  |
はてなキーワード: 類似画像とは
画像を生成するAIによる無断学習や利用を防ぐために、以下のような対抗手段を講じることが可能です。
1.透かし（ウォーターマーク）の埋め込み:
画像に目に見えるまたは見えない透かしを入れることで、無断利用や生成AIの学習に対して抑止効果を期待できます。特に、目に見えない形で画像データに暗号的な透かしを埋め込む「デジタル透かし」技術が有効です。
画像データに著作権情報や「AIによる無断学習を禁止する」といったメタデータを埋め込み、ウェブサイトには robots.txt ファイルで画像クローラーのアクセスをブロックする設定を追加します。これにより、クローリングや収集の抑制が期待できます。
ステガノグラフィを用いて、画像に気づかれにくい形で識別情報を隠すこともできます。これにより、画像の流出経路や利用先を追跡でき、無断利用の発見に役立てることができます。
4.法的な警告表示や利用ポリシーの明示:
ウェブサイトや画像の配布先に、AIによる無断利用や学習を禁止する旨の法的警告や利用ポリシーを明示することも有効です。利用条件をはっきりと示すことで、AI企業や研究者が慎重になる可能性が高まります。
AIが利用しにくいように、画像に人間には気づきにくいパターンやノイズを挿入する技術もあります。たとえば、AIにはノイズとして認識されるが、人間には問題なく見える小さな変形やカラーパターンを追加することで、AIによるデータ学習が困難になる場合があります。
生成AIの学習を混乱させるための手段には、以下のような方法が考えられます。
1.ノイズや歪みの追加:
画像に目立たない程度のノイズや歪みを加えることで、アノテーションモデルが境界や特徴を正確に認識しにくくする手法です。たとえば、ピクセルレベルでランダムなノイズを追加する、わずかに画像をぼかす、あるいは境界線付近に小さな変化を加えるといった手法が有効です。
アノテーション処理は、対象物の輪郭や特徴を正確に捉えることが重要です。そのため、背景や対象物の輪郭にわずかな不規則性を加えることで、アノテーションツールが対象物の境界を正確に判断しにくくすることができます。たとえば、背景に模様や偽の輪郭を挿入する方法です。
画像に人間には視認しづらい形でテキストやラベルを埋め込むと、AIのアノテーションプロセスが混乱する場合があります。これにより、AIが意図しない領域を注視することがあり、誤認識を誘発します。
4.色や明るさのランダム変化:
画像の色や明るさを部分的に変化させ、一定のパターンを持たないようにすることもアノテーション処理の混乱を招く一手です。これは、オブジェクトの検出や認識が色や明暗の差異に依存している場合に有効です。
5.擬似的なオブジェクトの追加:
画像内に小さな擬似的なオブジェクトや模様を追加することで、AIがそれらを誤って主要なオブジェクトと認識し、アノテーション精度が低下する可能性があります。特に、背景に似たオブジェクトを散りばめることで、AIはどの部分が対象なのか判断しにくくなります。
AIの認識を誤らせるために用いられる「アドバーサリアル（敵対的）な例」を使う方法もあります。特定のピクセルパターンや色の配列を配置することで、AIのアノテーションが意図的に誤作動するよう誘導できます。この技術は深層学習モデルに対して特に効果があります。
画像全体にわずかなカモフラージュパターンを重ねることで、AIの認識を混乱させる方法です。この手法では、人間が見た場合には問題なく認識できるものの、AIが対象を捉える際に誤って検出するようなパターンを画像に追加します。
・思考実験として、danbooruなどアノテーションの元データとして使われているサイトのタグが荒られたら画像生成AIのモデル作成にダメージはありますか？
思考実験として、Danbooruといったアノテーション元データのタグが荒らされた場合、画像生成AIのモデル作成に与える影響は以下の通りです。
Danbooruは、イラストや画像に対して詳細なタグが付与されており、これらのタグ情報は画像生成AIの学習にとって非常に重要です。タグが荒らされることで、画像とタグの対応関係が崩れ、モデルが正確な特徴を捉えにくくなるため、生成精度が低下します。
例えば、特定のキャラクターやテーマに関連するタグが荒らされ、誤った内容のタグが付与されると、モデルはその誤った情報を学習し、キャラクターの特徴や設定が再現されにくくなる可能性があります。
