画素あたり定数時間ガウシアンフィルタのサーベイ - wosugi blog
@sakanazensen君が主催する『Computer Vision Advent Calendar 2012』に自分も微力ながら参戦することにしました。テーマはCV分野でもよく用いられている『ガウシアンフィルタ』についてです。特に処理時間がスケールσに依存しない『（画素あたり）定数時間ガウシアンフィルタ』についてまとめます。これはスケールスペースを活用する手法（SIFT特徴点検出や顕著性マップなど）において役立つかと思われます。私はこのテーマについてここ一年取り組んできたのですが、その中でつかんだコツや実装後の感想などについて主観的にですが列挙してみます。参考文献も挙げますので、興味のある方はぜひトライしてみてください。 ちなみに画像処理では2次元フィルタリングについて考える必要がありますが、ガウシアンフィルタは可分(separable)である（N次元ガウシアンはN個の1次元ガウシアン
画像生成・生成モデル メタサーベイ
1. 画像生成・生成モデル メタサーベイ Unpaired Image-to-Image Translation: 清田浩史 Neural Radiance Field: 相澤宏旭 Object-oriented Representation Learning: 綱島秀樹, 古川遼 Domain Adaptation: 大川武彦 1 http://xpaperchallenge.org/cv 2. グループ紹介 cvpaper.challenge研究グループ「Generations」 画像生成・生成モデルに関連する研究を行うグループ ＜業績一覧＞ - Hiroaki Aizawa, Hirokatsu Kataoka, Yutaka Satoh, Kunihito Kato, "Viewpoint-agnostic Image Rendering," Winter Conference o
Transformer メタサーベイ
4. NLPからVision and Language、CVへ 4 論文が最初に発表された年月 2017 2018 2019 2020 2021 Transformer 出現 事前学習モデ ルの提案 マルチモーダル化 CVタスクへの 応用 2017/06 Transformer 2018/06 GPT-1 2018/10 BERT 2019/08 ViLBERT LXMERT VLBERT 2020/05 DETR 2020/10 ViT 2021/02 TimeSformer 1 Transformer の躍進 5. NLPからVision and Language、CVへ 5 最近はCV、Vision and Languageへの応用が激化 サーベイ論文も立て続けに登場 2020/12/23 A Survey on Visual Transformer (2020) https://a
ストリーム処理を支えるキューイングシステムの選び方
This document discusses messaging queues and platforms. It begins with an introduction to messaging queues and their core components. It then provides a table comparing 8 popular open source messaging platforms: Apache Kafka, ActiveMQ, RabbitMQ, NATS, NSQ, Redis, ZeroMQ, and Nanomsg. The document discusses using Apache Kafka for streaming and integration with Google Pub/Sub, Dataflow, and BigQuery
深層学習による自然言語処理の発展の歴史を振り返る！包括的なサーベイ論文の紹介！
3つの要点 ✔️ 深層学習による自然言語処理の発展を振り返る包括的なサーベイ論文の紹介 ✔️ 自然言語処理の主なタスクに対して、二回に分けてどのように深層学習が用いられているか紹介 ✔️ 特徴表現・アーキテクチャ・基礎的なタスク・テキスト分類・情報抽出・感情推定を紹介 Natural Language Processing Advancements By Deep Learning: A Survey written by Amirsina Torfi, Rouzbeh A. Shirvani, Yaser Keneshloo, Nader Tavvaf, Edward A. Fox (Submitted on 2 Mar 2020 (v1), last revised 4 Mar 2020 (this version, v2)) Comments: Published by arXiv
GANの発展の歴史を振り返る！GANの包括的なサーベイ論文の紹介(アルゴリズム編)
