物体検出用の画像アノテーション正解データ生成に便利なツール - verilog書く人
RCNN (Regional Convolutional newral networks)などの機械学習モデルを使って画像から物体検出するには、"どこ"に"なにが"あるのか、すなわちバウンディングボックスの四角の座標(x, y)および正解ラベルが画像とセットで必要となります。 10000枚単位の画像が欲しい場合、自力で集めるのは大変なので、Pascal VOCのようなコンペで公開されている過去のトレーニング用データセットを流用しますが、それだけでは足りなかったり、自分が検出したい物体がなかったりします。 そんなときにPascal VOCに存在しない正解データを自分で追加して、一緒に学習させたい場合は、Pascal VOCのデータセットと同一形式のアノテーションデータを用意すると一緒に処理できて便利です。 例えばこの画像だと、黄枠のバウンディングボックスの中に車と人間がいます。 これがPas
TensorFlow×マリオカートでキノコカップ優勝も可能なリカレントニューラルネットワーク「MariFlow」を開発
人間のようにマリオカートがプレイできるリカレントニューラルネットワークの「MariFlow」を、プログラマーが開発しています。 Here’s Mario Kart, as played by a neural network - Polygon https://www.polygon.com/2017/11/5/16610012/mario-kart-mariflow-neural-network-video プログラマーのSethBlingさんは、1992年にスーパーファミコン用ゲームとして登場した「スーパーマリオカート」を再生するニューラルネットワークを構築し、自動でゲームをプレイできる「MariFlow」を開発しました。MariFlowにスーパーマリオカートのプレイムービーを15時間分学習させ、ドライブテクニックの一部を修正すると、さっそく50ccのキノコカップで優勝することができた
アップルのARKitってどこがすごいの？
画期的なARKit 「世界でもっとも普及しているiPhoneが、いきなりすべてAR端末になることのインパクトは計りしれません」。ARKitがもたらす可能性についてそう語るのは、自らVR（仮想現実）、MR（複合現実）、AR（拡張現実）向けアプリの開発を手掛ける谷口直嗣氏です。 iOS 11で初採用されたARKitは、iPhoneとiPadで動作するARアプリをを開発するためのフレームワーク。これによりiOSアプリ開発者は標準のAPIだけでさまざまなARアプリを従来より簡単に開発できるようになります。グーグルのアンドロイド端末でも「ARコア（AR Core）」を提供しており、ARKitと同様なことができますが現状では対応機種が限られています。その一方、ARKitではすでに稼働している数千万台以上のiOSデバイス（A9チップを搭載したiPhone 6s以降の機種）がARに対応したことになります。
2017年後半に感動したビジネスモデルまとめ10個｜チャーリー
チャーリーです。 ビジネスモデルを図解するシリーズを息抜きにはじめました。ひとまず10個まで書いたので、noteにまとめておきます。 100の事例を図解した「ビジネスモデル2.0図鑑」という本を発売しています（本記事の事例ふくむ）。予約開始と同時にnoteで全文無料公開という試みをやっています。本記事に興味を持ったらそちらもどうぞ！ ビジネスモデル図解シリーズを始めるきっかけになったサービス、Lemonade。 AMPの記事にわかりやすく詳細が書かれてるので引用。 ソーシャルインシュランスにおいて重要になるのが、どのようにしてグループを組めば、グループ内での保険の請求額が、そのグループにプールされている金額を超えないかだ。 Lemonadeでは、サービスに加入する際に、自身が関心のある社会課題を選ぶ。社会課題の中には支援や病児支援などが存在する。その社会課題に基づいてグループ分けが行われ、
Why do you need Non-Linear Activation Functions? - Shallow Neural Networks | Coursera
In the first course of the Deep Learning Specialization, you will study the foundational concept of neural networks and deep learning. By the end, you will be familiar with the significant technological trends driving the rise of deep learning; build, train, and apply fully connected deep neural networks; implement efficient (vectorized) neural networks; identify key parameters in a neural network
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
Top 6 Errors Novice Machine Learning Engineers Make
Visualizing learned features of a caffe neural network – Erik Smistad
