Unityでディープラーニングや機械学習といえばML-Agentsのことですが、この記事ではML-Agentsの話題は一切ありません。 主に画像を入力して分類やオブジェクト検出する系のディープラーニング推論についての記事になります。 Unityでマルチプラットフォーム対応のディープラーニングを使用したアプリの作り方 Unite Tokyo 2019において個人的に興味深いセッションがありました。 Unityで手軽に使えるAIエンジンailia SDK セッションの内容的としては、DeepLearning推論を実行するためのUnity用のプラグインの紹介で、簡単に利用できるフレームワーク、マルチプラットフォーム実行、高速な推論処理が可能というものでした。 このセッション映像を観て、私はつぎのことを思い出しました。 OpenCVでもDnnモジュールで、ディープラーニング推論が実行可能！！！ と

圧倒的知名度を誇るからあげ (id:karaage)先生を通して啓蒙したいことがあります。 karaage.hatenadiary.jp \begin{align} x&(i - 1, j - 1) \times A + x(i, j - 1) \times B + x(i + 1, j - 1) \times C \\ {} + x&(i - 1, j) \times D + x(i, j) \times E + x(i + 1, j) \times F \\ {} + x&(i - 1, j + 1) \times G + x(i, j + 1) \times H + x(i + 1, j + 1) \times I \end{align} ほんとは、違います(爆) 正しくは以下です。 \begin{align} x&(i - 1, j - 1) \times I + x(i, j -

畳み込み層の処理は厳密には畳み込みではなかったのか・・・ 畳み込み層 畳み込み層の処理 数学で言うところの畳み込み 畳み込みの定義 畳み込み層の処理と比較 相互相関 相互相関と畳み込みの相違点 交換律 フーリエ変換 相互相関の意味 畳み込み層に「畳み込み」を適応するとどうなるのか？ 終わりに 畳み込み層 畳み込み層の処理 畳み込み層ではインプットの画像データに対して重みを掛けてアウトプットします。この重みをカーネルと呼びます。 実際の計算は図1のようになっています。 図1. 畳み込み層の処理インプットデータの一部にカーネルを適応してその適応された部分で行列の内積を取っています。式でかくと次のようになります。 アウトプットされた行列のi,j成分を, インプットされた行列のi,j成分を, カーネルのi,j成分をとすると 数学で言うところの畳み込み 畳み込みの定義 ２次元の畳み込みは次のように定

KADOKAWAと経営統合した、ニコニコ動画の運営で知られるドワンゴも、社内に研究所を持ち、ディープラーニングに本格的に取り組んでいる企業のひとつだ。映像配信やコミュニティ運営がビジネスの軸であるドワンゴはAIをどのように活用しようとしているのか。川上量生会長の単独インタビューを通して見えてきた姿は「AIという道具の活用方法」だった。 ドワンゴ川上社長 脳を模して自ら学ぶ「ディープラーニング」ドワンゴは、2014年10月に、自社の研究部門である「ドワンゴ人工知能研究所」を設立した。以来ディープラーニングの研究を続けている。ドワンゴの戦略を考える前に、AIの基本的なところからおさらいしておこう。 2000年代前半までのAIでは、人間がまず「判断するためのルールや特徴」を示す、俗に「ルールベースによる推論」と呼ばれる手法が多く使われていた。この手法の難点は、良いルールを作るのがきわめて難しい、

Dec 22, 201617 likes6,190 viewsAI-enhanced description This document appears to be gibberish or random characters with no discernible meaning. It does not contain any essential information that can be summarized in 3 sentences or less.

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? DeepLearning Advent Calendar 2016の17日目の記事です。 はじめに はじめまして。 Liaroという会社でエンジニアをしている@eve_ykと申します。 今年もあと僅かとなりました。 ここらで、今年のDeepLearningの主要な成果を振り返ってみましょう。 この記事は、2016年に発表されたDeepLearning関係の研究を広く浅くまとめたものです。今年のDeepLearningの研究の進歩を俯瞰するのに役立てば幸いです。 それぞれの内容について、その要点や感想なんかを簡単にまとめられたらと思います

チャオ! オレだ。 深層学習を手軽に使いたいというニーズは日に日に高まっているはずなのに、ガクシャ先生どもと来たら、やれMatlabだ、やれPythonだのと軟弱言語の話しかしやしねえ。どこかに気骨溢れたナイスガイはおらんのか! と思ったら、居た。 それが今回紹介するdarknetだ。 darknetという名前から想像する異常にダークである。 バーン どうよこのダークネス感 いまどき黒いページというのは珍しい。 そして無駄に凝った魔法陣のようなロゴ。ダークだ。 しかしダークネット、厨二満開とせせら笑っていられるのもいまのうちだ。 このダークネット、実に必要十分な機能を最短で試せる超絶優れたツールなのである。 CaffeやTensorFlowほどの知名度はないが、実用性皆無なTensorFlowに比べてdarknetはものすごく実用的。Cが分かる人ならばこれほど使いやすいものもちょっと他にな

ディープラーニングが流行ってましたね。 そろそろ各社の経営層が慌てて取り組もうとして 末端の開発者を困らせていることでしょう。 前置き 皆さんもう Chainer は使ってみたでしょうか。 Chainer はとても便利ですが、ある程度 Python を覚えなくてはなりません。 また、環境によっては Chainer を組み込むことが難しい場合もあるでしょう。 もっと手軽に、気楽にディープラーニングしたいものです。 nanikanizer そこでこちらのこちらのライブラリを用意しました。 nanikanizer ナニカナイザと読みます。 C++ 用のライブラリで、インクルードするだけで使えます。 まずは簡単な example を紹介します。 カーブフィッティング #include <iostream> #include <iomanip> #include <nanikanizer/nanik

