2017 MATLAB於機器學習、深度學習、電腦視覺與自動駕駛 技術論壇(MATLAB for Machine Learning/Deep Learning, Computer Vision and Automated Driving Seminar)-鈦思科技

技術焦點

  • 機器學習跟深度學習之間的差異
  • MATLAB® 2017a 於機器學習/深度學習之最新功能支援
  • 深度學習網路大量影像資料集的讀取與管理
  • 深度學習模型的訓練、視覺化
  • 以GPU加速深度學習模型訓練過程
  • 自動駕駛演算法開發至原型化工作流程

時間地點

新竹場 2017年5月10日(三)
10:00~16:00 9:30開始報到
新竹喜來登大飯店 3F宴會廳

新竹縣竹北市光明六路東一段 265 號
<地圖與交通>
台北場 2017年5月11日(四)
10:00~16:00 9:30開始報到
集思北科大會議中心 2F感恩廳

台北科技大學 億光大樓 (台北市忠孝東路三段193巷旁)
<地圖與交通>

研討會介紹

機器學習(Machine Learning)絕對是這幾年間最受矚目的話題之一,其應用範圍相當廣泛,從AlphaGo、健康監控、自動駕駛汽車,到工廠機台的預防性維護甚至自動控制,都可以看到機器學習應用的身影。其中深度學習的技術發展更是日漸成熟,尤其是在物體辨識及偵測幾乎是藝術境界的準確度。但要落實機器學習與深度學習,通常必須面對工具的選擇、龐大資料量的管理、訓練模型花費的大量時間以及模型在IT系統或嵌入式裝置的實現等挑戰。

【2017 MATLAB機器學習、深度學習、電腦視覺與自動駕駛技術論壇】,即將於5月10日、11日分別在新竹、台北盛大展開,為您介紹深度學習演算法的開發到驗證的工作流程、及其在機器視覺上的應用。全球研發大廠MathWorks® 的技術專家Abhijit Bhattacharjee 將詳細解說機器學習與深度學習技術之間的差異,介紹MATLAB提供之機器學習工具,並以電腦視覺範例說明如何管理深度學習的大量資料集,展示加速訓練之最佳方法。最後再以視覺及雷達感測器融合的演算法為例,示範ADAS演算法設計到原型化完整工作流程。內容涵蓋實際應用與確實可靠的訓練模型開發技術,絕對精采可期。 本活動全程免費,席次有限,請提早報名搶得先機!

講者簡介

Abhijit Bhattacharjee現居於洛杉磯,為MathWorks公司資深應用工程師,專長領域包含電腦視覺、聲音訊號處理、機器學習以及深度學習。Abhijit擁有南加州大學電機工程科學碩士學位,曾與來自各產業的客戶合作,包括消費性裝置、半導體、政府機關、學術單位等等。在加入MathWorks之前,Abhijit在USC資訊科學所擔任研究員,負責由美國太空總署(NASA)及美國國防高等研究計劃署(DARPA)資助的專案,包含高光譜影像處理及音頻隱寫術(audio steganography)。

適合對象

• 影像處理/電腦視覺、通訊、訊號處理及控制演算法設計工程師
• IoT系統開發者
• 感測器sensor開發工程師
• 資料處理分析工程師

議程大綱

Time Topic Speaker
10:00~10:30 Welcome and Introduction 鈦思科技
10:30~11:00 MATLAB 2017a 於機器學習與深度學習應用概述
(Machine Learning and Deep Learning Overview in MATLAB R2017a)
Abhijit Bhattacharjee
MathWorks Inc.
11:00~12:00 機器學習不可或缺的工具(Essential Tools for Machine Learning) Abhijit Bhattacharjee
MathWorks Inc.
12:00~13:30 Lunch & Exhibition  
13:30~14:30 影像處理及電腦視覺的深度學習應用(Deep Learning for Image Processing & Computer Vision Applications) Abhijit Bhattacharjee
MathWorks Inc.
14:30~14:50 Coffee Break  
14:50~15:50 自動駕駛:感知系統的設計與驗證
(Automated Driving: Design and Verify Perception Systems)
Abhijit Bhattacharjee
MathWorks Inc.
15:50~16:00 Q&A and Wrap UP All

