列生成を困難にする要因となっている 既存研究では 与え られた画像からグレイスケールに変換し 画像 1 枚から抽出 を行っているため 外乱 ( 影や光 ) の影響を受けると文字列を 正しく抽出できない (Yin et al., 2014) さらに 情景内の単一 の文字は既存研究では考慮されていない
|
|
|
- あいぞう そめや
- 7 years ago
- Views:
Transcription
1 原著 OCR 上野将義 ( 金沢大学大学院自然科学研究科,ueno@blitz.ec.t.kanazawa-u.ac.jp) 南保英孝 ( 金沢大学大学院自然科学研究科,nambo@ec.t.kanazawa-u.ac.jp) 木村春彦 ( 金沢大学大学院自然科学研究科,kimura@ec.t.kanazawa-u.ac.jp) 上田芳弘 ( 石川県工業試験場,ueda@irii.go.jp) Text extraction in natural image by using OCR score Masayoshi Ueno (Graduate School of Natural Science and Technology, Kanazawa University, Japan) Hidetaka Nambo (Graduate School of Natural Science and Technology, Kanazawa University, Japan) Haruhiko Kimura (Graduate School of Natural Science and Technology, Kanazawa University, Japan) Yoshihiro Ueda (Industrial Research Institute of Ishikawa, Japan) 要約カメラの発達により 色々な場面での撮影が可能となった さらにカメラの解像度も高くなったため カメラで撮影した情景内の文字を認識することも可能となった 我々の周囲には数多くの文字が存在しており それらは有益な情報をもたらしている よって もし情景内の文字情報を自動的に認識することが可能となれば 様々なシステムにおいて役に立つと考えられる しかし 文字認識のためには文字列の位置を特定する必要があり 困難を伴う 本論文では 連結成分抽出法とCSERを用いて 背景を分離し文字候補を抽出する さらに 文字候補を絞り込むためにOCRスコアとヒストグラムを用いた また OCRスコアを用いることで 既存研究では不可能であった1 文字からなる文字領域を抽出することが可能となった そして 提案手法を用いた実験では 抽出精度 74.6 % という結果が得られた キーワード MSER,CSER, 文字列抽出, 文字認識,OCR スコア 1. はじめに 現在 ビデオカメラ スマートフォン端末等のカメラ付き 携帯機器の普及に伴い 利用者は様々な画像を撮影すること が可能である さらに カメラの高解像度化に伴い 情景内 の文字を認識することが可能になりつつある 私たちの身の 回りには文字情報が多く存在し それらは私たちにとって有 益な情報を提供してくれる したがって 身の回りの情景内 に存在する文字情報を認識することができれば 様々なシス テムとの連携が可能になると考えられる 例えば 店舗の名前や住所 地名などが記載されている看 板上の文字や 経路情報などの道路交通情報が記載されてい る文字を読み取り 利便性や交通の安全性向上を目的とした システムとの連携が可能である 現在 光学文字認識 (OCR) を用いて活字の文書画像をコン ピュータが編集できる形式に変換が可能であるが 情景画像 内の文字を認識することは困難である 文字を認識するには まず 文字の画像内での位置を特定する必要があるが 一般 的に情景画像内の文字の抽出 ( 認識 ) を困難にする要因として 以下が挙げられる 文字情報以外のオブジェクト ( 空 建物 車 人など ) が存 在する 文書画像と異なり文字の背景が複雑である 撮影時の状況によって外乱 ( 影や光の反射 ) を受ける したがって 情景画像内から文字を正確に取得するために は 上記の問題を克服しなければならず 本研究では 前述 したサービスの実現のために 様々な種類の情景画像から文 字列を抽出することを目的とする 2. 