初めまして。機械学習エンジニアの島越@nt_4o54です。現在はMLチームで日々、バクラクシリーズで用いられているAI-OCR機能の改善や新規機能の開発などを行なっています。 7月はLayerXエンジニアブログを活発にしよう月間ということで、自分からは表題にもある通り、「Document AI」と呼ばれる技術についての紹介と、またLayerXにおいてどういう応用先があるのかというお話をさせていただこうと思います。 ※ 同名のDocument AIというGCPのサービスがありますが、今回は一般的なDocument AIの話になります。 Document AIとは Document AIに用いられる技術 Optical Character Recognition (OCR) Document Classification Layout Analysis Document Parsing Tab
本レポートではメインコンテンツである、3つの「Guidoさんに○○」について簡単にレポートします。 GuidoさんにQ&A 「GuidoさんにQ&A」のコーナーでは、質問を参加者から事前にフォームで集め、そのうちいくつかの質問をピックアップし、その場でGuidoさんに回答してもらいました。MCはJDLAのシバタアキラさんとPyCon JP AssociationのJonasさんです。 Q&Aの様子 質問に使用したスライドは以下のページで公開しています。 GuidoさんにQ&A 全部で7つの質問をしました。質問を投稿してくれたみなさん、ありがとうございます。ここではいくつかの質問とその回答を紹介します。 「他の人に使ってもらうツール」に大切なこと 質問：「他の人に使ってもらうツール」を作る上で大切なことは何だと思いますか？ Guidoさん：他の人が何を望んでいるかを知ることは難しく、まずは自
ビジョン技術の実利用ワークショップ「ViEW2023」参加報告 - NTT Communications Engineers' Blog
この記事は、NTTコミュニケーションズ Advent Calendar 2023 25日目の記事です。 はじめに こんにちは、イノベーションセンター テクノロジー部門 メディアAI PJ所属の和田、小林です。 普段は画像/映像/言語/音声 等メディアを入力としたAI技術（メディアAI技術）を用いて、事業部/関連部支援や最新技術の調査/研究開発を行なっています。 今回は技術調査の一環として参加した「ViEW2023」について、ワークショップの概要や発表された論文について紹介したいと思います。 ViEW2023は2023年12月7日~8日にパシフィコ横浜で開催されました。詳細は下記サイトをご覧ください。 ViEW2023 公式Webサイト https://view.tc-iaip.org/view/2023/index.html . 目次 はじめに 目次 ViEWについて 流行りのテーマ 小田
論文まとめ：GRiT: A Generative Region-to-text Transformer for Object Understanding | Shikoan's ML Blog
タイトル：GRiT: A Generative Region-to-text Transformer for Object Understanding 著者：Jialian Wu, Jianfeng Wang, Zhengyuan Yang, Zhe Gan, Zicheng Liu, Junsong Yuan, Lijuan Wang（所属：ニューヨーク州立大学バッファロー校、Microsoft） 論文：https://arxiv.org/abs/2212.00280 コード：https://github.com/JialianW/GRiT ざっくりいうと 物体検出にImage Captioningを導入した「Dense Captioning」の研究 検出とテキスト生成の2段階からなり、画像特徴と、テキストトークンの特徴をText Decoderに入れてキャプション生成 クローズドセット
はじめに はじめまして、tkです。初記事です。 Kaggle Grandmasterになることができたので、私のコンペの取り組み方や振り返りを書こうと思います。取り組み方などがKaggleをやっている方のお役に立てると嬉しいです。 背景 大阪の国公立大学の情報系M1で、画像系のコンペを中心に参加しています。 2021年5月にindoorコンペで初メダル(銅)を取り、2022年1月にKaggle Masterに昇格、2023年6月にKaggle Grandmasterになりました。 kaggle profile コンペの取り組み方 序盤 (コンペ開始~終了1ヶ月半) ベースラインを作る シンプル+学習に時間がかかりすぎない手法で 複雑にしすぎると、何が効いているのかよくわからなくなる notebook、discussionを読む 信頼できるCVを作る 信頼できるCVを作れないと、今後何もでき
