野外HoloRangerになろう 2016年に産声を上げ、今日までMixed Realityデバイスとして技術の先端を築き上げ今年、新型機であるHoloLens2が登場することで再び注目を浴びているHoloLensをこよなく愛し、仕事・趣味かかわらずHoloLensで活躍している人々のことをHoloRangerと呼びます。 実機を持っている持っていないにかかわらず日本には多くのHoloRangerがそれぞれの知識や経験を生かしたコンテンツを作り上げ、MicrosoftのHoloLens開発者アレックス・キップマンからも高い注目を集めています。 そんな中先日私が 「WindowsとMacの違いも判らなかった素人が一年でHoloLensアプリをリリースした」 という初心者がHoloRangerになった記事を書いたところリアクションが大きく驚いています。 私は屋内（だけ）ではなく屋外で（も）Ho

はじめに 今、レトロ表現がアツい！ ので、VHS（っぽい）ポストエフェクトを作成しました。 お金に余裕がある人はこちらの有料アセットを使った方が早いです。 VHS風動画を撮影したい人はこちらのiOSアプリを使うといいかもです。 できたもの 方針 １．Post Processing Stack v2で色味を調整する ２．shaderでエフェクトをかける ３．GUIで日付等を表示する 以下で順に説明していきます １．Post Processing Stack v2で色味を調整する そもそもPost Processing Stack v2ってなんぞ？って方はこちらを。 画づくりに関してはこちらを参考にしました。 AddEffect→Unity→ColorGradingで色味の調整を行います。 彩度（saturation）を下げて、コントラスト（contrast）を上げて、Gainをいじると、 こ

量子位相推定とショアのアルゴリズムを学習しました こんにちは。テラスカイの須郷です。 普段、MDR様の勉強会等で理研の中田真秀さんにお世話になっています。 今回、中田さんのアドバイスで、量子位相推定とショアのアルゴリズムの内容を学習し口頭発表する機会をいただきました。今回はその発表で使用したスライドを公開しました。口頭発表用に作成したため、読んでわかりやすいかどうかは自信がありませんが、何かしら誰かの役に経てば幸いです。 また、これは以前MDRの加藤さんがこちらの記事で書かれている経緯と同じですので、こちらも併せてご覧ください。 少し感想 量子位相推定は汎用性がある重要なアルゴリズムだということは理解していたのですが、ここまでしっかりと勉強する機会はありませんでした。ショアも同様に、数学部分が難しそうだしNISQ時代にわざわざ勉強せんでもええやろ・・・という気分で敬遠して(逃げて)いたとい

背景 Dockerイメージの軽量化の話に出てくるAlpine Linuxについて気になったので調べてみました。 Alpine Linuxとは 組み込み系でよく使われているBusyBoxとmuslをベースにしたLinuxディストリビューション。 BusyBoxについては下記がまとまっていて見やすかったです。 http://monoist.atmarkit.co.jp/mn/articles/0802/04/news114.html Docker界隈でよく見かける言葉ですが特にDocker用とかそういったものでは無い。 BusyBox + パッケージマネージャ(apk)がAlpineLinuxの概要とのことです。 公式サイトは下記です。 https://alpinelinux.org/ (GitHub) https://github.com/alpinelinux Alpineの特徴に軽量とあ

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? 謝辞 「Moveit!使ってハンドリングしよう」 という内容の記事ですが，ROS Advent Calendar 2017, 2018 どちらにも投稿予告してました． が，，，結局投稿できずじまいでした． 関係者の皆様，本当に申し訳ありませんでした． 言い訳だけさせていただくと 私が初めてMoveit!を触り，リポジトリを整備したあたりから，本家のMoveit!リポジトリが大幅にドキュメント整備やアップデートがあったため，正直記事を書く前に追い続けるのが大変だったというのがあります． それなら途中報告的に記事を書けばよかっただけだと反省

