StyleGAN2で属性を指定して顔画像を生成する - すぎゃーんメモ
memo.sugyan.com の記事の続き(？)。 ある程度の学習データを収集して学習させたモデルが出来たので、それを使って実際に色々やってみる。 StyleGAN2-ADA 学習 mapping出力と生成画像 生成画像の属性推定結果から潜在空間の偏りを抽出 表情推定 顔姿勢推定 髪領域推定 (顔解析) 年齢 (上手くいかず) 複合 Repository StyleGAN2-ADA 前回の記事でも書いたけど、厳選した16,000枚の画像を使って StyleGAN2-ADA を使って生成モデルを学習させてみた。 github.com これは StyleGAN2 から進化したもので、より少ない枚数からでも安定して学習が成功するようになっていて、さらにparameter数など調整されて学習や推論もより早くなっている、とのこと。 それまでのStyleGANシリーズはTensorFlowで実装され
Convolutional Neural Networkとは何なのか - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 機械学習の世界において、画像といえばConvolutional Neural Network(以下CNN)というのは、うどんといえば香川くらい当たり前のこととして認識されています。しかし、そのCNNとは何なのか、という解説は意外と少なかったりします。 そこで、本記事ではCNNについてその仕組みとメリットの解説を行っていきたいと思います。 なお、参考文献にも記載の通り解説の内容はStanfordのCNNの講座をベースにしています。こちらの講座はNeural NetworkからCNN、はてはTensorflowによる実装まで解説される予定な
MobileNet(v1/2)、ShuffleNet等の高速なモデルの構成要素と何故高速なのかの解説 - Qiita
はじめに MobileNet系の高速なモデルアーキテクチャに利用される構成要素と、それらを利用したモデルについて、何故高速なのか観点と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになされているかという観点で整理を行う。 高速なモデルアーキテクチャに利用される構成要素 まず、高速なモデルに利用される畳み込み構成要素について、計算量と、空間方向の畳み込みとチャネル方向の畳み込みがどのようになっているかを説明する。 まず、一般的な畳み込みの計算量を確認する。 入力特徴マップのサイズを$H \times W$、入力チャネル数を$N$、カーネルサイズを$K \times K$、出力チャネル数を$M$とすると、一般的な畳み込み層の計算量は、$H W N K^2 M$となる。 これは、入力特徴マップの1箇所につき畳み込みのコストが$K^2 N$で、これを入力特徴マップの$H W$箇所に適用する
Deep Learningによる行動認識 - OPTiM TECH BLOG
はじめまして、OPTiMの久末です。私は現在R&Dチームに所属している新卒1年目のスタッフで、普段は様々な物体の行動を映像から解析する日々を過ごしています。 今回はそんな私が、普段使っている技術に関して、そのバックボーンとなる部分も含めてお話しさせていただければとおもいます。 なお、今回のブログの内容は以前のブログで和田から紹介させていただいた「OPTiM TECH Seminar」で私がお話しさせていただいた内容を元に再構成しています。 そもそもなぜニューラルネットワークが流行ったのか ILSVRC ImageNet 有名な深層学習手法 VGG GoogleNet ResNet 機械学習による行動認識の歴史 行動認識とは 従来の手法 3D-CNN 行動分類データセット 3D-CNNの発展 3D-ResNets 全体的な流れ さいごに そもそもなぜニューラルネットワークが流行ったのか 現在
TensorFlow For Poets
TensorFlow is an open source library for numerical computation, specializing in machine learning applications. What you will build In this codelab, you will learn how to run TensorFlow on a single machine, and will train a simple classifier to classify images of flowers. Image CC-BY by Retinafunk daisy (score = 0.99071) sunflowers (score = 0.00595) dandelion (score = 0.00252) roses (score = 0.0004
みんな大好き物体検出のデファクトスタンダードFaster R-CNNの特許を読んだ - Qiita
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 Faster R-CNN1 の特許らしいです。 各位 Faster R-CNN特許です。ご査収ください。 Faster R-CNN patent was granted.https://t.co/Bxnjz5s1WU pic.twitter.com/MwAohEN712 — Yosuke Shinya (@shinya7y) 2018年1月8日 わたし、気になります！ということで、どんな感じか翻訳＆解説してみます。 （2018/01/15 追記）弁理士の先生にコメントを頂きましたのでまとめに記載しました！ Disclaimer
Deepに理解する深層学習による物体検出 by Keras - Qiita
