人間の視覚的注意を予測するモデル ～ 動的ベイジアンネットワークに基づく 最新のアプローチ ～
|
|
|
- つかさ いちぞの
- 5 years ago
- Views:
Transcription
1 人間の視覚的注意を予測するモデル ~ 動的ベイジアンネットワークに基づく最新のアプローチ ~ 木村昭悟 ( きむらあきさと ) 日本電信電話 ( 株 ) NTT コミュニケーション科学基礎研究所 akisato at ieee dot org
2 Where would you focus? Ready? 人間は映像中から重要と思われる情報を瞬時に判断できる 信号処理シンポジウムレビュー講演 Page 2
3 特徴統合理論 [Treisman et al. 1980] いくつかの基本的な特徴量 ( 輝度 色など ) を抽出し処理することで 各々 feature map を生成 Feature map を統合することで saliency map(sm) を生成 Saliency map 内で最も輝度値が大きくなる箇所に最初に視線が向けられる 入力画像 Saliency map 信号処理シンポジウムレビュー講演 Page 3
4 これをもし計算機上で実現できれば 与えられた映像のみから人間が注目しやすい領域を自動的に特定できる 人間と同様に 重要性に応じて視覚情報を能動的に取捨選択できるシステムの構築が可能に 視覚補助ロボットビジョン物体認識 ( 菊池 荻野 浅田 2009 日本ロボット学会誌 ) (Su and Takahashi 2010 VISAPP) (Gao and Vasconcelos 2004 NIPS) 信号処理シンポジウムレビュー講演 Page 4
5 今日お話しすること 人間の映像注視行動を高速かつ高精度に模擬する計算モデルについてのお話 具体的には Saliency map: 視覚的注意の計算モデルの基本 視覚的注意の確率モデル 拡張モデル : より精緻なモデルへ 応用 : 領域分割 物体検出 物体認識学習 信号処理シンポジウムレビュー講演 Page 5
6 Saliency map 信号処理シンポジウムレビュー講演 Page 6
7 Saliency map の計算モデル 数多くの研究がなされている Itti, Koch & IEEE Trans PAMI 1998: 特徴統合理論を源流とする生理学モデル [Koch 1985] の計算モデル実装 Itti & CVPR2003: 各種画像特徴の事前分布と事後分布との相違の検出 2005, Gao & ICCV2007: Itti モデル + トップダウン情報の考慮 Avraham & IEEE PAMI 2009: テンプレート照合をベースとした特異性の検出 信号処理シンポジウムレビュー講演 Page 7
8 Saliency map の計算 Input image Feature extraction & recursive Gaussian convolution intensity color orientation motion (Itti and Koch 2000 Vision Research) Center-surround differences & normalization Feature maps (Itti, Koch and Niebur 1998 IEEE Trans PAMI) Across-scale summation & normalization Conspicuity maps Linear combination Saliency map 信号処理シンポジウムレビュー講演 Page 8
9 Saliency map モデルの問題点 与えられた入力画像について決定論的に SM が計算される SM 内で最も輝度値が大きい領域に最初に視線が向く 同じ映像が与えられると 誰がいつその映像を見ても同じ場所に視線が向くことを主張 明らかに人間の直感と乖離 入力画像 Saliency map (extracted by Itti-Koch model) 信号処理シンポジウムレビュー講演 Page 9
10 視線位置が変動する要因 トップダウンな制御 が支配的と考えられていた 視聴者の趣味や嗜好 : 好き / 嫌いなものに目が向く 粗探しをする 映像を見る目的 : 探し物をしている 車を運転している 時刻が知りたい 映像文脈 先見的な知識 : ジャンル特有の映像の見方 字幕の出る位置 計算モデルでもトップダウン情報の導入が進んだ Peters & CVPR2007 Navalpakkam & CVPR2006 信号処理シンポジウムレビュー講演 Page 10
11 では この例ではどうでしょうか? 斜め 30 度に傾いた線を見つけてみて下さい これです どちらの例が早く見つけられましたか? 左の方が簡単でしたね ( たぶん ) でも ちょっとおかしいと思いませんか? 早く見つける = 目的の箇所に早く視線を向ける 目的は一緒なのに 視線位置が変化する の? 信号処理シンポジウムレビュー講演 Page 11
12 この現象をどう説明するのか? 信号検出理論を用いた解釈が有用 信号検出理論 軍事目的の統計理論が発祥 [Peterson 1954] ノイズの多いレーダー信号を受け取ったときに どのような基準で敵がいる いないを判断するか? 直後に 心理学での意思決定に転用 [Tanner 1954] 以降 刺激検出力に関する心理物理学の理論として定着 以降 通信理論や信号処理など幅広く利用される 視覚探索課題への転用はごく最近 [Eckstein 2000] 信号処理シンポジウムレビュー講演 Page 12
13 信号検出理論を用いた解釈 実際に知覚される saliency は 入力された視覚刺激に対して常に一定ではなく ガウス分布に従って得られる確率的数量であると仮定 実際に知覚された saliency が最も大きな領域に視線が向く Target Distracters 信号処理シンポジウムレビュー講演 Page 13
14 Stochastic saliency model Kimura, Pang, Takeuchi, Miyazato, Yamato, Kashino A stochastic model of human visual attention with a dynamic Bayesian network, conditionally accepted to IEEE Trans. PAMI, September 信号処理シンポジウムレビュー講演 Page 14
15 確率モデルの概略 Top-down Eye movement patterns (EMP) 視線移動の戦略を制御する人間の内部状態をモデル化 ( 動かしたい or 動かしたくない ) 映像入力とは独立に決定される Eye-focusing density map Bottom-up/Top-down 情報を統合することで 視線が向く確率の高い領域を推定 Saliency map (SM) 映像入力によって人間が受ける視覚刺激の強さを表現 < 従来技術 > Stochastic saliency map (SSM) 信号検出理論 [Eckstein 2000] に基づき 刺激に対する応答をガウス分布でモデル化 Bottom-up 信号処理シンポジウムレビュー講演 Page 15
16 動的ベイジアンネットワークによる表現 Intention Eye movement patterns 意図視線を動かしたいかどうか? 行動 Action 視線移動の大きさは意図で決まる Eye-focusing 応答が大きい箇所に視線が向く density maps 応答刺激をどう受け取ったか? To be estimated Response Stochastic saliency maps Stimulus (deterministic) saliency maps 刺激どんな視覚情報が入ってきたか? Input Input video Given in advance Top-down Bottom-up 信号処理シンポジウムレビュー講演 Page 16
17 確率モデルの処理 Stochastic saliency map (Time = t-1 ) passive or active 時間連続性 視覚系内部の観測雑音を考慮 ( 信号検出理論 ) passive or active Input frame (Time = t ) Saliency map Stochastic saliency map (Time = t ) Eye-focusing density map Eye movement pattern Prob. s.t. it takes the highest = 0.01 Prob. s.t. it takes the highest = 0.55 Saliency Saliency 信号処理シンポジウムレビュー講演 Page 17
18 Saliency map の抽出 Itti model [Itti 1998] を利用 特徴統合理論に基づき 映像の各フレームから独立にSMを生成 基本特徴量の空間的なコントラストを多重解像度処理によって抽出し統合 Input image Feature extraction & recursive Gaussian convolution 抽出に用いた基本特徴量 輝度 補色 ( 赤 / 緑 青 / 黄 ) 方向 (0, π/4, π/2, 3π/4) 運動 ( 水平 垂直 ) Feature maps Conspicuity maps intensity color orientation motion Center-surround differences & normalization Across-scale summation & normalization Linear combination Saliency map 信号処理シンポジウムレビュー講演 Page 18
