paper/導入 (先に学ぶべきことリスト)/ 趣旨/ 和積パターン言語の定義/ $k$-和積パターン言語/ 定理 3.1/ 言語の包含関係/ $k$-和積パターン言語の学習/ $k$-和積言語の学習/ http://www.kurims.kyoto-u.ac.jp/~kyodo/kokyuroku/contents/pdf/1426-8.pdf ALT パターン 形式言語
[1804.06655] Deep Face Recognition: A Survey
概要 Face Recognition (FR; 顔認証) の手法の近年の遷移をサーベイした論文. リンク モダンな深層距離学習 (deep metric learning) 手法: SphereFace, CosFace, ArcFace - Qiita LFW自体がCNN使わずとも98.5%とか出ちゃう簡単なベンチマークなので、この表はほとんど意味ないです… ここ最近の傾向だと、SphereFaceとCosineFaceとArcFaceを合体させて一般化したCombined Margin Lossがファイナルアンサーっぽい感じです。https://t.co/K9ciQQlqNe — Koichi Takahashi (@51Takahashi) February 13, 2019 距離学習の概要 (顔写真などの) 2枚の画像 \(I_1, I_2 \in \mathrm{Images}
速くて軽くて精度の良い、MobileNetのポイントをまとめてみた - Qiita
他人の方のKaggle KernelでMobileNetが出てきたので、色々調べてみました。 TL;DR Googleが2017年（V1）と2018年（V2）に発表した論文。モデルのサイズが小さく、計算量が少なく（アプリの処理待ちなどが短い）、メモリも少なく済んで、精度も他の有名なモデルと比較して、結構高い水準を維持しているモデル。名前の通り、モバイル端末でも耐えうる性能を持つ。 Mobileと名前に付いているものの、用途はスマホアプリ専用というわけではない。計算リソースに制限のあるサーバーや、リソースのコスパを良くしたい場合、その他ColabolatoryやKaggle Kernelなど、起動時間に制限のある環境などでも便利。 $α$と$\rho$というハイパーパラメーターを調整することで、ネットワークの深さなどを調整しなくても、さくっと精度と負荷のトレードオフを調整できる。アプリの対応
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
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
