低解像度ビデオもすぐに高解像度に変換できる超解像アルゴリズムTecoGANがすごい
3つの要点 ✔️ 低解像から高解像へ変換 ✔️ 時間的に一貫したフレームを生成するために双方向損失関数を採用 ✔️ 超解像度へ変換するTecoGANを提案 Learning Temporal Coherence via Self-Supervision for GAN-based Video Generation Temporally Coherent GANs for Video Super-Resolution (TecoGAN) written by Mengyu Chu, You Xie, Jonas Mayer, Laura Leal-Taixé, Nils Thuerey (Submitted on 23 Nov 2018 (v1), last revised 21 May 2020 (this version, v4)) Comments: Published by arXi
物体検知（Meta Study Group 発表資料）
2. 物体検知（Object Detection） 2 • 物体検知は物体ラベルと位置を同時回帰 Person Uma 物体2 物体識別：Uma（⾺） 位置（x,y,w,h）：118, 250, 89, 146 物体１ 物体識別：Person（⼈） 位置（x,y,w,h）：125, 15, 78, 162 画像はPascal VOC datasetより抜粋 • 物体識別はImageNet/Places365等と同様に与えられた画像 （この場合は切り抜かれたパッチ）から⽣成 • 位置は左上のx, y座標と幅w, ⾼hを返却（コードにより左上x1, y1 右下x2, y2を返却するので注意） 3. 物体検知の変遷（ʼ01〜ʼ19） 3 Haar-like [Viola+, CVPR01] + AdaBoost Fast R-CNN [Girshick, ICCV15] ROI Pooling,
NVIDIAが深層学習でX線写真の分析をサポートする医療用AIキット「Clara」を開発
by rawpixel.com 半導体メーカーのNVIDIAは最先端のGPUを開発しているという利点を生かし、AIやディープラーニングの分野にも積極的に進出しています。そんなNVIDIAは医療用AIの開発も行っており、画像診断等を行う放射線科医をサポートする医療用AIを含むツールキット「Clara」を開発しています。 NVIDIA CLARA Platform | NVIDIA Developer https://developer.nvidia.com/clara Clara AI Lets Every Radiologist Teach Their Own AI | NVIDIA Blog https://blogs.nvidia.com/blog/2019/03/18/clara-ai-gtc/?ncid=so-twi-gj-78508 Claraは放射線科医のために開発されたAIお
結構バズったので、AIによる自動着色の現状とその使い方についてまとめた～～人工知能技術の衝撃～～ - Togetter
自動着色ソフト（style2paints V4）が誰でも無料で使えるようになった。このソフトが生み出した様々な作品と、それを見た人々の反応をまとめました
Deep Image Prior
Example results on several image restoration problems. We use deep neural networks, but we never train/pretrain them using datasets. We use them as a structured image prior. Deep convolutional networks have become a popular tool for image generation and restoration. Generally, their excellent performance is imputed to their ability to learn realistic image priors from a large number of example ima
10万枚の胸部X線画像をCNNした - 驚異のアニヲタ社会復帰の予備
読んだ。 ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases. IEEE CVPR 2017 3万人の患者から10万枚程度の胸部X線画像を入手し、CNNによりAtelectasis, Cardiomegaly, Effusion, Infiltration, Mass, Nodule, Pneumonia, Pneumothorax, Normal の8つの病気と正常の区別を行う。 F値ベースだと0.8-0.9 くらい、ただしNodule やMass だと0.5 とかになる。 AUCベースだと0.7-0.8 くらい、これもMass だと0.56 でやる意味ある
前処理にディープラーニングを使う - にほんごのれんしゅう
前処理にディープラーニングを使う 目的 スクレイパーなどで集めた画像には、ターゲットとする画像以外必要ないケースが度々ある データセットづくりと呼ばれる画像からノイズ画像を取り除くスクリーニングの作業の簡略化の必要性 画像のスクリーニングを機械学習でやってしまおうという試みです 前処理そのものにディープラーニングを投入する 画像処理において、学習したい画像かどうかをスクリーニングすることは膨大なコストがかかるので、この作業自体を自動化したい 今回はスクレイパーでいい加減にあつめたグラビア女優の画像7万枚超えを、手動でスクリーニングするのは極めて困難なので、VGG16を転移学習させてフィルタを作っていきます 一枚10円で500枚のペア（positiveとnegative）のデータセットを知り合いのニートに作ってもらう ニートの作成したデータセットをもとに、転移学習させてフィルタを構築 システ
IEICE PRMU
電子情報通信学会総合大会 2017 企画セッション 「もっと知りたい！ Deep Learning ～基礎から活用まで～」 （パターン認識・メディア理解研究専門委員会） 概要 Deep Learningは自然言語処理や音声認識，画像認識等，パターン認識・理解分野を中心に，急速にその利活用が進み，益々注目を集めている．本セッションでは，多分野においてDeep Learningの応用をされている著名な研究者にご登壇頂き，Deep Learningとその多彩な応用事例を，実践の上で重要なノウハウや成功，失敗談などを交えて紹介して頂く予定である．また，応用先によっての適用方法の違いや共通点，今後のDeep Learningの発展可能性などについて議論する．以上により，Deep Learningのより深い理解を促し，Deepに研究に活用できるような情報を提供したい． Information 日時 2
