【備忘録】画像で散布図【matplotlib, scatter】
import matplotlib matplotlib.use('Agg') import matplotlib.pyplot as plt from matplotlib.image import BboxImage from matplotlib.transforms import Bbox, TransformedBbox def scatter_image(feature_x, feature_y, image_paths, title, save=None): """ Args: feature_x: x座標 feature_y: y座標 image_paths: """ fig = plt.figure() ax = fig.add_subplot(111) xlim = [feature_x.min()-5, feature_x.max()+5] ylim = [featu
初めてのPython画像処理 - Qiita
はじめに 初めまして、今回がQiita初投稿となります。 普段仕事ではRubyメインなのですが、最近趣味でpythonを勉強しはじめ、画像を加工するのが意外と簡単だと分かったので、簡単な画像処理について書いてみました。私のブログ（http://www.uosansatox.biz/ ）の方に、この記事とその続編を書きました。 pythonについてはまだまだ勉強中なので、python的にはこうは書かない、これだと処理が遅い、コードが汚いなどなどありましたら、コメントで教えていただけると幸いです。 また、以下のコードではpythonのライブラリ、numpy, pillowを使用しています。 著者の環境ではwindows10上でAnaconda3を使用しているため別途インストールは不要でしたが、実行する際は必要に応じてインストールをお願いします。 画像処理の概要 画像の加工は単純に各ピクセルの色
scikit-learnでt-SNE散布図を描いてみる - ももいろテクノロジー
「scikit-learnでPCA散布図を描いてみる」では、scikit-learnを使ってPCA散布図を描いた。 ここでは、scikit-learnを使って非線形次元削減手法のひとつt-SNEで次元削減を行い、散布図を描いてみる。 環境 「scikit-learnでPCA散布図を描いてみる」を参照。 MNISTデータセットとPCA散布図 MNISTデータセットは0から9の手書き数字を表す8x8グレイスケール画像のデータセットであり、irisに並んで有名なサンプルデータセットである。 The Digit Dataset — scikit-learn 0.18.1 documentation このデータセットについてPCA散布図を描いてみると次のようになる。 %matplotlib inline import matplotlib.pyplot as plt from sklearn imp
t-SNEで遊ぶ - Negative/Positive Thinking
はじめに 最近よく見かける「t-SNE」という非線形次元圧縮手法を試してみた。 t-SNEとは t-Distributed Stochastic Neighbor Embedding SNEと呼ばれる次元圧縮手法の問題点を改善した手法 SNEは、「各点間の"ユークリッド距離"を、類似度に相当する"条件付き確率"に変換して低次元にマッピングする手法」のこと 各点について、高次元での確率分布と低次元での確率分布が一致するように低次元での点を探している 確率分布の違いは「カルバックライブラー情報量」で、これを損失関数にして勾配法で低次元の点を求める 低次元での分布に「自由度1のt-分布」を利用する さらに、高速化を行った「Barnes-Hut t-SNE」という手法ではO(n log n)で計算できる http://arxiv.org/abs/1301.3342 詳しい説明は、元論文や紹介記事が
mathgram.xyz - mathgram リソースおよび情報
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
高次元のデータを可視化するt-SNEの効果的な使い方
t-SNEは、高次元のデータを可視化する手法としては、非常に便利ですが、時々不可解な挙動をしたり、誤解を招くような可視化をすることがあります。 シンプルなデータを可視化して動作の仕組みを理解することで、t-SNEのより効果的な使い方を学ぶことができます。 t-SNEは、高次元のデータを調査するための手法として、2008年にvan der MaatenとHintonによって発表 [1] された人気の手法です。 この技術は、数百または数千次元のデータですら無理やり2次元の「マップ」に落とし込むという、ほとんど魔法のような能力を備えているために、機械学習の分野で幅広く普及しています。 このような印象を持っている方が多いのですが、こういった捉え方をしていると誤解を招くこともあります。 この記事の目的は、よくある共通の誤解を解くためでもあります。 t-SNEで可視化できることと、できないことを説明す
