はてなブックマーク

はじめに ニューラルネットワークでランキング学習するRankNet1の論文を読み、実装しました。 古い論文ですがアイデアがシンプルでわかりやすく、実装も比較的簡単です。 コードはGitHubにあります。 RankNet ランキング学習は、データ同士の相対的な順序関係を学習するための方法です。 身近な例だと検索結果の順位付けなどに使われています。 ランキング学習をしたい状況では多くの場合、すべてのデータの絶対的なランキングに関する情報はありません。 そのため、RankNetではランダムに2つのデータをサンプリングし、それらの間の相対的な順序関係を学習します。（任意の2つのデータの順序関係は分かるものとします） これを繰り返すことで最終的には全体的にも整合の取れた順序関係が獲得されます。 RankNetでは、データを入力すると1つの実数を出力する構造のネットワークを使います。 つまり、データの

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

はじめに MNISTの手書き数字画像を利用して，簡単な超解像をやってみました。 全体のコードはGitHubにアップロードしました。 低画質データの作成 $28\times 28$の手書き数字画像を$10\times 10$に縮小します。 これをまた$28\times 28$に拡大します。 縮小した際に情報が失われるので，当然ぼやけたような画像になっています。 高解像化モデル ぼやけた低画質画像を入力するとオリジナルに近い画像が出力されるように学習します。 4層の畳み込みニューラルネットワークを使いました。 中間層の活性化関数はReLUとし，出力層のみ各画素値を$[0,1]$に収めるためにシグモイド関数を使用しています。 また，各層にBatch normalizationを適用しました。 以下にモデル定義部分のコードを示します。 実装はChainerで行いました。 import cv2 im

はじめに Raspberry Pi上でImageNetの学習済みモデルを使い，カメラから入力した画像を認識しようとしましたが，モデルが大きすぎてメモリに乗りませんでした。 そこで，以下のようにラズパイからサーバーに画像を送信して認識結果を返すような仕組みを実装しました。 方法 ソケット通信でサーバーとやり取りします。 コードはGitHubのリポジトリにもアップロードしてあります。 サーバー側 画像認識の部分はChainerで行っています。 モデルはVGGを利用しました。 # coding: utf-8 import socket, threading import chainer import chainer.links as L import numpy as np class ImageNetPredictor: def __init__(self): self.model = L.V