GPT4oを使って、訓練無しで物体検出(BBox)ができるか試してみる
今日も今日とてopenAIの新発表が機械学習界隈を賑わせていますね。 今回は、2024/05/14に発表されたGPT4oについてです。 返答速度があがったり画像認識精度があがったり音声会話の性能が良くなったりと色々話題が尽きません。 具体的にどのあたりが凄くなったのかは僕以外にもまとめている人が多そうなのでこの記事では触れません。 個人的に特に気になっているのが画像認識の精度向上部分で、今回は画像認識精度がどの程度あがったのか？というのを画像系機械学習の主要なタスクであるBBoxによる物体認識というタスクで簡単にチェックしてみようと思います。 BBoxとは BBoxはBoundingBoxの略で、画像内の特定のオブジェクトを囲むために使用される長方形のボックスの事を指します。 BoundingBoxの定義は以下の通り このBBox検出は画像系機械学習モデルの基本的なタスクであり、自動運転の
物体検出 - Wikipedia
80クラスの一般的な物体を検出できるCOCOデータセットで学習されたYOLOv3モデルを使用して、OpenCVのディープニューラルネットワークモジュール（DNN）で検出された物体。 物体検出（ぶったいけんしゅつ、object detection）は、デジタル画像処理やコンピュータビジョンに関連する技術の一つで、デジタル画像・動画内に映っている特定のクラス（人間、建物、車といったカテゴリー）の物体を検出するものである[1]。物体検出はコンピュータビジョンの基礎的な学問領域であり、画像分類（英語版）や顔認識、自動運転など多くの分野でその知見が応用されている[2]。深層学習（ディープラーニング）技術の進展に伴い、物体検出の分野でもR-CNNやYOLO、SSDなどの深層学習を用いた手法が広く使われるようになって精度も大きく向上したが、一方で物体検出分野に特有の技術的な課題や学習・評価に必要なデータ
特徴量 - Wikipedia
特徴量（英: feature）はデータを変形して得られ、その特徴を表現し、続く処理に利用される数値である[1]。表現（英: representation）とも。 概要[編集] 生データは必ずしも良い形をしていない。2つの属性が同じ意味を持ち冗長であったり、逆に2つの意味が1つの値に含まれ絡み合う場合もある。生データを変形し良い形にできればデータを上手く利用できる。この変形され、良い形を持ち、後続タスクで利用される値が特徴量である。 特徴量は生データから抽出される。抽出方法は専門家の知見を利用して考案される場合と機械学習によってデータから学習される場合がある。 特徴量は利用のために存在する。例えば分類（写真 → 特徴量 → 物体カテゴリ）、生成（文字 → 特徴量 → 画像）、圧縮（音声 → 特徴量 → 音声）に用いられる。その用途ごとに特徴量が持つべき特性は異なる。例えば圧縮用の特徴量はその
【病理AIの開発に成功】前立腺癌を病理組織デジタル標本から検出可能に～「Diagnostics / 特集号」に論文が掲載 ～
【病理AIの開発に成功】前立腺癌を病理組織デジタル標本から検出可能に～「Diagnostics / 特集号」に論文が掲載 ～ デジタル病理支援ソリューション「PidPort」を提供するメドメイン株式会社 ( 本社：福岡県福岡市、代表取締役CEO： 飯塚 統、以下「メドメイン」)は、Deep Learning（深層学習）の転移学習を用いることで、前立腺の針生検病理組織デジタル標本において、前立腺癌を極めて高精度に検出する人工知能の開発に成功しました。 また、この開発に関する論文をMDPI（https://www.mdpi.com）が発行するDiagnosticsに投稿し、2022年3月21日にArtificial Intelligence in Pathological Image Analysisの特集号にて掲載されたことをお知らせします。（掲載箇所：https://www.mdpi.co
源氏物語が好きすぎてAIくずし字認識に挑戦でグーグル入社 タイ出身女性が語る「前人未到の人生」 | Ledge.ai
サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。
深層距離学習(Deep Metric Learning)の基礎から紹介 - OPTiM TECH BLOG
こんにちは、R&Dチームの河野(@ps3kono)です。深層学習モデルの開発を担当しております。 今回は、画像分類、画像検査、顔認識や異常検知など様々な分野に利用されている深層距離学習(Deep Metric Learning)について紹介したいと思います。 Deep Metric Learningとは 定番のクラス分類と距離学習によるクラス分類の違い 距離学習の進化 1. 対照的(contrastive)アプローチ サンプル選択(sample selection) 代表的な学習手法 Contrastive loss Triplet loss さらなる改善と進化 対照的アプローチの問題点 2. Softmaxをベースにしたアプローチ 代表的な学習手法 Center loss SphereFace CosFace ArcFace さらなる改善と進化(2019年以降) 推論 深層距離学習の利点
Yahoo!ニュース、不適切コメントへの対策として導入している深層学習を用いた自然言語処理モデル（AI）のAPIを無償提供開始 - ニュース - ヤフー株式会社
