Workshop Deep Learning
|
|
- Robert de Lange
- 5 jaren geleden
- Aantal bezoeken:
Transcriptie
1 Wrkshp Deep Learning 10/05/2017 Evlun Eindhven Ir. Steven Puttemans EAVISE Research Grup, KU Leuven, Campus De Nayer, Sint-Katelijne-Waver, Belgium
2 Wie ben ik? 2
3 3 Steven Puttemans PhD nderzeksmedewerker Opleiding Industrieel ingenieur Elektrnica- ICT KHBO Brugge/Ostende Master na Master in Artificial Intelligence KU Leuven Actief binnen OpenCV cmmunity Open-surce beeldverwerkingspakket Actief als develper/mderatr +- 6 jaar nderzekservaring 2 jaar p IWT-TETRA prject TOBCAT: industriële tepassingen van bject categrisatie 5 jaar als dctraatstudent: ptimale bject categrisatie nder applicatie specifieke vrwaarden
4 EAVISE Onderzeksgrep? 4
5 5 Valley f death industrie
6 EAVISE: Embedded and Artificially Intelligent Visin Engineering 6 Vertalen van state-f-the-art algritmes naar plssingen vr industrie specifieke prblemen, dit zwel vanuit de beeldverwerking als de artificiële intelligentie. Optimalisatie algritmes m te vlden aan industriële eisen: Real-time perfrmantie: 1-2 FPS is vaak nvldende Rbuuster en accurater: 95% accuraatheid nvldende Implementeren van geavanceerde algritmes en applicaties p embedded systemen zals FPGA, DSP, GPU, multicre CPU, clusters,
7 7 Onderzekstpics Object detectie Persnsdetectie en tracking Real-time (embedded) implementatie Visuele lcalisatie 3D systemen Visie gebaseerde rbtsturing (bvb. drnes)
8 8 EAVISE Prf. Tn Gedemé research leader Cmputer Visin Prf. Jst Vennekens research leader AI & KR Stijn De Beugher Eyetracking Inge Cudrn Visuele navigatie Wiebe Van Ranst GPU & Mbile Steven Puttemans 2D Objectdetectie Dries Hulens Rbtic UAV Kristf Van Beeck Blindehekcamera Maarten Vandersteegen IR persnsdetectie Bram Aerts Kennisrepresentatie vr cinematgrafie Shana Van Dessel Timetabling Wim Abbels 3D Bin Picking Timthy Callemein AR & Aut. Cinematgraphy Kristf Van Engeland AI Surveillance
9 Vrbeeldprjecten 9
10 10 DEEL 1: Wat is deep learning? Presentatin based n deep learning presentatin given by Alisn B Lwndes f Campus De Nayer during Internatinal Days 2017
11 Situering deep learning 11
12 Situering deep learning 12
13 13 Situering deep learning We prpse that a 2 mnth, 10 man study f artificial intelligence be carried ut during the summer f 1956 at Dartmuth Cllege
14 14 Situering deep learning Waarm heeft deep learning nu pas een drbraak? Yann Le Cun: A theretical framewrk fr back-prpagatin 1998 Theretisch <-> praktische haalbaarheid Sftware ng niet matuur geneg In 2012 eindelijk een drbraak Vldende publieke datasets Vldende tegankelijke architecturen Ndige hardware wrd betaalbaar
15 15 Shallw/classical learning vs deep learning Deep learning is slechts een nderdeel van machine learning. Omdat deep learning mmenteel een echte `hype` is, merken we een drastische wijziging in educatieve pakketten. Klassieke technieken SVM, NaiveBayes, Gaussian Mixture Mdels, Randm Frests, krijgen steeds minder aandacht. Om mee te zijn met de trend fcust men steeds meer p neurale netwerken (ANN, CNN, DNN, RNN, AutEncders, GAN, ). We mgen echter niet vergeten dat klassieke machine learning ng steeds zijn plaats kent, en k belangrijk is tt het bekmen van krachtige en rbuuste beeldverwerkingsalgritmes. We meten deep learning als buwsteen beschuwen.
16 16 Deep learning, he werkt dit? Deep learning = autmatisch neurale netwerken parametriseren. Neurale netwerken bestaan al heel lang, en werden eigenlijk k in de klassieke beeldverwerken reeds gebruikt: SLP = single layer perceptrn MLP = multilayer perceptrn Pas wanneer we heel wat cmplexe lagen van perceptrnen gaan cmbineren met tussenliggende peraties (cnvlutie, maxpling, ) kunnen we spreken ver deep learning.
17 17 Deep learning, he werkt dit? SLP = Single Layer Perceptrn Simpelste mdel van een neurn gebruikt in beeldverwerking Del: herkennen van patrnen in lineair scheidbare klassen Neurn + aanpasbare gewichten per input + bias
18 18 Deep learning, he werkt dit? SLP = Single Layer Perceptrn Verschillende activatiefuncties mgelijk 1. Threshld f(x) = 1 if x >= 0 f(x) = 0 if X < 0 2. Piecewise linear f(x) = 1 if x >= 0,5 f(x) = x + 0,5 if -0,5 <= x <= 0,5 f(x) = 0 if x <= -0,5 3. Sigmid f(x) = 1 / (1 + e^(-x)) (1) (2) (3)
19 19 Deep learning, he werkt dit? MLP= Multi Layer Perceptrn Een netwerk van aan elkaar geschakelde perceptrnen Feedfrward netwerk (geen feedback tijdens inferentie) Backprpagatin (supervised learning technique) vr het trainen van het netwerk Bepalen van de gewichten van de nderlinge ndes Bepalen van de activatiefunctie gekppeld aan elke nde Cmbinatie van input & utput layers Inputlayer = 1 nde per inputwaarde / feature Outputlayer = 1 nde per klasse / label Daartussen verschillende hidden layers Fully cnnected netwerk Elke nde in laag T gelinkt aan elke nde van laag T+1
20 20 Deep learning, he werkt dit? MLP= Multi Layer Perceptrn Kunnen vergeleken met SLP niet lineair scheidbare prblemen plssen dr hun cmplexere structuur
21 21 Deep learning, he werkt dit? Tepassingen van SLP & MLP Optical Character Recgnitin (OCR) Speech recgnitin Image recgnitin MLP zijn tt de enige vrm van Deep Learning netwerken die actief gebruikt werden vr heel wat tepassingen. Met een beperkt aantal hidden layers tch heel accurate resultaten. Je kan aan deze neurale netwerken ng steeds je eigen hand-crafted features meegeven, en het netwerk enkel als classifier gebruiken.
22 22 Deep learning, he werkt dit? Grtste nadeel aan shallw learning is dat features vr classificatie hand-crafted zijn. In heel wat prcessen is dit een tijdsrvend en intensief gegevens. Deep learning Past cnvlutiefilters te p de gehele afbeelding. Het netwerk leert zelf intern cmplexe representaties vanuit de pixelinfrmatie die aan het netwerk aangebden wrd. Ontstaan van Cnvlutinal Neural Netwrks (CNN), die tt p heden een van de frequentst gebruikte architectuur is in cmputer visie plssingen.
23 Deep learning, he werkt dit? 23
24 24 Deep learning, he werkt dit? Cnvlutin layers gaan p zek naar gemeenschappelijke patrnen ver de trainingsdata, die steeds tenemen in cmplexiteit. Na elke cnvlutin layer vlgt een subsampling layer. Verdere reductie van de dimensinaliteit. Wrdt k wel een pling layer genemd. Zrgt vr invariantie tegen rtatie en translatie.
25 25 Deep learning, he werkt dit? Er zijn verschillende types pling/subsampling layers, maar meest gebruikte zijn max-pling en average-pling.
26 26 Deep learning, he werkt dit? De reductie in dimensinaliteit (aantal cnvlutinal layers) heeft rechtstreeks verband met De inputgrtte van de data: we starten immers p pixel niveau De gewenste finale feature grtte: eerste deel ttale netwerk Uiteindelijk kunnen we het geheel psplitsen in een feature extractin netwerk en een classificatin netwerk, meestal bestaand uit fully cnnected layers.
27 27 Vrbeeld van een CNN Eerste CNN van Yann Le Cun (LeNet), gebruikt vr classificatie van digits:
28 28 Data versus accuraatheid Deep learning = ptimalisatie van een cmplex systeem Elke neurn in het cmplexe netwerk heeft een gewicht per cnnectie. Dit leid al snel tt miljenen parameters die geptimaliseerd dienen te wrden. Hiervr is veel trainingsdata ndig, m een relatie te kunnen pbuwen tussen input (image pixels) en utput (labels). Er zijn heel wat publieke datasets Pascal VOC challenge ( Micrsft COCO dataset ( KITTI visin benchmark ( Jammer geneg fcussen deze ng steeds p de cmmn classes: persnen, vertuigen, dieren,
29 29 Data versus accuraatheid He meer data beschikbaar, he accurater we het mdel kunnen trainen. Een vuistregel = (#number_f_weights)^2. Echter een gemiddeld netwerk heeft al snel weights Je merkt dus he snel de ndige datavereiste kan ntplffen. Om dus zelf je eigen mdel te trainen, heb je (ls van de hardware) uiteraard k deze data ndig. Er met vldende variatie in de data zitten. Het capteren van al deze data kan een tijdsintensief prces zijn. Al deze data met finaal k manueel geannteerd wrden met labels.
