「日本オペレーションズ・リサーチ学会 2019年秋季研究発表会」にて、当社の大原が研究成果を発表しました。

Posted on 2019年9月12日 by Logbii

「日本オペレーションズ・リサーチ学会 2019年秋季研究発表会」にて、9月12日に当社の大原が研究成果を発表しました。

E会場 1-E-10
病床機能を考慮した二次医療圏における病床配分に関する研究
http://www.orsj.or.jp/~nc2019f/index.php/program/

当社は、今後もAIの社会導入に邁進して参ります。

【会社概要】
会社名：株式会社ログビー
代表者：代表取締役松田敦義
所在地：東京都渋谷区恵比寿2-28-10 Shu BLDG 2737
URL：https://logbii.com/

【本件問い合わせ先】
株式会社ログビー
担当：松田
E-Mail：info＠logbii.com

「モノづくり日本会議 AI研究会シンポジウム」にて、当社代表の松田が登壇をいたしました。

Posted on 2019年7月2日 by Logbii

2019年7月2日に開催された「モノづくり日本会議 AI研究会シンポジウム」にて、当社代表の松田が「AIベンダーからみたAI社会導入の事例と展望＆新規事業の進め方」と題して登壇をいたしました。

当日は多くの関係者の方に講演をお聞きいただき、誠にありがとうございました。当社は、今後もAIの社会導入に邁進して参ります。

https://www.cho-monodzukuri.jp/event/show/id/vdu5dxnkro
【会社概要】
会社名：株式会社ログビー
代表者：代表取締役松田敦義
所在地：東京都渋谷区恵比寿2-28-10 Shu BLDG 2737
URL：https://logbii.com/

【本件問い合わせ先】
株式会社ログビー
担当：松田
E-Mail：info＠logbii.com

「ファーマIT&デジタルエキスポ」にて、当社代表の松田が登壇をいたしました。

Posted on 2019年3月18日 by Logbii

2019年3月18日に開催された「ファーマIT&デジタルエキスポ」にて、当社代表の松田が「AI活用：創薬の分子生理活性の予測、市販後調査等の症例データの自動解析」と題して登壇をいたしました。

当日は多くの関係者の方に講演をお聞きいただき、誠にありがとうございました。当社は、今後もAI活用を広めるために精進して参ります。

https://www.informa-japan.com/cphi/seminar/index.php?category=32

（G-5　14:30 ー 15:00）

【会社概要】
会社名：株式会社ログビー
代表者：代表取締役松田敦義
所在地：東京都渋谷区恵比寿2-28-10 Shu BLDG 2737
URL：https://logbii.com/

【本件問い合わせ先】
株式会社ログビー
担当：松田
E-Mail：info＠logbii.com

「ヘルスケアIT」にて、当社代表の松田が登壇をいたしました。

Posted on 2019年1月29日 by Logbii

2019年1月28日、29日に開催された「ヘルスケアIT」にて、当社代表の松田が「ヘルスケア分野でのAI活用～保険加入者のリスク、創薬の生理活性、薬局の売上を予測する～」と題して登壇をいたしました。

当日は多くの関係者の方に講演をお聞きいただき、誠にありがとうございました。当社は、データを活かして快適な世の中を実現できるよう、今後も精進して参ります。

https://www.care-show.com/wp-content/uploads/seminar2019.pdf
（1月24日（木）ヘルスケアIT　ベンチャー/スタートアップ　セミナー　【J-13】 15:15 – 15:45 / J会場）

【会社概要】
会社名：株式会社ログビー
代表者：代表取締役松田敦義
所在地：東京都渋谷区恵比寿2-28-10 Shu BLDG 2737
URL：https://logbii.com/

【本件問い合わせ先】
株式会社ログビー
担当：松田
E-Mail：info＠logbii.com

国立情報学研究所教授、総合研究大学院大学教授、東京工業大学特定教授の山田誠二先生を技術顧問に迎えました

Posted on 2018年11月23日 by Logbii

株式会社ログビー（以下、ログビー）は、国立情報学研究所教授、総合研究大学院大学教授、東京工業大学特定教授の山田誠二先生を技術顧問に迎えたことをお知らせします。

山田先生は、HAI（ヒューマンエージェントインタラクション）、IIS（知的インタラクティブシステム）の2つの研究分野を世界に先駆けて展開し、人工知能、計算知能の方法を駆使したインタラクションデザインの工学的設計論を研究しています。また人工知能学会では、第16代会長を歴任するなど学会の発展にも貢献しています。

