ナカシャクリエイテブ株式会社
機械学習・AI【物体検出】vol.1 ：Windowsでディープラーニング！Darknet YOLOv3（AlexeyAB Darknet） 最速の物体検知手法：YOLOv3 ディープラーニングの物体検出において、大きなインパクトをもって登場したdarknet YOLO（ヨロ）。 2018年3月にJoseph Chet Redmonの本家darknet（https://pjreddie.com/）で、最新のYOLOv3が公開されました。 既存の物体認識、検出系の仕組みのトップレベルの認識率を維持したままで、既存の仕組みと比較して3倍から5倍の認識速度を実現しました。 ジョセフ・レドモン(プログラマー)氏について アメリカ、ワシントン大学大学院に在籍中。オープンソースの物体検出システム YOLO (You Only Look Once)に取り組んでいる。 物体検出システムの分野はここ数年、様
ACL2020に参加しました - Retrieva TECH BLOG
こんにちは。 カスタマーサクセス部リサーチャーの勝又です。 レトリバでは、研究動向・業界動向の把握のため、積極的に学会参加をしています。 先日オンラインで開催された自然言語処理の国際会議ACLにも、リサーチャー2名が聴講参加しました。 ACL参加の概観 個別の発表の紹介 Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks BERTRAM: Improved Word Embeddings Have Big Impact on Contextualized Model Performance A Large-Scale Multi-Document Summarization Dataset from the Wikipedia Current Events Portal Grammatical Error C
[DL輪読会]GQNと関連研究，世界モデルとの関係について
1. 1 DEEP LEARNING JP [DL Papers] http://deeplearning.jp/ GQNと関連研究，世界モデルとの関係について Presenter: Masahiro Suzuki, Matsuo Lab 2. 輪読内容について • Neural scene representation and rendering – S. M. Ali Eslami, Danilo J. Rezende, et al. • Rezendeは，VAEやnormalizing flowを提案した人 • Deep Mind (Last authorはDemis Hassabis) • Scienceに採録 • Generative Query Network（GQN）を提案した論文 – 本発表では，GQNの説明のために深層生成モデルの基礎から順番に話します． – 合わせて，関
![[DL輪読会]GQNと関連研究，世界モデルとの関係について](https://cdn-ak-scissors.b.st-hatena.com/image/square/95402ea19a84ad2333bcb26a022ac5adcfe25ebb/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2F20180817-180827085537-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
畳み込みニューラルネットを高速化するためのいろいろ - SmartNews Engineering Blog
$$ \begin{bmatrix} d_0 d_1 d_2 \\ d_1 d_2 d_3 \end{bmatrix} \begin{bmatrix} g_0 \\ g_1 \\ g_2 \end{bmatrix} = \begin{bmatrix} m_1 + m_2 + m_3 \\ m_2 - m_3 - m_4\\ \end{bmatrix} $$ ただし、$m_1 = (d_0 - d_2) g_0, m_2 = (d_1 + d_2) \frac{g_0 + g_1 + g_2}{2}, m_3 = (d_2 - d_1) \frac{g_0 - g_1 + g_2}{2}, m_4 = (d_1 - d_3) g_2$です。 なにがなんだかわからない、という声がここまで聞こえて来るような気すらしますが、それはともかく、$m_1 + m_2 + m_3$に上記の定義を入れて計算
bits/dims ってなんだよって言われて虚無になったので調べてみた - Qiita
これまでのあらすじ RealNVP なんかの 画像生成系の論文 を友人と共に 殴り合いながら 読んでいたときに出てきた、評価手法、bits/dims が気になって夜も眠れなくなった。 我々の明日はどっちだ 調べてみたら、良い感じの Reddit が出てきた [Discussion] Calculation of bits/dims で良い感じに議論されていた。どうやら PixelRNN の論文で触れられているらしい。 PixelRNN の論文へGO PixelRNNで該当部を探すと、こんな感じの文章が書いてあった。 For MNIST we report the negative log-likelihood in nats as it is common practice in the literature. For CIFAR-10 and ImageNet we report neg