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社のコーポレートサイトはこちらです。 当ページに記載されている情報は、2023年9月30日時点の情報です。 ～ 建設的なコメントを評価する特許出願中の技術を外部に提供し、業界全体でインターネット空間の健全化を目指す ～ 詳細ページ ヤフー株式会社（以下、Yahoo! JAPAN）は、「Yahoo!ニュース コメント」の健全化を目的に導入している「深層学習を用いた自然言語処理モデル（AI）」を利用してコメントを評価する技術（以下、本AI技術）のAPI（アプリケーション・プログラム・インターフェース）の無償提供を開始します。投稿系サービス事業者は、Yahoo! JAPANのAPIを活用することで、自社サービスに投稿されたコメントをAIで評価し、それをもとに自社においてコメントの削除や表示順の並び替え
Amazon Comprehend（テキストのインサイトや関係性を検出）| AWS
ドキュメント、カスタマーサポートチケット、製品レビュー、電子メール、ソーシャルメディアフィードなどに含まれるテキストから、価値あるインサイトを発見します。
Amazon Translate（高速で高品質なニューラル機械翻訳サービス）| AWS
1 回の API 呼び出しで、バッチおよびリアルタイムの翻訳機能をアプリケーションに組み込むことができます。
GitHub - elixir-nx/axon: Nx-powered Neural Networks
Nx-powered Neural Networks for Elixir. Axon consists of the following components: Functional API – A low-level API of numerical definitions (defn) of which all other APIs build on. Model Creation API – A high-level model creation API which manages model initialization and application. Training API – An API for quickly training models, inspired by PyTorch Ignite. Axon provides abstractions that ena
Hiroshi Takahashi
Skip to the content. 機械学習の研究者を目指す人へ 機械学習の研究を行うためには、プログラミングや数学などの前提知識から、サーベイの方法や資料・論文の作成方法まで、幅広い知識が必要になります。本レポジトリは、学生や新社会人を対象に、機械学習の研究を行うにあたって必要になる知識や、それらを学ぶための書籍やWebサイトをまとめたものです。 目次 プログラミングの準備 Pythonを勉強しよう 分かりやすいコードを書けるようになろう 数学の準備 最適化数学を学ぼう 基本的なアルゴリズムとその実践 機械学習の全体像を学ぼう 基本的なアルゴリズムを学ぼう 深層学習の基礎を学ぼう scikit-learnやPyTorchのチュートリアルをやってみよう サーベイの方法 国際会議論文を読もう Google Scholarを活用しよう arXivをチェックしよう スライドの作り方 論文の
リテラシーレベルeラーニング教材・講義動画配信 | 数理・データサイエンス・AI教育強化拠点コンソーシアム
リテラシーレベルモデルカリキュラム対応教材 利用条件とアンケート 東京大学と記載のあるスライド教材の利用についてはこちら（一部スライドは冒頭の利用条件をご参照ください）。 東京大学と記載のある講義動画の利用条件は、各動画の冒頭をご参照ください。 滋賀大学と記載のある教材の利用条件はCC BY-NC-SAです。 九州大学と記載のある教材の利用条件はCC BYです。 筑波大学と記載のある教材の利用条件についてはこちら 北海道医療大学と記載のある教材の利用条件はCC BYです。 東京都市大学と記載のある教材の利用条件についてはこちら 教材のアンケートはこちら モデルカリキュラムと対応する講義動画・スライド 1. 社会におけるデータ・AI利活用 2. データリテラシー 3. データ・AI利活用における留意事項 4. オプション 1. 社会におけるデータ・AI利活用 1-1. 社会で起きている変化
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
処理を実行中です
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
Amazon.co.jp: 機械学習のための特徴量エンジニアリング ―その原理とPythonによる実践 (オライリー・ジャパン): Alice Zheng (著), Amanda Casari (著), 株式会社ホクソエム (翻訳): 本
https://www.amazon.co.jp/dp/4320112563
https://www.amazon.co.jp/dp/4873119472
tf.keras.callbacks.History | TensorFlow v2.16.1
プログラマのための ディープラーニングのしくみがわかる数学入門 | 増井 敏克 |本 | 通販 | Amazon
Amazon.co.jp: AIエンジニアのための機械学習システムデザインパターン: 澁井雄介: 本
合成背景に人が溶け込むよう照明を調節する技術 Googleが開発
Amazon.co.jp: 機械学習のための連続最適化 (機械学習プロフェッショナルシリーズ): 金森敬文, 鈴木大慈, 竹内一郎, 佐藤一誠: 本
