<4D F736F F F696E74202D D92E897CA90B695A88A7782CC89EF B A B2D C5>

Transcription

1 定量 物学の会チュートリアル画像情報学研究者は何をやっているのか? イントロダクション 九州 学システム情報科学研究院情報知能 学部 内 誠 2012/11/23 13:00-14:30 オートファジー と聞いて 動ファジー (fuzzy) 理論 のことだろうと思ったのが 3 年前 本チュートリアルの内容 ひとこと デジタル画像 標本化 量 化 圧縮 画像処理 パターン認識 情報系学 向け画像処理講義の 第 回 を模擬体験 なるべく広く浅く 詳細は当 にお問い合わせ uchida@ait.kyushu-u.ac.jp バイオと画像情報学のこれからのコラボについて 本チュートリアルでは数式がほとんど出ません 直観的な理解のしやすさを追求 物 りない, すみません! 実際には画像情報学では数学使いまくりです 確率統計, 線形代数, 解析学, 最適化, 組合せ理論 決して好き勝 にプログラム組んではないので, 誤解なきよう! でも 理屈と膏薬はどこへでもつく 的場合もアリ

2 第 部開始情報 学部学 の模擬体験 情報 学部 模擬体験 ( その 1) 画像の標本化 (sampling) 画像情報 学, 第 回 講義が始まります 泣く も黙る, 情報理論の基礎の基礎 標本化 (sampling) 連続データを離散点で表現すること標本点 (sample point) 連続データ 標本化 (sampling) アナログ世界 デジタル世界 標本化周期 ( 間隔 )

3 標本化 画像の場合 なぜ標本化が必要? コンピュータでは連続データ ( アナログデータ ) は扱えないから コンピュータ上のデータは有限 の0/1 系列で表現 デジカメ コンピュータだから, デジカメによる写真にも標本化が必要 アナログ世界 連続的 デジタル世界 点 ( 画素 ) の集合 cf. 昔のフィルムカメラはアナログデータ 驚くべき事実! 標本化定理の概念 アナログ世界 ( ある条件を満たせば ) のぞき からの情報で, 壁の向こうが完全に復元できる! ディジタル画像からアナログ画像に戻せる!? 標本化定理 Sampling theorem アナログ世界 デジタル世界 CD が聞けるのも, ディジタル放送が れるのも, ディカメ写真が れるのもこのお陰 標本化定理 : のぞき からの情報で, 壁の向こうがすべてわかる!

4 そんなウマい話があるのか 標本化定理 周波数 条件 ある条件を満たせば のぞき からの情報で 壁の向こうが完全に復元できる 連続データの最 周波数が fmax のとき 周期 T< 1/(2 fmax ) 毎 に標本化すれば どうもこの辺が怪しい 標本値 ディジタル から 連続データ アナログ を再現可能 もう つの驚くべき事実 画像の周波数分解 濃淡値 信号値 周波数 成分の細かさ 雑把に って 画像は様々な周波数を持つ 三 関数の和 で表現できる 合計

5 任意の 8x8 濃淡画像は,64 種の 2 次元三 関数の加重和で表現可能 任意の 8x8 濃淡画像は,64 種の 2 次元三 関数の加重和で表現可能 任意の 2 次元ベクトルは 2 個の 2 次元単位ベクトルで表現可能 任意の3 次元ベクトルは3 個の3 次元単位ベクトルで表現可能 任意の 64 次元ベクトルは 64 個の 64 次元単位ベクトルで表現可能 話は戻って, 標本化定理条件 連続データの最 周波数が fmax のとき, 周期 T< 1/(2 fmax ) 毎に標本化すれば, = 元画像 標本値 ( ディジタル ) から連続データ ( アナログ ) を再現可能 ホントにできることの例証

