質問編集履歴
16
修正
test
CHANGED
File without changes
|
test
CHANGED
@@ -68,7 +68,7 @@
|
|
68
68
|
|
69
69
|
【4】
|
70
70
|
|
71
|
-
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈
|
71
|
+
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈ができず、数値計算上に成り立つための仕組みに過ぎず、
|
72
72
|
|
73
73
|
関数値が同じと言っても、対応する自変数同士の間のいかなる数値関係や数値の特性及び共通性を議論するのは無意味。
|
74
74
|
|
15
表現訂正
test
CHANGED
File without changes
|
test
CHANGED
@@ -46,7 +46,7 @@
|
|
46
46
|
|
47
47
|
人工画像特徴抽出のようなvisual semantic 性を持たない。
|
48
48
|
|
49
|
-
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素
|
49
|
+
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素に見えるのは単に元々は有意画像のため、それに対する加重平均処理(filter,所謂**「convolution」**) の結果も元の画像内容を反映しているに過ぎない }
|
50
50
|
|
51
51
|
|
52
52
|
|
@@ -58,7 +58,7 @@
|
|
58
58
|
|
59
59
|
【3】
|
60
60
|
|
61
|
-
D-CNNに抽出された「画像特徴data」は、「**画像の固有特徴**」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に**射影**するための
|
61
|
+
D-CNNに抽出された「画像特徴data」は、「**画像の固有特徴**」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に**射影**するための**数値合わせ的な**結果に過ぎない==外部条件によって任意に変動する。
|
62
62
|
|
63
63
|
|
64
64
|
|
14
変更
test
CHANGED
File without changes
|
test
CHANGED
@@ -70,7 +70,7 @@
|
|
70
70
|
|
71
71
|
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈より、数値計算上成り立つための仕組みに過ぎず、
|
72
72
|
|
73
|
-
関数値が同じ
|
73
|
+
関数値が同じと言っても、対応する自変数同士の間のいかなる数値関係や数値の特性及び共通性を議論するのは無意味。
|
74
74
|
|
75
75
|
即ち、人工特徴抽出の場合のように、**画像特徴間の差や距離を測る事はD-CNNには通用しない**。
|
76
76
|
|
13
言葉変更
test
CHANGED
File without changes
|
test
CHANGED
@@ -70,7 +70,7 @@
|
|
70
70
|
|
71
71
|
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈より、数値計算上成り立つための仕組みに過ぎず、
|
72
72
|
|
73
|
-
関数値が同じ
|
73
|
+
関数値が同じでも、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論するのは無意味。
|
74
74
|
|
75
75
|
即ち、人工特徴抽出の場合のように、**画像特徴間の差や距離を測る事はD-CNNには通用しない**。
|
76
76
|
|
12
訂正
test
CHANGED
File without changes
|
test
CHANGED
@@ -46,7 +46,7 @@
|
|
46
46
|
|
47
47
|
人工画像特徴抽出のようなvisual semantic 性を持たない。
|
48
48
|
|
49
|
-
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素を見えるのは単に元々は有意画像だから、それに対する加重平均
|
49
|
+
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素を見えるのは単に元々は有意画像だから、それに対する加重平均処理(filter,所謂**「convolution」**) の結果も当然元の画像を反映しているに過ぎない }
|
50
50
|
|
51
51
|
|
52
52
|
|
11
訂正
test
CHANGED
File without changes
|
test
CHANGED
@@ -70,9 +70,9 @@
|
|
70
70
|
|
71
71
|
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈より、数値計算上成り立つための仕組みに過ぎず、
|
72
72
|
|
73
|
-
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する無意味。
|
73
|
+
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論するのは無意味。
|
74
74
|
|
75
|
-
|
75
|
+
即ち、人工特徴抽出の場合のように、**画像特徴間の差や距離を測る事はD-CNNには通用しない**。
|
76
76
|
|
77
77
|
|
78
78
|
|
10
訂正
test
CHANGED
File without changes
|
test
CHANGED
@@ -26,7 +26,7 @@
|
|
26
26
|
|
27
27
|
【3】
|
28
28
|
|
29
|
-
同一objectであっても、D-CNNにより抽出された「画像特徴data」は
|
29
|
+
同一objectであっても、D-CNNにより抽出された「画像特徴data」はそのobjectが属するclassのlabel値に左右される (突飛!)
