サクサク読めて、
アプリ限定の機能も多数！
アプリで開く
import tensorflow as tf from keras import layers from keras.models import Model import keras.backend as K from keras.optimizers import SGD from keras.applications import MobileNetV2 from keras.callbacks import LearningRateScheduler, ModelCheckpoint from keras.datasets importfashion_mnist import numpy as np from tqdm import tqdm from sklearn.metrics import euclidean_distances, roc_auc_score def cr
実装 コード全体はこちら DOC 実装はこちらを参考にしてください。 L2-Softmax-Loss 異常検知ではありませんが、こちらで実装しています。 ArcFace 実装は、こちらを参考に（ほとんどコピー）させていただきました。 結果Fashion MNISTの結果 L2-SoftmaxLossとArcFaceが良いスコアを示しました。 やはり、距離学習による異常検知は性能が良いようです。 中央値が重なって見づらいですが、DOCとの差は中央値で0.05ポイント （全体の精度は10%くらい？）の差が出ています。 L2-SoftmaxLossは、以前の結果と食い違っていますが、以前は データ数も少なく、最適化手法のlrも違う値でした。 cifar-10の結果 こちらも、L2-SoftmaxLossとArcFaceが良いスコアになりました。 DOCとの差はさらに大きくなっています。 met
動機 Auto-Encoderに最近興味があり試してみたかったから 画像を入力データとして異常行動を検知してみたかったから (World modelと関連があるから) LSTMベースの異常検知アプローチ 以下の二つのアプローチがある(参考) LSTMを分類器として、正常か異常の2値分類 これは単純に時系列データを与えて分類する方法である。このやり方は正常データ・異常データが共に十分に揃っているときに有効となる。 LSTMを予測モデルとして、エラーの大きさで判断 今回行うやり方はこれである。時系列データの入力からこれはデータがあまり揃っていない場合に適している。 モデル詳細 今回は自分のパソコンのカメラからの映像に人が写り込んだことを検知しようと思う。データとしては、普段の部屋の動画を正常時のもの、僕が入り込んだ動画を異常として動画をとった。 全体構成 Auto-Encoderによって画像デ
1リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
