はてなブックマーク

今回は，University of Freiburg, Germany の Thomas Brox が主宰する研究室で考案された U-Net と呼ばれるネットワークを紹介します． この U-Net は，画像のセグメンテーションに特化していて，2015年の ISBI では「the Dental X-Ray Image Segmentation Challenge」と「the Cell Tracking Challenge」の2部門で優勝しています(https://bit.ly/2Qu2CVz)． U-Net は，全層畳み込みネットワーク (Fully Convolution Network，以下 FCN) の 1 種類です．U-Net が一般的な FCN と異なる点として，畳み込まれた画像を decode する際に，encode で使った情報を活用している点が挙げられます．具体的には，図中の

今回は前回のcifar-datasetsで作った識別器を使って、画像の分類をする方法についてご紹介します。 こんにちは！今回は前回のcifar-datasetsで作った識別器を使って、画像の分類をしていきます。 前回の記事は以下から参照してください。 「Juliaで学ぶ画像処理〜cifar-datasetsでニューラルネットワーク〜」 また今回の記事ではプログラミング言語、Juliaを用いて進めていきます。Juliaについては以下の記事をご覧いただけたらと思います。 「プログラミング言語Juliaで学ぶ画像処理〜インストール、サンプル実行〜」

今回兼ねてからやってみたかったGANを触ってみました。 とは言っても、githubにあったコードを実行するだけですが、実際に画像が生成されていく様は楽しかったです。 GANとは GANは敵対的生成ネットワークGenerative Adversarial Networksの略です。 ざっくりやっていることを説明して行きます。 generatorとdiscriminatorというものがあり、generatorは与えられたデータと同じようなものを生成しようとし、discriminatorはgeneratorによって作られたデータが本物かどうかを判定します。 これを繰り返すうちに与えられたデータそっくりのものができます。 しかもこれは与えられたデータの一部を切りはりしているわけではないのです。 非常に面白くこれからに期待ができます。 詳しい解説はこちらをみてください。 クローンかダウンロードをして

非情報科学研究者 (特に生物系研究者) が ImageJ plugin を作るために超えるべき壁やTipsをまとめます。 今回は最低限のJavaについて。 ImageJ Plugin を作るための Java 非情報科学研究者 (特に生物系研究者) が ImageJ plugin を作るために超えるべき壁やTipsをまとめます。 今回は最低限のJavaについて。 前後の記事 #1 ImageJ Plugin を作るための Java #2 ImageJ Plugin で Hello, world! 対象者 画像処理を ImageJ を用いて行なっている人 画像処理手順を自動化したい人 ImageJ macro では満足できず、よりも複雑な処理を施したい人 とにかく ImageJ plugin を書いてみたい人 学研メディカル秀潤社から発売されている「ImageJで始める生物画像解析」を読んでみ

1. 前回まで 前回の記事では、機械学習の勉強を初めて4ヶ月で右も左も分からない中で他の人のカーネルを参考にしてデータの前処理をし、RandomForestClassifierのパラメータチューニングを適化してこれ以上あげられない結果になったということでした。詳しくは記事を見ていただけると助かります。(https://lp-tech.net/articles/0QUUd) 2.今回変わったこと 今回大きく変わった点は大きく2つです。 - 1.RandomForestClassifierではなくLightGBMを使った。 - 2.トレーニングデータを増やした。 以上です。具体的に見ていきましょう。 2-1.LightGBMについて Titanicの次に、House Pricesのチュートリアルを始めた時にRandomForestClassifierでは全く歯が立たなかったため、カーネルを見た

1. Kaggleとは 初心者にとってはデータ分析の練習をするサイトです。実際は様々な問題を解くのを競い合って自分の腕を試すサイトです。データセットがもらえ、さらに他の人の解説(カーネル)を見ることができるので非常に学べるサイトだと思います。 https://www.kaggle.com 2. Titanicチュートリアル Kaggleのコンペティションは普通は開催期間が決まっていますが、チュートリアルは常時開催されています。その中でももっとも初心者向けじゃないかと思われるものがこのタイタニック問題です。ここでは891人分のデータを用いて他の418人の生存予測を行います。

def create_fcn(input_size): inputs = Input((input_size[1], input_size[0], 3)) conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(inputs) conv1 = Convolution2D(32, 3, 3, activation='relu', border_mode='same')(conv1) pool1 = MaxPooling2D(pool_size=(2, 2))(conv1) conv2 = Convolution2D(64, 3, 3, activation='relu', border_mode='same')(pool1) conv2 = Convolution2D(64, 3, 3, activatio

