はてなブックマーク

$ git clone https://github.com/iro-cp/FCRN-DepthPrediction.git $ cd FCRN-DepthPrediction/tensorflow $ python predict.py <学習済みモデルファイル> <depth推定させたいRGB画像> tensorflowが必要なのでインストールします。私はPython3.5.3で、tensorflowは1.2.1のを入れました。 学習済みモデルファイルは、上記のgithubのページのREADMEにリンクが貼ってあります。Tensorflow Modelと書いてあるところをクリックすればモデルが手に入るので、こちらで学習させる必要もありません。 depth推定させたい画像はこちらで用意します。例えば、以下のような画像を与えて推定させると… こういう出力が得られます。 真値がわからないので

Deep Learningの闇ではなく、Deep Forestの茂みの中に進みたいと思います。 DNNの代替となるかもしれないアルゴリズムにDeep Forestというものがあります。 Deep Forest :Deep Neural Networkの代替へ向けての記事を読んだり、論文を読んだりしてみると、どうやらランダムフォレストと呼ばれる決定木の集合体を複数個使い、幅および深さの方向に対してたくさん並べていくことで、Deepな構造にしているようです。 ランダムフォレストについてはこの記事が参考になります。pythonのモジュールであるscikit-learnと呼ばれる機械学習ツールにおけるランダムフォレストの説明となっていますが、今回走らせるコードもPythonで、しかもscikit-learnを使っているので、めちゃくちゃ参考になります。 Python以外にもR言語での実装があるよう

様々な曲を聴かせて、そのアーティストが誰なのかを認識させようという試みです。認識部分はDeep Learningに任せます。頼んだ！ イメージとしては学習したモデルを用いて、マイクに向けて直接音楽を流して、「これはミスチルや！」という感じにリアルタイムに推定してくれるシステムを作りました。 githubに公開しました。 なお、学習時はGPUを使っていますが、学習済みモデルを使って推論させるときはGPUではなくCPUを使うコードになっていますが、別にGPUでも動きます。 （単に、推論させるときには別のPCで実行させていて、そのPCにはGPUが載っていなかったからというだけです。） https://github.com/slowsingle/music_classification 「頼んだ！」とは言いつつも... 曲の波形をそのままネットワークに学習させても、訓練誤差は縮まれど、実際に出来上

import pickle f = open('VOC20XX.pkl', 'rb') data = pickle.load(f) print(data.keys()) ############################################# # dict_keys(['000005.jpg', ..., '006739.jpg', ...]) ... # みたいな感じで画像名のリストが表示されます。 ############################################# print(data['007571.jpg']) ####################################################### # array([[ 0.272 , 0.26666667, 0.504 , 0.73866667, 0. , # 0.

R−CNNやYOLO, SSDなど、画像の”どこ”に”何”があるかを識別するタスクのためのラベル付与を支援するソフトウェアをProcessingで作成しました。 主に個人目的で作ったので、ちゃんとしたUIにはなっていないと感じる方もいらっしゃるかもしれませんが、せっかくなので公開したいと思います。 コードおよび開発環境 以下にコードを載せています。 https://github.com/slowsingle/labeling_for_object_detection MacBookProのProcessing3.3で開発しました。 使用する際には、controlP5ライブラリが必要になります。これはProcessingでGUIのコントローラを作成するのをお手軽にするライブラリです。 以下のサイトが参考になるかと思います。 http://qiita.com/akspect/items/6a5