「g data」を含む日記 RSS

はてなキーワード: g dataとは

2019-05-06

論文読んだ

Automatic classification of trees using a UAV onboard camera and deep learning

https://arxiv.org/abs/1804.10390

やったこ

Ecologyの研究には、情報科学世界研究されている画像解析の技術を使えば解決可能ものがある。著者らは、この一つである植物分布の計測を試みている。具体的な解決方法は、UAVデータから撮影した画像データを元に、木々の種類を識別する分類器を作成である。手順として、最初に、UAVから画像と高度データを著者自らが撮影を行った。次にそのデータから学習用の教師データをいくつかの手順を踏んで作成する。この手順は、さらなる研究を行う際にも適用可能である。結果、識別器は良い識別性能をだしている(Model1で83.1%)。前処理として、画像を切り分けて分類器にかけなければならないという点は未解決である

しつもん

Introduction
Methods
  • UAV photography (orthomosaic photo)この2つは別の物のはずなので、同じように書くべきではないのでは?
  • 2.3.3. Each Tree Image Extraction with Ground Truth Label
  • 2.4. Deep Learning
    • 抜き出した木以外の領域は何で塗りつぶしたのか?単色?
    • 塗りつぶした色によって学習結果が変わるはず。
    • なぜ、これだけ良いデータ収集して識別タスクを行ったのか?segmentation のタスクを行うべきだ(SegNetなどの利用をしない理由は?)
    • GoogleLeNetのrandom seed がNoneになっているのは、どういう意味
  • Results
    • 1段落目は、具体的なデータを語らずに良い結果が得られたと言ってますが、なんのデータ
    • さらに、Resultsで突然データを増やしたと書かれているけど、どうやって増やしたのか?なぜ記述がないのか?
    • Ise 2018への引用はついていないが、Referenceには記述してあるのは、なぜですか?
    • model2がどのように作成されたのかがわかりません。
    • 木以外の領域を塗りつぶして、画像データ作成するため、切り分けの仕方(木の伸び形状)によって学習が進んでいる可能性がある。
      • 木の領域を単色で塗りつぶして識別器にかけると、正しく認識されてしまうのでは?
      • 木の領域の長軸と短軸の特徴で分類かのうなのでは?

2019-05-05

論文読んだ

Identifying 3 moss species by deep learning, using the “chopped picture” method

https://arxiv.org/abs/1708.01986

何をしているのか。

著者らは、コケ植物画像判定を行うため、撮影した画像データから学習データ作成し、識別機を作っています

データは著者らが作成しており、少数の画像から判定機を作成するために、"chopped picture" methodを提案しています

この方法では、撮影画像から画像を切り分け、少部分にします。

画像枚数を多くするために、少部分間には50%のoverlapが存在します。言い換えるなら、ある画像は、他2枚の画像を元に再構築可能です。

CNN学習では、切り出した画像から、validation dataとtraining dataに分けて学習を行っています

以上の方法で、validation dataによってこの識別機の精度の計測をし、高い精度で識別できていることを主張している。

質問

提案手法は、training dataとvalidation dataに関係があるので、validation dataでの精度は高くなると思われます

言い換えると、全データ識別機がオーバーfittingしているので、validation dataでの精度が高くなっているのでは?

つぎに、この論文提案手法でのvalidation dataを識別機に食わしたさいの分類精度は、その識別機の分類精度とは言えません。

validation data・training dataに含まれていないdataセットを作成し、その新たなdataセットでの学習機の精度を検証するべきだと思います

論文読み

Automatic vegetation identification in Google Earth images using a convolutional neural network: A case study for Japanese bamboo

https://www.biorxiv.org/content/10.1101/351643v2

正確に読解できていなかったら申し訳ない

この論文でやったこと・感想

管理されなくなった竹が他の植物の生えた地域侵略していくことが問題となっている。

この問題対処するには、竹の移動を経時的に追うこと、または、侵略しているか判別することが求められる。

論文は、この問題解決するために、Deep learningを用いて衛星画像データを竹とそれ意外に識別を試みる。

画像Google Earthから取得し、著者らが3種類のTag付けを行った。このデータを元に学習を行った。 

結果、非常に精度の高い識別機が構成できたと主張している。

ただし、衛生画像撮影した時期によって、精度が著しく損なわれるので、現時点では経時変化を追跡する課題解決されていない。

質問

Introduction

竹林が徐々に他の植生の場所侵略している。この問題解決するために、まずどこに竹が生えているのかを識別するのがこの論文目的

この課題解決するためにGoogleEarthの画像は適切なのか?言い換えれば、課題に対するシステム必要要件記述されていない。


Methods
実験評価

この論文提示している問題は、植物侵略を判定する識別器をつくることである。故に、竹やぶと建物の境目になる部分が正しく識別されていることがこのシステム必要要件である(多くの範囲が正確に識別されることは目標ではない)。

  • 上の基準で判定率を計算するべきだろう。
  • Figure 7をみると、画像中央広場南側植物との境目(黒い部分)は正確に判定されているのだろうか。
  • 上述と同じ箇所で、黒い部分は竹でないならなんなのだろうか?GoogleEarthで見れば、何が写っているのかがわかるのか?
  • Figure 7の正解データが見たい。
Results

よみました

discussion
Transferability among the models
  • 撮影日の天候などによって影響がでることを述べているが、そのような結果は論文掲載されていない。
    • 実際の画像がみたい。
  • 撮影時の状況により、精度が著しく減少することを認めるなら、植物侵略を計測するという今回の研究目的は、達成されていない。
    • このことを明記するべきではないか

2018-05-05

Gathering data of Vrdi murder.

What had happened in this small village in 1993.

2010-03-20

av-comparatives最新テスト結果(2010年2月)

http://www.av-comparatives.org/images/stories/test/ondret/avc_report25.pdf

検出率誤検出数スキャン速度ソフト無料版有無
99.6%5G DATA AntiVirus 
99.3%11AntiVir Premium
99.2%47Panda AntiVirus Pro 
99.1%9TrustPort AV 
98.9%61McAfee AntiVirus+ 
98.7%8PC TOOLS SpywareDoctor+AV 
98.6%11Norton Anti-Virus 
97.7%2F-Secure Anti-Virus 
97.7%3NOD32 Antivirus 
97.5%1eScan Anti-Virus 
97.5%3BitDefender AV
97.3%11avast! Free Antivirus
97.1%5Kaspersky AV 
96.4%193K7 TotakSecurity
96.3%3Microsoft Security Essentials
94.2%10AVG Anti-Virus
93.7%4Sophos Anti-Virus
92.7%64Norman AV+AS 
90.7%38Trend Micro AV+AS 
81.8%67Kingsoft AntiVirus 
 
アーカイブ ヘルプ
ログイン ユーザー登録
ようこそ ゲスト さん