【Electron】HTML+JS+C#=クライアントアプリケーション!? Electron.Netを使ってみる - Qiita
【Electron】HTML+JS+C#=クライアントアプリケーション!? Electron.Netを使ってみるJavaScriptC#VisualStudioElectron 8/15 16:45 追記 99いいね、トレンドランキング最高5位、C#週間ユーザランキング1位、皆様ありがとうございます！ まさかこれだけ多くの方に見て頂けるとは思わず、読み返していろいろ情報が足りないなと焦りましたので、記事を全体的に肉付けしました。 また、VisualStudio上でのデバッグの方法や、デプロイまでの流れを追加エントリに記載しましたので、 こちらもぜひご覧ください。 【Electron】続・HTML+JS+C#=クライアントアプリケーション!? Electron.Netで開発・デプロイしてみる 本文 先日投稿した【Electron】40万件のレコードを鬼のような速度で描画するクライアントアプリ
モダンな深層距離学習 (deep metric learning) 手法: SphereFace, CosFace, ArcFace - Qiita
モダンな深層距離学習 (deep metric learning) 手法: SphereFace, CosFace, ArcFaceDeepLearningMetricLearningFaceRecognition はじめに 顔認識 (face recognition) 等の個体識別問題において、距離学習は非常に重要です。ここで個体識別問題というのは、顔認識を例に取ると下記のようなものです。 2つの顔画像ペアが与えられた際にその顔画像ペアが同一人物のものであるかを判定する1:1認証 N人の顔画像データが予め与えられた状態で、個人が特定されていない顔画像が入力された際に、その顔画像がN人のうちどれであるか、またはどれでもないかを判定する1:N認証 何故距離学習が重要かというと、クラス分類問題とは異なりクラス数が不定で各クラスに属する画像を事前に得ることができず1、クラス分類問題として解くこと
「弱異常検知」と他の異常検知、違いはなにか？ - Qiita
ディープラーニングを使った「画像の異常検知」が流行りつつあります。 通常の異常検知は正常画像のみで学習させます（例えばこちら）。 今回は、運よく少量の異常画像を手に入れたとして、異常画像と正常画像を 組み合わせて異常検知性能を上げる方法を考えてみます。 ※こちらはPythonデータ分析勉強会#08の発表資料です。 結論から 結論からいうと、少量の異常画像とmetric learningを使えば、異常検知性能を上げることが可能です。 精度でいうと、10％弱向上するかもしれません。 AUC ※本稿では、「正常画像」と「少量の異常画像」を組み合わせて異常検知する手法を 弱異常検知と呼んでいます。論文のサーベイは全くしておらず、もし、他の呼び方が あれば、教えていただけるとありがたいです。 想定するシーン 製造ラインの画像による異常検知を想定します。 以下のように、データが手元にあったとします。
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
処理を実行中です
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