30 30 Data versus accuraatheid Wanneer er weinig data beschikbaar is, dan is het trainen van een CNN mgelijk, maar de accuraatheid zal hiernder lijden. Klassieke technieken zals een SVM vinden hier met veel minder data beter een ptimale scheiding. Vral mdat klassieke technieken veel minder parameters heven te ptimaliseren. We meten de hp echter niet pgeven, want m dit prbleem aan te pakken maakt men heel vaak gebruik van data augmentatin.
31 31 Data augmentatin Data augmentatin is het principe waarbij we zveel mgelijk variatie in het prces intrduceren p basis van de beschikbare trainingsdata. Hrizntale en vertikale flips Rtaties rnd het centerpunt Randm crps uit de anntaties (rbuustheid tegen cclusie) Translaties van de inputdata tv anntaties Kleurcasting + cnvertie naar andere clr spaces Relighting van beelden Gemetrische vervrmingen
32 Data augmentatin 32
33 33 Data augmentatin Maar het gaat ng veel verder! Nieuwste trend in cmputer visin is data augmentatin via cmputer generated cntent. Cmputer graphics slaagt erin uiterst realistische scenes na te buwen. Dit laat ns te m bjecten te plaatsen, exact waar we het willen. Grte bedrijven zals Ggle & Facebk betalen werknemers m b.v.b. GTAV te spelen, m scenes te capteren, waarvan ze via de engine eigenlijk weten waar elk bject zich bevindt. Intrduceren van uiterst meilijke cndities wrdt nu gemakkelijk (regen, mist, nacht/dag, crwds, ) Miljenen frames wrden z gecmbineerd t efficiente trainingsdata. Er zijn geen manuele anntaties meer ndig!
34 Data augmentatin 34
35 35 He maak ik nu de keuze? De keuze tussen traditinele machine learning en deep learning hangt af van heel wat parameters, maar tch vral van heveelheid data. Opgelet! Dit klpt in uncnstrained bject detectin scenaris. Maar industriele tepassingen hebben net het vrdeel heel wat cnstraints te bevatten. Klpt deze vergelijking dan wel atijd?
36 36 He maak ik nu de keuze? Traditinele Machine Learning Je kent de descriptieve features vr je applicatie. Je hebt een beperkte heveelheid data beschikbaar. Het tepassingsveld is drastisch verschillend van huidige deep learning nderzek. Een duidelijke scheiding tussen de verschillende klassen. Deep Learning Je kent de descriptieve feature vr je applicatie NIET. Je hebt nbeperkte trainingsdata ter beschikking. Je tepassingsveld valt midden in het tepassingsveld van huidig deep learning nderzek. Opgelet! Tt was dit vrijwel een geie psplitsing. Tegenwrdig kunnen deze standpunten met nieuwere technieken weerlegd wrden.
37 37 He maak ik nu de keuze? `Tepassingsveld applicatie = tepassingsveld deep learning nderzek.` Op dat mment Vervalt de nd aan beschikbare trainingsdata. Heel wat nderzekers stellen immers hun getrainde mdellen ter beschikking, zals de Caffe mdel z. ( Meest gebruikte klassen - 20 klassen van Pascal VOC challenge: persn, bird, cat, cw, dg, hrse, sheep, aerplane, bicycle, bat, bus, car, mtrbike, train, bttle, chair, dining table, ptted plant, sfa, tv/mnitr - 90 klassen van COCO dataset: zie cmpetitie klassen van IMAGENET: zie cmpetitie
38 38 He maak ik nu de keuze? `Tepassingsveld applicatie = tepassingsveld deep learning nderzek.` De uitdaging ligt hem dan vral in het aan de praat krijgen van de nderzeks- / pensurce sftware. Training znder GPU is nmgelijk - Dr de grte heveelheid data - Gemiddeld mdel zu weken tt maanden trainen vr ptimale gewichten p alle ndes van het mdel Inferentie znder GPU is wel mgelijk, puur CPU gebaseerd - Het uitveren van een getrained mdel p CPU werkt als je geen real-time vereisten hebt binnen je tepassing. - B.v.b. een 640x480 pixel afbeelding kan je dr een deep learning segmentatie techniek laten nderverdelen in segmenten CPU: 2-3 min per afbeelding GPU: 100 msec per afbeelding
39 39 He maak ik nu de keuze? `Tepassingsveld applicatie =/= tepassingsveld deep learning nderzek.` Op dat mment Heb je trainingsdata ndig Wil dat dan zeggen dat je geen deep learning kan uitveren? NEEN! Deep learning is ng steeds mgelijk via een techniek genaamd transfer learning. Je vertrekt vanuit een bestaand mdel, met bestaande weights vr alle parameters, die je inlaad in je trainingsprtcl. Je vegt extra kennis te vanuit een beperkte gelabelde dataset, specifiek gekppeld aan de klassen die je wilt terugvinden.
40 40 Transfer learning Algemeen gaan we ervan uit dat deep learning In zijn cnvlutinal layers p zek gaat naar universele bject features. In zijn fully cnnected layers deze features `verbind` tt een bject. Vanuit dat gpunt kunnen we extra kennis tevegen aan een reeds getrained mdel, f de kracht van een bestaand mdel gebruiken Cnvlutinal neural netwrk als feature extractin techniek Fine-tuning van een cnvlutinal neural netwrk
41 41 CNN als feature extractin techniek Hier gebruiken we de kracht van een CNN m features te filteren uit een inputbeeld van pure pixels, p basis van de getrainde klassen. Verwijder fully cnnected layers van het mdel. Hierdr krijg je een cnvlutinal feature vectr van 32x32 = 1024 feature values. Gebruik dit in een klassieke machine learning classifier zals SVM, bsting, randm trees,
42 42 CNN als feature extractin techniek Vrdelen van CNN als feature extractin techniek Feature representatie van een bject znder manual crafted features. CNN features hebben mmenteel een grte perfrmance bst t..v. meeste cmbinaties van hand crafted features. Dr trainen van mdel ver heel wat verschillende klassen, abstraheer je eigenlijk het cncept bject, en splits je dit p als een cmbinatie van nderdelen. Nadelen van CNN als feature extractin techniek Znder de ndige hardware ter ndersteuning (GPU) is dit een traag prcess, wat niet aan real-time prcessing eisen vldet. Kunnen een makkelijk scheidbaar prces k vercmplex maken. Is dus zeker niet altijd het beste alternatief!
43 43 Fine-tuning van een CNN Hier gaan we het bestaande mdel verder finetunen via het backprpagatin trainings algritme p de beschikbare data. De te vlgen stappen 1. Aanpassen van de fully cnnected layers aan het aantal klassen specifiek vr de applicatie waar je het netwerk wil gebruiken. Vrzien van een extra fully cnnected layer Laatste fully cnnected layer vervangen 2. Beslissen welke weights van welke lagen je gaat blkkeren. OF vaste gewichten vr de cnvlutinal layers EN fully cnnected layers OF vaste gewichten vr de cnvlutinal layers znder FC layers OF alle gewichten updaten aan nieuwe classificatie prbleem
44 44 Fine-tuning van een CNN Aanpassen van de fully cnnected layers via extra FC layer
45 45 Fine-tuning van een CNN Aanpassen van de fully cnnected layers via wijzigen van de laatste fully cnnected layer naar ndig aantal klassen.
46 46 Fine-tuning van een CNN Opletten met vastzetten f verder updaten van weights Cnvlutinal layers zijn er vral m generische features te halen uit de input samples, terwijl de fully cnnected layers meer dienen m de klasse specifieke cmbinaties te maken. Alle lagen verder updaten zu kunnen leiden tt verfitting van de trainingsdata. Vrdeel aan gebruik van fine-tuning Mderne CNN s p ImageNet trainen 2-3 weken ver meerdere GPU s. Hiervr wrden 1,2 millien trainingsbeelden gebruikt, waarp data augmentatin wrdt tegepast. Fine-tuning kan drastisch sneller. Op een vlledig nieuwe klasse kan je een mdel finetunen p enkele uren.
47 47 Fine-tuning van een CNN Nieuwe kleine dataset + data is gelijkaardig aan trainingsdata Finetuning weights kan snel leiden tt verfitting trainingsdata. Vral mdat de higher level features van riginele mdel relevant zijn tv de nieuwe trainingsdata. Beste plssing lineaire classifier p CNN features / cdes. Nieuwe grte dataset + data is gelijkaardig aan trainingsdata Meer data geeft ns zekerheid dat we het mdel niet verfitten. Finetuning van vlledige netwerk is mgelijk. Nieuwe kleine dataset + data is verschillend aan trainingsdata De data staat enkel te een lineaire classifier te leren p basis van CNN features. Omdat data echter heel verschillend is nemen we beter utput van wat vregere layers, waar ng geen klasse specifieke features geleerd wrden. Nieuwe grte dataset + data is verschillend aan trainingsdata Aangezien de data zeer verschillend is, finetunen we best alle weights van het netwerk. Vrgetrainde weights heeft ng steeds zin, in plaats van randm initialisatie te nemen.
