画像認識性能を改善する高精度な特徴量抽出手法の検討 A Study on Feature-Extraction Methods for Improvement of Image-Recognition Performance 井上俊明 Toshiaki Inoue 要旨 各種のカメラ搭載機器の急速な
|
|
|
- たけなり さかいざわ
- 4 years ago
- Views:
Transcription
1 画像認識性能を改善する高精度な特徴量抽出手法の検討 A Study on Feature-Extraction Methods for Improvement of Image-Recognition Performance 井上俊明 Toshiaki Inoue 要旨 各種のカメラ搭載機器の急速な普及に伴い, 撮影 蓄積された画像を有効に活用する 画像認識技術への期待が高まっている 特に近年, 画像中のさまざまな物体を認識する, 一般物体認識技術の研究が盛んに行われるようになった 一般物体認識では, 画像の見えの変化に比較的頑強なSIFTやSURFなどの特徴量抽出手法が広く用いられているが, 高い認識性能を得るためには, これらのさらなる高精度化が効果的である そこで本報告では,SIFTに注目した高精度化手法を提案する 従来のSIFTでは, 画像から特徴点を検出するためにDoGフィルタを用いていたのに対し, 本提案では,DoGフィルタの代わりにウインドウサイズを固定した単純なラプラシアンフィルタを用いる これにより検出精度を改善でき, かつ再現性のあるより多くの特徴点を検出できることがわかった 公開画像を用いて本提案の有効性を評価した結果, 従来のSIFTやSURFと比較して再現性が改善され, また画像照合に応用した場合にも照合精度が改善されることを確認した Summary As rapid spread of various devices with built-in cameras, it is strongly expected to develop advanced image recognition technologies. Robust feature extraction methods such as SIFT and SURF are widely used in many kinds of generic object recognition tasks, and further improvements on these methods are essential to boost recognition performance up effectively. In this paper, we describe an improvement of SIFT on keypoint detection. In original SIFT, DoG filter is used to detect keypoints from input images, whereas in our simple method, fixed window laplacian filter is adopted to improve both detection error and repeatability. Repeatability test results using benchmark datasets show that our proposed method outperforms original SIFT and SURF. Image-verification test results also show that the method is effective to improve discriminative performance. キーワード : 画像認識, 特徴量,SIFT, ラプラシアンフィルタ, 再現性 1. はじめに近年, ディジタルカメラをはじめ携帯情報端末, 車載機器, ネットワークカメラなど, 撮像機能を搭載した機器の急速な普及に伴い, これらの機器で撮影 蓄積された画像を, 日常生活の 便利 快適 や 安全 安心 のために有効に活用する技術への期待が高まっている 画像認識技術はその主要候補であり, 対象を人物, 顔, 自動車, 道路などに限定した物体検出については既に実用化の段階にある 一方, 対象を限定しない一般物体やシーンの認識など, より困難な問題に関する研究も盛んに行われている (1) 画像認識では, 画像から抽出したさまざまな特徴量を利用する手法が一般的であるが, 認識性能を改善するためには, 撮影条件による物体の見え ( 方向, 大きさ, 明るさ, 色調など ) の変化に対して, 高精度で頑 強な特徴量抽出手法を用いることが効果的である たとえばSIFT (2) やSURF (3) は, 画像の拡大縮小や回転に対して不変な局所特徴量を抽出する手法として, 画像認識の研究でよく用いられている 近年提案された一般物体の高精度な認識手法であるBoF (Bag-of-features) でも,SIFTがよく用いられている (4) そこで本報告では, 画像認識の性能を改善できる SIFTの高精度化手法を提案する (5) 以降,2 章でSIFT の概要を説明し,3 章でSIFTの精度を改善する手法を提案する 4 章で実験結果を踏まえて提案手法の有効性を考察し,5 章でまとめと今後の課題を述べる 2.SIFTによる特徴量抽出手法の概要 SIFTは,D. Loweによって提案された局所特徴量 ( 以後, 特徴量と記す ) の抽出手法であり, 一般物体 PIONEER R&D (Vol.22, 2013) 57
2 認識に関する研究でよく用いられている 実験用のソフトウエアも多く公開されており, さまざまな精度改善手法が提案されている (6,7) SIFTのアルゴリズムは, 図 1に示すように特徴点検出 ( ディテクタ ) と特徴量記述 ( ディスクリプタ ) で構成される (8) ディテクタは, 画像から特徴点の候補 ( 輝度変化が最大となる画像上の位置 ) とスケール ( 特徴点における画像の拡大率に対応する値 ) を検出し, ローカライズ ( 有効な特徴点の候補を絞り込むこと ) によって, 画像の相似変化に不変な特徴点を検出する 一方, ディスクリプタは, ディテクタによって検出された特徴点のそれぞれについて, オリエンテーション算出 ( 特徴点に 向き を定義 ) および特徴量記述 ( 特徴点周辺の4 4の矩形領域が持つ輝度勾配の情報から128 次元のヒストグラムを生成 ) によって, 画像の回転変化に不変な特徴量 ( 特徴ベクトル ) を生成する 差分画像に対して行う ここでkを1に近づければ,DoGフィルタで検出された極値は理論値に近く ( 誤差が小さく ) なるが (2), SIFTでは, 極値検出の計算コストが大きなウェートを占めているため (9),kを1に近い値に設定すると, スケールスペース画像の増加により不利になることが懸念される 図 2 DoG フィルタによる極値検出方法 図 1 SIFTのアルゴリズム 3.SIFTの高精度化の原理ディテクタの処理で特徴点の候補を検出する部分 ( 極値検出 ) は,SIFTのアルゴリズムの初段に位置しており, その検出精度はディスクリプタに至る後の処理に大きく影響すると考えられる そこで極値検出に注目したSIFTの高精度化を提案する 極値検出の高精度化そこでスケールスペース画像を増加させずに極値検出を高精度化するため, 我々はDoGフィルタの代わりに, ウインドウサイズを固定したラプラシアンフィルタに係数を乗じたものを用いることを提案する (5) 図 3に, ラプラシアンフィルタによる極値検出方法を示す 差分画像は, 各々の平滑化画像にラプラシアンフィルタを施して生成される たとえば, ウインドウサイズを, 注目画素の周囲の隣接画素を含む3 3 画素の領域に設定すれば, 計算コストの少ない最小サイズのラプラシアンフィルタで実現できる 差分画像からの極値の検出手順は, 従来のDoGフィルタによる場合と同様である 従来の極値検出図 2に,DoG(Difference of Gaussian) フィルタによる従来の極値検出方法を示す (8) 増加率 kで平滑化度合いを変えた複数のガウシアンフィルタ (σ,kσ,k 2 σ, ) で平滑化された画像群 ( スケールスペース画像 ) に対して, 隣接する平滑化画像どうしで差分画像を求める 次に差分画像の注目画素と隣接する26 画素とで画素値の比較を行い, 最大値または最小値をとる場合に, その画素値を極値として検出する 以上を全ての 図 3 ラプラシアンフィルタによる極値検出方法 58 PIONEER R&D (Vol.22, 2013)
3 精度の比較 DoGフィルタとラプラシアンフィルタは, ともに理論値に対する近似であるため, 近似誤差が極値検出の精度に影響することが懸念される そこで両者の精度を, 補を絞り込まれた後の結果であるが, 増幅率によらず, 本提案ではより多くの特徴点が検出されている で計算される相対誤差で比較する 図 4に,σとkをパラメータとした相対誤差の計算結果を示す たとえば従来のSIFTで最適な特徴点を得ることができるとされる (8),σ=1.6, およびk=2 1/3 の条件で相対誤差は0.318となり,σやkの増加に伴い急速に小さくなる すなわちDoGフィルタをラプラシアンフィルタに置き換えることで極値検出の精度が改善されることがわかる (a) 従来 SIFT (b) 図 5 特徴点の検出例 検出数 800 従来 SIFT 増幅率 図 6 特徴点検出数の比較 図 4 極値検出の相対誤差の計算結果 4. 実験結果と考察ここでは, 実験により特徴点の検出数と再現性, 画像照合精度の3 種を比較して, 本提案の有効性を確認した結果を述べる 特徴点検出数の比較図 5に, 本提案と従来のSIFTによる特徴点の検出例を示す ( 図中の点が特徴点 ) 本提案では, 輝度変化部分により多くの特徴点が検出されている また図 6 に, 特徴点の検出数の比較結果を示す 横軸 ( 増幅率 ) は,DoGフィルタやラプラシアンフィルタによって得られた差分画像の画素値に意図的に乗じた定数で, 大きくするほど検出数を増加させる効果がある 2 章で述べたローカライズ処理によって, 特徴点の候 再現性の比較特徴量抽出手法の精度を評価する指標として, 再現性 (repeatability) がよく用いられている (10) 再現性は, 幾何学的変換が既知の関係にある2つの画像について, 特徴点の検出数 (2つの画像のうち検出数が少ない方の特徴点の総数 ) に対する, 対応点の検出数 ( 一方の画像で検出された特徴点の位置を幾何学的変換によって他方の画像上に写像した位置付近で検出することができた特徴点の総数 ) の比率で定義される すなわち再現性が大きいほど, その幾何学的変換に関して不変性に優れた特徴量抽出手法である また評価画像として,Leuven 大学の公開画像 (11) がよく用いられている これは8 種類の元画像のそれぞれに対して, 拡大縮小, 回転, 並行移動など5 種類の幾何学的変換を施した変換画像, および変換行列で構成されるデータセットである 図 7に, 再現性の比較結果を示す ひとつの元画像に対して各幾何学変換に対応した5 通りの再現性が得 PIONEER R&D (Vol.22, 2013) 59
