Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
SSII2024 [OS2] GPT-4Vで画像認識は終わるのか(オープニング)
Search
画像センシングシンポジウム
PRO
June 12, 2024
Research
0
560
SSII2024 [OS2] GPT-4Vで画像認識は終わるのか(オープニング)
画像センシングシンポジウム
PRO
June 12, 2024
Tweet
Share
More Decks by 画像センシングシンポジウム
See All by 画像センシングシンポジウム
SSII2024 [OS1] 自動運転における 重要技術とトレンド紹介
ssii
PRO
0
390
SSII2024 [PD] SSIIアナザーストーリーズ
ssii
PRO
0
130
SSII2024 [OS1] 画像生成技術の発展: 過去10年の軌跡と未来への展望
ssii
PRO
3
1.4k
SSII2024 [OS1] 現場の課題を解決する ロボットラーニング
ssii
PRO
0
360
SSII2024 [OS1] 画像認識におけるモデル・データの共進化
ssii
PRO
0
330
SSII2024 [OS1] 研究紹介100連発(オープンニング)
ssii
PRO
0
370
SSII2024 [OS2] 大規模言語モデルと基盤モデルの射程
ssii
PRO
0
330
SSII2024 [OS2] 画像、その先へ 〜モーション解析への誘い〜
ssii
PRO
1
920
SSII2024 [OS2] 大規模言語モデルとVision & Languageのこれから
ssii
PRO
5
1.2k
Other Decks in Research
See All in Research
この先生きのこるには
verypluming
3
4.2k
機械学習と数理最適化の融合-文脈付き確率的最短路を例として-
mickey_kubo
2
610
継続的な研究費獲得のための考え方
moda0
2
520
サウナでのプロジェクションマッピングの可能性の検討 / EC71koizumi
yumulab
0
360
CARA MEMBUKA VIDEO DEWASA DI INDONESIA
bloglangit
0
250
"多様な推薦"はユーザーの目にどう映るか
kuri8ive
3
220
Cross-Media Information Spaces and Architectures
signer
PRO
0
130
Engineering LaCAM∗: Towards Real-Time, Large-Scale, and Near-Optimal Multi-Agent Pathfinding
kei18
0
330
機械学習を用いたポケモン対戦選出予測
fufufukakaka
1
480
一人称視点映像解析の基礎と応用(CVIMチュートリアル)
takumayagi
0
710
第28回 著者ゼミ:Identification of drug responsible glycogene signature in liver carcinoma from meta-analysis using RNA-seq data
ktatsuya
2
170
Minimum Bayes-Risk Decoding における性能変動の理解に向けて(2024年6月5日 第59回 NLPコロキウム)
atsumoto
0
150
Featured
See All Featured
Mobile First: as difficult as doing things right
swwweet
218
8.7k
VelocityConf: Rendering Performance Case Studies
addyosmani
321
23k
Atom: Resistance is Futile
akmur
260
25k
Facilitating Awesome Meetings
lara
44
5.8k
Into the Great Unknown - MozCon
thekraken
17
1.2k
How to name files
jennybc
66
95k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
661
120k
Documentation Writing (for coders)
carmenintech
62
4.1k
Adopting Sorbet at Scale
ufuk
69
8.7k
Rebuilding a faster, lazier Slack
samanthasiow
75
8.4k
Build your cross-platform service in a week with App Engine
jlugia
227
17k
Reflections from 52 weeks, 52 projects
jeffersonlam
345
19k
Transcript
GPT-4Vで画像認識は終わるのか 2024.6.13 八木 拓真(産業技術総合研究所)
背景 NLP2023開催(23年3月)直前にChatGPTが登場、会期中に緊急パネルが開催 2 https://www.anlp.jp/nlp2023/pdf/NLP2023_0314_special_panel.pdf
3 タスクの要求 回答形式の要求 主題・商品内容の認識 パネルの枚数の認識 画像の見た目・物体の認識 宣言的知識の参照 画像から得られた情報を参照しての推論 GPT-4 Technical
Report [OpenAI, ‘23] GPT-4Vは従来の画像認識タスクが 扱ってきた「見えるものを見る」を 超えた推論ができている
画像認識からマルチモーダル理解へ MMMU [Yue+, CVPR’24]:専門知を要求する総合質問応答ベンチマーク 4 https://arxiv.org/abs/2311.16502
テーマ:GPT-4Vで画像認識は終わるのか 大規模言語モデル(LLM)をはじめとした基盤モデルの波が画像認識分野にも 波及し、マルチモーダル基盤モデルの時代を迎えつつある マルチモーダル基盤モデルは高い性能と柔軟さを兼ね備え、 今までの個別タスクによるベンチマーキングを覆すインパクトを与えつつある 5 1990年代 画像処理 計測・抽出の時代 2000年代
統計的パターン認識 特徴量設計の時代 2010年代 深層学習 アーキテクチャ設計の時代 第1回SSII(1995) ↓ 2020年代 基盤モデル →次のトレンドは? 第30回SSII(2024) ↓ GPT-4Vによって画像認識は終わるのか?どう変わるのか?
講演者紹介 大規模言語モデルとVision & Languageのこれから • 栗田 修平さん(国立情報学研究所) 画像、その先へ ~モーション解析への誘い~ •
藤原 研人さん(LINEヤフー株式会社-大阪大学VHL) 大規模言語モデルと基盤モデルの射程 • 大谷 まゆさん(サイバーエージェント) 6