兵庫県警が「不正指令電磁的記録に関する罪（刑法１６８条の２および３）」について起こした無限アラート事件について、前回の続きです。 今回は、兵庫県警ではなく最高裁判所へ情報公開請求をしました。そのためナンバリングを（その1）と振り直しました。二つは並列して進めていきます。これまでの動きを追いたい方は、Twitterのmomentにまとめてあるのでこちらで追ってください。 https://twitter.com/i/moments/1145015327027154944 今回の概要 - 最高裁判所への情報公開請求 前回の記事、（その6）兵庫県警へ「不正指令電磁的記録に関する罪」の情報公開請求をしましたでも書きましたが、今回の無限アラート事件のひとつの要因は法務省が曖昧すぎる法律の条文を放置しているという点もあります。 現在の「不正指令電磁的記録に関する罪」は、この曖昧な条文を「運用でカバー」し

中国で生活し日々QR決済を利用しているのですが、日本での報道やSNSでの反応を見る限り、日本ではQR決済が正しく理解されていないと感じます。おかしいと思うたびに はてブやTwitterで訂正を試みていたのですが、きりがないので1つ文章を書いてみることにしました。 最初にお断りしておきますが、私はQR決済関連のシステム構築経験がある訳でも内部事情に通じている訳でもありません。中国在住の1利用者の立場で推測も交えて書いています。もし私の理解が誤っている部分がありましたらご指摘いただければ幸いです。 中国で普及しているQR決済方法はAlipay(支付宝)とWeChat Pay(微信支付)ですが、私が使ったことがあるのはWeChat Payだけですので、特に断らない限り以下はWeChat Payに限った話になります。 QR決済って何？ FeliCaの方がよいのでは？ どうやって送金するの？ 友人に

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

7payの新規登録停止を知らせる張り紙。全国津々浦々のフランチャイズ店舗にまで掲出を行き渡らせるのは簡単なことではない。 撮影：7pay取材班 7payの不正使用をめぐって、その脆弱性が背景にあるとの見方が強まっている。窃盗容疑などで複数の中国籍の容疑者らが逮捕されているが、実態にはまだ不可解な部分が少なくない。 一連の7pay報道のなかで、徐々にハッキングの手法に関する情報が出てきたが、具体的に｢7payの脆弱性とは、一体どんなものだったのか｣は直接的に報じられていない。 Business Insider Japanの｢7pay｣取材班では、複数の協力者の通信解析を通じて、7payとその周辺に潜む脆弱性のうち、重要な事象の1つである外部ID経由のハッキング（不正侵入）のメカニズムについて確証を得た。 不正アクセス犯はどんな手口で侵入したのかを探る。

セガゲームス第4事業部第4開発1部TA(テクニカルアーティスト)セクション*1 宮下です。2019年が始まって早１カ月がたとうとしてますが、あなたにとって2018年はどんな年でしたか？（少々時期外れな質問なのですが…） Readyyy! 私は2019年2月1日にリリースされたスマホタイトル「Readyyy!」に携わっており、とても忙しい1年でした。このタイトルは、プレイヤーが新人プロデューサー兼寮長として、男子高校生アイドル18人を育成するスマホゲームで、ゲームエンジンUnity*2を使って開発しています。 Readyyy! キービジュアル TAとして、3Dによるチビメンや「Live2D*3」の立ち絵をはじめとする「Readyyy!」の技術的なグラフィック表現の根幹を担っています。特に立ち絵については、ライティングという結構面白いことしているんですよ。 昼間、夕方、逆光などの環境によるライ

1. はじめに 本記事では、アイドルブログの文体的特徴に基づく著者分類の紹介をします。 1-1. 「文体的特徴」とは 簡単に言うと、文章に現れる著者の癖に注目した特徴量です。計量文体学、計量分析学と呼ばれる領域にて研究されているみたいです。 文体という言葉は、ブリタニカ百科事典では以下の様に定義されており、これを統計的に扱うための指標のようなものかなと思っています。 ある特定の個人，時代，流派などの言語表現を特徴づける様式 文体的特徴および計量文体分析に関しては、以下の記事で紹介した犯罪捜査のためのテキストマイニング: 文章の指紋を探り,サイバー犯罪に挑む計量的文体分析の手法が詳しいです。 例えば、ある男性著者が女性になりすまして書いた文章や同著者が別名義で書いた文章であっても、その癖は文体的特徴に現れるようです。 具体的に、本記事では、以下の文体的特徴を使いました。 非内容語の使用率 品

