サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
Pixel 9
blog.livedoor.jp/moro_tyo
画像ファイルの全画素値を配列にコピーする場合の速度比較を行った。 比較するのは以下の3手法。 ・方法1: C# - C# で Bitmap クラスの GetPixel メソッドを使った - 普通の方法 ・方法2: C#(unsafe) - C# で unsafe を使った - ちょっと工夫した方法 ・方法3: C++ - C++ のクラスライブラリを作成し、C# から参照して使った - 画像処理ライブラリとして、OpenCV を用いた 一応、比較用に書いたソースは記事末に載っけときました。 557x850 の 24ビットカラー JPEG画像の場合 方法1: 21.6388260748251 (秒) 方法2: 5.06153430618396 (秒) 方法3: 0.0533208579219269 (秒) 方法1の20秒は、あり
主成分分析(PCA)とは、特徴量の次元がバカでかくなりすぎた場合に行われる次元収縮の手法である。 参考: http://www-pse.cheme.kyoto-u.ac.jp/~kano/document/text-PCA.pdf http://aoki2.si.gunma-u.ac.jp/lecture/PCA/index.html 主成分分析は広く知られている手法で、統計学で習った人も多いかもしれない。 パターン認識の分野では、この主成分分析と組み合わせて、独立成分分析(ICA)がしばしば使われる。 独立成分分析と主成分分析の処理は似ている。 だが、主成分分析は(主成分の)軸は直交しなければいけないのに対して、独立成分分析では軸は直交しなくてもよいという点が違う。 独立成分分析では、データ分布の独立性を見るのだ。 独立成分分析は fastICA ( http://www
秋の夜長、うんこでも載せないとやってられません。 画像処理ライブラリの OpenCV を用いて顔検出を行い、頭にうんこを載せるソフトウェア UnkoNose を作りました。 UnkoNose をダウンロード 【はじめに】 .NET Framework 2.0 がインストールされていないと実行できません。 Windows Update からインストールできます。 【使い方】 上でダウンロードした UnkoNose.zip を解凍し、UnkoNose.exe をダブルクリックして、出現したフォームにお好みの画像ファイルをドロップするだけです。 すると・・・ あら、はしたない! 頭に うんこ 載ってますよー!!! 顔検出ミスると、わけのわからんところに うんこ が出現しますが、それは サプライズうんこ ということで。 あと、フォルダ内の"unko.bmp"ファイルを差し替
(真上から見たイメージの)おっぱいを標本化する場合。 おっぱいの周波数の2倍以上の点で、標本化しなければならない。 さもないと、おっぱいが、2つではなくなるかもしれない(2倍以上の点でも標本点が少ないとカップ数は変わる場合がある)。 また、おっぱいをフーリエ変換し、パワー(振幅)スペクトルを求めることにより、おおよそのカップ数が、推定できる。 さらに、おっぱいにローパスフィルタを適用することにより、高周波成分である乳頭が排除でき、R-18指定から、R-15指定に次元を落とすことができる。
Wikipediaの"数学"のページ( http://ja.wikipedia.org/wiki/%E6%95%B0%E5%AD%A6 )をなんとなく見てたら、 数学は、量、構造、変化、空間といったものを対象として、いくつかの仮定から始めて、決められた演繹的推論をすすめることで得られる事実(定理)のみからなる体系を研究する学問である。って、書いてあった。 あれ?そういえば、数学的帰納法とかいうのあったなぁ・・・と高校のころの記憶がよみがえった。 数学は、"演繹的推論をすすめることで得られる事実(定理)のみからなる体系を研究する学問"なら、数学的帰納法ってなんなの?という疑問が沸いた。 で、Wikipediaでいろいろ見てみた。 演繹 ( http://ja.wikipedia.org/wiki/%E6%BC%94%E7%B9%B9 ) 演繹法 は、一般的・普遍的な仮定からより個
サポートベクターマシン(以下 SVM) とは ・ニューラルネットワークの一種 ・教師ありクラスタリング SVM の基本的な考え方 ・元々2クラスの線形分離手法として提案される ・単層パーセプトロンに似ているが、SVM はマージン最大化という手法をとっているのがポイント。 ・マージン最大化とは、超平面と学習データの隙間となるマージンをなるべく大きく取ろうというもの。 (ここでいう超平面とは、2つのクラスにぶった切る平面のこと) ・ちなみに超平面と、ちょうどマージンの分だけ離れている学習データをサポートベクトルという。 ・このマージン最大化という考えを取り入れることによって、テストデータの識別精度を高めている。 SVM の発展 ・線形分離不可能な問題への対応 - ソフトマージン(学習データが多少マージンにくい込んだり、反するクラスの空間にくい込んだりしても許す)で対応
このページを最初にブックマークしてみませんか?
『blog.livedoor.jp』の新着エントリーを見る
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