でぃーぷらーにんぐのフレームワークを使う特訓用の問題集でもあって、チートシートでもあるものをつくってみました https://github.com/yoyoyo-yo/DeepLearningMugenKnock ディープラーニングの論文とかを理解するための特訓集です。自分の手で実装することを目標にしてます。 あくまで趣味ベースで作ったものなので、プルリクエストは受け付けてますが依頼などは一切受け付けません そこをご理解頂けた方のみご利用下さい ★追記 2019.11.7 Study-AI株式会社様　http://kentei.ai/ のAI実装検定のシラバスに使用していただくことになりました！(画像処理１００本ノックも） Study-AI株式会社様ではAIスキルを学ぶためのコンテンツを作成されており、AIを学ぶ上でとても参考になります！ 検定も実施されてるので、興味ある方はぜひ受けること

画像のセグメンテーションとは，画像から注目している領域を切り取る ということです．例えば，細胞の画像が与えられたとき，その画像から細胞部分と背景部分とを区別することは，非常に重要です． 一見，二値化すれば終わりのように思いますが，画像処理の分野では，画像にノイズが含まれる場合を考慮する必要があり，簡単にはいきません． ここで力を発揮するのが，画像のセグメンテーションです． 画像のセグメンテーションには，いくつか手法があります． Snakes Level set 法 Deep Learning に基づく方法 ここではその中でも，Level set 法と呼ばれる方法を紹介したいと思います． Level set 法とは，Osher やSethean によって開発された，セグメンテーションの枠組みです．この枠組みでは，領域の内部，外部をLevel set 関数と呼ばれる陰関数$\phi$の符号によ

Robin Marx is a Web Performance PhD candidate at Hasselt University, Belgium. He is mainly looking into HTTP/2 and QUIC performance, and maintains the TypeScript QUIC implementation Quicker. In a previous life he was a multiplayer game programmer and co-founder of LuGus Studios. YouTube videos of Robin are either humoristic technical talks or him hitting other people with longswords. QUIC and HTTP

今参加中のKaggleのコンペティションでは衛星が取得した画像から船を検知するもの。 コンペティションのリンクはこちら ここのコンペティションで使われているモデルとして最有力候補なのがUNetと呼ばれるもの。 具体的にどんな場面で使われているのか、どんなネットワーク構造を持っているのかがよく分からなかったので調べてみることに。 U-Netとは そもそもは医療用の画像検知のために使われたのが最初らしい。 細胞のセグメンテーションとかやってるっぽい。 2015年のISBIでの細胞検知チャレンジでかなり良い成績を残した。 こんなことができる。 学習時間が短く(10時間ほど)、実用場面でもGPUを使うなら1秒程度でできるというのも特徴。 以下のサイトの動画で成果をわかりやすくまとめているのでみてみると凄さがわかると思う。 U-Net: Convolutional Networks for Biom

今回は，University of Freiburg, Germany の Thomas Brox が主宰する研究室で考案された U-Net と呼ばれるネットワークを紹介します． この U-Net は，画像のセグメンテーションに特化していて，2015年の ISBI では「the Dental X-Ray Image Segmentation Challenge」と「the Cell Tracking Challenge」の2部門で優勝しています(https://bit.ly/2Qu2CVz)． U-Net は，全層畳み込みネットワーク (Fully Convolution Network，以下 FCN) の 1 種類です．U-Net が一般的な FCN と異なる点として，畳み込まれた画像を decode する際に，encode で使った情報を活用している点が挙げられます．具体的には，図中の

Kerasの練習がてらU-net構造のモデルで、画像セグメンテーションをしてみた。 画像セグメンテーションと言っても、物体の位置を白に塗り、それ以外を黒にするという2値のみのものです。 今回の物体は、猫が好きなので、猫にしました。 環境 Windows10 GeForce GTX 1080 ti Python Keras CUDA 9.0 Inputs こんな感じの猫がいる画像(60(学習用)+20(評価用))を準備 サイズは、128*128にした。 ただし、入力時は、GrayScale化し、1Channelにして扱った。 Teachers こんな感じに、猫がいるところ(猫の範囲)を白にした画像を準備 サイズは、Inputsに同じく128*128。 DVD見ながら自分でアノテーション。 画像処理でうまくエッジが出せなかったので、ペイントツールで、猫の外枠を明らかに違う色で描いてから、エッジ

インターンで画像の分類をしているのですが、最近はFCNのようなセグメンテーションをタスクに使っているので代表的な手法をいくつかまとめようと思います。 Fully Convolutional Networks for Semantic Segmentation AlexNetやVGGの全結合層をConvolution層に置き換えることで画像をピクセル単位で推定する(Semantic Segmentationする)手法を提案しました。非常に読み応えのある論文で、今までに10回くらい読んでいますが新しい発見が毎回あります。 ポイントはいくつがあるので、一つ一つまとめていきます この論文の手法の最も重要な提案手法は、CNNの最後の全結合層をConvolutionに置き換えるということです。例えば、AlexNetのConv5の次の全結合層は6x6のConvolution層と見なすことができます。この

皆様はコンピュータビジョンという用語をご存知でしょうか。例えばデジタルカメラに搭載されている顔画像認識や、Google Street Viewの360度パノラマ表示、XBox360のKinectによるプレイヤーのジェスチャー認識など、これらは全てコンピュータビジョンの技術による製品です。