4 られが, ここでは特に本提案の再現性が最も小さい幾何学変換で比較した 参考のため, もう一つの代表的な特徴量抽出手法であるSURF (Speeded Up Robust Features) の再現性も併せて示す SURFはオープンソースの画像処理ライブラリ (OpenCV (12) ) で提供されているものを用いたが, 本提案では, いずれに対しても再現性が改善されている また図 8に, 本提案で増幅率を1および10とした場合の比較結果を示す 増幅率によって特徴点の検出数だけでなく, 再現性も改善されている 0.35 再現性 再現性 SURF 従来 SIFT bark bikes boat graf leuven trees ubc wall 評価画像 図 7 再現性の比較 増幅率 1 増幅率 10 bark bikes boat graf leuven trees ubc wall 評価画像 図 8 増幅率による再現性の改善効果画像照合性能の比較本提案を画像照合に応用した場合の有効性を確認する実験を行った 図 9に実験の構成を示す Amsterdam 大学の公開画像 (ALOIデータセット) (13) を用いた 登録画像として, 同一の照明条件で撮影された500 種類の物体の画像をランダムに選択し, テスト画像として, 各登録画像と同種類の物体だが異なる照明条件で撮影された画像を選択し, テスト画像と登録画像の照合を行って正解率を評価した 具体的には, SIFTで抽出された, テスト画像と各登録画像の全ての特徴量 (1 特徴量あたり128 次元ベクトル ) を比較して対応点 ( 値の最も近い特徴量のペア ) を求め, 登録画像の中で最も対応点数の多いものを照合結果とし, 照合結果がテスト画像と同種の物体である場合を正解とした テスト画像 (500 枚 ) 登録画像 (500 枚 ) SIFT ( 従来 / 提案 ) SIFT ( 従来 / 提案 ) 特徴量 (128 次元ベクトル ) 照合 特徴量 (128 次元ベクトル ) 図 9 画像照合実験の構成 照合結果 図 10に, 正解率の比較結果を示す 本提案では正解 率が改善され, さらに増幅率も改善に寄与している また表 1に, 本提案 ( 増幅率 10) と従来手法の, 正解 数と不正解数の関係を示す 本提案で不正解となり, 従来手法で正解となる画像数が極めて少ないことか ら, 本提案が効果的に正解率に寄与していると考えら れる 表 1の22 画像については分析の余地はあるが, ALOIデータセットは, 小さな物体で背景の無い画像が 集められているため, 対応点数が比較的少なく, かつ 誤対応が多く含まれた評価画像による結果であると考 えられる 従来 SIFT ( 増幅率 1) ( 増幅率 10) 正解率 (%) 従来 SIFT 図 10 正解率の比較 表 1 正解数と不正解数の関係 正解 不正解 正解 ( 増幅率 10) 不正解 PIONEER R&D (Vol.22, 2013)
5 5. まとめ本報告では, 画像認識の分野で広く用いられている特徴量抽出手法であるSIFTに注目し, その高精度化手法を提案した SIFTの極値検出の部分を,DoGフィルタからウインドウサイズを固定した単純なラプラシアンフィルタに置き換えることで, 極値検出の精度を改善するとともに, 再現性のある特徴点をより多く検出できることを確認した また本提案を画像照合に用いることで, 照合性能を効果的に改善できることを確認した ラプラシアンフィルタを用いることで計算コストの増加が懸念されるが, これは局所的な演算の繰り返しであり, かつ単純な加算とシフト演算で実現できるため,GPUなどを用いて並列処理を行うことにより, 容易に高速化が可能である とはいえSIFT 全体の演算量は非常に多く, 特にリアルタイム処理が必要な組み込みシステムなどへの応用では, 精度を維持しつつ演算量を削減することは今後も課題であり続ける また実験用の公開画像を用いた評価だけでなく, 目的に合わせてさまざまな条件で撮影した自然画像を用いての評価も必要である さらに実用的な画像照合への応用では, より大規模なデータセットに対する識別精度の評価も必要である 今回は,SIFTのディテクタに限定した改善であったが, その他の処理, 例えばディスクリプタの工夫などを組み合わせることで, さらなる高精度化が期待できる PIONEER R&D (Vol.22, 2013) 61
6 参考文献 (1) 川他, パターン認識 メディア理解のグランドチャレンジ, 電子情報通信学会誌,Vol. 92,No. 8,pp ,2009 年. (2) D. G. Lowe, Distinctive Image Features from Scale- Invariant Keypoints, International Journal of Computer Vision, Vol. 60, Issue 2, pp , Nov 著者紹介井上俊明 ( いのうえとしあき ) 研究開発部に所属 LSI 回路 アーキテクチャ技術の研究, プラズマディスプレイ製品向け信号処理 LSIの開発を経て, 現在, 映像処理技術の研究に従事 (3) H. Bay, A. Ess, T. Tuytelaars, and L. V. Gool, SURF: Speeded Up Robust Features, Computer Vision and Image Understanding, Vol. 110, No. 3, pp , (4) G. Csurka, C. Dance, L. Fan, J. Willamowski, and C. Bray, Visual categorization with bags of keypoints, Proc. of ECCV Workshop on Statistical Learning in Computer Vision, pp , (5) 井上, 太田, ラプラシアンフィルタを用いたSIFT の高精度化に関する一検討, 電子情報通信学会技術研究報告,Vol. 111,No. 499,pp.7-12,2011 年 3 月 29 日. (6) Y. Ke and R. Sukthankar, PCA-SIFT: A More Distinctive Representation for Local Image Descriptors, Conference on Computer Vision and Pattern Recognition Vol. 27, No. 10, pp , July, (7) 平山, 新美, 色情報を用いたSIFTによる類似画像検索精度の向上, 第 25 回人工知能学会全国大会, 1I1-2,2011 年 6 月. (8) 藤吉, Gradientベースの特徴抽出 -SIFTとHOG- 情報処理学会研究報告,CVIM-160,pp , (9) 梅本, 黄瀬, SIFTにおける特徴点候補検出の複素一次系による高速化, 画像の認識 理解シンポジウム (MIRU2008),IS2-15,2008 年 7 月. (10) C. Schmid, R. Mohr, and C. Bauckhage, Evaluation of Interest point Detectors, International Journal of Computer Vision, Vol. 37, No. 2, pp , June (11) (12) (13) 62 PIONEER R&D (Vol.22, 2013)
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,,,,
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
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)
Google Goggles [1] Google Goggles Android iphone web Google Goggles Lee [2] Lee iphone () [3] [4] [5] [6] [7] [8] [9] [10] :
![Google Goggles [1] Google Goggles Android iphone web Google Goggles Lee [2] Lee iphone () [3] [4] [5] [6] [7] [8] [9] [10] :](/thumbs/91/105231422.jpg "Google Goggles [1] Google Goggles Android iphone web Google Goggles Lee [2] Lee iphone () [3] [4] [5] [6] [7] [8] [9] [10] :")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE.,, 182-8585 1-5-1 E-mail: {maruya-t,akiyama-m}@mm.inf.uec.ac.jp, yanai@cs.uec.ac.jp SURF Bag-of-Features
