Learning to Extract Semantic Structure from Documents Using Multimodal Fully Convolutional Neural Network
We present an end-to-end, multimodal, fully convolutional network for extracting semantic structures from document images. We consider document semantic structure extraction as a pixel-wise segmentation task, and propose a unified model that classifies pixels based not only on their visual appearance, as in the traditional page segmentation task, but also on the content of underlying text. Moreove
NIMA: Neural Image Assessment
Automatically learned quality assessment for images has recently become a hot topic due to its usefulness in a wide variety of applications such as evaluating image capture pipelines, storage techniques and sharing media. Despite the subjective nature of this problem, most existing methods only predict the mean opinion score provided by datasets such as AVA [1] and TID2013 [2]. Our approach differ
Hyperparameters Optimization in Deep Convolutional Neural Network / Bayesian Approach with Gaussian Process Prior
Convolutional Neural Network is known as ConvNet have been extensively used in many complex machine learning tasks. However, hyperparameters optimization is one of a crucial step in developing ConvNet architectures, since the accuracy and performance are reliant on the hyperparameters. This multilayered architecture parameterized by a set of hyperparameters such as the number of convolutional laye
【Deep Learning】骨格検出システム『VisionPose』を開発中
『VisionPose』とは、AI（人工知能）を使用した、人間の骨格を検出するシステムです。 WEBカメラのみで人間の骨格を検出することが可能なため、 手軽に様々な開発に利用できそうですね。 また、VisionPoseでは１回の処理で複数人まとめて骨格の検出が可能なため、人が増えても処理時間が一定です。 そのため類似製品よりも複数人の骨格検出が長けていることが特徴となっています。 また、今後の展望といたしましては、深度対応をしてSDKとしての提供を予定しております。 Kinectの販売中止もあり、今後さらに期待が高まる分野になるのではないでしょうか？ ※VisionPoseでは、OpenPoseのアルゴリズムは使用しておりません。 ■ブログ 【現在開発中】Kinectを使わない！WEBカメラとDeepLearningを使った骨格検出システム『VisionPose』とは？ htt
Udemy「Pythonで機械学習：scikit-learnで学ぶ識別入門」はAI学習の決定版 : 新規事業のつくり方
ここ数年間、AI開発の良質な学習コンテンツが増えました。 インターネットに、良質な解説記事が増えました。特にディープラーニングの解説記事周辺は、これでもかというくらい分かりやすく解説されています。 書籍では、松尾先生の「人工知能は人間を超えるか」を皮切りに、「python 機械学習プログラミング」と「ゼロから作るDeep Learning」が出版され、CONNPASS周辺で多くの勉強会が開催されました。 また、事前知識ゼロでも機械学習を学べる「pythonではじめる機械学習」が出版され、機械学習のハードルが大きく下がりました。これらの良質な書籍は、機械学習ブームの影の立役者でしょう。 そしてまた、機械学習を学ぶ上で最高の教材が発表されました。Udemyの「Pythonで機械学習：scikit-learnで学ぶ識別入門」です。 AIエンジニアが教えるゼロから機械学習の勉強法 機械学習の集合研
大野峻典 on Twitter: "何かヤバそうなものが出ていますね... 単一の画像から人の3D復元するモデルの提案. 復元した3Dモデルに対して, 敵対的に訓練するDiscriminatorを用意し, real/fakeを判断しながら学習することで, 2D⇢3D… https://t.co/MU3tli2txj"
何かヤバそうなものが出ていますね... 単一の画像から人の3D復元するモデルの提案. 復元した3Dモデルに対して, 敵対的に訓練するDiscriminatorを用意し, real/fakeを判断しながら学習することで, 2D⇢3D… https://t.co/MU3tli2txj
AIで強化されたハイエンドスマホ 「HUAWEI Mate 10 Pro」のカメラを試す！ (1/3)
国内のSIMフリースマホ市場をリードする、ファーウェイの魅力的な製品を詳しく紹介している「ファーウェイ通信」。今回は話題のハイエンドモデル「HUAWEI Mate 10 Pro」のカメラ性能を詳しく見ていく。あわせて、同時発表されたSIMフリースマホ「HUAWEI Mate 10 lite」についても紹介する。 ハイエンドSIMフリー機「HUAWEI Mate 10 Pro」 CPUにディスプレー、バッテリーと、スペックはすべて最強クラス ファーウェイの最新ハイエンドSIMフリースマホ「HUAWEI Mate 10 Pro」が今月初頭に発売された。発売直後に量販店で品薄になるなど人気を集めている。同機の注目機能のうち、今回はさらに進化したLeicaダブルレンズカメラを中心にレビューしていくが、まず最初にスペックとデザインについてあらためて紹介しておこう。 スペック面で必ず注目すべき部分は、
Chainerの実験に対してログを可視化したり外部制御するExtension＆WebアプリをPFNで作った - Qiita
PFNで製品開発を担当している三好です。 Chainer Advent Calender 2017の20日目の記事をお送りいたします。 この度、Chainer上の実験中の学習ログの可視化や実験管理機能を追加するパッケージ、ChainerUIを公開しました。 Chainerの可視化・実験管理を支援するChainerUIを公開 - Preferred Research We have released ChainerUI, a training visualizer and manager for Chainer - Preferred Research English 学習用TrainerのLogReport extensionを用いたスクリプトをお持ちであれば、すぐにloss/accuracyのリアルタイム監視が可能になります。 これが何かを言葉で説明するよりスクリーンショットを見ていただ