この記事は日経Robotics 有料購読者向けの過去記事ですが 『日経Robotics デジタル版（電子版）』のサービス開始を記念して、特別に誰でも閲覧できるようにしています。 深層学習（ディープラーニング）の大きな特徴は、データを問題が解きやすいような表現に変換する方法を学習によって獲得する、いわゆる表現学習ができる点である。データを適切に表現できさえすれば、その後、分類や回帰などの問題は簡単に解けるのに対し、うまく表現されていない場合はその後どれだけ頑張ってもうまく問題を解くことはできない。 また、良い表現方法を事前学習によってあらかじめ獲得しておけば後続タスクの精度を改善できるだけでなく、学習に必要なデータを劇的に減らせる。例えば、画像を入力とした強化学習においても、画像の表現学習を中心とした工夫を組み合わせることにより、必要な経験回数を1/500近くも減らすことができると報告されて
Advancements in machine learning for machine learning
Posted by Phitchaya Mangpo Phothilimthana, Staff Research Scientist, Google DeepMind, and Bryan Perozzi, Senior Staff Research Scientist, Google Research With the recent and accelerated advances in machine learning (ML), machines can understand natural language, engage in conversations, draw images, create videos and more. Modern ML models are programmed and trained using ML programming frameworks
こんにちは。データサイエンスチームの小松﨑です。 本記事では機械学習のモデルを作るときに非常に重要になるモデルの評価について書いてみたいと思います。昨今は AI という文字を見ない日はないほど AI の取り組みが広がっていますが、近年 AI と呼ばれるものの中身は機械学習のモデルであることが多いです。 AI と機械学習の違いなどについてはこの記事では述べませんが、機械学習のモデルを作るプロセスにおいて評価は最も重要と言っても過言ではないと思います。私自身、機械学習プロジェクトでは真っ先に評価方法を明確にし、評価用データセットを整備するようにしています。何故なら自分ではどんなに素晴らしいものを作ったと思っていても、それをお客様にしっかりと理解し納得してもらう必要があるからです。 評価といっても課題やアルゴリズムの種類によって様々なものがありますが、本記事では基本的なケースとして、例えば出来上
Kaggleにて、人間の血管細胞を見分ける画像コンペティションHuBMAP - Hacking the Human Vasculatureが開催されていました。 受賞者の皆様おめでとうございます!そして参加者の皆様お疲れ様です！ こちらに筆者も短い期間ですが、参加して楽しみました。上位解法を勉強と復習のためにまとめます。 コンペ概要 与えられた画像の中の指定された細胞を検知するのが目的です。 精度指標は IoU: 0.6 の Average Precision です。 細胞ごとの領域を求める検知のため、COCO Instance Segmentation の Mask mAP の領域の重なり具合が IoU: 0.6 で計算されると考えるとわかりやすいかもしれません。 人によるアノテーションは禁止された９時間制限のノートブックコンペです。 なので割とインターナルな戦いになったと思います。 コ
アノテーションとは、AIに学習させるデータにタグ付け（意味づけ）を行う作業のことを指します。画像や動画、テキストなどのデータ内にある情報に対してタグを付けていき、AIが学習できるように意味のあるタグを付けるのです。たとえば、犬の画像を用意しただけでは、AIが画像を見て犬を識別できるようになりません。 そこで、画像内にいる犬の領域にタグ付けを行い、「犬である」と答えを示します。こうしてアノテーションしたデータを大量にAIに見せることで、AIが徐々に犬を覚えていき、別の新しい画像を見て犬を識別できるようになるのです。 アノテーションの必要性 アノテーションの実施は、実用的なAIを生み出すために欠かせません。先述した犬の画像と「犬である」との答えをセットにしたデータを、「教師データ」と呼びます。つまりアノテーションは、AIに学ばせる教師データを作る作業だといえます。 AIは教師データを大量に確認