6 連続データに含まれる標本化定理最も細かい変化が 条件 連続データの最 周波数が fmax のとき, 周期 T< 1/(2 fmax ) 毎に標本化すれば, 細かければ細かいほど短い周期で標本化すれば 標本化定理 最も極端な場合 最 周波数がゼロであることが分かっていれば (= 変化なし ) 周期は無限 で OK 条件 連続データの最 周波数が fmax のとき, 周期 T< 1/(2 fmax ) 毎に標本化 標本化定理の タネアカシ 1. 最 周波数がわかっている標本値 ( ディジタル ) から 2. その最 周波数に応じた周期で標本化している連続データ ( アナログ ) を再現可能 1 点から元の連続データが完全に求まる 標本化定理の概念 標本化定理の概念 標本化定理 : のぞき からの情報で, 壁の向こうがすべてわかる! 細かい模様はないという事前情報があるなら, 安 して 壁の向こう を確定できる

7 標本化定理の概念 ( つづき )? 標本化周期 ( 解像度 ) による画像の変化 細かい縞模様? 640x x240 予想以上に細かい模様があると, 壁の向こうを誤解してしまう? 160x120 80x60 実際のところ 多くの画像は無限 の周波数を含む 急激な変化をするエッジ部分 ゆえにどんなに標本化周波数を上げても ( 解像度化しても ) 完全な復元 は不可能 情報 学部 模擬体験 ( その 2) 画像の量 化 (quantization) オトナの四捨五 こんな 空だと OK これだとアウト

8 32 (5bit) 256 (8bit) 16 (4bit) 64 (6bit) 量 化の概念 : 連続量 ( 四捨五 的処理 ) 離散量 必ずロスが発 ( 元には戻らない ) 4 量 化誤差 3 量 化 標本化された信号標本化 + 量 化された信号 (1.74, , 2.897,..) (4,0,4,4,3,3,3,1,2,1,0) 2 (1bit) 8 (3bit) 4 (2bit) 32 (5bit 3) RGB 各 256レベル (8bit 3=24bit) 16 (4bit 3) 64 (6bit 3) 偽輪郭 が発

9 RGB 各 8 レベル (3bit 3) 4 (2bit 3) 量 化について 標本化 + 量 化でようやくデジタルに 計算機で扱えるようになります 量 化の単位 =bit 8 ビット量 化 =2 8 レベル=256レベル量 化 2 (1bit 3) 量 化レベルの設定 画素の確率分布がわかれば最適化可能 (Lloyd-Max) でも普通は 倒なので等間隔に設定 ( 線形量 化 ) 画像圧縮 種類と応 先 情報 学部 模擬体験 ( その 3) 画像圧縮 JPEG 動画版 MPEG も, まぁ似たような感じ 画像 X 圧縮 復元 X 可逆符号化 X=X 医 画像, 化財 ( 古 書 ) 保存, リモートセンシング画像 圧縮率 1/2 ~ 1/3 程度普通のJPEGはこちら 可逆符号化 X X but X X 通信 画像 (Web 上の画像, ケータイメイル ),FAX, 動画像 ( テレビ電話 ) 圧縮率 1/10 ~ 1/50 ~...

10 再掲 : 画像は各周波数に分解できる JPEG の原理 : ブロック毎に周波数分解 垂直周波数 低 低 平周波数 8x8 ブロック 周波数成分に分解 垂直周波数 低 低 平周波数 値の きな成分は低周波数域に集中する (energy compaction) 最も低い周波数成分だけで表現 もう少しだけ使って表現

11 なぜ圧縮できる? さらにこの部分を量 化 圧縮 ここは捨てる 第 部終了 復元 ( 濃淡画像 ) こちらを送らずに しかしブロック歪には要注意! 画像処理はブロック歪に弱い! ( 周波数成分 ) こちらを送る おつかれさまでした 第 部画像処理技術各論 画像のフィルタリング (filtering) ほんの 部ですみません ぼかしたり, シャープにしたり

12 基本的なフィルタリング = 画像とフィルタマスクの畳み込み 様々なフィルタ処理 : 平滑化 フィルタマスク? ( さな画像のような ) 次元パターン 畳み込み? これを変えると結果が変わる フィルタマスクとの内積計算を, フィルタマスク位置をずらしながら画像全体で う 東北 学福 光則先 ご提供メラノソーム画像 フィルタマスク 原信号 平滑化処理の実際 (1) 単純化した例 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/ 平滑化処理の実際 (2) 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 平滑化 フィルタマスク 内積 10 マスク 原画像 平滑化後