既存研究 情景画像内の文字列の抽出に関する手法は大きく分けて 2 つに分けることができ パッチベース処理 連結成分ベース ( 領域ベース ) 処理がある パッチベース処理では 画像内で 文字列である可能性が高いかどうかを矩形単位で機械学習を 用いて判定し 文字列の抽出を行う (Chen and Yuille, 2004; Kim et al., 2003) しかし パッチベース処理で得られる抽出 結果は背景と文字列の分離ができておらず 抽出した文字列 を認識するためにはさらに処理を加える必要がある パッチベース処理に対して 連結成分ベース処理では 同 一文字のピクセルは類似した特性を持つと仮定し 同一文字 の連結成分を利用してピクセルを領域にグループ化すること で各文字を抽出している 連結成分ベース処理の利点は 連 結成分の濃淡が一般的に文字列の特性 ( スケール 方向 フォ ント ) に依存しないことである また 連結成分ベース処理 の中でも 文字抽出の際に Maximally Stable Extremal Regions (MSER) をベースとした手法が有効である (Chen et al., 2011; Neumann and Matas, 2012; Yin et al., 2014) しかし MSER は多くの領域を検出してしまうことが問題である そこで MSER をベースとした CSER(Class Specific Extremal Regions) では 簡易的に文字 非文字の分類を行っている (Neumann and Matas, 2012) CSER では 連結成分を 2 値化した際に適 切な ERs を抽出するために 文字認識にも有効に利用できる 利点がある しかし 文字 非文字の分類を行っていながらも それでもなお抽出される文字候補の数は多く その後の文字 Union Press 科学 技術研究第 5 巻 1 号 2016 年 53
2 列生成を困難にする要因となっている 既存研究では 与え られた画像からグレイスケールに変換し 画像 1 枚から抽出 を行っているため 外乱 ( 影や光 ) の影響を受けると文字列を 正しく抽出できない (Yin et al., 2014) さらに 情景内の単一 の文字は既存研究では考慮されていない 3. データセット 本研究で用いるデータセットは ICDAR2003 で利用された データセットの合計 251 枚である (Lucas et al., 2003) データ セットの画像の詳細は以下の通りである 画像サイズ : から 対象文字 : 英数字のみ カラー画像のみ 文字数 : 最低 1 文字以上画像内に存在 4. 提案手法 本研究では 背景と文字が分離できているという利点と簡 易的に文字分類を行っている CSER を用いて文字候補を抽出 する そして 得られた領域に OCR を利用して OCR スコアを 取得し それを利用して文字候補の削減を行った後 文字列 を抽出する手法を提案する また OCR スコアを利用すること で既存研究では行われていなかった単一文字の抽出も可能で あると考えられる 本研究の流れは 大きく分けて 1. 文字候 補の抽出 2. 文字候補の削減 3. 文字列の抽出である 図 1 に各段階の処理結果を示す MSER を用いて 画像内から安定した領域を抽出する 抽出した領域に対してメディアンフィルタを用いて平滑化 処理を行う CSER を用いて文字候補を抽出する MSER MSER は Matas et al. (2004) で提案された領域分割の手法 であり 画像中の輝度値が類似した画素を 1 つの領域にまと めていく手法である 抽出された領域は周りの画素値と比較 して明るい または暗い領域である MSER はグレイスケー ル画像に対して閾値を徐々に変化させることで領域を抽出す る MSER は以下の手順で処理を行う 濃淡画像から 閾値を徐々に変化させ連続する 2 値画像を 生成する 各 2 値画像の連結領域 (Extremal Regions) を求める 面積の変化が最も緩やか (Maximally Stable) な連結領域を 特徴領域とする CSER CSER は Neumann らによって提案された手法である 基本 的な考え方は 適切な Extremal Regions(ERs) を画像の全コ ンポーネント木から選択する点で MSER に似ている しかし CSER では文字検出の分類学習を利用することで適切な ERs を 選択する点で MSER と異なる したがって MSER によって抽 出された安定した領域が必ずしも選択されるわけではない CSER ではグレイスケール画像を利用するが 本研究では RGB 各要素 [1] とそれらを反転させた画像 [2]( 計 6 枚 ) を利用し [1], [2] の抽出結果をまとめ 計 2 枚の抽出結果を取得した なお グループ化する際には文字候補同士が 80 % 以上重なっていれ ば 同一領域とみなした (a) (c) (e) 4.1 文字列候補の抽出 図 1: 各段階の処理結果 注 :( a) 元画像 (b) 全文字候補 (c)ocr スコア適用後 (d) 類似画像抽出 (e) 文字列生成 (f) 文字列統合 文字候補の抽出は以下の手順で行う (b) (d) (f) カラー画像を RGB それぞれの要素に分割する 4.2 問題点 CSER を利用して文字領域の抽出を行った結果を図 2(a) に示す なお 青枠で囲んだ結果はグレイスケール画像をそのままCSER で検出した領域で 黄色枠で囲んだ結果は それらのグレイスケールの画素値を反転させた画像から得られた領域である 以降に記載する画像に関しても同様である 図 