European Union regulations on algorithmic decision-making and a “right to explanation” まとめ

今回紹介するのは、機械学習というより、機械学習とどのように向き合っていくのかを考察した論文です。
手法ばかり勉強していましたが、産業そのもの事態を変化させる機械学習には、注意すべき事項もあります。
うまく機械学習と向き合っていくべくには、このような考え方も取り入れていかなければいけません。

使用した論文
【 European Union regulations on algorithmic decision-making and a “right to explanation” 】
European Union regulations on algorithmic decision-making and a “right to explanation”

“Why Should I Trust You?” Explaining the Predictions of Any Classifier まとめ

今回も紹介するのは、機械学習の判断根拠に関する論文です。
機械学習や深層学習でよい結果が出たとしても、なぜその結果がよいのか説明できなければ、意味がありません。
そこでその説明ができるツールを紹介したいと思います。

使用した論文
【 “Why Should I Trust You?” Explaining the Predictions of Any Classifier 】
“Why Should I Trust You?” Explaining the Predictions of Any Classifier

Rethinking the Inception Architecture for Computer Vision まとめ

今週は有名なGoogleNetを紹介します。
このGoogleNetの中で有名なのがInceptionというものがある。
VGGよりも計算コストを抑えかつ、精度が高いのはこのInceptionが大きな役目を果たしています。

使用した論文
【 Rethinking the Inception Architecture for Computer Vision 】
https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Szegedy_Rethinking_the_Inception_CVPR_2016_paper.pdf

U-Net まとめ

今回紹介するのは、U-Netというモデルです。
セグメンテーションを行うためのモデルは多く論文など出ていますが、
今回紹介するU-Netは、医療系の画像で成果を出したモデルとして有名です。
またkaggleのコンペでたまに見かけますね。
医療系の画像は、画像の境界線がはっきりとしていなければいけないという条件があるのですが、
それをどのように工夫してるのでしょうか。

使用した論文
【 U-Net 】
https://arxiv.org/pdf/1505.04597.pdf

Learning to See in the Dark

今週3本目は、2018年話題になった論文を取り上げたいと思います。
今回取り上げる論文は、暗い画像を鮮明な画像に変換しちゃうもの。
受け取ったデータが暗くて使えないなーと思ったことが結構あると思いますが、これを使えば、もしかしたらその悩みを解消できるかもです

使用した論文
【 Learning to See in the Dark 】
http://cchen156.web.engr.illinois.edu/paper/18CVPR_SID.pdf

Speed/accuracy trade-offs for modern convolutional object detectors

今週2本目は、比較の論文をご紹介します。

最近は、物体検知も新しいモデルが次々に出てくるので、何を使うべきなのか正直言って難しい時がある。
Faster R-CNN、MASK-CNN、SSD、Yoloなどあげれば結構でてくる。
なので今回は、そのモデルを選定する際の基準を紹介しようと思う。

使用した論文
【 Speed/accuracy trade-offs for modern convolutional object detectors 】
http://openaccess.thecvf.com/content_cvpr_2017/papers/Huang_SpeedAccuracy_Trade-Offs_for_CVPR_2017_paper.pdf

Deep Residual for Image Recognition

今週1本目は、Residual Network、通称ResNetと呼ばれるネットワークの論文を読んだので、まとめていければと思います。
内容としては、層をめちゃくちゃ深くしたネットワークになっております。
しかし単純に層を深くするだけでは、性能は悪くなるみたい。
そこを解決するために、ResNetでは、残差関数を使用しています。

使用した論文
【Deep Residual for Image Recognition】
https://arxiv.org/pdf/1502.03044.pdf