3つの要点 ✔️様々な分野で使用されている 「GAN」の包括的なサーベイ論文の紹介 ✔️アルゴリズム編では、「GAN」のアルゴリズムに焦点を絞って様々なアプローチを紹介 ✔️ この記事で「GAN」の最新動向までをキャッチアップ可能 A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications written by Jie Gui, Zhenan Sun, Yonggang Wen, Dacheng Tao, Jieping Ye (Submitted on 20 Jan 2020) subjects : Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG) はじめに 2014年に画像生成のためのア
生成モデルを中心としたAI創薬最前線 / Elix CBI 2019
AI創薬で利用される様々な生成モデルについてまとめています。CBI学会2019での講演スライドです。
三次元点群を取り扱うニューラルネットワークのサーベイ Ver. 2 / Point Cloud Deep Learning Survey Ver. 2
興味を持った点群深層学習の関連の論文についてまとめました．図などは各論文から引用しています．（最近は論文が多く，あまり網羅はできていません） 間違いなどあればご指摘頂けるとありがたいです． 論文リスト: https://docs.google.com/spreadsheets/d/1l4NTSE…
[DL輪読会]Flow-based Deep Generative Models
2. 発表内容について • フローベース生成モデルのまとめ – フローベース生成モデル：深層生成モデルのアプローチの一つ – 他の深層生成モデル（VAE，GAN）にはない利点を持っている（尤度が求められる，逆変換ができる， など） • 選定理由 – あまりフローベースをまとめている資料がなかったので – 最近フローの進歩が目覚ましいので – 先日の講義の資料が使い回せるので • 参考にしたページ・サイト – https://lilianweng.github.io/lil-log/2018/10/13/flow-based-deep-generative-models.html， Lilian Weng （正直このページ見れば充分） – https://blog.evjang.com/2018/01/nf1.html， Eric Jang（正規化フローのチュートリアル） – この2つのサイ
![[DL輪読会]Flow-based Deep Generative Models](https://cdn-ak-scissors.b.st-hatena.com/image/square/7afec40b8d5e3d2c1d0c946a9061332638f6024e/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2F20190307-190328024744-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
研究分野をサーベイする
お茶の水女子大学伊藤研究室ゼミ資料 関連資料として以下が参考になります https://note.com/sick4989hack/n/n928f78d3d33fRead less
畳み込みニューラルネットワークの最新研究動向 (〜2017) - Qiita
昨年に引き続きDeep Learningやっていき Advent Calendar 2017の25日目の滑り込み記事で，畳み込みニューラルネットワークの歴史および最新の研究動向についてのサーベイです．2017年12月のPRMU研究会にて発表した，畳み込みニューラルネットワークについてのサーベイをベースに追記を行ったものになります． はじめに 畳み込みニューラルネットワーク (Convolutional Neural Networks; CNN) （以降CNN）は，主に画像認識に利用されるニューラルネットワークの一種である．CNNの原型は，生物の脳の視覚野に関する神経生理学的な知見1を元に考案されたNeocognitron2に見ることができる．Neocognitronは，特徴抽出を行なう単純型細胞に対応する畳み込み層と，位置ずれを許容する働きを持つ複雑型細胞に対応するpooling層とを交互
深層強化学習の動向 / survey of deep reinforcement learning
全脳アーキテクチャ若手の会第28回勉強会 Keywords: DQN, 強化学習, Episodic Control, Curiosity-driven Exploration
2016年のディープラーニング論文100選 - Qiita
これはFujitsu Advent Calendar 2016の11日目の記事です。 掲載内容は個人の意見・見解であり、富士通グループを代表するものではありません。なお、内容の正確性には注意を払っていますが無保証です。 はじめに この記事では先月今年発表されたディープラーニング論文（ArXivでの発表時期、発表された国際会議が2016年開催またはジャーナル掲載が2016年のもの）から私が個人的に重要だと思った論文を収集しています。また、2015年末ごろの論文も重要なものは採用しています。 以下の投稿も合わせてご覧ください。 2017年のディープラーニング論文100選 DeepLearning研究 2016年のまとめ 2016年の深層学習を用いた画像認識モデル foobarNet: ディープラーニング関連の○○Netまとめ NIPS2016実装集 ディープラーニングにとっての2016年 20