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2016年12月)
cvpaper.challengeにて2017年4月にサーベイした論文のまとめです。 充分に進化したコンピュータ視覚（Computer Vision; CV）は人間に新しい知見をもたらす。cvpaper.challengeではCVが飛躍的に進んだ先に、人間に対して拡張した知能や技能を教示できる、と位置づけ論文読破・まとめ・アイディア考案・議論・実装・論文執筆（・社会実装）に至るまで広く取り組み、その過程で出てきたあらゆる知識を共有します。 2015〜2016年は1,600本以上の論文まとめを全て公開し、著名な国際会議のWSにおいて受賞を経験しました。2017年はさらにアウトプットにこだわり、突出した成果を出すことを目標とします。 SlideShareにて論文まとめや講演資料を公開し、Twitterでも情報を共有しております。 HP： https://sites.google.com/sit
取り急ぎpix2pixで遊んでみた(追記あり) - Qiita
概要 先日発表されたpix2pixが楽しそうだったので実際に動かしてみた。 対象を絞れば学習画像が500枚程度でもそれなりに動く。 結論：GANすごい。 はじめに pix2pixとは、ざっくりと言えば、2画像間に潜む画像変換をDNNで表現してしまおう！というものです。変換前後の画像さえ用意できれば大体どんな変換でも対応可能らしく、例えば以下のようなことが可能らしいです。 航空写真 → 地図画像 モノクロ画像 → カラー画像 線画 → カラー画像 (上記すべて逆も可能) 何やら万能っぽい雰囲気！素晴らしいことにコードが公開されている（torchだけど）！しかも自前画像でも簡単に試せそう！ ということで試してみました。 データ flickrから収集したラーメン画像(1,000枚)を使用。多少のゴミは無視で。公式のソースコードに合わせて、各画像を中心でクロップ＆リサイズしておき、学習画像と評価画
畳み込みニューラルネットワークの仕組み | POSTD
(編注：2016/11/17、記事を修正いたしました。) ディープラーニングの分野でテクノロジの進化が続いているということが話題になる場合、十中八九畳み込みニューラルネットワークが関係しています。畳み込みニューラルネットワークはCNN（Convolutional Neural Network）またはConvNetとも呼ばれ、ディープニューラルネットワークの分野の主力となっています。CNNは画像を複数のカテゴリに分類するよう学習しており、その分類能力は人間を上回ることもあります。大言壮語のうたい文句を実現している方法が本当にあるとすれば、それはCNNでしょう。 CNNの非常に大きな長所として、理解しやすいことが挙げられます。少なくとも幾つかの基本的な部分にブレークダウンして学べば、それを実感できるでしょう。というわけで、これから一通り説明します。また、画像処理についてこの記事よりも詳細に説明
Deep Learningの気持ちを理解する - Classification編 - Qiita
画像分野では今やDeep Learningによる解析が主流となりつつありますが、結果の解釈が難しいのが難点です。医療分野などでは特に、モデルの出力に対する説明力が強く求められるのではないでしょうか。今回は、そういった時に活用できる可視化手法を紹介します。 紹介する手法はOBJECT DETECTORS EMERGE IN DEEP SCENE CNNs, Zhou+, '14で提案されている方法です。 論文中でやっていること classificationモデルの学習（通常の学習） 1と同じ前処理を適用した画像を入力として、1で学習したモデルでclass毎の確率値を計算 2で使用した画像の一部の領域をマスクした画像を入力として、class毎の確率値を計算 3を5000個程度の領域で行い、値を取得 4の個々の出力値と2の出力値の差分をとる 任意の閾値を設定し、5の値が閾値を超えていない領域は0
逆畳み込みネットワークによる顔の生成 | POSTD
私の好きなディープラーニングの論文の1つが ディープラーニングにおける畳み込みネットワークを使ったイス、テーブル、車の生成 です。論旨はとても単純で、ネットワークに自分が描きたい物のパラメータを与えると、そのとおりにできあがるというものです。しかし、そこからは信じられないほど面白い結果が生じます。ネットワークに3D空間や自らが描く物体の構造についての概念を学習する能力があるようで、数値ではなく画像が生成されるので、ネットワークの”考え”方までもがよく分かる感じがします。 注釈: イスのモーフィング 少し前に Radboud表情データベース をたまたま見つけ、これと同じことが表情の生成や補間に適用できるのではないかと思いました。 結果を見て本当に興奮しました！ ネットワークアーキテクチャ この実装にあたって、先ほどのイスの論文から”1s-S-deep”モデルのバージョンを応用しました。このモ
『waifu2x』とは？AIで画像を補完&拡大する便利ツール | Ledge.ai
この画像、もーちょい大きいの無いのかなぁ…。 無理に拡大してもドットがガッタガタになっちゃうしなー。 あー、JPEG圧縮かけすぎて色壊れとる！修正めんどくさいー！ こんなシーンで困った経験、誰にでも多少はありますよね。今回ご紹介するツールなら、その問題を完全にこの世から無くすことも可能… かも知れません。 画像をぶっ壊さずに、AIによる自動補完で美しく拡大してくれる無料ツール『waifu2x』が大幅にアップデート。リリース当時にはイラスト（2次元画像）オンリーだった仕様から 本格的に写真画像にも対応 し、精度もアップしてくれたのです。 ※リリースは7月くらいだったみたいですが waifu2xとは？つまり何をどーしてくれるツールなのか。 waifu2x 簡単に機能を説明すると、要するに『画像を拡大したときに足りなくなる色情報を人工知能が予測して補完。いい感じに拡大処理を実行してくれる無料オン
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
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
AI×医用画像の現状と可能性 - Speaker Deck
Noise2Noise: Learning Image Restoration without Clean Data を読んでみた
GitHub - cchen156/Learning-to-See-in-the-Dark: Learning to See in the Dark. CVPR 2018
https://elix-tech.github.io/ja/2017/02/07/gan.html
https://tensorflow.github.io/saliency/