タグが荒らされると、モデルの訓練にノイズデータが増えるため、学習効率が悪化します。たとえば、「黒髪」のタグが誤って「金髪」などに変更された場合、モデルは同じ画像に対して異なる特徴を学習することになり、結果として生成画像の一貫性が失われることが考えられます。
また、同じ画像に異なるタグが付与されることで、モデルが過学習や誤学習を引き起こし、生成された画像が本来の意図からかけ離れたものになる可能性もあります。
Danbooruでは、特定のキャラクターやアートスタイルを識別するタグが多く存在します。これらが荒らされると、特定のキャラクターやスタイルのデータが混乱し、モデルが正確にキャラクターの特徴を把握できなくなるため、ユーザーが期待する生成結果が得られにくくなります。
例えば、あるキャラクターのタグが「髪型」「服装」「色彩」などで荒らされると、そのキャラクターの再現が曖昧になり、モデルが正しいビジュアルを生成できなくなることがあります。
タグが荒らされると、データセット全体の信頼性が低下します。信頼性の低いデータをもとに学習したモデルは、特定の条件で異常な出力を生成することが多くなり、モデル全体の品質が低下します。これは、生成AIが学習中に「どの情報を信頼すべきか」を判断できなくなるため、生成結果が不安定になったり、多様性が失われたりすることが考えられます。
AIモデルを利用するユーザーは、タグを通じて希望する画像を生成したり、条件に合った画像を探します。タグが荒らされると、AIモデルの検索・フィルタリング機能の精度も低下し、生成プロンプトが期待通りに機能しなくなる可能性があります。たとえば、「風景」タグが荒らされ、異なるジャンルの画像が混入するようになると、風景画像を生成したいユーザーの要求が満たされにくくなります。
Danbooruなどのタグが大規模に荒らされた場合、生成AIモデルの精度低下や一貫性の欠如が発生しやすくなり、特にキャラクターや特定のスタイルに依存する画像生成モデルに大きなダメージを与える可能性が高いです。
すでに学習済みのモデルを使って汚染されたデータのクレンジングや異常値検出を行うなど対策される可能性がありますが、それらを阻害する手段はありますか？
無断での学習を妨害し、学習コストを増加させるために、上記の方法を阻害する手法には以下のようなアイデアがあります。これらの手法は、意図的にデータセットの品質や一貫性を崩すことで、学習モデルの精度を低下させ、データクレンジングや異常値検出のプロセスを複雑化することが目的です。
意図的に誤ったタグや無関係なタグを画像データに付与し、データセットの信頼性を低下させます。これにより、転移学習やラベルノイズ検出が困難になり、正確な特徴量を学習するコストが増加します。
例えば、キャラクター画像に全く無関係なタグ（「動物」や「風景」など）を追加することで、モデルがどのタグが信頼できるか判別しにくくなり、誤ったラベルがノイズとして学習されるリスクが増えます。
2. 特徴量をぼかす／微妙な変更を加える
特徴量ベースのクレンジングや類似度分析に影響を与えるため、画像の特徴がわずかに異なるように加工を施します。具体的には、色調を微妙に変える、ランダムなピクセルの位置でノイズを追加する、または特定の部位を意図的にぼかすことで、モデルが抽出する特徴量の安定性を低下させます。
この方法により、同じキャラクターやスタイルであっても類似度分析が困難になり、正確なクレンジングが行いにくくなるため、データ処理のコストが増加します。
特徴が異なるバリエーションや擬似的な異常データを大量に追加することで、異常検出アルゴリズムの信頼性を下げます。たとえば、キャラクターのデザインや背景を少しずつ変えた画像を意図的に作成することで、異常値検出が頻繁に誤検出されるようにします。
こうしたデータが混在することで、オートエンコーダーやアンサンブルモデルを使った異常検出が混乱し、正確な異常サンプルの抽出が困難になります。
4. 高頻度で微小なラベル変更を行う
学習済みモデルの転移学習やラベルノイズ検出を阻害するために、同じ画像に対してラベルを定期的に変える手法です。微小な変更を行うことで、モデルは正しいラベルを安定的に学習することが難しくなり、モデルの信頼性が低下します。
例えば、ラベル「黒髪」を「暗めの髪」や「濃い色の髪」などに頻繁に切り替えることで、学習に不確実性を持ち込むことが可能です。
データセット内で非常に類似した画像を複数の異なるタグで登録することで、モデルの学習を混乱させます。特定のキャラクター画像を少しずつ変化させて複数のタグを付けると、モデルは「どのタグがどの特徴に対応しているのか」を判別しにくくなり、データセットのクレンジングが複雑化します。
