3つの要点 ✔️ 画像をグラフ構造として表現するコンピュータビジョンモデル「Vision GNN(ViG)」の提案 ✔️ 画像のパッチをノードとみなし、近いパッチを繋いでグラフを構成し、不規則で複雑なオブジェクトを表現する ✔️ 画像認識と物体検出に関する実験により、提案するViGアーキテクチャの優位性を実証した Vision GNN: An Image is Worth Graph of Nodes written by Kai Han,Yunhe Wang,Jianyuan Guo,Yehui Tang,Enhua Wu (Submitted on 1 Jun 2022 (v1), last revised 4 Nov 2022 (this version, v3)) Comments: NeurIPS 2022 Subjects: Computer Vision and Patter
古典的で未来的な人にやさしい顔映像匿名化
現代では簡単に写真や動画を撮ることができる。それは、個人情報の流出と直結する。 特に動画に映った人物について、匿名化することはなかなかに大変だ。 目線やモザイク、塗りつぶしなどで顔を隠すケースをよく見かけるが、個人的にはちょっと微妙。犯罪臭がするし、淫靡な印象を与えてしまう。 ほかにもアイコンやシンボルで顔を隠したりすることができるツールなどもあるが、ちょっと自分好みではないし、何よりオリジナリティに欠ける。 そこで、古典的でもあり、未来的でもある、そして新しい、そんな顔映像匿名化を考えてみた。 匿名化するにあたって、まずは顔、特に目と鼻を検出できなくてはならない。 幸いなことに、Keypoint R-CNNモデルを使えばそれが可能になる。 利用するだけならば、PyTorchのチュートリアルレベルの知識を持っていれば十分。 そして、コードはできるだけシンプルで分かりやすく、その場ですぐに書
ディープラーニングはデータの適切な表現方法（または特徴関数）を自動獲得し、多くのタスクで人が設計した表現方法を使った場合よりも高い性能を達成できることを示してきた。 こうした表現学習の多くは何らかの教師あり学習の副産物として獲得されている。例えばImageNetの画像分類タスクで得られたモデルは画像認識の学習済みモデルとして多く使われている。 しかし、教師あり学習を使って表現学習した場合、基本的にはタスクに関係する表現しか獲得されない。例えば画像分類タスクで学習した場合、分類に不必要な色情報や物体の個数といった情報は表現に含まれない可能性が高い。 そのため、その表現を画像キャプショニングといった別のタスクに使うことが難しい。このためタスクに依存せず汎用的に使える表現を獲得する方法が求められていた。 この最有力候補が教師なし学習による表現学習である。 教師なし学習であれば、より汎用的に使える
111 A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT YIHAN CAO∗, Lehigh University & Carnegie Mellon University, USA SIYU LI, Lehigh University, USA YIXIN LIU, Lehigh University, USA ZHILING YAN, Lehigh University, USA YUTONG DAI, Lehigh University, USA PHILIP S. YU, University of Illinois at Chicago, USA LICHAO SUN, Lehigh University, USA Recen
本書は筆者たちが勉強した際のメモを、後に学習する方の一助となるようにまとめたものです。誤りや不足、加筆修正すべきところがありましたらぜひご指摘ください。継続してブラッシュアップしていきます。 © 2021 NPO法人AI開発推進協会 本書はTransformerを使った物体検出モデルであるDETRを説明します。（Transformerを理解している前提で記載しています。まだ理解していない方は当法人で作成している別冊「Seq2Seq&Transformer」を先に読んでください。） 【参考文献、サイト】 論文 End-to-End Object Detection withTransformers End-to-End Object Detection with Transformers(DETR)の解説 Transformerを物体検出に採用！話題のDETRを詳細解説！ １．はじめに DE
5. 実践編: MRI画像のセグメンテーション¶ 画像を対象とした深層学習の応用技術には様々なものがあります．例えば，画像の中の個別の物体の周りを矩形で囲むようにして検出する物体検出や，画像内で個別物体が占める領域を認識する画像セグメンテーションなどがあります． 物体検出は，対象物体の「種類」と「位置」を認識する技術であるといえます． （上図：物体検出の例．矩形で対象物体を囲い，そのクラスを答えるタスク．元画像はPascal VOCデータセットより．これにChainerCVによるFaster R-CNN（両者とも後述）を適用した結果．） 画像セグメンテーションには2種類あります．1つは，個別の物体を区別するInstance-aware Segmentationです．もう一つは，同一クラスの物体であれば個を区別しないSemantic Segmentationです．今回は，後者を扱います． （
こんにちは、インフォマティクスで機械学習業務を担当している大橋です。 今回は物体検出技術の紹介をしたいと思います。 ここで紹介する論文[1]は、これまでと異なるアプローチにより、既存モデルの問題点を解消した大変興味深い内容となっています。 ※本記事はTransformer [5]等の深層学習の知識がある程度あることを前提として書いています。 物体検出とは 物体検出とは、画像の中から物体の位置を矩形で予測し、その物体が何であるかを推定する問題のことをいいます。 物体検出の例（論文[1]より抜粋） これまでの物体検出手法 物体検出という問題に対して、これまで様々な手法が提案されてきました。 物体の候補領域の推定とクラスの推定をそれぞれ2つの独立したネットワークで行うもの(two stage detector)[2]や、それらを1つのネットワークで同時に推定するもの(one stage dete