48 48 Fine-tuning van een CNN Belangrijk m te nthuden bij fine-tuning De input data met steeds vlden de eisen van de riginele trainingsdata. Dit mede dr het feit dat de cnvlutinal layers en de fully cnnected layers afgestemd zijn p een bepaalde reslutie (initieel aantal pixels). Het kan dus zijn dat je een grter input beeld, sliding windw-gewijs, zal meten psplitsen in sub-beelden, zdanig dat je elk deel afznderlijk classificeert via het cnvlutinal neural netwrk. In het trainingsprces met je een learning rate pgeven. Het is bij finetuning belangrijk m de learning rate lager te nemen dan bij het rigineel mdel. We gaan er immers van uit dat de weights reeds iets betekenisvl den en dus willen we die niet te snel drastisch veranderen.
49 49 Deep learning als black bx Een neuraal netwerk, wat det dat nu exact? He kmen we te weten wat er intern in elke laag gebeurt? He zien de gevnden features in een netwerk er nu juist uit? Heel wat ntwikkelaars / academici gebruiken dit argument ng steeds m aan te geven dat deep learning heel cmplex is, en dat het meilijk is m vrbij de therie te kijken. Daarm gebeurt er heel wat nderzek rnd de visualisatie van de verschillende stappen binnen deep learning.
50 50 Visualisatie van deep learning Een eerste stap is het visualiseren van de layer activatins. In begin blbby en dense, naar eind van mdel steeds specifieker en lkaler. Als we merken dat veel activatin maps leeg zijn, kan dit een indicatie zijn van `dead filters`, wat zrgt vr grte learning rates. CONV1 & CONV5 layer bij bekijken van kat via AlexNet
51 51 Visualisatie van deep learning Een eerste stap is het visualiseren van de layer activatins. Deep Inside Cnvlutinal Netwrks: Visualising Image Classificatin Mdels and Saliency Maps Karen Simnyan, Andrea Vedaldi, Andrew Zisserman
52 52 Visualisatie van deep learning Een tweede mgelijkheid is het visualiseren van de weights Deze zijn het duidelijkst in de beginnende lagen, en geven een duidelijke filterstructuur weer. He smther de structuren, he beter de lagen gecnvergeerd zijn naar een ptimale plssing. CONV1 en CONV2 layers vr AlexNet
53 53 Visualisatie van deep learning Een tweede mgelijkheid is het visualiseren van de weights Visualizing and Understanding Cnvlutinal Netwrks Matthew D Zeiler, Rb Fergus
54 54 Visualisatie van deep learning De derde mgelijkheid is de activatie van een bepaalde nde gaan bekijken terwijl we data drheen het netwerk prpageren. Z weten we waar de neurnen naar p zek zijn. Beelden met maximale triggering p 5 th max-pling layer van AlexNet
55 55 Fling CNN s Dr diepgaand nderzek naar visualisaties van de interne lagen van een deep learning mdel, werd de vraag gesteld f we artificiele data kunnen genereren die specifiek triggered waar ndig. 99,6% certainty
56 56 Is GPU altijd beter dan CPU? NEE dat is het niet! Is een veelgehrde mythe binnen cmputervisie cmmunities, dat alles beter plsbaar is met een GPU. Heel afhankelijk van de hardware naast de GPU, beschikbaar in je systeem. Heveel CPU cres heb je beschikbaar? Kan het systeem gebruiken van ptimalisaties zals SSE, AVX, NEON, Heb je parallelle framewrks ter beschikking p je systeem? Veel cmputer visie biblitheken maken gretig gebruik van deze CPU instructie sets. Maak er dus gebruik van. Er is immers altijd een bttleneck, wanneer je data van CPU naar het GPU geheugen brengt en terug.
57 57 Is GPU altijd beter dan CPU? Een tepassing van gezichtsdetectie p CPU en GPU, gevlgd dr facial landmark detectie en tracking. CPU Intel(R) Xen(R) CPU E5 GPU TitanX(P)
58 58 DEEL 2: Deep learning technieken en tepassingen
59 59 Originele insteek deep learning Deep learning = vertaling van een patch pixels label Oplssing vr classificatietaken Geen (halve) plssing vr lcalisatietaken Sliding windw gewijs kan je dr het beeld lpen en p elke patch bepalen he grt de kans is dat er een bject vrkmt Om geen bjecten te missing is verlap tussen patches ndig, maar dat maakt het heel traag Geen (ruwe) plssing vr segmentatietaken Opnieuw kan een patch based apprach gebruikt wrden. Deze patches meten nadien echter efficient geclustered wrden, wat pnieuw een zeer cmplex gegeven is. Daarm heeft men drheen de tijd heel wat nieuwe en cmplexere architecturen uitgevnden m aan de bvenstaande vraag te vlden.
60 60 Deep learning architecturen Er bestaat een wildgrei aan architecturen binnen het deep learning dmein. Vlledig verview: Asimv institute Neural Netwrk Z Niet alle mdellen/architecturen zijn bruikbaar vr beeldverwerking Basis van heel wat mdellen ligt in de speech recgnitin and textual analysis. Elke architectuur heeft heel wat tepassingen, we bespreken alvast de belangrijkste architecturen binnen de beeldverwerking.
61 61 Deep learning architecturen De basisnetwerken - SLP & MLP (zie eerste blk) - Deep Feed Frward Netwrk (fully cnnected netwrk) - Geen data cycles/lps mgelijk - Training via backprpagatin (meest ppulaire techniek) (errr per patch terug dr netwerk) - Optimalisatie gewichten via gradient descent
62 62 Deep learning architecturen Deep cnvlutinal neural netwrks - Een cmbinatie van cnvlutin filters en pling filters. - Van daaruit kmen we tt een feature representatie. - Daarp wrd een reeks van fully cnnected hidden layers gekppeld. - Deze dienen als classificatie tt de eindklassen.
63 63 Deep learning architecturen Gevaren bij feed frward netwerking - Backprpagatin werkt enkel als het vldende keren herhaald wrdt (aantal trainings cycli) en met wat `geluk` bij gezette stappen. ---> Hierdr kan cnvergentie naar minima lang duren - Netwerk cnvergeert wanneer de errr p samples+label vldende klein is. - Gradient descent (weights aanpassen zdat we dalen p de errr curve) heeft als gevaar vast te zitten in een lkaal minima. ---> Oplssing: herhalen met verschillende randm initialisaties
64 64 Deep learning architecturen Aut-encders - Leren van efficiente cdering / representaties van data. - Wrdt dikwijls gebruikt als dimensinaliteitsreductie. - Altijd zelfde aantal input en utput ndes, waardr het netwerk zelf prbeert zijn input te hercnstrueren. - Opgesplitst in encder en decder deel, waarbij de ptimale encdering tussen encder en decder te vinden is.
65 65 Deep learning architecturen Aut-encders: srten - Denising AE: p basis van crrupte input, prberen het rigineel signaal te recnstrueren. Wrdt ingetrained p manueel gecrrupteerde data. - Sparse AE: dr meer hidden ndes te gebruiken dan inputndes, frceren we het `sparse` gedrag van de data. Hierdr kan een AE belangrijke structuren uit inputdata filteren. - Wanneer je weinig gelabelde data hebt, dan tnt nderzek aan dat een AE getrained p die data, met daarbvenp een lineaire SVM als classificatie, betere resultaten geeft dan CNN.
66 66 Deep learning architecturen Aut-encders remving artefacts frm images
67 67 Deep learning architecturen Aut-encders enhancing images
68 68 Deep learning architecturen Recurrent neural netwrks - In de hidden layers van het mdel, zijn gestuurde cycles/lps tegestaan. - Op die manier gebruiken ze hun state als een srt geheugen. - Dit staat ns te m relaties in sequenties te leren, waardr ze meer kunnen dan enkel per pixelset een utput leveren. - LSTM is een specifieke vrm van RNN Dr backprpagatin training, kunnen errrs bij RNN sms incrrect terug dr het netwerk geduwd wrden. [verdwijnen/explderen] Dr inveren van frget gates, wrdt dit prbleem vermeden.
69 69 Deep learning architecturen Recurrent neural netwrks - RNN en LSTM zijn vral ppulair in speech recgnitin, waar ze ng steeds state-f-the-art resultaten behalen. Ggle text-t-speech synthesis: andrid assistant / ggle vice search Baidu speech recgnitin - Haalde k heel nauwkeurige resultaten bij written digit recgnitin. - Gecmbineerd met CNN haalt dit state-f-the-art resultaten vr image captining.
70 70 Deep learning architecturen Recurrent neural netwrks (Ggle street view) Herkennen van huisnummers Een nummer laten genereren dr hetzelfde netwerk
71 71 Deep learning architecturen Decnvlutinal netwrks - Laat ns in eerste plaats te m een visualisatie te maken van de cnvlutie filters tegepast in een netwerk. - Maar laat ns k te een stap verder te gaan dr CNN te kppelen met een DN, en z een netwerk te krijgen die een cmplete mapping leert. - End t end deep learning vr bijvrbeeld segmentatie.
