自社主催のイベント「Developers.IO 2019 Security」にて基調講演内で講演した資料です。 セキュリティ対策の悩みは尽きず、いろんなソリューションをどう考えて使っていけばいいか�考えるのは大変です。 そういった方の役に立てばいいなと思います。
![AWS上のセキュリティ対策をどういう順序でやっていけばいいか](https://cdn-ak-scissors.b.st-hatena.com/image/square/a7a4c6ebaa9f8fcd432db8b38b5f103af13dda2c/height=288;version=1;width=512/https%3A%2F%2Ffiles.speakerdeck.com%2Fpresentations%2Fe8d67c34cbf4431d926b82784d42f232%2Fslide_0.jpg%3F12431484)
仕事で、物体検出を用いた業務発注を行う関係で勉強していたのと、これに応募してみようとして色々やっていて、表題のプログラムが動かせるようになったので一応手順を共有しておきたく。 第2回衛星データ分析コンテスト「Tellus Satellite Challenge」を開催します (METI/経済産業省) すでに以下の日本語の記事があって、ほぼほぼそれのパクリなのですが、元のgithubなりコードを調べないと解決しない箇所があったのでまとめておきます。 最新の物体検出YOLO v3 (Keras2.2.0+TensorFlow 1.8.0)を独自データで学習できるようにしてみた: EeePCの軌跡 疑問点、指摘などコメントでいただけるとありがたいです。 1. YOLOとは?&今回のコード 2. 学習させたい画像と対象の位置情報を記述したファイルを用意する 3. 事前学習済み重みファイルを用意する
最初に ・本エントリーは、「YOLOの論文紹介」になります。そのため、「実際にやってみた」といった内容を含みません。 ・本エントリー執筆時点で、YOLOはv3まで出ていますが、その原点となる最初の「YOLO」についての紹介です。 今後、YOLOの論文を読む人がいた際に、もしちょっとでも購読が楽になれば嬉しいです。 論文はこちら YOLOについて 画像認識のアルゴリズムで、2016年に発表された。 リアルタイムで処理が可能、かつ高精度で処理できる。 また、1つのCNNネットワークで処理を完結しているため、学習が比較的容易。 コードの商用利用不可。 (2018年8月13日追記:商用利用可能みたいです。失礼しました。) 目次 1.introduction 2.Unified Detection 3.Comparison to Other Detection Systems 4.Experimen
EeePCの軌跡 要するに、モバイル端末機器活用、AI/機械学習応用が趣味のブログです。 物欲、自作小説も少々? ※ 管理人 ディープタイピング 物体検出コードといえば、Faster-RCNN、SSD、そしてYOLOが有名ですが、そのYOLOの最新版である”YOLO v3”のKeras+TensorFlow版を使って、独自データにて学習できるところまで持っていきましたので、ここに手順を書きます。 まず、YOLO v3の威力をご覧ください。 YOLO: Real-Time Object Detection 最近出たアルゴリズムなので、SSDよりも高速&正確であるというのが謳い文句です。ごらんのとおり、物体検出数も精度のなかなかです。 制度と速度を他の物体検出コードと比較したグラフです。わざとグラフの横軸からはみ出すように作ってますが・・・実際動かしてみると、確かに以前試したTensorFlo
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