IPSJ SIG Technical Report Vol.2010-CVIM-170 No /1/ Visual Recognition of Wire Harnesses for Automated Wiring Masaki Yoneda, 1 Ta
1 1 1 1 2 1. Visual Recognition of Wire Harnesses for Automated Wiring Masaki Yoneda, 1 Takayuki Okatani 1 and Koichiro Deguchi 1 This paper presents a method for recognizing the pose of a wire harness
(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
ビジュアル情報処理
コンピュータビジョン特論 Advanced Computer Vision 第 5 回 最適なエッジ検出器 良いエッジ検出器とは Good Detection: ノイズに強い Good Localization: 真のエッジの所を検出 ingle Response: 各点に一本のエッジを検出 Cann Edge Detection Tutorial http://www.pages.dreel.edu/~weg/can_tut.html
(MIRU2010) Geometric Context Randomized Trees Geometric Context Rand
(MIRU2010) 2010 7 Geometric Context Randomized Trees 487-8501 1200 E-mail: {fukuta,ky}@vision.cs.chubu.ac.jp, hf@cs.chubu.ac.jp Geometric Context Randomized Trees 10 3, Geometric Context, Abstract Image
2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni
![2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni](/thumbs/86/94686225.jpg "2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient Feature Transform (SIFT) Bay [1] Speeded Up Robust Features (SURF) SIFT 128 SURF 64 Visual Words Ni")
DEIM Forum 2012 B5-3 606 8510 E-mail: {zhao,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp Web, 1. Web Web TinEye 1 Google 1 http://www.tineye.com/ 1 2. 3. 4. 5. 6. 2. 30 Visual Words TF-IDF Lowe [4] Scale-Invarient
Duplicate Near Duplicate Intact Partial Copy Original Image Near Partial Copy Near Partial Copy with a background (a) (b) 2 1 [6] SIFT SIFT SIF
![Duplicate Near Duplicate Intact Partial Copy Original Image Near Partial Copy Near Partial Copy with a background (a) (b) 2 1 [6] SIFT SIFT SIF](/thumbs/82/86406952.jpg "Duplicate Near Duplicate Intact Partial Copy Original Image Near Partial Copy Near Partial Copy with a background (a) (b) 2 1 [6] SIFT SIFT SIF")
Partial Copy Detection of Line Drawings from a Large-Scale Database Weihan Sun, Koichi Kise Graduate School of Engineering, Osaka Prefecture University E-mail: sunweihan@m.cs.osakafu-u.ac.jp, kise@cs.osakafu-u.ac.jp
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
bag-of-words bag-of-keypoints Web bagof-keypoints Nearest Neighbor SVM Nearest Neighbor SIFT Nearest Neighbor bag-of-keypoints Nearest Neighbor SVM 84
Bag-of-Keypoints Web G.Csurka bag-of-keypoints Web Bag-of-keypoints SVM 5.% Web Image Classification with Bag-of-Keypoints Taichi joutou and Keiji yanai Recently, need for generic image recognition is
1 Fig. 1 Extraction of motion,.,,, 4,,, 3., 1, 2. 2.,. CHLAC,. 2.1,. (256 ).,., CHLAC. CHLAC, HLAC. 2.3 (HLAC ) r,.,. HLAC. N. 2 HLAC Fig. 2
CHLAC 1 2 3 3,. (CHLAC), 1).,.,, CHLAC,.,. Suspicious Behavior Detection based on CHLAC Method Hideaki Imanishi, 1 Toyohiro Hayashi, 2 Shuichi Enokida 3 and Toshiaki Ejima 3 We have proposed a method for
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
本文6(599) (Page 601)
(MIRU2008) 2008 7 525 8577 1 1 1 E-mail: matsuzaki@i.ci.ritsumei.ac.jp, shimada@ci.ritsumei.ac.jp Object Recognition by Observing Grasping Scene from Image Sequence Hironori KASAHARA, Jun MATSUZAKI, Nobutaka
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,
(MIRU2009) cuboid cuboid SURF 6 85% Web. Web Abstract Extracting Spatio-te
(MIRU2009) 2009 7 182 8585 1 5 1 E-mail: noguchi-a@mm.cs.uec.ac.jp, yanai@cs.uec.ac.jp cuboid cuboid SURF 6 85% Web. Web Abstract Extracting Spatio-temporal Local Features Considering Consecutiveness of
一般社団法人電子情報通信学会 THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGIN
一般社団法人電子情報通信学会 THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS 信学技報 IEICE Technical Report PRMU2017-36,SP2017-12(2017-06)
1 (PCA) 3 2 P.Viola 2) Viola AdaBoost 1 Viola OpenCV 3) Web OpenCV T.L.Berg PCA kpca LDA k-means 4) Berg 95% Berg Web k-means k-means
Web, Web k-means 62% Associating Faces and Names in Web Photo News Akio Kitahara and Keiji Yanai We propose a system which extracts faces and person names from news articles with photographs on the Web
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
情報処理学会研究報告 IPSJ SIG Technical Report Vol.2013-CVIM-186 No /3/15 EMD 1,a) SIFT. SIFT Bag-of-keypoints. SIFT SIFT.. Earth Mover s Distance
EMD 1,a) 1 1 1 SIFT. SIFT Bag-of-keypoints. SIFT SIFT.. Earth Mover s Distance (EMD), Bag-of-keypoints,. Bag-of-keypoints, SIFT, EMD, A method of similar image retrieval system using EMD and SIFT Hoshiga
スライド 1