19 Stochastic saliency map の推定 SM を観測とする Gaussian 状態空間モデル モデル 2 1 Response Stochastic saliency maps Stimulus (deterministic) saliency maps SSM がガウス分布を介し SM として観測される SSM の時間方向での連続性を仮定 SSM の分布 ( を決める平均 分散 ) は SM を観測とする Kalman filter により解析的に導出可能 信号処理シンポジウムレビュー講演 Page 19
20 Eye-focusing density map の推定 (1) 信号検出理論に基づく確率計算 Intention Eye movement patterns モデル 1 Action Eye-focusing density maps Response Stochastic saliency maps 映像中の位置 x(t) において実際に観測された応答 (=SSM の実現値 ) が それ以外の位置での応答よりも大きくなるときに 位置 x(t) に視線が向く 信号処理シンポジウムレビュー講演 Page 20
21 信号検出理論に基づく確率計算 1. 右側 PDF の 1 点 s を固定 2. 左側 PDF からの出力が s よりも小さくなる確率を計算 3. 右側 PDF の値 s を少しずつ動かしながら 1-2 を繰り返す 信号処理シンポジウムレビュー講演 Page 21
22 Eye-focusing density map の推定 (2) EMP を隠れ状態とする隠れマルコフモデル (HMM) モデル Intention Eye movement patterns Action Eye-focusing density maps Response Stochastic saliency maps EMP 状態遷移確率 視線移動距離に関する PDF 入力と独立に遷移する EMP によって視線移動の大きさを制御 信号処理シンポジウムレビュー講演 Page 22
23 Eye movement pattern とその意味 視線移動距離を小さく抑える 大きな視線移動をある程度許容 信号処理シンポジウムレビュー講演 Page 23
24 Eye-focusing density map の推定 (3) サンプリングを用いた密度推定 EMP に依存する部分から Markov chain Monte Carlo (MCMC) でサンプリング SFM に依存する部分でサンプルの重みを決定 SFM から決定 EMP から決定 信号処理シンポジウムレビュー講演 Page 24
25 サンプルベース密度推定の詳細 サンプリングを 2 段階に分割 SFM から決定 MCMC サンプリングによりサンプリング処理量を平準化 EMP から決定 木構造を用いた繰り返し演算 並列化により高速化 Sampling from EMP part Weighting with SFM part Resampling Samples at time t-1 Samples at time t 信号処理シンポジウムレビュー講演 Page 25
26 モデルパラメータの学習 映像入力 及び対応する視線位置測定結果を用いて モデルパラメータを自動的に学習 入力映像 Saliency map を抽出 視線測定機器を用いて実際の視線位置を測定 視線位置系列 EM アルゴリズムを用いてモデルパラメータを推定 ビタビ学習を用いてモデルパラメータを推定 SSM モデルパラメータ EMP モデルパラメータ 信号処理シンポジウムレビュー講演 Page 26
27 脱線 : 視線位置測定機器とその仕組み 近赤外線を眼球に投射し その反射像から推定 瞳孔中心 様々な形態の機器が開発されています プルキニエ像 ( 投射近赤外の網膜反射像 ) (Ohno, Mukawa & Yoshikawa 2002 Proc. ETRA) 携帯型 据え置き型 ディスプレイ一体型 ( 2010 Tobii Corp.) 信号処理シンポジウムレビュー講演 Page 27
28 Demonstration 信号処理シンポジウムレビュー講演 Page 28
29 アルゴリズムの実行例 信号処理シンポジウムレビュー講演 Page 29
30 Evaluations 信号処理シンポジウムレビュー講演 Page 30
31 実験条件 公開データベース CRCNS eye-1 1 を使用 映像 : 100 本 MPEG-1 640x480 pixels 30fps 視線データ : 各映像 4~6 名分 240fps Original experiments と称する映像群 (50 本 ) 及び対応する視線測定結果を使用 モデルパラメータの学習 : 5-fold cross validation 40 本をパラメータ学習に 残り 10 本を評価に用いる 計算機スペック CPU: Intel Core2 Quad Q6600 (2.40GHz) GPU: NVIDIA GeForce 8800GT (112 cores, 512MB VRAM) 1 信号処理シンポジウムレビュー講演 Page 31
32 評価尺度 Normalized scanpath saliency (NSS) ランダムな視線移動に対する有意差を測定する尺度 1. 出力画像のピクセル値を 平均 =0 分散 =1となるように正規化 2. 各フレームについて 被験者の視線位置での出力画像のピクセル値を抽出 3. 上記ピクセル値のフレーム平均を取り NSSを算出 出力画像 正規化したピクセル値の分布 NSS=1.75 正規化 信号処理シンポジウムレビュー講演 Page 32
33 実験結果 (1/3) 被験者の視線位置との一致性の比較 SM を SSM にしても直接の効果はない 信号検出理論を用いた視線位置推定により大幅な精度向上 EMP の導入によりさらなる精度向上 Saliency map 信号処理シンポジウムレビュー講演 Page 33
34 Extended model Kimura, Pang, Takeuchi, Yamato, Kashino Dynamic Markov random fields for stochastic modeling of visual attention, Proc. ICPR2008, December 信号処理シンポジウムレビュー講演 Page 34
35 Stochastic saliency map の推定 SM を観測とする Gaussian 状態空間モデル モデル 2 1 Response Stochastic saliency maps Stimulus (deterministic) saliency maps SSM がガウス分布を介し SM として観測される SSM の時間方向での連続性を仮定 空間的な関係性を考慮していない! Saliency が高い箇所の周辺も saliency が高いはず 信号処理シンポジウムレビュー講演 Page 35
36 空間的な関係性を考慮すると 動的マルコフ確率場によるモデル化 Saliency の時空間的な関係を統一的に記述 ナイーブ平均場近似により 初期モデルとほぼ同様のコストで視線位置を推定 動的マルコフ確率場 (dynamic MRF) 時間方向のダイナミクスを取り込んだマルコフ確率場 (MRF) の拡張 : 観測 : 隠れ状態 時刻 t-1 時刻 t 時刻 t+1 信号処理シンポジウムレビュー講演 Page 36
37 SSM 推定処理の概要 SSMの時間方向での連続性を仮定 SSMがガウス分布を介し SMとして観測される SSMの空間的な連続性も同様に仮定 Stochastic saliency maps (y の近傍 ) Saliency maps 信号処理シンポジウムレビュー講演 Page 37
38 実験結果 平均 NSS の比較 提案法 with MRF >> Itti-Koch model ( 約 2 倍 ) 提案法 with MRF > 提案法 without MRF ( 約 1.2 倍 ) Average NSS score Itti-Koch model previous model proposed model 信号処理シンポジウムレビュー講演 Page 38
39 Applications 福地 宮里 木村 赤嶺 高木 大和 グラフコストの逐次更新を用いた映像顕著領域の自動抽出, 電子情報通信学会論文誌 D 2009 年 8 月 Akamine, Fukuchi, Kimura, Takagi Fully automatic extraction of salient objects in near real-time, the Computer Journal, November 信号処理シンポジウムレビュー講演 Page 39
40 映像領域分割 問題設定 映像から 興味の対象である領域 ( 物体領域 ) を 背景などそれ以外の領域 ( 背景領域 ) と区別して抽出 有力な解法 : Graph cuts 領域分割の問題を MRF の最尤推定問題として定式化 この MRF 最尤推定問題は MRF と等価なグラフの最小カット問題に置き換えられる [Greig 1989] [Boykov & Jolly 2001] [Kohli & Torr 2007] 最小カット問題を多項式時間で解くアルゴリズムがある [Ford & Fulkerson 1956] [Boykov & Jolly 2001] Computer vision 系研究における流行技術の 1 つ ( 参考文献 ) 石川 コンピュータビジョン最先端ガイド 1, 第 2 章グラフカット 信号処理シンポジウムレビュー講演 Page 40