13 様々なフィルタ処理 : エッジ抽出 エッジ検出処理の実際 : 単純化した例 -1/2 1-1/2 フィルタマスク 原信号 /2-3/ 様々なフィルタ処理 : 先鋭化 少し 度な処理 : ノイズ低減 (de-speckle) 分散が少ない平滑領域を検出, その領域のみで mean filter で平坦化

14 画像の 2 値化 画像の 2 値化 (binarization) はっきりさせたい 背景と前景を分離 原画像 ( 濃淡画像 ) 2 値画像 ( 画像 ) 画像の 2 値化 2 値化の がかり : ヒストグラム 画素数 (0) (256) アクチン繊維が蛍光標識されているタバコ BY-GF 細胞の共焦点画像 より引 どうもこの辺が 背景?

15 2 値化の がかり : ヒストグラム 画素数 どこに しきい値 (threshold) を設定? (0) (256) しきい値の決定法 (1) モード法 ヒストグラムにうまく があれば使える 画素数 ヒストグラムの (0) しきい値の決定法 (2) P タイル法 しきい値の決定法 (3): 津の 値化 ( 判別分析法 ) 画像中の X % が前景である が既知なら OK X% 100% 最適な しきい値を決定画素数分散分散 ( 広がり ) ( 広がり ) 分散 ( 広がり ) 評価基準 広がり + 分散 ( 広がり ) 左部分の平均 広がり 右部分の平均 これを最 化するようにしきい値を決定

16 輝度が 様でない背景からの前景分離 : 局所 値化 輝度が 様でない背景からの前景分離 : 背景推定 原画像 全体で 値化 局所領域 局所 値化 # 画素数 前景 背景 輝度値 絶対前景と思われる 画素領域 ( 多少余計にとっても OK) 平滑化による補完 Seeger-Dance [ICDAR:2001] 画像の領域分割 (segmentation) 領域分割 : 画像をいくつかの 領域に分割する操作 実は相当難しい 地家屋調査 桧 事務所 HP より

17 様々な領域分割法 ヒストグラムを いた多値化 多値化 カラークラスタリング Region Growing Split-and-merge Watershed ( 分 嶺 ) 法 Superpixel Mathematical Morphology Markov Random Field + Graph Cuts Note: 画像にも適応可能 Region Growing: 1 画素から開始, 隣と似ていれば融合 Watershed( 分 嶺 ) 法 : Version 1 分 嶺 領域境界からの距離

18 Watershed( 分 嶺 ) 法 :Version 2 2D 表現 輝度勾配画像 画像の領域抽出 (target detection) 原画像 3D 表現 領域分割の 種とみなすことも可能 分 嶺 ( 尾根線 ) 領域抽出 : 領域分割の 例 特に注 したい領域だけを, 何らかの性質を がかりにして, 抽出する 2 値化結果の利 : 最も簡単な領域分割 2 値化の結果について, 画素の 塊 ( 連結成分 ) を 1 領域とみなす

19 前処理としての 膨張 収縮 : モルフォロジ演算の 種 背景差分 =( 現在の画像 - 普段の画像 ) 差があったところ に 膨張膨張膨張 収縮 収縮収縮収縮収縮収縮 さなギャップを埋められる さな孤 点を潰せる 新たに存在している物体領域が判明 膨張 膨張 領域抽出 : 様々なバリエーション 線状構造抽出 特定閉領域抽出 カイモグラフィー解析 : 北 鈴 研とのコラボ 画像の幾何変形 (geometric transformation) 1 次元最適化に基づく SNAKES: 熊本 学佐藤有紀先 とのコラボ 後述のパターン認識を使う場合も 各画素が抽出対象領域に属するか否か, を識別 2 次元 2 次元写像

20 画像の幾何変形 画像の幾何変形 平 移動回転拡 縮 ( スケール ) アフィン変換 =( 平 移動 + 回転 + スケール + せん断 ), ここでは, せん断のみを図 射影 ( 任意 度からの撮影に相当 ) 懐かしの 列 登場 X Y a c b d x y 本当はもうちょっと複雑 特徴点の検出と記述 (Keypoint detection) Y y 最近, 特によく使われる道具 X x

