Systems Research for Cyber-Physical Systems
|
|
|
- よりとし ののした
- 7 years ago
- Views:
Transcription
1 自動運転システムにおける 高性能計算技術の応用 加藤真平 名古屋大学大学院情報科学研究科 准教授
2
3 Velodyne HDL-64e (3D LIDAR) Velodyne HDL-32e (3D LIDAR) JAVAD RTK-GNSS (GNSS/GPS) HOKUYO UTM-30LX (LIDAR) Point Grey Ladybug 5 (Camera) IBEO LUX 8L (3D LIDAR) Point Grey Grasshopper3 (Camera) Workstation Laptop PC
4 2015 年 6 月 16 日 NHK ほっとイブニングより
5
6 始点 イオン守山付近 終点 竜泉寺交差点付近
7 @ 小幡緑地公園
8
9 ZMP ロボカー アイサンテクノロジー高精度地図
10
11 3 次元レーザースキャン Velodyne 社製 3 次元 LIDAR スキャナ ( 左から 64 層 32 層 16 層 )
12
13 3 次元レーザースキャンと高精度 3 次元地図データを重ね合わせて自車位置を推定 (SLAM 技術 ) 3 次元地図データ マッチング 自車位置 3 次元レーザースキャン
14 位置推定 ( スキャンマッチング ) Normal Distributions Transform (NDT) 地図空間をボクセル ( 立方体 ) に区切り ボクセルごとの点の集合を正規分布で近似 計算量は スキャンデータの大きさに比例し 地図データの大きさには依存しない ( 参考 : ICPの場合は地図データの大きさにも比例 ) E. Takeuchi and T. Tsubouchi A 3-D Scan Matching using Improved 3-D Normal Distributions Transform for Mobile Robotic Mapping Proc. of IEEE/RSJ International Conference on Intelligent Robots and Systems, pp , 2006 M. Magnusson and A. Lilienthal and T. Duckett Scan Registration for Autonomous Mining Vehicles using 3D-NDT Journal of Field Robotics, Vol. 24, No.10, pp , 2007
15
16
17
18
19
20
21 物体検出 ( パターン認識 ) 入力画像 ルートフィルタ リサイズ画像ピラミッド パートフィルタ HOG 特徴量ピラミッド 検出結果
22 物体検出 ( パターン認識 ) Deformable Part Models (DPM) HOG 特徴量を部分的に利用 SVMベースの学習器を利用 側方, 前背面から見た場合でも検出可能 計算コストが課題 P. Felzenszwalb, D. McAllester, D. Ramanan A Discriminatively Trained, Multiscale, Deformable Part Model IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2008
23 max_height 自動運転システムにおける高性能計算技術の応用 物体検出 ( パターン認識 ) HOG 特徴量 # N max_width N スコア配列を生成 フィルタ # M M スコア = 類似度
24 CPU GPU 自動運転システムにおける高性能計算技術の応用 256-core Maxwell GPU 8 CPU cores - 4x ARM Cortex A57-4x ARM Cortex A53) 60 fps 4K video 1.3 gigapixel of cameras 20nm process
25 物体検出 ( ディープラーニング ) Regions Convolutional Neural Networks (RCNN) 最初にセグメンテーションを実行 各 Regionに対してCNNを適用 複数クラスに対応可能 計算コストが課題 R. Girshick, J. Donahue, T. Darrel, J. Malik Rich feature hierarchies for accurate object detection and semantic segmentation IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2014
26 Fast RCNN + KLT Tracking
27
28 問題 : 運転動画からブレーキの判別 入力 : カメラ画像 LIDAR 画像 出力 ラベル : ブレーキ信号 Brake No Brake! 運転データ詳細 運転動画 (40 分 3 本 ) 画像サイズ (QVGA: ) Convolutional Neural Network 制御信号 ( アクセル, ステアリング角, ブレーキ, ) ブレーキ (ON,OFF の 2 値に変換 )
29 Real: 実測 Pred: 予測 Brake: ON Brake: OFF 実測 ( 連続 ) 実測 ( 二値 ) 予測 29
30
31 経路計画 複数経路生成環境予測経路決定 目的地 現在地
32 軌跡生成 (State Lattice)
33
![経路追従 Pure Pursuit アルゴリズム [2] 1. 推定された自己位置を受け取る 2. 次のWaypointを探索 3. 到達するための角速度を計算 4.](/docs-images/90/101614751/images/34-0.jpg "速度 角速度を与え自動車を制御 自己位置を更新 Estimated Position Look Ahead Threshold Start Waypoint Goal Auto Control [2] R Craig Coulter.")
34 経路追従 Pure Pursuit アルゴリズム [2] 1. 推定された自己位置を受け取る 2. 次のWaypointを探索 3. 到達するための角速度を計算 4. 速度 角速度を与え自動車を制御 自己位置を更新 Estimated Position Look Ahead Threshold Start Waypoint Goal Auto Control [2] R Craig Coulter. "Implementation of the Pure Pursuit Path Tracking Algorithm". Technical Report CMU-RI-TR-92-01, Robotics Institute, Pittsburgh, PA, January 1992.