特に、タグの一貫性が失われるため、類似度分析やアンサンブルモデルによる異常検出の効果を低下させることが期待できます。
AIモデルが認識を混乱させるように、アドバーサリアルノイズ（敵対的な例）を追加します。人間にはほとんど気づかれないレベルのノイズを画像に追加し、モデルが特定の特徴を正確に認識できないようにすることができます。
このノイズにより、モデルの特徴量ベースの学習が混乱し、意図した通りに学習できないため、クレンジングの精度も低下し、データ処理の手間が増加します。
特定のルールではなくランダムにタグをつけたり、特定のカテゴリ間でランダムにラベルを入れ替える方法です。これにより、ラベルと画像の関連性が薄れ、アノテーションの一貫性が失われます。この乱数による偽ラベルの付与は、ラベルノイズ検出やアノマリー検出において、真のラベルを見極めるコストを大幅に増加させます。
まとめ
これらの手法は、AIの学習やクレンジングを意図的に妨害し、無断学習にかかるコストを増加させるために有効です。特に、「微小な変更」や「アドバーサリアルノイズの付与」といった手法は、見た目の品質に影響を与えずにモデルにノイズを持ち込むため、非常に効果的です。
画像検索してるときうっかり類似画像を視界に入れようものなら、際限ない無秩序な画像の提示に付き合う羽目になる。
ここらで諦めたいがここでやめたら後で後悔しないかとかいろいろ考えるうちになかなか区切りがつかない割には、収穫が乏しい。
そんななかで中国の漫画サイトに行き着くことがあるが、なんか表紙を見る分には面白そうな気もするけど、どうもエロがないかぎりは、異言語のを読むときのめんどくさそう感が勝って踏み込めない。
↓こんなやつな。
https://ac.qq.com/Comic/comicInfo/id/653417
数学的な手法を使って実在しない人物やイラストを生成しているといた旨の説明がされるが、
本当に違っていると証明したのを見たことがなく、本当か？という疑問がある。
(元のデータ量が膨大なので類似画像の証明が困難なのは承知している）
本当に「実在しない人物」が生成されるのであれば、有名人の名前を入れても再現されないはずだが、
エマ・ワトソン、トランプ、イーロン・マスクなどは大量に作られている。
例えばdiffusionモデルだと、元の画像全体に対してノイズを加えていったもので学習させている。
これだけ見ると、「学習元画像をどれだけ再現できるか」、というのは学習しているが、
学習時の指標としてエラー率を下げるというのもあるが、こちらも「学習元画像をどれだけ再現できるか」だろう。
「学習元と違う画像を生成」しているが、人の目で見た時に全体としてバランスが取れているという指標ではない。
ではないだろうか。
だが、より詳細な画像を出そうとした場合、パラメータ数や演算精度を上げていった場合、
ええっと、これが正解！というのはブコメにもトラバにも私の見た限りではありませんでした。近いものはありましたが、これ、知ろうとすると先ずアウシュヴィッツ・ビルケナウのマッフル炉がどんなものだったかを知る必要があります。ええっと、簡単にググった範囲では、このページにある上から３つ目の写真ですね。
わかりますかね、一つのマッフルの口の幅は大体60〜70cmだったかと思います。わかりにくかったら類似画像検索か何かでもっと見やすい写真もあったかとは思いますが、この一つのマッフルが三連になっていて実質的には３つで一つの炉を形成しています。これをトリプルマッフル炉と呼びます。
アウシュヴィッツの大量虐殺の現場はアウシュヴィッツⅡとも呼ばれるビルケナウキャンプの方です。アウシュヴィッツメインキャンプから３キロほど離れた場所にあります。上で示したリンクの写真はすべてビルケナウのものです。
このビルケナウにトリプルマッフル炉を５基備えたクレマトリウムⅡとⅢの２つがあり、そこから少し北に行ったところに……えっと、炉の形式をちょっと忘れましたのでとにかく８マッフルの火葬炉をもつクレマトリウムⅣとⅤの２つがありました。故に、計46マッフルあったわけです。
さて、計算上は１日仮に3,000体ならば、一時間あたり約3体／マッフルとしなければダメであり、一体20分なわけですが、実際はどうやったかと申しますと、実は複数遺体を同時に焼却処分していました。これとほぼ同じ答えはありましたが、でも少し考えてもらいたいのです。
