Skip to content
View cab0a's full-sized avatar
  • Japan

Block or report cab0a

Block user

Prevent this user from interacting with your repositories and sending you notifications. Learn more about blocking users.

You must be logged in to block users.

Maximum 250 characters. Please don’t include any personal information such as legal names or email addresses. Markdown is supported. This note will only be visible to you.
Report abuse

Contact GitHub support about this user’s behavior. Learn more about reporting abuse.

Report abuse
cab0a/README.md

Python R&Dエンジニア

機械学習評価、コンピュータビジョン、点群・3Dデータ処理、STEP/B-rep解析を中心に、再現可能な実験基盤と監査可能なPythonツールを実装しています。

  • 主な領域: 機械学習評価、画像処理、点群・3Dデータ処理、STEP/B-rep解析、データ品質確認
  • 開発経験: 技術調査、要件定義、設計、実装、レビュー、テスト、評価、導入、保守
  • 公開成果物: CLI、公開API、pytest、GitHub Actions、CSV・JSON、評価図、監査レポート

代表プロジェクト

プロジェクト 解決する問題と技術的な証拠
Few-Shot Anomaly PoC 少数例の異常検知を採否判定まで検証。v0.1では正常画像20枚以内・CPU実行・異常ラベルを学習に使わない条件で2手法を比較し、事前固定基準により両手法を却下しました。v0.2ではDINOv2を加えた3方式について、label非開示のfinal-test 200枚でscore・classification・各600件のCPU latencyを固定し、各方式の先頭10件を最大絶対差0.0で再現しました。その後exact opaque IDでlabelを1回だけ結合し、ECC、Patch HOG、DINOv2のAUROCを0.6640、0.7147、0.7943、anomaly recallを0.13、0.16、0.34と記録しました。全方式が事前登録済みrecall 0.90未満で、最終判断は次のhard-gate工程で固定します。
Point Cloud Playground 点群処理を既知の真値で評価。NumPy・SciPyによる7種類の実験で重なり率と外れ値率を制御し、変換誤差、対応点精度、幾何学的被覆をCSVと比較図へ出力します。
Research Notes STEP仕様理解をPython解析器と形状計算へ接続。33件の研究で文献調査、統制実験、結果、考察、制約を記録しています。v0.33.0では、解析式から生成した平面、部分円筒面、全周円筒面について、11本の固有辺と12回の境界使用を区別し、線・円の三次元曲線、実長、媒介変数範囲、面上の二次元曲線、境界での向き、円筒の継ぎ目を評価しました。全周円筒では1本の継ぎ目辺が面上でu=0とu=2πの2本として現れ、STEP再読込後の三次元曲線と面上曲線の最大距離は17点標本で1.24e-12でした。これは固定した合成形状の回帰結果であり、一般的なトリム面、退化辺、Bスプライン曲線、一般的なSTEP適合、第三者バイナリの再配布許可は主張しません。公開版は研究・教育・個人的実験向けのPolyForm Noncommercial License 1.0.0とし、商用利用は書面による別契約とします。
異常検知の固定基準評価 点群の同時感度分析
異常検知二手法の固定基準に対する評価結果 重なり率と外れ値率の同時感度

その他の公開プロジェクト

  • データ整形 — Data Cleaning Toolkit: Python標準ライブラリ、型付きPython API、JSONスキーマ、文書化した終了コードを備え、行単位の変更理由を監査JSONへ記録し、同じ入力から同じ内容のCSV・JSONを生成します。
  • モデル評価 — ML Evaluation Workbench: 共通のデータ分割で3種類の分類器を比較し、6種類の実験と25件の代表比較から分割ごとの評価指標、行単位の予測、誤分類、評価図を生成します。
  • 入力監査 — Image Dataset Inspector: JPEG・PNGを再帰的に検査し、読み込みエラー、画像サイズ、明るさ、コントラスト、ラプラシアン分散をCSVへ記録します。
  • 手法比較 — Vision Playground: 二値化、ノイズ除去、輪郭検出、古典的な画像分割を、正解データ付きの合成画像と公開画像で165件の手法・条件評価にかけます。

非公開プロジェクト

機密性のある運用データや継続中の検証条件を含むため、以下の個人開発は非公開にしています。

  • 時系列データ評価・運用基盤: 原データ・整形済みデータ・特徴量の分離、DuckDB、品質ゲート、入れ子型の時系列交差検証、確率校正、データリーク防止、CLI、定期実行、稼働監視を実装しています。
  • 仮説検証・意思決定研究ラボ: 仮説、データ、成功・停止条件、実験、採否判断を接続し、情報源、固定スナップショット、データ仕様、検証条件、CSV・GeoJSON・レポート・運用手順書を管理しています。
  • 業務台帳・ワークフロー自動化: Excel VBAで外部データ取込、既存入力を保持する台帳更新、業務ルールに基づく一覧作成、帳票出力、状態管理、処理ログ、管理者・利用者向け文書を実装しています。

共通する設計

  • 再現性: コミット済みの入力と設定から、CLIで数値成果物と図を再生成
  • 定量評価: 既知の真値、共通のデータ分割、制御したテストデータを使って条件間を比較
  • 監査可能性: 行・分割・条件単位の結果と、入力・設定・判断根拠を保存
  • 制約の明示: 統制実験の結果と外部への一般化可能性を区別
  • 継続的な検証: pytestとGitHub Actionsで対応Pythonバージョンと主要インターフェースを確認

Pinned Loading

  1. pointcloud-playground pointcloud-playground Public

    Reproducible point-cloud experiments with controlled data and quantitative evaluation.

    Python

  2. data-cleaning-toolkit data-cleaning-toolkit Public

    Deterministic Python CLI for CSV inspection, conservative schema suggestion, rule-driven cleaning, and auditable data preparation.

    Python

  3. ml-evaluation-workbench ml-evaluation-workbench Public

    Reproducible machine-learning baselines, evaluation artifacts, and error analysis on public datasets.

    Python 1

  4. vision-playground vision-playground Public

    Reproducible computer vision experiments with synthetic data and quantitative evaluation.

    Python

  5. image-dataset-inspector image-dataset-inspector Public

    A Python CLI for inspecting JPEG and PNG datasets with OpenCV and exporting image metrics to CSV.

    Python

  6. research-notes research-notes Public

    Reproducible studies in image processing, JPEG interoperability, and STEP/B-Rep analysis.

    Python