このPodcastおもしろい。この回は google pixel で使われてるポートレートモードのぼかしアルゴリズム解説してくれてる。 https://t.co/QZslilkxhJ
— Tatsuya Kida (@kidapu) 2018年12月29日
[1806.04171] Synthetic Depth-of-Field with a Single-Camera Mobile Phone
これ。ようやくPodcast聴いたけど、かなり面白かった。個人的に、ヘーと思ったことメモ
先週，京都大学数学教室で集中講義をさせていただきました．その時の資料です．
— Taiji Suzuki (@btreetaiji) 2018年12月28日
・機械学習概要：https://t.co/6O0cSRe1P8
・深層学習概要（後半で数理を重点的に紹介）：https://t.co/6kkIrFB4cT
その他，板書等の資料：https://t.co/wKYXYK9vkm
いいじゃん
良さそうなスライドメモ
Eric Jang(Google), Coline Devin(Berkeley), Vincent Vanhoucke(Google), and Sergey Levine(Google, Berkeley)
2018/11/16
内田 祐介(DeNA)、山下 隆義（中部大学）
2019/03（早期公開）
ディープラーニングのCNNを使ったネットワークの変遷や性能比較をまとめたサーベイ論文。めちゃめちゃ有用な予感なので、しっかり読む。あとで追記。
画像認識を主に、様々なネットワークを極力同一条件で性能比較を行っている。
以下のスライドも合わせて参照
サーベイ論文のため省略
ネットワークの改善により、性能は向上しているが、性能自体かなり飽和している印象を受けた。タスクの実用上は、1~2%の違いを求めるより、推論の速度や開発期間の方が重要なケースもあると思う。
また、比較もあくまで実験的なものなので、ハイパーパラメータのチューニングによっては、ネットワークによる性能が逆転することもあるのではないかなという印象も受けた。
もちろん、学習がうまくいっているとき、ネットワークの変更による性能差はこの程度ということを知る意味では、非常に有用な論文であると思う。
Phillip Isola(Berkeley), Jun-Yan Zhu(Berkeley), Tinghui Zhou(Berkeley), Alexei A. Efros(Berkeley)
2016/11/21
ディープラーニングを用いた、汎用的な画像変換。pix2pixとして有名。TensorFlowをはじめとした多くの実装例がある
CGAN（条件付きGAN）を使っている。「変換前の画像とGeneratorが生成した画像のペア」と「変換前の画像と変換後の画像のペア」という画像を条件として学習させる。
Generatorにはセマンティックセグメンテーションに使われるU-Netを使用
U-Netのネットワーク
U-Netの代わりに別のネットワーク(DeepLabV3+とか）使ったら性能が向上したりするのだろうか？それかもうやられてる？
任天堂のドット絵のアップスケーリング。直接は関係ないが、極限までスピードの要求される画像変換という点で取り上げる
