことです。ニューラルネットワークの持つ表現の仕組みから、多彩な表現が可能な理由の一つを述べます。
ニューラルネットワークは下図の黒丸一つ一つで場合分けを行い、矢印先の黒丸一つ一つにその結果を伝え、伝えられた結果から場合分けが行われます。
この場合分けの伝達によって、場合分けの組み合わせ爆発ともいえるような状態を作れます。
例えば、8個の場合分けから成る層（上図の黒丸の縦列のこと）が14層並んでいるならば、場合分けを8^14回まで行えるようなものです。ここで行えるようなもの、というのは厳密には違うということと用いる意味の薄いであろう場合分けはあらかじめ無視し、処理しないということができるからということです。画像認識を例にすると、画像上における近隣の情報との関係が遠方の情報との関係よりも重要になるので、遠い画素との場合分けは省略したほうがお得です。
このように場合分けを多くすることで、この画素ならばこの線、この線ならばこの部品、この部品ならばこの物体という演繹を広く行うことができ、精度の高い結果を出力することができます。