【Ａ】 A３C AAAI Accuracy Activation function Actor-Critic Adaboost AdaDelta AdaGrad Adam AI100 Alan Turing AIC Allen Newell AlexNet AlphaFold AlphaGo AlphaGo Zero Alpha Star Andrew Ng Annotation Anomaly Detection Arthur Samuel Artificial Intelligence（AI） arXiv Attention Attribute AugMix AugMixup Autoencoder Auto ML 【Ｂ】 Backpropagation Batch Normalization Batch training BERT Big Data Bootstrap method
ビジネスコラム
近年、さまざまな場面でAIの活用が進んでいますが「第三次人工知能ブーム」として、ディープラーニング（深層学習）による画像認識技術の向上がきっかけとなっています。そんな画像認識技術は、「セマンティックセグメンテーション」をはじめとする手法により成り立っています。専門用語が多く、内容も難しいため詳しいことはわからない、という方は多いのではないでしょうか。 そこでこの記事では、画像認識技術の基礎知識やセマンティックセグメンテーションの概要をはじめ、仕組みやセグメンテーションの技法・手法、活用例について解説します。 セマンティックセグメンテーションとは セマンティックセグメンテーションの仕組み セグメンテーションの技法・手法 セマンティックセグメンテーションの活用例 画像認識技術は「画像分類」「物体検出」「画像セグメンテーション」から成り立っていますが、今回は「画像セグメンテーション」について深掘
以下の論文の内容をまとめた。 Vision GNN: An Image is Worth Graph of Nodes 2022/06 https://arxiv.org/abs/2206.00272 Kai Han, Yunhe Wang, Jianyuan Guo, Yehui Tang, Enhua Wu パッチ化した画像でグラフを構築し、グラフニューラルネットワークで特徴抽出、画像分類や物体検出タスクに利用する。TransformerやMLPを使った画像処理の研究とコンセプトは似ている。 まとめ 前提/課題 CNN, transformer, MLP, 等を利用してコンピュータビジョンモデルが改善されている 画像中の物体は通常、形状が不規則で四角形ではないため、ResNetやViTなどの従来のネットワークで一般的に使われているグリッドやシーケンス構造は、冗長で柔軟性がなく、処理しに
愛知県は製造業が盛んなことで有名ですが、農業総産出額も2922億円（2021年）で全国8位です。そのうちキャベツの産出額は、181億円で約6％を占め、全国シェアも19％と常に全国1位の座を競っている状況です。 このようにキャベツは愛知県にとって重要な農産物です。しかし、2020年に愛知県農業総合試験場が生産者に対して行ったヒアリング調査では、将来の生産継続、順位維持に対して悲観的な結果が報告されています。加えて、キャベツを生産する農作業が身体的に負担の大きい重労働であることから、担い手の高齢化に伴い、農作業の軽労化への強い要望が挙げられています。 キャベツの収穫作業は、広大な圃場(ほじょう)に定植されたキャベツの結球状態を確認しながら刈り取り、1個当たり1キログラムを超えるキャベツを作業車に搭載して運搬し、収穫の総重量は300キログラムに及ぶこともあります。国内大手の農機具メーカーから販売
Deep Learning資格試験 まとめ
はじめに 日本ディープラーニング協会の Deep Learning 資格試験（E 資格）の受験に向けて、調べた内容をまとめていきます。 応用数学 線形代数 演算規則 和 スカラー倍 行列式 単位行列 逆行列 連立方程式 行基本変形 固有値分解 固有値、固有ベクトル 特異値分解 いろいろな距離 マンハッタン距離 ユークリッド距離 マハラノビス距離 確率・統計（１） 集合 和集合 共通部分 絶対補 相対補 確率 頻度確率 ベイズ確率 条件付き確率 独立な事象の同時確率 ベイズ則 期待値 分散・共分散 分散 共分散 標準偏差 確率変数と確率分布 さまざまな分布 確率・統計（２） 統計的推定 最尤推定 情報理論 自己情報量 平均情報量 結合エントロピー 条件付きエントロピー 相互情報量 相対エントロピー 交差エントロピー 機械学習 機械学習（１） 学習アルゴリズム タスクＴ 性能指標Ｐ 経験Ｅ 前
本記事は、G検定のチートシートです。 「ディープラーニングG検定公式テキスト」と「ディープラーニングG検定問題集」を中心にまとめています。 どちらも代表的なG検定のテキストです。（代表的というか、これくらいしか無いです。。） また、機械学習やディープラーニングについては、モデルごとの解説動画を日々更新しているので、ぜひこちらもお役立てください。 ■Youtube:https://www.youtube.com/channel/UCwlSTr8FIuNnaNPZIzDghAA ■ブログ：https://datascience-lab.sakura.ne.jp/ 1.1 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