誰向け 深層学習をすでに理解して画像の分類から物体検出への仕組みをマスターしたい方へ 数式が多いのでコード確認したい方は下記へGo 具体的な実装例 おまけ Kerasに関する書籍を翻訳しました。画像識別、画像生成、自然言語処理、時系列予測、強化学習まで幅広くカバーしています。 直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ 目的 物体検出に関しての技術を体系的にまとめてコードベースまで理解したかったので書きました。 良書である画像認識の物体認識の章を参考にこの記事を作成しています。 画像認識 全体像 大きく分けて3つのフェーズに分かれます。 1: 物体領域候補の抽出 画像中から物体の領域候補を抽出する手法になります。精度と速度を左右する部分になります。図のように小ウインドウ(バウンディングボックス)を用意して一定の画素数ずらしながら領域候補を抽出する
SSD: Single Shot MultiBox Detector (ECCV2016)
2. 緒方 貴紀 (@conta_) CRO@ABEJA, Inc. Computer Visionとか、Machine Learning の研究開発をやっています Self Introduction 2 4. 一般物体検出の論文 • 検出速度のアルゴリズム(YOLO)より高速で、Faster R-CNNと同等の高精度 なを実現するState of the artなアルゴリズムの提案 • 比較的低解像度でも高精度に検出できる • 階層的なFeature mapと利用することで様々なスケールに対応 • アスペクト比ごとに識別器を作ることで、高い精度の検出率を達成 • シンプルなネットワーク設計によりEnd-to-Endで学習できる SSD: Single Shot MultiBox Detector 4 5. 画像から定められたクラスの物体を検出&識別するタスク Object Detecti
CNNモデル比較論文 "An Analysis of Deep Neural Network Models for Practical Applications"を読んだ - 人間だったら考えて
深層学習を用いた画像認識分野では様々なCNNのネットワーク構造が提案されており，ImageNetデータセット等を用いた予測精度比較が広く行われています． じゃあどのCNNモデルを使うべきなんだろう…と考えていましたが，最近こんなtweetが目に入りました． 代表的なCNNアーキテクチャについて、パラメータ数や実際の演算量・時間、エネルギー消費などを精度との関係とともに検証。純粋に読み物として面白くてさくさく読めるし、肌感覚的にNW構造と計算量の関係を掴んでおくのは今やサバイバル術だしな https://t.co/6ZAEkWXKtu— 水産品 (@sakanazensen) 2017年2月27日 予測精度による比較は広く行われていますが，計算速度やメモリ使用量による比較は見たことが無かったので，tweetで紹介されている論文"An Analysis of Deep Neural Netwo
物体検出についての歴史まとめ(1) - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ここでは、物体の検出についてFaster R-CNN、YOLO、SSDのようなさまざまなアルゴリズムについて説明します。 物体検出の最先端、各手法の直感、アプローチ、それぞれの特徴を見ていきます。 この続きは以下で記述しています。 物体検出についての歴史まとめ(2) https://qiita.com/mshinoda88/items/c7e0967923e3ed47fee5 1. 物体検出とは 1-1. 物体検出概要 物体検出は画像を取り込み、画像の中から定められた物体の位置とカテゴリー(クラス)を検出することを指します。 犬猫分類器
SSD:Single Shot Multibox Detector - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 物体検出ニューラルネットワークのSSDを調べていた。 勉強のために論文を訳することにした。 下記のページを参考にさせていただいた。 https://www.slideshare.net/takashiabe338/fast-rcnnfaster-rcnn https://www.slideshare.net/takanoriogata1121/ssd-single-shot-multibox-detector-eccv2016 ※訳には間違いがないよう注意を払いましたが、完全であることを保証できません。誤りがありましたらお教え願います。
Res netと派生研究の紹介
3. ResNetとは ● 概要 - Deep Residual Network[1]の略称 - MSRA開発のImageNet 2015優勝アルゴリズム - 残差(Residual)を取り入れることで多層でも性能劣化軽減 - ImageNetでは152層と非常に多層(従来は20層程度） [1]. He, Kaiming, et al. "Deep Residual Learning for Image Recognition." arXiv preprint arXiv:1512.03385 (2015). 引用: He, Kaiming, et al. "Identity mappings in deep residual networks." arXiv preprint arXiv:1603.05027 (2016). 4. どれぐらい深いのか？ 引用: Deep Residual
畳み込みニューラルネットワークの研究動向
2017年12月に開催されたパターン認識・メディア理解研究会（PRMU）にて発表した畳み込みニューラルネットワークのサーベイ 「2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．ILSVRCでは毎年のように新たなCNNのモデルが提案され，一貫して認識精度の向上に寄与してきた．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている． 本稿では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，代表的なモデルについて複数のデータセットを用いて学習および網
