検索 - みる会図書館

検索対象: Surreptitious software obfuscation watermarking and tamperproofing for software protection

Surreptitious software obfuscation watermarking and tamperproofing for software protectionから 10000件見つかりました。
1. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

TensorFlow はじめました 3 Object Detec- tion ー物体検出 2018 年 1 月 26 日初版発行 ver. 1.0 (PDF 版 ) 201 & 年 1 月 27 日 Ver. 1.1 著者有山圭二 編集人山城敬 発行人井芹昌信 発行株式会社インプレス R & D 〒 101-0051 http://nextpublishing・jp/ 東京都千代田区神田神保町一丁目 105 番地 ISBN978-4-8443-9808-0 02018 Keiji Ariyama. AII rights reserved. ます。 & D から文書による許諾を得ずに、いかなる方法においても無断で複写、複製することは禁じられてい ・本書は著作権法上の保護を受けています。本書の一部あるいは全部について株式会社インプレス R 日 X t トー u b 5 h ー n q 、日に戸 ub h ーロ 9 ・ ◎本書は NextPub ⅱ shing メソッドによって発行されています。 NextPubIishing メソッドは株式会社インプレス R & D が開発した、電子書籍と印書籍を同時発行できる デジタルファースト型の新出版方式です。 http://nextpublishing.jp/

2. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

付録 参考資料 ・ SSD: SingIe Shot MuItiBox Detector https: 〃 arxiv.org/abs/1512.02325 ・ SSD: SingIe Shot MuItiBox Detector ( 日本語訳 ) - Qiita http s://qiita.com/de0ta/item s/ 1 ae60878C0e 177fC7a3 a ・ TensorFlow で物体領域予測 (Region Pr 叩 osal) を試してみる http://workpiles.com/2017/03/tensorflow-ssd-regionpr 叩 osa レ ・ Fast R-CNN https://arxiv.org/abs/1504.08083 ・ Faster R-CNN: Towards Real-TIme Object Detection with Region Proposal Networks http s: 〃 arxiv.org/ab s/ 1506.01497 ・ You OnIy Look Once: Unified, Real Time Object Detection https: 〃 arxiv.org/abs/1506.02640 ・ Jaccard lndex http s://en. wikip e dia.org/wiki/J accard—index ・すぎゃーんメモ http ・//memo.sugyan.com/ ・深層学習 ( 人工知能学会監修 ) 近代科学社刊 ・ TensorFlow Site :http s. //www.te nsorflow.org/ GitHub :http s: 〃github.com/te nso rflow/te nsorflow 72 付録参考資料

3. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

50 祚ー OW New Thinking 血 New Ways インプレス R & D [ NextPublishing] ・・一 - ・ E-Book / Print Book はじめました ~ = = 。・ グ Detection ー物体検出 有山圭ニ ング G 〇〇 g の機械学習を使って 画像の中の物体を認識する ! をー impress R&D

4. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

じをは グリッドベースの物体検出 第 2 章 2.1 物体検出とは それらについて分類 (Classification) を実行するのが一般的でした。 以前は、画像から物体らしいものが写っている候補領域 (Region ProposaI) を見つけて、 図 2.1 : 人物、カンバス ( ィーゼル ) 、絵の具など、さまざまな物体が含まれている 物体検出 (Object Detection) は、画像の中に含まれる「物体」を検出するタスクです。 22 第 2 章グリッドベースの物体検出

5. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

New Thinking 血 New Ways E-Book / Print Book インプレス R & D [ NextPubIishing ] - ー - ・・・ はじめました一 龕 50 w ; ーー物体検出 Detection ー object ンク 有山圭ニ ロ 0 の 0 : rmpreSS R&D An ー mp ′・を・ Group Company G 〇〇 g にの機械学習を使って 画像の中の物体を認識する !

6. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

あとがき (NextPublishing 版 ) 技術系同人誌オンリー即売会『技術書典』に合わせて執筆を続けてきた本シリーズですが、 今回で 3 冊目となりました。 機械学習への挑戦をはじめた当初は、チュートリアル・プログラムの変数名 y ーの意味がわか らず煩悶したり、 ニバッチをなかなか導入せずに GPU を効率的に使えていなかったり、活性 化関数の選択を間違えて超解像後処理の結果をノイズだらけにしたりしていました。本書でよ うやく、 SSD のような新しめの手法に挑戦できるところまできたのは感無量の思いです。 僕にとって機械学習は、実務にあまり関係のないものなので、挑戦を続けていくには相当 なモチベーションが必要です。 TensorFlow User Gorup (TFUG) や Google Developer Group (GDG) などの技術系コミュニティでの発表や、「技術書典」向けの同人誌の執筆は、挑戦を続 けるモチベーションの源泉になっています。 また読者の皆さんからの感想やレビュー ご意見、いつもありがたく拝見しています。 取り入れられる部分は、どんどん取り入れていきたいと思っています。今後ともよろしくお 願いします。 謝辞 技術書典版に引き続き、サーバーを提供してくださった「さくらインターネット株式会社」 様にあらためてお礼申し上げます。 さくらの高火力コンピューティング (https://www.sakura.ad.jp/koukaryoku/) 本書の内容に即したものを見つけ出すまで、さまざまなモデルを、異なるハイバーパラメー ターで実行する必要がありました。高火力コンピューティングのサーバーをお借りしていなけ また、お忙しい中、快くレビューを引き受けてくださった杉義宏様と株式会社カプクの れば、本書が完成しなかったことは間違いありません。 足立昌彦様に、この場を借りてお礼を申し上げます。本当にありがとうございました。 あとがき (NextPublishing 版 ) 75