|
30
30
|
|
31
31
|
|
32
32
|
|
9
追加
test
CHANGED
File without changes
|
test
CHANGED
@@ -10,7 +10,7 @@
|
|
10
10
|
|
11
11
|
D-CNNでは
|
12
12
|
|
13
|
-
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、任意の実数labelを指定可能
|
13
|
+
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、任意の実数label(scalar or vector)を指定可能
|
14
14
|
|
15
15
|
{**数学根拠**:NNでは任意の関数を生成可能}
|
16
16
|
|
8
追加
test
CHANGED
File without changes
|
test
CHANGED
@@ -1,6 +1,6 @@
|
|
1
1
|
### **背景**
|
2
2
|
|
3
|
-
最近この掲示板で皆さんにお伺いながら、D-CNNの原理を初歩的に勉強した結果として、
|
3
|
+
最近この掲示板で皆さんにお伺いしながら、D-CNNの原理を初歩的に勉強した結果として、
|
4
4
|
|
5
5
|
次のような感覚を持ちました。
|
6
6
|
|
@@ -20,13 +20,13 @@
|
|
20
20
|
|
21
21
|
D-CNNでは
|
22
22
|
|
23
|
-
同一objectであっても、D-CNNにより抽出された「画像特徴data」はそのobjectが
|
23
|
+
同一objectであっても、D-CNNにより抽出された「画像特徴data」はそのobjectが属するclassの他のメンバーの画像内容に左右され、一定ではない!
|
24
24
|
|
25
25
|
|
26
26
|
|
27
27
|
【3】
|
28
28
|
|
29
|
-
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassの
|
29
|
+
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassのlabel値に左右される (突飛!)
|
30
30
|
|
31
31
|
|
32
32
|
|
@@ -70,9 +70,9 @@
|
|
70
70
|
|
71
71
|
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈より、数値計算上成り立つための仕組みに過ぎず、
|
72
72
|
|
73
|
-
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する
|
73
|
+
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する無意味。
|
74
74
|
|
75
|
-
|
75
|
+
なので、人工特徴抽出の場合のように、**画像特徴間の差や距離を測る事はD-CNNには通用しない**。
|
76
76
|
|
77
77
|
|
78
78
|
|
7
訂正
test
CHANGED
File without changes
|
test
CHANGED
@@ -70,9 +70,9 @@
|
|
70
70
|
|
71
71
|
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈より、数値計算上成り立つための仕組みに過ぎず、
|
72
72
|
|
73
|
-
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する無意味。
|
73
|
+
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論するのは無意味。
|
74
74
|
|
75
|
-
|
75
|
+
即ち、人工特徴抽出の場合のように、**画像特徴間の差や距離を測る事はD-CNNには通用しない**。
|
76
76
|
|
77
77
|
|
78
78
|
|
6
追記
test
CHANGED
File without changes
|
test
CHANGED
@@ -10,9 +10,7 @@
|
|
10
10
|
|
11
11
|
D-CNNでは
|
12
12
|
|
13
|
-
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、
|
13
|
+
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、任意の実数labelを指定可能
|
14
|
-
|
15
|
-
任意の実数labelを指定可能
|
16
14
|
|
17
15
|
{**数学根拠**:NNでは任意の関数を生成可能}
|
18
16
|
|
@@ -60,7 +58,11 @@
|
|
60
58
|
|
61
59
|
【3】
|
62
60
|
|
63
|
-
D-CNNに抽出された「画像特徴data」は、「画像の固有特徴」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に**射影**するための都合主義的な生成物に過ぎない==外部条件によって任意に変動する。
|
61
|
+
D-CNNに抽出された「画像特徴data」は、「**画像の固有特徴**」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に**射影**するための都合主義的な生成物に過ぎない==外部条件によって任意に変動する。
|
62
|
+
|
63
|
+
|
64
|
+
|
65
|
+
**画像の固有特徴 :** 各種moments, 輝度HIST、HOG、SIFT、topology不変量、、、
|
64
66
|
|
65
67
|
|
66
68
|
|
5
追加
test
CHANGED
File without changes
|
test
CHANGED
@@ -10,7 +10,9 @@
|
|
10
10
|
|
11
11
|
D-CNNでは
|
12
12
|
|
13
|
-
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、
|
13
|
+
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、
|
14
|
+
|
15
|
+
任意の実数labelを指定可能
|
14
16
|
|
15
17
|
{**数学根拠**:NNでは任意の関数を生成可能}
|
16
18
|
|
@@ -26,9 +28,15 @@
|
|
26
28
|
|
27
29
|
【3】
|
28
30
|
|
29
|
-
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassのラベル値に左右される! (突飛でしょ!)
|
31
|
+
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassのラベル値に左右される! (突飛でしょ!)