![Graph cuts を用いた領域分割 Interactive graph cuts [Boykov & Jolly 2001]](/docs-images/96/130290325/images/41-0.jpg "手動で与えられたラベル ( 物体 or 背景 ) を用いた graph cuts に基づく静止画像分割の手法 ( 手動ラベリング")
41 Graph cuts を用いた領域分割 Interactive graph cuts [Boykov & Jolly 2001] 手動で与えられたラベル ( 物体 or 背景 ) を用いた graph cuts に基づく静止画像分割の手法 ( 手動ラベリング ) 画像特徴分布を GMM でモデル化 Features for obj Features for bkg 入力画像 ラベル この部分を何とかしたい! 分割結果 グラフ作成およびグラフカット 信号処理シンポジウムレビュー講演 Page 41
42 顕著性を手がかりとする領域分割 視覚的注意の確率モデル の出力結果を手がかりとすれば 自動抽出を実現可能に 入力映像 視線位置推定 人間の視覚特性を模擬する統計モデルを独自に構築 そのモデルに基づいて 注目しやすい画像中の位置を自動的に推定 注目領域抽出 推定視線位置周辺の画像特徴 及び構成要素の空間的連続性を考慮して 主要構成要素を自動抽出 信号処理シンポジウムレビュー講演 Page 42
43 自動領域抽出方法の構成 ポイント 1 注目領域事前確率 入力フレーム 注目点推定 特徴量尤度 抽出結果 ポイント 1 注目点推定の結果から大まかな もの の場所を自動的に特定 注目対象の特徴量尤度 尤度非注目対象の特徴量尤度 尤度ポイント 2 現在の抽出結果を未来のモデル構築に利用 安定した抽出を実現 統計モデル構築 ポイント 2 逐次更新 信号処理シンポジウムレビュー講演 Page 43
44 注目領域抽出方法の効果 入力映像 1. 先頭フレームのみ手動でラベル付け + 抽出領域の追跡 ([Kohli 2007] 等に対応 ) 2. 顕著性に基づき事前確率を自動設定 + 領域追跡なし ([Fu 2008] 等に対応 ) 3. 注目位置に基づき事前確率を自動設定 + 事前確率を逐次更新 ( 提案技術 ) 先頭で構成要素を手動設定しても 一度見失うとそれ以降抽出不能に 注目しやすさ だけでは その確率的な変動により抽出結果が安定しない 提案技術は 上記 2 つの問題を同時に解決 信号処理シンポジウムレビュー講演 Page 44
45 Demonstration 木村 南 坂野 前田 杉山 対話型映像認識理解のための動的学習戦略に関する試み, ( 発表予定 ) 電子情報通信学会 PRMU 研究会 2010 年 12 月 Sekhon 木村 南 坂野 前田 Action planning for interactive visual scene understanding based on knowledge confidence defined on latent spaces, 電子情報通信学会 PRMU & IBISML 研究会 2010 年 9 月 信号処理シンポジウムレビュー講演 Page 45
46 人間の発達初期段階を模した物体認識学習 映像顕著性に基づく視覚情報フィルタリングにより 事前知識を仮定せずに重要領域を自動的に抽出 抽出された領域に対して蓄積された知識を用いて自動 / 手動でアノテーション 入力映像 注目位置推定 視覚特性に基づく処理で人間が目を向けそうな箇所を自動的に推定 ( その付近に もの があるだろうという仮説 ) 重要領域抽出 もの のありそうな箇所から もの らしい領域を自動的に抽出 教示情報 モデル学習 もの に関する教示情報と もの の画像特徴量とから それらの関係性を学習し 知識として蓄積 特徴抽出 画像認識 もの らしい領域から画像特徴量を抽出 その特徴量と蓄えた知識から もの が何であるか? に関する情報を提示 信号処理シンポジウムレビュー講演 Page 46
47 デモシステム 信号処理シンポジウムレビュー講演 Page 47
48 まとめ 人間の映像注視行動を高速かつ高精度に模擬する計算モデルについてご紹介しました 具体的には Saliency map 視覚的注意の確率モデル その応用 ( 領域分割 物体認識学習 ) 今後の課題は より広範囲にわたるトップダウン制御の実現 音響信号に起因する注意の計算モデル Multi-modal attention estimation 48 信号処理シンポジウムレビュー講演
49 Acknowledgments ( 敬称略 ) Collaborators 竹内龍人 大和淳司 NTT CS Labs. 高木茂 宮里洸司 福地賢 沖縄高専 Derek Stanford Univ. Clement Univ. Toronto 南泰浩 坂野鋭 前田英作 NTT CS Labs. Supporters Laurent Univ. Southern California, USA Minho Kyungpook Univ., South Korea 49 信号処理シンポジウムレビュー講演
50 Thank you for your kind attention. Questions / comments? Corresponding author Akisato Kimura, NTT CS Labs. 50 信号処理シンポジウムレビュー講演
Microsoft PowerPoint PresentationPRMU2008Nov.ppt [互換モード]
![Microsoft PowerPoint PresentationPRMU2008Nov.ppt [互換モード]](/thumbs/81/82809688.jpg "Microsoft PowerPoint PresentationPRMU2008Nov.ppt [互換モード]")
Dynamic Markov random fields for stochastic modeling of visual attention 2008 年 11 月 27 日 木村昭悟 (1) Derek Pang (1,2) 竹内龍人 (1) 大和淳司 (1) 柏野邦夫 (1) (1) 日本電信電話 ( 株 )NTT コミュニケーション科学基礎研究所メディア情報研究部メディア認識研究グループ
Coding theorems for correlated sources with cooperative information
MCMC-based particle filter を用いた人間の映像注視行動の実時間推定 2009 年 7 月 21 日 宮里洸司 (2) 木村昭悟 (1) 高木茂 (2) 大和淳司 (1) 柏野邦夫 (1) (1) 日本電信電話 ( 株 )NTT コミュニケーション科学基礎研究所メディア情報研究部メディア認識研究グループ (2) 国立沖縄工業高等専門学校情報通信システム工学科 背景 ヒトはどのようにして
Coding theorems for correlated sources with cooperative information
MCMC-based particle filter を用いた人間の映像注視行動の実時間推定 2009 年 5 月 28 日 宮里洸司 (1 2) 木村昭悟 (1) 高木茂 (2) 大和淳司 (1) (1) 日本電信電話 ( 株 )NTT) コミュニケーション科学基礎研究所メディア情報研究部メディア認識研究グループ (2) 国立沖縄工業高等専門学校情報通信システム工学科 背景 ヒトはどのようにして
Coding theorems for correlated sources with cooperative information
グラフコストの逐次更新を用いた映像顕著領域の自動抽出 2009 年 5 月 28 日 福地賢宮里洸司 (2) 木村昭悟 (1) 高木茂 (2) 大和淳司 (1) (1) 日本電信電話 ( 株 )NTT) コミュニケーション科学基礎研究所メディア情報研究部メディア認識研究グループ (2) 国立沖縄工業高等専門学校情報通信システム工学科 背景 ヒトはどのようにして もの を認識する能力を獲得するのか?
(MIRU2009) MCMC-based particle filter, NTT stream processing stream processing 10 stream processing Real time esti
(MIRU2009) 2009 7 MCMC-based particle filter, NTT 905 E-mail: akisato@ieee.org stream processing stream processing 10 stream processing Real time estimation of human visual attention with MCMC-based particle
(MIRU2010) NTT Graphic Processor Unit GPU graphi
(MIRU2010) 2010 7 889 2192 1-1 905 2171 905 NTT 243 0124 3-1 E-mail: ac094608@edu.okinawa-ct.ac.jp, akisato@ieee.org Graphic Processor Unit GPU graphic processor unit CUDA Fully automatic extraction of
PowerPoint プレゼンテーション
ロボットの計画と制御 マルコフ決定過程 確率ロボティクス 14 章 http://www.probabilistic-robotics.org/ 1 14.1 動機付けロボットの行動選択のための確率的なアルゴリズム 目的 予想される不確かさを最小化したい. ロボットの動作につての不確かさ (MDP で考える ) 決定論的な要素 ロボット工学の理論の多くは, 動作の影響は決定論的であるという仮定のもとに成り立っている.