世の中に出回っている機械学習のライブラリには、いくつか種類があります。 よく知られているものを挙げると、 ・Tensorflow (開発元：Google) ・Theano (開発元：モントリオール大学) ・Chainer（開発元：Preferred Networks（日本）） ・Caffe（開発元：Berkeley Vision and Learning Center） ・Scikit-learn（開発元：David Cournapeau） これらは、python向けのDeep Learningのライブラリを持っています。 今回は、Kerasと呼ばれる最近開発されたDeep Learningのライブラリを使って、文字認識のニューラルネットワークを組んでみようと思います。 Kerasは、先述したTheanoとTensorflowが内部で使われており、容易に両方を切り替えて使うことができます。

DeepLearningで画像分類というと、万単位の大量の画像を学習させる必要があるイメージがあるかもしれませんが、少ない画像数でもDeepLearningで分類が可能となる方法があります。その1つの方法が画像データの水増し（データ拡張：Data Augmentation）です。 Kerasでは、「ImageDataGenerator」というクラスが用意されており、元画像に移動、回転、拡大・縮小、反転などの人為的な操作を加えることによって、画像数を増やすことができます（もちろん、元画像によく似た画像になる点は否めないため、過学習ぎみになる不安は拭いきれません）。 下に示すように、17種類の操作項目がありますが、今回は回転や水平方向のフリップ等、3項目のみ使用しました。下に示す最初の4項目は、画像の正規化の方法を意味しており、画像の前処理としてかなり重要ですが、今回はこのクラスを使用せずに自

前回に引き続き、Deep learningで画像解析についてご紹介します。今回は、畳み込みネットが画像認識に適している理由を解説しようと思います。 画像認識は、Deep learningが成功を収めている分野の一つですが、その多層ネットワークは、畳み込みニューラルネットワーク（以下、畳み込みネット）と呼ばれ、画像認識に適した独特の構造を持っています。 前回(Deep learningで画像認識①)は、この畳み込みネットが、文字認識や医用画像診断などの画像認識においてその力を発揮していることを紹介しました。 今回は、畳み込みネットが画像認識に適している理由を解説しようと思います。 畳み込みネットは、神経科学の知見に基づく構造を持っています。例えば、我々生物の視覚野には、たくさんの神経細胞（ニューロン）があり、外界からの入力に対する反応の違いによって ①単純型細胞 ②複雑型細胞 の2種類のニュ

こんにちは！新しく記事を書かせていただくことになった，最上伸一です． 今まさに私が「学習」している最中の機械学習理論について，これから くわしくお話したいと思います． 機械学習やAI，最近何かと話題になっているから少し勉強してみたけど， 何が何やらさっぱり分からない…という人向けに， 機械学習のアレやコレを，なるべく分かりやすく解説していきます！

非情報科学研究者 (特に生物系研究者) が ImageJ plugin を作るために超えるべき壁やTipsをまとめます。今回は解析を自動化する plugin を紹介します。 ImageJ plugin で面積計測を自動化してみた 非情報科学研究者 (特に生物系研究者) が ImageJ plugin を作るために超えるべき壁やTipsをまとめます。 前回までで Java の基礎知識や ImageJ plugin 作成・編集を紹介してきました。今回は解析を自動化する plugin を紹介します。 前後の記事 #2 ImageJ Plugin で Hello, world! #3 ImageJ plugin で面積計測を自動化してみた #4 ImageJ Plugin で大量の画像に対する自動処理 はじめに ImageJ plugin をどんどん作っていくと、Java の知識と ImageJ

筆者が現在の学校に入学した頃、既にCTやMRIの画像をモニター上で3Dに再現する高性能なソフトウェア(ワークステーション)は存在していたが、3Dプリンタや拡張現実などの発展により、撮像した臓器のモデルをモニター以外の場所でも五感で体感することが出来るようになった。 神戸大学大学院の医学研究科に所属している医師、杉本真樹氏が中心となって、これらの取り組みを行っている。杉本氏は、医療画像アプリケーションOsiriXの開発にも携わり、現在ではOsiriXをベースとした低侵襲度の手術法やロボット手術などの研究をしている。 OsiriXは無料版も提供されており、以前撮像してもらったCTやMRIのデータがCD-Rなどで手元に残っていれば、お金をかけずに自分の身体の3Dモデルを作ることが出来る。(ただし、OsiriXはMac専用なので、Windowsの場合は、SlicerやITKSnapなどがある。)

