[B! 機械学習] mikage014のブックマーク

機械学習システム開発と運用の落とし穴

クローズドで行われた勉強会の資料です、画像認識まわりでありがちなハマりどころについて解説しています

mikage014 2022/12/15

リンク

前述のとおり飛行機はもともと800枚以上用意されていますが、今回はそのなかからランダムに200枚を抽出して利用しています。画像サイズはまちまちなのですが、以下の分類モデルにXceptionを使うので、画像はすべて同一サイズ(299*299*3︵RGB︶)に変換しておきます。上記のデータを学習データ80％、テストデータ20％に分割して使用します。正しいラベルで分類モデルを学習する分類モデルはXceptionで学習します。 import keras from keras.utils import np_utils from keras.models import Model from keras import layers from keras.layers import Dense from keras.layers import Input from keras.layers im

mikage014 2021/09/08

機械学習

リンク

AIによる風景の†異世界変換† - Qiita

おわかり、いただけたでしょうか。こちらはGAN︵敵対的生成ネットワーク︶を活用し、写真に﹁ホラー﹂の特徴を与え、変換しています。原理についてはひとまず置いておいて、まずはGANの可能性をご覧ください！季節変換、オーロラ変換、花火変換変換前変換後これらはCycleGAN[1]を利用して﹁夏と春﹂﹁雲とオーロラ﹂﹁空と花火﹂などのペアで特徴の入れ替えを行っています。ただ色彩を変えるわけでなく、言わば﹁画像の翻訳︵変換︶﹂のように原型を保ちながら変換が行われています。 CycleGANの原理について詳しく知りたい方は、こちらの記事を参考にしてください。私も大変お世話になりました。今回、私はこの技術を写真の﹁風景変換﹂に……否！！﹁†異世界変換†﹂に活用しました！！4ヶ月に渡る奮闘と、その成果をご覧ください。 †ファンタジー変換† まずは†ファンタジー変換†です。﹁風景︵鹿児

mikage014 2020/02/25

機械学習

リンク

機械学習モデルの予測結果を説明するための力が欲しいか...？ - クソして寝ろ

はじめに最近はAIや機械学習などの単語がビジネスで流行っていて、世はAI時代を迎えている。QiitaやTwitterを眺めているとその影響を受けて、世の多くのエンジニアがAIの勉強を始め出しているように見受けられる。さらに、近年では機械学習のライブラリも充実しており、誰でも機械学習を実装することができる良い時代になってきた。その一方で、特徴選択を行い精度を向上させたり、機械学習の出した答えがどの特徴に基づいて判断されたのかを理解したりするには、モデルに対する理解やテクニックが必要となる場合も多々ある。複雑なモデルになると人間には解釈が困難で説明が難しい。近頃流行りのDeep Learning系のモデルだと頻繁に﹁なんかよくわからないけどうまくいきました﹂となっていると思う。一般的なエンジニアとしては、この点が割と課題なんじゃないかと勝手に思っている。というか、私が課題に感じている。

mikage014 2020/01/25

機械学習

リンク

「Amazon Forecast」が正式リリース。過去の時系列データを与えるだけで機械学習による予測をしてくれる、専門知識不要のサービス

﹁Amazon Forecast﹂が正式リリース。過去の時系列データを与えるだけで機械学習による予測をしてくれる、専門知識不要のサービス Amazon Forecastは、なんらかの時系列データおよびその時系列データに影響を与えたであろう周辺情報、例えばある店舗の売り上げの時系列データおよび、その店舗の場所の天候、気温、交通量、曜日や祝祭日など売り上げに影響すると思われる周辺情報を与えると、予測に必要な機械学習モデルの構築、アルゴリズムの選定、モデルの正確性の検証や改善などを全て自動で実行し、売り上げに関する予測のデータを出力してくれるというサービスです。一般に、機械学習を活用するには、学習用のデータと検証用のデータを用意し、学習用のデータから求められた予測結果を検証用データで検証して正確性を評価し、より適切なモデルやアルゴリズムを選択する、といった作業が発生します。 AmazonFo

