技術研究所の(あ)です。
機械学習を用いた眼科画像からの疾患の有無の判断とかやってます。こういうもの (画像からの判断だけでなく、インフルエンザの検査とかでも同じです) の性能を評価しようとするとき、いろいろな指標の用語が出てきます。
感度、特異度、精度、再現率、適合度、などなど…
何がどう違うのでしょう? 何でたくさんあるのでしょう?
もちろん本やウェブで調べれば出てきますが、意外とすっきり簡潔に解りやすくまとめた資料がありません。いろいろな人に説明せねばならない機会も増えたし、それではということで自分で説明図などを作ってみました。
こんにちは。技術研究所の910です。
今回は少々今更感がありますが、TensorFlowに実装されたTensorFlow Object Detection APIを試してみようと思います。
…とは言ったものの、How to train your own Object Detector with TensorFlow’s Object Detector APIに丁寧に手順がまとめられていますので、詳細なやり方についてはこちらの記事をご覧になるのが良いかと思います。
なのでこの記事では、このAPIを使うことで、どれだけ簡単に物体検出を試せるのかをご覧いただければと思います。
|
1 2 3 4 5 6 7 8 |
(tf) ysk@LAKuEN$ sw_vers && python -V && pip freeze | grep -e '\(opencv\|tensorflow\)' ProductName: Mac OS X ProductVersion: 10.13.2 BuildVersion: 17C88 Python 3.6.3 opencv-python==3.3.0.10 tensorflow==1.4.0 tensorflow-tensorboard==0.4.0rc2 |
この記事は 『CRESCO Advent Calendar 2017』 24日目の記事です。
上司の指示に従った方法で仕事を進めたところコンペに負けてしまったことに納得がいっていない様子でした。
この記事は 『CRESCO Advent Calendar 2017』 16日目の記事です。
こんにちは、技術研究所のわたなべです。
突然ですが、今日12/16は大イベントがありますね！そう、クラブワールドカップの決勝戦です！
FIFA(国際サッカー連盟)が主催するサッカーの大会で、ヨーロッパ、アジア、オセアニア、北中米カリブ、南米、アフリカの各大陸チャンピオンと開催国代表の計7チームが集まる、世界最強のクラブを決める大会です。
昨年は日本で開催され、開催国代表である鹿島アントラーズ柴崎選手(当時)がスペインの強豪レアルマドリード相手に大活躍して話題になりました。
今年はアジアチャンピオンとして浦和レッズが出場しましたし、北中米カリブ代表パチューカに所属する本田圭佑選手も出場しました。
どちらも決勝まで進むことはできませんでしたが、熱い戦いを見せてくれましたね。
来年は(国別の)ワールドカップもありますし、サッカーがとても盛り上がっているなあと感じます。
そこで、今日は日本代表のベストイレブンをIT技術的な（特に私の専門の自然言語処理の）観点から導き出したいと思います！
この記事は 『CRESCO Advent Calendar 2017』 15日目の記事です。
こんにちは。AI＆ロボティクスセンターの西村です。
写真から顔の検出や識別を行うFaceAPIに触れる機会があったので、実施手順と結果をまとめてみました。なお、今回ご紹介する手順は、Microsoftさんから提供されているコンソールのみで行っており、プログラミング不要です。
この記事は 『CRESCO Advent Calendar 2017』 1日目の記事です。
AIに対する過度な期待値を下げつつ、AIの精度向上に励んでいるウエサマこと井上 (祐)です。
本記事では、クラウド型音声認識サービスの認識精度について記述します。
こんにちは。技術研究所のわたなべです。
機械学習初級者の私に強い味方が登場してくれたようなのでご紹介します。
去る8/17、こんなニュースが飛び込んできました。
人工知能（AI）を実現するディープラーニング（深層学習）の統合開発環境Neural Network Consoleを公開
これまでディープラーニング使ってみよう！という場合、ほぼPythonプログラミングというような雰囲気でしたが、ディープラーニング用の統合開発環境と銘打たれたものが出てきました。
しばらく使ってみたのですが、こいつがなかなかどうしてイケてる感じでした！
こんにちは。技術研究所の 910 です。
Caffeではモデルの構造や学習方法などをprototxtという設定ファイルで定義できるので、非常に再利用し易く重宝しています。
しかしその一方で、私個人としてはTensorFlowを主軸に使っていきたいなーと思っていたりするので、今回はCaffeの学習済みモデルをTensorFlow向けに変換してみることにしました。
| OS | macOS High Sierra Version 10.13 Beta7 |
| Docker | Docker for mac Version 17.06.2-ce-mac27 (19124) |
| 変換に利用したライブラリ | caffe-tensorflow |
当然ではありますが、caffe-tensorflowを使う為にはCaffeとTensorFlowが両方導入されている環境が必要となります。
環境を新たに作るのもなかなか面倒ですし、変換の為だけに環境構築済みのGPUインスタンスを起動するのも勿体無いので、両方共導入済みのDocker imageを利用させていただきました。
こんにちは。技術研究所のYKです。
9/20(水)に公開されたiOS 11には、Core ML APIという、学習済みモデルをアプリに組み込んで利用できる機能が追加されています。
前々から自分が作った学習済みモデルを手元で使えたらなー、と思っていましたので、この機会にCore MLを試してみることにしました。
ちなみに、Appleが画像のクラス分類のサンプルとして以下のようなソースコードを提供してくれています。
今回はまずImage Classification with Vision and CoreMLを動かしてみて、それから私の手元にあるCaffeの学習済みモデルをiOSアプリに組み込んでみました。
こんにちは。技術研究所の鍋です。
最近、機械学習の分野に触れ始めました。
機械学習用のフレームワークは近年いろいろなところから出ていますが、せっかくなので弊研究所では使ったことがないものを使ってみようということで、Microsoft Cognitive Toolkit（通称：CNTK）を導入して、サンプルコードが動くところまで確認しました。
基本的には公式の手順に沿っていますが、個人的に飲み込むのに時間がかかった部分もあったので覚書として残しておきます。
※Step～ は公式の手順に対応しています。