Tensorflow-bin TPU-MobilenetSSD １．Introduction 前回記事は Docker によるTPUモデルのローカル転移学習の手順を整理しました。 Edge TPU Accelaratorの動作を少しでも高速化したかったのでMobileNetv2-SSD/MobileNetv1-SSD+MS-COCOをPascal VOCで転移学習して.tfliteを生成した_Docker編_その２ 今回は、手元にGPU搭載端末が無い場合を想定して、 無料のGoogle Colaboratory環境 により同様の作業を実施します。 最終的には、 TPU Edge Accelarator へデプロイするための 独自.tfliteファイル をクラウド上で生成することを目的としています。 クラウドで作業を実施するとはいえ、ローカルで出来ることはほぼ全て同じようにできます。 利用時

Edge TPU Accelaratorの動作を少しでも高速化したかったのでMobileNetv2-SSD/MobileNetv1-SSD+MS-COCOをPascal VOCで転移学習して.tfliteを生成した_Docker編_その２PythonDeepLearningTensorFlowTensorflowLiteTPU Tensorflow-bin TPU-MobilenetSSD １．Introduction 前回、無謀にも非サポートのモデル MobileNetv2-SSDLite のTPUモデルを生成しようとして失敗しました。 【前回記事】 Edge TPU Accelaratorの動作を少しでも高速化したかったのでダメ元でMobileNetv2-SSDLite(Pascal VOC)の.tfliteを生成してTPUモデルへコンパイルしようとした_その１ 今回は手順を大幅に見直

Edge TPU Accelaratorの動作を少しでも高速化したかったのでダメ元でMobileNetv2-SSDLite(Pascal VOC)の.tfliteを生成してTPUモデルへコンパイルしようとした_その１DeepLearningTensorFlowTensorflowLiteTPUMobileNetSSD Tensorflow-bin TPU-MobilenetSSD １．Introduction .tfliteの生成までは成功しましたが、最終手順で失敗しました。 2019.03.22追記　手順が間違っていたようなので、後日別記事で訂正します。 参考情報はコチラ 最後の最後のTPUモデルへのコンパイル処理でエラー Uncaught application failure になります。 Coral側のコンパイラ が未処理例外を発生させて異常終了してしまうようです。 途中まではつま

はじめに 何番煎じかわかりませんが，Python x LINE NotifyでLINEにメッセージを送れるボットを作ったので，その備忘録です。 深層学習モデルの学習など，時間がかかる処理を回しているときに，その場を離れても進捗状況を知りたい！というときに重宝しています。 できること LINEのグループや自分自身にメッセージ・画像・スタンプを送ります ※こちらからのメッセージには反応できません LINE Notifyについて LINE Notify公式 Webサービスからの通知をLINEで受信 Webサービスと連携すると、LINEが提供する公式アカウント"LINE Notify"から通知が届きます。 複数のサービスと連携でき、グループでも通知を受信することが可能です。 動作環境 僕の環境は下の通りです。 が，Pythonでimport requestsできれば動くと思います。 Windows

「背景差分で物体検出をしてみた」の記事が面白くて、「複数の物体」でも 検出できるのか検証してみました。 ディープラーニングを使わずに、ラズパイで複数の「物体検出」を 実装しました。OpenCVを使っております。 pic.twitter.com/5DQjPO1sfH — shinmura0 (@shinmura0) 2019年5月24日 はじめに きっかけは、ラズパイで2つのディープラーニングモデルを動かしていたときのこと。 予想通り、速度は激遅で使いものになりませんでした。 そのため、OpenCVで物体検出できないか？と考え実装してみました。 本稿では、ディープラーニングを使わないOpenCVによる複数の物体検出を行ってみます。 OpenCVによる物体検出 まずは、背景写真を用意します。 そして、フィルターによる前処理を行います。

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? はじめに 今回はDatabricksについて書いてみたいと思います。Databricksは、Apache SparkのServerlessのプラットフォーム上でSparkでディープラーニングフレームワークを使うためのライブラリとして「Deep Learning Pipeline」を提供しています。元々、Apache Sparkは、カリフォルニア大学バークレー校でAMPLabとDatabricksが開発元となっていて、開発されたコードはApacheソフトウェア財団に寄贈されています。 Databricksには、「Databricks Pl