35
36
37
38 自動運転技術のオープンソース実装 82 90MB/sec(SSH, 実測 ) db1 db2 fx01 fx02... fx08 cx01 cx02... cx08 fx.cc.nagoya-u.ac.jp cx.cc.nagoya-u.ac.jp fast VoltDB PostgreSQL PostgreSQL ( ユーザ権限で実行 ) slow new R expire backup /home: /large: 816T/896T 403T/1.4P expire query query HDFS InfiniBand / FEFS client query old
39
40 Large-scale DBMS SoC(e.g., Drive PX) In-memory DBMS Distributed Data Processing Laptop Driver Interface Perception Planning Control Pedestrian Control Control Control Control ADAS Safety Monitoring OpenCV PCL CUDA ROS Driver CAN Embedded OS Linux RTX Car ECU ECU ECU ECU Vehicular System Many-Core CPUs GPUs FPGAs Camera Radar GNSS LIDAR Autonomous Driving System
41
42
43
44
45 株式会社ティアフォー
46 Thank You! 自動運転システムにおける高性能計算技術の応用
目次第 1 章 : 自己位置推定とは第 2 章 : 位置推定手法の種類第 3 章 :Autoware の自己位置推定システム 第 4 章 : まとめ 1. Autowareの自己位置推定 2. Autowareでの位置推定の実装 自動運転システムの自己位置推定技術 2
version 1.1 TIER IV ACADEMY 自動運転システム構築塾 Day1 自動運転システム実践解説 自動運転システムの自己位置推定技術 目次第 1 章 : 自己位置推定とは第 2 章 : 位置推定手法の種類第 3 章 :Autoware の自己位置推定システム 第 4 章 : まとめ 1. Autowareの自己位置推定 2. Autowareでの位置推定の実装 自動運転システムの自己位置推定技術
目次第 1 章 : 自己位置推定とは第 2 章 : 位置推定手法の種類第 3 章 :Autoware の自己位置推定システム 第 4 章 : まとめ 1. Autoware の自己位置推定 2. Autoware での位置推定の実装 自動運転システムの自己位置推定技術 2
version 1.2 TIER IV ACADEMY 自動運転システム構築塾 Day1 自動運転システム実践解説 自動運転システムの自己位置推定技術 目次第 1 章 : 自己位置推定とは第 2 章 : 位置推定手法の種類第 3 章 :Autoware の自己位置推定システム 第 4 章 : まとめ 1. Autoware の自己位置推定 2. Autoware での位置推定の実装 自動運転システムの自己位置推定技術
特別寄稿.indd
特別寄稿 ソフトインフラとしてのデジタル地図を活用した自動運転システム Autonomous vehicle using digital map as a soft infrastructure 菅沼直樹 Naoki SUGANUMA 1. はじめに 1) 2008 2012 ITS 2) CO 2 3) 4) Door to door Door to door Door to door DARPA(
& Vol.5 No (Oct. 2015) TV 1,2,a) , Augmented TV TV AR Augmented Reality 3DCG TV Estimation of TV Screen Position and Ro
TV 1,2,a) 1 2 2015 1 26, 2015 5 21 Augmented TV TV AR Augmented Reality 3DCG TV Estimation of TV Screen Position and Rotation Using Mobile Device Hiroyuki Kawakita 1,2,a) Toshio Nakagawa 1 Makoto Sato
MATLAB EXPO 2019 Japan プレゼン資料の検討
自動運転向けソフトウェア Autoware と MATLAB /Simulink の連携 ~ 事例紹介 ~ 2019 年 5 月 28 日株式会社ネクスティエレクトロニクス SW 開発部技術開発グループ太田徳幸 Copyright TOMEN Electronics Corp. 目次 2/31 1. 会社概要 2. Autoware Toolbox 紹介 1. 取り組み背景 2. Autoware
光学
Range Image Sensors Using Active Stereo Methods Kazunori UMEDA and Kenji TERABAYASHI Active stereo methods, which include the traditional light-section method and the talked-about Kinect sensor, are typical
(MIRU2008) HOG Histograms of Oriented Gradients (HOG)
(MIRU2008) 2008 7 HOG - - E-mail: [email protected], {takigu,ariki}@kobe-u.ac.jp Histograms of Oriented Gradients (HOG) HOG Shape Contexts HOG 5.5 Histograms of Oriented Gradients D Human
Convolutional Neural Network A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolution
Convolutional Neural Network 2014 3 A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolutional Neural Network Fukui Hiroshi 1940 1980 [1] 90 3
258 5) GPS 1 GPS 6) GPS DP 7) 8) 10) GPS GPS 2 3 4 5 2. 2.1 3 1) GPS Global Positioning System
Vol. 52 No. 1 257 268 (Jan. 2011) 1 2, 1 1 measurement. In this paper, a dynamic road map making system is proposed. The proposition system uses probe-cars which has an in-vehicle camera and a GPS receiver.
IPSJ SIG Technical Report Vol.2015-MUS-107 No /5/23 HARK-Binaural Raspberry Pi 2 1,a) ( ) HARK 2 HARK-Binaural A/D Raspberry Pi 2 1.