72 72 Deep learning architecturen Decnvlutinal netwrks - Decnvlutinal neural netwrks vlgen de structuur van hun tegenhangende cnvlutinal neural netwrks. - Zwel de cnvlutin als de pling filters meten geinverteerd wrden.
73 73 Deep learning architecturen Decnvlutinal netwrks - segmentatin
74 74 Deep learning architecturen Decnvlutinal netwrks - segmentatin
75 75 Prblemen bij deep learning Cnvlutinal neural netwrks zijn veelbelvend, zeker in cmbinatie met andere netwerkstructuren. Er zijn echter ng veel nadelen aan deze techniek verbnden: Je met een grt inputbeeld ng steeds drkruisen via een set van verlappende patches waarna elke patch een classificatie krijgt. Hierdr is de memry ftprint vr een enkel afbeelding gigantisch. Zeker als je dit ng eens in een multi-scale cntext gaat bekijken. Hierdr lijken cnvlutinal neural netwrks geen ptie wanneer bject detectie het del van applicatie wrdt f wanneer men real-time prcessing als basisvereiste heeft.
76 76 Regin prpsal netwrks Om dit prbleem aan te pakken, werden regin prpsal netwrks in het leven gerepen (RCNN, Faster RCNN) Een regin prpsal netwrk (RPN) Neemt een beeld als input en geeft een set van rechthekige bject prpsals terug elk met hun eigen bjectness scre. Idee is gebaseerd p een FCN. Regin prpsal netwrks pikken in na de cnvlutinal layers, en vr de fully cnnected layers, zdat de cnvlutie niet dubbel heft te gebeuren.
77 77 Regin prpsal netwrks Gevlg is dat in plaats van meerdere duizenden tt miljenen kandidaat windws geprcessed wrden, er een selecte heveelheid regin prpsals dr de CNN geduwt wrden. Faster RCNN 2000 best scring regin prpsals. Onderzek tnt echter aan dat met prpsals en een sterk netwerk, vldende accuraadheid behaald kan wrden. Het verlies in accuraatheid t..v. evalueren van alle regins is minimaal.
78 RPN + CNN fr bject detectin 78
79 79 Zelf aan de slag met deep learning Om zelf aan de slag te gaan met deep learning 1. Geie hardware die het mgelijk maakt m real time prcessing te den. 2. Nd aan een sftwarepakket dat een geie interface aanlevert met de nderliggende deep learning biblitheken. 3. Datasets / pretrained mdellen m via transfer learning zelf een plssing p te buwen.
80 80 Deep learning hardware NVIDIA dmineert het deep learning landschap. Z wat elk deep learning pakket maakt gebruik van NVIDIA sftware CUDA: NVIDIA parallel cmputing platfrm vr GPU CUFFT: Fast Furier transfrm library vr GPU CUDNN: NVIDIA deep learning primitives vr GPU De alternatieven in OpenCL zijn Minder perfrmant Onbestaand Minder actief ntwikkeld Dit zrgt ervr dat b.v.b. AMD GPU s mmenteel geen waardig alternatief zijn vr deep learning.
81 81 Deep learning hardware Wij den geen deep learning wegens de hge kst aan nieuwe hardware. Een veelgehrd argument bij industriele partners die in beeldverwerking / image prcessing aan de slag zijn. Tt 2015 was dit een geldig excuus, GPU setup s die krachtig geneg waren m deep learning te den, waren zeer duur. De dag van vandaag is dit argument echter niet meer geldig.
82 82 Deep learning hardware NVIDIA vrziet verschillende lijnen, geschikt vr deep learning, maar zelfs de gedkpere GeFrce lijn is een ptie.
83 83 Deep learning hardware Waar met je rekening mee huden bij het aanschaffen van deep learning hardware? Op vrhand weten welke applicatie je wil uitwerken! Ga je aan de slag met bject training? Of kies je enkel vr inferentie? Inclusief mdel training Algemeen Zrg vr minimaal 4 GB dedicated n bard RAM Enkel mdel inferentie Cmpacte mdellen kunnen uitgeverd wrden p een GPU met 2GB Zrg vr een vldende zware veding! Die en je GPU en je andere hardware nderdelen van vldende strm kan vrzien. Zrg vr vldende airflw in je testel. He meer CUDA cres, he sneller je kaart rekent!
84 84 Deep learning hardware Interessante hardware indien je een cmpact embedded deep learning systeem wil pbuwen. Jetsn TX1 en TX2 Supercmputer ter grtte van een bankkaart Bevat 256 CUDA cres (Maxwell TX1, Pascal TX2) 4GB (TX1) / 8GB (TX2) n bard memry Vral de develper kits zijn interessant! TX1 /TX2 450 eur
85 85 Deep learning hardware Interessante hardware indien je een desktp systeem hebt m testen p uit te veren: NVIDIA Titan X (Pascal) 1370 eur 12GB dedicated memry 3584 CUDA cres NVIDIA Gefre GTX eur 8GB dedicated memry 2560 CUDA cres
86 86 Deep learning hardware Eigenlijk stuurt NVIDIA aan p een interactie tussen hun verschillende structuren, m z een multi-platfrm plssing te bieden.
87 87 Deep learning sftware Deep learning sftware is gelaagd pgebuwd:
88 88 Deep learning sftware De framewrks laag is de laag die ns interesseert. Dit is namelijk de interface laag die je telaat p een intuitieve manier met deep learning m te gaan.
89 89 Deep learning sftware Vrdelen van een framewrk / abstractin layer Vldende tutrials en dcumentatie beschikbaar. In de meeste gevallen een cmmunity waar je als user bij terecht kunt. Nadeel: zelfs abstracties blijken sms vrij cmplex wanneer je wilt afstappen van de standaard vrbeelden / tepassingen. Daarnaast is er k een veelbelvend pakket rnd deep learning, dat een interface vrziet via C en CUDA, namelijk darknet. YOLO mdel bject detectie ImageNet mdel bject classificatie RNN mdel time series analyse TinyYOLO bject detectie p embedded hardware
90 90 Deep learning via OpenCV OpenCV - Open surce cmputer visin dr Intel Beeldverwerkingsbiblitheek die heel wat functinaliteit bevat. Zrgt via wrappers (abstractie) een interface naar het bekende CAFFE pakket vr deep learning Tiny-DNN - Een lightweight deep learning biblitheek Puur via header files, waardr je niet met cmpileren Bevat mmenteel enkel deep learning inferentie, via CPU Belft in tekmst deep learning inferentie en training, via GPU
91 91 Deep learning via OpenCV Snelste manier m deep learning p te starten in OpenCV Zrg vr de laatste OpenCV 3.2 master branch Zrg vr de cntributed repsitry ( Zrg vr een werkende CAFFE installatie ( Zrg er vr dat bvenstaande pakketten met CUDA en CUDNN supprt gebuild zijn Via de Caffe mdel z dwnlad je het mdel waarmee je deep learning wil den (segmentatie/detectie/classificatie/ )
92 92 Deep learning via OpenCV Via de vrbeeld samples, krijg je een zicht p he de deep learning mdellen aan te spreken (
93 93 Meest gebruikte architecturen/mdellen Binnen de deep learning cmmunity zijn een aantal mdellen afkmstig van nderzeksinstellingen tnaangevend en cmmn practice. LeNet: 5 layer CNN ntwikkeld vr digit recgnitin AlexNet: een stacked 9 stage CNN vr ImageNET classificatie GgLeNet: ging even deeper 22 layer deep CNN, f which 9 inceptin mdules, leading t ver 100 layers in ttal Oxfrd grup: VGG mdels large scale visual recgnitin VGG16, VGG19, VGGfusin De trend was m steeds dieper te gaan, meer cmplexiteit te te vegen, m dan uiteindelijk een zeer hg perfrmant netwerk te bekmen, dat zeer rekenintensief is en bijna nbruikbaar.
94 94 Meest gebruikte architecturen/mdellen GgLeNet architectuur
95 95 Deep learning memry ftprint Drdat de meeste beschikbare pen surce mdellen vrij cmplex en vrij diep zijn (veel peenvlgende layers), zijn de resulterende weight files heel grt. Cnfiguratie files (pbuw layers), zijn cmpact. De weight files daarentegen zijn gigantisch (VGG 350 MB) Uiteraard is dit prblematisch p embedded systemen. Daarm werden verscheidene technieken uitgevnden m data van krachtige diepe mdellen te cmprimeren.
96 96 Deep learning memry ftprint Vrgestelde plssingen vr mdel cmpressie Mdel cmpressie via mdel hashing: encdering van mdel Tepassen van singular value decmpsitin p CNN mdels Netwrk pruning: wegnemen van weights nder een threshld, p 0 zetten m tt een sparse matrix representatie te kmen Tevegen van quantizatie aan het netwrk pruning Deep cmpressin: gebruik van huffman encding in deep netwrks SqueezeNet: Vervangen van cnvlutin filters met kleiner equivalent Verminderen van het aantal inputkanalen Dwnsamplen pas laat in het netwerk, zdanig dat we grte activatiemapping krijgen in het netwerk in de cnvlutin layers. This all lead t a tremendus decrease in size, resulting in mdels between 4 10MB, pening deep learning fr embedded hardware!