Machine learning is getting in more and more parts of our everyday lives. From the personally served ads and movie recommendations to self-driving cars and automated food delivery services. Almost all modern automated machinery ‘sees’ the world, but not like we do. They have to specifically detect and classify each object in order to see and acknowledge it as we humans do. While all modern detecti
はじめに 本記事は、物体検出モデルであるRetinaNetを通して「モデルの概念理解」と「コードの理解」ができることを目的としたものです。そのため①モデルの解説、②コードの解説、という二部構成になっています。コードの記述に関しては後日公開予定です。 RetinaNetとは RetinaNetとは、Facebook AI Research（FAIR）が2017年8月に発表した論文「Focal Loss for Dense Object Detection」で提唱されている物体検出モデルです。 論文 Focal Loss for Dense Object Detection [Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollár @ ICCV 2017] https://arxiv.org/abs/1708.020
Turning any CNN image classifier into an object detector with Keras, TensorFlow, and OpenCV - PyImageSearch
Deep Learning Keras and TensorFlow Object Detection Tutorials by Adrian Rosebrock on June 22, 2020 In this tutorial, you will learn how to take any pre-trained deep learning image classifier and turn it into an object detector using Keras, TensorFlow, and OpenCV. Today, we’re starting a four-part series on deep learning and object detection: Part 1: Turning any deep learning image classifier into
κeenです。しばらく前になってしまいましたが、Idein社内でPLDI '21論文読み会が開催されたので報告します。 Programming Language Design and Implementation（PLDI）はその名の通りプログラミング言語の設計と実装に関連するトピックを集めた最高峰の研究カンファレンスです^1。個人的感覚ですが、実装も含めたトピックを扱うということから大企業での実例も含んだ論文が多いのが特徴かなと思ってます。 社内でインターネットの闇さんがこのPLDI '21の論文読み会を開催したいので読んでくる人を募集すると呼び掛けたところ想定以上の反響があり、合計8人が集ったのでそのまま開催される運びになりました。それぞれ読んでくる論文を決め、1ヶ月程度の準備期間を置いて30分程度で発表する形式となりました。 以下、二日に分けて開催された読み会の発表順にめいめいが読ん
Model dynamism Support in Amazon SageMaker Neo | Amazon Web Services
AWS Machine Learning Blog Model dynamism Support in Amazon SageMaker Neo Amazon SageMaker Neo was launched at AWS re:Invent 2018. It made notable performance improvement on models with statically known input and output data shapes, typically image classification models. These models are usually composed of a stack of blocks that contain compute-intensive operators, such as convolution and matrix m
3つの要点 ✔️ Deformable Convolutionを核としたCNNモデルが分類・検出・セグメンテーションでViTと同等以上の精度を達成！ ✔️ 物体検出・セグメンテーションでは堂々の１位を達成！ ✔️ DCNv2を改良したDCNv3により3x3カーネルの少ないパラメータで受容野を拡大！ InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions written by Wenhai Wang, Jifeng Dai, Zhe Chen, Zhenhang Huang, Zhiqi Li, Xizhou Zhu, Xiaowei Hu, Tong Lu, Lewei Lu, Hongsheng Li, Xiaogang Wang, Yu Qiao (Submitte
GitHub - facebookresearch/pytorch3d: PyTorch3D is FAIR's library of reusable components for deep learning with 3D data