Randomized Trees CV 1: [Lepetit et al., 2006] CV 2: [Shotton et al., 2008] CV 3: [Amit & Geman, 1997] [Moosmann et al., 2006] [ et al., 2010] CVへの応用例4: TomokazuMitsui パーツベースの人検出 [三井 et al., 2011] 人の領域をパーツに分割し
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
,,,,,,,,,,,,,,,,,,, 976%, i
20 Individual Recognition using positions of facial parts 1115081 2009 3 5 ,,,,,,,,,,,,,,,,,,, 976%, i Abstract Individual Recognition using positions of facial parts YOSHIHIRO Arisawa A facial recognition
[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
第25回信号処理シンポジウム 2010年11月24日 26日(奈良) 高精度な画像マッチング手法の検討 A Study of a High-Accuracy Image Matching Method 伊藤 康一 東北大学 高橋 徹 青木 孝文 大学院情報科学研究科 Koichi ITO Toru
第5回信号処理シンポジウム 年月日 日(奈良) 高精度な画像マッチング手法の検討 A Study of a High- Image Matching Method 伊藤 康一 東北大学 高橋 徹 青木 孝文 大学院情報科学研究科 Koichi ITO Toru TAKAHASHI Takafumi AOKI Graduate School of Information Sciences, Tohoku
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
スライド 1
知能制御システム学 画像処理の基礎 (2) OpenCV による基本的な例 東北大学大学院情報科学研究科鏡慎吾 swk(at)ic.is.tohoku.ac.jp 2009.06.30 局所処理の例 空間フィルタリング 注目点の近傍 ( 典型的には 3x3 画素,5x5 画素,... など ) の画素値から, 出力 G x,y を定める { F i,j }, (i, j) Neighbor(x,y)
(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
情報処理学会研究報告 い認識率を示す事が出来なかったと報告している 視覚特徴量としては SIFT や SURF のような局所的な 領域から特徴量を抽出する方法がある [4] [5] これらの 特徴量とフローベクトルを使いダイナミックなシーンの分 類を行う手法が提案されている しかし これらの画像特
![情報処理学会研究報告 い認識率を示す事が出来なかったと報告している 視覚特徴量としては SIFT や SURF のような局所的な 領域から特徴量を抽出する方法がある [4] [5] これらの 特徴量とフローベクトルを使いダイナミックなシーンの分 類を行う手法が提案されている しかし これらの画像特](/thumbs/81/82759216.jpg "情報処理学会研究報告 い認識率を示す事が出来なかったと報告している 視覚特徴量としては SIFT や SURF のような局所的な 領域から特徴量を抽出する方法がある [4] [5] これらの 特徴量とフローベクトルを使いダイナミックなシーンの分 類を行う手法が提案されている しかし これらの画像特")
,a) Web SVM. Web GPS a) sc96@ibe.kagoshima-u.ac.jp. Efros Xiao [] [] Efros HOG [] Google Street View SVM Google Street View c 4 Information Processing Society of Japan 情報処理学会研究報告 い認識率を示す事が出来なかったと報告している
yoo_graduation_thesis.dvi
200 3 A Graduation Thesis of College of Engineering, Chubu University Keypoint Matching of Range Data from Features of Shape and Appearance Yohsuke Murai 1 1 2 2.5D 3 2.1 : : : : : : : : : : : : : : :
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
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
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
PowerPoint プレゼンテーション
空間フィルタリング (spatal lterng) 入力画像の対応する画素値だけではなく その周囲 ( 近傍領域 ) の画素も含めた領域内の画素値を用いて 出力画像の対応する画素値を計算する処理 入力画像出力画像入力画像出力画像 画素ごとの濃淡変換 ( 階調処理 ) 領域に基づく濃淡変換 ( 空間フィルタリング ) 空間フィルタ (spatal lter) 線形フィルタ (lnear lter) w
Sobel Canny i
21 Edge Feature for Monochrome Image Retrieval 1100311 2010 3 1 3 3 2 2 7 200 Sobel Canny i Abstract Edge Feature for Monochrome Image Retrieval Naoto Suzue Content based image retrieval (CBIR) has been
BDH Cao BDH BDH Cao Cao Cao BDH ()*$ +,-+.)*$!%&'$!"#$ 2. 1 Weng [4] Metric Learning Weng DB DB Yang [5] John [6] Sparse Coding sparse coding DB [7] K
![BDH Cao BDH BDH Cao Cao Cao BDH ()*$ +,-+.)*$!%&'$!#$ 2. 1 Weng [4] Metric Learning Weng DB DB Yang [5] John [6] Sparse Coding sparse coding DB [7] K](/thumbs/93/114210200.jpg "BDH Cao BDH BDH Cao Cao Cao BDH ()*$ +,-+.)*$!%&'$!#$ 2. 1 Weng [4] Metric Learning Weng DB DB Yang [5] John [6] Sparse Coding sparse coding DB [7] K")
Bucket Distance Hashing Metric Learning 1,a) 1,b) 1,c) 1,d) (DB) [1] DB Cao [2] Cao Metric Learning Cao Cao Cao Cao Cao 100 DB 10% 1. m DB DB DB 1 599 8531 1 1 Graduate School of Engineering, Osaka Prefecture
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
Microsoft PowerPoint - presen
解析支援ネット OKAYAMA 画像解析に関する技術講演会 2008.03.28 車上からの道路標識の認識 岡山県立大学情報工学部スポーツシステム工学科山内仁 はじめに 高度道路交通システム (ITS) VICS ETC etc. 走行支援道路システム (AHS) 車載カメラによる環境認識 (AHS-i) 道路標識の認識 認知に関わる事故の防止 2 車両運行に関わる標識 標識情報の取得手段 : 車載カメラ
(b) BoF codeword codeword BoF (c) BoF Fergus Weber [11] Weber [12] Weber Fergus BoF (b) Fergus [13] Fergus 2. Fergus 2. 1 Fergus [3]
![(b) BoF codeword codeword BoF (c) BoF Fergus Weber [11] Weber [12] Weber Fergus BoF (b) Fergus [13] Fergus 2. Fergus 2. 1 Fergus [3]](/thumbs/49/25500502.jpg "(b) BoF codeword codeword BoF (c) BoF Fergus Weber [11] Weber [12] Weber Fergus BoF (b) Fergus [13] Fergus 2. Fergus 2. 1 Fergus [3]")
* A Multimodal Constellation Model for Generic Object Recognition Yasunori KAMIYA, Tomokazu TAKAHASHI,IchiroIDE, and Hiroshi MURASE Bag of Features (BoF) BoF EM 1. [1] Part-based Graduate School of Information
(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
光学