1. はじめに 参考 2. FaceNetによる顔画像の特徴量抽出 2-1. ブログ画像を収集 2-2. ブログ画像から顔検出、保存 2-3. Facenetにより顔画像から特徴量抽出 2-4. 得られた顔画像特徴量の検証 A. 類似顔画像検索 B. t-SNEによる2次元可視化 C. クラスタリング 3. 終わりに 1. はじめに 本記事では、アイドルブログの画像から検出された顔画像からFaceNetによる特徴量を抽出しました。 そして、得られた特徴量の表現力や挙動を確認しました。 この検証は、ブログやSNSなどのメディアで、気になるメンバ以外の投稿に気になるメンバが出現したときに検出したいと思うことがあり、そのための１歩目の実験です。 ラベル付けをする根性が無いので、自動ラベル付け or １枚だけ(プロフィール画像など)から学習するOne-shot learning (or Few-s

本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 OpenCVを用いた「テンプレートマッチング」と、DeepLearningの物体検出アルゴリズムの一つ「SSD」使って、筆者が大好きな麻雀の牌を検出し点数を自動計算できるか試してみました！ こんにちは。アナリティクスサービス部の栗原です。 今回のブログは、筆者の大好きな麻雀をテーマに取り上げ、 1.物体検出に関わるテクノロジー 2.BrainPadの日常 （3.麻雀の面白さ） をお伝えしたいと思います。 さてさっそくですが、皆さん麻雀経験はありますか？ おそらく、 1.「全く経験がない」 2.「アプリ等でやったことはあるが実際に卓を囲ったことはない」 3.「雀荘に行って一通りゲームを楽しめる程度」 4.「雀荘に通うほど好き」 のいずれかに該当するのではないでしょうか。 今回ブログでご紹介す

誰向け 深層学習をすでに理解して画像の分類から物体検出への仕組みをマスターしたい方へ 数式が多いのでコード確認したい方は下記へGo 具体的な実装例 おまけ Kerasに関する書籍を翻訳しました。画像識別、画像生成、自然言語処理、時系列予測、強化学習まで幅広くカバーしています。 直感 Deep Learning ―Python×Kerasでアイデアを形にするレシピ 目的 物体検出に関しての技術を体系的にまとめてコードベースまで理解したかったので書きました。 良書である画像認識の物体認識の章を参考にこの記事を作成しています。 画像認識 全体像 大きく分けて3つのフェーズに分かれます。 1: 物体領域候補の抽出 画像中から物体の領域候補を抽出する手法になります。精度と速度を左右する部分になります。図のように小ウインドウ(バウンディングボックス)を用意して一定の画素数ずらしながら領域候補を抽出する

最初に ・本エントリーは、「YOLOの論文紹介」になります。そのため、「実際にやってみた」といった内容を含みません。 ・本エントリー執筆時点で、YOLOはv3まで出ていますが、その原点となる最初の「YOLO」についての紹介です。 今後、YOLOの論文を読む人がいた際に、もしちょっとでも購読が楽になれば嬉しいです。 論文はこちら YOLOについて 画像認識のアルゴリズムで、2016年に発表された。 リアルタイムで処理が可能、かつ高精度で処理できる。 また、１つのCNNネットワークで処理を完結しているため、学習が比較的容易。 コードの商用利用不可。 (2018年８月13日追記:商用利用可能みたいです。失礼しました。) 目次 1.introduction 2.Unified Detection 3.Comparison to Other Detection Systems 4.Experimen

