Guetzli: Perceptually Guided JPEG Encoder
Guetzli is a new JPEG encoder that aims to produce visually indistinguishable images at a lower bit-rate than other common JPEG encoders. It optimizes both the JPEG global quantization tables and the DCT coefficient values in each JPEG block using a closed-loop optimizer. Guetzli uses Butteraugli, our perceptual distance metric, as the source of feedback in its optimization process. We reach a 29-
perceptual hash(phash)を利用して画像比較をしてみる - テノニッキ (@hideack 's diary)
突然ですが画像がたくさんあってそれを人の目で分類するのって大変ですよね。 自動でこういったものを分類できないか興味があったので調べてみました。 perceptual hashとは perceptual hash というのは、ハッシュ関数の実装なのですがSHA1等のハッシュ関数とは違い、以下の様な特徴があります。 得られるハッシュ値は64bit 対象は静止画, 画像, 音声等のマルチメディアデータ コンテンツ内容が類似しているケースでハッシュを得た場合、例えば静止画画像の拡大、縮小といった加工の場合ハッシュ値が全く同じになる また、色調の修正やノイズが加わった場合も得られるハッシュ値間のハミング距離が近くなる 64bitのハッシュ値なので最も遠いハミング距離は64 (=全くコンテンツが異なっている) 逆にハミング距離が0であればperceptual hashで得られた結果上は同一コンテンツ
Perceptual Hash - stMind
Perceptual Hashは、画像などのメディアデータのハッシュを計算するアルゴリズム群です。 SHA-1やMD5とは異なり、画像サイズの違いや回転などの変換で画像が全く同一でない場合でも、元画像と同じハッシュ値を計算してくれます。 どんなことに使われているのか？ アプリケーションとしては次のようなものがあります。 コンテンツの重複検出 Iconfinderでは、アイコン画像のアップロード時にdHashを用いて登録済みアイコンとの重複を検出する機能を開発中 Youtubeではユーザのアップロードした動画と、データベースにある著作権あり動画を比較し、違法アップロードを検出 DropboxのCarouselでは、ローカルのファイルからハッシュ値を計算し、サーバ側にバックアップしていないファイルを判定しているよう 類似画像検索 TinEye.com Google Image Search ア
3次元のオブジェを画像のように錯覚してしまう展示アート : ラビトーク！
「The Perceptual Shift (知覚シフト)」と名付けられた作品。天井から、幾つもの球体が無造作に吊り下げられており、粒子のような立体構造を成すオブジェクト。これらの集合体は、あるアングルを通して見ると二次元のグラフィックスのように錯覚して見える。ある点を境に、人間の認識がシフトする不思議な感覚。 球体の立体オブジェクトが瞳の画像に見える 「Perceptual Shift」 by マイケル・マーフィー (Michael Murphy) アメリカ、ニューヨークの芸術家マイケル・マーフィー (Michael Murphy) による作品。グラフィックスが崩れ、3次元空間に分離していくかのような拡張的なアート。1,252個のボールが使用された。 # Perceptual Shift ニューヨークのギャラリー 「IMAGE」 にて7月3日まで展示されている。
ggplot2 パッケージによる可視化の際のラベルの重なりを防ぐ｜Colorless Green Ideas
ggrepel パッケージを使うと、ggplot2 パッケージによる可視化の際に、ラベルとラベルが重なって見にくくなることを防ぐことができる。 はじめに R の ggplot2 パッケージで散布図などを作るときに、データ点に対してラベルをつけたいということがあるだろう。そういったときに便利なのが、ggrepel パッケージである [1] 。この ggrepel パッケージを使えば、ラベル同士が重なることが抑制される [2] 。なお、以下では散布図の場合を扱うが、ggrepel パッケージは他の種類の可視化にも利用することができる。例えば、Matt Strimas-Mackey 氏は Mapping the Longest Commericial Flights in R という記事の中で、地図上のラベルが重ならないようにするためにこのパッケージを用いている。 使い方 まずは、必要なパッケー
【炎上】 森川勇治社長「私のツイッターを読んでない奴は即不採用。一般常識がないのか？」
株式会社ウェッブアイという中小企業の森川勇治社長が面接に来る人材について文句を漏らしたところ、思わぬ炎上を招いてしまうことになった。現在批判の声が殺到している。 炎上した投稿はこちら。 何か嫌なことでもあったのか、突然、応募者に対する愚痴を書き連ねている。この投稿を行ったのは従業員55名を抱える株式会社ウェッブアイ（資本金5,000万円）の森川勇治社長。早稲田大学理工学部の出身でプロフィールには「30年に渡ってプロジェクト管理と生産管理のシステム提供に従事した」とある。 2000年に独立してから技術力を武器に規模を拡大してきたようだ。しかし、それにしても中小企業の社長がここまで偉そうなツイートを全世界に公開してしまうのはいかがなものか。 そもそも社長のTwitterをチェックするのが常識なんて話は聞いたことがない。応募者は必ずしも社長に興味があるわけではなく、その会社の技術や製品に興味を示
