- About the network architecture of depth prediction, pose estimation and semantic segmentation, I make an analysis. In the future, I plan to build a SLAM system based all the information.
- Paper reading: Towards Better Generalization: Joint Depth-Pose Learning without PoseNet. About my understand of the details, I write a note. All the … Continue Reading ››
「張先生」カテゴリーアーカイブ
先週の進捗(ZHU)
先週の進捗
- Finished the 《学位論文審査願等（学生用)》,and updated to gitlab.
- Did some experiments:
（1） Regarding improving the processing speed, changing the distance comparison method, but the effect is not good.
（2）According to the application in the real scene, considering the occlusion and other complex application scenarios, … Continue Reading ››
今週の進捗（二石）
７枚のQRコードから角度を変え150枚ずつ、1050枚のデータから学習させたが精度が低かった
とりあえずで試したので、データとパラメータを調整して検証します（正解7000枚、不正解3000枚）
来週の予定
データを増やし精度向上が見られるかの検証
今週の進捗（五十君）
[就職活動]
・形式上の最終面接（Web）が、6月2日に決まりました。
[研究]
アプリのレイアウトは、とりあえず以下のものにしようと思っています。
↑この空白の部分が買い物リストを入力する部分で、黄色のボタンをカメラ撮影ボタンにしようと考えています。
今週の進捗（財前）
・10商品を識別する学習プログラムを作成中・・・
・木曜日に就活についてM1に武勇伝を語るのでスライド作成中です。
近藤の週報（5/20 ~ 5/26）
- 5/26 13:00 ~ 15:30 願書出願
- 5/25 13:00 ~ 18:30 advGANの実行 / 電子回路
https://github.com/mathcbc/advGAN_pytorch これを先週は白黒画像(MNIST)をもちいて実行したが、カラー画像(CIFAR10)を用いて実行した。入力画像の次元を1から3にし、だまされるモデルを変えただけなので、ちゃんとできているかわからない*1。
今回だまされるモデルの精度はテスト画像10000枚で0.852400の精度であった。
訓練用画像50000枚では、num_correct: 3216 accuracy of adv imgs in training set: 0.06432
テスト画像10000枚では、num_correct: 717 accuracy of adv imgs in testing set: 0.071700
下の画像3枚がテスト画像12枚の結果。グラフのタイトルがだまされるモデルが予想した結果。
週報5/13-5/19(大塚)
{{unknown}}
週報(綿貫)5/13〜5/19
院試の勉強
電気回路演習(黄緑)
電子回路演習(オレンジ)
電磁気学演習ノート
5/13~20週報（白川）
13日
9~10.5ゼミ
11~13電子回路：hパラメータ、バイアス回路
13~15.5
H24電磁気過去問
1~2.5
電子回路：CR増幅回路
14日
12~15.5
H24電磁気過去問、H20,21電気回路過去問
15日
・小信号増幅回路、大信号増幅回路
16日
・H20電子回路過去問
週報(大下)
顔の表情認識にオートエンコーダを使用
1.顔の抽出と検出 2.トリミングされた画像を計算 3.オートエンコーダを使用して、高次元HOG機能を低次元に縮小4.SVMモデルから表情を分類
非線形機械学習技術を効果的に使用して、より低い次元で最も関連性の高い特徴の全体的な表現を得ることができる方法を示すもの
精度は90%後半
(HOGは、コンピュータビジョンと画像処理に広く使用されている機能記述子)(画像のローカライズされた部分におけるグラデーションの方向の発生をカウント)
オートエンコーダは、与えられた入力をその出力で再現する教師なしのもの。指定された入力を出力時に複製する。出力単位が隠れ層を通じて入力単位にリンクされる ANN 設定を表す。入力データを低次元の潜在表現に表現できます。
(教師なし学習とは、「出力すべきもの」があらかじめ決まっていない)
他にFERの方法がある。
PCA は、直交変換を使用して、相関変数の観測値を主成分と呼ばれる線形非相関変数の値のセットに変換する統計的手順。PCAは特徴の次元を減らす有効な方法で、特徴の寸法低減のためにFERに広く適用されている。