はじめに 近年、ディープラーニングの進化により、画像認識技術は飛躍的に向上しています。特に物体検出の分野では、Faster R-CNNのようなモデルが業界のスタンダードとして確立し、多くの応用例を生み出しています。しかし、このような高度なモデルをゼロから実装するのは非常に困難であり、多くの研究者やエンジニアは既存のライブラリを使用して開発を進めています。 torchvision は、PyTorchの公式拡張ライブラリとして、画像認識のためのデータセット、モデル、変換関数を提供しています。そして、その中にはFaster R-CNNの実装も含まれています。 本記事では、Faster R-CNNの論文をベースとしつつ、細かい処理はtorchvision に組み込まれているFaster R-CNNの実装を参考にし、モデルの内部構造や動作原理を明らかにします。 環境 torchvision==0.1
概論＆全体的な研究トレンドの概観④（Cascade R-CNN、CBNet）｜物体検出(Object Detection)の研究トレンドを俯瞰する #5 - Liberal Art’s diary
当シリーズでは物体検出の研究トレンドをまとめています。 #1ではHOG(Histograms of Oriented Gradient)[2005]からR-CNN[2013]までについて、#2ではFast R-CNN、FasterRCNN、YOLO、SSDについて、#3ではFPN、RetinaNet、M2Detについて、#4ではM2Detの著者実装について取り扱いました。 #5では2019年の研究として、Cascade R-CNN[2019]とCBNet[2019]について取り扱います。 以下目次になります。 1. Cascade R-CNN[2019] 2. CBNet[2019] 3. まとめ 1. Cascade R-CNN[2019] 1節では2019年6月の研究である"Cascade R-CNN: High Quality Object Detection and Instanc
Mashykom ホーム・ページ
以下の web site は人工知能及びロボティクスを基礎から学習したいと思う人たち向けの学習素材を提供します。入門編から中級レベルまでになっています。 なお、プログラミングに必要な言語（Python, C++, Rust , Javascript, Swift, WebGL）及び Linux OS の説明も付けました。 各ページで使用されるコードは GitHub repository 及びGoogle Colaboratoryにアップされています。 GitHub repository へアクセスするためには、GitHub のアカウントが必要です。 また、Googleのアカウントを登録しておけば、Python 環境が用意された Colaboratory で GPU を用いた機械学習が無料で実行できます。 ご要望やご意見の送信はこのEmail送信欄にお書きください。 OS and Progr
こんにちは。スキルアップAI編集部です。 セグメンテーション(segmentation)は、コンピュータビジョンの主要なタスクの1つで、医療画像分析、自動運転、映像監視システムなど、幅広い分野で応用されています。本記事では、深層学習を用いたセグメンテーションについて、概括的に解説していきます。 1.セグメンテーションとは セグメンテーションとは、日本語で「分割」という意味で、機械学習においては、画像をいくつかのオブジェクトに分割するタスクのことを指します。現在、セグメンテーションには、大きく分けて3つのタスクがあります。図1にそれぞれのセグメンテーションの例を示します。 図1. セグメンテーションの例 (参考文献[1]より引用) 図1の(b)はセマンティックセグメンテーションと呼ばれるタスクで、画像中の全ての画素に対して、クラスラベルを予測することを目的とします。 図1の(c)はインスタン
チュートリアル: AzureMLでの大規模トレーニング
原文： Tutorial: Training at Scale on AzureML Published 04/06/2021 By Phil Tooley Azure Machine Learningを使用して、大規模なAIモデルを迅速にトレーニングする 注: クラウドは移り変わりの速い環境です。このチュートリアルは2021年3月時点のものですが、サービスの最新のアップデートについては、Azure Machine Learning Documentation をご確認ください。 AIと機械学習は、科学、産業、ビジネスに変革をもたらし、その応用範囲は常に拡大しています。進歩のスピードはとどまるところを知らず、モデルはますます複雑になり、データセットはますます大きくなるため、1台のGPU、あるいは複数のGPUを搭載した1台のマシンでは十分ではありません。大規模なGPUクラスターでの分散型トレ