$ h_j $はjレイヤーのAnchor pointにおける隠れ状態。 $ W_{prev},,,W_{curr},,,v $は重み（学習パラメータ）。 この式はレイヤーj（0～i-1）がレイヤーiの入力となる確率を計算しています。 Skip connectionでiレイヤーに複数レイヤーの入力がある場合、入力レイヤーは深さ方向に結合します。この時、入力レイヤー間で結合できないとき（サイズが違うとき）は、小さいほうの入力サイズをゼロパディングして調整します。 Skip connectionはAttentionをもとにしていますが、Attentionについては以下論文が参考になります。 Neural Machine Translation by Jointly Learning to Align and Translate Neural Programmer: Inducing Latent

※こちらはPythonデータ分析勉強会#02の発表資料です。 前回は、YOLOv3でパトライトの監視を行いました。 今回は、YOLOv3で「将棋駒」を認識させます。 そして、用意する画像は一枚だけという、無謀な挑戦をしてみます。 前回から、内容がガラリと変わっておりますが、まずはそのモチベーションを説明します。 #なぜ、用意した画像は一枚なのか？ よくディープラーニングのサービスなんかを見ていると、用意する画像は1000枚とか 平気で書いてあります。 しかし、個人事業主や中小企業は、そんなに労力をかけて画像は用意できませんし、 1000枚用意しても、バリエーション豊かな画像じゃないと、意味がないことが多くあります。 用意する画像が一枚だけなら、労力は最小限ですし、バリエーションも気にしなくて良いです。 従って、「用意する画像が一枚」で精度が出るなら、世の中のディープラーニングの サービスが

Export layer with extra(optional) settings. Anchor: Two characters representing horizontal and vertical anchor. • Horizontal: • l: Left • c: Center • r: Right • s: Stretch • Vertical: • t: Top • m: Middle • b: Bottom • s: Stretch Pivot: Two characters representing horizontal and vertical pivot. • Horizontal: • l: Left • c: Center • r: Right • Vertical: • t: Top • m: Middle • b: Bottom PackingTag:

Jetson Nanoでの物体検出 Jetson Nanoでディープラーニングでの画像認識を試したので、次は物体検出にチャレンジしてみました。そこで、本記事では、TensorFlowの「Object Detection API」と「Object Detection API」を簡単に使うための自作ツール「Object Detection Tools」を活用します。 これらに関して詳細は、以下ブログ記事を参照下さい。Jetson Nanoでの物体検出自体は、本記事で完結するのでブログ記事は読まなくても大丈夫です。 TensorFlowの物体検出用ライブラリ「Object Detection API」を手軽に使えるソフト「Object Detection Tools」を作ってみた これ以降の本記事の作業は、全部Jetson Nanoで行います（Jetson Nano自体のセットアップ作業を除く）

おことわり この発表はかなりお気持ちです 他の発表とは異なり(？)なんら学術的裏付けがあるものではありません なんと(？)まったく数式が出てきません 自己紹介 亀岡 亮太 株式会社HERP リードエンジニア Twitter: @ryotakameoka GitHub: @ryota-ka Web フロントエンドアプリケーションの話をします はじめに はじめに この発表の内容 Web フロントエンドフレームワークはどのような性質を満たすべきか？ 異なる副作用を分離したい 非同期がほしい Cycle.js というフレームワークの紹介 effect を足していく effect を handle する この発表のゴール Cycle.js の存在を覚えて帰ってもらう 「Cycle.js おもしろそう，書いてみようかな」と思ってもらう Web フロントのフレームワークはどのような性質を満たしていてほし

UnrealEngine4(以下UE4）のドキュメントにはオリジナルのテストはC++で書くように書いてあるが実はBlueprint（以下BP）でも書くことができる。やり方を簡単に紹介。 TL;DR FunctionalTestクラスを継承したBPクラスを作成してテストのBPノードを書く テスト対象のレベルに上記BPを配置、StandAloneでPlayできるようにしておく SessionFrontEndで複数のテストやテスト回数をグラフィカルにチェック 環境 4.14以降？ここでは4.15で説明。 やりかた ①FunctionalTestの子クラス作成 まずはテストを書くBPクラスを作成する。親クラスはFunctionalTestを指定。 ②テストのBPノードグラフを書く とりあえずサンプルとしてランダムに0～10の数字を返し、5以上なら成功、未満なら失敗という簡単なユニットテストのような

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?