7. WEB+DB PRESS Vol.83

3 物体認識の種類とアルゴリスム 一般物体認識の例 マ図 1 に含まれる物体、もしくはシーンの一般的な名称を 答えるタスクです。たとえば、図 1 中のそれぞれの 物体に対して「人」「車」「道」「空」と指差しながら答え るのは一般物体認識です。 注 3 それに対して特定物体認識は、「ナナちゃん人形」 や「右折禁止の道路標識」のようにまったく同じ形状 の物体の名称を答えるタスクです。 一般物体認識は、物体の名称が指し示す範囲が広 表紙から発売日やロコミへのアクセスを容易にして く、見た目のバリエーションが極めて多いため、最 います。 も困難なタスクとされています。特定物体認識は、 新聞や書籍のページにかざすと詳しい解説や動画 物体の名称が指し示す範囲を狭めることで扱いやす いタスクにしたものです。ほかにも、別の制約を加 が再生されたり、絵が突然動き出すような AR 効果 えることで扱いやすくした次のようなタスクがあり がある広告もこの種類です。 ます。このように細分化されたタスクが盛んに研究・ 応用されています。 物体照合は、画像に写っている物体が対象と同じ物 ・物体照合 体かを照合するタスクです。身近な例では、 iPhone5s ・物体検出 以降に搭載されている TouchID 、主 7 や、ノート PC の指 ・画像分類 紋認証が有名です。 iPhone 5s ではあらかじめ指紋を登 ・シーン理解 録しておくことで、指を押し付けるだけで本人だけがロ ックを解除できるようになっています。製品が写った写 これらのタスクがどのようなものかわかりやすい 真から不良品を見つけ出す検査装置もこの種類です。 ように具体な応用例を紹介します。 特定物体認識 物体検出 (Object Detection) (Specific Object Recognition) 特定物体認識は、画像に写っている物体の固有名詞 物体検出は、対象の物体が画像のどこに写ってい るかを答えるタスクです。身近な例では、 Facebook を答えるタスクです。身近な例では、 Google Goggles や、 GoogIe のストリートビューで使われている顔検 最近では、Ⅱ azon から発売された FirePhone に搭 載されている Firefly 、主 5 が有名です。どちらも画像に 出が有名です。 Facebook では、投稿画像に写ってい る人物が誰かを入力するのを省力化するために使わ 写っているランドマークや商品を認識することで、 れています。 GoogIe のストリートビューでは、写真 関連情報へのアクセスや購入を容易にしています。 に写った顔をポカすことでプライバシーを保護しま 筆者が所属する来栖川電算が提供している Shot search 、主 6 にも同様の機能があります。 ShotSearch は す。車載カメラに写っている人や車に衝突する前に 減速する安全装置もこの種類です。 注 3 名鉄百貨店メンス館 1 階工ントランス前の人形です。股の 下をくぐれるほど大きいので、名古屋駅付近での待ち合わ 画像分類 (lmage Categorization) せの目印としてよく使われています。流行に敏感で季節こ とに衣替えするナナちゃんですが、たまにとんでもないモ 画像分類は、画像に写っている物体や画像自体の種 ノを着ていたり、顔や体形まで変わったりするので目が離 せません。 注 8 類を答えるタスクです。最近話題の Deep Learning ・ナナちゃんコレクション http:〃www.e-meitetsu.com/mds/ladies/f—nana/ 注 4 https://play.google.com/store/apps/details?id=com. 注 7 http:〃support.appIe.com/kb/HT5883?viewlocaIe=ja_JP google.android. apps. unveil&hl=ja 注 8 脳の神経結合を模倣した多層ニューラルネットワークのた 注 5 https:〃developer.amazon.com/public/solutions/devices/ めの学習アルゴリスムです。層か増えると正しく学習する fire-phone/docs/understanding-firefly ことが困難でしたが、このアルゴリズムの登場で状況が一 変しました。さまざまな分野の記録を塗り替えてしまうほ 注 6 https://play.9〇09厄.com/store/apps/details?id=jp. ど認識精度が良いため、世界中の研究者が注目しています。 kurusugawa. teamR. shotsearch&hl=ja 木 人 気ゝダ 1 00 0 山 物体照合 ( Object Verification) 注 Ⅳ 8 十 DB P 55 Vo 83 ・ 43

