画像の機械学習が劣化する理由 - Qiita
前書き 注意：ここに書いていることは2020年代としては、古すぎる見解になっている。 近年の自己教師あり学習の大幅な進展で、ここで述べているようなアプローチは大幅に古めかしいものになっている。 ・自己教師あり学習の進展は、画像認識タスクに対する共通のbackbone を作り出しており、後段で個々の画像認識タスクに対するfine-tuningをするアプローチに変わってきている。 ・そのため、ラベル付きの限られたデータで特徴量の抽出をしていたのが、自己教師あり学習に基づく特徴量の抽出になっている。 ・各人、自己教師あり学習について調べることをお勧めする。 主旨 単純に学習データを追加するだけでは学習が改善しないことがある。そのような場合へのヒントを著者の限られた経験の中から記述する。 はじめに 画像認識の機械学習を改善するためにはデータを追加すればよい。 そう思っている人が大半だろう。 ただ、
アノテーションツール(正解入力ツール)が進化している。 - Qiita
オブジェクト検出器を作るときは、正解データを入力する作業がある。そういった作業をアノテーションと呼ばれている。 昔のアノテーションの状況 この作業が実に面倒だった。 マウスで領域の指定をして結果を保存するツールを部署ごとに自作していた。 入力結果を保存するファイル形式が標準化されていない。 ツールの中で途中で作業の打ち切りや再開が難しい。 入力作業中に間違えたときの取り消し、やり直しがきかない。 最終結果ファイルが意図した内容になっているのかの確認がむずかしい。 dlibのアノテーションツール imgLab そのような状況が変わっていることをdlibのオブジェクト検出器の学習用のツールで実感した。 dib/tools/imgLab https://github.com/davisking/dlib/tree/master/tools/imglab dlibの中でオブジェクト検出器の学習用に
よいデータ構造でコードを簡潔にする - Qiita
よいデータ構造を使うと、コードが簡潔になる。 例：swicth文から配列の参照へ swicth文を使って文字列を返す関数 swicth文の変数がenum型(値が0以上)である場合、 配列[enum型の変数] として値を返すことで、記述が簡単になる。 #include <iostream> #include <string> #include <vector> enum Idx { a = 0, b, c }; // vector型を使う例 std::string getMessage(Idx idx){ const std::vector<std::string> strList = { "messageA", "messageB", "messageC" }; return strList[idx]; } //switch文を使う例 std::string getMessage2(Idx
機械学習のライブラリ dlib - Qiita
機械学習のC++ Pythonのライブラリの１つdlibに気づいた。 PythonにはScikit-learnという強力なライブラリがあるが、 選択肢の１つとして考えておこう。 機械学習のライブラリ dlibのアルゴリズムの選択ガイド 機械学習のライブラリ dlibのアルゴリズムの選択ガイドが 図にしてありました。 こちらはscikit-learnのガイド ![Choosing the right estimator] (http://scikit-learn.org/stable/_static/ml_map.png) dlibの記事 SlideShare 20160417dlibによる顔器官検出 YouTube [dlib vs OpenCV face detection] (https://www.youtube.com/watch?v=LsK0hzcEyHI) YouTube Fa
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
処理を実行中です
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
