Je suis un super débutant en apprentissage automatique, j'ai donc créé une application Web qui utilise des images. "Si vous utilisez l'apprentissage en profondeur, vous pouvez faire quelque chose ~" J'ai pensé que cela ne fonctionnait pas et j'ai consulté un célèbre senior en apprentissage automatique de l'entreprise.
** Un site Web sur lequel vous pouvez répondre à la question "Quel est votre type d'animateur préféré?" Lors d'une soirée à boire **
Tu ne le veux pas vraiment? Cette question standard lors d'une soirée d'alcool a été assez gênante depuis que je suis devenu membre de la société, alors je veux vraiment que vous puissiez répondre comme une histoire comme celle-ci.
Pour le moment, j'avais des connaissances sur l'apprentissage profond, donc ce à quoi j'ai pensé pour répondre à cette exigence était
Par ça
――Vous pouvez prédire lequel des cinq niveaux sera évalué pour «l'image d'une célébrité».
C'était pour créer un modèle d'apprentissage comme celui-ci. Cependant, s'il existe des dizaines de milliers de feuilles de données d'entraînement, comme JINS BRAIN, la précision de la prédiction augmentera à nouveau, mais cette fois autour de 50 feuilles. Puisqu'il est appris de "l'image du modèle de", le nombre de feuilles était trop petit et la prédiction n'a pas pu être faite du tout.
Lorsque j'ai commenté dans le rapport quotidien interne que "je souffre parce que la précision d'apprentissage ne s'améliore pas avec 50 feuilles", j'ai reçu des commentaires d'ingénieurs chevronnés qui connaissent l'IA dans l'entreprise et la synchronisation, j'ai donc associé le contenu à mes impressions Je voudrais le résumer. C'est juste un mémo, donc il n'y a rien de particulier, mais j'espère que des super débutants similaires en apprentissage automatique pourront le voir et réaliser la profondeur de ce monde.
Tout d'abord, bien que ce ne soit pas une solution fondamentale à ce cas, la technique standard lorsque le nombre de feuilles est petit est de générer des images similaires de manière programmable et de les gonfler. http://qiita.com/bohemian916/items/9630661cd5292240f8c7 Vous pouvez apprendre en modifiant le contraste en vous référant à cet article. Cependant, trop compter sur le rembourrage peut facilement conduire à un surapprentissage et ne doit pas être trop confiant.
J'ai également reçu un tel commentaire.
S'il est déterminé par une simple implémentation DNN, 50 feuilles ne sont pas possibles. Cependant, la précision peut être améliorée même avec une petite quantité de données en ajoutant non seulement des images, mais également des fonctionnalités qui peuvent être facilement insérées comme données d'entraînement. Par exemple, si vous souhaitez déterminer s'il s'agit d'un appartement, d'un appartement ou d'une maison individuelle à partir d'une photographie de l'extérieur du bâtiment, mais que seules 50 données d'image peuvent être collectées, les données d'image et le nombre d'étages et le montant d'argent du bâtiment peuvent être pris séparément. Ajoutez plus et vous obtiendrez plus de précision.
Je vois, dans cet exemple, le montant de la fonctionnalité est les cheveux noirs ou les grands yeux.
Je pense qu'il existe un moyen d'extraire des points caractéristiques d'une image et de la traiter (placez-la dans un classificateur tel que SVM).
Hmmm, il existe d'autres méthodes en plus du DNN pour la classification des images. Bien sûr, j'avais posé des questions sur le SVM, mais je pensais personnellement que c'était dans le développement de l'intelligence artificielle et que c'était devenu un héritage du passé.
Par exemple, si c'est quelque chose comme "Si un certain logo est inclus, il sera unique", je pense que le montant de la fonction tamiser, surf peut être utilisé. Personnellement, je pense que "reconnaissance d'image = apprentissage automatique" a cessé de penser.
C'est vrai. On pense également que l'apprentissage automatique n'est pas nécessaire si vous pouvez expliquer avec des mots le type de caractéristiques d'un visage humain. Je n'avais jamais entendu parler des fonctionnalités sirf et surf. Référence: https://www.slideshare.net/lawmn/siftsurf
Étant donné que ce que nous essayons de faire cette fois-ci, c'est de produire des personnes qui l'aimeront à l'avenir sur la base des contributions passées, nous avons reçu l'opinion qu'il est sensuellement proche des recommandations. ▼ Référence http://qiita.com/ynakayama/items/59beb40b7c3829cc0bf2
Cependant, en ce qui concerne le co-filtrage, nous faisons des prédictions en référence aux informations d'entrée d'autres personnes, nous avons donc décidé qu'il ne répondait pas aux exigences du service cette fois-ci. Par exemple, dans une application musicale, un certain temps s'est écoulé depuis sa sortie, les utilisateurs qui aiment cette chanson devraient généralement aimer cette chanson également.