mikage014 2019/09/05

機械学習

リンク

「スタバなう」ツイートをニューラルネットで学習してラーメン判定器を作る(keras+Tensorflow+VGG16) - Qiita

この記事の抜粋したコードの完全版はGitHubでご覧いただけます。また、この記事で作成したモデルはTwitterのスタバ警察botで実際に試せるので、ご興味があれば適当な画像を﹁スタバなう﹂という文字列と一緒にリプライしてみてください。こういうtweetが機械学習界隈からの怒りを買ってます(笑) https://t.co/COV1IHyh03 — Yuki Suga (@ysuga) July 26, 2019 というツイートからも分かるように、現在のスタバなうツイートは完全に関係ない画像で蹂躙されており、実際にスタバで撮影された画像は全体の24%しかありません。逆にここまで来ると、残り76%の画像に着目した方が良いのではという気すらしてきます。というわけで、﹁スタバなうと言いながら投稿される関係ない画像﹂の筆頭であるラーメンの分類器を、スタバなうツイートだけで作れるかどうか試して

mikage014 2019/08/25

機械学習

リンク

TechCrunch | Startup and Technology News

Hello and welcome back to TechCrunch Space. What a week! In the same seven-day period, we watched Boeing’s Starliner launch astronauts to space for the first time, and then we…

mikage014 2019/05/04

機械学習

リンク

機械学習ライブラリの resize_images(bilinear 補間) の振る舞いがバラバラである - Qiita

背景 Chainer で書かれた automatic portrait image matting のモデルを, ONNX にコンバートしてモバイルで動かしたい resize_images を pyramid pooling で利用している. onnx-chainer では resize_images のエクスポートに対応していなかったので, 対応しようとしたところ, resize_images(より正確には upsampling + bilinear 補間)の振る舞いが Chainer と ONNX で異なる(TensorFlow とも異なる)ことがわかった Chainer, ONNX, TensorFlow いずれもドキュメントでは bilinear 補間するとだけ書いてあり, 実際どのような bilinear 補間をするのかという仕様がありません. 実のところ, bilinear 補

mikage014 2019/04/22

機械学習

リンク

プロトタイプで終わらせない死の谷を超える機械学習プロジェクトの進め方　#MLCT4

データ分析グループの組織編制とその課題マーケティングにおけるKPI設計の失敗例 ABテストの活用と、機械学習の導入 #CWT2016Tokoroten Nakayama

mikage014 2018/12/22

機械学習

リンク

Deep Learning で航空写真から自動車をカウントする - Qiita

TL;DR COWCと呼ばれるデータセットを用いて、航空写真から自動車をカウントする畳み込みニューラルネットワークを学習した物体検出によって個々の自動車を検出するのではなく、画像からダイレクトに自動車の台数を予測するアプローチの有効性を検証した特に自動車が多い状況下での精度に改善の余地があるものの、それなりに正しく自動車をカウントできるモデルを学習することができた Code on GitHub はじめに﹁Deep Learning を使って衛星画像から建物を検出する﹂でも触れましたが、今、機械学習による衛星画像および航空写真の自動解析に注目が集まりつつあります。今回は、COWCと呼ばれるデータセットを使って、航空写真から自動車の台数をカウントする畳み込みニューラルネットワーク(CNN)を学習してみます。なお、今回使用したソースコードはすべてGitHubで公開しています。関連研究

mikage014 2018/12/02

リンク

逆翻訳は機械翻訳の錬金術師か？ - ディープラーニングブログ

逆翻訳 (Back-Translation) を用いた手法が驚くべき快挙を成し遂げました*1．逆翻訳がヤバいスコアを叩き出しててびっくりした．おそらくAttention以降では最大の性能uphttps://t.co/ssaQw2s22f 深層学習はえげつない手法が突然ポッとでてくるからおもろい pic.twitter.com/RwyrjCn8Rx— Ryobot | りょぼっと (@_Ryobot) 2018年11月15日毎年開催される機械翻訳の国際会議 WMT18 のシェアードタスク*2にて人手評価の1位を獲得し，機械翻訳のベンチマークでは以前の最高スコアが 29.8 なのに対しこの手法は 35.0 を達成しています．下図は機械翻訳のベンチマークにおける手法の比較です*3．昨年登場した翻訳モデル Transf ormer *4も大きく評価スコアを上げましたが，逆翻訳はそれ以上の上が

