Copyright © 2020 deepblue All Rights Reserved. Python OpenCVの基礎　ついに顔検出してみます, ググれば他にも色々あると思われます。今回はOpenCVのセットアップの手順や詳細な使い方は割愛します。1, （OpenCVの分類器が検出した顔部分を切り抜いて保存します。OpenCV便利！）, これで指定した保存先に、cutted_zuck1.jpg、cutted_zuck2.jpg、cutted_zuck3.jpgのような感じで、顔部分が切り抜かれた画像たちが保存されていると思います。因みに、ザッカーバーグ氏の画像の場合、意外と奥さんと写ってる写真が多く、奥さんの顔も一緒に切り抜かれて保存されていたので、そこは手動で取り除きました。（後はなぜか顔じゃないものを顔と認識してしまったものとかも除外しました。）, こんな風になってればOK！全部で350枚くらいの顔データが集まりました。因みにこれだけ同一人物の顔データが集まると結構と不気味w By following users and tags, you can catch up information on technical fields that you are interested in as a whole, By "stocking" the articles you like, you can search right away.
CloudAIアナリティクス｜SotaやEagleEyeで撮影した顔画像を相関分析によりマーケティングに役立てる, 2013年　 1月　2月　4月 　5月　 6月 　7月　 8月・9月 　10月 　11月, 2012年　 1月　2月　3月 　4月 　5月　 6月　 7月　 8月 　9月　10月　 11月 　11月別冊　12月, 2011年　 1月　2月　3月 　4月 　5月　 6月　 7月　 8月 　9月　10月　 11月 　12月, クラウド設定を診断・分析・レポートするマネージドサービス　～クラウド設定監査サービス（新サービス）, 事例｜株式会社カナエ　～「INSサービス終了」対策を早期に実現、IBM iで作成した帳票をダイレクトにFAX送信, 学習者の個性や学びの多様化に対応し、カリキュラムを拡充　～ウォーターフォールPMのためのアジャイル、など（注目サービス）, Watson Discoveryを核に、使い勝手や運用性を高めて社内文書を検索　　～Arrow Search（注目製品）, Excelとkintoneを連携させてデータ更新・一元管理　～ATTAZoo EX かんたんExcelデータ更新（注目製品）, i Magazineアーカイブスに、2011年8月号「総力特集　東日本大震災」をアップしました, 事例｜C&Cビジネスサービス株式会社　～RPA導入により年間事務作業1万2000時間の削減を目指す, H2O Driverless AIは、本当に”データサイエンティストいらず”か　～数値・テキスト向け機械学習支援ツールを検証, 事例｜ユサコ株式会社～低料金の月額プランとSQL対応を評価し、PHPQUERYを採用, IBM i・AIXのIaaSサービス、IBM Power Systems Virtual Server、東京リージョンで提供開始.

ベイズ推測 (4)　

