動画配信における主流なDRM（PlayReady、Wdievine、FairPlay Streaming）について概要を説明します。

AbemaTVの仕様について気になったので調べてみた (研究目的です念の為)。 AbemaTVはPCへの動画配信において、配信プロトコルにHLSを使用しているようだ。HLSはMPEG-DASHと異なりDRMが使えず (厳密にはMac環境のFairplayなどの例外もあるが) 、AbemaTVでは鍵の生成に若干工夫を行ってるのみのようだ。 まず、APIを使ってチャンネル一覧をダウンロード。 $ curl https://api.abema.io/v1/channels {"channels":[{"id":"abema-news","name":"AbemaNewsチャンネル","playback":{"hls":"https://linear-abematv.akamaized.net/channel/abema-news/playlist.m3u8"}},{"id":"abema-spe

FRESH!で再生が止まってしまったときに、Chrome DevToolsのNetworkタブを見ていたところ、.m3u8というファイルの取得に失敗していることが分かりました。そこから、.m3u8ファイルと.tsファイルを用いて実現されるライブ動画配信の仕組みHTTP Live Streaming (HLS)の挙動について調べ、実際の通信内容と比較して、クライアント側の動作や、ファイルの内容などの仕組みが見えてきました。 その基本的なところについての理解を図解してみたので、ここにメモ＆紹介しておきます。 実際の挙動については、サイバーエージェントの動画配信サービス「FRESH!」および、「AbemaTV」の挙動を参考にしました。 目次 1. HTTP Live Streaming (HLS)2. ２種類のファイルを用意して動画配信する2.1. .tsファイル（動画）2.2. .m3u8（プ

追記 2016/02/16 に ffmpeg version 3.0 がリリースされました。 ver 3.0 では libaacplus libvo-aacenc が削除されるなど、コーデックとコンテナの統廃合が行われたようです。 このエントリは ffmpeg version 2.x について記述しているため、 ver 3.x ではそのままでは動かない部分があるかもしれません。ご留意ください。 また、 libfdk_aac が使えない場合は、 libfaac を使用してください。 本文 ffmpeg を使い HLS を使ったストリーミングを mp4 フォーマットで保存したり、その反対に mp4 からストリーミングを行う(m3u8 と ts ファイルを生成する)方法について説明します。 まずは、ffmpeg をインストールします。既にインストールされている場合は、AAC, H264, MP4

- はじめに - PythonでOSSパッケージ等を利用していると、Exceptionが発生した際に表示されるTraceback(正確にはスタックトレース)がかなり長い場合がある。 例えば、以下の簡易なコード実行で表示されるTracebackの行数は30近くなる。 import pandas as pd df = pd.DataFrame(dict(a=[1,2,3])) df['b'] 引用 : python - Shorten large stack traces when using libraries - Stack Overflow より複雑なプログラムにおいては、この比ではない。 にも関わらず、記述ミスのようにTraceback上位部にエラーの重要な内容がある場合もあれば、パッケージ内部のValidationで下位部が重要な場合もある。 得てしてPython開発環境として利用さ

さて、昨年行ったGTC Japan 2017では物体検出のデモを行っているブースが多く、盛り上がりを見せている分野と感じています。 たしかに、物体検出のデモってすごくAI感(?)があります。 今回の記事はリアルタイム(~0.1sec)物体検出に使われるSSD及びその派生モデルのお話。 [1]SSD検出結果 物体検出の難しさ SSD ネットワーク構造 マルチボックスマッチング default boxと回帰によるオフセット予測 ハードネガティブマイニング ロス関数 データオーグメンテーション DSSD(Deconvolutional Single Shot Detector)の登場 Deconvolutional Module ResNetを使う。 Prediction Moduleの変更 Default Box増やした ESSD ESSDではやっぱりVGGを使う。 隣接したFeatureMa

2. 物体検知（Object Detection） 2 • 物体検知は物体ラベルと位置を同時回帰 Person Uma 物体2 物体識別：Uma（⾺） 位置（x,y,w,h）：118, 250, 89, 146 物体１ 物体識別：Person（⼈） 位置（x,y,w,h）：125, 15, 78, 162 画像はPascal VOC datasetより抜粋 • 物体識別はImageNet/Places365等と同様に与えられた画像 （この場合は切り抜かれたパッチ）から⽣成 • 位置は左上のx, y座標と幅w, ⾼hを返却（コードにより左上x1, y1 右下x2, y2を返却するので注意） 3. 物体検知の変遷（ʼ01〜ʼ19） 3 Haar-like [Viola+, CVPR01] + AdaBoost Fast R-CNN [Girshick, ICCV15] ROI Pooling,

自動運転にも応用される精緻な画像認識技術、「画像セグメンテーション」とは？事例を交えてわかりやすく解説 近年、ディープラーニング（深層学習）を中心とした機械学習の技術が注目を集めています。そのホットな応用先の１つが画像認識です。 今回は「画像×機械学習」によって、精緻な画像識別を可能にする技術、”画像セグメンテーション”について見ていきましょう。 画像分類の種類について 「画像×機械学習」といってもその応用例はたくさんあります。 画像セグメンテーションの特徴を理解するためにも、まずはよく使われているその他の画像分類技術も見ていきましょう。 今回は画像セグメンテーションを含む、こちらの３つを紹介します。 １）画像分類（classification）…”その画像が何なのか”を識別 ２）画像検出（detection）…”その画像のどこに何があるのか”を識別 ３）画像セグメンテーション(segme