8. Surreptitious software obfuscation watermarking and tamperproofing for software protection

Contents 9.43 Tamperproofing the Branches 9.4.4 Discussion う 97 9. う Discussion う 98 10 Software Similarity Analysis 601 IO. 1 Applications 602 10.1.1 Clone Detection 60 ろ 10.1.2 Software Forensics 60 ) 10.13 Plagiarism Detection 608 10.1.4 Birthmark Detection 610 10.2 Definitions 611 10.2.1 SimiIarity Measures 612 103 k-gram-Based Analysis 616 XIII う 96 103.1 、ゞⅣス旧 NN ( ) Ⅳ : Selecting k-gram Hashes 616 103.2 & Ⅳス M ( 州 : Software PIagiarism Detection 619 10. う 3 MC 。 k-gram Java Bytecode Birthmarks 62 う 10.4 API-Based AnaIysis 625 10.4.1 、 ssTNMM. ・ Object-Oriented Birthmarks 626 10.4.2 、躄 TONMM. ・ Dynamic Function Call Birthmarks 629 10.43 、ゞ DL ・ Dynamc k-gram API Birthmarks 30 10. う Tree-Based AnaIysis 6 引 10. う .1 ssEFM: AST-Based CIone Detection 6 引 IO. 6 Graph-Based Analysis 6 め 10.6.1 K 日 : PDG-Based CIone Detection 6 う 6 IO. 6.2 、躄 LC 日 PDG-Based Plagiarism Detection 640 10.6. う、 MC 。が Dynamic " hole Program Birthmarks 1 10.7 Metrics-Based Analysis 644 10.7.1 、躄 KK. ・ Metrics-Based Clone Detection 5 10.7.2 ssLM: Metrics-Based Authorship Analysis 646 10.8 Discussion 652 11 Hardware for Protecting Software 655 11.1 Anti-Piracy by Physical Distribution 6 う 7 11.1.1 Distribution Disk Protection 6 う 8 11.1.2 Dongles and Tokens 6 臼 11.2 Authenticated Boot Using a Trusted Platform M0dule 11.2.1 Trusted Boot 671 11.2.2 Taking Measurements 67 ろ 11.23 The TPM 676 11.2.4 The ChaIIenge 677 670

9. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

目次 本書について・・ 本書の構成 前提知識 開発環境 検証環境・ ソフトウェアのノヾージョン・ サンプルコードの配布・サポート 表記関係について・・ 著作権について・・ 免責事項・ ライセンス・ 第 1 章 TensorFIow の基礎・ 1.1 TensorFlow とは・ 1.2 データフローグラフ・・ 1.3 テンソル (Tensor) 1.4 変数とプレースホルダー 1.5 演算子のオーバーロード・ 1.6 プロードキャスティング・・ 第 2 章グリッドベースの物体検出・ 2.1 物体検出とは・ 22 モデルの定義・ 2.3 データセットの作成 2.4 学習 ( 訓練 ) 2.5 検証・ 第 3 章物体認識奮闘記・・ 3.1 確信度と座標・・ 32 畳み込み層・・ 3.3 モデルの定義・ 3.4 データセットの再作成・ 1 1 1 っ朝 ワワ朝っ 0 8 0 8 ワワ朝ワ朝ワ朝 4 4 ・ 54 ・・ 54 冖 / 1 ワ朝 目次 2

10. TensorFlowはじめました3 Object Detection ─ 物体検出 (NextPublishing)

現在は YOLO (You On ツ Look Once)l や SSD (SingIe Shot MuItiBox Detector) と いった手法が発表されていて、検出と分類を 1 つのネットワークで行うことができます。 本書では、 TensorFlow を使ってイラスト画像から顔を検出する機械学習のモデルを作成し モデルは、次の手順で作成します。 0 4 . 検証 3 . 学習 データセットの作成 モデルの定義 2 . 1 . リングを経て [ 21 , 21 , 256 ] の中間結果を返します。 output_tayers は、 prepare_layers prepare-layers は、縦横 192PX (INPUT-IMAGE で定義 ) の画像を入力すると、畳み込みとプー を構築します。 リスト 2.1 の prepare_layers と output_layers は、本書で使う物体検出のモデル ( 図 2.2 ) 2.2 モデルの定義 で得た中間結果を元に [ 21 , 21 , 5 ] を出力します。 図 2.2 : モテル構造 ReLU ReLU ReLU ReLU 2X2 stnde 2 ReLlJ 3X3X256 conv conv 2X2 3X3X64 3X3X64 stride 2 リスト 2.1 : tfbook_modeI/modelO. py nmport tensorftow as '[email protected]' NAME NUM_CLASSES 1 conv 3X3X128 3X3X128 conv tf INPUT_IMAGE OUTPUT_SHAPES [ 21 , 21 ] , 192 ReLU 3X3X256 第 2 章 Sigmoid conv 21X21X5 conv 1XIX4 Tanh グリッドベースの物体検出 23