|
30
32
|
|
31
33
|
|
34
|
+
|
35
|
+
【4】
|
36
|
+
|
37
|
+
D-CNNは本質的にvector量子化方法の一つ。
|
38
|
+
|
39
|
+
|
32
40
|
|
33
41
|
### **結論**
|
34
42
|
|
@@ -62,7 +70,7 @@
|
|
62
70
|
|
63
71
|
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する無意味。
|
64
72
|
|
65
|
-
なので、人工特徴抽出
|
73
|
+
なので、人工特徴抽出の場合のように、**画像特徴間の差や距離を測る事はD-CNNには通用しない**。
|
66
74
|
|
67
75
|
|
68
76
|
|
4
訂正
test
CHANGED
File without changes
|
test
CHANGED
@@ -10,9 +10,7 @@
|
|
10
10
|
|
11
11
|
D-CNNでは
|
12
12
|
|
13
|
-
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、
|
13
|
+
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、さらに任意の実数labelを指定可能
|
14
|
-
|
15
|
-
任意の実数labelを指定可能
|
16
14
|
|
17
15
|
{**数学根拠**:NNでは任意の関数を生成可能}
|
18
16
|
|
@@ -28,7 +26,7 @@
|
|
28
26
|
|
29
27
|
【3】
|
30
28
|
|
31
|
-
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassのラベル値に左右される!
|
29
|
+
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassのラベル値に左右される! (突飛でしょ!)
|
32
30
|
|
33
31
|
|
34
32
|
|
@@ -54,7 +52,7 @@
|
|
54
52
|
|
55
53
|
【3】
|
56
54
|
|
57
|
-
D-CNNに抽出された「画像特徴data」は、「画像の固有特徴」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に*射影*するための都合主義的な生成物に過ぎない==外部条件によって任意に変動する。
|
55
|
+
D-CNNに抽出された「画像特徴data」は、「画像の固有特徴」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に**射影**するための都合主義的な生成物に過ぎない==外部条件によって任意に変動する。
|
58
56
|
|
59
57
|
|
60
58
|
|
@@ -64,7 +62,7 @@
|
|
64
62
|
|
65
63
|
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する無意味。
|
66
64
|
|
67
|
-
|
65
|
+
なので、人工特徴抽出する場合のように、画像間の特徴の差や距離を測るような行為は通用しない。
|
68
66
|
|
69
67
|
|
70
68
|
|
3
dsdfgsdfg
test
CHANGED
File without changes
|
test
CHANGED
@@ -2,7 +2,7 @@
|
|
2
2
|
|
3
3
|
最近この掲示板で皆さんにお伺いながら、D-CNNの原理を初歩的に勉強した結果として、
|
4
4
|
|
5
|
-
ような感覚を持ちました。
|
5
|
+
次のような感覚を持ちました。
|
6
6
|
|
7
7
|
|
8
8
|
|
@@ -10,7 +10,11 @@
|
|
10
10
|
|
11
11
|
D-CNNでは
|
12
12
|
|
13
|
-
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能
|
13
|
+
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、
|
14
|
+
|
15
|
+
任意の実数labelを指定可能
|
16
|
+
|
17
|
+
{**数学根拠**:NNでは任意の関数を生成可能}
|
14
18
|
|
15
19
|
|
16
20
|
|
@@ -38,7 +42,7 @@
|
|
38
42
|
|
39
43
|
人工画像特徴抽出のようなvisual semantic 性を持たない。
|
40
44
|
|
41
|
-
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素を見えるのは単に元々は有意画像だから、それに対する加重平均的な処理(filter,所謂「convolution」) の結果も当然元の画像を反映している }
|
45
|
+
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素を見えるのは単に元々は有意画像だから、それに対する加重平均的な処理(filter,所謂**「convolution」**) の結果も当然元の画像を反映しているに過ぎない }
|
42
46
|
|
43
47
|
|
44
48
|
|
2
言葉訂正
test
CHANGED
File without changes
|
test
CHANGED
@@ -2,7 +2,7 @@
|
|
2
2
|
|
3
3
|
最近この掲示板で皆さんにお伺いながら、D-CNNの原理を初歩的に勉強した結果として、
|
4
4
|
|
5
|
-
|
5
|
+
ような感覚を持ちました。
|
6
6
|
|
7
7
|
|
8
8
|
|
@@ -10,9 +10,7 @@
|
|
10
10
|
|
11
11
|
D-CNNでは
|
12
12
|
|
13
|
-
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能
|
13
|
+
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能
|
14
|
-
|
15
|
-
{**数学根拠:** NNで任意の関数を生成可能}
|
16
14
|
|
17
15
|
|
18
16
|
|
@@ -26,7 +24,7 @@
|
|
26
24
|
|
27
25
|
【3】
|
28
26
|
|
29
|
-
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassの
|
27
|
+
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassのラベル値に左右される! (突飛でしょ!)
