ENGINEER SUMMER 2021 INTERNSHIPの参加者、 朱さんがインターン体験記を書いてくださいました！ ＊＊＊ ◆自己紹介東京大学 情報理工学系研究科 博士一年の朱 冠肇です。 ◆インターンに参加しようと思ったきっかけ・決め手最初に応募サイトのインターンシップの説明を読んだとき、とても面白くて有意義なトピックだと思いました。現実の社会問題を観察し、解決しようとする会社の情熱が伝わってきます。また、説明に書かれている必要なスキルについて自分は概ね満たしていたので、おそらくこのプロジェクトに挑戦できるだろうと考えました。大学で研究するテーマとは全く別ですが、異なる視点からエンジニアとしての総合力を高める機会になるかもしれません。そんな期待を込めて、今回のインターンに応募しました。 ◆5週間で取り組んだことテーマは、河川監視カメラの映像から増水危機を示すシステムを構築すること
こんにちは ハタ です。 今回は以前iOSのクライアントサイドで実装していた通知ぼかし機能をサーバサイド(配信サーバ)上に再実装した事を書きたいなと思います 今回はかなり内容を絞りに絞ったのですが、長くなってしまいました、、 目次機能があったのでつけてみました、読み飛ばして読みやすくなった(?)かもしれません 目次 目次 通知ぼかし機能とは サーバサイド通知ぼかし プロトタイプの実装 苦労の始まり その1 画像処理速度 苦労の始まり その2 データ量 さらなる計算量の削減を求めて さらなる最適化へ Halide の世界へ 簡単な halide の紹介 苦労の始まり その3 いざ リリース リリースその後 We are hiring! 通知ぼかし機能とは 通知ぼかし機能は、ミラティブ上での配信中に写り込んでしまったiOSの通知ダイアログをダイアログの中身を見えないようにぼかし処理をしてあげる
研究開発部の菊田（@yohei_kikuta）です。機械学習を活用した新規サービスの研究開発（主として画像分析系）に取り組んでいます。 最近読んだ論文で面白かったものを３つ挙げろと言われたら以下を挙げます。 Why does deep and cheap learning work so well? Universal adversarial perturbations Understanding deep learning requires rethinking generalization 以前本ブログで紹介した Hackarade: MRI Internal Challenge ですが、その第二回として機械学習を題材にしたハッカソンが七月末に開催されました。 Hackarade ではエンジニアにとって長期的に有益となる技術を題材にしようという想いがあります。 今回はクックパッドの研究
東京大学大学院情報理工学系研究科の胡緯華（フウェイファ）大学院生と、プリファード・ネットワークス（東京都千代田区）の宮戸岳リサーチャーらは、手書き文字や数字のように、正解が事前に分からないデータを効率的に学習する人工知能（ＡＩ）技術を開発した。手書き数字認識の精度が９８・４％と、別の研究グループの最高成績８４・３％から誤差を１０分の１に減らした。手書き文字認識の精度は７０％だった。文字認識に限らず画像など幅広く活用できる。 一般にＡＩは正解が分かっている大量のデータを事前に用意して学習させる。学習後に未知のデータを与えると、そのデータと最も近い正解群を選び判定する。今回、事前にデータを用意しないで、未知データをそのまま学習する「教師なし学習」で高い識別精度を実現した。 開発したのは「ＩＭＳＡＴ」というアルゴリズム。まずデータを種類（クラスター）に分類し、各データにノイズを加えても同じ種..
左側は、今回コンピュータに処理をさせる前の、ひどく解像度の低い画像だ。右側は実際の写真だ。そして中央にあるのが、どことなく実際の写真に似ている人間の顔だ！ では、どうやったのだろうか。Googleの研究チームGoogle Brainは、2つのニューラルネットワーク（神経回路網）を訓練し、著名人の顔の画像（さらに寝室の画像）を入力することで、すべてを自らできるようにした。 第1のネットワークは、ピクセルがどのように、より高解像度の画像に変換される可能性があるかを調査する役割を担う。第2のネットワークは、多くの似たような写真の分析を経て、著名人（または寝室）について「分かっている」ことに基づき、個別に細部を追加する。 ただし、個人を正確に特定するまでには到底及ばない。それに、留意すべきは、コンピュータは細部を推測しているのであって、魔法のようにどこからともなく出現させているのではないということ
類似画像検索システムを作ろう（2009/10/3） 3日で作る高速特定物体認識システム（2009/10/18） に続くOpenCVプロジェクト第三弾です。今回は、上の二つをふまえてカラーヒストグラムではなく、局所特徴量（SIFTやSURF）を用いた類似画像検索を試してみます。局所特徴量はグレースケール画像から抽出するため、カラーヒストグラムと違って色は見ていません。画像の模様（テクスチャ）で類似性を判定します。 実験環境は、Windows 7、MinGW C++コンパイラ、OpenCV2.0、Python 2.5です。EclipseでMinGWを使う方法はEclipseでOpenCV（2009/10/16）を参照してください。Visual C++にはないディレクトリスキャン関数を一部使っているのでVisual C++を使う場合は、少しだけ修正が必要です。 Bag-of-Visual Wor