HARK-Binaural Raspberry Pi 2 1,a) 1 1 1 2 3 () HARK 2 HARK-Binaural A/D Raspberry Pi 2 1. [1,2] [2 5] () HARK (Honda Research Institute Japan audition for robots with Kyoto University) *1 GUI ( 1) Python
目次 第 1 章 : データの記録 再生とセンサーキャリブレーション 1. データの記録 生成 2. センサーキャリブレーション第 2 章 :3 次元地図の作成と自己位置推定 1. 3 次元地図の作成 2. 自己位置推定第 3 章 : 物体検出と信号検出 1. 物体検出 2. 信号検出 第 4 章
version 1.4 TIER IV ACADEMY 自動運転システム構築塾 Day3 Autoware 演習 目次 第 1 章 : データの記録 再生とセンサーキャリブレーション 1. データの記録 生成 2. センサーキャリブレーション第 2 章 :3 次元地図の作成と自己位置推定 1. 3 次元地図の作成 2. 自己位置推定第 3 章 : 物体検出と信号検出 1. 物体検出 2. 信号検出
この演習について Autoware 演習 1: データの記録 再生 Autoware 演習 2: センサーキャリブレーション Autoware 演習 3:3 次元地図の作成 Autoware 演習 4: 自己位置推定 Autoware 演習 5: パラメータ調整 Autoware 演習 6: 物体検
version 1.0 TIER IV ACADEMY 自動運転システム構築塾 Day4 Autoware 演習 2 Autoware 演習 6: 物体検出とトラッキング この演習について Autoware 演習 1: データの記録 再生 Autoware 演習 2: センサーキャリブレーション Autoware 演習 3:3 次元地図の作成 Autoware 演習 4: 自己位置推定 Autoware
(3.6 ) (4.6 ) 2. [3], [6], [12] [7] [2], [5], [11] [14] [9] [8] [10] (1) Voodoo 3 : 3 Voodoo[1] 3 ( 3D ) (2) : Voodoo 3D (3) : 3D (Welc
![(3.6 ) (4.6 ) 2. [3], [6], [12] [7] [2], [5], [11] [14] [9] [8] [10] (1) Voodoo 3 : 3 Voodoo[1] 3 ( 3D ) (2) : Voodoo 3D (3) : 3D (Welc](/thumbs/65/54056306.jpg "(3.6 ) (4.6 ) 2. [3], [6], [12] [7] [2], [5], [11] [14] [9] [8] [10] (1) Voodoo 3 : 3 Voodoo[1] 3 ( 3D ) (2) : Voodoo 3D (3) : 3D (Welc")
1,a) 1,b) Obstacle Detection from Monocular On-Vehicle Camera in units of Delaunay Triangles Abstract: An algorithm to detect obstacles by using a monocular on-vehicle video camera is developed. Since
3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)
![3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)](/thumbs/68/59204737.jpg "3 2 2 (1) (2) (3) (4) 4 4 AdaBoost 2. [11] Onishi&Yoda [8] Iwashita&Stoica [5] 4 [3] 3. 3 (1) (2) (3)")
(MIRU2012) 2012 8 820-8502 680-4 E-mail: {d kouno,shimada,endo}@pluto.ai.kyutech.ac.jp (1) (2) (3) (4) 4 AdaBoost 1. Kanade [6] CLAFIC [12] EigenFace [10] 1 1 2 1 [7] 3 2 2 (1) (2) (3) (4) 4 4 AdaBoost
2). 3) 4) 1.2 NICTNICT DCRA Dihedral Corner Reflector micro-arraysdcra DCRA DCRA DCRA 3D DCRA PC USB PC PC ON / OFF Velleman K8055 K8055 K8055
1 1 1 2 DCRA 1. 1.1 1) 1 Tactile Interface with Air Jets for Floating Images Aya Higuchi, 1 Nomin, 1 Sandor Markon 1 and Satoshi Maekawa 2 The new optical device DCRA can display floating images in free
MATLAB ではじめる画像処理とロボットビジョン ~ 機械学習による物体認識と SLAM~ MathWorks Japan アプリケーションエンジニアリング部信号処理 通信 木川田亘 2015 The MathWorks, 1Inc.
