【まとめ】ディープラーニングを使った異常検知 - Qiita
ディープラーニングを使った異常検知が進歩していますが、最新情報を追うのが大変です。 ここでは、最新情報をまとめておきます（随時更新）。 本稿では、以下の内容を記します。 ディープラーニングを使った異常検知について、簡単に歴史をまとめます。 最新の手法（2019年当時）について、ベンチマークを行います。 歴史 完全に独断と偏見で作った歴史です。 全ての論文は読めていないので、ご了承ください。 【～2017年】オートエンコーダによる異常検知 オートエンコーダによる異常検知 2、3年前はオートエンコーダによる異常検知が主流でした。オートエンコーダでは、元画像と再構築画像との差をとって、その和が大きいとき異常と認識させています。Qiitaの記事でも、オートエンコーダによる異常検知はたくさんありますので、気になる人は探してみてください。 Variational AutoEocoder（VAE）による
用意した画像は一枚だけ！？物体検出で将棋駒の認識 - Qiita
※こちらはPythonデータ分析勉強会#02の発表資料です。 前回は、YOLOv3でパトライトの監視を行いました。 今回は、YOLOv3で「将棋駒」を認識させます。 そして、用意する画像は一枚だけという、無謀な挑戦をしてみます。 前回から、内容がガラリと変わっておりますが、まずはそのモチベーションを説明します。 なぜ、用意した画像は一枚なのか？ よくディープラーニングのサービスなんかを見ていると、用意する画像は1000枚とか 平気で書いてあります。 しかし、個人事業主や中小企業は、そんなに労力をかけて画像は用意できませんし、 1000枚用意しても、バリエーション豊かな画像じゃないと、意味がないことが多くあります。 用意する画像が一枚だけなら、労力は最小限ですし、バリエーションも気にしなくて良いです。 従って、「用意する画像が一枚」で精度が出るなら、世の中のディープラーニングの サービスがよ
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