|
30
28
|
|
31
29
|
|
32
30
|
|
@@ -40,7 +38,7 @@
|
|
40
38
|
|
41
39
|
人工画像特徴抽出のようなvisual semantic 性を持たない。
|
42
40
|
|
43
|
-
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual要素を見えるのは単に元々は有意画像だから、それに対する
|
41
|
+
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual的な要素を見えるのは単に元々は有意画像だから、それに対する加重平均的な処理(filter,所謂「convolution」) の結果も当然元の画像を反映している }
|
44
42
|
|
45
43
|
|
46
44
|
|
@@ -52,7 +50,7 @@
|
|
52
50
|
|
53
51
|
【3】
|
54
52
|
|
55
|
-
D-CNNに抽出された「画像特徴data」は、「画像の固有特徴」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に*
|
53
|
+
D-CNNに抽出された「画像特徴data」は、「画像の固有特徴」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に*射影*するための都合主義的な生成物に過ぎない==外部条件によって任意に変動する。
|
56
54
|
|
57
55
|
|
58
56
|
|
@@ -60,9 +58,9 @@
|
|
60
58
|
|
61
59
|
D-CNNでやっている事は本質的に、複数のdata値(説明変数・自変数)を同一関数値に変換する射影関数と同じ。。。物性的な解釈より、数値計算上成り立つための仕組みに過ぎず、
|
62
60
|
|
63
|
-
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する意味
|
61
|
+
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する無意味。
|
64
62
|
|
65
|
-
|
63
|
+
|
66
64
|
|
67
65
|
|
68
66
|
|
1
追加
test
CHANGED
File without changes
|
test
CHANGED
@@ -2,7 +2,7 @@
|
|
2
2
|
|
3
3
|
最近この掲示板で皆さんにお伺いながら、D-CNNの原理を初歩的に勉強した結果として、
|
4
4
|
|
5
|
-
ような感覚を持ちました。
|
5
|
+
次のような感覚を持ちました。
|
6
6
|
|
7
7
|
|
8
8
|
|
@@ -10,7 +10,9 @@
|
|
10
10
|
|
11
11
|
D-CNNでは
|
12
12
|
|
13
|
-
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能
|
13
|
+
米、車、海藻、虎 、、、のような外観特徴が人間からすれば完全に異なるobject同士を任意に組み合わせて一つの画像カテゴリー(class)に指定してトレーニングする可能だし、任意の実数をlabelとするのも可能
|
14
|
+
|
15
|
+
{**数学根拠:** NNで任意の関数を生成可能}
|
14
16
|
|
15
17
|
|
16
18
|
|
@@ -24,7 +26,7 @@
|
|
24
26
|
|
25
27
|
【3】
|
26
28
|
|
27
|
-
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassの
|
29
|
+
同一objectであっても、D-CNNにより抽出された「画像特徴data」は所属するclassのlabel値に左右される! (突飛でしょ!)
|
28
30
|
|
29
31
|
|
30
32
|
|
@@ -38,7 +40,7 @@
|
|
38
40
|
|
39
41
|
人工画像特徴抽出のようなvisual semantic 性を持たない。
|
40
42
|
|
41
|
-
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual
|
43
|
+
{D-CNNに抽出された「画像特徴data」を可視化してedgeや平滑された部品をvisual要素を見えるのは単に元々は有意画像だから、それに対する**加重平均**処理(filter,所謂「**convolution**」) の結果も当然元の画像を反映しているに過ぎない }
|
42
44
|
|
43
45
|
|
44
46
|
|
@@ -50,7 +52,7 @@
|
|
50
52
|
|
51
53
|
【3】
|
52
54
|
|
53
|
-
D-CNNに抽出された「画像特徴data」は、「画像の固有特徴」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に*射影*するための都合主義的な生成物に過ぎない==外部条件によって任意に変動する。
|
55
|
+
D-CNNに抽出された「画像特徴data」は、「画像の固有特徴」というより、単に指定した実数画像値vector(ie.,画像)を随意に指定した実数値(class label)に**射影**するための都合主義的な生成物に過ぎない==外部条件によって任意に変動する。 **(本質: vector量子化)**
|
54
56
|
|
55
57
|
|
56
58
|
|
@@ -60,7 +62,7 @@
|
|
60
62
|
|
61
63
|
関数値が同じと言って、自変数同士自身の間のいかなる数値関係や数値の特性及び共通性を議論する意味はない。
|
62
64
|
|
63
|
-
|
65
|
+
なので、**人工特徴**を利用して画像同士の差(距離)を計算するような行為は**NNの世界では意味がない**。
|
64
66
|
|
65
67
|
|
66
68
|
|