生命情報学
生命情報学 5 隠れマルコフモデル 阿久津達也 京都大学化学研究所 バイオインフォマティクスセンター 内容 配列モチーフ 最尤推定 ベイズ推定 M 推定 隠れマルコフモデル HMM Verアルゴリズム EMアルゴリズム Baum-Welchアルゴリズム 前向きアルゴリズム 後向きアルゴリズム プロファイル HMM 配列モチーフ モチーフ発見 配列モチーフ : 同じ機能を持つ遺伝子配列などに見られる共通の文字列パターン
SAP11_03
第 3 回 音声音響信号処理 ( 線形予測分析と自己回帰モデル ) 亀岡弘和 東京大学大学院情報理工学系研究科日本電信電話株式会社 NTT コミュニケーション科学基礎研究所 講義内容 ( キーワード ) 信号処理 符号化 標準化の実用システム例の紹介情報通信の基本 ( 誤り検出 訂正符号 変調 IP) 符号化技術の基本 ( 量子化 予測 変換 圧縮 ) 音声分析 合成 認識 強調 音楽信号処理統計的信号処理の基礎
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
IPSJ SIG Technical Report Vol.2013-CVIM-188 No /9/2 1,a) D. Marr D. Marr 1. (feature-based) (area-based) (Dense Stereo Vision) van der Ma
,a) D. Marr D. Marr. (feature-based) (area-based) (Dense Stereo Vision) van der Mark [] (Intelligent Vehicle: IV) SAD(Sum of Absolute Difference) Intel x86 CPU SSE2(Streaming SIMD Extensions 2) CPU IV
スライド 1
CNN を用いた弱教師学習による画像領域分割 下田和, 柳井啓司 電気通信大学 大学院情報理工学 研究科 総合情報学専攻 c 2015 UEC Tokyo. Convolutional Neural Network CNN クラス分類タスクにおいてトップの精度 CNN の応用 ( 物体位置の認識 ) 物体検出 物体に BB を付与 領域分割 ピクセル単位の認識 CNN を用いた領域分割 CNN による完全教師ありのセグメンテーション
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
Kumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷
熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI プロジェクト @ 宮崎県美郷町 熊本大学副島慶人川村諒 1 実験の目的 従来 信号の受信電波強度 (RSSI:RecevedSgnal StrengthIndcator) により 対象の位置を推定する手法として 無線 LAN の AP(AccessPont) から受信する信号の減衰量をもとに位置を推定する手法が多く検討されている
講義「○○○○」
講義 信頼度の推定と立証 内容. 点推定と区間推定. 指数分布の点推定 区間推定 3. 指数分布 正規分布の信頼度推定 担当 : 倉敷哲生 ( ビジネスエンジニアリング専攻 ) 統計的推測 標本から得られる情報を基に 母集団に関する結論の導出が目的 測定値 x x x 3 : x 母集団 (populaio) 母集団の特性値 統計的推測 標本 (sample) 標本の特性値 分布のパラメータ ( 母数
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]
( 色 ) ( 輝度 ) 1. 視覚特徴の検出と Gaussian pyramid の生成 ( 方位 ) 処理の流れ 2. Pyramid 画像間の差分計算 Feature map の生成 (Center- Surround) 3. 各 Feature map のスケール画像の統合と正規化 Cons
Short Papers A Model of Saliency-Based Visual Attention for Rapid Scene Analysis Laurent Itti, Christof Koch, and Ernst Niebur Abstract A visual attention system, inspired by the behavior and the neuronal
01-04-原口健-401
VISION Vol. 23, No. 1, 1 18, 2011 *, ** *** * 410 2392 570 ** *** 240 8501 79 7 2009 8 18 2010 9 22 Quantitative Analysis of Eye Attraction in Visual Search Takeshi HARAGUCHI*, ** and Katsunori OKAJIMA***
1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -
![1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -](/thumbs/89/100816452.jpg "1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -")
Vol216-CVIM-22 No18 216/5/12 1 1 1 Structure from Motion - 1 8% Tobii Pro TX3 NAC EMR ACTUS Eye Tribe Tobii Pro Glass NAC EMR-9 Pupil Headset Ville [1] EMR-9 [2] 1 Osaka University Gaze Head Eye (a) deg
Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b) - [5], [6] [7] Stahl [8], [9] Fang [1], [11] Itti [12] Itti [13] [7] Fang [1],
![Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b) - [5], [6] [7] Stahl [8], [9] Fang [1], [11] Itti [12] Itti [13] [7] Fang [1],](/thumbs/92/110933465.jpg "Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b) - [5], [6] [7] Stahl [8], [9] Fang [1], [11] Itti [12] Itti [13] [7] Fang [1],")
1 1 1 Structure from Motion - 1 Ville [1] NAC EMR-9 [2] 1 Osaka University [3], [4] 1 1(a) 1(c) 9 9 9 c 216 Information Processing Society of Japan 1 Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b)
トピックモデルの応用： 関係データ、ネットワークデータ
NTT コミュニケーション科学基礎研究所 石黒勝彦 2013/01/15-16 統計数理研究所会議室 1 1 画像認識系から尐し遅れますが 最近では音声 音響データに対してもトピックモデルが利用されるようになっています 2 1. どの特徴量を利用するか? 2. 時系列性をどう扱うか? 3 どの特徴量を利用して どうやって BoW 形式に変換するかを検討する必要があります MFCC: 音声認識などで広い範囲で利用される
4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q
![4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q](/thumbs/92/110416683.jpg "4. C i k = 2 k-means C 1 i, C 2 i 5. C i x i p [ f(θ i ; x) = (2π) p 2 Vi 1 2 exp (x µ ] i) t V 1 i (x µ i ) 2 BIC BIC = 2 log L( ˆθ i ; x i C i ) + q")
x-means 1 2 2 x-means, x-means k-means Bayesian Information Criterion BIC Watershed x-means Moving Object Extraction Using the Number of Clusters Determined by X-means Clustering Naoki Kubo, 1 Kousuke
Probit , Mixed logit
Probit, Mixed logit 2016/5/16 スタートアップゼミ #5 B4 後藤祥孝 1 0. 目次 Probit モデルについて 1. モデル概要 2. 定式化と理解 3. 推定 Mixed logit モデルについて 4. モデル概要 5. 定式化と理解 6. 推定 2 1.Probit 概要 プロビットモデルとは. 効用関数の誤差項に多変量正規分布を仮定したもの. 誤差項には様々な要因が存在するため,
(a) (b) 2 2 (Bosch, IR Illuminator 850 nm, UFLED30-8BD) ( 7[m] 6[m]) 3 (PointGrey Research Inc.Grasshopper2 M/C) Hz (a) (b
![(a) (b) 2 2 (Bosch, IR Illuminator 850 nm, UFLED30-8BD) ( 7[m] 6[m]) 3 (PointGrey Research Inc.Grasshopper2 M/C) Hz (a) (b](/thumbs/91/105641706.jpg "(a) (b) 2 2 (Bosch, IR Illuminator 850 nm, UFLED30-8BD) ( 7[m] 6[m]) 3 (PointGrey Research Inc.Grasshopper2 M/C) Hz (a) (b")
(MIRU202) 202 8 AdrianStoica 89 0395 744 89 0395 744 Jet Propulsion Laboratory 4800 Oak Grove Drive, Pasadena, CA 909, USA E-mail: uchino@irvs.ait.kyushu-u.ac.jp, {yumi,kurazume}@ait.kyushu-u.ac.jp 2 nearest
0 21 カラー反射率 slope aspect 図 2.9: 復元結果例 2.4 画像生成技術としての計算フォトグラフィ 3 次元情報を復元することにより, 画像生成 ( レンダリング ) に応用することが可能である. 近年, コンピュータにより, カメラで直接得られない画像を生成する技術分野が生
0 21 カラー反射率 slope aspect 図 2.9: 復元結果例 2.4 画像生成技術としての計算フォトグラフィ 3 次元情報を復元することにより, 画像生成 ( レンダリング ) に応用することが可能である. 近年, コンピュータにより, カメラで直接得られない画像を生成する技術分野が生まれ, コンピューテーショナルフォトグラフィ ( 計算フォトグラフィ ) と呼ばれている.3 次元画像認識技術の計算フォトグラフィへの応用として,
集中理論談話会 #9 Bhat, C.R., Sidharthan, R.: A simulation evaluation of the maximum approximate composite marginal likelihood (MACML) estimator for mixed mu
集中理論談話会 #9 Bhat, C.R., Sidharthan, R.: A simulation evaluation of the maximum approximate composite marginal likelihood (MACML) estimator for mixed multinomial probit models, Transportation Research Part
(MIRU2008) HOG Histograms of Oriented Gradients (HOG)
(MIRU2008) 2008 7 HOG - - E-mail: katsu0920@me.cs.scitec.kobe-u.ac.jp, {takigu,ariki}@kobe-u.ac.jp Histograms of Oriented Gradients (HOG) HOG Shape Contexts HOG 5.5 Histograms of Oriented Gradients D Human