物体検出ライブラリMMDetectionを使ってObject DetectionおよびInsatance Segmentationモデルを開発することができるようになるための一連の流れを紹介します。 かなり長くなるため、技術的に不適当な表現/内容の場合は編集リクエストを頂けると幸いです。 対象 何が書いてあるか MMDetectionの既存モデルの利用する MMDetectionの既存モデルに対し、既存モジュールを用いた変更を加える 何が書いてないか MMDetectionでの新規モジュール作成 (日本語情報を作る意味を見出せませんでした) MMDetectionとは 香港中文大学マルチメディアラボとその関連会社であるSenseTimeが中心となって主催している、OpenMMLabによるMMCVシリーズ第一弾です。メインの開発者は(おそらく)MMDetectionの論文とCVPR 2019
LeNet - Wikipedia
LeNet は、畳み込みニューラルネットワーク（Convolutional Nueral Network, CNN）の機構であり、1989 年にヤン・ルカン（Yann LeCun）らによって提案された。LeNet という語は、一般に、単純な畳み込みニューラルネットワークである LeNet-5 を指す。畳み込みニューラルネットワークはフィードフォワード・ニューラルネットワークの一種であり、人工ニューロンが周囲の細胞の一部をカバー範囲内として応答することができ、大規模な画像処理に適している。 開発履歴[編集] LeNet-5 は、最初期の畳み込みニューラル ネットワークの1つであり、深層学習の開発を促進した。1988 年以降、長年の研究と幾度もの成功を経て、この先駆的研究は LeNet-5 と名付けられた。 ヤン・ルカン（2018 年） 1989 年、 ベル研究所のヤン・ルカンらはバックプロパ
目次 1. はじめに 2. 物体検出AIとは 3. 物体検出AIは使えるのか 4. データ収集 5. アノテーション 6. モデル選定 7. 評価指標 8. 学習 9. おわりに 1. はじめに 本記事では、深層学習に基づく物体検出AIを使用する場合のコツについて経験で得た知見をまとめました。 物体検出で最も広く知られているであろう参考文献はyolov3のwikiにあるTips for Best Training Resultsだと思います。このガイドラインに沿って、筆者の知見も合わせて解説します。 2. 物体検出AIとは 物体検出(Object Detection AI) は、画像やビデオ中の物体を検出し、それらの物体の位置を示す技術のことです。この技術は、画像分類とは異なり、単に画像内に含まれる物体の種類を判別するのではなく、物体の具体的な位置も同時に検出することができます。 基本的に
TensorFlow Object Detection APIを使ってFaster R-CNN、R-FCN、SSDを比較してみた - Qiita
TensorFlow Object Detection APIを使ってFaster R-CNN、R-FCN、SSDを比較してみた機械学習MachineLearningTensorFlow物体検出ObjectDetection 5行まとめ TensorFlow Object Detection APIには各種モデルが準備されており、簡単に試すことができた。 SSDは推論がとても早いが学習に時間がかかる。 R-FCNは推論時間でSSDに劣るが、検出精度がSSDより高め。学習時間と精度のバランスも良い。 ラベル付けの補助としてR-FCNを使い、推論時間が重要な場面での最終的な検出器としてSSDを使うのが良さそう。 ラベル付け（アノテーション）は苦行。 概要 TensorFlow Object Detection APIを使い、独自のデータセットで物体検出（Object Detection）を行っ
物体検出 - Wikipedia
80クラスの一般的な物体を検出できるCOCOデータセットで学習されたYOLOv3モデルを使用して、OpenCVのディープニューラルネットワークモジュール（DNN）で検出された物体。 物体検出（ぶったいけんしゅつ、object detection）は、デジタル画像処理やコンピュータビジョンに関連する技術の一つで、デジタル画像・動画内に映っている特定のクラス（人間、建物、車といったカテゴリー）の物体を検出するものである[1]。物体検出はコンピュータビジョンの基礎的な学問領域であり、画像分類（英語版）や顔認識、自動運転など多くの分野でその知見が応用されている[2]。深層学習（ディープラーニング）技術の進展に伴い、物体検出の分野でもR-CNNやYOLO、SSDなどの深層学習を用いた手法が広く使われるようになって精度も大きく向上したが、一方で物体検出分野に特有の技術的な課題や学習・評価に必要なデータ