GoogleがPerfumeのライブに技術提供した「Reframe Visualization」をKeras/Scikit-learnで再現する - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Perfumeが紅白歌合戦でディープラーニングについて言及して話題になりましたが、それに関連する技術がGoogleのブログで公開されていたので再現してみました1。本来はColud Vision APIを使ったとのことですが、精度や速度を犠牲にすれば、普通のPCかつ1人でも実装できてしまいます。その方法を書いていきます。 訂正：Googleが使ったではなく、正しくはライゾマティクスに使っていただいただとのことです。失礼いたしました2。タイトルも訂正いたしました。 元ネタ こちらのブログに詳しく書かれています。 Perfume とライゾマテ
ディープラーニングによる物体検出（「Faster RNN」「Yolo」「SSD」）に関して調べて実践してみた - karaage. [からあげ]
最新の物体検出情報（2022/1/1追記） この記事も、3年近く前の記事となり、最新の情報から比べると情報が古くなってしまいました。最新の状況に関しては以下記事がとても参考になります。 以下の記事も、過去の流れなどは参考になりますし、まだ使える部分も多くあると思いますので、よろしければ参考にしてみてください。 物体検出をやってみる前に検出と認識の違い これまで、ディープラーニングを使って画像の認識を何度かやってきました（以下参照）。 画像認識の次は、物体検出に手を出して見たいなということで、ディープラーニングを使った物体検出に関して調べて試してみることにしました。 そもそも、物体検出って何で、認識と何が違うのかというと、そもそも認識という言うと結構広い意味になってしまって、画像のそのものが何かを判別するのは画像分類というのが正しそうです。つまり、私がやった上記の例は基本的には画像分類となり
![ディープラーニングによる物体検出（「Faster RNN」「Yolo」「SSD」）に関して調べて実践してみた - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/50686025a499a6ec97bea731df4e4876801925cd/height=288;version=1;width=512/https%3A%2F%2Fcdn.image.st-hatena.com%2Fimage%2Fscale%2F0d72788379e44b736c2caca88a8db592125f88a2%2Fbackend%3Dimagemagick%3Bheight%3D1300%3Bversion%3D1%3Bwidth%3D1300%2Fhttps%253A%252F%252Fcdn-ak.f.st-hatena.com%252Fimages%252Ffotolife%252Fk%252Fkaraage%252F20180321%252F20180321230444.jpg)
KAISTなど、スマートフォンカメラからの撮影で現実の3D物体のSVBRDFを取得し再構築する手法を発表
KAISTなど、スマートフォンカメラからの撮影で現実の3D物体のSVBRDFを取得し再構築する手法を発表 2018-11-05 KAISTとI3Aの研究者らは、フラッシュを内蔵した既製の単一のカメラで、現実の3DオブジェクトからSVBRDF情報を取得する手法を発表しました。 論文：Practical SVBRDF Acquisition of 3D Objects with Unstructured Flash Photography 著者：GILJOO NAM, JOO HO LEE, DIEGO GUTIERREZ, MIN H. KIM a:画像取得。b~e:再構築の出力結果 本論文は、単一のハンドヘルドカメラ（既製品のスマートフォンやDSLRカメラなど）で撮影したフラッシュ写真から、3Dオブジェクトの空間的に変化するBRDFを取り込む方法を提案します。 入力には、ジオメトリなどは必
Deep Learning | Udacity
Dive into deep learning with this practical course on TensorFlow and the Keras API. Gain an intuitive understanding of neural networks without the dense jargon. Learn to build, train, and optimize your own networks using TensorFlow. The course also introduces transfer learning, leveraging pre-trained models for enhanced performance. Designed for swift proficiency, this course prioritizes hands-on
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
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
TechCrunch
最近のSingle Shot系の物体検出のアーキテクチャまとめ
ClassCat® AI Research – 生成 AI – FLUX.1, SD3.5, SDXL, OpenAI API, Gemini API