mikage014 2018/11/18

機械学習

リンク

GitHub - deeppomf/DeepCreamPy: Decensoring Hentai with Deep Neural Networks

Dismiss Join GitHub today GitHub is home to over 50 million developers working together to host and review code, manage projects, and build software together. Sign up GitHub is where the world builds software Millions of developers and companies build, ship, and maintain their software on GitHub — the largest and most advanced development platform in the world.

mikage014 2018/11/08

リンク

GANによる超解像がもたらす新しい方向性と「The Perception-Distortion Tradeoff」の話 - Think more, try less

CVPR2018にて超解像分野において極めて重要そうだなと感じた論文がありました。Yochai Blauらによる下記の論文です。 [1711.06077] The Perception-Distortion Tradeoff この内容を踏まえて最近の超解像研究の流れをまとめたいと思います。超解像とは？超解像について振り返ります。多くの方がwaifu2xというソフトウェアで一度は目にしたことがあるかもしれません。下記イメージのように低解像の画像を高解像の画像に変換する方法を超解像︵Super Resolution︶と呼ばれます。︵参照元‥二次元画像を拡大したいと思ったことはありませんか？ - デー︶このwaifu2xがざっくりどのように超解像を行っているかというと、ベースはSRCNNというConvolutional Neural Netoworkを使った超解像手法であり、下記のよう

mikage014 2018/07/23

機械学習

リンク

Firebase ML Kitで自作のカスタムモデルを使って料理・非料理画像を判定できるようにした - クックパッド開発者ブログ

会員事業部の山下(@farmanlab)です。 Android エンジニアとしてクックパッドアプリの開発を担当しています。今回はGoogle I/O 2018で新しく発表されたML Kitをクックパッドのデータで学習したモデルを使って検証した話をします。機械学習モデルの利用にあたって、研究開発部の菊田(@yohei_kikuta)の協力の元で検証を行いました。これからお話する内容がイメージしやすいよう、クックパッドの料理・非料理を判別するモデルを動かした実機デモをお見せします。これは料理と判定された確率がfood、料理ではないと判定された確率がnon-foodというラベルのスコアで表示されているデモです。 (非)料理画像において(non-)foodのラベルのスコアが大きくなり正しく判別できていることが分かります。モデルは MobileNetV2 tensorflow-gpu==1

mikage014 2018/07/05

リンク

畳み込みニューラルネットワークすごさを従来の機械学習のアルゴリズムと比較する - Qiita

畳み込みニューラルネットワーク︵CNN︶が画像判別でよく使われるというのは知っていても、従来の機械学習アルゴリズムと比較してどれぐらいすごいものなのかというのがいまいちピンとこなかったので確認してみました。だいぶ長いよ！概要機械学習のアルゴリズムとして、ディープラーニングが出る前は例えばロジスティック回帰、サポートベクトルマシン、ランダムフォレストなどがありました。従来の手法というと漠然としますが、Scikit-learnでできるアルゴリズムと考えてよいです。これらの手法は現在でも有効で、これらのどれを使っても、手書き数字︵MNIST︶に対して最低でも8割、ちゃんと実装すれば9割の精度は出ます。Scikit-learnはとても使いやすいライブラリで、学習効率・実装効率ともによく、計算が比較的簡単なので高速です。逆にその段階で9割近く出ちゃうと、﹁学習が大変で処理も遅いディープラーニング