一般物体検出アルゴリズムの紹介 今回CNNを用いた一般物体検出アルゴリズムの有名な論文を順を追って説明します。 コンピュータビジョンの分野において、一般物体検出とは下記の図のように、ある画像の中から定められた物体の位置とカテゴリー(クラス)を検出することを指します。 [6]より引用 Deep Learningアルゴリズムの発展によって、一般物体認識の精度は目まぐるしい勢いで進歩しております。 そこで今回はDeep Learning(CNN)を応用した、一般物体検出アルゴリズムの有名な論文を説明したいと思います。 R-CNN (Regions with CNN features) (CVPR 2014) [1] かの有名なCNNの論文[8]で、ILSVRC 2012の物体認識チャレンジで大差をつけて1位になりました。 このチャレンジでは1枚の画像が1000クラスのうちどれに属するかを推定する

本業や趣味でGCP, Actions on Google, Androidなどの技術を触っている fish です🐟 Cloud Auto ML Visionを使って カレイの種類を識別してみたので、その結果を紹介したいと思います。 Cloud Auto ML Vision についてはこちらをご参照ください。 Cloud Auto ML Vision の事例はこちらをご参照ください。 カレイの識別についてお寿司や小料理屋などで身近なカレイですが、食用だけでも３０種類以上、世界には１００種類以上確認されています。慣れている人は簡単に見分けることができますが、特徴を知らないと見分けるのが難しい魚です。Cloud Auto ML Vision を使ったらもしかして見分けることができるのでは？と思いトライしてみました。 Cloud Vision API ではどこまで識別できるのか？カレイやヒラメの

去年の8月に、国立情報学研究所（NII）が顔認識ができなくなるメガネを開発したという記事が話題になりました。 nlab.itmedia.co.jp それに対して Haar-like, LBP特徴による方法が前提っぽいから、HOG特徴量で輪郭取るこの前の方法なら勝てそう— 川奈 清 (@kivantium) 2015年8月6日 とコメントしたところミクミンPさんから@kivantium ポチったので届いたらハッカソンでもやりましょうか— ミクミンP/Kazuhiro Sasao (@ksasao) 2015年8月6日 という反応があり、今日実際にハッカソンが行われました。 connpass.com 「顔認識を失敗させる技術を失敗させるハッカソン」は、最初に7人の参加者でプライバシーバイザーをつけた場合とつけなかった場合の顔動画を撮影して共有し、あとは各自で黙って作業するという形で行われました

Deep Learningをやってみたいものの、Caffeだと、何か「書いている」気分もせずに悶々としていたところ、chainerが登場したので試してみることに。 なにはともあれ、かねてよりやりたかった、アニメ顔認識をやってみます。 本当は顔検出器＋顔によるキャラ分類とかをやってみたいのですが、まずは顔とそれ以外を分類することを目指します。 ちなみに、アニメの顔認識というと、OpenCV+カスケードによる検出器があったりして、かなりいい感じに認識してくれます。 しかし、 原則、正面からの顔以外はうまく認識できない 斜めに少し傾いていても、検出されない といった問題があるので、なんとか検出精度を向上させたいところです。 Step1: テスト画像準備 他のタスクにも使うことを考えて、自分で準備することにしました。所要時間20hぐらい。ぽよ～ん。 方針 OpenCVとlbpcascade_ani

この記事にたどり着いたあなたは、どのような人でしょうか？新しい技術分野へのチャレンジや起業を志しているエンジニアでしょうか？または、新規プロジェクトを立ち上げたいと思っているマネージャーでしょうか？そういった方々に是非コンピュータビジョンを学んで、活用していただきたいと思っています。

はじめに CNN(Convolutional Neural Network)を利用して、ラブライブ！のμ's9人の顔を学習し、未知のラブライブ！イラストに写っているキャラクターの分類を行った。 処理の流れ インターネットからラブライブ！関係の画像を収集する。 OpenCVを利用して、収集した画像からキャラクターの顔を抽出する。 抽出した顔画像を手作業で10クラス（キャラクター9人＋背景）に分類する。 CNN(AlexNet)で学習する。 学習したモデルを利用し、動画(ダンスシーン)の各フレームに対し、顔抽出と分類を行う。 開発環境 OS : macOS High Sierra 言語 : Python 3.6.3 ライブラリ : TensorFlow, Keras, Numpy等データ処理ライブラリ API : LoveLive! SchoolIdol API github.com Twit