97 97 Deep learning examples Transfer learning using Ggle s Inceptin v3 mdel n nly 35 class and nn bject class samples (n verlapping windws)
98 98 Deep learning examples Transfer learning using Ggle s Inceptin v3 mdel n nly 35 class and nn bject class samples (verlapping windws)
99 99 Deep learning examples Decnvlutin mdel p een schilderij, wat ziet het mdel intern?
100 100 Deep learning examples Decnvlutin mdel p een veranda, wat ziet het mdel intern?
101 101 Deep learning examples YOLOv2 bject detectie in uitdagende situaties (belichting, clutter, camerastandpunten, ) waar andere detectren falen.
102 102 Deep learning examples YOLOv2 bject detectie in een verkeersanalyse tepassing.
103 103 Deep learning examples YOLOv2 bject detectie in een eyetracker pname, detecteren van persnen in elke mgelijke pstelling.
104 104 Laatste nieuwtjes in deep learning GAN = Generative Adversarial Nets - bvb. pix2pix
105 105 Laatste nieuwtjes in deep learning GAN = Generative Adversarial Nets - bvb. pix2pix
106 Integratie van cnvlutinal utputs vr crwd cunting / analysis 106
107 Bedankt vr uw aandacht! Meer inf: stevenputtemans.github.i - steven.puttemans@kuleuven.be
IWT-Tetra-project. Onderzoekssymposium Thomas More track E/ICT 21 maart 2013. Projectleider: Toon Goedemé Projectassistent: Steven Puttemans
IWT-Tetra-prject Onderzekssympsium Thmas Mre track E/ICT 21 maart 2013 1 Prjectleider: Tn Gedemé Prjectassistent: Steven Puttemans Overzicht 1. IWT TETRA TOBCAT 2. Objectherkenning 3. Objectcategrisatie
Nadere informatieTOBCAT: Industriële toepassingen van objectcategorisatie.
TOBCAT: Industriële tepassingen van bjectcategrisatie. Visin & Rbtics 2013 23 mei 2013 1 Prjectleider: Tn Gedemé Prjectassistent / presentatr: Steven Puttemans Overzicht 1. EAVISE Onderzeksgrep 2. IWT
Nadere informatieWat is een besturingssysteem of operating system?
Wat is een besturingssysteem f perating system? Het besturingssysteem is het hfdprgramma dat geïnstalleerd staat p je cmputer f smartphne. Regelmatig km je k de Engelse benaming perating system tegen f
Nadere informatieGeavanceerde data wetenschappen
Master HI Geavanceerde data wetenschappen 1ste deel - inclusief pgelste efeningen Q uickprinter Kningstraat 13 2000 Antwerpen www.quickprinter.be 182 3.50 EUR Nieuw!!! Online samenvattingen kpen via www.quickprintershp.be
Nadere informatieTips Digiduif. 1. U logt in op digiduif met uw e-mail adres en wachtwoord.
Tips Digiduif 1. U lgt in p digiduif met uw e-mail adres en wachtwrd. 2. U kiest de knp instellingen. Op de vlgende pagina s kunt u allerlei zaken invullen en aanpassen die bij uw accunt hren. Tevens zit
Nadere informatieHANDLEIDING ROBO ROBO
HANDLEIDING ROBO ROBO 1 Op vrhand 1.1 Materiaal klaarzetten 1 RbRb buwds per 2 kinderen Platen met parcurs vr RbRb Aut en dansvler vr RbRb Dancebt 1.2 Cmputers klaarmaken 1 cmputer per 2 kinderen met hierp
Nadere informatieScènefotografie. Tips en trucs. Datum: Versie: 1.1
Scèneftgrafie Tips en trucs Datum: 14-10-2016 Versie: 1.1 Picari scèneftgrafie tips en trucs Vereisten vr het maken van een gede ft, vr het visualiseren en genereren van ftrealistische afbeeldingen van
Nadere informatieIct-puzzel voor het onderwijs
Ict-puzzel vr het nderwijs FAQ Algemeen Wat is de Ict-puzzel vr het nderwijs? De Ict-puzzel vr het nderwijs is een mdel dat bestaat uit drie pijlers (nderwijs, middelen, rganisatie) met elk acht buwstenen.
Nadere informatieHuiswerk Informatie voor alle ouders
Nummer 6 mei 2010 Huiswerk Infrmatie vr alle uders Huiswerk en efening Ged leren lezen en rekenen is belangrijk, want je hebt deze vaardigheden in het dagelijks leven veral ndig. Kinderen ged leren lezen
Nadere informatieWORKFLOW4U. Voor transparante processen en voorspelbare kwaliteit
WORKFLOW4U Vr transparante prcessen en vrspelbare kwaliteit U kunt zich er vast iets bij vrstellen: Bedrijfsprcessen l ijken een wirwar van afspraken en acties. W erkprcessen zijn vaak cmplexer dan ndig
Nadere informatie2. De database beschikt wel over mogelijkheden leermateriaal te beschrijven en die beschrijvingen te delen met de buitenwereld.
Versie 2.1 23 mei 2013 OPEN PUBLICEREN VAN LEERMATERIAAL: EEN STAPPENPLAN Veel instellingen vr hger nderwijs hebben al een database (repsitry) met digitaal leermateriaal. Sms is dat de database van de
Nadere informatieWST7 AP6: Integratie tot een Multidisciplinair Patiëntendossier
WST7 AP6: Integratie tt een Multidisciplinair Patiëntendssier Cntext Eén hlistisch, geïntegreerd, multidisciplinair patiëntendssier maken, waarin alle zrgverstrekker alle relevante (gedeelde) infrmatie
Nadere informatieMaak van 2015 jouw persoonlijk professionaliseringsjaar
Maak van 2015 juw persnlijk prfessinaliseringsjaar en wrd Nlc erkend Register Lpbaanprfessinal (RL) Nlc erkend Register Lpbaanprfessinal (RL) Deze status wrdt bereikt na certificering dr het nafhankelijke
Nadere informatieArco PDF Processor
Arc PDF Email Prcessr 6 juni 2016 V 1.3.4 1/8 Inhudstafel 1 Cncepten en vrdelen... 3 1.1 Cncept... 3 1.2 Types elektrnische facturen... 3 1.3 Baten... 3 2 He werkt het?... 4 2.1 Cncept schema... 4 2.2
Nadere informatieDe CCD DE WERKING VAN DE DIGITALE CAMERA GEERTJE VAN DER LINDEN
2016 De CCD DE WERKING VAN DE DIGITALE CAMERA GEERTJE VAN DER LINDEN Inhud 1. Inleiding... 2 2. De beeldsensr... 2 2.1 De CCD... 2 2.2 De CMOS... 3 2.3 He wrdt kleur waargenmen?... 3 2.4 Vergelijking CCD
Nadere informatieHOW TO REVIEW THE LITERATURE AND CONDUCT ETHICAL STUDIES
HOW TO REVIEW THE LITERATURE AND CONDUCT ETHICAL STUDIES The literature review Het is belangrijk m te bepalen wat anderen al ver het prbleem geleerd hebben vr je het zelf bestudeerd. Het idee van een literatuurstudie
Nadere informatieGrondslagen vd Engineering
1ste bach HI Grndslagen vd Engineering samenvatting Q www.quickprinter.be uickprinter Kningstraat 13 2000 Antwerpen 110 6,00 Online samenvattingen kpen via www.quickprintershp.be Grndslagen van de engineering
Nadere informatieDocumentatie. KERN Timemanagement
Dcumentatie KERN Timemanagement Versie 2.0 28 mei 2010 Inhud KERN en Kerninfrmatie.nl... 3 Inleiding KERN uren... 3 KERN urenregistratie: de input... 5 Aanwezigheid van medewerkers bekijken... 10 Samenvatting...
Nadere informatieEen schone installatie van Windows 10 uitvoeren met een hulpprogramma
Een schne installatie van Windws 10 uitveren met een hulpprgramma Let p: Vr het installeren van Windws 10 pr is enige cmputerkennis ndig, laat het bij twijfel ver aan een expert. Wij zijn niet aansprakelijk
Nadere informatieTOELICHTING KOSTEN MOZAÏEKBEHEER OPEN GRASLAND
STICHTING COLLECTIEF AGRARISCH NATUURBEHEER SCAN TOELICHTING KOSTEN MOZAÏEKBEHEER OPEN GRASLAND BESCHRIJVING De ksten mzaïekbeheer zijn een vergeding vr de ksten die p bedrijfsniveau gemaakt wrden vr het
Nadere informatieBaan in Beeld. Outplacementprogramma Goud
Baan in Beeld. Outplacementprgramma Gud De utplacementprgramma s van Baan in Beeld zijn bestemd vr medewerkers die een rganisatie gaan verlaten en nieuw werk zeken. Om aan de unieke behefte van uw medewerker
Nadere informatieBeschrijving S-Flex Orderimport
Beschrijving S-Flex Orderimprt --------------------------------------------------------------------------------------------------- Versie 2.3 januari 2014 Het prgramma S-Flex Orderimprt is een prgramma
Nadere informatie1. Inhoud Inleiding Gebruiksmogelijkheden InVerbinding als softphone... 5
1 1. Inhud 1. Inhud... 2 2. Inleiding... 3 3. Gebruiksmgelijkheden... 5 3.1. InVerbinding als sftphne... 5 3.2. InVerbinding in cmbinatie met vast testel... 5 3.3. InVerbinding vr mbiele werkers... 6 4.
