small MNIST
MNIST
ImageNet
CIFAR-10/100
20NewsGroups
sample_CLIP
NNCのCLIPプラグインを利用した、学習不要な画像分類モデルの構築。サンプルデータとして花と料理の画像を用いる。
tutorial.super_resolution
低解像度の画像を入力し高解像度の画像に出力をする画像超解像のサンプルプロジェクト。
tutorial.image_classification.hand-sign
CNNによるグーチョキパー、それ以外の4種の画像を分類。SPRESENSEでのデモ用サンプル
tutorial.image_classification.digits
CNNによる数値画像の11分類。電力計などの数字認識等にも応用できる
synthetic_image.binary_segmentation
tutorial.semantic_segmentation.unetlike_125px
画像のセグメンテーション。U-Netと呼ばれるネットワーク構造を利用（20クラス分類）
tutorial.semantic_segmentation.unetlike_125px_person
画像のセグメンテーション。U-Netと呼ばれるネットワーク構造を利用（2クラス分類）
tutorial.anomaly_detection.sin_wave_anomaly_detection
Auto Encoderを用いてサイン波に含まれるノイズを検出
tutorial.object_detection.synthetic_image_object_detection
円、三角、四角形、五角形を含む人工画像データを用いた物体検出
tutorial.object_detection.synthetic_image_object_detection_centernet
画像中の複数物体の大きさと位置を出力するモデル。CenterNetと呼ばれるネットワーク構造を利用。バックボーンはResNet-18を利用。
wav_keyboard_sound
４つのキーボードのキースイッチの種類（メンブレン、パンタグラフ、メカニカル青軸、メカニカル赤軸）を打音から判別
classification.iris.iris
あやめデータセットを用いたベクトル分類
classification.adult.adult
adultデータセットを用いたベクトル分類
データセットから探す
>
small MNIST
tutorial.basics.01_logistic_regression
最もシンプルな1層のニューラルネットワークによる画像の2クラス分類
tutorial.basics.02_binary_cnn
4層Convolutional Neural Networkによる画像の2クラス分類
tutorial.basics.06_auto_encoder
Auto Encoder
tutorial.basics.10_deep_mlp
Deep Neural Networks
tutorial.basics.11_deconvolution
Convolutional Auto Encoder
tutorial.recurrent_neural_networks.elman_net
最もシンプルなRecurrent Neural Network
tutorial.recurrent_neural_networks.bidirectional_elman_net
双方向のRecurrent Neural Networks
tutorial.recurrent_neural_networks.elman_net_with_attention
Attention機構を持つRecurrent Neural Network
tutorial.recurrent_neural_networks.gated_recurrent_unit(GRU)
Gated Recurrent Unit（GRU）と呼ばれるRecurrent Neural Networksの構造
tutorial.recurrent_neural_networks.long_short_term_memory(LSTM)
Long Short Term Memory（LSTM）と呼ばれるRecurrent Neural Networksの構造
tutorial.recurrent_neural_networks.LSTM_auto_encoder
LSTMを用いたAuto Encoder
tutorial.recurrent_neural_networks.stacked_GRU
GRUを2回重ねたもの
tutorial.explainable_dl.01_visualize_weight_of_feature
入力特徴量の重み学習により認識結果に影響を及ぼす重要な特徴量の可視化する方法
tutorial.explainable_dl.02_l1_regularization
L1 正則化により認識結果に影響を及ぼす重要な特徴量を可視化する方法
tutorial.explainable_dl.03_attention
Attentionにより、認識のために注目された入力データの箇所を明らかにする方法
tutorial.explainable_dl.04_inference_result_at_each_layer
各層の出力結果を可視化する方法
tutorial.explainable_dl.05_MCdropout
ニューラルネットワークによる予測結果の信頼度を可視化する方法
データセットから探す
>
MNIST
tutorial.basics.12_residual_learning
Residual NetworksによるMNISTデータセットの分類
tutorial.binary_networks.binary_connect_mnist_MLP
重みを2値化することでパラメータを大幅に削減したDNN
tutorial.binary_networks.binary_connect_mnist_LeNet
重みを2値化することでパラメータを大幅に削減したCNN
tutorial.binary_networks.binary_net_mnist_MLP
重みとデータパスを2値化することでパラメータ、演算量を大幅に削減したDNN
tutorial.binary_networks.binary_net_mnist_LeNet
重みとデータパスを2値化することでパラメータ、演算量を大幅に削減したCNN
tutorial.binary_networks.binary_weight_mnist_MLP
重みを2値化することでパラメータを大幅に削減したDNN
image_recognition.MNIST.LeNet
4層Convolutional Neural Networkによる画像の10クラス分類(MNISTデータセット)
image_recognition.MNIST.semi_supervised_learning_VAT
VATと呼ばれるテクニックを用いた半教師あり（少ないラベル付きデータを用いた）学習
image_recognition.FashionMNIST.LeNet
4層Convolutional Neural Networkによる画像の10クラス分類(Fashion MNISTデータセット)
image_generation.mnist_dcgan
Deep Convolutional Generative Adversarial Networks(DCGAN)
image_generation.mnist_dcgan_with_label
Deep Convolutional Generative Adversarial Networks(DCGAN)