Fundamentals of Projector-Camera Systems and Their Calibration Methods Takayuki OKATANI To make the images projected by projector s appear as desired, it is e ective and sometimes an only choice to capture
IPSJ SIG Technical Report Vol.2010-CVIM-172 No /5/ Object Tracking Based on Generative Appearance Model 1. ( 1 ) ( 2 ) ( 3 ) 1 3) T
1 2 2 3 1 Objec Tracking Based on Generaive Appearance Model 1. ( 1 ) ( 2 ) ( 3 ) 1 3) Tasuya YONEKAWA, 1 Kazuhiko KAWAMOTO, 2 Asushi IMIYA 2 and Akihiro SUGIMOTO 3 We propose a mehod for racking objecs
IPSJ SIG Technical Report Secret Tap Secret Tap Secret Flick 1 An Examination of Icon-based User Authentication Method Using Flick Input for
1 2 3 3 1 Secret Tap Secret Tap Secret Flick 1 An Examination of Icon-based User Authentication Method Using Flick Input for Mobile Terminals Kaoru Wasai 1 Fumio Sugai 2 Yosihiro Kita 3 Mi RangPark 3 Naonobu
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
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
IPSJ SIG Technical Report Vol.2011-CVIM-177 No /5/ TRECVID2010 SURF Bag-of-Features 1 TRECVID SVM 700% MKL-SVM 883% TRECVID2010 MKL-SVM A
1 1 TRECVID2010 SURF Bag-of-Features 1 TRECVID SVM 700% MKL-SVM 883% TRECVID2010 MKL-SVM Analysis of video data recognition using multi-frame Kazuya Hidume 1 and Keiji Yanai 1 In this study, we aim to
Microsoft PowerPoint - ICD2011UenoSlides.pptx
画像認識向け 3 次元積層 アクセラレータ アーキテクチャの検討 九州大学大学院システム情報科学府学院 * 九州大学大学院システム情報科学研究院 ** 上野伸也 * Gauthier Lovic Eric** 井上弘士 ** 村上和彰 ** 1 概要 画像認識技術 アクセラレータによる高性能 低消費エネルギー化 アプリケーション分析 アクセラレータ アーキテクチャ検討ア 性能 消費エネルギー評価 まとめ
05_藤田先生_責
This report shows innovation of competency of our faculty of social welfare. The aim of evaluation competency is improvement in the Social welfare education effects, by understanding of studentʼs development
Vol.-ICS-6 No.3 /3/8 Input.8.6 y.4 Fig....5 receptive field x 3 w x y Machband w(x =
DOG(Difference of two Gaussians 8 A feedback model for the brightness illusion Shoji Nodasaka and Asaki Saito We consider mechanism of the Hermann grid. The mechanism is usually explained by effects 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
WISS Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro GoPro 2 6 GoPro RICOH THETA 3 Kodak P
![WISS Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro GoPro 2 6 GoPro RICOH THETA 3 Kodak P](/thumbs/97/132457040.jpg "WISS Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro GoPro 2 6 GoPro RICOH THETA 3 Kodak P")
WISS 2016. 8 1 Woodman Labs GoPro 1 [5, 3, 2] Copyright is held by the author(s). 1 GoPro https://gopro.com/ 360 GoPro 2 6 GoPro RICOH THETA 3 Kodak PIXPRO SP360 4 Samsung Gear 360 5 1 RICOH THETA S Brazucam
Microsoft PowerPoint - descriptor.ppt [互換モード]
![Microsoft PowerPoint - descriptor.ppt [互換モード]](/thumbs/94/118836169.jpg "Microsoft PowerPoint - descriptor.ppt [互換モード]")
1 局所特徴記述子を用いたバイオメトリクス認証の検討 A Study on Biometric Authentication Using Local Feature Descriptor 伊藤康一, 青山章一郎, 青木孝文 Koichi Ito, Shoichiro Aoyama and Takafumi Aoki 東北大学大学院情報科学研究科 Graduate School of Information
& 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
IPSJ SIG Technical Report Vol.2009-CVIM-167 No /6/10 Real AdaBoost HOG 1 1 1, 2 1 Real AdaBoost HOG HOG Real AdaBoost HOG A Method for Reducing
Real AdaBoost HOG 1 1 1, 2 1 Real AdaBoost HOG HOG Real AdaBoost HOG A Method for Reducing number of HOG Features based on Real AdaBoost Chika Matsushima, 1 Yuji Yamauchi, 1 Takayoshi Yamashita 1, 2 and
2017 (413812)
2017 (413812) Deep Learning ( NN) 2012 Google ASIC(Application Specific Integrated Circuit: IC) 10 ASIC Deep Learning TPU(Tensor Processing Unit) NN 12 20 30 Abstract Multi-layered neural network(nn) has
, ( ξ/) ξ(x), ( ξ/) x = x 1,. ξ ξ ( ξ, u) = 0. M LS ξ ξ (6) u,, u M LS 3).,.. ξ x ξ = ξ(x),, 1. J = (ξ ξ, V [ξ ] 1 (ξ ξ )) (7) ( ξ, u) = 0, = 1,..., N
![, ( ξ/) ξ(x), ( ξ/) x = x 1,. ξ ξ ( ξ, u) = 0. M LS ξ ξ (6) u,, u M LS 3).,.. ξ x ξ = ξ(x),, 1. J = (ξ ξ, V [ξ ] 1 (ξ ξ )) (7) ( ξ, u) = 0, = 1,..., N](/thumbs/80/81723780.jpg ", ( ξ/) ξ(x), ( ξ/) x = x 1,. ξ ξ ( ξ, u) = 0. M LS ξ ξ (6) u,, u M LS 3).,.. ξ x ξ = ξ(x),, 1. J = (ξ ξ, V [ξ ] 1 (ξ ξ )) (7) ( ξ, u) = 0, = 1,..., N")
1,,.,.. Maximum Likelihood Estimation for Geometric Fitting Yasuyuki Sugaya 1 Geometric fitting, the problem which estimates a geometric model of a scene from extracted image data, is one of the most fundamental
Abstract 1 1 2 2 4 2.1.................................. 4 2.2......................... 5 2.3.............................. 6 2.4.....................