PyTorch3D provides efficient, reusable components for 3D Computer Vision research with PyTorch. Key features include: Data structure for storing and manipulating triangle meshes Efficient operations on triangle meshes (projective transformations, graph convolution, sampling, loss functions) A differentiable mesh renderer Implicitron, see its README, a framework for new-view synthesis via implicit
バウンディングボックスは、画像認識やグラフィクスでよく使用される一般的な概念で、AIによる物体検出の手法を理解する上でも重要です。 この記事では、バウンディングボックスの基本知識から物体検出の代表的な手法の種類、物体検出の活用事例などについて紹介します。日常生活やビジネスシーンにおいて今後さらなる進歩と活躍が期待されるAI物体検出技術について、理解を深める上でぜひ参考にしてください。 物体検出について詳しく知りたい方は以下の記事もご覧ください。 ディープラーニングを用いた画像の物体検出とは？モデルや応用例を紹介 アノテーションのサービス比較と企業一覧 バウンディングボックス(Bounding Box)とは バウンディングボックス（Bounding Box）とは、画像や映像の中の物体を囲んだ部分領域のことです。物体検出では、バウンディングボックスを使って、画像内の物体の位置推定とクラスの分類
【物体検出2022】BoT-SORTを使ってYOLOv7のモデルで物体追跡(MOT)を実装する - Qiita
はじめに 物体検出でお馴染みのYOLOシリーズの最新版「YOLOv7」について、動かしながら試していきます。 YOLOv7は2022年7月に公開された最新バージョンであり、速度と精度の面で限界を押し広げています。 今回の記事では、YOLOv7とBoT-SORTによる物体追跡(MOT)の実装方法を紹介します。 Google colabで簡単に最新の物体検出モデルを実装することができますので、ぜひ最後までご覧ください。 （詳細） YOLOv7とは YOLOv7は2022年7月に公開された最新バージョンであり、5FPSから160FPSの範囲で速度と精度の両方ですべての既知のオブジェクト検出器を上回り、速度と精度の面で限界を押し広げています。 これまでのYOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、 DETR、Deformable DETR、DINO-5scale-R50、Vi
はじめに 物体検出でお馴染みのYOLOシリーズの最新版「YOLOv7」について、動かしながら試していきます。YOLOv7は2022年7月に公開された最新バージョンであり、速度と精度の面で限界を押し広げています。Google colabで簡単に最新の物体検出モデルを実装することができますので、ぜひ最後までご覧ください。 YOLOv7とは YOLOv7は2022年7月に公開された最新バージョンであり、5FPSから160FPSの範囲で速度と精度の両方ですべての既知のオブジェクト検出器を上回り、速度と精度の面で限界を押し広げています。 これまでのYOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、 DETR、Deformable DETR、DINO-5scale-R50、ViT-Adapter-Bなどと比較しても速度と精度における他の多くのオブジェクト検出器を上回る結果を出しています
Author: David Reiss, Software Engineer, AI Mobile Platform, Facebook Today, we are announcing a prototype feature in PyTorch: support for Android’s Neural Networks API (NNAPI). PyTorch Mobile aims to combine a best-in-class experience for ML developers with high-performance execution on all mobile hardware. The support for NNAPI is essential to meeting that goal since it expands the set of hardwar
R-CNN object detection with Keras, TensorFlow, and Deep Learning - PyImageSearch
In this tutorial, you will learn how to build an R-CNN object detector using Keras, TensorFlow, and Deep Learning. Today’s tutorial is the final part in our 4-part series on deep learning and object detection: Part 1: Turning any CNN image classifier into an object detector with Keras, TensorFlow, and OpenCVPart 2: OpenCV Selective Search for Object DetectionPart 3: Region proposal for object dete
Deploying your first 5G enabled application with AWS Wavelength | Amazon Web Services
