[論文紹介] Pixel-Level Domain Transfer - Qiita
概要 生成モデルを用いて画像ドメインのtransferを行う。 ファッションの分野において、あるアイテムの商品画像とそれをモデルさんが着た画像は大きく異なる問題に注目する（pixel level domain transfer probrem） 提案手法では、GANを用いてモデル画像から商品画像を生成している 貢献 pixel levelでsource domainからtarget domainへの意味的な転写を行っている domainの関係を学習するdiscriminatorを提案する ファッション画像のでかいデータセットに適用している（<-実はそんなにでかくない アプローチ 3種類のネットワーク｛Converter， Real/Fake Discriminator， Domain Discriminator｝を学習させる Discriminatorの学習には生成画像、本物の画像（pos
![[論文紹介] Pixel-Level Domain Transfer - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/d1670aedbb5ced635d63063c179319a6fd6ac56b/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JTVCJUU4JUFCJTk2JUU2JTk2JTg3JUU3JUI0JUI5JUU0JUJCJThCJTVEJTIwUGl4ZWwtTGV2ZWwlMjBEb21haW4lMjBUcmFuc2ZlciZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9YjdjNzU0ODI2ZjgwOGFkYTU1N2RiNjU5ZTNhYjdiYjA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB0bjEwMzEmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT0zNiZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPTYwYjlkMTRjNjg1N2Q3ZjIyN2JiZGE1MDg5NGU2YzVk%26blend-x%3D142%26blend-y%3D436%26blend-mode%3Dnormal%26txt64%3DaW4g5qCq5byP5Lya56S-Wk9aTw%26txt-width%3D770%26txt-clip%3Dend%252Cellipsis%26txt-color%3D%2523212121%26txt-font%3DHiragino%2520Sans%2520W6%26txt-size%3D36%26txt-x%3D156%26txt-y%3D536%26s%3D7b39290d6405d804ce950cc961afc11e)
次元の呪いについて - Qiita
この記事について 以下の観点から高次元空間の性質についてまとめます。 次元数と最近傍・最遠傍との距離の関係 データ数と最近傍・最遠傍との距離の関係 人工データと実データの比較 はじめに 機械学習を使って何らかのタスクを解く上で、データの次元数は常に気にする必要があります。なぜなら、機械学習で扱う多くの問題はデータの次元数が大きくなるごとに難易度が跳ね上がるからです。 「次元の呪い」とも呼ばれるこの問題の原因は、高次元空間の性質にあると言われています。 データの次元数を大きくすると、私達の直感に反する興味深い挙動が確認できます。今回は、高次元空間の性質を簡単な数値実験で調べてみました。 次元の呪いとは データの次元数が高次元になると、データが空間の外側に集中して分布する現象です。 高次元空間の直感的な理解のためには下記が参考になると思います。 次元の呪い、あるいは「サクサクメロンパン問題」
[論文紹介] PRISM: A System forWeighted Multi-Color Browsing of Fashion Products - Qiita
[論文紹介] PRISM: A System forWeighted Multi-Color Browsing of Fashion Products機械学習MachineLearning http://sglab.kaist.ac.kr/PRISM/prism_www14.pdf この記事のひとつ前に紹介したPixel-Level Domain Transferと同じ著者 概要 ファッションアイテムから色を抽出するという問題。簡単そうに見えて、やってみるとめっちゃむずい。 ファッションECサイトには色による絞込機能が実装されていることが多いが、大抵の場合単色でしか絞り込めない。 一方で実際のファッションアイテムは複数の色が使われていることが多く、単色だと不便。 提案手法では、アイテムの色を複数の色を重み付けで表現することで、色の混合をクエリとする検索機能を提供している。 貢献 複数の色の
![[論文紹介] PRISM: A System forWeighted Multi-Color Browsing of Fashion Products - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/af33b94575613e6d2c121f650433cd76796b76ab/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTVCJUU4JUFCJTk2JUU2JTk2JTg3JUU3JUI0JUI5JUU0JUJCJThCJTVEJTIwUFJJU00lM0ElMjBBJTIwU3lzdGVtJTIwZm9yV2VpZ2h0ZWQlMjBNdWx0aS1Db2xvciUyMEJyb3dzaW5nJTIwb2YlMjBGYXNoaW9uJTIwUHJvZHVjdHMmdHh0LWNvbG9yPSUyMzIxMjEyMSZ0eHQtZm9udD1IaXJhZ2lubyUyMFNhbnMlMjBXNiZ0eHQtc2l6ZT01NiZ0eHQtY2xpcD1lbGxpcHNpcyZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZzPWQzYmZkZjM0ZGRkNThlYWY1MjJkYjEwMDk0ZWI4NzE5%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwdG4xMDMxJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz0xOTBkZDFjNGYzZjI4OWEzMTYxMzEzZjhlNjM0OGRmYQ%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3Da62bfc774621f2eb15524152f1d1f593)
機械学習アルゴリズムのボトルネックをCythonで改善する話 - Qiita
この記事について Pythonを速くする方法について語ります プロファイリングによってCPUバウンドな処理のボトルネックを見つけます 見つけたボトルネックをCythonで改善します はじめに 先日Bayesian Personalized Ranking (BPR)というレコメンドアルゴリズムを実装しました。 こちらの論文の式を参考にコードを書いてみたのですが、実行してみたらちょっと遅すぎて使えなかったため、処理速度の改善に取り組みました。 その時に試したことを備忘録的にまとめます。 この記事で用いる手法とコード BPRはユーザ x アイテムの行列の行列分解を与えます。 ユーザ x アイテムの行列$X$を、ユーザ x ファクターの行列$U$とアイテム x ファクターの行列$V$に分解します。 この問題をどのように解くかはBPRの元論文をご覧ください。 この手法を以下のように実装しました。$
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