Nadere informatieWat kunnen we leren van de gedragseconomie in de korte keten landbouw?
Wat kunnen we leren van de gedragsecnmie in de krte keten landbuw? Siegfried Dewitte BEhaviral Engineering Research Grup Faculty f Ecnmics and Business KU Leuven Mevr. Lynckx Mevr. Regs Stel dat mevruw
Nadere informatieOntdek Tell Tweini. o 1
Ontdek Tell Tweini 1 "Het mag duidelijk zijn, mdern wetenschappelijke nderzek wrdt bedreven dr vele nderzekers vanuit verschillende disciplines. De inspanningen van velen, allen met een andere kijk p de
Nadere informatieCoderen en analyseren van kwalitatieve data via Nvivo
Cderen en analyseren van kwalitatieve data via Nviv 3 de jaar Bedrijfskunde Cderen en analyseren van kwalitatieve data via Nviv Inleiding Deze handleiding legt je stap vr stap uit he je het prgramma Nviv
Nadere informatieVoor een overzicht van de belangrijkste RFC s ivm met kan u een kijkje nemen in de bijlage met de bronnen.
Het is niet de bedeling in dit verslag een cmpleet verzicht te geven van alle mgelijke RFC822 en MIME syntax. RFC822 en MIME zijn met zveel verschillende RFC s verwikkelt dat er wel een 26-delige encyclpedie
Nadere informatieChic, zo n gedragspatroongrafiek!
Chic, z n gedragspatrngrafiek! Leerdelen: De leerlingen kunnen nder begeleiding de verwevenheid tussen ecnmische, sciale en eclgische aspecten in duurzaamheidsvraagstukken herkennen. De leerlingen krijgen
Nadere informatieHandleiding. Algemeen. Update
Handleiding Algemeen Update Nieuwstraat 86, 3590 Diepenbeek - t. 011 360 360 - f. 011 360 369 BTW BE 0441.752.054 - KBC 450-0622771-87 - www.adslut.be 1 Inhud 1. Del van dcument... 2 2. Vrvereisten...
Nadere informatieAan de hand van deze 3 lessen ontdekken de leerlingen dat er techniek in en om de Schelde, dus in onze regio, een erg belangrijke rol speelt.
Techniek & de Schelde Aan de hand van deze 3 lessen ntdekken de leerlingen dat er techniek in en m de Schelde, dus in nze regi, een erg belangrijke rl speelt. Gerelateerde kerndelen Vlaanderen, Primair
Nadere informatieKenneth Smit Consulting -1-
Versneld en cntinu verbeteren van de perfrmance en de resultaten van uw medewerkers en rganisatie. Perfrmance en rendementsverbetering van uw rganisatie is de fcus waarp de activiteiten van Kenneth Smit
Nadere informatieBeschermd Wonen met een pgb onder verantwoordelijkheid van gemeenten
Beschermd Wnen met een pgb nder verantwrdelijkheid van gemeenten Een factsheet vr cliënten, cliëntvertegenwrdigers en familievertegenwrdigers 1 februari 2016 Sinds 1 januari 2015 valt Beschermd Wnen (vrheen
Nadere informatieGetallen 1 is een programma voor het aanleren van de basis rekenvaardigheden (getalbegrip).
Getallen 1 Getallen 1 is een prgramma vr het aanleren van de basis rekenvaardigheden (getalbegrip). Delgrep Rekenen en Wiskunde Getallen 1 Getallen 1 is geschikt vr grep 7 en 8 van de basisschl en de eerste
Nadere informatieHandleiding: Mobiele werkplekken
Handleiding: Mbiele werkplekken [Java] Auteur: Afdeling autmatisering Versie 1.3 Laatste wijziging: 09-10-2006 Lcatie: U:\Handleiding-cag-java.dc Handleiding: Mbiele werkplekken 1. Inhudspgave 1. Inhudspgave...
Nadere informatieLes 2. Een open gesprek over psychische gezondheid. Groepsvormingsopdrachten. is een project van Diversion en MIND
Les 2 Een pen gesprek ver psychische gezndheid Grepsvrmingspdrachten is een prject van Diversin en MIND VOOR DE DOCENT Deze les kan als lsstaande pdracht gegeven wrden, maar k als vervlg p de MIND Yung
Nadere informatieLEERVRAAG 2. - Informatie: - informeren. - observeren. - middelen zoeken. - actie ondernemen. - evalueren
LEERVRAAG 2 Leervraag (wat is /he kan ik vraag) He krijg ik een vllediger beeld van de hulp die Daan krijgt? Activiteiten uit stappenpla n - infrmeren - bserveren - middelen zeken - actie ndernemen - evalueren
Nadere informatieKolom A Kolom B Kolom C Kolom D 1 Je wilt leren zeilen. Wat doe je? Ik stap direct in de boot en ik probeer te zeilen.
Leerstijlen Iedereen heeft een vrkeur bij leren en hanteert daarbij, nbewust, een bepaalde leerstijl. Het is prettig als jij weet wat vr leerstijl jij hebt. Het is k handig als jij weet he een ander bepaalde
Nadere informatieKorte uitleg PIXresizer
Ft's verkleinen - f Resizen Waarm ft s verkleinen? Wanneer we ft s p het internet plaatsen, willen we dat de ft ngeveer 4/5 van de breedte van de mnitr beslaat. Is hij grter dan zul je meten scrllen m
Nadere informatieBEGELEIDING LEERLINGEN MET DYSCALCULIE
BEGELEIDING LEERLINGEN MET DYSCALCULIE Begeleiding van leerlingen met ernstige rekenprblemen en/f dyscalculie Delen en uitgangspunten Binnen het Veluws Cllege Crtenbsch hanteren wij het Prtcl Ernstige
Nadere informatieWaarom en hoe accountants hun verdienmodel moeten aanpassen. Van uren factureren naar value added pricing
Waarm en he accuntants hun verdienmdel meten aanpassen Van uren factureren naar value added pricing Waarm en he accuntants hun verdienmdel meten aanpassen 2 Inhud Inleiding 3 De ntwikkelingen 4 Blijvende
Nadere informatieBeleidsregels voorziening jobcoaching Participatiewet 2015
Beleidsregels vrziening jbcaching Participatiewet 2015 1-7-2015 Jbcaching Reginale beleidsregels jbcaching Participatiewet regi Achterhek Inleiding Jbcaching gaat ver het ndersteunen van mensen bij het
Nadere informatieOntdekken van talenten jouw woorden, jouw verhaal
Ontdekken van talenten juw wrden, juw verhaal Methdiek Omschrijving: Kunnen werken met je talenten geeft mensen energie, weerbaarheid en veerkracht. Via deze methdiek wrden teams uitgendigd m hun talenten
Nadere informatieLAC. Inspiratie LAC water. Organiseer je LAC-zitting. Maak afspraken met de watermaatschappijen. Organiseer je LAC-zitting
Maak afspraken met de watermaatschappijen Organiseer je LAC-zitting Ken de WATER-rechten en plichten van je klant Vermijd afsluitingen Maak een draaibek vr je interne werking LAC Bied nazrg Betrek je cliënt
Nadere informatieCMD EVALUATIE STAGEBEDRIJVEN 2014
CMD EVALUATIE STAGEBEDRIJVEN 2014 Inhud Respns... 1 Samenvatting van de resultaten... 1 Vragen ver de pleiding... 2 Vragen ver de stagiair... 3 Wat ziet u als sterke punten van de pleiding CMD?... 4 Wat
Nadere informatieAI introductie voor testers
AI introductie voor testers De basis van deep learning TestNet werkgroep Testen met AI Martin van Helden Sander Mol Introductie Artificial Intelligence (AI) is anders dan traditioneel programmeren. Traditioneel
Nadere informatieStap 4: 6. Droomsessie handleiding
Stap 4: 6. Drmsessie handleiding 1 Del De drmsessie is een brainstrmtechniek die als del heeft m de deelnemers vlledig ut f the bx te laten denken. De deelnemers mgen hun fantasie de vrije lp laten gaan,
Nadere informatieTransmuraal Programma Management
Transmuraal Prgramma Management Een prpsitie van Vitha versie 1 Inhudspgave 1 Inleiding... 3 2 Transmurale behandelpraktijken... 3 2.1 Transmurale zrg nader gedefinieerd... 3 2.2 Transmurale zrg in de
Nadere informatieStappenplan BTW-verhoging van 19 naar 21% per 1 oktober 2012
Stappenplan BTW-verhging van 19 naar 21% per 1 ktber 2012 Supprt ID: 57354 Versies: AccuntView Windws Dit stappenplan hebt u ndig m uw administraties in AccuntView gereed te maken vr het nieuwe BTW-percentage.