MATLAB ではじめる画像処理とロボットビジョン ~ 機械学習による物体認識と SLAM~ MathWorks Japan アプリケーションエンジニアリング部信号処理 通信 木川田亘 2015 The MathWorks, 1Inc. ロボットビジョンとは ロボットに搭載することを目的としたコンピュータービジョン技術の一分野 標識認識などさまざまな環境下での物体認識や複雑なシーンの理解 未知の領域を探索する際にロボット自身の位置推定と地図作成(SLAM)
Microsoft PowerPoint - pr_12_template-bs.pptx
12 回パターン検出と画像特徴 テンプレートマッチング 領域分割 画像特徴 テンプレート マッチング 1 テンプレートマッチング ( 図形 画像などの ) 型照合 Template Matching テンプレートと呼ばれる小さな一部の画像領域と同じパターンが画像全体の中に存在するかどうかを調べる方法 画像内にある対象物体の位置検出 物体数のカウント 物体移動の検出などに使われる テンプレートマッチングの計算
1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15. 1. 2. 3. 16 17 18 ( ) ( 19 ( ) CG PC 20 ) I want some rice. I want some lice. 21 22 23 24 2001 9 18 3 2000 4 21 3,. 13,. Science/Technology, Design, Experiments,
IHI Robust Path Planning against Position Error for UGVs in Rough Terrain Yuki DOI, Yonghoon JI, Yusuke TAMURA(University of Tokyo), Yuki IKEDA, Atsus
IHI Robust Path Planning against Position Error for UGVs in Rough Terrain Yuki DOI, Yonghoon JI, Yusuke TAMURA(University of Tokyo), Yuki IKEDA, Atsushi UMEMURA, Yoshiharu KANESHIMA, Hiroki MURAKAMI(IHI
色の類似性に基づいた形状特徴量CS-HOGの提案
IS3-04 第 18 回 画 像 センシングシンポジウム, 横 浜, 2012 年 6 月 CS-HOG CS-HOG : Color Similarity-based HOG feature Yuhi Goto, Yuji Yamauchi, Hironobu Fujiyoshi Chubu University E-mail: [email protected] Abstract
1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +
![1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +](/thumbs/81/83701592.jpg "1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +")
3 3D 1,a) 1 1 Kinect (X, Y) 3D 3D 1. 2010 Microsoft Kinect for Windows SDK( (Kinect) SDK ) 3D [1], [2] [3] [4] [5] [10] 30fps [10] 3 Kinect 3 Kinect Kinect for Windows SDK 3 Microsoft 3 Kinect for Windows
Raspberry Pi BF BF BF Raspberry Pi PC USB HDMI OS SD SD OS Raspberry Pi Model B MicroUSB MicroSD OS SD GPIO HDMI USB LAN Raspberry Pi MicroUSB MicroSD
Raspberry Pi Arduino Arduino Raspberry Pi Arduino URL Raspberry Pi HDMI USB SD https://www.raspberrypi.org/ Python, Scratch Arduino PC USB https://www.arduino.cc/ Arduino SDK Processing Kinect for Windows,
LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R
![LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R](/thumbs/86/93333816.jpg "LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R")
DEIM Forum 24 F5-4 Local Binary Pattern 6 84 E-mail: {tera,kida}@ist.hokudai.ac.jp Local Binary Pattern (LBP) LBP 3 3 LBP 5 5 5 LBP improved LBP uniform LBP.. Local Binary Pattern, Gradient Local Auto-Correlations,,,,
IPSJ SIG Technical Report Vol.2012-CG-149 No.13 Vol.2012-CVIM-184 No /12/4 3 1,a) ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransa
3,a) 3 3 ( ) DB 3D DB 2D,,,, PnP(Perspective n-point), Ransac. DB [] [2] 3 DB Web Web DB Web NTT NTT Media Intelligence Laboratories, - Hikarinooka Yokosuka-Shi, Kanagawa 239-0847 Japan a) [email protected]
SICE東北支部研究集会資料(2013年)
280 (2013.5.29) 280-4 SURF A Study of SURF Algorithm using Edge Image and Color Information Yoshihiro Sasaki, Syunichi Konno, Yoshitaka Tsunekawa * *Iwate University : SURF (Speeded Up Robust Features)
2007/8 Vol. J90 D No. 8 Stauffer [7] 2 2 I 1 I 2 2 (I 1(x),I 2(x)) 2 [13] I 2 = CI 1 (C >0) (I 1,I 2) (I 1,I 2) Field Monitoring Server
![2007/8 Vol. J90 D No. 8 Stauffer [7] 2 2 I 1 I 2 2 (I 1(x),I 2(x)) 2 [13] I 2 = CI 1 (C >0) (I 1,I 2) (I 1,I 2) Field Monitoring Server](/thumbs/91/107223763.jpg "2007/8 Vol. J90 D No. 8 Stauffer [7] 2 2 I 1 I 2 2 (I 1(x),I 2(x)) 2 [13] I 2 = CI 1 (C >0) (I 1,I 2) (I 1,I 2) Field Monitoring Server")