mikage014 2018/06/10

機械学習

リンク

すべてのプログラマが機械学習を受け入れる準備をする時代になった - mizchi's blog

という予感がしたので書く。正確に言うと機械学習の成果としての訓練モデルを。まず事前に前置きしておくと、僕は機械学習をほとんど抑えていない。トレンドだけ追ってる。大学生の時にニューラルネットワークを実装してみてフ～ンって言ってた程度に知識しかなくて、ディープラーニングが流行る前だから、﹁バックプロパゲーションってややこしかったけど、今は自動でモデルの最適化いい感じにやってくれるんでしょ？﹂ぐらいの雑な理解しかない。(この時点で怪しい) で、今はフロントエンドやってて、ここは機械学習は縁遠いように思えるかもしれないだろうけど、最近のGoogleはなんとブラウザで tensorflow を動かすのに情熱を注いでいる。で、こんなのが Hacker News で流れてきた。 medium.com とりあえず試した。デモをそのままデプロイした。 PoseNet - Camera Feed Dem

mikage014 2018/05/09

機械学習

リンク

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

mikage014 2018/04/11

リンク

「TensorFlow.js」公開、Webブラウザ上で機械学習の開発、学習、実行が可能に。WebGL経由でGPUも活用

﹁TensorFlow.js﹂公開、Webブラウザ上で機械学習の開発、学習、実行が可能に。WebGL経由でGPUも活用 TensorFlow.jsの基となったオリジナルの﹁TensorFlow﹂は、Googleが開発しオープンソースとして公開されている機械学習ライブラリです。Windows、Mac、Linuxなどに対応し、Python、C＋＋、Java、Goなどに対応したAPIを備えています。今回発表されたTensorFlow.jsはそのJavaScript版で、Webブラウザ上で実行可能。TensforFlow.jsのAPIはオリジナルTensorFlowのPython APIのすべてをサポートしているわけではありませんが、似た設計となっており、機械学習のモデルの構築、学習、学習済みモデルの実行が可能なほか、学習済みモデルのインポートも可能。 WebGLを通じてGPUを利用した処理の高

mikage014 2018/04/03

機械学習

リンク

ATRと京都大学、fMRIで測定した人間の脳活動のみから、その人が見ている画像を機械学習を用いて再構成する提案を発表。心の中でイメージした内容の画像化にも成功

ATRと京都大学、fMRIで測定した人間の脳活動のみから、その人が見ている画像を機械学習を用いて再構成する提案を発表。心の中でイメージした内容の画像化にも成功 2018-01-14 ATR︵国際電気通信基礎技術研究所︶と京都大学の研究者らは、fMRI︵機能的磁気共鳴画像法︶によって測定された人間の脳活動のみから機械学習を用いて視覚像を再構成する提案を論文にて発表しました。 Deep image reconstruction from human brain activity著者‥Guohua Shen, Tomoyasu Horikawa, Kei Majima, Yukiyasu Kamitani ︵左が見ている画像、右が再構成された画像︶本稿は、人間が見ている画像を、fMRIで測定した脳活動パターンのみで知覚内容を視覚化する機械学習を用いた手法を提案します。提案手法では、画像を見

mikage014 2018/03/05

機械学習

リンク

機械学習でギターアンプをモデリングする - Qiita

2018/2/6追記 Twitter等で質問を頂いたので、その回答などを末尾に補足として追記しました。 2018/2/9追記ソースコードを公開しました。 https://github.com/coz-a/Audio-Effect-Replicator サマリ LSTMを使って、ギターアンプの音をシミュレートした。はじめに昨年の夏にCNNを使ったギター画像の分類にチャレンジしましたが、引き続きギター関連のネタです。今回は音で遊びます。ご存知の方が多いかと思いますが、さまざまな音源で聞けるエレクトリック・ギターの音は、通常、ギターアンプから出た音です。ギターの出力を直接ミキサーやパソコンのオーディオIFに入力して録音しても、所謂﹁エレキギターの音﹂にはなりません。ギターの信号が、アンプの真空管やスピーカーを通して歪むことで、初めてエレキギターらしい音になるのです。このアンプの歪みをシ

mikage014 2018/02/05

リンク

はてなブックマーク

タグ

関連タグで絞り込む (7)

機械学習に関するmikage014のブックマーク (23)

お知らせ

月間はてなブックマーク数ランキング（2024年6月）

今週のはてなブックマーク数ランキング（2024年6月第5週）

今週のはてなブックマーク数ランキング（2024年6月第4週）

公式Twitter

キーボードショートカット一覧

はてなブックマーク

公式Twitter

はてなのサービス