一体を一時間で焼却できるというのは、焼却エネルギーをそれだけ与えるからです。１体につきｎカロリーならば、３体なら３ｎカロリーです。つまりカロリー計算ならば、同時に焼いたところで、炉が与えるエネルギーは同じなのだから、３倍の時間がかかるはずです。
あれ？ と思いませんか？
そこで、もっとコークスを入れればいいのだ、という話になってきますよね？ 一体あたりのコークス料はこれは流石にデータがまったくないのでわかりません。しかし、幅6,70センチしかないマッフルに三体も入れて、更にコークスを三倍にするなんて、非現実的だと思いませんか？
実は当初、親衛隊自身がそう思っていたフシがあるのですが、これにはカラクリがあります。上で述べたように、実はマッフル一つが１炉ではないのです。トリプルマッフル炉なのです。つまり、炉としては１炉１マッフルよりも三倍も大きいので、熱量／高温をそれだけ維持できるのです（要するに外部へ廃棄されたりして無駄になる熱量が少ない）。しかし、まだ問題は解決してはいません。何れにせよ、遺体量分のコークスが必要なのはそれほどは変わらないからです。
で、一体どうやってこの問題を解決したかというと、それは「遺体自身を燃料にする」だったのです。流石にそれは誰も思いつかなかったのではありませんか？
嘘だろ？ と思う人がいたら、そう証言した人がいると答えておきましょう。ヘンリク・タウバーというこの遺体処理作業に当たった、ユダヤ人収容者の作業員、いわゆるゾンダーコマンドがいます。タウバーは酷く否定派に嫌われています。当たり前です、このタウバーの証言を認めたら、否定論は一瞬で破綻してしまうからです。戦後裁判などで当然証言台に立ってます。
で、このタウバーは遺体がよく燃えるので、燃料の追加はほとんど必要なかった、と答えているのです。このタウバー、驚くなかれ一度に９体くらいも遺体を入れたことがあるとまで証言しています。そんな馬鹿な？と思うでしょ？
想像ですけど、おそらく、タウバーのこの証言は、遺体をどんどん連続投入していたがために、実際には同時に９体入れたのではなく、次々に入れていった場合の先に入れた遺体は燃焼して体積が減っていき、それで９体などと言ったのだと思います。あるいは普通に、トリプルマッフル一基を１炉と考えて、３つのマッフルに対しての９体なのかもしれません（それなら理解しやすい）。
何れにしても、遺体自体を燃料にするって少々信じ難いと思いませんか？ 人間の体って普通は７割は水です。アウシュヴィッツについてすぐ殺された人が大半ですから、痩せてすらいないわけです。しかも、このついたばかりのユダヤ人の方がよく燃えたというのです。流石にそれは嘘だと、言いたくなってきませんか？
でも、遺体を燃料にしたというのは証言しかないのですが、15分程度で焼いたという当時の文書記録はいくらでもあるのです。
えー、それっぽく引用文献が載ってますが、これはあるページからコピペと少し修正しただけですので、ご勘弁。ともかく文書資料はそれなりに残っていて、多分まだまだあると思いますが、実際に算術的火葬率１体あたり１５分程度をやってたということに疑いの余地はありません。
というわけで、こういう具合に細かく突っ込んでくるのがホロ否認論です。そんなの出来るわけない！ というのを反論するのが結構大変だということがご理解いただけるのではないでしょうか？
で、どうして引用文献を示したかというと、「Mattogno」という人物の名前が出てきます。この人、超有名なホロ否認論者です。ホロ否認論者が普通に、ホロコーストを肯定するような資料を自著に載せるのです。ホロ否認論者に、粗雑なリビジョニストがやるような「やばい資料を隠す」ような人はいないと言っていいでしょう。
ピンタレストで不穏な聖女（仮の名称）については結構いい感じのおすすめ画像がズラズラ出てきたので、じゃあもともとの最高にクールなバンドのアーティスト写真のおすすめ画像に最高なものがあるんじゃないのか？！と思い立って見てみました。
そこにはメンバー5人で写る別の時期の画像や、他のバンドのかっこいい画像がずらずら並んでいた。
かっこいい。だけどそういうことじゃない。
バンドの写真で探すのが悪いと思って目的のボーカルさんに絞って探していくことにした。
……。
どこまで潜っても別の時期のボーカルさんの画像がズラズラと並んでいる。
いやちがう。そうじゃない。最高にクールなのはそうだけど、探しているものではない。
最新アルバムリリース時のアーティスト写真のボーカルさんに似ている「ボーカルさんと全く関係ないもの」を探しているんだ。