21 特徴点を検出し, 似た特徴点を探すと ( まずは ) 特徴点の検出 つの画像の 較 ( 対応付け ) ができる! どこを 特徴点 とするか? コーナー点 ( や輝度勾配のピーク点 ) が選ばれる コーナー点の検出指針 Harris オペレータ 安定しているので いろいろ ずらして 差分を取ったら, その周囲で差分が きくなりがちな点 コーナー 丸のところは差分 丸のところは差分 ( そして ) 特徴点の記述 ( 最後に ) 似ている特徴点を つける 特徴点周辺の形状を数値として表現 例 この 領域での 平 向の変化量垂直 向の変化量

22 顕著性マップ ( つ点 を探す ) 原画像 顕著性マップ 原画像 左よりカラーコントラスト明るさコントラストエッジ 向コントラスト 統合結果 ( 顕著性マップ ) 結果 A Model of Saliency-Based Visual Attention for Rapid Scene Analysis By Laurent Itti, Christof Koch, Ernst Niebur, IEEE Trans. PAMI, 1998 A Model of Saliency-Based Visual Attention for Rapid Scene Analysis By Laurent Itti, Christof Koch, Ernst Niebur, IEEE Trans. PAMI, 1998 トラッキング : たかが追っかければ済む話. でも 物体追跡 ( トラッキング ) 兎を追うものは 兎を得ず きさ変化隠れ ( オクルージョン ) 類似物体

23 トラッキングの基本的考え 最も類似した領域を探すときの がかり 最も類似した領域を探す 対象 ( 既知 ) の { 形,, テクスチャ } と類似 後述のパターン認識技術も利 可能 前時刻の位置からそう離れていない 追跡経路の連続性 時間 基本的なトラッキング法 テンプレートマッチング リアルタイム型 テンプレートマッチング Mean Shift パーティクルフィルタ リアルタイム型 動的計画法に基づくトラッキング 線形計画法に基づくトラッキング 各時刻の画像が る毎にその都度位置決定 全時刻の画像が った後で 括して位置決定 最も簡単 そのままでは対象の変形に 常に弱い 前時刻での結果 時刻 t-1 較 時刻 t 前時刻の周囲で最も類似した領域を求める テンプレート ( 追跡対象 )

24 Mean Shift (1/4): 初期対象領域設定 Mean Shift (2/4): ヒストグラム 対象領域の ヒストグラムを計算 Target object t=1 t(=1) ポイント : ヒストグラムは, 変形に頑強 Mean Shift (3/4): ヒストグラム 現在位置付近で次時刻の ヒストグラムを計算 Mean Shift (4/4): 移動 向決定 ヒストグラム間類似度を計算 類似度が きくなる 向に中 を移動 t t+1 t t+1

25 パーティクルフィルタ : まき 型 法 選択 込みのある を選んで増殖 ( 状態 ) パーティクルフィルタ : 結果例 予測 を近くにばらまいて移動 重み付け 各々の の良さを評価 次の時刻へ 重み付き重 = 追跡結果 リアルタイム型トラッキングの天敵 : 隠れ ( オクルージョン ) リアルタイム トラッキング! 時刻 時刻 トラッキングが破綻! 全時刻の画像を得た上で, トラッキング経路を 括最適化

26 リアルタイム トラッキング局所コスト (1) リアルタイム トラッキング(2) 位置 局所コスト 最適経路を求める 経路上のコストの総和が最 連続的に推移する必要位置 局所コスト 局所コスト 0 時刻 時刻 Tracking Results 多対象トラッキング この粒の 1 つ 1 つを追いたい! Mean-shift ( リアルタイム ) Particle filter ( リアルタイム ) (Sample video from PETS2007) DP tracker ( リアルタイム ) リアルタイム型の頑健性 メラノソーム輸送 ( 東北 学福 研究室 )

27 多対象トラッキングの例 : 末梢神経内 APP-GFP トラッキング 対象の数が変化する追跡問題 : 卵割トラッキング ( 阪 縣先 とのコラボ ) 北 鈴 利治研究室との共同研究 背景差分も使えるなら使う! 画像全体の動き推定 メダカ追跡 : 基 研渡辺先 とのコラボ 床屋の3 ポールはなぜ上がるように える?