image_generation.mnist_vae
Variational Auto Encoder(VAE)
データセットから探す
>
ImageNet
image_recognition.ILSVRC2012.densenet.densenet-161
浅いネットワーク～深いネットワークを同時に表現することでパラメータを削減したCNN
image_recognition.ILSVRC2012.residual networks.resnet-101
2015年のImageNet Challengeで優勝した画像認識ネットワーク。Residual Networksと呼ばれる構造を持つ。
image_recognition.ILSVRC2012.residual networks.resnet-152
2015年のImageNet Challengeで優勝した画像認識ネットワーク。Residual Networksと呼ばれる構造を持つ。
image_recognition.ILSVRC2012.residual networks.resnet-18
2015年のImageNet Challengeで優勝した画像認識ネットワーク。Residual Networksと呼ばれる構造を持つ。
image_recognition.ILSVRC2012.residual networks.resnet-34
2015年のImageNet Challengeで優勝した画像認識ネットワーク。Residual Networksと呼ばれる構造を持つ。
image_recognition.ILSVRC2012.residual networks.resnet-50
2015年のImageNet Challengeで優勝した画像認識ネットワーク。Residual Networksと呼ばれる構造を持つ。
image_recognition.ILSVRC2012.resnext.resnext-101
Grouped Convolutionを用いたResidual Networks
image_recognition.ILSVRC2012.shufflenet.shufflenet-0.5x
シャッフル機構によりパラメータ数と演算量を大幅に削減したCNN
image_recognition.ILSVRC2012.shufflenet.shufflenet-2.0x
シャッフル機構によりパラメータ数と演算量を大幅に削減したCNN
image_recognition.ILSVRC2012.shufflenet.shufflenet
シャッフル機構によりパラメータ数と演算量を大幅に削減したCNN
image_recognition.ILSVRC2012.squeezenet.squeezenet11
ボトルネック構造によりパラメータ数を大幅に削減したCNN
image_recognition.ILSVRC2012.vgg.vgg-11
2013年のImageNet Challengeで優勝した画像認識ネットワーク
image_recognition.ILSVRC2012.vgg.vgg-13
2013年のImageNet Challengeで優勝した画像認識ネットワーク
image_recognition.ILSVRC2012.vgg.vgg-16
2013年のImageNet Challengeで優勝した画像認識ネットワーク
image_recognition.ILSVRC2012.alexnet
2012年のImageNet Challengeで優勝した画像認識ネットワーク
image_recognition.ILSVRC2012.GoogLeNet
2014年のImageNet Challengeで優勝した画像認識ネットワーク
image_recognition.ILSVRC2012.nin
Network in Networksと呼ばれる構造のCNN
image_recognition.ILSVRC2012.senet-154
Squeese and Excitationブロックを用いたResNeXt
データセットから探す
>
CIFAR-10/100
image_recognition.CIFAR10.resnet.resnet-110-deepmil
画像認識ラベルのみからの学習で、Localization（画像位置検出）を可能にするネットワーク
image_recognition.CIFAR10.resnet.resnet-110-cutout
画像の一部を塗りつぶす画像の水増し手法を用いることで、汎化性能を向上させるテクニック
image_recognition.CIFAR10.resnet.resnet-110-mixup
2枚の画像を合成する画像の水増し手法を用いることで、汎化性能を向上させるテクニック
image_recognition.CIFAR10.resnet.resnet-110
Residual Networksによる画像分類（CIFAR10データセット）
image_recognition.CIFAR100.resnet.resnet-110
Residual Networksによる画像分類（CIFAR100データセット）
データセットから探す
>
20NewsGroups
tutorial.NLP.20newsgroups_classification
シンプルなテキストの2クラス分類
tutorial.NLP.20newsgroups_lstm_language_model.sdcproj
LSTMを用いた言語モデルの学習
tutorial.NLP.20newsgroups_transformer_language_model.sdcproj
Transformerを用いた言語モデルの学習
tutorial.NLP.20newsgroups_word_embedding.sdcproj
COBWを用いたWord Embeddingの学習（Word2vec）
データセットから探す
>
synthetic_image.binary_segmentation
tutorial.semantic_segmentation.binary_semantic_segmentation
文字と背景を分離する2値セグメンテーション
tutorial.semantic_segmentation.binary_semantic_segmentation_FCN-VGG16
画像のセグメンテーション。FCNと呼ばれるネットワーク構造を利用(2クラス分類)。バックボーンはVGG16を使用。
tutorial.semantic_segmentation.binary_semantic_segmentation_PSPNet-ResNet50
画像のセグメンテーション。PSPNetと呼ばれるネットワーク構造を利用(2クラス分類)。バックボーンはresnet-50を使用。アップサンプリングに線形補完ではなくdeconvolution層を使用。
tutorial.semantic_segmentation.binary_semantic_segmentation_PSPNet-ResNet50_Remodeling
画像のセグメンテーション。PSPNetと呼ばれるネットワーク構造を利用(2クラス分類)。バックボーンはresnet-50を使用。アップサンプリングに線形補完ではなくdeconvolution層を使用。
tutorial.semantic_segmentation.binary_semantic_segmentation_DeepLabV3plus
画像のセグメンテーション。DeepLabV3+と呼ばれるネットワーク構造を利用(2クラス分類)。バックボーンはXceptionを使用。