En ce qui concerne ce domaine, je n'ai pas vraiment compris. Cependant, je vais faire une note pour le moment. http://blog.amedama.jp/entry/2017/04/02/130530 Je n'ai pas de tête, mais est-ce un mécanisme qui peut réduire la dimension des données multidimensionnelles et réduire au maximum la perte de sens? Si cela peut être fait, les caractéristiques de l'image peuvent être exprimées en deux dimensions ...?
Factorization Machines http://qiita.com/wwacky/items/b402a1f3770bee2dd13c ？？？？ Il n'est plus clair s'il sera utilisé à quelque fin que ce soit. .. .. Je vais vous demander à nouveau. Je ne peux pas comprendre une seule fois. .. ..
http://pythondatascience.plavox.info/scikit-learn/%E3%82%AF%E3%83%A9%E3%82%B9%E3%82%BF%E5%88%86%E6%9E%90-k-means C'est ce qui m'est venu lorsque j'ai réfléchi aux spécifications du service cette fois. Il semble qu'il soit classé comme apprentissage non supervisé Il semble qu'il soit possible de classer les images du modèle et de savoir à l'avance de laquelle l'image de la célébrité est proche. En d'autres termes, vous pouvez penser à laquelle de chaque classe est la plus proche de votre goût dans l'image saisie par l'utilisateur et la sortir. Plutôt que de créer un modèle entraîné, cela ressemble à une classification vraiment simple.
C'est différent de l'image que je pensais à l'origine, mais si la technologie qui permet de classer les images peut être réalisée autrement que par l'apprentissage en profondeur, il ne semble pas nécessaire d'utiliser l'apprentissage en profondeur.
Le problème est de savoir comment classer cela, mais ... Est-ce comme utiliser la valeur en pixels de l'image comme valeur, ou évaluer la couleur de la peau, la couleur des cheveux, la taille des yeux, etc. et les quantifier pour les classer?
http://qiita.com/PonDad/items/2410c55b2d21e7cad7bc Je pense que le renforcement de l'apprentissage est également une méthode relativement possible. Chargez l'image, et si elle est "type", donnez une récompense, et si elle n'est "pas bonne", donnez une punition. Cependant, j'estime que l'objectif est différent, alors j'ai conclu qu'il n'y avait aucune raison d'adopter cette analyse plutôt que l'analyse par grappes.
http://qiita.com/ynakayama/items/ca3f5e9d762bbd50ad1f Il semble que les gens qui aiment ce modèle apprendront qu'il y a une forte probabilité qu'ils aimeront également ce modèle. Cependant, bien que cela puisse être utilisé lors de la croissance du service, j'estime qu'il ne peut pas être introduit dans la version initiale. C'était similaire au filtrage coopératif.
En tant qu'extension de l'idée de regroupement, même la similitude des images est calculée, et la similitude entre l'image du modèle pour l'échantillon et le visage de la célébrité est calculée à l'avance, et elle est la plus similaire à l'entrée de l'utilisateur. L'idée est venue de choisir une célébrité avec un degré total élevé. J'ai l'impression de pouvoir le faire après avoir lu les articles suivants.
――Je jugeons "régulier" de l'image du visage en utilisant l'IA! | Blog Future Tech - Future Architect https://future-architect.github.io/articles/20170526/ #future_architect @future_techblog
--Calculer la similitude d'image avec Python + OpenCV par @best_not_best sur @Qiita http://qiita.com/best_not_best/items/c9497ffb5240622ede01
En particulier, l'article qui classe les chiens Shiba avec Python + OpenCV semble être proche du cas d'utilisation consistant à trouver un artiste préféré à partir d'une photographie de visage humain.
Cela ressemble à une recherche rapide, et les articles ici sont susceptibles d'être utiles.
Je pensais qu'il n'y avait que du deep learning, mais quand j'ai entendu différents moyens, il me semble plus réaliste d'utiliser un algorithme qui trouve la similitude des images.
J'ai été surpris qu'il y ait tant de façons de le faire parce que je n'avais pas assez de moyens. Bien que je connaissais le nom et les contours de certains d'entre eux, j'ai décidé qu'il s'agissait d'une technologie fossilisée en train de créer une IA, mais je garderai à l'esprit que c'est aussi la bonne personne au bon endroit. J'ai fait.
Recommended Posts