2(a) の TALLE の文字は MSERでは検出されていたが CSERの結果では抽出できなくなっている 図 2(a) の抽出できなかった文字を切り取り拡大すると図 2(b) のような画像が得られた 図 2(b) より 黒字の上に光や文字が書かれている材質の影響で白い部分が点のように見える部分が存在する事が分かる この部分が影響し 2 値化した際に一つの領域としてとらえることができずに CSER で非文字に分類されたと考えられる そこで 画像全体にメディアンフィルタを適用して輝度値を平滑化することにより CSER で先ほど抽出できなかった領域が抽出できた ( 図 2(c)) しかし メディアンフィルタで安定した領域を作った分 CSER 後の文字抽出数が多くなってしまうという問題が出てきた そこで MSER で抽出された領域に対してのみメディアンフィルタを用いて平滑化すること 54 Studies in Science and Technology, Volume 5, Number 1, 2016
3 上野将義他 :OCR スコアを利用した情景画像内の文字列抽出 0.7 r < 0.9 かつ s α2 0.6 r < 0.7 かつ s α3 0.5 r < 0.6 かつ s α4 により 画像全体ではなく部分的に平滑化を行い文字抽出数 の増加を抑制させた 4.3 文字列候補の削減 CSER を用いて抽出された文字候補では候補数が多いために 文字列の生成を困難にする したがって より信頼性の高い 文字候補のみを残すことで文字列の生成を容易にすることを 試みる 文字候補の削減は OCR スコアと 2 つの画像間のヒス トグラムを比較することで行う 以下にその流れを示す 抽出した画像に対して OCR スコアを計算する OCR スコアを閾値として 閾値以上の文字候補のみを抽出 する (a) (b) (c) 抽出された文字候補を基準として 水平方向に存在した閾 値以下の文字候補との類似度を計算する 類似性があると判断されれば文字候補として抽出する OCR スコアの利用 オープンソースのソフトウェアである Tesseract-OCR を利 用した (Tesseract-OCR, 2015) また 事前の実験により同じ 画像でも特に画像サイズが大きい場合に認識精度が悪くなる ため のサイズに正規化を行った また 正規化す るサイズより小さい画像は拡大することで逆に誤認識したた め 処理を行わなかった そして 本来文字領域であっても 閾値未満となる可能性があるので 水平方向に存在した文字 候補とのヒストグラムの類似度を算出し 類似していれば文 字とした また 全ての文字候補が閾値未満の場合は 画像 内から最低 1 文字は抽出されるように スコア値が最も高い 候補を抽出した 類似画像の抽出 ヒストグラムの類似度の算出には バタチャリヤ距離を用 いた バタチャリヤ距離とは 二つの分布を独立事象とみな した時のそれらの同時確率に対する自己情報量として定義さ れる OCR スコアが閾値以上であった文字候補と水平方向に 存在する文字候補との垂直方向の割合 r を求め その r に応じ てヒストグラムの類似度 s の閾値 (α1 ~ α4) を変更し 以下 の条件を満たせば文字候補とした r 0.9 かつ s < α1 図 2: メディアンフィルタによる平滑化 注 :( a) メディアンフィルタ不使用 (b) 拡大画像 (c) メディアンフィルタ使用 また α1 から α4 になるにしたがって閾値の値は小さく設定 した 4.4 文字列の抽出 文字列の作成 本研究では 英数字文字のみを対象としているため 文字 列は水平方向に存在する また 同一文字列内の背景色 bc ま たは文字色 cc は同色であると考えられる したがって ある 文字候補から水平方向の文字候補を探索し 見つかった文字 候補の背景色または文字色が類似していれば同一文字列とし た k 平均法 (k = 2) を利用し あらかじめ抽出候補の画素値 を取得し それぞれの重心と比較することで背景色と文字色 を決定した k 平均法では初期値設定によって異なる結果が 得られることがわかっているが 本研究では k-means++ 法を 利用した (Arthur, 2007) なお 文字色と背景色を算出した際 に重心の距離を算出し ほぼ一致する文字候補に関しては同 一の文字候補であると判断し 候補から削除した 文字列の 作成条件を以下に示す (β1 ~ β4) は閾値である 文字列の 作成では あらかじめ水平方向の文字との垂直方向の重なり 具合 ( 割合 r) を求め それを基に以下の条件を適用した また 文字列内に文字が 2 文字存在する場合は 以下の条件に加え 文字同士の距離を計算し 文字の高さより小さければ文字列 とした r 0.9 かつ bc < β1 0.5 r <0.6 かつ bc < β2 0.5 r <0.6 かつ cc β3 かつ bc β3 0.5 r <0.6 かつ cc β4 かつ bc β4 β4 になるにしたがって値は小さくなるように設定した