3つの要点 ✔️ 物体検出技術は、画像処理やコンピュータビジョンの分野で重要な役割を果たしています。 ✔️ 低品質のデータセットにおいて、物体検出の精度が向上させるDiffYOLOというフレームワークを提案します。 ✔️ モデルから学んだ情報を使うことで、通常よりも優れた性能が得られることが示されました。 DiffYOLO: Object Detection for Anti-Noise via YOLO and Diffusion Models written by Yichen Liu, Huajian Zhang, Daqing Gao (Submitted on 3 Jan 2024) Comments: Published on arxiv. Subjects: Computer Vision and Pattern Recognition (cs.CV) code： 本記事で
[論文読み]LayoutLMv3整理 - Qiita
Document AIで注目を浴びているLayoutLMv3の論文を読んだので、備忘録も兼ねて簡単に整理します。 Huang, Yupan, et al. "Layoutlmv3: Pre-training for document ai with unified text and image masking." Proceedings of the 30th ACM International Conference on Multimedia. 2022. LayoutLMv3とは 簡単にまとめると、 テキスト中心、画像中心のDocument AIタスク両方でSOTAを達成する、CNNやFaster R-CNNのようなバックボーンに依存しないDocument AI初のマルチモーダルモデル MLM（Masked Language Model）, MIM（Masked Image Model
![[論文読み]LayoutLMv3整理 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/fe26ff87e980f435d87bb26a9946627748ba23e0/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTVCJUU4JUFCJTk2JUU2JTk2JTg3JUU4JUFBJUFEJUUzJTgxJUJGJTVETGF5b3V0TE12MyVFNiU5NSVCNCVFNyU5MCU4NiZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnR4dC1jbGlwPWVsbGlwc2lzJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9YmIwMDY5MThhM2UzZTRkMmYxOWEwMzY1NTg3ZGY5ZmU%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTcxNiZ0eHQ9JTQwbW91ZnV5dSZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTMyJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9OTUwNGE2ZDkzMGRjYmU1NWZmM2VhOWM4OTcwZTViM2U%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3Db178b8fc5d41c10ed0b0023ab92a59d2)
マスク R-CNN：画像内のオブジェクトを効率的に検出する
3つの要点 ✔️ オブジェクト検出のためのマルチタスク学習モデルであるMask R-CNNを提案しています。 ✔️ モデルは高い精度で物体の位置、境界ボックス、セグメンテーション、キーポイントを同時に予測し、COCOデータセットで他の手法を上回る性能を示しています。 ✔️ Mask R-CNNの柔軟性は、検出とセグメンテーションのタスクにおいて大きな進展をもたらし、高速で効果的なトレーニングが可能です。 Mask R-CNN written by Kaiming He, Georgia Gkioxari, Piotr Dollár, Ross Girshick (Submitted on 20 Mar 2017 (v1), last revised 24 Jan 2018 (this version, v3)) Comments: open source; appendix on mor