論文：AN ANALYSIS OF DEEP NEURAL NETWORK MODELS FOR PRACTICAL APPLICATIONS を読んだときのメモ - Qiita
論文：AN ANALYSIS OF DEEP NEURAL NETWORK MODELS FOR PRACTICAL APPLICATIONS を読んだときのメモCNN はじめに AN ANALYSIS OF DEEP NEURAL NETWORK MODELS FOR PRACTICAL APPLICATIONS を読んだときのメモです。 正確なところは原文をお願いします。<(_ _)> https://arxiv.org/pdf/1605.07678.pdf 論文の概要 ImageNet等のコンペの目的はaccuracyである 一方で、実運用では考えるべき、推論時間は？メモリ使用量は？命令数は？消費電力は？にも着目して、主要CNNについて比較した。 論文には書いていないが知っておくべきこと AlexNet,VGGは全結合層がとにかく重い。 NIN以降、Global Average Po
mAP(mean Average Precision) のまとめ - Qiita
ほぼほぼこの記事の翻訳です。 mAPは物体検知モデルに使われる評価指標です。mAPを理解するにはまずPrecision、Recall、IoUについて理解する必要があります。 Precision（適合率） 予測がどれだけ正確かを表す。 光の速さを知りたいとします。 何らかの検索システムで「光の速さ」で検索した結果、100件の文書がヒットしたとする。 その100件のうち、「光の速さ」が正しく分かる文書を正解とし、正解は60件だったとする。 すると、この場合の適合率は 60/100 = 0.60 となる。 Recall（再現率） 結果として出てくるべきもののうち、実際出てきたものの割合 検索システムが扱う全データ(文書)の中で、光の速さが分かるものは全部で200件だとする。 しかし、「光の速さ」と検索して、実際に得られた結果(文書)は90件だとする。 すると、この場合の再現率は 90/200 =
ディープラーニングにおけるセマンティックセグメンテーションのガイド2017年版 | POSTD
Qureでは、私たちは通常、セグメンテーションとオブジェクト検出の問題に取り組んでいます。そのため、最先端技術の動向について検討することに関心があります。 本稿では、セマンティックセグメンテーションに関する論文を検討します。セマンティックセグメンテーションの研究の多くは、自然界・現実世界の画像データセットを使用します。その結果を医療用画像に直接適用できるわけではありませんが、現実世界の画像に関する研究は医療用画像のものよりもずっと成熟しているので、これらの論文を見直してみたいと思います。 本稿は、以下のような構成です。最初に セマンティックセグメンテーションの問題を説明 し、 アプローチ方法に関する概略 を述べます。最後に いくつかの興味深い論文を要約します。 今後の記事で、医療用画像が現実世界の画像となぜ異なるのかを説明する予定です。更に、今回の再検討から得たアプローチが、医療用画像の代
Keras: CNN中間層出力の可視化 - MOXBOX / HazMat
概要 Keras 2.2 を使用して CNN の中間層がどのような出力を行っているかを可視化する。ここでは学習済みモデルに VGG16 + ImageNet を使用しカワセミの写真のどの部分を特徴としてとらえているかを示すためのヒートマップを作成する (このヒートマップで示される特徴に対する反応の強さをこのページでは暫定的に特徴強度と呼ぶ)。 CNN で使用される一般的な畳み込み層の出力テンソルは (batch, width, height, intensity) の形状を持っている。例えばカラー画像における RGB カラーチャネルは、それぞれ赤緑青の特徴強度を表していることと等価である。画像データの縦横サイズは畳み込みが進むにつれて小さくなり特徴強度のバリエーションが増えてゆく。この特徴強度を xy 座標上のヒートマップで表したものは CNN が画像のどの部分を特徴としてとらえているかを
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
CVPR2020技術報告会資料公開
https://www.cc.u-tokyo.ac.jp/events/lectures/111/20190124-3.pdf
消費電力に制約のある機器に高性能なディープ・ラーニングを実装する方法 - 日本シノプシスホームページ - Synopsys
物体検知と真剣に向き合ってみる (ResNeXt編) | NEWS & BLOG | 株式会社Sigfoss
【森山和道の「ヒトと機械の境界面」】 PFNの大規模分散深層学習専用プライベートスパコン「MN-2」潜入レポート
Google はどうやって Deep Learning でメモリ使用量を 99% 削減したか。
深層学習の数理
敵対的サンプル・摂動サーベイ
確率場の効率的な学習と 深層学習への応⽤
Building a fast inference service with falcon and bjoern
A Neural Network Playground