networkx (3)　
TensorFlowによるももクロメンバー顔認識 技術的に詳しく書くというよりは「こんなことやってみましたー」的なノリで日本語ベースで書いているので，コードレベルで詳しく知りたい方にとっては参考になる情報はないと思います。, Deep Learning (DL，深層学習)ってなんじゃらほいっていうような人はそもそもこの記事を開くところまでいかないと思いますので，Deep Learningについての説明はしません。, もしどういうものか知りたい人は，ググってもらったらやさしい説明が沢山出てくると思います。, Deep Learningというのは超スーパーざっくりいうと上の画像みたいなやつです。, 最近仕事が結構しんどい状況だったのですが，それも無事なんとか収束して，1週間ほど急遽夏休みとなりました。, ただ，本当に急に決まったことと，ちょうど夏休み中に台風が来たりしていて，ロードバイクに乗りに行くこともあまりできない，何とも寂しい夏休みになることになりました。, そんな不幸な夏休みでしたので，家に引きこもってちょっとまじめにDeep Learningの勉強なんかをしてみました。, ちなみに，直前までしんどかった仕事というのがまさにDeep Learning関連の仕事でした。, その仕事の中でDeep Learningを使って顔検出を本当はやりたかったんですけど，Deep Learningでやる時間もなく，しかもデータも無くという感じで結局顔検出は諦めたので，今回不幸な夏休みの時間を使って，そのリベンジを果たそう的なモチベーションもあります。, もう少しちゃんというと，1枚の画像があったときに，顔があればその位置を検出したいということです。, パッと思いつくやり方としては，画像を入力したときに，顔の位置を表す矩形（上の赤い四角）の座標や幅・高さを出力するというようなやり方かと思います。, ただ，いざやろうとしたときに「顔が複数ある場合はどうするんだ…？」という問題に行き当たりまして…。, Faster-RCNNとかを勉強していい感じの手法を使えば複数検出も簡単に出来るのでしょうが，そこまではまだちょっとスキルが追いついていないということと，まずはサクッと手を付けてとりあえず動くものを作りたいということがありました。, じゃあどうやるんだというところで少し考えていたところ，「顔があるところは1，無いところは0を出力するような仕組みにすればいいじゃん」というところに行きつきました。, ※上の画像はイメージなので出力結果を白黒にしていますが，実際には黒部分は0，白部分は1となるようにします。, こんな感じでやれば，画像の中でどの辺が顔なのか，もしくは顔じゃないのかという判別くらいはできるんじゃないかと思います。, という訳で，やりたかったことは顔位置の座標を出力するようなものでしたが，手間とか時間とかスキルとかを考慮して，実際にやったことは以下のようなものです。, 今回は，たまたま手元にあったというか，いずれDeep Learningの勉強にも使えるようにと購入していた，初代Surface BookのGPU付属バージョンでやってみました。, 本当は最低でもゲーミングPC程度のGPUを使った方がいいんだろうと思いますが，色々費用的な問題とか家計的な問題とかお財布的な問題とかで，手元にあるGPUマシンということでSurface Bookになりました。, ちなみに，このGPUのメモリは1GB程度になっていまして，ネットワークを大きくし過ぎるとメモリが足りなくなって落ちます…。, Deep Learningを少しでも勉強してことがある人なら分かると思いますが，ネットワークが大きいと，重みの数がめちゃんこ多くなっていきます。, 重みって何か分からない人向けにいうと，この記事の一番上にあるネットワークっぽい図の中で，〇と〇をつないでいる線のことです。, 図を見てもらえば分かる通り，〇が大量に増えていくと倍々ゲームで一気に線が増えていくことが分かると思います。, そうすると，もうデータ量が大きくなりすぎてそもそもネットワークのデータ自体がメモリに乗りきらなくなってエラーになってしまいます。, そのため，本当はVGG16とかある程度の規模のネットワーク構造にしたかったのですが，小さめの自作ネットワークになりました。, ※後々気付いたのですが，使うデータによってネットワークが多少大きくても落ちたり落ちなかったりしていて，ちょっと落ちる条件がよく分からなくなってきましたので，この落ちる話は参考程度にお考え下さい。, 顔検出用のデータはググればいくつかすぐに出てくると思いますので，好きなものを使えばいいと思います。, これの [Download] – [Wider Face Training Images] をダウンロードしてきて，上に書いたような形式のデータに変換しました。, ※もし商用利用を考えている場合は，ライセンスの問題がないかなどは各自の責任でご確認ください。, なお，先にも書いたようにメモリの問題がありましたので，画像のサイズは入力も出力も128×128ピクセルに変換しています。, まだ色々いじっている状況ではありますが，この記事を書いている時点ではこのような構成にしています。, 本当はチャネル数をもっと増やして，層数も増やして，Full Connection層のユニット数も増やしたかったのですが，如何せんメモリが残念すぎるので…。, ちなみにメモリが足りないと学習を実行してすぐに「ResourceExhaustedError」ってのが出てきます。, ミニバッチのサイズとネットワークの層数のギリギリを見計らって，この構成に落ち着きました。, 夏休みの初日から始めて1週間ほど色々手探り状態で試行錯誤してきて，最新の結果がこんな感じです。, 3枚目の2人の画像なんかはデータの加工方法やネットワーク構造によってうまく検出できたりしなかったりという感じですね。, 5枚目とか6枚目辺りの顔の数が多い画像は，最初は全然検出できなくて泣きそうだったのですが，複数の顔が映っている画像を学習データに増やすとある程度検出してくれそうな傾向は出てきました。, ついでに，まだ微調整の余地はありますが，矩形を求めるアルゴリズムも追加してみました。, 精度を上げていくうえで重要なのは，まずは学習データ，そしてネットワークの深さ，最後のあがきでハイパーパラメータをいじってみるという感じでしょうか, 以上，顔検出というのは比較的初級者向けのテーマだとは思いますが，多少なりとも結果が出てくれたので記事にまとめてみました。, Deep Learningをやってみた的な記事は沢山ありますが，肝心の学習データ（特にラベルになるデータ）の作り方とか，どういう方針でチューニングをしたのがといったことを書いてくれている記事は意外となかったりするので，その辺も書いてみました。, まぁデータの作り方はかなり重要な部分なので，詳しく書けなかったり書きたくなかったりという人が多いんだとは思いますが…。, PMBOK (A Guide to the Project Management Body of Knowledge) を読んでいったときに何となく残しておきたいなと思ったことの覚書きです。, Pythonを使ってExcelファイルを読み込む方法です。pandasを使って読み込むのか簡単で，その後の処理もしやすくなって便利です。, 仕事がらディーラーニングを使うこともありますので，ディープラーニングのG検定というのを受検してみました。思っていたより難しかったので，受検してみようかと思っている人の参考になるかと思いますので，その受検記を残しておきたいと思います。, 機械学習について大まかな仕組みを知りたいという人向けに，具体的にデータを追って説明をまとめてみました。ディープラーニングのG検定であと少しだったような人や，ディープラーニングのビジネスへの応用を考えているような人向けのレベルにしました。, 前回は、人工的に生成した正常／異常画像を用いて動作確認ついでにデモとして結果を掲載しました。人工的なデータなので綺麗な結果が出るのは当然ですので、今回はより実践に近いデータでやってみたいと思います。, もし商用利用を考えている場合は，ライセンスの問題がないかなどは各自の責任でご確認ください。, ハイパーパラメータをいじるのは大して効果がない。だいたいAdamのデフォルト設定値とかでOK。探索するにしても最後の悪あがき用, うまく検出できないケースがあるときは，その検出できないケースを同じような画像を学習データに加える，基本的にはEnd2Endの考え方（複数の顔がある場合に検出できないのであれば，複数の顔がある画像を学習データに加えるなど）, ネットワークは基本的には深い方がいい傾向がある（低スペックGPUが原因であまり深いネットワークを作れなくて，結果的に1層当たりの影響が大きかったということもあると思いますが）.

