登記所備付地図データ（地図XML形式）変換コンバータの公開について｜デジタル庁
不動産登記において作成される登記所備付地図データ（地図XML形式）について、法務省は令和5年1月23日からG空間情報センターを介してオープンデータとして一般公開を開始しました。 公開されるデータは、地図XML形式のフォーマットで公開され、利用規約に抵触しない限り、だれでも自由な利用が可能となっております。 デジタル庁は、アドレス・ベース・レジストリの取り組みにおいて、法務省がG空間情報センターを介して提供したデータを活用し、地番データや筆の形状データを取得・反映していく予定です。 また、デジタル庁においてはその活用に先立ち、地図XML形式のデータをGeoJSON形式に変換するコンバータを開発しました（農林水産省が開発したコンバータを改良しました）。このコンバータについて、登記所備付地図データ（地図XML形式）の利活用に資するよう、オープンソースソフトウェアとしてGitHub上に公開していま
5分で分かるTerraform（Infrastructure as Code） | LAC WATCH
HashiCorp社が提供するTerraformは、マルチクラウド上のコンピュータやネットワークの構築を自動化する、エンジニアにとても人気のあるツールです。 Terraformをご存じなかった方にも、その「成り立ち」と「何を目指しているのか」についてご理解いただけるよう、今回は「5分で分かるTerraform（Infrastructure as Code※1）」と題した記事を日本語訳してお届けします。著者のMehdi ZedはモントリオールでDevOpsバックエンド開発に携わっており、DevOpsについてSNSで積極的に発信しています。その発信内容は非常に分かりやすく、今回の記事についても本人の了解を得て日本語化しました。 ※1 インフラの構築・運用に関わる作業をコード化、自動化するアプローチ。設定変更作業をコードで管理することで手作業による間違いを防ぎ、設定変更を履歴として管理できる。ま
Stable Diffusion TPU版の使い方 - 電通総研 テックブログ
電通国際情報サービス、オープンイノベーションラボの比嘉康雄です。 Stable Diffusion（というよりdiffusers）でTPU（JAX / Flax）を使った並列実行バージョンがリリースされたので、早速試してみました。 オリジナルのNotebookはこちら。 僕が作ったNotebookはこちら。 今回は、TPUを使うので、Google Colabに特化しています。自分で１から試す方は、メニューのEdit -> Notebook settingsでTPUを使うように設定してください。 Stable Diffusionのおすすめコンテンツはこちら。 Waifu Diffusion 1.3.5_80000 v2.1 金髪美女写真 v2.1 美少女アニメ画 v2.1 AUTOMATIC1111 v2.0 美少女イラスト v1.5 美少女画検証 美少女アニメ画改善版 美少女を高確率で出す
CVMLエキスパートガイド | ホーム – コンピュータビジョン中級者を支援する「探求型の学習サイト」
ニュース | 管理人からのお知らせ 2024年2月27日：このサイトの総アクセス数が100万PVを超えました． 2023年9月21日：仕事術・マネジメント術・組織改善のおすすめ書籍 のページを新規追加しました． 2023年4月30日: Pythonで学ぶ画像認識の著者陣とやりとりをし，Githubページから当サイトの推選リンクを張って頂きました．本書の紹介記事にもリンクしていただきました． 2023年3月14日: 用語集から📚用語Wikiという名称に変更しました 1. 概要 ：探求型の学習支援の「拠点」サイト コンピュータビジョンやディープラーニングを専門とする中級レベル以上の研究開発者を対象を，強力に支援するポータル型サイトが「CVMLエキスパートガイド」です．管理人が厳選した，最重要な標準的スキル(プロとして熟練させたい基礎)の，徹底的な習熟に的をしぼっています． 以下のサイト内・サ
[Stable Diffusion] Depth-to-Imageモデルを学習なしで特定のドメインに適応させる
はじめに こんにちは。なんかです。 早速本題に入ります。 [2023/01/20追記] この記事で説明しているDepth-to-Imageモデルのドメイン適応と、適応したモデルのAUTOMATIC1111さんのWebUIでの使用が行えるColab Notebookを公開しました。 こんな感じで使えます Depth-to-Imageモデルの説明 StabilityAIが公開したStable Diffusion V2系のモデルの中に、depthモデルというものがあります。 このモデルができることは、一般的なStable Diffusionのimg2imgができることと基本的には同じで、画像とテキストを入力とし、入力された画像スタイルをテキストの指示に従って変換する、というものです。 まずは、一般的なモデル（ここではWaifu Diffusion V1.4 Epoch1を使用しています）のimg
![[Stable Diffusion] Depth-to-Imageモデルを学習なしで特定のドメインに適応させる](https://cdn-ak-scissors.b.st-hatena.com/image/square/557803d2f73ed08279c214c042240feb7a85e731/height=288;version=1;width=512/https%3A%2F%2Fres.cloudinary.com%2Fzenn%2Fimage%2Fupload%2Fs--L-Kt5bdX--%2Fc_fit%252Cg_north_west%252Cl_text%3Anotosansjp-medium.otf_55%3A%25255BStable%252520Diffusion%25255D%252520Depth-to-Image%2525E3%252583%2525A2%2525E3%252583%252587%2525E3%252583%2525AB%2525E3%252582%252