24 Abstract 1 1 2 2 4 2.1.................................. 4 2.2......................... 5 2.3.............................. 6 2.4........................ 8 2.5.......................... 9 2.6........................
28 Horizontal angle correction using straight line detection in an equirectangular image
28 Horizontal angle correction using straight line detection in an equirectangular image 1170283 2017 3 1 2 i Abstract Horizontal angle correction using straight line detection in an equirectangular image
図 5 一次微分 図 6 コントラスト変化に伴う微分プロファイルの変化 価し, 合否判定を行う. 3. エッジ検出の原理ここでは, 一般的なエッジ検出の処理内容と, それぞれの処理におけるパラメータについて述べる. 3.1 濃度投影検出線と直交する方向に各画素をスキャンし, その濃度平均値を検出線上
The Principles of Edge Detection, and Its Application to Image Measurement/ Junichi SUGANO ヴィスコ テクノロジーズ株式会社開発本部研究部菅野純一 1. はじめに画像処理におけるエッジとは, 対象物と背景の境界点を指しており, この境界点が連なることで対象物の輪郭を形成する. 対象物の輪郭を拡大してみると, レンズボケにより明から暗または暗から明へ濃度値が連続的に変化していることがわかる.
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
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
インターリーブＡＤＣでのタイミングスキュー影響のデジタル補正技術
1 インターリーブADCでのタイミングスキュー影響のデジタル補正技術 浅見幸司 黒沢烈士 立岩武徳 宮島広行 小林春夫 ( 株 ) アドバンテスト 群馬大学 2 目次 1. 研究背景 目的 2. インターリーブADCの原理 3. チャネル間ミスマッチの影響 3.1. オフセットミスマッチの影響 3.2. ゲインミスマッチの影響 3.3. タイミングスキューの影響 4. 提案手法 4.1. インターリーブタイミングミスマッチ補正フィルタ
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)
paper.dvi
23 Study on character extraction from a picture using a gradient-based feature 1120227 2012 3 1 Google Street View Google Street View SIFT 3 SIFT 3 y -80 80-50 30 SIFT i Abstract Study on character extraction
人間の視野と同等の広視野画像を取得・提示する簡易な装置
人間の視野と同等の広視野画像 を取得 提示する簡易な装置 公立はこだて未来大学 システム情報科学部複雑系知能学科 准教授鈴木昭二 研究背景 2 画像情報は有用である 多様な情報 ( 明るさ, 色, 形, 動きなど ) 見ればわかる しかし, カメラの画角は狭い 見える範囲が限定される 全体像を把握しくい 移動する物体を見失いやすい 広視野画像の取得 ( 従来方法 ) 3 多数のカメラを搭載 多数の画像を合成し高解像度の画像取得
IPSJ SIG Technical Report Vol.2017-CVIM-205 No /1/ Content-based Image Retrieval(CBIR) CBIR RANSAC (Local feature hashing) 1000 A geo
- - Content-based Image Retrieval(CBIR) CBIR RANSAC (Local feature hashing) A geometric consistency checking method for keypoint matching -Application to image retrieval- Okura Yuto Wada Toshikazu Abstract:
Microsoft PowerPoint - 画像工学 print
教室 : 14-22 画像工学 28 年度版 Imaging Science and Technology 画像工学 28 年度版 2 慶応義塾大学理工学部 教授 慶応義塾大学理工学部 准教授 中島真人青木義満 ( 例 ) 画像システムとしてのカメラ y 入力 f(x,y) x ( 紙に書かれた文字 ) カメラ ( フィルムカメラ デジタルカメラ どちらでも OK ) (u,v) ) SYSTEM
Q [4] 2. [3] [5] ϵ- Q Q CO CO [4] Q Q [1] i = X ln n i + C (1) n i i n n i i i n i = n X i i C exploration exploitation [4] Q Q Q ϵ 1 ϵ 3. [3] [5] [4]
![Q [4] 2. [3] [5] ϵ- Q Q CO CO [4] Q Q [1] i = X ln n i + C (1) n i i n n i i i n i = n X i i C exploration exploitation [4] Q Q Q ϵ 1 ϵ 3. [3] [5] [4]](/thumbs/93/112440494.jpg "Q [4] 2. [3] [5] ϵ- Q Q CO CO [4] Q Q [1] i = X ln n i + C (1) n i i n n i i i n i = n X i i C exploration exploitation [4] Q Q Q ϵ 1 ϵ 3. [3] [5] [4]")
1,a) 2,3,b) Q ϵ- 3 4 Q greedy 3 ϵ- 4 ϵ- Comparation of Methods for Choosing Actions in Werewolf Game Agents Tianhe Wang 1,a) Tomoyuki Kaneko 2,3,b) Abstract: Werewolf, also known as Mafia, is a kind of
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: hf@cs.chubu.ac.jp 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
SURF,,., 55%,.,., SURF(Speeded Up Robust Features), 4 (,,, ), SURF.,, 84%, 96%, 28%, 32%.,,,. SURF, i
24 SURF Recognition of Facial Expression Based on SURF 1130402 2013 3 1 SURF,,., 55%,.,., SURF(Speeded Up Robust Features), 4 (,,, ), SURF.,, 84%, 96%, 28%, 32%.,,,. SURF, i Abstract Recognition of Facial
Microsoft PowerPoint - SSII_harada pptx
The state of the world The gathered data The processed data w d r I( W; D) I( W; R) The data processing theorem states that data processing can only destroy information. David J.C. MacKay. Information
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE.,,
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE.,, 464 8601 470 0393 101 464 8601 E-mail: matsunagah@murase.m.is.nagoya-u.ac.jp, {ide,murase,hirayama}@is.nagoya-u.ac.jp,
論文9.indd
Recent topics in surround sound audio Masaki Sawaguchi Summary This paper will describe the recent trends in surround sound system based on the results of various investigations on this topic. According
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. TRECVID2012 Instance Search {sak