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) yabushita.hiroko@lab.ntt.co.jp
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
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
NLP プログラミング勉強会 5 HMM による品詞推定 自然言語処理プログラミング勉強会 5 隠れマルコフモデルによる品詞推定 Graham Neubig 奈良先端科学技術大学院大学 (NAIST) 1
自然言語処理プログラミング勉強会 5 隠れマルコフモデルによる品詞推定 Graham Neubig 奈良先端科学技術大学院大学 (NAIST) 1 品詞推定 文 X が与えられた時の品詞列 Y を予測する Natural language processing ( NLP ) is a field of computer science JJ -LRB- -RRB- VBZ DT IN 予測をどうやって行うか
Automatic Collection of Web Video Shots Corresponding to Specific Actions using Web Images
視覚特徴およびタグ共起を用いた 大規模 Web ビデオショットランキング 電気通信大学大学院情報理工学研究科 総合情報学専攻 Do Hang Nga 柳井啓司 背景 Web 動画 : 無限に存在 無料で取得可能 - YouTube, Daily Motion etc. Web 動画による動作データ収集 ただし Web 上の動画はノイズが多い 関連動画 Play trumpet 非関連動画 非対応ショット
多変量解析 ~ 重回帰分析 ~ 2006 年 4 月 21 日 ( 金 ) 南慶典
多変量解析 ~ 重回帰分析 ~ 2006 年 4 月 21 日 ( 金 ) 南慶典 重回帰分析とは? 重回帰分析とは複数の説明変数から目的変数との関係性を予測 評価説明変数 ( 数量データ ) は目的変数を説明するのに有効であるか得られた関係性より未知のデータの妥当性を判断する これを重回帰分析という つまり どんなことをするのか? 1 最小 2 乗法により重回帰モデルを想定 2 自由度調整済寄与率を求め
Microsoft PowerPoint - …Z…O…†…fi…g…‡…f…‰‡É‡æ‡é™ñ‘oflÅ
セグメントモデルによる音声認識 NTTコミュニケーション科学基礎研究所南泰浩 セグメントモデルとは? HMM の欠点 継続時間モデルが導入されていない 状態内の観測系列の時間依存性を反映できない 改良 セグメントモデル HMM とセグメントモデルの違い y t y 1 y 2 y 3 y T P s (y t ) P a,t (y 1,y 2,y 3 y T ) s HMM a P(T a) セグメントモデル
スライド 1
第 13 章系列データ 2015/9/20 夏合宿 PRML 輪読ゼミ B4 三木真理子 目次 2 1. 系列データと状態空間モデル 2. 隠れマルコフモデル 2.1 定式化とその性質 2.2 最尤推定法 2.3 潜在変数の系列を知るには 3. 線形動的システム この章の目標 : 系列データを扱う際に有効な状態空間モデルのうち 代表的な 2 例である隠れマルコフモデルと線形動的システムの性質を知り
PowerPoint プレゼンテーション
パーティクルフィルタ 理論と特性 11.1 パーティクルフィルタの理論的導出 状態遷移とマルコフ性 p x k x 1:k 1, y 1:k 1 = f x k x k 1 p y k x 1:k, y 1:k 1 k = 0,1, = h y k x k x 1:k x 1, x 2,, x k y 1:k y 1, y 2,, y k 確率分布で表現される現時刻の状態が, 前時刻までの状態と観測の条件付き確率によって定まる.
線形システム応答 Linear System response
画質が異なる画像例 コントラスト劣 コントラスト優 コントラスト普 鮮鋭性 普 鮮鋭性 優 鮮鋭性 劣 粒状性 普 粒状性 劣 粒状性 優 医用画像の画質 コントラスト, 鮮鋭性, 粒状性の要因が互いに密接に関わり合って形成されている. 比 鮮鋭性 コントラスト 反 反 粒状性 増感紙 - フィルム系での 3 要因の関係 ディジタル画像処理系でもおよそ成り立つ WS u MTFu 画質に影響する因子
Microsoft PowerPoint - mp11-06.pptx
数理計画法第 6 回 塩浦昭義情報科学研究科准教授 shioura@dais.is.tohoku.ac.jp http://www.dais.is.tohoku.ac.jp/~shioura/teaching 第 5 章組合せ計画 5.2 分枝限定法 組合せ計画問題 組合せ計画問題とは : 有限個の もの の組合せの中から, 目的関数を最小または最大にする組合せを見つける問題 例 1: 整数計画問題全般
1. はじめに 2
点予測と能動学習を用いた効率的なコーパス構築 形態素解析における実証実験 京都大学情報学研究科 Graham NEUBIG 1 1. はじめに 2 形態素解析 べた書きの文字列を意味のある単位に分割し 様々な情報を付与 品詞 基本形 読み 発音等を推定 農産物価格安定法を施行した 価格 / 名詞 / 価格 / かかく / かかく安定 / 名詞 / 安定 / あんてい / あんてー法 / 接尾辞 /
日心TWS
2017.09.22 (15:40~17:10) 日本心理学会第 81 回大会 TWS ベイジアンデータ解析入門 回帰分析を例に ベイジアンデータ解析 を体験してみる 広島大学大学院教育学研究科平川真 ベイジアン分析のステップ (p.24) 1) データの特定 2) モデルの定義 ( 解釈可能な ) モデルの作成 3) パラメタの事前分布の設定 4) ベイズ推論を用いて パラメタの値に確信度を再配分ベイズ推定
図 2: 高周波成分を用いた超解像 解像度度画像とそれらを低解像度化して得られる 低解像度画像との差により低解像度の高周波成分 を得る 高解像度と低解像度の高周波成分から位 置関係を保ったままパッチ領域をそれぞれ切り出 し 高解像度パッチ画像と低解像度パッチ画像の ペアとしてデータベースに登録する
Exemplar-Based Super-Resolution of Human Body Image in Surveillance Video 1 1,2 1 1 1 Kento Nishibori 1, Tomokazu TAKAHASHI 1,2, Daisuke DEGUCHI 1, Ichiro IDE 1 and Hiroshi MURASE 1 1 2 nishiborik@murase.m.is.nagoya-u.ac.jp
1 Table 1: Identification by color of voxel Voxel Mode of expression Nothing Other 1 Orange 2 Blue 3 Yellow 4 SSL Humanoid SSL-Vision 3 3 [, 21] 8 325
![1 Table 1: Identification by color of voxel Voxel Mode of expression Nothing Other 1 Orange 2 Blue 3 Yellow 4 SSL Humanoid SSL-Vision 3 3 [, 21] 8 325](/thumbs/91/105378470.jpg "1 Table 1: Identification by color of voxel Voxel Mode of expression Nothing Other 1 Orange 2 Blue 3 Yellow 4 SSL Humanoid SSL-Vision 3 3 [, 21] 8 325")
社団法人人工知能学会 Japanese Society for Artificial Intelligence 人工知能学会研究会資料 JSAI Technical Report SIG-Challenge-B3 (5/5) RoboCup SSL Humanoid A Proposal and its Application of Color Voxel Server for RoboCup SSL
Microsoft PowerPoint - 14回パラメータ推定配布用.pptx
パラメータ推定の理論と実践 BEhavior Study for Transportation Graduate school, Univ. of Yamanashi 山梨大学佐々木邦明 最尤推定法 点推定量を求める最もポピュラーな方法 L n x n i1 f x i 右上の式を θ の関数とみなしたものが尤度関数 データ (a,b) が得られたとき, 全体の平均がいくつとするのがよいか 平均がいくつだったら
IPSJ SIG Technical Report Vol.2014-CG-155 No /6/28 1,a) 1,2,3 1 3,4 CG An Interpolation Method of Different Flow Fields using Polar Inter
,a),2,3 3,4 CG 2 2 2 An Interpolation Method of Different Flow Fields using Polar Interpolation Syuhei Sato,a) Yoshinori Dobashi,2,3 Tsuyoshi Yamamoto Tomoyuki Nishita 3,4 Abstract: Recently, realistic
2.2 6).,.,.,. Yang, 7).,,.,,. 2.3 SIFT SIFT (Scale-Invariant Feature Transform) 8).,. SIFT,,. SIFT, Mean-Shift 9)., SIFT,., SIFT,. 3.,.,,,,,.,,,., 1,
1 1 2,,.,.,,, SIFT.,,. Pitching Motion Analysis Using Image Processing Shinya Kasahara, 1 Issei Fujishiro 1 and Yoshio Ohno 2 At present, analysis of pitching motion from baseball videos is timeconsuming
平成 28 年 6 月 3 日 報道機関各位 東京工業大学広報センター長 岡田 清 カラー画像と近赤外線画像を同時に撮影可能なイメージングシステムを開発 - 次世代画像センシングに向けオリンパスと共同開発 - 要点 可視光と近赤外光を同時に撮像可能な撮像素子の開発 撮像データをリアルタイムで処理する
平成 28 年 6 月 3 日 報道機関各位 東京工業大学広報センター長 岡田 清 カラー画像と近赤外線画像を同時に撮影可能なイメージングシステムを開発 - 次世代画像センシングに向けオリンパスと共同開発 - 要点 可視光と近赤外光を同時に撮像可能な撮像素子の開発 撮像データをリアルタイムで処理する画像処理システムの開発 カラー画像と近赤外線画像を同時に撮影可能なプロトタイプシステムの開発 概要 国立大学法人東京工業大学工学院システム制御系の奥富正敏教授らと
Microsoft Word - 博士論文概要.docx
[ 博士論文概要 ] 平成 25 年度 金多賢 筑波大学大学院人間総合科学研究科 感性認知脳科学専攻 1. 背景と目的映像メディアは, 情報伝達における効果的なメディアの一つでありながら, 容易に感情喚起が可能な媒体である. 誰でも簡単に映像を配信できるメディア社会への変化にともない, 見る人の状態が配慮されていない映像が氾濫することで見る人の不快な感情を生起させる問題が生じている. したがって,
& 3 3 ' ' (., (Pixel), (Light Intensity) (Random Variable). (Joint Probability). V., V = {,,, V }. i x i x = (x, x,, x V ) T. x i i (State Variable),
.... Deeping and Expansion of Large-Scale Random Fields and Probabilistic Image Processing Kazuyuki Tanaka The mathematical frameworks of probabilistic image processing are formulated by means of Markov
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.