Nadere informatieDiscussiethema Bouwstenen
Discussiethema Buwstenen Bij dit nderdeel kunnen een aantal nderwerpen wrden besprken die gerelateerd zijn aan het werken met buwstenen: 1 Versiebeheer met buwstenen 2 Aanmelden in cmbinatie met buwstenen
Nadere informatieBegeleidende tekst bij de presentatie Ieder kind heeft recht op Gedifferentieerd RekenOnderwijs.
Begeleidende tekst bij de presentatie Ieder kind heeft recht p Gedifferentieerd RekenOnderwijs. Dia 1 Opmerking vr de presentatr: in het geval u tijd te krt kmt, kunt u de blauwe tekst als ptineel beschuwen
Nadere informatieContract gedragsverandering
Cntract gedragsverandering Stappenplan m je delen te bereiken Tips m je delen te bereiken Cntract vr gedragsverandering (vrbeeld) Del/gedrag Om deel te nemen aan de Dam tt Dam lp met mijn vriendengrep
Nadere informatieHet individueel beoordelen van groepswerk.
SAMENWERKING: (G)EEN PROBLEEM Het individueel berdelen van grepswerk. Grepspdrachten zijn vr veel dcenten bewust gekzen instrumenten m te kmen tt een krachtige leermgeving. 1 Het zrgt vr een actieve inbreng
Nadere informatieHeart4Women. Duurzaam Bewogen Missionair. Sponsor een vrouw
Heart4Wmen Duurzaam Bewgen Missinair Spnsr een vruw Vruwen in hun kracht Heart4Ghana is bewgen met de psitie van de vruw binnen de Dagmba en Nanumba cultuur. Deze vruwen hebben het niet altijd makkelijk
Nadere informatieUitstroomprofiel opleiding Klinisch Informatica September 2014
Uitstrmprfiel pleiding Klinisch Infrmatica 1 Inleiding Dit uitstrmprfiel sluit aan p het berepsprfiel van de klinisch infrmaticus. Het berepsprfiel beschrijft evenwel de ttale breedte van het veld van
Nadere informatieERRATUM MET ANTWOORDEN OP VRAGEN VAN DIENSTVERLENERS DIENSTEN SHAREPOINT DIENSTVERLENING EMMAÜS VZW
ERRATUM MET ANTWOORDEN OP VRAGEN VAN DIENSTVERLENERS VOOR DE OVERHEIDSOPDRACHT VOOR DIENSTEN MET ALS VOORWERP SHAREPOINT DIENSTVERLENING Opdrachtgevend bestuur EMMAÜS VZW Ontwerper Cördinatiedienst, Jeri
Nadere informatieBij nachtfotografie is de grootste uitdaging het gebrek aan voldoende licht. Dit probleem kunnen we op 3 manieren oplossen.
Nachtftgrafie Ft: Rzenhedkaai in Brugge bij nacht Bij nachtftgrafie is de grtste uitdaging het gebrek aan vldende licht. Dit prbleem kunnen we p 3 manieren plssen. Lichtsterke lens ISO geveligheid Langere
Nadere informatieAce! Training E-learning module 'vragen stellen' Cursus communicatievaardigheden 1
Ace! Training E-learning mdule 'vragen stellen' Cursus cmmunicatievaardigheden 1 Gede vragen stellen Vragen stellen is een vrm van verbale cmmunicatie. Verbale cmmunicatie bestaat uit spreken en luisteren.
Nadere informatieReflecties. Vormingsdag 9 januari 2014 DPB Brugge Training coachingsgesprek. Bezoeker gecoachte
Vrmingsdag 9 januari 2014 DPB Brugge Training cachingsgesprek Reflecties Bezeker gecachte Het gesprek heeft mij ngelfelijk veel deugd gedaan. Ik kreeg de bevestiging dat het ged is datgene waar ik mee
Nadere informatie1. Opstellen van de enquête
Tips vr enquêtes: meten = weten = actie Een enquête is meer dan een vragenlijstje. Het is een ideaal cmmunicatie- en drukkingsmiddel m milieuprblemen te registreren en aan te kaarten in de media f bij
Nadere informatieIn 10 stappen Windows 7 sneller maken!
In 10 stappen Windws 7 sneller maken! Inhud... In 10 stappen Windws 7 sneller maken... 2 Stap1: Indexeren uitschakelen in Windws 7... 3 Stap 2: Schakel Aer Theme (grafische interface) uit vr Windws 7...
Nadere informatieVoorbeeld oefentypes online e-learningmodules CommArt Int.
Vrbeeld efentypes nline e-learningmdules CmmArt Int. In dit dcument wrdt verwezen naar de specifieke inhud van een van nze e- learningmdules. De efentypes wrden echter gebruikt in alle e-learningmdules
Nadere informatie1) Voorstel tot afschaffing belasting op drankslijterijen
1) Vrstel tt afschaffing belasting p drankslijterijen Een tijd geleden werd er dr de regering een hrecaplan vrgesteld. Hierin stnden een aantal maatregelen die dr de betrkken sectr tegejuicht werden, in
Nadere informatieProjectaanvraag Versterking sociale infrastructuur t.b.v. burgerkracht in Fryslân
1 Prjectaanvraag Versterking sciale infrastructuur t.b.v. burgerkracht in Fryslân 1. Aanleiding Eind 2012 heeft Prvinciale Staten van de prvincie Fryslân keuzes gemaakt mtrent de 'kerntakendiscussie'.
Nadere informatieINSTALLATIEGIDS DC SHARE *******************************
INSTALLATIEGIDS DC SHARE ******************************* INHOUD 1. Vrbereiding...1 2. Installeer DC Share met behud van Persnlijke Mappen...2 3. Gebruik DC Share met behud van Persnlijke Mappen...9 4.
Nadere informatieMet M binaire attributen zijn er op deze manier 2 2M functioneel verschillende beslisbomen
Transparanten bij het vak Inleiding Adaptieve Systemen: Beslisbmen. M. Wiering Leerdelen Beslisbmen begrijpen en kunnen gebruiken m een classificatie te bepalen geen Ja Kleur gren wit bruin Geur Nee Nee
Nadere informatieStatenvoorstel nr. PS/2014/341
Statenvrstel nr. PS/2014/341 Initiatiefvrstel Cde Maatschappelijke Participatie Datum Inlichtingen bij 23 april 2014 mevruw G.J. Overmeen-Bakhuis Aan Prvinciale Staten Onderwerp Initiatiefvrstel Cde Maatschappelijke
Nadere informatieAnalytische boekhouding
Analytische Bekhuding Analytische bekhuding 1 Vrbereiding... 2 1.1 Dssier instellingen... 2 1.2 Analytische rekeningen maken... 3 2 Analytisch beken... 4 2.1 Kppeling... 5 2.2 Bekingsvrstellen (mdellen)...
Nadere informatieEbook Ontwerp een optimaal verkoopproces
Ebk Ontwerp een ptimaal verkpprces Een ptimaal sales ritme draagt bij aan een maximale nett sales tijd en een lerende rganisatie die steeds slimmer en dus succesvller er te werk gaat. Maar he km je nu
Nadere informatieChecklist Veranderaanpak Inhoud en Proces
list Veranderaanpak Inhud en Prces AdMva 2011 www.admva.nl www.arbcatalgusvvt.nl list Veranderaanpak Inhud en Prces www.arbcatalgusvvt.nl Clfn Sturen p Werkdrukbalans en Energie AdMva 2011 Erna van der
Nadere informatieToegankelijkheid documenten
1. Verschillende bestandstypen kenmerken en tegankelijkheid vr visueel beperkten. in principe kunnen alle dcument ingeverd als afbeelding kan een prbleem vrmen en kan in ieder type vrkmen. typen vlledig
Nadere informatieRapport activiteit 3 : realisatie van een agro4c De veiling als regisseur van versketens
Rapprt activiteit 3 : realisatie van een agr4c De veiling als regisseur van versketens Inleiding Wat is een crss chain cntrl center (4C)? Een Crss Chain Cntrl Center is een regiecentrum waar meerdere cmplexe
Nadere informatieHandleiding Mail CTTL juni 2009. Mailbox CTTL
Handleiding Mail CTTL juni 2009 Mailbx CTTL Elk persneelslid van CTTL krijgt een mailadres (mailbx) met @cttlimburg.be Elke mailbx heeft een ruimte van 50 MB. Na het inlggen p de mailbx nline via webmail,
Nadere informatieStel uw inkomen zeker, sluit een arbeidsongeschiktheidsverzekering af
Stel uw inkmen zeker, sluit een arbeidsngeschiktheids af Eindelijk geniet u van een heerlijke skivakantie. En natuurlijk verkmt het u niet, want u bent een ervaren skiër. Maar laat dat ngeluk nu net in
Nadere informatieVerkorte Handleiding Versie Medewerker Januari 2013
Verkrte Handleiding Versie Medewerker Januari 2013 Starten met OTIB-skillsmanager OTIB-skillsmanager is een instrument m het gesprek dat u gaat veren met uw leidinggevende vr te bereiden. U wrdt gevraagd
Nadere informatieIWI. De Gemeenteraad Postbus 11563
Inspectie Werk en Inkmen Tezicht Gemeentelijk Dmein De Gemeenteraad Pstbus 11563 2502 AN Den Haag Prinses Beatrixlaan 82 2595 AL Den Haag Telefn (070) 304 44 44 Fax (070) 304 44 45 www.lwiweb.nl Cntactpersn
Nadere informatieBudgetkortingen GGZ: van bedreiging naar kans
Budgetkrtingen GGZ: van bedreiging naar kans Inleiding In dit artikel kijken we naar welke uitdagingen instellingen in de geestelijke gezndheidszrg te wachten staan en welke mgelijkheden er zijn m deze
Nadere informatieMasterclass SharePoint Online. in het onderwijs. APS IT-diensten, Utrecht
Office 365 in het nderwijs Masterclass SharePint Online Masterclass Office 365 - SharePint Online in het nderwijs. APS IT-diensten, Utrecht Micrsft Office 365 in het nderwijs Micrsft Office 365 biedt nderwijsinstellingen
Nadere informatieTip: Als u uw vertaling op volledig scherm wilt weergeven, draait u uw apparaat een kwartslag.