FASHION TECH MEETUP #2発表資料 ディープラーニングを活用し商品のファッションカテゴリの分類を行いました。 さらに、それをマイクロサービス化してクローラーに組み込みました。

皆さんこんにちは お元気ですか。私は全然です。 Deep Learning　一言で言うとただの深層学習ですが、 作り手や用途によって構造が全然違います。 今回は逆引き辞典よろしく、Deep Learningの実装のリンク集を作ってみました。 今回はライブラリは問わず、掲載します。 Caffe、Theano（Lasagne）、Torch7、Chainerなんでもござれです。 後日、追記するかも・・・ Neural Network（Full Connected） Auto Encoder Auto Encoder Denoising AutoEncoder Convolutional AutoEncoder Convolutional Neural Network Convolutional Neural Network R-CNN Fast-RCNN Faster-RCNN Recurren

NVIDIAがディープラーニングを使って外界の様子をリアルタイムで認識して自動運転車技術を開発できるユニット「NVIDIA Drive PX 2」をCES 2016に合わせて開催されたカンファレンスで発表しました。ディープラーニング技術を使ったデモを見れば、従来は数カ月かかった作業をわずか1日で終えるというNVIDIA Drive PX 2の凄まじさがよく分かります。 Live: NVIDIA's 2016 Las Vegas CES Press Event http://blogs.nvidia.com/blog/2016/01/03/ces-las-vegas-event/ Automotive Innovators Motoring to NVIDIA DRIVE | The Official NVIDIA Blog http://blogs.nvidia.com/blog/2016

Googleは、脳の活動を模したニューラルネットワークによって学習を実現する「ディープラーニング」をサポートした機械学習ライブラリ「TensorFlow」をオープンソースで公開しました。ライセンスはApache 2.0オープンソースラインセンスです。 Googleはすでに数年前からディープラーニングを同社のサービスに組み込んでいます。「私たちが社内でディープラーニングの基盤である「DistBelief」を開発したのは2011年のことだ」（ブログ「TensorFlow - Google’s latest machine learning system, open sourced for everyone」から）。 TensorFlowは、このDistBeliefをさらに強化したものだと説明されています。 TensorFlow is general, flexible, portable, e

比戸です。スムージーの美味しい季節ですね。 今回は「ディープラーニングの未来」というパネルディスカッションに関するブログの翻訳をお送りします。この業界の有名人が多数参加していて、とても興味深い内容だったため、日本のコミュニティでも共有できたらと思ったのです。 それは2015年7月に開かれた機械学習の国際会議・ICML内のDeep Learning Workshopの企画でした。元記事はワークショップ主催者のKyunghyun Cho氏のBrief Summary of the Panel Discussion at DL Workshop @ICML 2015です。ご本人の許可を得られたので、以下に日本語訳を掲載します。なるべく原文に忠実に訳したつもりですが、分かりづらい部分は意訳が入っているため、もし誤りがあればご指摘下さい。 — ここから翻訳 <はじめに> ICML 2015で開かれた

こんにちは、得居です。最近は毎晩イカになって戦場を駆けまわっています。 本日、Deep Learning の新しいフレームワークである Chainer を公開しました。 Chainer 公式サイト GitHub – pfnet/chainer Chainer Documentation Chainer は、ニューラルネットを誤差逆伝播法で学習するためのフレームワークです。以下のような特徴を持っています。 Python のライブラリとして提供（要 Python 2.7+） あらゆるニューラルネットの構造に柔軟に対応 動的な計算グラフ構築による直感的なコード GPU をサポートし、複数 GPU をつかった学習も直感的に記述可能 ニューラルネットをどのように書けるか 次のコードは多層パーセプトロンの勾配を計算する例です。 from chainer import FunctionSet, Vari

うまくできましたか？　ボヤけたり、ギザギザになったりしませんでしたか？ waifu2xをお試しください。 (ブラウザの処理に影響されないようクリックで拡大おねがいします) waifu2xは、二次元画像を2倍に拡大するソフトウェアです。多くの二次元画像についてスゴイ級のクオリティで拡大できます。 waifu2xは、最新鋭の人工知能技術 Deep Convolutional Neural Networks を使って開発されました。 waifu2xの人工知能は、次の問に答えます。 いまから与える画像はある画像を半分に縮小したものである。縮小される前の画像を求めよ。 画像を拡大するのではなく、縮小される前の状態に戻します。 縮小されてないオリジナル画像を与えた場合も、やはり縮小される前の画像を答えます。 その画像は本来存在しないものですが、waifu2xはそれを想像で創ります。 二次元画像のJPE

このところDeep Learningが相当流行っているようで、ほとんど至るところで話題になっているのを見ます。 Deep Learningは深層学習とも呼ばれ、ニューラルネットワークの層をこれまでより深くして機械学習を行う技法です（だそうです）。 画像認識コンテストで他の方法と比べて非常に高い精度を示しており、以前は人の手で行っていた特徴の抽出まで行えます。 以前であれば車を認識するには車はどのような特徴を持っているかを人がモデル化して入力していたわけですが、この特徴を入力画像と与えられたラベルからニューラルネットワークが捉えてくれます。詳しいことはDeep Learningで検索して出てくる記事やスライドを参照のこと。 Deep Learning自体は容易に実装可能なものではなさそうですが、多くの研究グループがDeep Learningを行うためのソフトウェアをオープンソースにしているた