ブックマーク 2019-01-05

はじめに

役に立つと思ったものだったり後で読もうと思っているもの、気に入ったものなどを 雑多にメモしています。


Unity

Unityで学習済みのVGG16による1000クラスの画像識別 - Qiita


Writing Custom Effects · Unity-Technologies/PostProcessing Wiki

【Unity】PostProcessing Stack v2をサクッとセットアップする - LIGHT11

【Unity】PostProcessingStack(V2)をリアルタイムに変更する

【Unity】PostProcessingStack v2を使ってみる - テラシュールブログ



機械学習

【NIPS 2018最優秀賞論文】トロント大学発 : 中間層を微分可能な連続空間で連結させる、まったく新しいNeural Networkモデル | 人工知能ニュースメディア AINOW

過去のNNの問題点。

  • 時系列データの欠損値に対応できない
  • 入力データの時間間隔が不揃いな場合に対応できない

たとえば次のようなデータ。

  • (個人患者の)医療計測データ
  • 通信ネットワーク上のトラフィック計測データ
  • ニューロンの発火(スパイク)を観測したデータ

特にニューロンの発火データというのは面白そう。

そこで提案されたのが、以下のような、時系列データについて、任意の2時点間のデータについて、その2時点間の時間間隔が、前後の他のデータの間に存在する時間間隔とは異なる”データ取得間隔が不揃いな”不規則データであっても、2つのデータの間のデータ構造(パターン構造)を学習し(順方向と逆方向、双方のデータ処理)モデルを推論することができる以下のようなモデルでした。

そして、ここで重要なのは、微分演算は「任意の距離によって隔てられた2点間」で求めることができることです。これが、このモデルが、データ間隔が不規則な時系列データを取り扱うことのできる仕組みである(理解が間違っていたらごめんなさい)ようです。

この仕組みにより、隣り合う中間層の間が空間で隔てられていて、中間層どうしの連結構造が非連続な飛び飛び(離散的な飛び地)であった従来の(多層)ニューラルでは、上手に取り扱うことができなかった、個々のデータ取得時点の間の時間間隔(time intervals)がふづろいである(論文中の言い回しでは、時系列間隔が定数(constant)ではない)データであっても、このモデルはうまく対応できると論じられています。


DeepLearning/機械学習を始めると必ずいるカス - BizDeep

トップ学会採択論文にみる、超解像ディープラーニング技術のまとめ - Qiita

2018 年ナウでヤングな 3D 顔復元のメモ - Qiita

[翻訳]BERTで自然言語AIをはじめる(github上のREADMEの翻訳) - Qiita


雑多

アバターフォーマット「VRM」は何を狙っているのか (1/2) - ITmedia PC USER

fish 3.0がやってきた - Qiita

私と創作2018 - Imaginantia

Deno用のpretty_assertを作った - undefined

新しい投稿
無題