[サーベイ論文] 畳み込みニューラルネットワークの研究動向
17 Dec 2017 国内会議 [サーベイ論文] 畳み込みニューラルネットワークの研究動向 Author 内田祐介, 山下隆義 Publication パターン認識・メディア理解研究会, 2017 Download: PDF (Japanese) 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
![[サーベイ論文] 畳み込みニューラルネットワークの研究動向](https://cdn-ak-scissors.b.st-hatena.com/image/square/c73fa4686045c57a8cee3363e082ee4347103a5f/height=288;version=1;width=512/http%3A%2F%2Fvision.cs.chubu.ac.jp%2Fwp%2Fwp-content%2Fthemes%2Fflab%2Fimg%2FOGP.png)
Google、任意の画像が技術的に審美的に美しいかを評価し1-10（10が最高得点）で採点するCNNベースの画像評価モデル「NIMA」を提案した論文を発表
Google、任意の画像が技術的に審美的に美しいかを評価し1-10（10が最高得点）で採点するCNNベースの画像評価モデル「NIMA」を提案した論文を発表 2017-12-19 Googleは、画像に対して技術面と審美面の両方で訓練できるCNN（Convolutional Neural Network）ベースの画像評価モデル「NIMA（Neural Image Assessment）」を論文にて発表しました。 NIMA：Neural Image Assessment 本稿では、任意の画像に対して1から10（10が最高得点）の程度で評価の分布を生成し、スコアのそれぞれに尤度を割り当てるアプローチを提案します。 ユーザが技術的（ピクセルレベルの技術品質）に美しく、または審美的（美の本質）に美しく見えるような画像を予測するために訓練されたdeep CNNが紹介されます。 実験では、AVAなどの大
Deep Learning なアプリケーションの評価にクラウドソーシングを利用する - Qiita
@keithseahus です。 この記事は NTTコミュニケーションズ Advent Calendar 2017 の8日目です。 皆さん Deep Learning を駆使してコンテンツを生成するようなアプリケーションをチョロっと開発したりしていると思いますが、その精度を客観的に評価する手段について、あれこれ考えることはよくあるのではないでしょうか。 今回は、その一つとして クラウドソーシング を利用した手法をご紹介します。利用したサービスは Amazon Mechanical Turk で、本稿を一通り読むと、その一連の流れやポイントなどが掴めるようになるでしょう。 今回解決する課題 いわゆる"AI"にコンテンツを生成させるアプリケーションについて、その生成物の評価を客観的に行う。今回の開発物については「人がどう感じるか」が重要であるため、関数によって誤差を評価するよりも、人の"感覚"
Release Chainer Chemistry: A library for Deep Learning in Biology and Chemistry - Preferred Networks Research & Development
* Japanese blog is also written here. We released Chainer Chemistry, a Chainer [1] extension to train and run neural networks for tasks in biology and chemistry. Github page: https://github.com/pfnet-research/chainer-chemistry Documentation: https://chainer-chemistry.readthedocs.io The library helps you to easily apply deep learning on molecular structures. For example, you can apply machine learn
Neural Text Generation: A Practical Guide
Deep learning methods have recently achieved great empirical success on machine translation, dialogue response generation, summarization, and other text generation tasks. At a high level, the technique has been to train end-to-end neural network models consisting of an encoder model to produce a hidden representation of the source text, followed by a decoder model to generate the target. While suc
TopoSketch Web App
Abstract We introduce a new sketch based interface for generating animations. Unlike traditional digital tools, ours is parameterized entirely by a neural network with no preprogrammed rules or knowledge representations. The capability of our sketching tool to support visual exploration and communication is demonstrated within the context of facial images, though our framework is domain independen
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
物理サーバを選定する際のポイント – Eureka Engineering – Medium
GitHub - ybayle/awesome-deep-learning-music: List of articles related to deep learning applied to music
Deep Learning (日本語翻訳版）公開 | Deep Learning JP
Mate 10 Pro レビュー！LEICAダブルレンズにAIプロセッサ、DSDV搭載の最強モデル！
Regularization and Optimization strategies in Deep Convolutional Neural Network
http://metalearning.ml/papers/metalearn17_furlanello.pdf