実際問題、Few-Shot学習手法SetFitはいつ使うとよいのか？ - Qiita
概要 少量の学習データ（Few-Shot）でも精度が出る深層学習手法が登場してきています。 その一つがSetFitです。テキスト分類向けのFew-Shot学習手法です。 本記事では、SetFitを使うとよい（使わない方がよい）場面を見極めるために、リアルな問題に近い日本語ニュースジャンル分類タスクをお題に、学習データ数を変えながらそこそこ強い日本語T5と戦わせてみます。 忙しい方向けに最初に結論をまとめ、その後にSetFitの使い方の説明を兼ねて実験を再現するためのコードの解説をしていきます。 結論 Livedoor news記事のジャンル分類タスク（9分類タスク）について、クラスあたりのデータ数を2倍ずつ変えながら、SetFitと日本語T5それぞれについて分類精度を計測しました。 結果は下図のとおりです。 なお、クラスあたりのデータ数は全クラスで同一（均衡）になるようにランダムサンプリン
【異常検知】たった30分で画像の異常検知モデルの作成と性能検証ができた話＆手順を解説！【外観検査AI】 - Qiita
驚くべき結果でした！ かなり学習データ数を少なくしたのに、ほぼ100%の正解率。 しかも、こんなに 学習時間が短い（20秒～10分！） とは！ ADFIの得意・不得意や限界を知るためにも、次回の記事では、もっと難しいデータセットで検証してみたいと思います！ ADFIを使ってみる！（手順解説） ADFIの画面は英語表記なので、ちょっと心理的ハードルが高いですが、誰でも異常検知モデルを作成できるように手順を解説します。 大まかな流れ アカウント作成＆ログイン プロジェクト作成＆データセット作成 画像アップロード 検査対象範囲を設定 異常検知モデル作成 閾値の設定 テスト＆性能検証結果の確認 1. アカウント作成＆ログイン ①ADFIのWEBサイト（ https://adfi.jp/ )の右上の「Sign In/Sign Up」を押す。 ②「Create a new account」を押す。 ③
GitHub - apple/ml-gaudi
We introduce GAUDI, a generative model that captures the distribution of 3D scenes parametrized as radiance fields. We decompose generative model in two steps: (i) Optimizing a latent representation of 3D radiance fields and corresponding camera poses. (ii) Learning a powerful score based generative model on latent space. GAUDI obtains state-of-the-art performance accross multiple datasets for unc
「年輪が4つしかない」5年で15mに！あっという間に伸びる木が地球温暖化防止の救世主に【SDGs】 | TBS NEWS DIG
地球温暖化の原因となる二酸化炭素を減らそうと、ある木を育てる実験が静岡県御前崎市で行われています。あっという間に成長するという特徴を生かし、地球温暖化対策はもちろん、高級木材の確保という一石二鳥の効…
Extracting Triangular 3D Models, Materials, and Lighting From Images
We learn topology, materials, and environment map lighting jointly from 2D supervision. We directly optimize topology of a triangle mesh, learn materials through volumetric texturing, and leverage differentiable split sum environment lighting. Our output representation is a triangle mesh with spatially varying 2D textures and a high dynamic range environment map, which can be used unmodified in st
GET3D: A Generative Model of High Quality 3D Textured Shapes Learned from Images
We generate a 3D SDF and a texture field via two latent codes. We utilize DMTet to extract a 3D surface mesh from the SDF, and query the texture field at surface points to get colors. We train with adversarial losses defined on 2D images. In particular, we use a rasterization-based differentiable renderer to obtain RGB images and silhouettes. We utilize two 2D discriminators, each on RGB image, an
【メタサーベイ】基盤モデル / Foundation Models
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。 http://xpaperchallenge.org/cv/Read less
Create parametric 3D room scans with RoomPlan - WWDC22 - Videos - Apple Developer
Streaming is available in most browsers, and in the WWDC app. RoomPlan can help your app quickly create simplified parametric 3D scans of a room. Learn how you can use this API to easily add a room scanning experience. We'll show you how to adopt this API, explore the 3D parametric output, and share best practices to help your app get great results with every scan. Resources Create a 3D model of a
Code Red: The Business Impact of Code Quality– A Quantitative Study of 39 Proprietary Production Codebases
Code Red: The Business Impact of Code Quality – A Quantitative Study of 39 Proprietary Production Codebases Adam Tornhill CodeScene Malmö, Sweden adam.tornhill@codescene.com Markus Borg RISE Research Institutes of Sweden Lund University Lund, Sweden markus.borg@ri.se ABSTRACT Code quality remains an abstract concept that fails to get traction at the business level. Consequently, software companies
【2022年最新AI論文】画像異常検知AIの世界最先端手法「PatchCore」の論文を解説【CVPR 2022】 - Qiita
本日(2022/6/19)からアメリカのニューオーリンズで開催されているCVPR2022（2022/6/19-24）で、世界最先端の異常検知手法「PatchCore」が発表されました！ CVPRはコンピュータビジョン分野のトップカンファレンスで、画像系AI研究の最難関の国際会議の一つです。ちなみに、昨年（CVPR2021）の採択率は23％。 PatchCoreは、外観検査（画像の異常検知）タスクで有名なデータセット「MVTecAD」でSOTA（State-of-the-Art）を達成しています。 この記事では、世界最先端の画像異常検知AIがどのような手法なのか、できるかぎり簡単にわかりやすく論文を解説したいと思います。 論文解説 タイトル/著者 Towards Total Recall in Industrial Anomaly Detection Karsten Roth, Latha
【無料】データサイエンス入門:機械学習編全35回まとめと目次
こんにちは，米国データサイエンティストのかめ(@usdatascientist)です． (追記)動画版も公開しました！全38時間の3部作という超大作です 【日本一の高評価】機械学習超入門講座(前編&後編)を公開しました!! 【ついに3部完結】機械学習超入門講座の本番編を公開しました!! いやーついに長かったデータサイエンス入門機械学習編35回分の記事を書き終えました！！ 本記事はそのまとめです．目次として使ってください． 目次 線形回帰 第1回: 機械学習とは？なにをしているのか？ 第2回: 線形回帰の損失関数をわかりやすく解説 第3回: 最急降下法を図と数式で理解する(超重要) 第4回: 正規方程式を完全解説(導出あり) 第5回: scikit-learnを使って線形回帰モデルを構築する 第6回: 線形回帰の係数の解釈の仕方(p値) 評価 第7回: (超重要)過学習と汎化性能を理解する(
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
http://arxiv.org/pdf/2209.11055
GitHub - NirAharon/BoT-SORT: BoT-SORT: Robust Associations Multi-Pedestrian Tracking
D-ID Studio
Fair Ranking as Fair Division: Impact-Based Individual Fairness in Ranking (KDD2022)
https://twitter.com/333_hill/
山上徹也容疑者と思われるアカウントのツイート集
Explore USD tools and rendering - WWDC22 - Videos - Apple Developer
GitHub - amusi/CVPR2024-Papers-with-Code: CVPR 2024 论文和开源项目合集
DALL·E 2 を早くも破る！超リアル画像生成モデル Imagen を解説
