　　 59,000円（税別）/1口　

☆☆☆Web配信セミナー☆☆☆

『深層学習による画像認識と
　その判断根拠の可視化（視覚的説明）』　

S210301AW

　☆☆☆本セミナーは、Zoomを使用して、行います。☆☆☆

開催日時：2021年3月1日（月）10:00-17:00
受講料：お1人様受講の場合　47,000円[税別]／1名
　　　　　1口でお申込の場合　59,000円[税別]／1口（3名まで受講可能）

　★本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、
　お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。

　★インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。
　講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。

　★受講中の録音・撮影等は固くお断りいたします。

　　

　講　師

　藤吉弘亘（ふじよしひろのぶ）　氏　

　　　中部大学　工学部　情報科学科　/　大学院工学研究科情報工学専攻　教授（博士（工学））

＜略歴＞	1997年　中部大学大学院博士後期課程了　1997～2000年　米国カーネギーメロン大学ロボット工学研究所　Postdoctoral Fellow 　2000年　中部大学　講師　2004年　中部大学　准教授　2005～2006年　米国カーネギーメロン大学　ロボット工学研究所　客員研究員　2010年　中部大学　教授　2014年　名古屋大学　客員教授　　現在に至る
＜学会＞	電子情報通信学会、情報処理学会、ロボット学会、IEEE
＜主な受賞＞	ロボカップ研究賞（2005年）　情報処理学会論文誌CVIM優秀論文賞（2009年）　情報処理学会山下記念研究賞（2009年）　画像センシングシンポジウム優秀学術賞（2010, 2013, 2014年）　電子情報通信学会情報・システムソサイエティ論文賞（2013年）
＜研究＞	計算機視覚、動画像処理、パターン認識・理解の研究に従事

　　講義項目

　1　画像認識の問題設定

　　1.1　物体検出タスク
　　1.2　画像分類タスク
　　1.3　シーン理解：セマンティックセグメンテーションタスク
　　1.4　特定物体認識タスク

　2　ニューラルネットワークと逆誤差伝搬法

　　2.1　ニューラルネットワーク（全結合）
　　2.2　多層パーセプトロン（MLP）の学習
　　2.3　勾配降下法
　　2.4　誤差関数

　3　畳み込みニューラルネットワーク（CNN）

　　3.1　機械学習を用いた画像認識
　　3.2　畳み込み層
　　3.3　活性化関数
　　3.4　プーリング層
　　3.5　全結合層
　　3.6　出力層
　　3.7　CNNの推論過程、学習
　　3.8　従来の機械学習 VS 深層学習
　　3.9　学習サンプル数 VS 認識性能
　　3.10　データ拡張

　4　CNNよる画像認識

　　4.1　一般物体認識（分類）
　　　…　AlexNet / VGG / GoogLeNet / ResNet / SENet
　　4.2　物体検出
　　　…　Faster R-CNN / YOLO / SSD / M2Det
　　4.3　セグメンテーション
　　　…　SegNet / MNet
　　4.4　回帰
　　4.5　マルチタスク学習

『深層学習による画像認識と
　その判断根拠の可視化（視覚的説明）』

S210301AW

藤吉弘亘（ふじよしひろのぶ）　氏

中部大学　工学部　情報科学科　/　大学院工学研究科情報工学専攻　教授（博士（工学））

1　画像認識の問題設定

1.1　物体検出タスク
　　1.2　画像分類タスク
　　1.3　シーン理解：セマンティックセグメンテーションタスク
　　1.4　特定物体認識タスク

2　ニューラルネットワークと逆誤差伝搬法

2.1　ニューラルネットワーク（全結合）
　　2.2　多層パーセプトロン（MLP）の学習
　　2.3　勾配降下法
　　2.4　誤差関数

3　畳み込みニューラルネットワーク（CNN）

4　CNNよる画像認識

4.1　一般物体認識（分類）
　　　…　AlexNet / VGG / GoogLeNet / ResNet / SENet
　　4.2　物体検出
　　　…　Faster R-CNN / YOLO / SSD / M2Det
　　4.3　セグメンテーション
　　　…　SegNet / MNet
　　4.4　回帰
　　4.5　マルチタスク学習