これ は文字候補が多くなった場合に 縦方向の重なる割合が低く なると選択される文字候補も多くなり 誤ってグループ化す ることを防ぐためである 文字列の統合または削除 文字列として作成した文字列内にさらに文字列が作成され ていたり 文字列内に文字が抽出されたりする これは A や R などの文字では A の中にある三角の領域や R の中にある D のように見える領域が抽出されるためである そこで 重なっ ている文字列または文字を統合または削除するようにした 以下にその処理の流れ 統合条件を示す ある文字列 T の高さ 幅をそれぞれ height (T) width (T) と考える 文字列 A と重なっている文字列 B の A における位置を計算 する A を 3 等分したときの中間に B が存在 ( または共有 ) しない 場合 B は独立しているとみなす B が A の中間を共有する場合 B を削除または A と B を統 科学 技術研究第 5 巻 1 号 2016 年 55
4 合する 統合または削除の条件 height(b) height(a) の場合 統合した場合に width(a) の拡大する長さを計算し A に存在する文字 3 個分の長 さ以下ならば統合 そうでなければ B を削除 height (B) height (A) の場合は統合 B が A の領域の中に完全に存在する場合は B を削除 単一文字の抽出または削除文字列を生成しなかった文字候補は単一文字と考えることができる しかし それらをすべて残した場合 非文字が文字として抽出される ( 特に文字の場合誤認識 ) ことが多かった したがって 今回は数字と認識された文字候補のみを単一文字として抽出した 5. 実験本研究では OpenCV3.0(OpenCV, 2015) を利用した また CPUが Core i GHzの PCを用いた 5.1 評価方法データセット内に正解領域の座標を示したファイルが存在する 正解データでは単語ごとに文字領域が記されており 図示すると図 3(a) のようになる しかし 本手法で対象とする領域は単語ごとではなく 同一直線上にある場合は1 つの領域として抽出を行うため 図 3(b) のように正解データの修正を行った 評価方法には 再現率 適合率 F 値を用いた 再現率 (Recall) 画像中の正解データの領域を画素数 A 抽出した領域でかつ正しい領域の画素数をBとすると 以下の式で定義される Recall = A / B 適合率 (Precision) 本実験で抽出した文字列領域の画素数を C とすると 以下 の式で定義される F 値 Precision = B / C 再現率と適合率の調和平均であり 再現率を R 適合率を P とすると 以下の式で定義される F-Measure = 2RP / (R + P) 5.2 実験結果 評価結果を表 1 に示す 表中の Yun et al. (2014) の結果は 本研究と同じ評価方法で行ったものである その他の手法 (Pan et al., 2011; Lee et al., 2011; Epshtein et al., 2010) の結果は 単語ごとの抽出精度に関するものであるが 再現率に関して はほぼ変化がないと考えられるため その結果から有効性を 確認できる 6. 考察 6.1 背景と文字が同色の画像 図 4: 文字抽出結果 図 5 は文字色が背景色と同色のため 文字領域を抽出でき なかった例である MSER を利用しても文字色と背景色が同 じ場合は閾値によって 2 値化した場合に同じタイミングで変 化するため抽出ができないと考えられる (a) (b) 図 3: 正解データの修正 注 :( a) 修正前 (b) 修正後 図 5: 背景と文字が同色の場合 表 1: 実験結果 Recall(%) Precision(%) F-measure(%) Proposed method Yin et al., Pan et al., Lee et al., Epshtein et al Studies in Science and Technology, Volume 5, Number 1, 2016
5 上野将義他 :OCR スコアを利用した情景画像内の文字列抽出 6.2 文字削減の際に誤って文字を削除した画像 図 6(c) は ヒストグラムの類似度を比較したときに誤って 削除した例である 左から抽出した全文字候補 OCR スコア で文字削減を行った後 ヒストグラムの比較後の画像である OCR スコアで文字削減を行った際に 本来文字領域である候 補のスコアが低かったため誤削除が生じている 図 6(b) では 抽出した全文字候補のスコアが閾値より低かったため スコ アが最も高い文字が 1 個抽出されている しかし 1 個の場合 今回のように文字以外の候補を選択する可能性が高くなるた め 適切な個数を抽出するための改善が必要である (a) (b) (c) 図 6: 文字候補の誤削除の例 注 :( a) 文字候補 (b)ocr