ピンタレストの類似画像は文脈というか、ユーザーの好み？行動？を反映してサジェストするものを判断しているようだった。
この画像を保存した人はこれも保存しています。アーティストの画像を保存する人間はたいていアーティスト本人の画像を集める。「そのアーティストに似ているナニカの画像」を探している人のほうが少なそう。
途方に暮れた。アキネイターに対してそれっぽい答えをしていけばなにか出てくるかも、とも思ったけれど名前とかは答えられないので「何に対してもギャンブラー／質問を全てランダムにこたえる賢い人」に至る率が高すぎる。脳内で設定をしながら質問をすればいいのか？ 「名前にィが入ってる？」とかそんな細かいことなんて「わからない」を選ぶ以外にどうすればいいんだ。
キャラクターが出てくる媒体なんて知らない。ゲームにすると具体的な作品名やロボットの選択肢を選ばない限りソウルシリーズのキャラクターを推される気がする。そこにツボを押しそうなキャラがいるのはもうわかってるんだ…。
アニメを選んでぽちぽち答えたらエヴァの量産機をお出しされた。たしかにわりとそういうの好きだけど…モンハンのフルフル(白)とか…。でも今それは探してない…。
PCサイトは全然つながらないしスマホアプリは広告多すぎで心が折れた（最初の質問が毎回鬼滅の刃のキャラクター？なのは笑った）
以上。ピンタレストを根気強く探すのがいいような気がする。
もし以下の条件にあてはまるものに心当たりがある人がいたら教えてください…。
https://c.okmusic.jp/news_details/images/115506397/original.jpg?1537255416
↑この画像に写ってる人が理想的。目は蛇っぽい全眼コンタクト…すき…。
性別も人間かどうかも気にしないけれど、これ系の好きなものは二足歩行はできそうなビジュアルが多いです。ゴスっぽさと人外っぽさもポイントかもしれないです。
あとは特徴的な目。逆にトランスフォーマープライムのサウンドウェーブのように目や顔がそもそもこちらから見えないのも好きです。
↑この画像の真ん中にいる白い人のメイクというか見た目がものすごく好きなのですが、なんて検索すればこういうルックスの人がでてくるのかわかりません。（「邪神」でぐぐったら可愛い女の子がいっぱい出てきました…）
「コープスペイント」でググるとたまにいいかも、っていう画像がありますが、顔だけじゃだめだし最初にあげてるのとは少し雰囲気が違う…。
V系界隈は詳しくないのでわかりません。Psycho le Cémuのseekはなんだか違うことだけはたしか。
なんて検索すればいいかわからないので、実在の人物に限らず、マンガアニメゲームなんでもいいので、とにかくそれっぽい雰囲気のものに心当たりがあったら教えてほしいです。
性別も人間かどうかも気にしないけれど、これ系の好きなものは二足歩行はできそうなビジュアルが多いです。ゴスっぽさと人外っぽさもポイントかもしれないです。
あとは特徴的な目。逆にトランスフォーマープライムのサウンドウェーブのように目や顔がそもそもこちらから見えないのも好きです。
ダークソウルとかブラッドボーンあたりのゲームにも最初にあげてるのと似た感じのキャラクターがいた気がします。コスプレ画像?をどこかでちらっと見ただけなので詳しくはわからないけれど…。
【追記】
これを書いたあとに、いくらか調べてみたのだけども、
・ダークソウルのエルドリッチはかなり良い。ただ、探していたコスプレ画像?のキャラクターかはわからない。創作コスだった可能性もある。それはそうとダークソウルの人っぽいキャラは結構グイグイ来る！
法王サリヴァーンとか冷たい谷の踊り子とか修道女フリーデとか。双王子もいいじゃんと思って調べたらBLっぽいイラスト出てきて笑った。
・コープスブライド系のコスプレはリアルに寄せてるのはめっちゃビシビシくるのだけどほぼほぼティムバートンの映画キャラのコスプレなのでうーん…海外にはジャンル名?ありそうだけどなあ、死体の花嫁。
・「ココシニク」（ロシアの頭飾り）をキーワードに調べたらそれっぽい絵が出てきたのでそっからピンタレストのおすすめ類似画像みてたら「Toxic Visionの黒いマリア」とか、不穏な雰囲気の聖女?が色々出てきて、こういうのだ！ ってのが結構出てきた。でもなんてジャンルなんだよ結局…。
・KISSと聖飢魔IIを出してくれた人がいるけど違うんだ…あの系統ならアリス・クーパーが近いような？ 昔のデヴィッド・ボウイとか。