カーゴ・カルト・プログラミング - Wikipedia
カーゴ・カルト・プログラミング（英: Cargo cult programming）とは、コンピュータープログラミングにおいて、実際の目的には必要のないコードやプログラム構造が儀式的に含められているという状態で特徴づけられる悪習である。カーゴ・カルト・プログラミングは、プログラマが、自身が解決しようとしている課題やバグ、明らかな解決策を理解していないことを示す兆候である（ショットガン・デバッギング（英語版）やブードゥー・プログラミング（英語版）も参照）[1]。 カーゴ・カルト・プログラミングは、目の前の問題について経験の浅いプログラマが、他の場所にあるプログラムコードを、その仕組みや、それが本当に必要かどうかを理解することなしに、別の場所にコピーするときに生じうる。 また、他の場所で見つけてきた設計手法やコーディングスタイルを、それが生まれた背景理由などを理解しないまま盲目的に適用した結果
Elastic{ON} 2017 2日目 ｜Luceneの新機能の紹介！ #elasticon - Taste of Tech Topics
Elastic{ON}2017 レポートのまとめはこちら！！ こんにちは！@tereka114です。 Elastic{ON}2日目が終わりました！ 2日目はMachine Learningなど注目のセッションが多かったです。 そして、私はPythonistaのBoFに行ってきました。その感想はこちらです。 Elastic{ON} 2017 ２日目｜ BoF: Pythonista Unite!に挑戦しました - Taste of Tech Topics 今日は「Get the Lay of the Lucene Land」を紹介します。 他にも面白いセッションがたくさんありました！ 機械学習を主に業務として担当しているので、もちろんこれらも非常に面白かったです。 こちらは、弊社の他の参加者が紹介する予定です！お待ち下さい。 Get the Lay of the Lucene Land Bo
Belajar Bahasa Inggeris Online 2022 (Kelas English 1-to-1)
Kalau anda teringin nak fasih English, boleh belajar Bahasa Inggeris online dengan kami. Kelas dijalankan menggunakan Zoom / Google Meet. Kelas Bahasa Inggeris Online Ini Khas Untuk Orang Dewasa Yang Faham English, Tapi Bila Speaking: Ayat Berterabur, Grammar Hancur Dalam proses nak fluent English, kenapa mesti malu? Kami di JomEnglish Academy faham, anda nak sangat cakap smooth dan rasa confident
イェンゼンの不等式の３通りの証明 | 高校数学の美しい物語
f(x)f(x)f(x) が凸関数のとき， 任意の x1,…,xnx_1,\dots,x_nx1,…,xn と λi≧0,∑i=1nλi=1\lambda_i\geqq 0,\displaystyle\sum_{i=1}^n\lambda_i=1λi≧0,i=1∑nλi=1 を満たす任意の λ1,…,λn\lambda_1,\dots,\lambda_nλ1,…,λn に対して， ∑i=1nλif(xi)≧f(∑i=1nλixi) \sum_{i=1}^{n} \lambda_{i} f(x_{i}) \geqq f \left( \sum_{i=1}^{n} \lambda_i x_i \right) i=1∑nλif(xi)≧f(i=1∑nλixi) が成立する。 「凸関数」の意味やイェンゼンの不等式の証明は後述します。まずは具体例を紹介します。 特に n=2
勾配ブースティング落穂拾い - 木の構築について - お勉強メモ
このシリーズについて XGBoost芸人を自称してちょこちょこ活動をしてきたのですが、最近になって自分の理解の甘さを痛感するようになりました。 気になった箇所を散発的に復習しているのですが、その成果を備忘録として残しておこうと思います。 今のところ体系的にまとめるつもりはないので、これを読んでも勾配ブースティングの全体像はつかめませんので悪しからず。 今回のテーマ以外にはマルチクラス分類の際の挙動等に関心を持っています。 木の構築について 勾配ブースティングでは 回目のイテレーションで誤差 の勾配を上手く表現した木を構築します。 この部分の処理についてscikit-learnとXGBoostでの違いを確認します。 scikit-learn カステラ本に準拠した処理になっています。 勾配の計算は となり、これを各サンプルのラベル扱いにして DecisionTreeRegressor に投げま
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