スコア適用後 (c) ヒストグラム比較後 図 8: 単一文字の抽出例 6.5 同一文字の要素が離れている画像 MSER や CSER では 文字が連結している場合は1 つの領域として抽出が可能であるため 英数字に対しての文字抽出は有効であるが 平仮名の い や う のように離れている場合には有効ではないと考えられる 本研究では英数字を対象としているが 図 9 のように英字でも要素が離れている画像が存在した しかし 本手法では OCR スコアを利用して抽出した文字候補から水平方向に類似したヒストグラムを持つ候補を文字候補として採用することができるため 図 9(d) に示すように 文字の構成要素が離れていても抽出が可能である 6.3 適合率に関して本研究では OCR スコアを利用したため ある程度文字候補が多くても非文字列を抽出した数を減らすことができた しかし 画像によっては図 7 のように特に窓やレンガなどの規則性のある個所を文字列と誤判別して抽出してしまうため 文字部分は正しく抽出できているが 適合率が著しく悪くなる画像が存在した したがって 抽出した文字列が実際に文字列かどうかを判定する処理を加える必要がある (a) (b) (c) (d) 図 9: 非連結文字抽出の成功例 注 :( a) 全文字候補 (b)ocr スコア適用後 (c) 類似画像検出後 (d) 文字抽出後 図 7: 適合率が悪くなる画像の例 6.4 単一文字の抽出本研究では OCR スコアを利用したため 文字列のみを対象としていた従来手法では対象外となっていた単一文字の抽出を行うことができた 今回は適合率の関係から数字に限定して抽出を行ったため 本来英字で抽出ができていた文字を棄却した画像が数枚あった したがって 今後は数字のみではなく英字を抽出できるように工夫する必要がある 7. まとめ現在 カメラ付き携帯端末の普及に伴い利用者は様々な画像を撮影することが可能である 文書画像内の文字を認識することは可能であるが 情景画像内の文字を認識することは 背景の複雑さや外乱の影響を受けるため 一般的に困難である 本研究では 同一文字のピクセルは類似した特性を持つことから連結成分ベース処理を利用した また MSERをベースとした手法であるCSER を利用した後 文字候補の削減を目的にOCR スコアを利用した手法を提案した その結果 文字列に対しての抽出精度はF 値で74.6 % の結果が得られた またOCR スコアを利用することで 今回は数字のみに限定したが 単一文字に対しての抽出も可能になった 今後は図 6 科学 技術研究第 5 巻 1 号 2016 年 57
6 のような文字削減の失敗画像を改善することや抽出した文字 列が文字列かどうかの分類を行うことで適合率の向上が見込 めると考えられる 引用文献 Arthur, D. (2007). k-menas++: The advantages of careful seeding. Proceedings of the Eighteenth Annual ACM-SIAM Sym- Posium on Discrete Algorithm, Chen, H., Tsai, S., Schroth, G., Chen, D., Grzeszczuk, R., and Girod, B. (2011). Robust text detection in natural images with edge-enhanced maximally stable extremal regions. Proceedings of the IEEE International Conference on Image Processing, Chen, X. and Yuille, A. (2004). Detecting and reading text in natural scenes. Proceedings of the 2004 IEEE Computer Society Conference on Computer Vison and Pattern Recognition, Vol. 2, Epshtein, B., Ofek, E., and Wexler, Y. (2010). Detecting text in natural scenes with stroke width transform. IEEE Conference on Computer Vision and Pattern Recognition (CVPR2010), Kim, K., Jung, K., and Kim, J. (2003). Texture-base approach for text detection in images using support vector machines and continuously adaptive mean shift algorithm. IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 