機械学習
論文"Noise2Noise: Learning Image Restoration without Clean Data"を読みます。前回、"1. Introduction"を読みました。 gyokan.hatenablog.com今回は"2. Theoretical Background"です。ちょっと長くなったので目次を載せます。 "2. Theoretical Background…
gyokan.hatenablog.comの続きです。 5. Implementation details 4つのアーキテクチャ（ResNet-18、 ResNet101 [55]、 DLA-34 [58]、 and Hourglass-104 [30]）で実験します。 ResNetsとDLA-34に関しては、「変形可能な畳み込み層[12]」を用いて修正し、Hourg…
gyokan.hatenablog.com の続きです。 From points to bounding boxes （ポイントからバウンディングボックスまで） 推論時は、最初にヒートマップの各カテゴリのピークを個別に抽出します。我々は値が8連結近傍以上であるすべての応答を検出し、上位100のピ…
gyokan.hatenablog.com の続きです。 "4. Objects as Points" 【バウンディングボックスとキーポイントの関係】 を、カテゴリを有するオブジェクトｋのバウンディングボックスとしましょう。その中心点はです。我々はキーポイント推定量を使ってすべての中心…
gyokan.hatenablog.comの続きです。 "3. Preliminary" を読む 入出力とネットワーク を、幅W、高さHの入力画像とする。 我々の目的は、キーポイントヒートマップ（ここでRは出力ストライド、Cはキーポイントタイプの数）を生成することです。 キーポイントタ…
gyokan.hatenablog.comの続きです。"2. Related work "を読む 関連研究がたくさん出てきます。 Object detection by region classification. （領域分類による物体検出） 最初に成功したディープオブジェクトディテクタの1つであるRCNN [19]は、多数の領域候…
Abstract を読む 【背景】 検出（Detection）は、オブジェクトを画像内の、軸に沿ったボックス（axis-aligned boxes）として識別します。最も成功している物体検出器は、潜在的な物体位置のほぼ網羅的なリストを列挙し、それぞれを分類します。これは無駄で…
論文"Noise2Noise: Learning Image Restoration without Clean Data"を読みます。 "Abstract"を読む 我々は、機械学習による信号の再構築 - 破損した観測値をクリーンな信号にマッピングする学習 -に、基本的な統計的推論を、単純で強力な結論を用いて適用し…