1. ROI Pooling (関心領域プーリング) とは [概要] ROI pooling (関心領域プーリング) とは，Faster R-CNN シリーズの研究で確立された「アンカーあり2ステージ型の物体検出ネットワーク」において，2ステージ間で，候補領域特徴を集約して受け渡すために用られる領域プーリング層である．Fast R-CNN の研究で提案され [Girshick, 2015]，その後は物体領域の特徴を集約する際によく用いられている． 親記事：物体検出 (Object Detection) [ディープラーニングの手法を中心に] 関連記事：Faster R-CNN: 2ステージ型の物体検出CNNの元祖 ROI Pooling を用いると，入力の領域提案バウンディンボックスがどのような大きさでも，同一の空間サイズの特徴マップへ集約できるので，後半ステージのネットワークが，統一された
物体追跡（オブジェクトトラッキング）について整理する
オブジェクトトラッキングとは 物体追跡（オブジェクトトラッキング）は、動画や一連の画像から特定の物体の動きを追跡する技術。 概要 物体追跡の基本的なプロセスは次の通りである。 ※ここではTracking-By-DetectionなMultiple Object Trackingについてまとめる 物体検出 物体検出アルゴリズム（例：Yolo、SSD、Faster R-CNNなど）が各フレームから物体を検出。 各検出は、物体の位置（x, y座標）とその大きさ（幅と高さ）を含む。 追跡の初期化と更新 初めて物体が検出されると、その物体を追跡する新たな「追跡物体」が作成される。 次のフレームで物体が再び検出されると、追跡物体は更新される。 状態の予測と補正 カルマンフィルタを使って追跡物体の新たな状態（位置や速度など）を予測、新たな検出によってその予測を補正。 実装詳細 物体追跡の実装は一般的には
YOLOXのアーキテクチャ - Qiita
はじめに 近年、オブジェクト検出の分野において、Real-time処理が求められるアプリケーションが増えてきました。自動車の自動運転、ドローンの空中ナビゲーション、高速なビデオ解析など、速度と精度が両立するオブジェクト検出技術のニーズが高まっています。この背景から、YOLO（You Only Look Once）というオブジェクト検出のアプローチは非常に注目を浴びてきました。そして、YOLOの進化版とも言える「YOLOX」は、その最先端を担っています。 YOLOXは、従来のYOLOシリーズとは異なるいくつかの革新的なアイディアを組み込んでおり、それにより、さらなる精度の向上と計算効率の最適化を実現しています。 YOLOXの特徴は以下の通りです。 ネットワークアーキテクチャの改良: YOLOv5を参考にネットワークアーキテクチャを改良しています。backboneにはDarknet53を改良し
論文：Conditional Convolutions for Instance Segmentation - Qiita
Info タイトル：Conditional Convolutions for Instance Segmentation カンファ：ECCV2020 著者：Zhi Tian, Chunhua Shen, Hao Chen 論文：https://arxiv.org/abs/2003.05664 プロジェクトページ：https://github.com/aim-uofa/AdelaiDet 概要 Mask R-CNN ではROIを計算した後、すべてのROIは同一のネットワークを通してセグメンテーションされていた。本手法では検出したインスタンスに応じてネットワークを動的に切り替えることによって、ネットワークからROIを取り除く。 本手法では、 インスタンス分割は完全な畳み込みネットワークによって解決されるため、ROIの切り出しが不要になる。特徴マップをリサイズする必要がないため、より正確なエッジ
はじめに 概要 Pythonのダウンロードとインストール YOLOv3の導入 実行してみる 次回 はじめに 今回から、室内の人数をカウントするシステムの研究内容について、記録をまとめていきたいと思います。 概要 言語はPython3.6を使用します(3.7ではtensorflowが使えません)。 想定しているシステムは、webカメラで一定時間ごとに撮影された画像から物体検出を行い、店舗内の人数をカウントするというものです。 ただし、今回は赤外線カメラを使用しているため、画像は白黒となります。 薄暗い場所当においては白黒画像からの検出も必要なため、白黒画像からの検出精度を上げる研究も行います。 まずは既存の学習済みモデルの検証から行ってみたいと思います。 Pythonのダウンロードとインストール Pythonのダウンロードから行っていきます。下記のURLから公式サイトにアクセスしてください。
活用方法は無限大！AIが可能にした世界線