a) Change Detection Using Joint Intensity Histogram Yasuyo KITA a) 2 (0 255) (I 1 (x),i 2 (x)) I 2 = CI 1 (C>0) (I 1,I 2 ) (I 1,I 2 ) 2 1. [1] 2 [2] [3] [5] [6] [8] Intelligent Systems Research Institute,
田向研究室PPTテンプレート
Hibikino-Musashi@Home: ホームサービスロボット開発学生プロジェクトの紹介 18/09/14 ROSCon JP 2018 Hibikino-Musashi@Home 九州工業大学田向研究室 石田裕太郎 [email protected] 今日紹介するロボット RoboCup@Home に参戦するホームサービスロボット Eix@ HW: 九工大 SW: 九工大 2018
(a) 1 (b) 3. Gilbert Pernicka[2] Treibitz Schechner[3] Narasimhan [4] Kim [5] Nayar [6] [7][8][9] 2. X X X [10] [11] L L t L s L = L t + L s
![(a) 1 (b) 3. Gilbert Pernicka[2] Treibitz Schechner[3] Narasimhan [4] Kim [5] Nayar [6] [7][8][9] 2. X X X [10] [11] L L t L s L = L t + L s](/thumbs/75/72066128.jpg "(a) 1 (b) 3. Gilbert Pernicka[2] Treibitz Schechner[3] Narasimhan [4] Kim [5] Nayar [6] [7][8][9] 2. X X X [10] [11] L L t L s L = L t + L s")
1 1 1, Extraction of Transmitted Light using Parallel High-frequency Illumination Kenichiro Tanaka 1 Yasuhiro Mukaigawa 1 Yasushi Yagi 1 Abstract: We propose a new sharpening method of transmitted scene
2011 Future University Hakodate 2011 System Information Science Practice Group Report Project Name Applied Embedded System Group Name Radio-controlled model helicopter Group /Project No. 15-B /Project
スライド 1
知能制御システム学 画像追跡 (1) 特徴点の検出と追跡 東北大学大学院情報科学研究科鏡慎吾 swk(at)ic.is.tohoku.ac.jp 2008.07.07 今日の内容 前回までの基本的な画像処理の例を踏まえて, ビジュアルサーボシステムの構成要素となる画像追跡の代表的手法を概説する 画像上の ある点 の追跡 オプティカルフローの拘束式 追跡しやすい点 (Harris オペレータ ) Lucas-Kanade
ディープラーニングの組み込み機器実装ソリューション ~GPC/CPU編~
ディープラーニングの組み込み機器実装ソリューション ~GPU/CPU 編 ~ MathWorks Japan アプリケーションエンジニアリング部大塚慶太郎 [email protected] 2018 The MathWorks, Inc. 1 自動運転 : 車 歩行者等の物体認識 白線検出 組み込み GPU への実装 モデル GPU 実装 / 配布 3 医用画像 : 腫瘍等 特定の部位の検出
[1] SBS [2] SBS Random Forests[3] Random Forests ii
![[1] SBS [2] SBS Random Forests[3] Random Forests ii](/thumbs/74/70333192.jpg "[1] SBS [2] SBS Random Forests[3] Random Forests ii")
Random Forests 2013 3 A Graduation Thesis of College of Engineering, Chubu University Proposal of an efficient feature selection using the contribution rate of Random Forests Katsuya Shimazaki [1] SBS
untitled
IS2-26 第 19 回 画 像 センシングシンポジウム, 横 浜,2013 年 6 月 SVM E-mail: [email protected] Abstract SVM SVM SVM SVM HOG B-HOG HOG SVM 6.1% 17 1 Intelligent Transport System(ITS: ) 2005 Dalal HOG SVM[1] [2] HOG
IS2-06 第21回画像センシングシンポジウム 横浜 2015年6月 画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチング は K-means をベースにした手法で 単純な K-means に いる SPIN
![IS2-06 第21回画像センシングシンポジウム 横浜 2015年6月 画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチング は K-means をベースにした手法で 単純な K-means に いる SPIN](/thumbs/92/107948919.jpg "IS2-06 第21回画像センシングシンポジウム 横浜 2015年6月 画像をスーパーピクセルに変換する手法として SLIC[5] を用いる Achanta らによって提案された SLIC 2.2 グラフマッチング は K-means をベースにした手法で 単純な K-means に いる SPIN")
Cosegmentation E-mail: {tamanaha, nakayama}@nlab.ci.i.u-tokyo.ac.jp Abstract Cosegmentation Cosegmentation Cosegmentation 1 Never Ending Image Learner[1] Google Cosegmentation Cosegmentation Rother [2]
100326_セミナー資料_物体認識.pptx
!! "#! "#"! "#$! "#%! $#! $#"! $#$! $#%! $#&! % 物体認識 検出 について '()*++,-./#,0121#3)+,04.50+6789+":; '()*++)010;216,#3)+9,+0;.?>65.6#'@4A 物体検出は簡単か 多様な変動要素が存在して難しい 変動要素に対応する特徴量 学習手法がキー カメラの角度 姿勢
xx/xx Vol. Jxx A No. xx 1 Fig. 1 PAL(Panoramic Annular Lens) PAL(Panoramic Annular Lens) PAL (2) PAL PAL 2 PAL 3 2 PAL 1 PAL 3 PAL PAL 2. 1 PAL