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. TRECVID2012 Instance Search 599 8531 1 1 E-mail: {sakata,matozaki}@m.cs.osakafu-u.ac.jp, {kise,masa}@cs.osakafu-u.ac.jp
CLEFIA_ISEC発表
128 ビットブロック暗号 CLEFIA 白井太三 渋谷香士 秋下徹 盛合志帆 岩田哲 ソニー株式会社 名古屋大学 目次 背景 アルゴリズム仕様 設計方針 安全性評価 実装性能評価 まとめ 2 背景 AES プロジェクト開始 (1997~) から 10 年 AES プロジェクト 攻撃法の進化 代数攻撃 関連鍵攻撃 新しい攻撃法への対策 暗号設計法の進化 IC カード, RFID などのアプリケーション拡大
Microsoft PowerPoint - comprog11.pptx
Outline プログラミング演習第 回エッジを検出する on 3..4 電気通信大学情報理工学部知能機械工学科長井隆行 画像の本質 輝度の境目に情報あり! 画像の微分と 階微分 エッジ検出 画像をぼかす 本日の課題 画像の本質 エッジ抽出 画像の情報は境目にあり! エッジ 輝度が大きく変化しているところ ( 境界 ) 画像の情報はエッジにあり 輝度 人間の視覚系でも特定のエッジの方向に発火するニューロンが見つかっている
Microsoft PowerPoint - sm13_lect03_ all.pptx
SIFT 特徴 : 顕著点による局所特徴量 意味的マルチメディア処理第 A2 回 (2013 年 10 月 15 日 ) ー視覚メディアの分析, 分類, 比較, 検索 ( 第 1 回 ) ー 教員 : 大渕竜太郎 2013/10/28 意味的マルチメディア処理特論 ( 視覚メディア ) 1 Scale Invariant Feature Transform (SIFT) David Loweによる
IPSJ SIG Technical Report Vol.2014-GN-90 No.16 Vol.2014-CDS-9 No.16 Vol.2014-DCC-6 No /1/24 1,a) 2,b) 2,c) 1,d) QUMARION QUMARION Kinect Kinect
1,a) 2,b) 2,c) 1,d) QUMARION QUMARION Kinect Kinect Using a Human-Shaped Input Device for Remote Pose Instruction Yuki Tayama 1,a) Yoshiaki Ando 2,b) Misaki Hagino 2,c) Ken-ichi Okada 1,d) Abstract: There
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
3: 2: 2. 2 Semi-supervised learning Semi-supervised learning [5,6] Semi-supervised learning Self-training [13] [14] Self-training Self-training Semi-s
![3: 2: 2. 2 Semi-supervised learning Semi-supervised learning [5,6] Semi-supervised learning Self-training [13] [14] Self-training Self-training Semi-s](/thumbs/72/67985311.jpg "3: 2: 2. 2 Semi-supervised learning Semi-supervised learning [5,6] Semi-supervised learning Self-training [13] [14] Self-training Self-training Semi-s")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. 599-8531 1-1 E-mail: tsukada@m.cs.osakafu-u.ac.jp, {masa,kise}@cs.osakafu-u.ac.jp Semi-supervised learning
24 Region-Based Image Retrieval using Fuzzy Clustering
24 Region-Based Image Retrieval using Fuzzy Clustering 1130323 2013 3 9 Visual-key Image Retrieval(VKIR) k-means Fuzzy C-means 2 200 2 2 20 VKIR 5 18% 54% 7 30 Fuzzy C-means i Abstract Region-Based Image
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
カメラレディ原稿
IS2-A2 カメラを回転させた時の特徴点軌跡を用いた魚眼カメラの内部パラメータ推定 - モデルと評価関数の変更による改良 - 田中祐輝, 増山岳人, 梅田和昇 Yuki TANAKA, Gakuto MASUYAMA, Kazunori UMEDA : 中央大学大学院理工学研究科,y.tanaka@sensor.mech.chuo-u.ac.jp 中央大学理工学部,{masuyama, umeda}@mech.chuo-u.ac.jp
Microsoft PowerPoint - CV04.ppt [互換モード]
![Microsoft PowerPoint - CV04.ppt [互換モード]](/thumbs/101/149709049.jpg "Microsoft PowerPoint - CV04.ppt [互換モード]")
コンピュータビジョン特論 Advanced Computer Vision 第 4 回 画像特徴 ( 点 直線 領域 ) の検出と識別 -1 画質の改善エッジの検出 濃度ヒストグラム (Histogram) 画素数 8 6 4 2 濃度ヒストグラム (Histogram) は 画像の濃度値を横軸に その濃度値を持つ画素数を縦軸に取った ヒストグラム 19 38 57 76 95 114 133 152
Microsoft PowerPoint - 10.pptx
m u. 固有値とその応用 8/7/( 水 ). 固有値とその応用 固有値と固有ベクトル 行列による写像から固有ベクトルへ m m 行列 によって線形写像 f : R R が表せることを見てきた ここでは 次元平面の行列による写像を調べる とし 写像 f : を考える R R まず 単位ベクトルの像 u y y f : R R u u, u この事から 線形写像の性質を用いると 次の格子上の点全ての写像先が求まる
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. Wang Jiani {jwang,mnod
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. Wang Jiani 464 8601 500 8288 1 38 E-mail: {jwang,mnoda}@murase.m.is.nagoya-u.ac.jp, {ddeguchi,ide,murase}@is.nagoya-u.ac.jp
( ) [1] [4] ( ) 2. [5] [6] Piano Tutor[7] [1], [2], [8], [9] Radiobaton[10] Two Finger Piano[11] Coloring-in Piano[12] ism[13] MIDI MIDI 1 Fig. 1 Syst
![( ) [1] [4] ( ) 2. [5] [6] Piano Tutor[7] [1], [2], [8], [9] Radiobaton[10] Two Finger Piano[11] Coloring-in Piano[12] ism[13] MIDI MIDI 1 Fig. 1 Syst](/thumbs/91/107597950.jpg "( ) [1] [4] ( ) 2. [5] [6] Piano Tutor[7] [1], [2], [8], [9] Radiobaton[10] Two Finger Piano[11] Coloring-in Piano[12] ism[13] MIDI MIDI 1 Fig. 1 Syst")
情報処理学会インタラクション 2015 IPSJ Interaction 2015 15INT014 2015/3/7 1,a) 1,b) 1,c) Design and Implementation of a Piano Learning Support System Considering Motivation Fukuya Yuto 1,a) Takegawa Yoshinari 1,b) Yanagi
IPSJ SIG Technical Report iphone iphone,,., OpenGl ES 2.0 GLSL(OpenGL Shading Language), iphone GPGPU(General-Purpose Computing on Graphics Proc