・人力検索ってこういうときに使うのね！！なるほど！ありがとう！
・似てる雰囲気のキャラクターやアーティストさんをだしてくれた人:私の知らない私好みのなにかはまだまだあるんだ！！うれしい！！ありがとう！！
ウィスパーはかわいいけど個人的にはエヴァ量産機やモンハンのフルフル枠です！つついたら凹みそうな白いマスコット！
・Anna-Varney Cantodea出してくれた人:これは！！！！！元ネタの可能性があります！！！お花を持ってる写真がアルバム収録曲PVの前半の姿にそっくり！！！ありがとう！！！！！！Nelly Recchiaもとても好き！！！大感謝！！！！
・この画像がDIRENGREYって調べてくれた人:ファンを10年はやってるからそれは知ってるんだ〜！でもこの白い人のやる凝った見た目のネタ元的なのはいつも自分じゃわからないことが多いんだ。
でも調べてくれてありがとう！！優しい！！
・MTG出してくれた人:「大修道士、エリシュ・ノーン」これは！！！！すき！！！ありがとう！！！昔から攻略本のキャラクターやアイテムのグラフィック一覧を眺めるの好きなんで良いサイト教えてくれてありがとう！！
・The ProdigyのKeith Flint出してくれた人:ちょっと違うけど、この白い人の薄化粧スタイルとちょっと似てるのですき！！！！もう亡くなっちゃってるのが悲しいけどありがとう！！！！
・暗黒舞踏コンテンポラリーダンス系出してくれた人:この白い人ライブパフォーマンスに暗黒舞踏取り入れてたのを忘れてた！！！ありがとう！！
・Alice Auaa出してくれた人:確かにあそこの服とモデルさんはこっちよりだね！！この白い人ともコラボしてたし！！ブランドの動向追っかけてみる！！ありがとう！！
・GOTHバロック出してくれた人:そのへん思い浮かぶよね！！メメント・モリ/ヴァニタスはバロック期の芸術様式なことを忘れてたけど思い出した！！あのへんすき！！ありがとう！！
・2B出してくれた人:2Bというかヨルハのデザイン好きだけどニーアオートマタだとこれ系で一番ぐっとくるのはボーヴォワールです！！ニーアシリーズみんな好きだけどね！！ニーア遊んでくれてありがとう！！
Babelink
作った動機は、そっくりNAVIをつくった人と似ていて技術の勉強のためと今ある類似検索のサイトへの不満からです。
そっくりNAVI - 気になる子の顔写真で、似てるAVを検索できるサイトを作った
http://anond.hatelabo.jp/20160719033025#tb
ディープラーニングは最近流行りの技術で、一般的な物体の認識では人間に匹敵するか
今回は自分が持っている画像や有名人に似ているAV女優を探すという
極めて実用的な問題にその手法を試したいと思い、サイトをつくってみました。
■使ったライブラリなど
・PostgreSQL (データベース)
・flask (Web構築)
・dlib (顔検出)
・Awesomplete (入力補完)
ぼくは一応エンジニアのはしくれですが、pythonとか仕事でちゃんと使ったことないレベルです。
それでも３~４ヶ月程度である程度のサイトはつくれるので、みなさんも是非つくってみてください。
■課題
ディープラーニングでは非常に多くの画像を機械に学習させる必要があるのですが、
現状では学習のための画像がまだまだ足りていないので、あまりいい精度はでていません。
あとはディープラーニングで精度を高めるには、ハイスペックなGPUマシンが必要になるのですが、
そんなもの持っていないので精度をこれ以上あげるのは難しかったです。
そんなかんじで、まだまだ改良の余地はたくさんあるので、楽しみにしていてください。
■参考にしたサイト
http://anond.hatelabo.jp/20101203150748
京大で画像処理を学んだ僕が本気でエロWEBサービス作ったった
http://anond.hatelabo.jp/20130122180847
画像の収集はサーバー容量の問題もあり、していないので画像検索を気軽に試してみてください。
Babelink
ブコメだと書ききれないけど，日記／ブログ始めるほどでもないのでこちらへ。
原案審査過程に関しては http://bunbuntokuhoh.hateblo.jp/entry/2015/08/28/234056 に詳細な説明があるので，特に聞きたいことはない。
とりあえずこんなところか（長くなりすぎて途中から手抜きになった感は否めない）。