592%2525E5%2525AD%2525A6%2525E7%2525BF%252592%2525E3%252581%2525AA%2525E3%252581%252597%2525E3%252581%2525A7%2525E7%252589%2525B9%2525E5%2525AE%25259A%2525E3%252581%2525AE%2525E3%252583%252589%2525E3%252583%2525A1%2525E3%252582%2525A4%2525E3%252583%2525B3%2525E3%252581%2525AB%2525E9%252581%2525A9%2525E5%2525BF%25259C%2525E3%252581%252595%2525E3%252581%25259B%2525E3%252582%25258B%252Cw_1010%252Cx_90%252Cy_100%2Fg_south_west%252Cl_text%3Anotosansjp-medium.otf_37%3A%2525E3%252581%2525AA%2525E3%252582%252593%2525E3%252581%25258B%252Cx_203%252Cy_98%2Fg_south_west%252Ch_90%252Cl_fetch%3AaHR0cHM6Ly9zdG9yYWdlLmdvb2dsZWFwaXMuY29tL3plbm4tdXNlci11cGxvYWQvYXZhdGFyL2IxYzFjNmI4ZGUuanBlZw%3D%3D%252Cr_max%252Cw_90%252Cx_87%252Cy_72%2Fog-base.png)
「ZigはCよりも速いです。」をVector/SIMD最適化で検証する
「パフォーマンスについて言えば、ZigはCよりも速いです。」 この一文は Zig 言語の公式サイトの詳細な概要に実際に書いてある文章です。 その理由としていくつか挙げた上で最後にちらっと「Zig は SIMD ベクトル型を直接公開しており、移植性の高いベクトル化コードを簡単に記述することができます。」と書いてあります。今回の記事では画像処理っぽいお題を使って実際に SIMD 最適化される様子を検証してみます。 ベンチマーク環境 OS: Ubuntu20.04 on WSL2 on Windows11 CPU: AMD Ryzen 9 5900X 12-Core Processor お題 一般的な画像データ構造の表現である、幅×高さ×4(RGBA)の長さを持つ8bit整数の配列を受け取り、in-placeでRGBの値を 10 加算して明るくするという関数を考えます。Aの値は元のままとします。
定量生物学研究室(最近の研究概要)：2024年度更新version
この記事は、2024年度までの研究室の活動や考えているトピックについてまとめたものになります(2023年度を更新しました)。 特に大学院入試受験者の方に参考にしてもらえればと思って作成しました。研究室の全体的な情報はHPを参照してください： またこの分野の勉強の仕方などは 細胞の理論生物学の学び方(学部前期向け) 細胞の理論生物の学び方(学部後期・大学院編) なども参考にしていただけたらと思います。 概要 我々の研究室では、生命システムの示す様々な情報処理の原理やその効率・限界を、数理や情報の言葉で理解することに興味を持っています。対象は広く、細胞走性、細胞薬剤耐性、集団運動、免疫、発生、嗅覚、進化、自己複製など興味や目的に応じて適切な現象を扱います。 既存の数理を活用するだけでなく、生体特有の問題設定を扱うために新しい数理も構築しています。また、実際の関連データからこれらの原理を検証する
超高速DataFrameライブラリー「Polars」について
はじめに ここ最近、Polarsについて調べる中で色々と面白そうだと思い現在勉強中です。今回の記事では勉強内容の整理も兼ねて、Polarsの特色を紹介できればと思っています。 Polarsとは RustとPythonで使える[1]超高速("Blazingly fast")DataFrameライブラリー、つまりデータ解析に使えるライブラリーとなります。pandasに対するPolars(しろくま)であり洒落ているなと思います。 Core部分はRustで実装されており、インターフェースとしてPythonからも呼び出せるようになっています。RustからPythonパッケージへのビルドはmaturin(PyO3)を使っています。 環境 記事作成時のOSや言語、ライブラリーのバージョンは以下になります。関連が強そうなもののみ抜粋しています。 Ubntu 22.04 Python 3.10.6 (mai
『トピックモデルによる統計的潜在意味解析』のノート：記事一覧 - からっぽのしょこ
はじめに 『トピックモデルによる統計的潜在意味解析』(自然言語シリーズ)の学習時のメモです。基本的な内容は、「数式の行間を読んでみた」と「プログラムを組んでみた」になります。「数式」と「プログラム」からアルゴリズムを理解する！がコンセプトです。本とあわせて読んでください。 この記事は、1人輪読会の資料置き場のようなものです。 なんも分からんな自分が理解できるレベルまで落として解説していますので、分かる人にはかなりくどいです。 【目次】 はじめに 1. 統計的潜在意味解析とは 2. Latent Dirichlet Allocation 2.2 多項分布とDirichlet分布 3. 学習アルゴリズム 3.2 サンプリング近似法 3.3 変分近似法 3.4 逐次ベイズ学習――変分近似法の場合―― 3.5 逐次ベイズ学習――サンプリング近似法の場合―― 3.6 Dirichlet分布のパラメー
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
Numerical solution of the geodesic equation of the Schwarzchild metric
解剖! Stable Diffusion (3) Textual Inversionを理解する
Graph Neural Networks as gradient flows