iphone 1 1 1 iphone,,., OpenGl ES 2.0 GLSL(OpenGL Shading Language), iphone GPGPU(General-Purpose Computing on Graphics Processing Unit)., AR Realtime Natural Feature Tracking Library for iphone Makoto
DPA,, ShareLog 3) 4) 2.2 Strino Strino STRain-based user Interface with tacticle of elastic Natural ObjectsStrino 1 Strino ) PC Log-Log (2007 6)
1 2 1 3 Experimental Evaluation of Convenient Strain Measurement Using a Magnet for Digital Public Art Junghyun Kim, 1 Makoto Iida, 2 Takeshi Naemura 1 and Hiroyuki Ota 3 We present a basic technology
2 4 2 3 4 3 [12] 2 3 4 5 1 1 [5, 6, 7] [5, 6] [7] 1 [8] 1 1 [9] 1 [10, 11] [10] [11] 1 [13, 14] [13] [14] [13, 14] [10, 11, 13, 14] 1 [12]
![2 4 2 3 4 3 [12] 2 3 4 5 1 1 [5, 6, 7] [5, 6] [7] 1 [8] 1 1 [9] 1 [10, 11] [10] [11] 1 [13, 14] [13] [14] [13, 14] [10, 11, 13, 14] 1 [12]](/thumbs/39/20193688.jpg "2 4 2 3 4 3 [12] 2 3 4 5 1 1 [5, 6, 7] [5, 6] [7] 1 [8] 1 1 [9] 1 [10, 11] [10] [11] 1 [13, 14] [13] [14] [13, 14] [10, 11, 13, 14] 1 [12]")
Walking Person Recognition by Matching Video Fragments Masashi Nishiyama, Mayumi Yuasa, Tomokazu Wakasugi, Tomoyuki Shibata, Osamu Yamaguchi ( ), Corporate Research and Development Center, TOSHIBA Corporation
Spin Image [3] 3D Shape Context [4] Spin Image 2 3D Shape Context Shape Index[5] Local Surface Patch[6] DAI [7], [8] [9], [10] Reference Frame SHO[11]
![Spin Image [3] 3D Shape Context [4] Spin Image 2 3D Shape Context Shape Index[5] Local Surface Patch[6] DAI [7], [8] [9], [10] Reference Frame SHO[11]](/thumbs/87/96951219.jpg "Spin Image [3] 3D Shape Context [4] Spin Image 2 3D Shape Context Shape Index[5] Local Surface Patch[6] DAI [7], [8] [9], [10] Reference Frame SHO[11]")
3-D 1,a) 1 1,b) 3 3 3 1% Spin Image 51.6% 93.8% 9 PCL Point Cloud Library Correspondence Grouping 13.5% 10 3 Extraction of 3-D Feature Point for Effect in Object Recognition based on Local Shape Distinctiveness
Real AdaBoost HOG 2009 3 A Graduation Thesis of College of Engineering, Chubu University Efficient Reducing Method of HOG Features for Human Detection based on Real AdaBoost Chika Matsushima ITS Graphics
A Bit flipping Reduction Method for Pseudo-random Patterns Using Don’t Care Identification on BAST Architecture
29 年 2 月 4 日日本大学大学院生産工学研究科数理情報工学専攻修士論文発表会 BAST アーキテクチャにおけるランダムパターンレジスタント故障ドントケア抽出を用いた擬似ランダムパターンのビット反転数削減法に関する研究 日本大学院生産工学研究科数理情報工学専攻万玲玲 背景 概要 BAST アーキテクチャ 目的と提案手法 ハンガリアンアルゴリズム ランダムパターンレジスタント故障検出用ドントケア抽出法
(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
Web UX Web Web Web 1.2 Web GIF Kevin Burg Jamie Beck GIF GIF [2] Flixel Cinemagraph pro *1 Adobe Photoshop *2 GIMP *3 Web *1 Flixel Photos Inc. *2 *3
![Web UX Web Web Web 1.2 Web GIF Kevin Burg Jamie Beck GIF GIF [2] Flixel Cinemagraph pro *1 Adobe Photoshop *2 GIMP *3 Web *1 Flixel Photos Inc. *2 *3](/thumbs/89/99926796.jpg "Web UX Web Web Web 1.2 Web GIF Kevin Burg Jamie Beck GIF GIF [2] Flixel Cinemagraph pro *1 Adobe Photoshop *2 GIMP *3 Web *1 Flixel Photos Inc. *2 *3")
1 1 1 Web Web SNS 1 The Proposition of New Method to Generate Cinemagraph in Simple Way Isono Yuuka 1 Ando Daichi 1 Kasahafa Shinichi 1 Abstract: Recently, many animations are used for the web design.
An Effective Approach of University-Industry Research Collaboration on Computer Vision 143
An Effective Approach of University-Industry Research Collaboration on Computer Vision 143 . 2002 Viola 2005. 144 画像認識分野における効果的な産学連携 米国カーネギーメロン大学では 1997年からビデオ監視システムに関する研究である VSAM Video Surveillance and
大学における原価計算教育の現状と課題
1 1.1 1.2 1.3 2 2.1 2.2 3 3.1 3.2 3.3 2014a 50 ABC Activity Based Costing LCC Lifecycle Costing MFCA Material Flow Cost Accounting 2 2 2016 9 1 2 3 2014b 2005 2014b 2000 1 2 1962 5 1 3 2 3 4 5 50 2012
情報処理学会研究報告 IPSJ SIG Technical Report Vol.2013-CG-153 No.16 Vol.2013-CVIM-189 No /11/29 NF-Features による画像間の頬点の対応付け 1 圓城達也 1 呉海元 本論文では異なる 2 つの視点か
NF-Features による画像間の頬点の対応付け 1 圓城達也 1 呉海元 本論文では異なる 2 つの視点から撮影された顔写真からその人の 3 次元顔モデルを自動的に生成する方法について述べる 顔パーツのコーナー点は FAST(Features from Accelerated Segment Test) で検出でき その特徴量は SIFT(Scale Invariant Feature Transform)
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE.
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. E-mail: {ytamura,takai,tkato,tm}@vision.kuee.kyoto-u.ac.jp Abstract Current Wave Pattern Analysis for Anomaly