画像の機械学習が劣化する理由 - Qiita
前書き 注意：ここに書いていることは2020年代としては、古すぎる見解になっている。 近年の自己教師あり学習の大幅な進展で、ここで述べているようなアプローチは大幅に古めかしいものになっている。 ・自己教師あり学習の進展は、画像認識タスクに対する共通のbackbone を作り出しており、後段で個々の画像認識タスクに対するfine-tuningをするアプローチに変わってきている。 ・そのため、ラベル付きの限られたデータで特徴量の抽出をしていたのが、自己教師あり学習に基づく特徴量の抽出になっている。 ・各人、自己教師あり学習について調べることをお勧めする。 主旨 単純に学習データを追加するだけでは学習が改善しないことがある。そのような場合へのヒントを著者の限られた経験の中から記述する。 はじめに 画像認識の機械学習を改善するためにはデータを追加すればよい。 そう思っている人が大半だろう。 ただ、
矩形（長方形）データの扱い方をOpenCVなどのライブラリで比較しました。 - Qiita
画像関係のライブラリを複数使っていると矩形（長方形）の扱いがライブラリに異なっていることで注意がいる。 それぞれのライブラリの関数の引数と戻り値を型がどうなっているかを整理しよう。 誤解の生じない変数名を使うことで、コードを読みやすくしよう。 そのため、どのような流儀で矩形データが扱われているかを整理する。 普段の利用言語がPythonなのでPython上での流儀が記述の大半になります。 Type1: (x, y, w, h)に対応するもの 例 cv::Rect(x,y,w,h) https://docs.opencv.org/3.4.0/dc/d84/group__core__basic.html#ga11d95de507098e90bad732b9345402e8 cv::Rectのデータメンバーは .x, .y, .width .height の４つがある。 cv::Rectには デ
1
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