Learning Bayesian Network from data 本論文はデータから大規模なベイジアン ネットワークを構築する TPDA(Three Phase Dependency Analysis) のアルゴリズムを記述 2002 年の発表だが 現在も大規模用 BN モデルのベンチマークと
@mabo0725 2015 年 05 月 29 日 Learning Bayesian Network from data 本論文はデータから大規模なベイジアン ネットワークを構築する TPDA(Three Phase Dependency Analysis) のアルゴリズムを記述 2002 年の発表だが 現在も大規模用 BN モデルのベンチマークとして使用されている TPDA は BN Power
PowerPoint プレゼンテーション
20150528 信号処理システム特論 本日の内容 適応フィルタ ( 時間領域 ) 適応アルゴリズム (LMS,NLMS,RLS) 適応フィルタの応用例 適応処理 非適応処理 : 状況によらずいつでも同じ処理 適応処理 : 状況に応じた適切な処理 高度な適応処理の例 雑音抑圧, 音響エコーキャンセラ, 騒音制御など 時間領域の適応フィルタ 誤差信号 与えられた手順に従ってフィルタ係数を更新し 自動的に所望の信号を得るフィルタ
[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
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: yuhi@vision.cs.chubu.ac.jp Abstract
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)
スライド 1
ICDE2016 & WWW2016 勉強会 WWW2016 Session 22 京都大学加藤誠 WWW2016 Session 22 Modeling User Exposure in Recommendation Dawen Liang (Columbia University) Laurent Charlin (McGill University) James McInerney (Columbia
スライド 1
2009 年度 VMStudio & TMStudio 学生研究奨励賞 テキストマイニングツールを 利用した視線データの分析 東京大学大学院工学系研究科 白山研究室 江川陽 樋渡哲郎 1 目次 背景 目的 手法 実験 結果 考察 結論 2 背景 : 視線分析とは 視線分析とは 人間の視線の移動軌跡や分布 ( 視線データ ) を計測 分析することにより 人の認知処理を観察 解明するための手法 近年,
KOGAK353-07_12511.pdf
Fig.2 Saccade cue was a black disk,which was one ofsix disks with brief color change in the ambiguous motion display. Observers were instructed to saccade to the indicated location as soon as possible.
IPSJ SIG Technical Report Vol.2017-CVIM-207 No /5/10 1,a) 1,b) 1,c) 1,d) 1,e) 1,f) Hz ITS 1. 1 HID High-Intensity Discharge LED LED *1 LE
1,a) 1,b) 1,c) 1,d) 1,e) 1,f) 1 2.0 Hz ITS 1. 1 HID High-Intensity Discharge LED LED *1 LED 1 Nagoya University, Nagoya 464-8601, Japan a) maedat@murase.m.is.nagoya-u.ac.jp b) hirayama@i.nagoya-u.ac.jp
PowerPoint プレゼンテーション
復習 ) 時系列のモデリング ~a. 離散時間モデル ~ y k + a 1 z 1 y k + + a na z n ay k = b 0 u k + b 1 z 1 u k + + b nb z n bu k y k = G z 1 u k = B(z 1 ) A(z 1 u k ) ARMA モデル A z 1 B z 1 = 1 + a 1 z 1 + + a na z n a = b 0
次元圧縮法を導入したクエリに基づくバイクラスタリング 情報推薦への応用 武内充三浦功輝岡田吉史 ( 室蘭工業大学 ) 概要以前, 我々はクエリに基づくバイクラスタリングを用いた情報推薦手法を提案した. 本研究では, 新たに推薦スコアが非常に良く似たユーザまたはアイテムを融合する次元圧縮法を導入した. 実験として, 縮減前と縮減後のデータセットのサイズとバイクラスタ計算時間の比較を行う. キーワード
数値計算法
数値計算法 008 4/3 林田清 ( 大阪大学大学院理学研究科 ) 実験データの統計処理その 誤差について 母集団と標本 平均値と標準偏差 誤差伝播 最尤法 平均値につく誤差 誤差 (Error): 真の値からのずれ 測定誤差 物差しが曲がっていた 測定する対象が室温が低いため縮んでいた g の単位までしかデジタル表示されない計りで g 以下 計りの目盛りを読み取る角度によって値が異なる 統計誤差
( ), ( ) Patrol Mobile Robot To Greet Passing People Takemi KIMURA(Univ. of Tsukuba), and Akihisa OHYA(Univ. of Tsukuba) Abstract This research aims a
( ), ( ) Patrol Mobile Robot To Greet Passing People Takemi KIMURA(Univ. of Tsukuba), and Akihisa OHYA(Univ. of Tsukuba) Abstract This research aims at the development of a mobile robot to perform greetings
Microsoft PowerPoint - H17-5時限（パターン認識）.ppt
パターン認識早稲田大学講義 平成 7 年度 独 産業技術総合研究所栗田多喜夫 赤穂昭太郎 統計的特徴抽出 パターン認識過程 特徴抽出 認識対象から何らかの特徴量を計測 抽出 する必要がある 認識に有効な情報 特徴 を抽出し 次元を縮小した効率の良い空間を構成する過程 文字認識 : スキャナ等で取り込んだ画像から文字の識別に必要な本質的な特徴のみを抽出 例 文字線の傾き 曲率 面積など 識別 与えられた未知の対象を
招待論文 フルスペック 8K スーパーハイビジョン圧縮記録装置の開発 3.3 記録制御機能と記録媒体 144 Gbps の映像信号を 1/8 に圧縮した場合 18 Gbps 程度 の転送速度が要求される さらに音声データやその他のメ タデータを同時に記録すると 記録再生には 20 Gbps 程度 の転送性能が必要となる また 記録媒体は記録装置から 着脱して持ち運ぶため 不慮の落下などにも耐性のあるこ
,,.,.,,.,.,.,.,,.,..,,,, i
22 A person recognition using color information 1110372 2011 2 13 ,,.,.,,.,.,.,.,,.,..,,,, i Abstract A person recognition using color information Tatsumo HOJI Recently, for the purpose of collection of
時空間特徴を用いた Web動画からの特定動作対応ショットの 自動抽出
Web 動画 画像を用いた 特定動作ショットの自動収集 DO HANG NGA 樋爪和也柳井啓司 電気通信大学情報工学科 背景 既存の動画学習手法制限のある動画像 (e.g. KTH, Caltech) 教師なし学習手法 Web 上の動画 教師信号あり 動画量が少ない 研究の目的 特定動作についての Web データを使用して その動作の対応ショットを自動抽出 大量の Web 動画 ランキング 学習の必要なし
NLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, A
NLMIXED プロシジャを用いた生存時間解析 伊藤要二アストラゼネカ株式会社臨床統計 プログラミング グループグルプ Survival analysis using PROC NLMIXED Yohji Itoh Clinical Statistics & Programming Group, AstraZeneca KK 要旨 : NLMIXEDプロシジャの最尤推定の機能を用いて 指数分布 Weibull
画像工学入門
セグメンテーション 講義内容 閾値法,k-mean 法 領域拡張法 SNAK 法 P タイル法 モード法 P タイル法 画像内で対象物の占める面積 (P パーセント ) があらかじめわかっているとき, 濃度ヒストグラムを作成し, 濃度値の累積分布が全体の P パーセントとなる濃度値を見つけ, この値を閾値とする. モード法 画像の輝度ヒストグラムを調べ その分布のモード ( 頻値輝度 ) 間の谷をしきい値とする
Microsoft Word - 1 color Normalization Document _Agilent version_ .doc
color 実験の Normalization color 実験で得られた複数のアレイデータを相互比較するためには Normalization( 正規化 ) が必要です 2 つのサンプルを異なる色素でラベル化し 競合ハイブリダイゼーションさせる 2color 実験では 基本的に Dye Normalization( 色素補正 ) が適用されますが color 実験では データの特徴と実験の目的 (
スライド 1
本資料について 本資料は下記論文を基にして作成されたものです. 文書の内容の正確さは保障できないため, 正確な知識を求める方は原文を参照してください. 著者 : 伊藤誠吾吉田廣志河口信夫 論文名 : 無線 LANを用いた広域位置情報システム構築に関する検討 出展 : 情報処理学会論文誌 Vol.47 No.42 発表日 :2005 年 12 月 著者 : 伊藤誠悟河口信夫 論文名 : アクセスポイントの選択を考慮したベイズ推定による無線
したがって このモデルではの長さをもつ潜在履歴 latent history が存在し 同様に と指標化して扱うことができる 以下では 潜在的に起こりうる履歴を潜在履歴 latent history 実際にデ ータとして記録された履歴を記録履歴 recorded history ということにする M
Bayesian Inference with ecological applications Chapter 10 Bayesian Inference with ecological applications 輪読会 潜在的な事象を扱うための多項分布モデル Latent Multinomial Models 本章では 記録した頻度データが多項分布に従う潜在的な変数を集約したものと考えられるときの
Microsoft PowerPoint - 統計科学研究所_R_重回帰分析_変数選択_2.ppt
重回帰分析 残差分析 変数選択 1 内容 重回帰分析 残差分析 歯の咬耗度データの分析 R で変数選択 ~ step 関数 ~ 2 重回帰分析と単回帰分析 体重を予測する問題 分析 1 身長 のみから体重を予測 分析 2 身長 と ウエスト の両方を用いて体重を予測 分析 1 と比べて大きな改善 体重 に関する推測では 身長 だけでは不十分 重回帰分析における問題 ~ モデルの構築 ~ 適切なモデルで分析しているか?