ログビーでは、人工知能領域において幅広い経験を持つ山田先生に技術顧問として就任いただくことで、自社の技術戦略と人財育成の強化を行ってまいります。

【会社概要】
会社名：株式会社ログビー
代表者：代表取締役松田敦義
所在地：東京都渋谷区恵比寿2-28-10 Shu BLDG 2737
URL：http://logbii.co.jp/

【本件問い合わせ先】
株式会社ログビー
担当：松田
E-Mail：info@logbii.com

画像認識の応用研究論文解読「DEEPEYE」

Posted on 2018年9月3日 by Logbii

はじめまして。Logbiiのヤンと申します。

Logbiiの技術ブログでは、最近の技術動向についてや、社内で扱っている技術などについて紹介していきます。主に、機械学習・ディープラーニングに関する論文の紹介や実装などを中心にしていく予定です。

初回のテーマとしては、画像認識の自動運転への応用にフォーカスして紹介していきます。

物体認識アルゴリズムの有名なものとしてはSSD[1]、YOLO[2]などがあります。今年の4月には、処理速度が向上したYOLOv3[3]が発表されるなど、アルゴリズムは常に進化しています。

アルゴリズムとしてパフォーマンスを出すのは重要です。実用化、例えば自動運転の物体認識を考えると、エッジ側での効率的な計算、周囲画像の取得方法、小さな標識の認識なども考えないといけないです。実用化の場合には、アルゴリズム、利用シーンと分析シナリオをケースバイケースで考える必要があると思います。

最近、各大手企業はエッジコンピューティングをアピールする傾向になりました。(海外ではNVIDIA[4]、Microsoft[5]、日本では三菱電機[6]、NEC[7]、富士通[8]など)。ディープラーニングを活用した画像認識は2012年のAlexNet[9]以来、精度は毎年向上しています。最近のトレンドとしては、効率よくエッジ端末で処理するため、精度とパフォーマンスのバランスが重視されているように感じます。

今回は、画像認識の自動運転での応用研究の中で、エッジ側でのディープラーニングの利用を想定したDEEPEYE[10]という論文をピックアップして紹介します。

DEEPEYEの概要

これまで物体認識の学習と分析には多くのパラメータ、データの入力が必要なため、エッジ側（Terminal Device）でリアルタイムで使用するには、パフォーマンス面の課題がありました。著者は8bitの量子化(Quantization)を用いてYOLOを圧縮し訓練して、テンソル化（Tensorized）して圧縮したRNNを合わせて、従来のYOLOと比べて約1/4にモデル容量を圧縮し、通常のRecurrent Neural Network(RNN)を用いた場合と比べて2.87倍のスビートアップ、約1万5千分の１のパラメータの減少を達成しました。

[10]より引用

著者はこの方法をDEEPEYEと命名しています。モデルのフレームワークはQ-YOLO（8 bit量子化：Quantizationで訓練したYOLO）とT-RNN（テンソルして圧縮化したRNN）を合わせて、画像に写った物を分類して行動をタグ付けします。(上図でのタグは”Playing with cat”) 。下図では上から、“Balancing”、“Cleaning”、“Fighting”というタグがつけられています。

[10]より引用

YOLOの量子化（Q-YOLO）

Q-YOLOで用いられる量子化とは、浮動小数点で表現される重みなどのパラメータを、8bitで表現する手法です。TensorFlowなどに実装されています[11]。
量子化のメリットとしては、以下のような点があげられます。
１、ディスクリソースの削減
２、計算リソースの削減と消費電力の削減

重みパラメータを量子化するイメージを下図に示します。重みパラメータを小数点の形ではなく8-Bitに変換します。例えば、PS4(64Bit)ゲームをファミコン(8Bit)に変換するような感じです。Q-YOLOでは、畳込みレイヤー(convolutional layers)、バッチ正規化レイヤー(batch normalization)、max-poolingレイヤーの重みを8Bit(-127)〜(+127)として量子化し、特徴マップ（Feature Map）は0〜255として量子化しています。

[10]より引用

T-RNNの評価

T-RNNの評価では、訓練データとしてUCF11[12]を使っています。

下図では、T-RNN (入力：Q-YOLOのアウトプット)、T-RNN （入力：動画フレーム）、通常の RNN（入力：動画フレーム）の３つのケースでLossとAccuracyを比較しています。epoch20を超えると最初のケースが精度が一番高くなっており、ピークの精度では通常のRNNよりも16.58%良い結果となりました。

[10]より引用

パフォーマンス比較

下の表では、通常のRNN（入力：動画フレーム）、T-RNN（入力：動画フレーム）、DEEPEYE(入力：Q-YOLOアウトプット＋T-RNN)について、精度、パラメータ数、圧縮率、実行時間（learning epochの平均時間）とスピードについてまとめています。DEEPEYEは通常のRNNに比べて精度が高く、学習時間が削減されました。