せいしん

web&DeepLearningエンジニア系大学生。 東京大学/鹿児島→東京/Rails/DeepLearning/その他諸々 Qiita: https://qiita.com/shizuma blog: https://blog.seishin55.com

せいしん

web&DeepLearningエンジニア系大学生。 東京大学/鹿児島→東京/Rails/DeepLearning/その他諸々 Qiita: https://qiita.com/shizuma blog: https://blog.seishin55.com

    • ACES公式マガジン

      • 58本

      株式会社ACES（https://acesinc.co.jp/）が公式に運営するマガジンです。 Podcast（https://anchor.fm/acesinc） エンジニアブログ（https://tech.acesinc.co.jp/）

      • ACES公式マガジン

        • 58本

    ファッションモデル生成の最先端: Generating High-Resolution Fashion Model Images Wearing Custom Outfits [Yildirim+ ICCVW19]

    はじめにファッション人物生成で結果のよい論文が出ていたので内容についてまとめます。2019/08/23に公開され、先日ICCVのWorkshopに採録されたものです。 Generating High-Resolution Fashion Model Images Wearing Custom Outfits 以下、結果の一例ですが、かなり綺麗に生成できています。 著者はZalando Researchの方々で、ZalandoはファッションECサイトを運営する会社です。そのた

    せいしん

      • AWS Lambda+API Gatewayでディープラーニングモデルを簡易API化する方法

        はじめにディープラーニングモデルを作成した後、できるだけ簡単にAPIとして利用できる形にしたいというモチベーションの元、サーバーなしにコードを実行することができるLambdaと簡単にAPIを作成できるAPI Gatewayの構成でそれを実現しました。 今回は入力を画像、出力は予測結果としてjsonを返すとします。つまり、できるものは以下のようなものを期待します。（デモは物体認識） curlで画像をPOSTすると、 $ curl -H "Content-Type: ima

        せいしん

        • 物体認識モデルYOLOv3に完全勝利したM2Detの紹介

          はじめに一般物体認識はここ数年で大きな進化を遂げました。その中でも実用的に使いやすい&よく使われている（気がする）のはYOLO v3だと思います。それは、ある程度の予測精度を持ちながら推論速度もはやいというモデルになっているためです。 今回説明するのはそのYOLOv3に対して、予測精度も推論速度も上回るようなモデルのM2Detです。予測精度と推論速度はトレードオフはありますが、どちらをとっても、下記の図のように他のモデルに優位性があることが分かります。 M2DetはAAA

          せいしん

          • 一般物体認識YOLOv3のモデル構造

            はじめに一般物体認識とは、画像中の物体の位置を検出し、その物体の名前を予測するタスクになります。以前に下記の記事を書きましたが、そこでも扱ったようにYOLOv3は一般物体認識のモデルの中でも有用な手段のひとつです。今回はこのYOLOv3の中身をポイントとなるところに注目して、見ていきたいと思います。 YOLOv3: An Incremental Improvement モデルの外観YOLOv3のネットワークの外観は以下のようになります。入力の画像に対して出力は縦横が13x1

            せいしん

          マガジン

          マガジンをすべて見る すべて見る
          • ACES公式マガジン
            ACES 他

          記事

          記事をすべて見る すべて見る

            Deep Learningによる表情認識の現状とその利用

            表情認識とは？人の感情を表情から判定するタスクを表情認識(Facial Expression Recognition)といいます。タスクとしては、入力の顔画像からその顔の表情ラベルを予測するクラス分類になります。よくあるデータセットでは、5つ~7つ程度のラベルを予測しています。タスクとしては単純なクラス分類になります。 感情の認識の利用シーンはいくつも考えられれます。例えば、飲食店の利用者の感情を認識できれば利用者がどこに不満を感じているかが分かるかもしれませんし、人気の店

            せいしん

            ゼロからはじめるRaspberry Pi [OSの書き込み/SSH接続]

            ゼロ知識からRaspberry Piを使う必要があったため、その過程を書きたいと思います。ゼロからはじめて、MacでRaspberry PiにSSH接続できるところまで行います。 目次・必要機材 ・OSの書き込み ・SSH接続 ・(おまけ) Python環境構築 必要機材使ったのは以下のRaspberry Pi。 箱を開けると以下のような機材が入っています。 このキット以外に以下の3つを使用しました。 ・キーボード(USB接続) ・マウス(USB接続) ・ディスプレイ

            せいしん

            Deep Learningによる一般物体認識の手法の把握と実利用のためのまとめ

            目次・一般物体認識とは ・モデルの性能を知るための評価指標 　・IoUの閾値     ・precision-recallグラフ ・一般物体認識を使う     ・APIを利用する     ・Keras実装を動かす(YOLOv3)     ・darknetで学習済みモデルをOpenCVで動かす(YOLOv3) ・一般物体認識の最先端 次の記事で書こうと思っていること。 ・YOLOv3の説明 ・オリジナルのデータセットでYOLOv3を用いて一般物体認識の学習をする ・OpenCV

            せいしん