こんにちは。人事部の小久保です。 8月1日（月）〜4日（木）の4日間、画像の認識・理解シンポジウムMIRUに研究開発部のメンバーと参加してきました。今回は、MIRUの内容やなぜ参加してきたのかについてご紹介したいと思います。 MIRUとは 今回で19回目を迎える画像の認識・理解シンポジウムで、画像の認識と理解技術に関する国内最大の会議です。 具体的には、研究者や技術者、学生が基礎から応用までさまざまな最新の研究発表をし、討論をする場となっています。今回は静岡の浜松で開催されました。 各自の発表内容は1枚のポスターにまとめられたものが展示されており、それぞれポスターの前で紹介する形になっています。発表やデモセッションに加えて、特別講演も別会場で行われました。 クックパッドの取り組み クックパッドは今回初めてMIRUに参加したのですが、企業展示という形でブースで発表をしました。 毎日午前中には
Deep Learning（Convolutional Neural Network）は特に画像認識の分野で目覚ましい成果をあげています。今回はConvolutional Neural Networkを使った画像認識の方法、及び、それを実施するに便利なソフトウェアの説明を行う予定です。 画像認識に学ぶDeep Learning 1.画像認識の背景とできること 画像認識のこれまでの目覚ましい成果と実際にこれをすると 何ができるかをお話したいと思います。 →Googleの猫やILSVRCの話 現在、使われているソフトウェアの話（顔認識とか） 2.画像認識の一般的なフローとその説明 本項目では、画像認識においてどういった要素が必要かを紹介します。 データセットを集める、DeepLearningの学習環境作るなど 3.フローについての詳細な説明 ①データセットの構築方法 ②画像データについての説明
アイドル顔識別のためのデータ収集 をコツコツ続けて それなりに集まってきたし、これを使って別のことも…ということでDCGANを使ったDeep Learningによるアイドルの顔画像の「生成」をやってみた。 まだだいぶ歪んでいたりで あまりキレイじゃないけど…。顔画像を多く収集できているアイドル90人の顔画像からそれぞれ120件を抽出した合計10800件をもとに学習させて生成させたもの。 分類タスクとは逆方向の変換、複数のモデル定義などがあってなかなか理解が難しい部分もあったけど、作ってみるとそこまで難しくはなく、出来上がっていく過程を見るのが楽しいし とても面白い。 DCGANとは "Deep Convolutional Generative Adversarial Networks"、略してDCGAN。こちらの論文で有名になった、のかな？ [1511.06434] Unsupervise
あの『シムシティ』シリーズを開発したゲームクリエイター、ウィル・ライト氏が手がけた最新作はスマホアプリで、しかもゲームではないというから意外だ。そのアプリは、写真などの画像から自分だけの物語をすぐさま作成できるツールだという。 ■体験や考えを“絵本”にして共有できるアプリ 2013年にライト夫妻が創設したITデベロッパー「Syntertainment」社が5月7日にリリースしたiOSアプリ。それが、物語作成ツール「THRED(スレッド)」だ。 この「THRED」を使えば、日々の生活の中で撮影した写真やネット上に存在する画像などに、テキストやステッカー(シール)を加えたり、リンクを張ったりするなどのちょっとした工夫が簡単にできて、絵本のようにページをめくって楽しめる“自分だけの物語”を作成できるということだ。いったん作り上げたコンテンツはTwitterやFacebookなどのSNSで公開する
中山です。 新年度が始まってから早くも一ヶ月が経ちました。中山研にも頼もしいＭ１の学生４名が配属され、それぞれ研究の方向性を少しずつ固めているところです。これから少なくとも２年間、博士まで行く場合は５年間続けていく研究活動の最初の一歩なので、焦らないで納得ゆくまでやりたいことを探してほしいなあと思っています。 まっさらな状態でテーマを探すのはとても大変ですが、ある意味羨ましくも感じます。ある程度研究者として業績を積んでいくとどうしても仕事がインクリメンタルになりがちなので、私自身も彼らを見習いつつ、一緒にいい仕事ができる様に頑張りたいです。 さて、当研究室（と言いつつ今回は私一人でしたが）では、今年度のImageCLEFという画像認識コンペティションのPlant Identification部門に参加しました。これは、写真に撮った植物の葉・花・果実などからその種類を識別し精度を競うもので、
ソフトウェアエンジニアとして働き始めて10年目。昨年の秋に妊娠が発覚し、現在産前休業中である。 「妊活が大変」とか「子が生まれました」というブログはよく目にしていたので、妊活・出産・子育てに関する情報は自発的に集めていたつもりだった。 しかし、妊娠してから妊娠中の働き方についての認識の解像度がめちゃくちゃ低かったことに気づき、出産前に妊娠中の働き方について記録しておければと思いブログにまとめた。 以下は私の妊娠週数とそのときの体調が普段と比べてどれくらいだったかをまとめた図である。 妊娠初期(~16週)とつわり 生理予定日3日後にパーソナルジムにいったら、いつものダンベルを持つと死にそうになった。 半分の重さにしても息切れすることから、これはおかしいと思い、しばらく安静にした後妊娠発覚した。 私はつわりは6週から17週までで、比較的軽い方だったと思う。 食べ続けてそれをたまに吐くというよう
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
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
