Softmax関数をベースにした Deep Metric Learning が上手くいく理由 - Qiita
はじめに Deep Learningを使った距離学習（Metric Learning）では、Contrastive LossやTriplet Lossなどを用いて、画像間の類似性（や非類似性）を直接学習していく方法が広く利用されていますが、学習データの組み合わせや選び方が難しく、学習自体が難航するケースが多い事も知られています。それだけに、これまで様々な改良と工夫が提案されています。 しかし、最近はこのような学習データ選びに難航することなく、一般的なクラス分類タスクの感覚で、Softmax関数をベースに学習できるMetric Learningが注目を浴びています。ArcFaceなどはその代表的手法でこちらで詳しく説明されています。 Softmax関数をベースにしたMetric Learningがうまくいく理由、またさらなる改良の余地はあるのか？これらに関して少し紹介しようと思います。 Ce
Python代数演算ライブラリを使ってカオスな振る舞いをする二重振り子の運動方程式を導く - Qiita
📗 この記事の目的 Pythonの代数演算ライブラリSymPyと 数値計算用のライブラリであるSciPyやNumPyとの組み合わせが強力であることを示す例として、二重振り子を数値計算で解くということを試みます。 ↓二重振り子 引用元 実は、その単純な見た目からは想像できないほど、二重振り子の極座標での運動方程式は 非常に複雑です。 難しいことで有名な力学の教科書である ランダウ・リフシッツ 力学 でも出てくるぐらい有名な練習問題の一つです。 今回は、Pythonを使ってマシンパワーで、サクッと極座標の運動方程式の導出をしてしまおうというわけです。 注意点 今回の記事は、ゴツイ数式が大量に出てきます。 苦手な方は、最後のGIFアニメーションだけをご覧ください。 あと、解析力学の知識（特にラグランジアン）を前提としています。 ただ、知らない方も、今回の記事は、SymPyでの代数演算とSciP
Geometric-matching CNN : Deep Learning による画像の位置合わせ - Qiita
1. はじめに ~画像レジストレーション~ 画像レジストレーションとは、異なる画像間における点と点の対応関係から、画像間に存在する幾何学的な変換モデル（例えばアフィン変換など）を推定し、画像間の位置合わせを行うことをいいます。 画像レジストレーションの応用先としては、以下のような例があります。 複数の画像を組み合わせたモザイク画像（パノラマ画像）の生成 超解像画像の生成, etc. 今回は、このような画像間の位置合わせを、畳み込みニューラルネットワークで行った論文を紹介し、実際にコードを動かしてみます。 2. 今回紹介する論文 題名 : Convolutional Neural Network Architecture for Geometric Matching 発表 : Spotlight & poster @ CVPR'17 実装 : https://github.com/ignac
異空間への埋め込み！Poincare Embeddingsが拓く表現学習の新展開 - ABEJA Tech Blog
ABEJAでResearcherしている白川です。 今回ご紹介するのは、Poincaré Embeddings [1]という手法です。その内容に驚愕し、個人的に調べたり実装したり勉強会でお話したりしていたところ、最近運良く自分の実装をredditで取り上げてもらえたので、これを機にその驚愕の内容を共有できればと思います。 正直、自分の中ではまだ煮詰まりきっていない技術なので、現況の共有はしますが、ところどころ私の憶測や展望、期待が入り混じっていることをご容赦ください。 www.reddit.com Poincaré Embeddingsは大雑把に言えばword2vecを異空間で実現する技術で、双曲空間（Hyperbolic Space）という、おなじみのEuclide空間（2点$x,y$の間の距離を$\sqrt{(x_1 - y_1)^2 + (x_2 - y_2)^2 + ... + (
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