また おすすめはしませんが C: Program Files Adobe Adobe After Effects [version] Support Files Plug-ins に配置することによって After Effects からのみ使用できます macos の場合 /Library/Appl
![また おすすめはしませんが C: Program Files Adobe Adobe After Effects [version] Support Files Plug-ins に配置することによって After Effects からのみ使用できます macos の場合 /Library/Appl](/thumbs/89/98423442.jpg "また おすすめはしませんが C: Program Files Adobe Adobe After Effects [version] Support Files Plug-ins に配置することによって After Effects からのみ使用できます macos の場合 /Library/Appl")
Fast Camera Lens Blur User Guide 高速なブラー グローをあなたに 動作環境 OS : Windows / Mac Adobe After Effects / Premiere Pro CS6 - CC 2018 実際に動作を確認した環境については 最後の動作確認環境をご覧ください インストール方法 Windows の場合 C: Program Files Adobe
FFT
ACTRAN for NASTRAN Product Overview Copyright Free Field Technologies ACTRAN Modules ACTRAN for NASTRAN ACTRAN DGM ACTRAN Vibro-Acoustics ACTRAN Aero-Acoustics ACTRAN TM ACTRAN Acoustics ACTRAN VI 2 Copyright
memo
数理情報工学特論第一 機械学習とデータマイニング 4 章 : 教師なし学習 3 かしまひさし 鹿島久嗣 ( 数理 6 研 ) kashima@mist.i.~ DEPARTMENT OF MATHEMATICAL INFORMATICS 1 グラフィカルモデルについて学びます グラフィカルモデル グラフィカルラッソ グラフィカルラッソの推定アルゴリズム 2 グラフィカルモデル 3 教師なし学習の主要タスクは
因子分析
因子分析 心理データ解析演習 M1 枡田恵 2013.6.5. 1 因子分析とは 因子分析とは ある観測された変数 ( 質問項目への回答など ) が どのような潜在的な変数 ( 観測されない 仮定された変数 ) から影響を受けているかを探る手法 多変量解析の手法の一つ 複数の変数の関係性をもとにした構造を探る際によく用いられる 2 因子分析とは 探索的因子分析 - 多くの観測変数間に見られる複雑な相関関係が
IPSJ SIG Technical Report Vol.2015-CVIM-196 No /3/6 1,a) 1,b) 1,c) U,,,, The Camera Position Alignment on a Gimbal Head for Fixed Viewpoint Swi
1,a) 1,b) 1,c) U,,,, The Camera Position Alignment on a Gimbal Head for Fixed Viewpoint Swiveling using a Misalignment Model Abstract: When the camera sets on a gimbal head as a fixed-view-point, it is
ビッグデータ分析を高速化する 分散処理技術を開発 日本電気株式会社
ビッグデータ分析を高速化する 分散処理技術を開発 日本電気株式会社 概要 NEC は ビッグデータの分析を高速化する分散処理技術を開発しました 本技術により レコメンド 価格予測 需要予測などに必要な機械学習処理を従来の 10 倍以上高速に行い 分析結果の迅速な活用に貢献します ビッグデータの分散処理で一般的なオープンソース Hadoop を利用 これにより レコメンド 価格予測 需要予測などの分析において
概要 協調フィルタリング Start-up問題 利用者が少ないとうまくいかない 集団協調フィルタリング 複数サイトの情報をマルチタスク学習を利用して集める 広域ネットワーク上に分散 通信量を抑制 個人情報の保護 個人嗜好データは局所サイト内でのみ保持 各サイトの個性の保持 個別の推薦モデルの獲得 実
転移学習を利用した 集団協調フィルタリング 神嶌 敏弘 赤穂 昭太郎 産業技術総合研究所 2009年度人工知能学会全国大会 (2009/6/17-19) http://www.kamishima.net/ 開始 1 概要 協調フィルタリング Start-up問題 利用者が少ないとうまくいかない 集団協調フィルタリング 複数サイトの情報をマルチタスク学習を利用して集める 広域ネットワーク上に分散 通信量を抑制
Silhouette on Image Object Silhouette on Images Object 1 Fig. 1 Visual cone Fig. 2 2 Volume intersection method Fig. 3 3 Background subtraction Fig. 4
Image-based Modeling 1 1 Object Extraction Method for Image-based Modeling using Projection Transformation of Multi-viewpoint Images Masanori Ibaraki 1 and Yuji Sakamoto 1 The volume intersection method
PowerPoint Presentation
パターン認識入門 パターン認識 音や画像に中に隠れたパターンを認識する 音素 音節 単語 文 基本図形 文字 指紋 物体 人物 顔 パターン は唯一のデータではなく 似通ったデータの集まりを表している 多様性 ノイズ 等しい から 似ている へ ~ だ から ~ らしい へ 等しい から 似ている へ 完全に等しいかどうかではなく 似ているか どうかを判定する パターンを代表する模範的データとどのくらい似ているか
カイ二乗フィット検定、パラメータの誤差
統計的データ解析 008 008.. 林田清 ( 大阪大学大学院理学研究科 ) 問題 C (, ) ( x xˆ) ( y yˆ) σ x πσ σ y y Pabx (, ;,,, ) ˆ y σx σ y = dx exp exp πσx ただし xy ˆ ˆ はyˆ = axˆ+ bであらわされる直線モデル上の点 ( ˆ) ( ˆ ) ( ) x x y ax b y ax b Pabx (,
Microsoft PowerPoint - CV13.ppt [互換モード]
![Microsoft PowerPoint - CV13.ppt [互換モード]](/thumbs/102/156019796.jpg "Microsoft PowerPoint - CV13.ppt [互換モード]")
コンピュータビジョン特論 第 13 回対象追跡 2010 年 7 月 12 日 呉海元 色ヒストグラムによる追跡 色ヒストグラムによる追跡 見えに基づく追跡の問題点 対象の形状変化に弱い 非剛体の追跡には向いていない 同じ位置の画素ごとに比較するため 対象領域全体の統計量を使う 色ヒストグラム 色ヒストグラムとは? ヒストグラムを色空間に拡張 2 次元色空間を矩形分割し 各色の数をカウント 照明変動の影響を避けるため輝度成分を除いた
Microsoft PowerPoint slide2forWeb.ppt [互換モード]
![Microsoft PowerPoint slide2forWeb.ppt [互換モード]](/thumbs/96/126561931.jpg "Microsoft PowerPoint slide2forWeb.ppt [互換モード]")
講義内容 9..4 正規分布 ormal dstrbuto ガウス分布 Gaussa dstrbuto 中心極限定理 サンプルからの母集団統計量の推定 不偏推定量について 確率変数, 確率密度関数 確率密度関数 確率密度関数は積分したら. 平均 : 確率変数 分散 : 例 ある場所, ある日時での気温の確率. : 気温, : 気温 が起こる確率 標本平均とのアナロジー 類推 例 人の身長の分布と平均
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(
EBNと疫学
推定と検定 57 ( 復習 ) 記述統計と推測統計 統計解析は大きく 2 つに分けられる 記述統計 推測統計 記述統計 観察集団の特性を示すもの 代表値 ( 平均値や中央値 ) や ばらつきの指標 ( 標準偏差など ) 図表を効果的に使う 推測統計 観察集団のデータから母集団の特性を 推定 する 平均 / 分散 / 係数値などの推定 ( 点推定 ) 点推定値のばらつきを調べる ( 区間推定 ) 検定統計量を用いた検定
