DiscoGANを使って「教師なし」でお米を数えてみる - Qiita
はじめに こちらで紹介されていたDiscoGAN(Discover Cross-Domain Relations with Generative Adversarial Networks) https://arxiv.org/abs/1703.05192 が「教師なし」でイメージ変換ができるということで、前にやってた検出・カウントを教師なしで試してみました。 ChainerでDiscoGANをすでに実装している方がいらっしゃったので、ほぼ使わさせていただきました。 「chainerのtrainer機能を使ってDiscoGANを実装した」 やっていること お米の数を数えるために、数えやすい形の画像に変換する「コンバータA⇒B」をつくります。 （これくらいの画像ならば、通常の画像処理を組み合わせれば簡単にカウントできますが、それは置いといて） いままでと違うポイントは「ランダムに配置」した球の
深層学習は画像のどこを見ている！？ CNNで「お好み焼き」と「ピザ」の違いを検証 - Platinum Data Blog by BrainPad
本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 こんにちは、AI開発部の伊藤です。 今回のブログは、「深層学習はいったい画像のどこを見て判断しているのか」という素朴な疑問に答えてくれる技術として、昨年提唱された「Grad-CAM」という技術を紹介します。 目次 目次 1. はじめに 2. Grad-CAMの紹介 Grad-CAMの仕組み： 3. 適用例 3-1. 画像キャプション生成（Image Captioning） 3-2. VQA（Visual Question Answering） 3-3. 学習用データのバイアス 4. 実施例（お好み焼きとピザを分類） 4-1. 画像データについて： 4-2. CNNの構築： 4-3. Grad-CAMの実装： 4-4. 実施結果の評価 お好み焼き画像でCNNの判定が当たっているケース： ピザ
Chainer-GAN-lib Release - Preferred Networks Research & Development
We released chainer-GAN-lib: the collection of Chainer implementation of recent GAN variants. This library is targeted to those who think “the progress of GAN is too fast and hard to follow”, “Experiments in GAN articles can not be reproduced at all”, “How can I implement the gradient penalty with Chainer?” https://github.com/pfnet-research/chainer-gan-lib Characteristics of chainer-GAN-lib Good s
Meow Generator
Alexia Jolicoeur-Martineau Data scientist, Statistician or Computer scientist (Pick one) I experimented with generating faces of cats using Generative adversarial networks (GAN). I wanted to try DCGAN, WGAN and WGAN-GP in low and higher resolutions. I used the CAT dataset (yes this is a real thing!) for my training sample. This dataset has 10k pictures of cats. I centered the images on the kitty f
Cramér GANでいらすとや画像生成してみる - 緑茶思考ブログ
Cramér GAN arXiv:https://arxiv.org/abs/1705.10743v1 このGANは数日前(5/30)に投稿されたもの。 これまでGANのベースラインとして， vanilla GAN，DCGAN，WGAN，WGAN-gpなどが使われてきた． この中のWGANやWGAN-gpより優れているという主張が論文内でされている． （abstで it performs significantly better than the related Wasserstein GAN との記述） また，twitter上では「WGANは死んだ」などの強めのつぶやきが観測されている． その強さを見てみたいので，このCramér GANの論文を読み， 実装していらすとや画像を生成してみたというのが本記事の主旨。 ついでにWGAN-gpも実装して比較した。 論文の概要 機械学習に使う確率
ゲームアプリの「ドット絵」をディープラーニングで自動生成する - Qiita
Super Quest DCGAN Deep Convolutional Generative Adversarial Networks ディープラーニングで画像（等）を自動生成する技術 データセットを学習して、データセットにありそうな画像を生成する 例 アイドルの顔画像生成 TensorFlowによるDCGANでアイドルの顔画像生成 - すぎゃーんメモ アイドルの顔画像を大量に集めて学習 → アイドルっぽい顔を自動生成 顔イラストの生成 Chainerで顔イラストの自動生成 - Qiita 顔イラストを集めてきて学習 → 顔イラストを自動生成 DCGAN-tensorflow TensorFlowを用いた実装 READMEに書いてある通りに実行すれば簡単に試せる 試してみた DCGAN-tensorflowで自動画像生成をお手軽に試す - Qiita 付属のサンプルを実行 セレブ顔のデー
CycleGAN
Transferring characteristics from one image to another is an exciting proposition. How cool would it be if you could take a photo and convert it into the style of Van Gogh or Picasso! These are examples of cross domain image transfer - we want to take an image from an input domain $D_i$ and then transform it into an image of target domain $D_t$ without necessarily having a one-to-one mapping betwe
DCGAN-tensorflowで自動画像生成をお手軽に試す - Qiita
DCGAN は Deep Convolutional Generative Adversarial Networks の略で、超ざっくり言うと畳み込みニューラルネットワークを使って画像生成するアルゴリズムです。元論文以外に、日本語で噛み砕いて説明してくれている記事もたくさんあります。 はじめてのGAN できるだけ丁寧にGANとDCGANを理解する - 午睡二時四十分 これを使ってアイドルの顔画像を生成したり、イラストを生成したり、そういうことができるアレです。ググるとおもしろい事例がたくさん出てきます。 そんな「なんだかすごい」DCGAN、勝手に「使うのも難しそう」なイメージを持ってたのですが、TensorFlowを用いた実装が公開されてまして、 https://github.com/carpedm20/DCGAN-tensorflow 実はデモを試すだけであれば手順通りにコマンド実行する
GAN(Generative Adversarial Networks)を学習させる際の14のテクニック - Qiita
※この記事は"How to Train a GAN?" at NIPS2016を、ここを参考にして、私なりに解釈して、重要そうな部分を引用して翻訳したものです。役に立つことが多かったので共有致します。 ※GANの説明は省略します。G=Generator、D=Discriminatorとして説明します。 ※それぞれのテクニックに根拠はあまり書いてないですが、ほとんどが論文に書いてあった「こうすればうまくいった」というものです。GANの学習がうまくいかないときに試してみると良いと思います。 1. 入力を正規化 (Normalize the inputs) ・DのInput(=Gの出力)となる画像を[-1,1]の範囲に正規化する。 ・Gの出力が[-1,1]となるように、OutputのところをTanhにする。 2. GのLoss関数を修正する (A modified loss function)
The GAN Zoo
Pretty painting is always better than a TerminatorEvery week, new papers on Generative Adversarial Networks (GAN) are coming out and it’s hard to keep track of them all, not to mention the incredibly creative ways in which researchers are naming these GANs! You can read more about GANs in this Generative Models post by OpenAI or this overview tutorial in KDNuggets. Explosive growth — All the named
Read-through: Wasserstein GAN
In a world where everyone has opinions, one man...also has opinions Last edited February 26, 2017. I really, really like the Wasserstein GAN paper. I know it’s already gotten a lot of hype, but I feel like it could use more. I also think the theory in the paper scared off a lot of people, which is a bit of a shame. This is my contribution to make the paper more accessible, while hopefully retainin
1
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