5　視覚的説明（Explainable AI）

5.1　説明可能なAIに向けて：XAI
　　5.2　視覚的説明：アテンションマップの可視化
　　5.3　Attention Branch Network
　　5.4　Attention mapのファインチューニング
　　5.5　外観検査への適用

6　視覚的説明のロボット応用

6.1　深層強化学習によるロボットの自律移動
　　6.2　Deep Q-Network
　　6.3　深層強化学習における判断根拠の可視化

『深層学習による画像認識と その判断根拠の可視化（視覚的説明）』

S210301AW

藤吉弘亘（ふじよしひろのぶ） 氏

中部大学 工学部 情報科学科 / 大学院 工学研究科 情報工学専攻 教授（博士（工学））

1 画像認識の問題設定

1.1 物体検出タスク 1.2 画像分類タスク 1.3 シーン理解：セマンティックセグメンテーションタスク 1.4 特定物体認識タスク

2 ニューラルネットワークと逆誤差伝搬法

2.1 ニューラルネットワーク（全結合） 2.2 多層パーセプトロン（MLP）の学習 2.3 勾配降下法 2.4 誤差関数

3 畳み込みニューラルネットワーク（CNN）

3.1 機械学習を用いた画像認識 3.2 畳み込み層 3.3 活性化関数 3.4 プーリング層 3.5 全結合層 3.6 出力層 3.7 CNNの推論過程、学習 3.8 従来の機械学習 VS 深層学習 3.9 学習サンプル数 VS 認識性能 3.10 データ拡張

4 CNNよる画像認識

4.1 一般物体認識（分類） … AlexNet / VGG / GoogLeNet / ResNet / SENet 4.2 物体検出 … Faster R-CNN / YOLO / SSD / M2Det 4.3 セグメンテーション … SegNet / MNet 4.4 回帰 4.5 マルチタスク学習

5 視覚的説明（Explainable AI）

5.1 説明可能なAIに向けて：XAI 5.2 視覚的説明：アテンションマップの可視化 5.3 Attention Branch Network 5.4 Attention mapのファインチューニング 5.5 外観検査への適用

6 視覚的説明のロボット応用

6.1 深層強化学習によるロボットの自律移動 6.2 Deep Q-Network 6.3 深層強化学習における判断根拠の可視化

『深層学習による画像認識と
　その判断根拠の可視化（視覚的説明）』　

　藤吉弘亘（ふじよしひろのぶ）　氏　

　　　中部大学　工学部　情報科学科　/　大学院工学研究科情報工学専攻　教授（博士（工学））

　1　画像認識の問題設定

　　1.1　物体検出タスク
　　1.2　画像分類タスク
　　1.3　シーン理解：セマンティックセグメンテーションタスク
　　1.4　特定物体認識タスク

　2　ニューラルネットワークと逆誤差伝搬法

　　2.1　ニューラルネットワーク（全結合）
　　2.2　多層パーセプトロン（MLP）の学習
　　2.3　勾配降下法
　　2.4　誤差関数

　3　畳み込みニューラルネットワーク（CNN）

　4　CNNよる画像認識

　　4.1　一般物体認識（分類）
　　　…　AlexNet / VGG / GoogLeNet / ResNet / SENet
　　4.2　物体検出
　　　…　Faster R-CNN / YOLO / SSD / M2Det
　　4.3　セグメンテーション
　　　…　SegNet / MNet
　　4.4　回帰
　　4.5　マルチタスク学習

　5　視覚的説明（Explainable AI）

　　5.1　説明可能なAIに向けて：XAI
　　5.2　視覚的説明：アテンションマップの可視化
　　5.3　Attention Branch Network
　　5.4　Attention mapのファインチューニング
　　5.5　外観検査への適用

　6　視覚的説明のロボット応用

　　6.1　深層強化学習によるロボットの自律移動
　　6.2　Deep Q-Network
　　6.3　深層強化学習における判断根拠の可視化