PAL On the Precision of 3D Measurement by Stereo PAL Images Hiroyuki HASE,HirofumiKAWAI,FrankEKPAR, Masaaki YONEDA,andJien KATO PAL 3 PAL Panoramic Annular Lens 1985 Greguss PAL 1 PAL PAL 2 3 2 PAL DP
,., ping - RTT,., [2],RTT TCP [3] [4] Android.Android,.,,. LAN ACK. [5].. 3., 1.,. 3 AI.,,Amazon, (NN),, 1..NN,, (RNN) RNN
![,., ping - RTT,., [2],RTT TCP [3] [4] Android.Android,.,,. LAN ACK. [5].. 3., 1.,. 3 AI.,,Amazon, (NN),, 1..NN,, (RNN) RNN](/thumbs/91/105260962.jpg ",., ping - RTT,., [2],RTT TCP [3] [4] Android.Android,.,,. LAN ACK. [5].. 3., 1.,. 3 AI.,,Amazon, (NN),, 1..NN,, (RNN) RNN")
DEIM Forum 2018 F1-1 LAN LSTM 112 8610 2-1-1 163-8677 1-24-2 E-mail: [email protected], [email protected], [email protected],,.,,., LAN,. Android LAN,. LSTM LAN., LSTM, Analysis of Packet of
3 Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2]
![3 Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2]](/thumbs/94/118738978.jpg "3 Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2]")
3 E-mail: {akizuki}@isl.sist.chukyo-u.ac.jp Abstract CAD 3-D ( ) 4 Spin Image Correspondence Grouping 46.1% 17.4% 97.6% ICP [0.6mm/point] 1 CAD [1][2] Shape Index [3] [4][5] 3 SHOT [6] [7] Point Pair Feature
% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii
![% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii](/thumbs/91/106152959.jpg "% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii")
2012 3 A Graduation Thesis of College of Engineering, Chubu University High Accurate Semantic Segmentation Using Re-labeling Besed on Color Self Similarity Yuko KAKIMI 2400 90% 2 3 [1] Semantic Texton
基調論文01.indd
基調論文 自動運転を支えるセンシング技術 Sensing Technologies for Realizing Automated Driving 松ヶ谷和沖 Kazuoki MATSUGATANI ADAS (Advanced Driver Assistance System) and AD (Automated Driving) have received a lot of attention
Vol.55 No (Jan. 2014) saccess 6 saccess 7 saccess 2. [3] p.33 * B (A) (B) (C) (D) (E) (F) *1 [3], [4] Web PDF a m
![Vol.55 No (Jan. 2014) saccess 6 saccess 7 saccess 2. [3] p.33 * B (A) (B) (C) (D) (E) (F) *1 [3], [4] Web PDF a m](/thumbs/92/108648363.jpg "Vol.55 No (Jan. 2014) saccess 6 saccess 7 saccess 2. [3] p.33 * B (A) (B) (C) (D) (E) (F) *1 [3], [4] Web PDF a m")
Vol.55 No.1 2 15 (Jan. 2014) 1,a) 2,3,b) 4,3,c) 3,d) 2013 3 18, 2013 10 9 saccess 1 1 saccess saccess Design and Implementation of an Online Tool for Database Education Hiroyuki Nagataki 1,a) Yoshiaki
) 1 2 2[m] % H W T (x, y) I D(x, y) d d = 1 [T (p, q) I D(x + p, y + q)] HW 2 (1) p q t 3 (X t,y t,z t) x t [ ] T x t
![) 1 2 2[m] % H W T (x, y) I D(x, y) d d = 1 [T (p, q) I D(x + p, y + q)] HW 2 (1) p q t 3 (X t,y t,z t) x t [ ] T x t](/thumbs/89/98284076.jpg ") 1 2 2[m] % H W T (x, y) I D(x, y) d d = 1 [T (p, q) I D(x + p, y + q)] HW 2 (1) p q t 3 (X t,y t,z t) x t [ ] T x t")
1 1 Multi-Person Tracking for a Mobile Robot using Overlapping Silhouette Templates Junji Satake 1 and Jun Miura 1 This paper describes a stereo-based person tracking method for a person following robot.
Robot Platform Project(RPP) "Spur" "YP-Spur" rev. 4 [ ] Robot Platform Project(RPP) WATANABE Atsushi 1.,,., Fig. 1.,,,,,.,,,..,,..,,..,,,,. "
![Robot Platform Project(RPP) Spur YP-Spur rev. 4 [ ] Robot Platform Project(RPP) WATANABE Atsushi 1.,,., Fig. 1.,,,,,.,,,..,,..,,..,,,,.](/thumbs/93/117962738.jpg "Robot Platform Project(RPP) Spur YP-Spur rev. 4 [ ] Robot Platform Project(RPP) WATANABE Atsushi 1.,,., Fig. 1.,,,,,.,,,..,,..,,..,,,,.")