28 フレーム間差分画像 フレーム間差分画像の例 動きの有無がわかるだけ 結構役 つ場合も 動いた部分が残る 前フレーム 現フレーム 時刻 t 時刻 t+1 動いていない 部分は消える 差分画像 参考 :Motion History Image Optical flow とは? 数フレーム分の背景差分を画像化したもの 2 時刻間の画像変化を抽出 ある意味 各画素単位のトラッキング A. Bobick and J. Davis, IEEE PAMI, 2001 細胞質流動解析 : 遺伝研 村 ( 暁 ) 先 とのコラボ

29 テンプレートマッチングによるオプティカルフロー テンプレートマッチングによるオプティカルフロー 時刻 t 時刻 t+1 テンプレート 各画素を中 としたテンプレートのマッチングにより対応点を決定 おまけ : 推定された動きを使って時刻 t+1 の画像を時刻 t に近づけた結果 動き推定結果 テンプレートマッチングによるオプティカルフロー テンプレートマッチングによるオプティカルフロー 時刻 t 時刻 t+1 時刻 t 時刻 t+1 おまけ : 推定された動きを使って時刻 t+1 の画像を時刻 t に近づけた結果 動き推定結果 おまけ : 推定された動きを使って時刻 t+1 の画像を時刻 t に近づけた結果 動き推定結果

30 I Horn Schunck の 法 (1): 基本的考え 時刻 t 時刻 t dt x, y, t I( x dx, y dy, t dt) ずらしたら, 同じ輝度値の画素がある 近似 整理 dtで割る Horn Schunck の 法 (2): オプティカルフロー拘束式 I( x, y, t) I( x dx, y dy, t dt) I I I( x, y, t) dx dy dt x y I dx x dx dt I dy y I x dy dt dt I y I t I t 0 0 I t Horn Schunck の 法 (2): オプティカルフロー拘束式 Horn Schunck の 法 (3): 結果例 近似 整理 dtで割る I( x, y, t) I( x dx, y dy, t dt) 動き! 左辺の値がなるべくゼロに近く, かつ, 動きが滑らかになるように, dx/dt, dy/dtを画像全体で最適化 I I I( x, y, t) dx dy dt x y I dx x dx dt I dy y I x 画像から直接 I 計算できる値 dy dt dt I y I t I t 0 0 I t

31 開 問題 : 画像のみによる動き推定の本質的限界? 画像の位置合わせ 時刻 t 時刻 t+1 間ですら 単に重ねて済むほど くない 画像の位置合わせ つの画像を ( うまく調節して ) 重ね合わせる 位置合わせ : 平 移動で済む場合 ずらしながら誤差が最 になる位置を探索 画像 B A B A+B 異なる波 の蛍光画像の重ね合わせ等にも応 可能 画像 A この領域の重ね合わせ誤差を評価

32 特徴点ベースの画像位置合わせ モザイキング : 幾何変換が必要な位置合わせ 幾何変換 + 位置合わせ [ 電 情報通信学会知識ベース ] 特徴点対応の決定 幾何変換の推定 ビデオモザイキング 剛体位置合わせ 画像 A 画像 B 対応関係 A に合わせた B 結果

33 剛体位置合わせの 法 画像 A に最も似るように 画像 B を ゴム膜 のように 変形 変形の最適化問題 画素レベルの対応関係の決定問題 連続性への配慮も必要 動き推定の問題と根は同じ 補 : 画像処理のトレンド A B 流 り廃りは, どこでも 緒 画像処理研究のトレンド 単純な信号処理 ( フィルタ ) から知的処理へ 機械学習 & 最適化 認識ベーストラッキング 動的背景モデル 認識による計数 光学特性推定 事例ベース処理 確率的画像処理 統計物理的 法の導 MRF, CRF 規模画像処理 量画像データによる 損部補完 Scene Completion [Hays, SIGGRAPH2007]