今回は、前回の基本概念をふまえて、Cannyエッジ検出器の3段階の処理について順番にみていきたいと思います。 処理1:入力画像のDoG画像(Difference of Gaussian)を生成 まずは入力画像にガウシアンフィルタを適用して、平滑化を行った画像を作成します。平滑化する理由は、ノイズが多い元の入力画像のまま微分画像を作成すると、ノイズの影響でエッジ部分だけうまく残すことができないからです。 そこで、ガウシアンフィルタなどでまず滑らかな画像を作成すると、上図の右側3つ目のグラフのように、エッジ付近の領域の画素の値が、(1)「平坦なところのノイズがなくなる」、(2)「元画像で急激な変化であった境界付近が、なだらかな変化になる」という2つのメリットが生まれます。この平滑化が終わった画像を微分すると、なだらかになった境界付近のみに綺麗にピークが立つので、そのピークが立った場所のみをそれ

情報科学科の卒業生やプログラマの中には、UberやNetflixのような新興企業や、 Amazon 、 Microsoft 、 Google のような大企業や、InfosysやLuxsoftのようなサービスを基本とする企業で、プログラミング、コーディング、ソフトウェア開発の仕事に就きたいと考える人が大勢います。しかし、実際にそういった企業で面接を受ける場合、大半の人が プログラミングに関してどのような質問をされるか 見当もつきません。 この記事では、 新卒生からプログラマになって1〜2年までの 経験値が異なる人たち向けに、それぞれの プログラミングの面接でよく聞かれる質問 をいくつか紹介していきます。 コーディングの面接では、主に データ構造とアルゴリズムに基づいた質問 がされますが、 一時変数を使わずにどのように2つの整数をスワップするのか 、というような論理的な質問もされるでしょう。

コンテナ技術入門 - 仮想化との違いを知り、要素技術を触って学ぼう コンテナ技術を適切に活用するには、コンテナが「どうやって」動いているかを学びたいところ。はてなのエンジニアhayajo_77さんがコンテナの要素技術の勘所を解説します。 こんにちは。株式会社はてなでサーバー監視サービス「Mackerel」のSREを務めるhayajo_77（ @hayajo ）です。 さて、コンテナ技術はDockerの登場がきっかけとなり、本格的に活用が始まりました。現在はKubernetesを始めとするコンテナオーケストレーションツールや AWS, GCP, Azure などのクラウドサービスで提供されるコンテナマネジメントサービスを採用したサービス運用事例が数多く紹介されており、コンテナ技術は「理解する」フェイズから「利用する」フェイズに移ってきています。 コンテナそのものは上記のツールやサービスにより

本書は、機械学習モデルの性能を向上させるために、データから良い特徴量を作る特徴量エンジニアリングについて解説します。 前半では初学者に向けて、数値、テキスト、カテゴリ変数の基本的な取り扱い方を説明し、後半では特徴量ハッシング、ビンカウンティング、PCAによるデータの圧縮、さらに非線形特徴量とモデルスタッキング、画像特徴量抽出と深層学習による自動特徴学習などの高度なテーマを扱います。 特徴量エンジニアリングの原理について直感的な理解が得られるように図や例を豊富に使い、またPythonコードによる実行例を数多くあげて解説しており、実際の業務に適用するための具体的な知識が得られます。 特徴量エンジニアリングを使いこなし、機械学習モデルの性能を最大限に引き出したいエンジニア必携の一冊です。Kaggle GrandmasterのKohei Ozaki（@smly）氏による「日本語版に寄せて」を収録し

日本国内でもメジャーだったりマイナーだったり サンフランシスコで20年働いてます FacebookSNSの定番はやはりコレ Delete Facebook運動で炎上してもFacebook Messengerを含めてデファクトスタンダードの地位はなかなか陥落しない TwitterTwitterが流行しているのは日本だけではない Twitter黎明期ではAPIの自由度が高く、TwitterはそんなAPIを利用するIT系エンジニアと協力して育ってきたという歴史がある そのため今でもIT系エンジニアが利用している傾向にあり、海外のIT系エンジニアを講演などへ招待する際Twitterを経由するのがデファクトスタンダード ただし近年のTwitterの動きによりDelete TwitterしてしまったためコアなIT系エンジニアとは連絡付かないことがある こういう人はGNU SocialかMastodon

今回は高速化手段の一つとして注目されているHTTP/2に関して、主な特徴HTTP/1.1との違いなどを紹介したいと思います。HTTP/2はHTTP/1.1と比べ様々な最適化がされています。 HTTP/2とはSPDYというプロトコルをご存じでしょうか。SPDYは2009年頃米GoogleによるWeb高速化の取り組みの一環から誕生しました。SPDYは従来から利用されているHTTPと互換性を保ちながらセッション層を効率化するプロトコルで、既にTwitterやFacebook、一部大手サイトなどが取り入れるようになりました。 HTTP/2はこのSPDYの進化版という位置づけで２０１５年５月にIETF（Internet Engineering Task Force）によって仕様の策定が進められ、RFC化を果たしました。そのためHTTP/2は従来のHTTPと互換性を保ちながら内部的な効率化がされていま

Cmaj7のハイコードを含めた３つの押さえ方を掲載しています。指板上のポジションや構成音（音源あり）、類似するコード、ピアノでの押さえ方も調べられます。