AWS Compute Blog Deploying your first 5G enabled application with AWS Wavelength This post was written by Mike Coleman, Senior Developer Advocate, Twitter handle: @mikegcoleman Today, AWS released AWS Wavelength. Wavelength allows you to deploy applications and services at the edge of a mobile carrier’s 5G network. By combining the benefits of 5G, such as high bandwidth and low latency, with the a
Chapters 📘 Chapter #0 YOLOとは 📘 Chapter #1 環境設定 📘 Chapter #2 アノテーション 📘 Chapter #3 📗 Chapter #3-1 YOLOv3 Keras版実装 📗 Chapter #3-2 YOLOv3 Darknet版 📘 Chapter #A 📗 Chapter #A-1 YOLOの各バージョンについてまとめ 📗 Chapter #A-2 YOLOv3 Keras版実装に関して関連記事のまとめ 📗 Chapter #A-3 ONNX変換・確認ライブラリ、アプリケーションまとめ 概要 2023年5月29日時点でのYOLOの各バージョンについてまとめます。誤記等あればご指摘いただけると助かります。 目次 1. YOLOv1 発表：2016年5月、著者：Joseph Redmon 2. YOLOv2 発表：2
EfficientPS
Humans from an early age are able to effortlessly comprehend complex visual scenes which forms the bases for learning more advanced capabilities. Similarly, intelligent systems such as robots should have the ability to coherently understand visual scenes at both the fundamental pixel-level as well as at the distinctive object instance level. This enables them to perceive and reason about the envir
【資格試験対策】ディープラーニングG検定【キーワード・ポイントまとめ】 - ITとかCockatielとか
last update : 2021/2/24 last update : 2021/2/24 はじめに １．📘人工知能（AI）とは（人工知能の定義） AIの定義 人工知能レベル AI効果 ロボットとの違い 歴史 ✅ 💻ENIAC ✅ ダートマス会議 ✅ 第１次AIブーム ✅ 第２次AIブーム ✅ 第３次AIブーム ２．📘人工知能をめぐる動向 2-1.📘探索・推論 探索・推論の手法 ✅ 探索木 ✅ ハノイの塔 ✅ ロボットの行動計画 ✅ ボードゲーム ✅ コスト ✅ Mini-Max法 ✅ α-β法 ✅ モンテカルロ法 2-2.📘知識表現 知識表現 ✅ 💻ELIZA（イライザ） ✅ エキスパートシステム ✓ 💻DENDRAL ✓ 💻マイシン（MYCIN） ✅ 意味ネットワーク ✅ Cycプロジェクト オントロジー（ontology） ✅ セマンティックウェブ ✅ ヘビーウェ
【チートシート】G検定の試験当日のカンペ
はじめに G検定に向けたカンペを作っておこうと思う。 ネットと書籍の情報だと、カンペはOKらしいので、 2021年7月の公式サイトのシラバスに乗っている単語を中心に記載する。 カンペ 人工知能の定義 人工知能とは何か コンピュータを使って、学習・推論・判断など人間の知能のはたらきを人工的に実現したもの。 AI効果 人工知能で何か新しいことが実現され、その原理が分かってしまうと、「それは単純な自動化であって知能とは関係ない」と結論付ける人間の心理的な効果 人工知能とロボットの違い ロボット：あらかじめプログラムされた動作を正確に行う。自己判断で進めることはできない。 人間で例えると「体」 人工知能：自立して発展していく。自ら学習して精度を高めることができる仕組み。 人間で例えると「脳」 エージェント 事前に定義された目標を達成するためのコードまたはメカニズム 「チャットボット」「ソフトウェア
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
グラフ構造を用いたコンピュータビジョンモデル「Vision GNN」
《日経Robotics》教師なし表現学習の進化、異なるビュー間の相互情報量最大化
A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT
物体検出DETR （DEtection TRansformer） - Qiita
メディカルAI専門コース オンライン講義資料
Transformerを採用した最新の物体検出手法｜DETR
Small objects detection problem
Focal Lossを提案した革新的物体検出モデルRetinaNetを解説！
社内勉強会でPLDI論文読み会を開催しました｜Idein株式会社
ViTに優った！大規模CNNの新たな基盤モデル！: InternImage
バウンディングボックスとは？AIによる物体検出の手法とできること
【物体検出2022】YOLO最新版のYOLOv7を試してみる 〜デモから学習まで〜 - Qiita
PyTorch Mobile Now Supports Android NNAPI
YOLOの各バージョンについてまとめ（2023年5月29日時点） - Qiita