SSDで道路の損傷を検出した - Qiita
はじめに SSD(Single Shot Multibox Detector)で道路の損傷を検出しました． 作業環境等に関しては株式会社パソナテックさんにご協力いただきました． なお成果物は学習済みモデルとともにGitHubに公開されています． 不具合もまだ複数あると思いますので，気軽にissueを立てていただければと思います． やったことを最初から文章で説明するより，まずは成果物を見ていただいたほうが早いと思うので，デモをお見せします． このように，横断歩道やセンターラインのかすれ，陥没，ひび割れなどを検出することができます． 道路の損傷を検出する方法はいろいろありますが，画像認識を用いるならば，車で移動しながらスマホや車載カメラでリアルタイムに検出できると便利です． このような認識手法を採用するのであれば，デバイスの制約により，計算量が小さいモデルが求められます． 道路の損傷を物体認識
物体検出アルゴリズム(SSD : Single Shot MultiBox Detector)を学習させてみる - Qiita
DeepLearningを用いた物体検出アルゴリズムはいくつかあり、試してみた系の記事はたくさんあります。 画像の”どこ”に”何”があるかを識別してくれる物体検出アルゴリズムであるSSDも以下のような記事があるので、訓練済みのモデルを用いて試して見る分には簡単にできそうです。 SSD: Single Shot MultiBox Detector 高速リアルタイム物体検出デモをKerasで試す 今回は、SSDのKeras版(ssd_keras)のモデルについて、学習をどうやって行うかを試してみましたのでそれについて説明します。 データセットの取得 とりあえずVOC2007とかVOC2012とかのデータセットをダウンロードしてきます。 上記のサイトから"Details of each of the challenges can be found on the corresponding cha
FeatureFused-SSD～ssdkerasのその先3～ - Qiita
対象 Faster-RCNN,SSD,Yoloなど物体検出手法についてある程度把握している方． VGG16,VGG19,Resnetなどを組み込むときの参考が欲しい方． 自作のニューラルネットを作成している方． 1.FeatureFusedSSDとは 限られた解像度の中で小さい物体を検出するというタスクは非常に難しいことで，速度を犠牲にして精度を上げてきたが，FSSDでは大きく速度を落とさず小さい物体検出を高精度で行う．FSSDとはSSDの複数の階層の畳み込み層の特徴マップを融合することによって文脈情報を付加させもので，参考文献1)の論文によるとDSSDのFPSが29.4なのに対して，FSSDではFPSが43らしい． モデルは以下のようになっている． VGG16の畳み込み層の各層は層を深くしていくごとに特徴マップに反映されている物体の大きさは大きくなっていく． VGG16の畳み込み層第4群
VGG16-SSD~ssdkerasのその先１~ - Qiita
対象 Faaster-RCNN,SSD,Yoloなど物体検出手法についてある程度把握している方． VGG16,VGG19,Resnet，MobileNetなどをSSDに組み込むときの参考が欲しい方． 自作のニューラルネットを作成している方． 1.VGG16とは オックスフォード大学のVisualGeometoryGroup（VGG）が開発した16層のレイヤーからなるニューラルネットワークであり，他の多くの物体検出手法ではいまだにVGG16がよく使われている． 筆者がなぜVGG16と書いているかというと，SSDにはそのほかのフレームワークによって精度と速度のトレードオフではあるが，目的に合わせて活用することができるからである．（実際の実装に関する情報はとても少ないのだが・・・） 2.VGG16-SSD この図は見飽きたという方もいるだろうが，YoloとSSDの比較である． どちらも畳み込み層
MobileNet-SSD~ssdkerasのその先２~ - Qiita
対象 Faaster-RCNN,SSD,Yoloなど物体検出手法についてある程度把握している方． VGG16,VGG19,Resnetなどを組み込むときの参考が欲しい方． 自作のニューラルネットを作成している方． 1.MobileNetとは チャンネル方向への畳み込みを行わないことで，計算量を削減したモバイルアプリケーション向けのニューラルネットワーク．従来の畳込みフィルターの代わりに空間方向への畳み込みを行うDepthwise畳み込みフィルターと1x1のPointwise畳み込みフィルターを組み合わせることで計算量を削減． 比較 Convolutuion：カーネルサイズxカーネルサイズxチャネル数(入力) DepthwiseConv:カーネルサイズxカーネルサイズx1 PointwiseConv:1x1xチャネル数(入力) MobileNetではDepthwiseな畳み込みとPointw
ディープラーニングで動画に自動でモザイクをかける「ディープモザイク」作ってみました - karaage. [からあげ]
ディープラーニングでの物体検出 以前ディープラーニングを使った物体検出を試してみました。 前回の成果物は以下です。 ただ、このままではちょっと面白いだけで何の役にも立ちません。折角なので何か自前のデータの学習をさせて、世のため人のためになるものを作ってみたいですね（無表情）。 ふと思い出したのは、アダルドビデオのモザイク入れです。あの処理って、実は自動化されていなくて、職人さんが1フレーム毎にモザイクを入れているらしいのです。この作業を自動化すれば、きっともっと世の中に素敵な動画が溢れてみんなが幸せになるはず！ というわけで、モザイクを自動で入れるソフトを作れないか試してみることにしました。名付けて「ディープモザイク」です。途中宇宙語が続くので、結果が気になる方は最後だけ見て下さい。 ディープラーニング（SSD）を使ってモザイクをかける方法 追記： この記事では、VoTTの古いバージョン（
![ディープラーニングで動画に自動でモザイクをかける「ディープモザイク」作ってみました - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/31446d853b96a525bf9d3750f2ab7c645507370f/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20180527%2F20180527185431.png)
ディープラーニングによる物体検出（「Faster RNN」「Yolo」「SSD」）に関して調べて実践してみた - karaage. [からあげ]
最新の物体検出情報（2022/1/1追記） この記事も、3年近く前の記事となり、最新の情報から比べると情報が古くなってしまいました。最新の状況に関しては以下記事がとても参考になります。 以下の記事も、過去の流れなどは参考になりますし、まだ使える部分も多くあると思いますので、よろしければ参考にしてみてください。 物体検出をやってみる前に検出と認識の違い これまで、ディープラーニングを使って画像の認識を何度かやってきました（以下参照）。 画像認識の次は、物体検出に手を出して見たいなということで、ディープラーニングを使った物体検出に関して調べて試してみることにしました。 そもそも、物体検出って何で、認識と何が違うのかというと、そもそも認識という言うと結構広い意味になってしまって、画像のそのものが何かを判別するのは画像分類というのが正しそうです。つまり、私がやった上記の例は基本的には画像分類となり
![ディープラーニングによる物体検出（「Faster RNN」「Yolo」「SSD」）に関して調べて実践してみた - karaage. [からあげ]](https://cdn-ak-scissors.b.st-hatena.com/image/square/4fe3de0e88179c7feb6e0d376c2f6e3d6fc1cd3a/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fk%2Fkaraage%2F20180321%2F20180321230444.jpg)
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