Deep learningは、画像認識において大きな成功を収めています。そこで用いられる多層ネットワークは、畳み込みニューラルネットワーク（convolutional neural network：CNN）と呼ばれており、画像認識に適した独特の構造を持っています。 前回（Deep learningで画像認識②）は、CNNがなぜ画像認識に適しているのかを解説しました。 簡単にまとめると、CNNが、われわれの視覚野の神経細胞の２つの働き ①「画像の濃淡パターンを検出する（特徴抽出）」：単純型細胞（以下S細胞） ②「物体の位置が変動しても同一の物体であるとみなす（位置ズレを許容する）」：複雑型細胞（以下C細胞） これらを組み合わせたモデルになっているからです。 この2つの神経細胞の働きを組み込んだ、CNNの初期のモデルは、「ネオコグニトロン」と呼ばれ、日本人研究者の福島邦彦氏が1982年に発表し

Deep learningとは、人間の脳の神経細胞のネットワーク（ニューラルネットワーク）を模倣した情報処理技術です。その活用方法についてご紹介します。 最近、様々な分野でDeep learningと呼ばれる技術が用いられています。 Deep learningとは、人間の脳の神経細胞のネットワーク（ニューラルネットワーク）を模倣した情報処理技術です。Deep learningでは、層が深い（ディープな）ニューラルネットワーク（多層ネットワーク）を組むことによって、画像や音声などに含まれる特徴量をコンピューター自身が発見し、分類のルールを構築することが可能になりました。 従来は、人間がまず特徴量を設定し、その後、その特徴量を基に分類アルゴリズムにかけて分類するという手法でしたが、Deep learningにより、人間による特徴量の設定の必要なくデータ分類が可能になったことは、機械学習技術にお

このように得られることができました。拡大してみてみると、523[Hz],659[Hz],784[Hz]付近にピークがあるのがわかります。 この周波数を持つのは下からド、ミ、ソなので、ドミソの和音であったことがわかります。そして、ミの音が最も大きくソの音が最も小さいこともわかりました。 ちなみに、高周波領域にもピークが立っていると思いますがこれは、高速フーリエ変換(FFT)を行ったためです。サンプリング周波数を3000[Hz]としたためにその半分を軸として対称に配置するようになっています。実際は1500[Hz]以上は観測できない（サンプリング定理）ために、注目するのは1500[Hz]以下の部分で大丈夫です。 ここでは詳しい理論は割愛しますが、興味のある人は高速フーリエ変換で調べてみてください。 信号におけるフーリエ変換をイメージ的に表現すると以下のように表すことができるでしょう。

周波数とは振動数と同じで、単位時間にどのくらい振動しているかを表す指標です。単位は[Hz]で表されます。電力でよく60Hzとか50Hzとか聞くと思いますが、これは一秒間に信号が60回、50回振動しているという意味です。 上で述べた内容は1次元的な信号の場合ですが、画像のような2次元的な信号でも周波数を考えることができます。1ピクセル動いたときに、どのくらい画素が変化するかによって周波数を考えることができるのです。画素値の変化が大きいところは周波数大で画素値の変化が小さいところは周波数小です。

こんにちは、pythonで学ぶOpenCVの第一回目です。 画像処理をするのにはimageJはすごく便利です。UIもしっかりしてますし、フーリエ変換、粒子計測など難しい操作を一瞬でやってくれる。 しかし、この原理をちゃんと理解したいときや、新しいプラグインを作ってみたいというとき、Image Jでは内部でどのような処理プログラムが行われているのか分からないです。 画像処理をしっかりと理解する上でどのような処理がなされているのかを知っておくのは大事なことです。 そこでOpenCVを使い、計算しながら画像処理を行いたいと思います。 OpenCVとはインテル社が開発・公開したオープンソースのコンピュータビジョン向けライブラリ(Wikipediaより抜粋)です。C/C++、Java、Python、MATLABの言語で使うことができ、比較的簡単に画像処理を行うことができます。 また目の認識、顔の検出

スパースモデリングに基づく画像の再構成 Part2. Total Variation最小化(Split Bregman)に基づく画像再構成 この記事では，Total Variation 正則化の最小化に関する実装を行い，ノイズを含む画像がどのように再構成されるのか，確かめてみます． なお，Total Variation はスパースモデリングで主に使われている技術です．