Ggle translate 1. Tekst vertalen U kunt wrden f zinnen vertalen met behulp van Ggle Translate. Uw tekst vertalen Cmputer 1. Ga naar de pagina Ggle Translate. 2. Kies bven aan de pagina de talencmbinatie.
Nadere informatieBureau-ergonomie. Werkhouding: een ergonomische werkomgeving
Bart Van Keymlen & Sfie Lagrin Bureau-ergnmie Werkhuding: een ergnmische werkmgeving Langdurig zitten is een belangrijke rzaak van rugklachten. We ntwaken, we zitten aan de ntbijttafel, p de trein f in
Nadere informatieHANDLEIDING. Kom In Actie Rode Kruis
HANDLEIDING Km In Actie Rde Kruis Inhudspgave Checklist vr het plannen van je actie... 3 Kminactie.rdekruis.nl... 4 Actie aanmaken... 4 Actie wijzigen/aanpassen... 4 Mede rganisatren tevegen... 4 Deelnemers
Nadere informatieack-aquaconcept.com, concept GmbH en Microdyn-Nadir Nadir,, Slotgrachtstraat 25, 9940 Telephone: +32 (0)9 3445176, Fax: +32 (0)9 3445176
Kwaliteitsverbetering in prductieprcessen dr tepassing van aangepaste UV desinfectiemethdes en geavanceerde UV xidatie. Van Daele Drine. 1, www.dvd-technlgy.be www.ack-aquacncept.cm aquacncept.cm. 1 a.c.k.
Nadere informatieGefaseerde implementatie projectbeheersing methodiek Hogeschool van Utrecht
Prject Shared Services Gefaseerde implementatie prjectbeheersing methdiek Hgeschl van Utrecht Vervlg van Deelprjectplan Prjectadministraties (januari 2004) Het beheersen van prjectadministraties dr de
Nadere informatieAandachtspunten Verkeersveiligheid, Leefbaarheid en Mobiliteit
Aandachtspunten Verkeersveiligheid, Leefbaarheid en Mbiliteit 1 De mzetting van de nieuwe Eurpese Richtlijn (2006/126/EG) ver het mtrrijbewijs is nu uiteindelijk in de Belgische wetgeving vergenmen en
Nadere informatieWat moet ik doen als mijn telefoon geen verbinding maakt met de CAM light?
FAQ Camlight Steinel Wat met ik den als mijn telefn geen verbinding maakt met de CAM light? Cntrleer uw netwerkinstellingen, schakel de firewall van uw ruter uit wanneer u verbinding maakt, en zrg ervr
Nadere informatieDromen met realiteitszin
Platfrm Zrg, Welzijn en Onderwijs Digitaal verbnden Drmen met realiteitszin Een gedeelde kijk p de tekmst van prfessineel leren Gezamenlijk (In)frmeel (Les) material delen Actueel Leren en ntwikkelen Open
Nadere informatieOutplacementprogramma Zilver
Haarbrug 18, 3751 LM Bunschten inf@baaninbeeld.cm www.baaninbeeld.cm Outplacementprgramma Zilver De utplacementprgramma s van Baan in Beeld zijn bestemd vr medewerkers die een rganisatie gaan verlaten
Nadere informatieInstroommogelijkheden binnen de intersectorale toegangspoort (INSISTO)
Vragen naar: Sven Pans Telefn: 02 225 85 28 E-mail: sven.pans@vaph.be Bijlage(n): / Omzendbrief 27 mei 2014 gericht aan alle vrzieningen vr minderjarigen met een handicap Instrmmgelijkheden binnen de intersectrale
Nadere informatieSoft Starters. esco drives & automation nv/sa. made by SOLCON. Kouterveld Culliganlaan,3 B 1831 Diegem Tel +32 2 717 64 30 Fax : +32 2 717 64 31
Sft Starters esc drives & autmatin nv/sa Kuterveld Culliganlaan,3 B 1831 Diegem Tel +32 2 717 64 30 Fax : +32 2 717 64 31 e-mail : inf@esc-da.be web site : www.esc-da.be made by SOLCON Sft starters Dn
Nadere informatieVerandertrajecten voor individuele medewerkers
Het Sandelhut Meditatietechnieken, Caching en Training Verandertrajecten vr individuele medewerkers Lcatie: Het Beekse Bshuis Girlesedijk ngenummerd Hilvarenbeek Pst: Gildelaan 41 5081 PJ Hilvarenbeek
Nadere informatie1 november 2005 Nr. 2005-19.670, FZ Nummer 31/2005
1 nvember 2005 Nr. 2005-19.670, FZ Nummer 31/2005 Vrdracht van Gedeputeerde Staten aan Prvinciale Staten van Grningen inzake een vrstel m het dak van het St. Jansstraat cmplex van znnepanelen te vrzien
Nadere informatieVoorstel aan de Gemeenteraad
Vrstel aan de Gemeenteraad 13-04-2012 DSO/2012/2302451svdz Onderwerp Regiplan Windenergie en Beleidsvisie tijdelijke windenergie Almere Beleidsveld Duurzame Ruimtelijke Ontwikkeling Prtefeuillehuder H.
Nadere informatieOUDERBLIK. Een rugzak vol ideeën voor ouders en school SCHRIFTELIJKE COMMUNICATIE MET OUDERS
OUDERBLIK Een rugzak vl ideeën vr uders en schl SCHRIFTELIJKE COMMUNICATIE MET OUDERS 2012 1. Schriftelijke cmmunicatie met anderstalige uders Schriftelijke cmmunicatie gaat ver alle cmmunicatie naar uders
Nadere informatiePlanning. Week Les Thuis Af. Uitleg nieuwe opdracht Reclame en Campagnes Onderzoek Orange Baby s - NEE - -
Planning Week Les Thuis Af 4 Uitleg nieuwe pdracht Reclame en Campagnes Onderzek Orange Baby s - - - NEE 5 Afmaken nderzek Orange Babys Beginnen nderzek Plus supermarkten Afmaken nderzek Plus supermarkten
Nadere informatieMijn stad, mijn dorp
Visiedcument Mijn Stad Mijn Drp Mijn stad, mijn drp Visiedcument (Cncept) Auteur : Wendy Oude Nijeweme d Hllsy Dcument : Visiedcument Mijn Stad Mijn Drp Versie 1.0.dc 1 Visiedcument Mijn Stad Mijn Drp
Nadere informatie6. Opleidingskader voor de procesopleiding Informatiemanagement
6. Opleidingskader vr de prcespleiding Infrmatiemanagement In het prject GROOTER wrden nder andere een aantal pleidingskaders ntwikkeld vr prcessen nder Bevlkingszrg. Hiernder wrdt het pleidingskader vr
Nadere informatieVeel gestelde vragen huurbeleid 18 oktober 2012
Veel gestelde vragen huurbeleid 18 ktber 2012 Algemeen: 1. Waarm kmt er een nieuw huurbeleid? Een aantal ntwikkelingen heeft ervr gezrgd dat wij ns huurbeleid hebben aangepast. Deze ntwikkelingen zijn:
Nadere informatieVAN FOTO TOT PRODUCT
VAN FOTO TOT PRODUCT Een heightmap (f hgtemap) is een techniek die eigenlijk vanuit de spelletjeswereld afkmstig is. De bedeling was een speelveld (=speelbrd) creëren dat niet meer vlak was, maar met hgteverschillen
Nadere informatie1. Persoonsgegevens. 2. Verwerkersovereenkomsten
0 Checklist Ik weet welke persnsgegevens ik psla en p basis van welke grndslag dit is Ik heb verwerkersvereenkmsten afgeslten met alle bedrijven die vr mij persnsgegevens verwerken. Ik heb een duidelijk
Nadere informatieStap 4: 4. Zelfevaluatie in de hand
Stap 4: 4. Zelfevaluatie in de hand 1 Del De 5 vinger methdiek is een brainstrmtechniek die als del heeft m de deelnemers de huidige werksituatie te analyseren, vanuit een ttaalverzicht, en tevens p zek
Nadere informatie