ohnabeのブックマーク - はてなブックマーク

[Survey]Hypercolumns for Object Segmentation and Fine-grained Localization - Qiita

[Survey]Hypercolumns for Object Segmentation and Fine-grained LocalizationDeepLearning 認識処理などに使われるCNNの最終Layerの出力は、位置精度が必要なAlgorithmにとっては粗すぎるし、かといって最初のLayerは位置精度はいいけど、Semanticな情報がない。なのでPyramid Imageみたいに、CNNの各Layerの同じ位置の出力をまとめて一つのFeature(Hypercolumn)として使うというのが大まかな内容です。その時に各Layerの出力サイズが異なるので、入力サイズと合わせるように拡大します。この論文ではHypercolumnとしてまとめるLayerは全Layerではなく、適当な層を選んでいます。論文中では、fc7とconv4とpool2を使うと書いてあったのですが、

ohnabe 2017/12/13

リンク

[Survey]Depth Map Prediction from a Single Image using a Multi-Scale Deep Network - Qiita

[Survey]Depth Map Prediction from a Single Image using a Multi-Scale Deep NetworkDeepLearning Single ImageからDepth Mapを推定するという論文この後更に改良したバージョンの論文が出ています。 Depth Estimationはシーンの幾何学的な理解のために重要です。Stereo ImageからのDepth Estimationに比べてSingle ImageからのDepth Estimationは少ないです。Single ImageからのDepth Estimationでは、Depthの手がかりとなる、line angle, perspective, object size, image position, atmospheric effectを使う必要があります。Global

ohnabe 2017/12/13

リンク

[Survey]Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture - Qiita

[Survey]Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional ArchitectureDeepLearning この論文は、depth estimation, surface normal estimation, semantic labelingの３つの問題を一つのmultiscale convolutional networkで扱うという論文です。この論文自体は、これの前の論文"Depth Map Prediction from a Single Image using a Multi-Scale Deep Network"を拡張したものになっています。 Surface normal estimationは、物体の表面の法線方向を推定する問題で

ohnabe 2017/12/12

リンク

[Python]PythonでOpenCVを使う (基本編) - Qiita

インストール(Anaconda) Anacondaで２０１６年２月現在最新のOpenCV3.1をインストールするには、下記のサイトから取ってくるようにする。

ohnabe 2017/10/11

画像処理

リンク

[Survey]Deep Residual Learning for Image Recognition - Qiita

Deep Residual Learning for Image Recognition Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun ImageNetのCompetitionで１位になったMSRAの論文・network層をdeepにすることは性能向上に欠かせない。・しかし、Deepにすると性能が向上せずに悪くなることが知られている。（下のグラフ）・これらはOverfittingによるものではなく、勾配が０になったり、発散したりするため。これを解決しようというのがこの論文の趣旨 Residual Network 普通のNetwork $H(x)$が所望するmapping(求めたい変換） 2 weight layerをH(x)になるように学習する Residual Network ・$x$をshortcutして足し合わせると$H(

ohnabe 2017/08/18

リンク

はてなブックマーク

タグ

ブックマーク / qiita.com/supersaiakujin (5)

お知らせ

今週のはてなブックマーク数ランキング（2024年8月第1週）

月間はてなブックマーク数ランキング（2024年7月）

今週のはてなブックマーク数ランキング（2024年7月第4週）

公式Twitter

キーボードショートカット一覧

はてなブックマーク

公式Twitter

はてなのサービス