34 規模画像データによる 画像 GPS 量画像データによる CG の 精度化 CG2REAL [Johnson, IEEE Trans. VCG, 2011] 量画像データによる 3 次元 動再構築 Building Rome in a Day 規模画像データによる超解像 低解像度画像から 解像度画像の 成 [Agarwal, ICCV2009] huge face database [Baker & Kanade, 2000]

35 規模画像データによる 3D 推論 照状況の異なる 量の画像と輝度共起性を いて, 距離を取得 量データではないが, こんなことも : Exemplar-Based Inpainting [Criminisi, IP2004] 量データではないが, こんなことも : Seam Carving 第 部終了 おつかれさまでした [Avidan, SIGGRAPH2007]

36 第三部パターン認識技術 画像認識の基本原理 その 終わりなき戦い のサワリだけ 原理は簡単 パターン認識とは? 様々な応 : 画像だけじゃない! 画像認識 般物体認識 ( 机, 機, バイク ) 画像 カメラ 豚 特定物体認識 ( 同 物体の検索 ) 字認識 顔認識, 表情認識, 物認識, 指紋認識, 歩容認識 運動軌跡認識 ジェスチャ 動認識 トラッキング結果からの状態認識 コンピュータ 声認識 字列照合 バイオインフォマティクスで多

37 パターン認識の実現法 : 画像認識 パターン認識の実現法 : 字認識の場合 画像 どれと近い? データベース ( 学習パターン ) パイナップル 鯛 ( 尾頭つき ) 豚 画像 データベース ( 学習パターン ) あいう あ い う 画像 みかん 正解ラベル すいか 認識結果 画像 = あ 画像 え え 正解ラベル パターン認識の実現法 : 特徴空間 x 1,1,1,0,1,1,1,,...,0, 1 81 次元特徴ベクトル T パターン認識の実現法 : 特徴空間 x 1,5,2,2,5,4,4,3, 4 9 次元特徴ベクトル T 各 の 画素数 x 3 x 3 9x9 ビットマップ x 81 x 2 9x9 ビットマップ x 9 x 2 81 次元特徴空間 x 1 9 次元特徴空間 x 1

38 画像認識の実現法 パターン認識の難しさ (1): パターンは変形する された画像を, 計算機に登録されている画像と 較し, 番近い 登録画像の名前を出 するだけ 簡単そう!?? パターン認識の難しさ (2): 近さには様々な基準が考えられる パターン認識の難しさ (3): 未登録パターンは本質的に認識不能 が近い ( 妙に い ) みかん? 形が近い

39 パターン認識の難しさ (4): 切り出し Ex. 情景内の 字認識認識に先 ち, どこが 字であるか を認識する必要! 最近傍法 (Nearest neighbor method) 類は友を呼ぶ 原理 最近傍法 最近傍法の別解釈 境界を引くのと等価 input input= あ 特徴空間 81 次元特徴空間

40 最近傍法の差分画像による解釈 単純な最近傍法 ( 差分画像による 法 ) の弱点 変形 input 標準 差分 最近傍法をどう賢くするか? 最近傍法をどう賢くするか? 画像をそのままではなく, 別の特徴として表現 輝度値ヒストグラム, 向特徴, 特徴点集合,etc 画像をそのままではなく, 別の特徴として表現 輝度値ヒストグラム, 向特徴, 特徴点集合,etc 最近傍だけでなく k 近傍の多数決 K-nearest neighbor 最近傍だけでなく k 近傍の多数決 K-nearest neighbor 各パターンの変動を確率的に表現 統計的パターン認識 Bayes 識別 次のチュートリアル? ( 中村先 )

41 クラスタリング クラスタリング 全パターン集合を k 個の部分集合 ( クラスタ ) に分割 なるべく似たパターンが同じクラスタに るように クラスタ = 塊 ( 正確には 房 ) 各クラスタの 代表パターン も有 K-means 法 (0) 初期代表パターン K-means 法 (1) 学習パターン分割 例えばランダムに与える 代表パターンのファンクラブ ( 持者集合 )

42 K-means 法 (2) 代表パターン更新 K-means 法 (1) 学習パターン分割 この中の学習パターンの平均に移動 K-means 法 (2) 代表パターン更新 補 : パターン認識のトレンド 以後, 代表パターンが動かなくなるまで反復 他の基本技術をすっ ばしてしまい, すみません