報名方式與報名注意事項



注意事項
  1. 報名截止時間: 5 月5日(星期日) 23:59前,席位有限,請儘早報名。
  2. 本單位保留是否接受報名的權利,確認完成報名手續後,7個工作天內將會寄發「報名成功確認函」,收到此信才代表報名成功。
  3. 活動額滿時,提供正式完整資料者將享有優先報名的權利,報名成功與否,將以 E-mail 方式寄發報名確認函,不另以電話通知。
  4. 請確認您提供有效信箱(請盡量不要提供免費的email帳號,或將鈦思科技網域設定白名單)。
  5. 活動前一天下午將會以簡訊及E-mail發送報到編號,請務必提供手機號碼,活動當天請攜帶名片2張,加速報到流程。

MATLAB 2017a於機器學習與深度學習應用概述

機器學習與深度學習現在已經成為最夯的熱門話題,但如何選擇出能夠解決你問題的技術卻是不容易。在本段演講,我們將先說明機器學習跟深度學習之間的差別,接著介紹MATLAB R2017a版本於這些應用的最新支援。我們將探討下列幾點:
• 深度學習分類的新演算法及預先訓練的模型,以及與Caffe的整合
• 迴歸建模及真實地面標記(ground-truth labeling)的新應用程式
• 利用深度學習Fast 與Faster R-CNN偵測器來進行物體偵測的新方法
• 支援多個GPU(Multi-GPU)與雲端運算的新擴縮性

機器學習不可或缺的工具
(Essential Tools for Machine Learning)

機器學習現在正廣被各種不同產業採納,做為解決複雜建模問題的強大工具。它可以幫助工程師、科學家從數據資料“學習”後開發出模型,模型轉檔佈署為封包應用程式的一部分後,可以有效率地在嵌入式系統或雲端設施執行。機器學習的優點相當廣泛,如機台的預防性維護、健康監控、金融投資組合預測、以及先進的駕駛輔助系統等等。然而,想成功地運用機器學習到現實生活中也充滿許多挑戰,例如,有的時候很難明確知道可以使用哪些資料來做預測,或者必須花費大量的時間來調整機器學習的超參數(hyperparameters)等等。
本段演講將介紹如何利用MATLAB的機器學習工具克服這些挑戰,我們將介紹:
• 利用MATLAB “tall”架構來處理無法存入記憶體的大量及大數據資料
• 透過先進的特徵選擇(feature selection)技巧來降低維度並辨識重要特徵
• 提供調整超參數的最佳方法來優化整個模型效能
• 如何將模型轉檔佈署到生產線的IT系統或嵌入式裝置中

影像處理及電腦視覺的深度學習應用
(Deep Learning for Image Processing & Computer Vision Applications)

深度學習應用在物體辨識及偵測幾乎可以達到藝術境界的準確度,但相對來說,要對不同的模型進行訓練、視覺化、評估和進行比較也非常困難。有效的實現深度學習網絡需要相當大量的資料、特殊規格的硬體、獨特的程式編撰知識。本段演講將探討MATLAB如何處理這些難題,利用深度學習的幾個新功能,並以真實的範例來展示:
• 大量影像資料集的讀取與管理
• 利用視覺化技巧來獲得訓練過程的真實知識
• 運用預先訓練過的深度網絡使用遷移式學習來執行新的辨識任務
• 透過GPU加速訓練過程

自動駕駛:感知系統的設計與驗證
(Automated Driving: Design and Verify Perception Systems)

自動駕駛系統是透過各種感測器(例如視覺、雷達、及光學雷達(LiDAR))來感受周圍環境,並動態地控制駕駛任務(像是駕駛、煞車和加速等)。這些自動駕駛系統的涵蓋範圍從先進駕駛輔助系統(advanced driver assistance systems, ADAS)到完全地自主等。
在本段演講,我們將帶您利用MATLAB如何從ADAS演算法設計到原型化的整個工作流程。以視覺及雷達感測器融合的演算法為例,我們將示範如何:
• 自動地執行深度學習的地面真實標記任務
• 如何依據載入的感測器資料來設計融合感測器與追蹤演算法
• 如何藉由匯總感測器的資料及建立各種交通情境來驗證演算法