(「TensorFlow」「ディープラーニング」で出てくるWEBの情報などは大抵読んだ。後は「ニューラルネットワークってなんぞや？」ということを調べたり。), 特に参考にさせて頂いたのが、

What is going on with this article?

KerasとTensorFlowの環境でDeep Learningで顔検出をやってみました。使用したデータやどういう教師データを作成したかといったことも全部書いてみました。サクッとやってみた割には，多少なりとも検出 …

2020/8/20、機械学習を用いて顔の写真から冠動脈疾患を検出出来るか実現可能性を調べた研究「Feasibility of using deep learning to detect coronary artery disease based on facial photo」の要旨をまとめました。顔の特徴は冠動脈疾患のリスク上昇と関連しています。顔の写真をもとに冠動脈疾患を検出する機械学習アルゴリズムを開発、検証しました。中国、9施設にて、冠動脈造影または冠動脈CT血管造影のデータ、顔の写真から50%以上の狭窄の冠動脈疾患を検出する深層畳み込みニューラルネットワークの訓練と検証の多施設横断研究を実施しました。2017年から2019年、8施設5796例、アルゴリズム開発のための訓練5216例（90%）、検証580例（10%）に無作為に割り振りました。2019年、9施設1013例、アルゴリズムの試験群としました。標準参照群として放射線科医診断とし、感度、特異度、受信者操作特性曲線下面積を計算しました。高い感度のためのカットポイントを用いた場合、試験群における冠動脈疾患の検出アルゴリズムの感度0.80、特異度0.54、受信者操作特性曲線下面積0.730（95% confidence interval, 0.699–0.761）でした。アルゴリズムの受信者操作特性曲線下面積は、ダイアモンドフォレスターモデル（Diamond–Forrester model）（0.730 vs. 0.623, P < 0.001）、冠動脈疾患コンソーシアム臨床スコア（0.730 vs. 0.652, P < 0.001）と比べ有意に高値でした。中国のコホートから、顔の写真に基づいた機械学習アルゴリズムは冠動脈疾患の検出の補助となる可能性が示唆されました。この技術は診療所の外来において、検査前の冠動脈疾患の可能性の評価、市民の冠動脈疾患のスクリーニングに有用となる可能性があります。臨床的に使えるツールの開発のためにはさらなる研究が必要です。詳しくは論文をご覧ください。https://academic.oup.com/eurheartj/advance-article/doi/10.1093/eurheartj/ehaa640/5895010顔の写真から冠動脈疾患を検出出来るかというチャレンジングな研究ですが、5796例で機械学習アルゴリズムを開発したところ、なんと感度0.80、特異度0.54、AUC0.730で検出可能であったという報告です。精度は100％には及びませんが、無侵襲で予測可能であることは凄いことです。動脈硬化の程度が何らかの形で顔の皮膚等に現れるということでしょうか。ハイリスク例は冠動脈CTで精査すれば良いでしょう。. 日本アイ・ビー・エム KerasとTensorFlowの環境でDeep Learningで顔検出を …