43 パターン認識研究のトレンド (1/3) Bag-of-features: バラバラにして認識する! 特徴点検出 記述の多様化 SIFT/SURF といった回転 拡 縮 に強い特徴記述 Local Binary Pattern HOG Bag-of-features 画像を特徴点集合を使って記述 未知 データベース Actin Filament 多数決 & 認識結果 Actin Filament 特徴点検出 記述 較 突然ですが, ちょっと ネタを 書き数字はバラバラにしても読める? part part part part part part part

44 多数決part データ 書き数字はバラバラにしても読める? 答 認識 認識 parts 認識 ベース 3 なぜ読める!? パターン認識研究のトレンド (2/3) 機械学習技術の発展 Support vector machines Graphical modeling Classifier ensemble Random forest Boosting Semi-supervised learning 低次元化 Manifold learning Transfer learning Kernel methods おそるべし, 多数決パワー

45 Kernel methods: 原理概要 パターン認識研究のトレンド (3/3) x 2 ( ) 正常 異常 x : x x x1 x2 x1x 2 x 1 x 2 x 2 対象の複雑化 般物体認識 Ex. ラーメンはどれ? 画像 声などの統合 規模化 何千万もの画像を使って認識 Lifelog ( 体重 ) 直線 ( 線形関数 ) では2 分できない x 1 その他 使えそうな パターン認識技術 マッチング 時系列データ (ex. 追跡結果 ) 間の類似度計算 モデリング 単 経路のモデリング 複数経路のモデリング 因果モデリング マルコフ的モデリング 他にも 々 異常検出, 予測, 補間,etc この辺の時系列系は明 のご発表でも? 例えば, マッチングにより追跡経路間の類似度を測る いわゆるペアワイズアライメント x 1 y 1 x 2 y 2 x 3 y 3 x 4 y 4 x 5 y 5 追跡結果 A 時間ずれも表現 A B

46 例えば, クラスタリングにより複数の追跡経路をグルーピングする すべての 2 系列間の類似度を求める 最終部 物学者と画像情報学者, どうコラボするか? 勝 な私 いくつのクラスタが形成されるかも重要な知 ハネムーンを成 離婚にしないために 画像情報学 with バイオ : コラボ 三態 梅 : よろしくない状態 市販ソフトの代替役 でもどうやって 松 コラボを作るか? : それぞれが Win-win の状態 バイオ : 定量化が楽になる or 知 の裏付けに成功 画像情報 : 新しい画像処理 法を開発して発表 新しい形態のコラボだから模索するしかないのか 松 : 真の融合状態 物学的発 が, 画像情報学の貢献で実現 相当のディスカッションが必要 というわけで模索しましょう!

47 コラボ時の私的ポリシー (1/2) コラボ時の私的ポリシー (2/2) ( 絶対無理そうでなければ ) なるべく断らない こちらも絶賛模索中 物学者も使ってみないとわからないでしょうし ( ただし, ウチの学 さんが許す限り ) 市販ソフトにはできない付加価値を 指す 単なる道具屋 ( 梅コラボ ) になるべきではない コラボ 松コラボを 指すべき 厚かましいことは承知の上! 結果的に貢献できれば, 論 の連名にしてほしい 成功例として, 画像情報系研究者にアピールできれば なるべくface-to-face 学 単独でもバンバン出張させる 相 のテンポを考える バイオ系は1テーマに く取り組むことが多い 気 に, しかし忘れられないように オーバースペックにはしない! 本当に必要な時以外は, 極 単純な 法で! オーバースペック について 法に懲りすぎて, 測るべきもの 以上のものを測らないように, 戒すべき! 状況 : 画像情報学でもホットになりつつある? の各種トライアル 来年 1 28 阪 パターン認識に関する国際会議 2012 Contest Mitosis Detection in Breast Cancer View アルゴリズムコンテスト 理研横 先 らの主導により, 盛況 バイオイメージインフォマティクス ( 理研 浪先 ) [Yutaka Matsubayashi, et al., J. Cell Sci., 2010]

48 最終部終了 おつかれさまでした