Symbiotic System ト を 動物 る 人間 情報システム 応 ( ) 人間 共生 情報システム と 体の 長 体の と 体 覚 動 体 と とダイナミクスを持つ 人間と情報システムのインタ ース. コン ータに の動作をさ るために, のつ, するコ ン を, される.. イコン イン
7 人間と共生する情報システムの実現を目指して シンビオティック システムの実現に向けて 人, 社会, 環境, 情報システムの協調系 7 人間と共生する情報システムの実現を目指して 松山隆司 * tm@i.kyoto-u.ac.jp 川嶋宏彰 * kawashima@i.kyoto-u.ac.jp 鷲見和彦 *, ** Sumi.Kazuhiko@ds.MitsubishiElectric.co.jp
ソフト活用事例③自動Rawデータ管理システム
ソフト活用事例 3 自動 Raw データ管理システム ACD/Labs NMR 無料講習会 & セミナー 2014 於 )2014.7.29 東京 /2014.7.31 大阪 富士通株式会社テクニカルコンピューティング ソリューション事業本部 HPC アプリケーション統括部 ACD/Spectrus をご選択頂いた理由 (NMR 領域 ) パワフルな解 析機能 ベンダーニュートラルな解析環境 直感的なインターフェース
Microsoft Word - 卒論レジュメ_最終_.doc
指紋認証のマニューシャ抽出について 澤見研究室 I02I036 兼信雄一 I02I093 柳楽和信 I02I142 吉田寛孝 1. はじめに近年, キャッシュカードや暗証番号が盗用され, 現金が引き出されるような事件が相次いでいる. これらの対向策として人間の体の一部を認証の鍵として利用する生体認証に注目が集まっている. そこで我々は, 生体認証で最も歴史がある指紋認証技術に着目した. 指紋認証方式は,2
Microsoft PowerPoint - LDW.ppt [互換モード]
![Microsoft PowerPoint - LDW.ppt [互換モード]](/thumbs/88/116463934.jpg "Microsoft PowerPoint - LDW.ppt [互換モード]")
グラフ系列マイニング 猪口明博大阪大学産業科学研究所科学技術振興機構さきがけ 研究の背景 データマイニング インフラ技術の高度化 多様で大規模な情報やデータへのアクセス, 蓄積が容易. 多様で大規模なデータから有用な知識を発掘することは重要な課題. 頻出アイテム集合マイニング [Arawal 9] 頻出アイテム集合列挙問題 一般に多くの事例を説明する知識は有用である. バスケット分析 Raw Data
DEIM Forum 2012 E Web Extracting Modification of Objec
DEIM Forum 2012 E4-2 670 0092 1 1 12 E-mail: nd11g028@stshse.u-hyogo.ac.jp, {dkitayama,sumiya}@shse.u-hyogo.ac.jp Web Extracting Modification of Objects for Supporting Map Browsing Junki MATSUO, Daisuke
Microsoft PowerPoint - 資料04 重回帰分析.ppt
04. 重回帰分析 京都大学 加納学 Division of Process Control & Process Sstems Engineering Department of Chemical Engineering, Koto Universit manabu@cheme.koto-u.ac.jp http://www-pse.cheme.koto-u.ac.jp/~kano/ Outline
(Microsoft PowerPoint - \203|\203X\203^\201[\224\255\225\\\227p\216\221\227\ ppt)
Web ページタイプによるクラスタリングを用いた検索支援システム 折原大内海彰電気通信大学システム工学専攻 はじめに 背景 文書クラスタリングを用いた検索支援システム Clusty(http://clusty.jp/) KartOO(http://www.kartoo.com/) Carrot(http://www.carrot-search.com/) これらはすべてトピックによる分類を行っている
JUSE-StatWorks/V5 活用ガイドブック
4.6 薄膜金属材料の表面加工 ( 直積法 ) 直積法では, 内側に直交配列表または要因配置計画の M 個の実験, 外側に直交配列表または要因配置計画の N 個の実験をわりつけ, その組み合わせの M N のデータを解析します. 直積法を用いることにより, 内側計画の各列と全ての外側因子との交互作用を求めることができます. よって, 環境条件や使用条件のように制御が難しい ( 水準を指定できない )
Input image Initialize variables Loop for period of oscillation Update height map Make shade image Change property of image Output image Change time L
1,a) 1,b) 1/f β Generation Method of Animation from Pictures with Natural Flicker Abstract: Some methods to create animation automatically from one picture have been proposed. There is a method that gives
画像類似度測定の初歩的な手法の検証
画像類似度測定の初歩的な手法の検証 島根大学総合理工学部数理 情報システム学科 計算機科学講座田中研究室 S539 森瀧昌志 1 目次 第 1 章序論第 章画像間類似度測定の初歩的な手法について.1 A. 画素値の平均を用いる手法.. 画素値のヒストグラムを用いる手法.3 C. 相関係数を用いる手法.4 D. 解像度を合わせる手法.5 E. 振れ幅のヒストグラムを用いる手法.6 F. 周波数ごとの振れ幅を比較する手法第
様々なミクロ計量モデル†
担当 : 長倉大輔 ( ながくらだいすけ ) この資料は私の講義において使用するために作成した資料です WEB ページ上で公開しており 自由に参照して頂いて構いません ただし 内容について 一応検証してありますが もし間違いがあった場合でもそれによって生じるいかなる損害 不利益について責任を負いかねますのでご了承ください 間違いは発見次第 継続的に直していますが まだ存在する可能性があります 1 カウントデータモデル
shono_DIA06.ppt
8.6. 研究背景 大容量記憶メディアの普及 動画圧縮 転送技術の発達 放送方式のシフト シーン自動検出と投球動作分析を用いた 野球中継映像のインデキシング手法の提 案Detection and Automatic Scene マルチメディアコンテンツの氾濫 芝浦工業大学大学院 工学研究科 電気電子情報工学専攻 メディア工学研究室 庄野 雄紀 青木 義満 効率よい検索 管理技術への要求 6/3/ 研究背景
28 TCG SURF Card recognition using SURF in TCG play video
28 TCG SURF Card recognition using SURF in TCG play video 1170374 2017 3 2 TCG SURF TCG TCG OCG SURF Bof 20 20 30 10 1 SURF Bag of features i Abstract Card recognition using SURF in TCG play video Haruka
Microsoft PowerPoint - LectureB1handout.ppt [互換モード]
![Microsoft PowerPoint - LectureB1handout.ppt [互換モード]](/thumbs/89/97916837.jpg "Microsoft PowerPoint - LectureB1handout.ppt [互換モード]")
本講義のスコープ 都市防災工学 後半第 回 : イントロダクション 千葉大学大学院工学研究科建築 都市科学専攻都市環境システムコース岡野創 耐震工学の専門家として知っていた方が良いが 敷居が高く 入り口で挫折しがちな分野をいくつか取り上げて説明 ランダム振動論 地震波形に対する構造物応答の理論的把握 減衰と地震応答 エネルギーバランス 地震動の各種スペクトルの相互関係 震源モデル 近年では震源モデルによる地震動予測が良く行われている