最新の物体検出情報（2022/1/1追記） この記事も、3年近く前の記事となり、最新の情報から比べると情報が古くなってしまいました。最新の状況に関しては以下記事がとても参考になります。 以下の記事も、過去の流れなどは参考になりますし、まだ使える部分も多くあると思いますので、よろしければ参考にしてみてください。 物体検出をやってみる前に検出と認識の違い これまで、ディープラーニングを使って画像の認識を何度かやってきました（以下参照）。 画像認識の次は、物体検出に手を出して見たいなということで、ディープラーニングを使った物体検出に関して調べて試してみることにしました。 そもそも、物体検出って何で、認識と何が違うのかというと、そもそも認識という言うと結構広い意味になってしまって、画像のそのものが何かを判別するのは画像分類というのが正しそうです。つまり、私がやった上記の例は基本的には画像分類となり

前回までのOpenCV さて、前回はサンプル10枚でイカ検出器を作成してみたところ見事に検出に失敗しました。 というわけで、今回はサンプルを数を増やしたり、パラメータを変更しながらいろいろ試してみたいと思います。 opencv_createsamplesによるサンプルの生成 createsamplesコマンドを使用することで、1枚の画像から角度やサイズを変更した大量のサンプルを自動生成することが出来ます。 opencv_createsamples.exe -img face.jpg -num 1000 -vec test.vec -img :元になる画像を指定します。 -num :生成する画像の数を指定します。 -vec :生成した画像から作られるvectorファイルの名前 その他のオプションは何もオプションを付けないでコマンドを実行して確認してください。 デフォルトでは生成する画像のサイ

こんにちは！アイデミー研修生の川内と申します。 突然ですが、みなさんカワウソってご存知ですか？？ 可愛いですね〜〜。 よく犬と猫どっち派とか聞かれますが僕は断然カワウソ派です。 OpenCVというのを使うとデフォルトで作成されているモデルを用いて人間の顔が検出することが出来ます。OpenCVについては下記のリンクをご覧ください。 機械学習のためのOpenCV入門 OpenCVで物体検出器を作成① 基礎知識【開発会社プロフェッサ】 人の顔の画像の特徴量を抽出することにより学習するのですが、学習させるモデルにおいてはHaar-like特徴というのを用いています。Haar-like特徴は、簡単に言うと画像の明暗差により特徴を捉えます。例えば人間顔で言えば目は黒く、目元は明るいといった特徴をたくさん取ることで、人間の顔の特徴全体を捉える感じです。 Haar-likeについて(英語で書かれています)

30年にわたったスペースシャトル計画に幕を閉じた7月21日。最後のスペースシャトル「アトランティス」の帰還を待つ米航空宇宙局（NASA）の管制室では、日本の個人が趣味で作ったWebアプリが大型スクリーンに映し出されていた。その心境を作者がブログにつづっている。 Googleマップ上に国際宇宙ステーションやハッブル宇宙望遠鏡の軌道をリアルタイムに表示する「GoogleSatTrack」（GST）の作者、柏井勇魚さんは、帰還への軌道離脱噴射指令をアトランティスに出すNASA管制室の大型スクリーンに、見慣れた画面が映っているのに気付いた。 すぐに自ら開発したGSTだと思ったものの、信じられなかったという。「いや、だって、一介のアマチュアプログラマが作ったWebアプリが、ミッションの中でも一番クリティカルな大気圏再突入前のミッションコントロールセンターの画面に映っている。これで信じろという方がおか

19日に行われた Kyoto.なんか #3 で発表・デモをさせていただいた内容まとめです。 はじめに: 検出器の重要性 アイドル顔識別 をずっとやっている中で、顔の識別・分類(Classification)はCNNを使って出来ているけれど まだ上手く出来ていない別のタスクがあって。 それが画像内からの顔領域の検出 (Detection, Localization)。 「画像内に写っている人物が誰であるか」を識別するためには、まずはその画像に写っている「顔」を検出する必要がある。 その検出された顔それぞれについて分類器にかけて「この顔は○○さん」「この顔は××さん」と分類していくことになるわけで。 分類器に与える入力画像を切り抜いて抽出するのにもまず顔領域を検出する必要があるし、その分類器を学習させるためのデータセットも、様々な画像から顔領域を検出して切り抜いてそれぞれに対してラベル付けする

先日、シャニマスで霧子の新しいサポートSRが出ましたね。 その名も「我・思・君・思　幽谷霧子」。 果たしてどんなイラストでしょうか？ 遠っ！ がっつりと大きく取られた背景の中にポツーーンと人がいる。たしかに印象的ですね。 ……あれ？　この構成、どこかで見たことがありますよね？ そう。19世紀フランス・バルビゾン派を代表する画家、 ジャン＝バティスト・カミーユ・コローです！ 代表作「モルトフォンテーヌの思い出」なんか、人物の比率がほとんどそのままじゃないですか！！！！！！！！！！！！！！！！！ シャニマスは間違いなくバルビゾン派の影響を受けている！！ 終わり！　閉廷！！！！！！！！！！！！！ などという茶番をやるために筆を執ったわけではありません。 シャニマスの絵、いいですよね。 ぜんっぜんプレイしてないですがツイッターによく流れてくるのでなんとなく見たことあります。実際、ソーシャルゲームの