玄田哲章 バズーカぶっ放しノリノリ！“ゲスかわ”な発想で気遣いエピソード - News Lounge（ニュースラウンジ）
『さばげぶっ！ゲスかわ☆ガールズ JAPAN TOUR 2015 FINAL』昼の部が15日、千葉・舞浜アンフィシアターで開かれ、園川モモカ役・大橋彩香、鳳美煌役・内山夕実、春日野うらら役・大久保瑠美、経堂麻耶役・Lynn、豪徳寺かよ役・東山奈央、ナレーションを務めた玄田哲章が登場し、司会は石動やよい役・松井恵理子、からあげ☆レモン役・荒井聡太が務めた。 『さばげぶっ！』とは、漫画家・松本ひで吉氏が月刊少女漫画雑誌『なかよし』（講談社）で連載している梧桐学園高校サバゲ部を舞台にしたサバイバルゲームギャグ漫画。2014年7月から1クールでアニメ放送された。 イベント開始時間になると、「ずいぶんと集まってくれたなぁ。ナレーションのしがいがあるぜ！」「公演中出演者がすべっても温かく見守るんだ」と、玄田の力強い生でのナレーションから幕開けとなり、これには観客も「YES！」とノリよく応じる。これまで
amadana×カインズホームの限定ラインが安オシャレ
その名も「tricot amadana」 有名な「amadana（アマダナ）」にセカンドライン的な存在があるのを、ご存知でしょうか？ あるんですね、あったんです。しかも複数。 まずは、大手ホームセンター「カインズホーム」とコラボレーションした、カインズでしか購入できないライン。 その名も「tricot amadana（トリコ アマダナ）」！（ででーん チェア、家電、自転車… コラボ第一弾は、アウトドアで使うチェアとパラソル。 第二弾は小型家電、第三弾は自転車と発表してきておりますが…なかなかオシャレでございます。 シンプルで、amadanaらしいデザインです。特に小型家電。 まずは、イメージ図をご覧ください（下） …おしゃれじゃねーの。都会的じゃねーの。 家電には「tricot amadana」のロゴが入っています。 「CAINZ」と入れず「amadana」の名は入っているのが、実は結構ポ
埼玉県出身者が作った「埼玉県は大体こんな感じ」ってマップ | ロケットニュース24
東京の北に位置し、ここから都心へ通勤する人も多い「埼玉県」。東京都に住んでいるとあまり行く用事は無いため、県全体のようすは把握しづらいのだが、一体どんなふうに埼玉県民は自分の県を思っているのだろうか？ 今回はそんな疑問を晴らすべく、埼玉県出身者に「埼玉県は大体こんな感じ」ってマップを作ってもらった。内容についての詳しい説明は以下のとおりだ。 青字：同じ埼玉県民ですらかき氷を食べるか豚肉の味噌漬けを買いに行く機会が無い限り行かない秘境。もしくはアニオタ。 赤字：あれ、ココ埼玉だっけ？ 群馬じゃなかったの？（真顔）……となるぐらい群馬県っぽい埼玉県。 緑字：葱（ねぎ）。 灰字：砂漠。暑すぎ。 茶字：住みやすいが住民以外はあまり行く用事が無い。 黄字：陸の孤島。この地獄から抜け出すには関越道という蜘蛛の糸のような高速道路に乗らなければならない。 濃赤字：なぜか板橋区民より質が高いと自称したがる人
OpenCVでアニメ顔検出をやってみた - kivantium活動日記
やったこと 顔などの特定の物体がどこにあるかを認識するときにはカスケード分類器というものをつかいます（物体検出 — opencv v2.1 documentation）。ここではOpenCVによるアニメ顔検出ならlbpcascade_animeface.xmlで公開されているアニメ顔検出器を使っています。 #include <opencv2/opencv.hpp> using namespace std; using namespace cv; void detectAndDisplay(Mat image); CascadeClassifier face_cascade; int main(void){ //カスケードのロード face_cascade.load("lbpcascade_animeface.xml"); Mat image; image = imread("face.jp
ご注文はDeep Learningですか？ - kivantium活動日記
先日Deep Learningでラブライブ！キャラを識別するという記事が話題になっていました。この記事で紹介されている SIG2D 2014を知り合いから貸してもらったので参考にしながら、ご注文は機械学習ですか？のDeep Learning版を作ってみました。 Caffeなど必要なソフトのインストール Ubuntu 14.04の場合は過去記事を参照してください。これ以外にもpython-opencvなどを使いますが、依存関係の全ては把握できていないのでエラーが出たら適宜インストールしてください。 データの準備 Deep Learningでは大量の学習データが必要になると言われているので、まずは大量のデータを用意します。参考記事では6000枚のラブライブ画像を使ったということなので対抗して12000枚以上のごちうさ画像を用意したいと思います。それだけのデータを手動で分類するとそれだけで時間が
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