ECCV 2016 速報
2. 概要 • CV分野の会議トップ3*と言われるECCV2016 – CVPR2016速報からの続編 – ECCV2016に参加した最近の気づきをまとめました – 前提としてCVPR2015の論文もしくはまとめ資料全てに目 を通した※ & CVPR2016参加 & ECCV2016参加 ※ cvpaper.challenge (http://www.slideshare.net/cvpaperchallenge)より – 速報性を重視したためメモ程度であることにご注意 * CVPR, ICCV, ECCV 3. まずはDeepの扱いについて – Deep Learningは複雑化・多様化の傾向 • Deep Learningが爆発的にヒットしてから久しい – ILSVRC2012のAlexNetから4年 – 解析が徐々に進んでいる？ • 構造は深い，コンパクト，ランダ
cvpaper.challenge -CVの動向とこれからの問題を作るために- (東京大学講演)
2016年9月26日に東京大学にて講演した内容です． cvpaper.challenge2016は産総研，東京電機大，筑波大学，東京大学，慶應義塾大学のメンバー約30名で構成されています． 2015年はCVPR2015の全602論文を読破し，PRMUにて論文調査からアイディア考案，論文化までをカバーする「DeepSurvey」を提案しました． 2016年は「1000本超の読破」と「コンピュータビジョンの上位会議への投稿」を目標に活動しております． Twitterで論文情報を随時アップしてます． Twitter： https://twitter.com/CVpaperChalleng 質問コメント等がありましたらメールまで． Mail ： cvpaper.challenge@gmail.com Read less
サーバーレスアーキテクチャという技術分野についての簡単な調査 - Qiita
BaaSの制約で実現しにくい要件があったときに、サーバーレスアーキテクチャという選択肢は魅力的に見えてくる。そこで今回は最も柔軟性が高いサーバーレスインフラストラクチャだと思われるAWS Lambdaを取り上げ、BaaSの代わりになりうるか検討する。 AWS LambdaのファンクションはJava 8で書ける。ということはGroovyでも書ける。ドメインクラスをJava/Groovyで書いてLambdaファンクションのなかで利用することができれば、サーバーレスアーキテクチャでも本格的なアプリケーションを開発できそうだ。 今後のアプリケーションインフラストラクチャ選択において、従来型のアプリケーションサーバーと、近年普及してきたBaaSに加え、サーバーレスインフラストラクチャという選択肢も増えるとすれば有意義だ。 非常駐型のデメリット 歴史的にはCGI/PHPのようなイベント駆動型のアプリケ
NoSQLデータベース：調査と決定のガイダンス（その3） | POSTD
追記専用 ストレージ(ログ構造化ストレージとも呼ばれます)は、順次書き込みをすることでスループットの最大化を実現しようとします。ログ構造化ファイルシステムの研究の歴史は長いものの、追記専用入出力がデータベースに関して普及したのは、BigtableでLSM（Log-Structured Merge）ツリーが使用されたからです。このLSMツリーは、インメモリキャッシュ、ハードディスク保存ログ、不揮発性メモリおよび定期的に書き込みされるストレージファイルで構成されています。LSMツリーや変種のSAM（Sorted Array Merge）ツリー、COLA（Cache-Oblivious Look-ahead Arrays）は多くのNoSQLシステムに導入されています（Cassandra, CouchDB, LevelDB, Bitcask, RethinkDB, WiredTiger, Rock
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
IEICE Trans - 物体認識のための畳み込みニューラルネットワークの研究動向
[DL輪読会]Deep Learning for Anomaly Detection: A Survey![[DL輪読会]Deep Learning for Anomaly Detection: A Survey](https://cdn-ak-scissors.b.st-hatena.com/image/square/478b3710d8160afd739fc0999bb33a800773d20c/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Fdeeplearningforanomalydetectionasurvey-190212051246-thumbnail-4.jpg%3Fcb%3D1549948416)
Deep Learningライブラリ 色々つかってみた感想まとめ