GAN(Generative Adversarial Networks)を学習させる際の14のテクニック - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? ※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
ウェブアプリをソースごとパクる業者に対する対策 - Qiita
こんにちは。みなさんもウェブアプリをリリースしたあとに同業者にソースごとパクられたことってありますよね。難読化しても難読化されたまま同業者のサーバで動くので困ったものです。そこで、私がとった解析しずらい対策をまとめてみたいと思います。 前提 多機能な画面をJavaScriptでゴリゴリ作ったのにもかかわらず、HTMLやCSS、JavaScriptファイル一式を自社サーバにまるごとコピーして、ライセンス表記だけ書き換えて使うような業者を罠にはめるということを想定しています。 当然通信をリバースエンジニアリングする人もいるので、自社サーバでは防げないという前提です。 HTMLにはauthorメタタグ よくあるMETAタグで権利者を明記します。これは権利の主張もそうですが、JavaScript自体に権利者が認定した権利者でなければ無限ループを起こすという処理のためにも使用します。逆に、権利者が我
「Webとアプリでは明確に使い方が違う」BUYMAが実施するアプリ活用事例｜【公式】ModuleApps 2.0
10月26日、オプトとReproの共催で「アプリマーケティングセミナー#3 オムニチャネルにおけるアプリ活用」が開催され、エニグモの松永氏より「新規ユーザーのリテンション向上させる施策とは？」というテーマで講演された。 アプリのシェアが36%にまで拡大 BUYMAとは、世界中からファッションアイテムを購入することができるC to Cのソーシャルショッピングサイト。 購入者が注文をしてから買い付けをするため、出品者は無在庫で販売できるところが特徴である。 現在、パーソナルショッパーと呼ばれる出品者は世界中に約10万人おり、出品数は240万品以上取り揃えている。 そしてBUYMA会員は、約450万人が登録されており、平均年齢は33.1歳、男女比は、女性が75.8％、男性が24.2％となっている。 アプリダウンロード数は、前年度比182％、アプリ経由の総取扱高は前年度比179％となっており、PC
本当にほしいのはこんな服？ 架空の商品も提案する ファッションAIの未来
This AI Learns Your Fashion Sense and Invents Your Next Outfit 本当にほしいのはこんな服？ 架空の商品も提案する ファッションAIの未来 オンライン小売業では、サイトでの顧客の閲覧履歴や購入履歴に基づくおすすめ商品をページに表示するのが一般的だ。カリフォルニア大学とアドビの研究者は、ユーザーの服装の好みに基づいてカスタマイズした、新たな衣服の画像を生成する人工知能（AI）システムを開発した。 by Jackie Snow2017.11.22 65 21 9 0 人工知能（AI）は全く新しいタイプの流行を生み出すかもしれない。 名付けて「予測的ファッション」だ。 カリフォルニア大学（UC）サンディエゴ校とアドビの研究者は、AIを用いてある人の服装のスタイルを学習し、そのスタイルに合う商品画像をコンピューターで生成する方法について述
類似画像検索について簡単にまとめてみた - Qiita
類似画像検索手法について簡単にまとめました。 はじめに 画像検索には主に2種類の手法がある。 TBIR (Text Based Image Retrieval) 画像にテキストデータが紐付けられていて、テキストを元に検索する CBIR (Content Based Image Retrieval) 画像の特徴量を基盤として検索する ライブラリ Feature Extraction Library - FELib http://appsrv.cse.cuhk.edu.hk/~jkzhu/felib.html 下記の５つの特徴を持つ画像から特徴量を抽出できるライブラリである。 Color histogram, color moments. カラーヒストグラム・色統計) Edge histogram. 輪郭のヒストグラム Gabor wavelets transform. Wavelet tra
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
【Python/OpenCV】バイリニア補間法で画像の拡大・縮小（cv2.resize）
https://www.clouderaworldtokyo.com/session-download/C2-Cloudera_Tokyo_2016_DMM_submit%20.pdf
Deep Learningで似た画像を見つける技術 | OHS勉強会#5