Robot Platform Project(RPP) "Spur" "YP-Spur" ev. 4 [.8.9] Robot Platform Project(RPP) WATANABE Atsushi.,,., Fig..,,,,,.,,,..,,..,,..,,,,. "",,, Spur.,, Robot Platform Project, "YP-Spur".,,, 98 99,. [][3][4].,,,
2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC
![2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC](/thumbs/92/108208872.jpg "2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC")
H.264 CABAC 1 1 1 1 1 2, CABAC(Context-based Adaptive Binary Arithmetic Coding) H.264, CABAC, A Parallelization Technology of H.264 CABAC For Real Time Encoder of Moving Picture YUSUKE YATABE 1 HIRONORI
™¼fi⁄PDFŠp
2003 No.602 2 2003.9 Q A Q A 3 1 4 2003.9 1 1 1 1 5 2003.9.102003.10.9 N A O S H I M A C A L E N D A R 2003. S E P T E M B E R / O C T O B E R 1 1 1 1 8 2003.9 2 11 1 1 9 2003.9 10 CAMERA REPORT 11 2003.9
1. HNS [1] HNS HNS HNS [2] HNS [3] [4] [5] HNS 16ch SNR [6] 1 16ch 1 3 SNR [4] [5] 2. 2 HNS API HNS CS27-HNS [1] (SOA) [7] API Web 2
![1. HNS [1] HNS HNS HNS [2] HNS [3] [4] [5] HNS 16ch SNR [6] 1 16ch 1 3 SNR [4] [5] 2. 2 HNS API HNS CS27-HNS [1] (SOA) [7] API Web 2](/thumbs/91/106048225.jpg "1. HNS [1] HNS HNS HNS [2] HNS [3] [4] [5] HNS 16ch SNR [6] 1 16ch 1 3 SNR [4] [5] 2. 2 HNS API HNS CS27-HNS [1] (SOA) [7] API Web 2")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. 657 8531 1 1 E-mail: {soda,matsubara}@ws.cs.kobe-u.ac.jp, {masa-n,shinsuke,shin,yosimoto}@cs.kobe-u.ac.jp,
b4-deeplearning-embedded-c-mw
ディープラーニングアプリケーション の組み込み GPU/CPU 実装 アプリケーションエンジニアリング部町田和也 2015 The MathWorks, Inc. 1 アジェンダ MATLAB Coder/GPU Coder の概要 ディープニューラルネットワークの組み込み実装ワークフロー パフォーマンスに関して まとめ 2 ディープラーニングワークフローのおさらい Application logic
タイトル
生活支援ロボット HSR 向け 自律動作アプリケーション開発 アプリケーションエンジニアリング部木川田亘 2015 The MathWorks, Inc. 1 実演 :HSR による あいさつ アプリケーションの開発 2 アジェンダ 自律ロボット開発における MATLAB ROS を使った HSR との連携ワークフロー まとめ 3 アジェンダ 自律ロボット開発における MATLAB ROS を使った
Smarter Vision のための最もスマートな選択
Zynq All Programmable SOC : Smarter Vision Audi Kinect Xbox 360 Smarter Vision Smarter Vision Smarter Vision 10 ( ) Smarter Vision Smarter Vision Intuitive Surgical Smarter Vision Xilinx All Programmable
IPSJ SIG Technical Report Vol.2014-DBS-159 No.6 Vol.2014-IFAT-115 No /8/1 1,a) 1 1 1,, 1. ([1]) ([2], [3]) A B 1 ([4]) 1 Graduate School of Info
![IPSJ SIG Technical Report Vol.2014-DBS-159 No.6 Vol.2014-IFAT-115 No /8/1 1,a) 1 1 1,, 1. ([1]) ([2], [3]) A B 1 ([4]) 1 Graduate School of Info](/thumbs/101/149057081.jpg "IPSJ SIG Technical Report Vol.2014-DBS-159 No.6 Vol.2014-IFAT-115 No /8/1 1,a) 1 1 1,, 1. ([1]) ([2], [3]) A B 1 ([4]) 1 Graduate School of Info")
1,a) 1 1 1,, 1. ([1]) ([2], [3]) A B 1 ([4]) 1 Graduate School of Information Science and Technology, Osaka University a) [email protected] 1 1 Bucket R*-tree[5] [4] 2 3 4 5 6 2. 2.1 2.2 2.3
B HNS 7)8) HNS ( ( ) 7)8) (SOA) HNS HNS 4) HNS ( ) ( ) 1 TV power, channel, volume power true( ON) false( OFF) boolean channel volume int
SOA 1 1 1 1 (HNS) HNS SOA SOA 3 3 A Service-Oriented Platform for Feature Interaction Detection and Resolution in Home Network System Yuhei Yoshimura, 1 Takuya Inada Hiroshi Igaki 1, 1 and Masahide Nakamura
Presentation Title
Simulink 環境で実施する ADAS( 先進運転支援システム ) 実験 MathWorks Japan アプリケーションエンジニアリング部制御 村上直也 2015 The MathWorks, Inc. 1 Agenda はじめに 弊社 ADAS 環境関連紹介 弊社 ADAS 関連製品を使用した DEMO ADAS 関連開発適用事例 まとめ 2 はじめに ADAS システムは今後もますます普及が進むと考えられる
IPSJ SIG Technical Report Vol.2010-GN-74 No /1/ , 3 Disaster Training Supporting System Based on Electronic Triage HIROAKI KOJIMA, 1 KU