郵便 クレーマー 2ch 5, マツダ Cx30 最新情報 6, 火の玉 ストレート なんj 意味 37, Skyrim フリーカメラ Mod 5, カメックス 折り紙 簡単 10, エンジン オーバーホール Diy 9, 椅子 脚 アイアン 5, Parallels Coherence 重い 26, E1 ビザ 難易 度 5, Itunes Mp4 追加できない 7, Matlab 3 次元画像 表示 4, ワールドトリガー シューター 種類 12, Every Word Means No Shake Hip 4, 食中毒 ヨーグルト 効果 12, Yellow Magic Orchestra Live 21, 4p 4c 4e 12, ミリシタ 衣装 ダサい 5, 消息 意味 山月記 5, 体操服 黒ずみ 落とし方 13, トヨタ 飲酒 田原 5, 古い 窓 フィルム 剥がし方 4, 基礎問題精講 一 日 10, スリーボンド 歴代 社長 34, ヤマハ サブウーファー 接続方法 7, Video Speed Controller Edge 5, 新任 挨拶 社内 37, グリーンイグアナ 販売 東京 15, 宮城県 高校 評定平均 8, マイン クラフト Wiiu エンダードラゴン 孵化 14, Kanji N2 Pdf Tiếng Việt 31, 我 が闘争 ネタ 4, かっこいい 剣の 作り方 新聞紙 7, Display: None 遅い 8, 犬 片目 まばたき 4, 宇佐美 バッテリー交換 評判 6, Cities Skylines 地面の色 26, Pasmo オートチャージ 審査 5, 母性 ウェルネス 看護目標 11, アルファード30 インパネ 外し方 5, 誘った時の反応 脈あり 女性 5, 風呂 アダプター 極性 5, ミステリー どんでん返し 映画 8, ハエ 大量発生 2019 5, セキスイハイム Bj 暑い 7, あび つん Kun 9, エール 感想 ツイート 4, 山口達也 弟 プロレスラー 6, Premier Vs Traditional Draft Mtg Arena 4, 有田ジェネレーション 霜降り明星 ラップ 21, 梅澤美波 身長 伸びた 13, パンプジン 特大 レイド 20, インスタ 写真 一部 表示されない 9, 眠れない夜を抱いて 歌詞 意味 13, 岡田 嫁 なんj 12, Bookwalker Kindle 変換 20, アルスアルマル Pixiv R18 24, 星読み 講座 東京 5, 鯉ベタ 稚魚 色 14, 京 急 1731 6, 巨人 外国人 ランキング 31, 卓球 強い高校 女子 6, アイフル Cm 今野 32, マークス ユニフォーム マスク 11, Teams 発表者 画面 4, 黒い砂漠 Ps4 月額 5, 立体文字 書き方 簡単 4, ジョルノ オイル交換 値段 6, 動物 顔診断 写真 34, ギター 穴埋め パテ 4, Be Advanced 解答 14, Bto おすすめ 5ch 12,