今回は論文を基準とした解説ではなく、技術ベースで記事を書いていますので、少しいつもと違うと思いますが、ぜひお読みください。 これを読まれている多くの方はpose estimation(姿勢推定)という言葉を聞いたことがあると思います。簡単に説明すれば、人がどのような姿勢を取っているかを推定する技術です。みなさんがもっともpose estimationを知ったきっかけにもなったのは、CVPR2017で発表され、多くの人が知ったであろうOpenPoseが有名ですね。今回はそんなpose estimationについて、深ぼっていきたいと思っています。 Pose Estimationの社会的ニーズの広がり ではなぜ、今回pose estimationについて記事を書いているかというと、近年動画SNSが爆発的に普及し、それに引っ張られるように動画に関する研究も増えています。すなわち、動画データが一般
G検定チートシート（cheat sheet）（2024年第三回G検定 2024.5.11）｜スキルフルな人生
せっかく作ったので公開しておきます。Ctrl＋Fで検索で利用してください。 私の勉強方法などの経験は「G検定受けてみた」を参照ください。 人工知能とは学習目標：人工知能や機械学習の定義を理解する 学習項目：人工知能とは何か、人工知能のおおまかな分類、AI 効果、人工知能とロボットの違い 推論 (Inference) 特徴: 推論は、与えられた事実やデータから新しい結論を導き出す過程です。 目的: 未知の情報を既知の事実から導き出し、意思決定や問題解決に役立てること。 説明: 例えば、天気予報で「今日は雲が多い」という情報があれば、「雨が降る可能性が高い」と推論することができます。AIではこの論理的な推論を自動化し、データから新しい知識や結論を生成します。 認識 (Recognition)特徴: 認識は、センサーやデータからパターンを識別する能力です。 目的: 環境や入力データから有用な情報
元記事（最新はこちらを参照）: 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 Redmo
Obsidianはノートアプリであるものの、文章としてノートを書くだけでなく、写真やPDFファイルなどを埋め込むこともできます。 そして、ファイルには階層的なタグをつけて管理できます。 このObsidianを使って文章としてのノートを管理するだけでなく、「画像もうまく管理したい！」と考える私が取り組んでいることを紹介します。 画像管理は難しい最近はスマートフォンが普及し、手軽に写真を撮影できるようになりました。とても便利になった一方で、大量の写真を撮影したものの、それをどうやって管理するのかは難しいものです。 iOSには「写真」、Androidには「Googleフォト」など標準で写真管理アプリが用意されており、これを使っている人もいるかもしれません。これらも十分に高機能で、位置情報をオンにして撮影すると撮影場所を地図上に表示してくれたり、写真に写っている人の顔でグルーピングしてくれたりしま
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
Document AIを巡る技術とLayerXにおける可能性 - LayerX エンジニアブログ
Python作者 Guido氏インタラクティブ記念講演会レポート | gihyo.jp
Kaggle Grandmaster になるまでの振り返り - tkの日記
《日経Robotics》Masked Autoencoder：画像認識でも事前学習革命は起きるのか
ゼロから理解する機械学習の評価～ ROC 曲線と PR 曲線の使い分けまで～
Kaggle HuBMAP2023 上位解法まとめと復習
物体検出のアノテーションとは｜「物体検出の手法」や「できること」について解説
G検定カンペ用語集リスト（英語） : G検定カンペ用語集
【論文読み】画像をグラフ構造として特徴抽出するVisionGNN - Qiita
キャベツ栽培軽労化への取り組み～生育診断アドバイスシステムと収穫支援機械の開発～｜農畜産業振興機構
【2022年3月受験版】G検定チートシート - Qiita
torchvisionの実装から見るFaster R-CNN - Qiita
深層学習を用いたセグメンテーションの紹介 セグメンテーションシリーズ①｜スキルアップAI
MMDetectionを使って物体検出のSoTAになりたい(v2.22.0対応) - Qiita
【Object Detection】物体検出AIを学習させるコツ - Qiita
【DiffYOLO】革新的なフレームワークで低品質データでの物体検出を向上させる
ROI pooling (関心領域プーリング) | CVMLエキスパートガイド
AIで室内の人を認識しカウントする研究開発① - iTAC_Technical_Documents
YOLOの各バージョンについてまとめ（2023年5月29日時点）
Cloud Vision APIを使ってObsidianで画像を管理する｜masuipeo