1 2 2 1, 3 Disaster Training Supporting System Based on Electronic Triage HIROAKI KOJIMA, 1 KUNIAKI SUSEKI, 2 KENTARO NAGAHASHI 2 and KEN-ICHI OKADA 1, 3 When there are a lot of injured people at a large-scale
<4D F736F F F696E74202D B B836A F82C982E682E CC835E E93E089E6919C94468EAF82C98AD682B782E98CA48B F18F6F94C5816A2E >
ディープラーニングによる船舶のタンク ホールド内画像認識に関する研究 国 研究開発法 海上 港湾 航空技術研究所海上技術安全研究所 沖 平 勝 智之 次 1. 背景 2. ニューラルネットワークによる画像認識 ( 物体検出 ) 概要 A)R- B)Fast R-とFaster R- 3. タンク ホールド内画像認識処理システム 4. タンク ホールド内画像認識実験 I 5. タンク ホールド内画像認識実験
[6] DoN DoN DDoN(Donuts DoN) DoN 4(2) DoN DDoN 3.2 RDoN(Ring DoN) 4(1) DoN 4(3) DoN RDoN 2 DoN 2.2 DoN PCA DoN DoN 2 DoN PCA 0 DoN 3. DoN
![[6] DoN DoN DDoN(Donuts DoN) DoN 4(2) DoN DDoN 3.2 RDoN(Ring DoN) 4(1) DoN 4(3) DoN RDoN 2 DoN 2.2 DoN PCA DoN DoN 2 DoN PCA 0 DoN 3. DoN](/thumbs/89/99418350.jpg "[6] DoN DoN DDoN(Donuts DoN) DoN 4(2) DoN DDoN 3.2 RDoN(Ring DoN) 4(1) DoN 4(3) DoN RDoN 2 DoN 2.2 DoN PCA DoN DoN 2 DoN PCA 0 DoN 3. DoN")
3 1,a) 1,b) 3D 3 3 Difference of Normals (DoN)[1] DoN, 1. 2010 Kinect[2] 3D 3 [3] 3 [4] 3 [5] 3 [6] [7] [1] [8] [9] [10] Difference of Normals (DoN) 48 8 [1] [6] DoN DoN 1 National Defense Academy a) [email protected]
技術の系統化調査報告「プロセス制御システムの技術系統化調査」
A Technical Survey of Process Control Systems 3 Yutaka Wakasa Abstract Yutaka Wakasa 95 1 2 96 Vol.11 2008.March 2.1 2.2 97 98 Vol.11 2008.March 99 3 3.1 3.2 3.3 100 Vol.11 2008.March 101 3.4 102 Vol.11
円筒面で利用可能なＡＲマーカ
円筒面で利用可能な AR マーカ AR Marker for Cylindrical Surface 2014 年 11 月 14 日 ( 金 ) 眞鍋佳嗣千葉大学大学院融合科学研究科 マーカベース AR 二次元マーカはカメラ姿勢の推定, 拡張現実等広い研究分野で利用されている 現実の風景 表示される画像 デジタル情報を付加 カメラで撮影し, ディスプレイに表示 使用方法の単純性, 認識の安定性からマーカベース
(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1
![(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1](/thumbs/91/105849651.jpg "(a) 2 (b) 1 (Controller) 3 3 LIDAR [13]LIDAR GNSS/INS [14] [15] 2 1(a) 1(b) 2. 2 End-to-End LIDAR End-to- End [9] [10] [11]End-to-End 3. End-to-End 1")
一般社団法人 電子情報通信学会 THE INSTITUTE OF ELECTRONICS, 社団法人 電子情報通信学会 INFORMATION AND COMMUNICATION ENGINEERS 信学技報 IEICE Technical Report PRMU2017-77(2017-10) 信学技報 TECHNICAL REPORT OF IEICE. THE INSTITUTE OF ELECTRONICS,
1 3DCG [2] 3DCG CG 3DCG [3] 3DCG 3 3 API 2 3DCG 3 (1) Saito [4] (a) 1920x1080 (b) 1280x720 (c) 640x360 (d) 320x G-Buffer Decaudin[5] G-Buffer D
![1 3DCG [2] 3DCG CG 3DCG [3] 3DCG 3 3 API 2 3DCG 3 (1) Saito [4] (a) 1920x1080 (b) 1280x720 (c) 640x360 (d) 320x G-Buffer Decaudin[5] G-Buffer D](/thumbs/91/105248386.jpg "1 3DCG [2] 3DCG CG 3DCG [3] 3DCG 3 3 API 2 3DCG 3 (1) Saito [4] (a) 1920x1080 (b) 1280x720 (c) 640x360 (d) 320x G-Buffer Decaudin[5] G-Buffer D")
3DCG 1) ( ) 2) 2) 1) 2) Real-Time Line Drawing Using Image Processing and Deforming Process Together in 3DCG Takeshi Okuya 1) Katsuaki Tanaka 2) Shigekazu Sakai 2) 1) Department of Intermedia Art and Science,
す 局所領域 ωk において 線形変換に用いる係数 (ak 画素の係数 (ak bk ) を算出し 入力画像の信号成分を bk ) は次式のコスト関数 E を最小化するように最適化 有さない画素に対して 式 (2) より画素値を算出する される これにより 低解像度な画像から補間によるアップサ E(
IR E-mail: [email protected] Abstract IR RGB ( ) IR IR IR RGB RGB PSNR 1 Time-Of- Flight(TOF)[1] Kinect [2] TOF LED TOF [3] [6] [4][5] 2 [6] RGB ( ) Infrared(IR) IR 2 2.1 1 す 局所領域 ωk において 線形変換に用いる係数 (ak
main.dvi
PC 1 1 [1][2] [3][4] ( ) GPU(Graphics Processing Unit) GPU PC GPU PC ( 2 GPU ) GPU Harris Corner Detector[5] CPU ( ) ( ) CPU GPU 2 3 GPU 4 5 6 7 1 [email protected] 45 2 ( ) CPU ( ) ( ) () 2.1