25, No.12, Lee, J., Lee, P., Lee, S., Yuille, A., and Koch, C. (2011). AdaBoost for text detection in natural scene. International Conference on Document Analysis and Recognition (ICDAR2011), Lucas, S. M., Paneretos, A., Sosa, L., Tang, A., Wong, S., and Young, R. (2003). ICDAR2003 robustcompetitions. International Conference on Document Analysis and Recognition (ICDAR2003), Matas, J., Chum, O., Urban, M., and Pajdla, T. (2004). Robust wide baseline stereo from maximally stable extremal regions. Image and Vison Computing, Vol. 22, No. 10, Neumann, L. and Matas, J. (2012). Real-time scene text localization and recognition IEEE Conference on Computer Vison and Pattern Recognition, OpenCV (2015). アクセス ). Pan, Y., Ahu, Y., Sun, J., and Naoi, S. (2011). Improving scene text detection by scale-adaptive segmentation and weighted CRF verification. International Conference on Document Analysis and Recognition (ICDAR2011), Tesseract-OCR Google Code (2015). p/tesseract-ocr/(2015/1/15 アクセス ). Yin, X. C., Yin, X., Huang, K., and Hao, H. W. (2014). Robust text detection in natural scene images. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 36, No ( 受稿 :2016 年 5 月 16 日受理 :2016 年 5 月 30 日 ) 58 Studies in Science and Technology, Volume 5, Number 1, 2016
2014/3 Vol. J97 D No. 3 Recognition-based segmentation [7] 1 DP 1 Conditional random field; CRF [8] [10] CRF / OCR 2 2 2 2 OCR 2 2 2 2. 2 2 2 [11], [1
![2014/3 Vol. J97 D No. 3 Recognition-based segmentation [7] 1 DP 1 Conditional random field; CRF [8] [10] CRF / OCR 2 2 2 2 OCR 2 2 2 2. 2 2 2 [11], [1](/thumbs/42/22940740.jpg "2014/3 Vol. J97 D No. 3 Recognition-based segmentation [7] 1 DP 1 Conditional random field; CRF [8] [10] CRF / OCR 2 2 2 2 OCR 2 2 2 2. 2 2 2 [11], [1")
2, a) Scene Character Extraction by an Optimal Two-Dimensional Segmentation Hiroaki TAKEBE, a) and Seiichi UCHIDA / 2 2 2 2 2 2 1. FUJITSU LABORATORIES LTD., 4 1 1 Kamikodanaka, Nakahara-ku, Kawasaki-shi,
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
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
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
もう少し詳しい説明 1. アルゴリズムを構築するための 4 枚のサンプル画像を次々と読み込むここで重要なことは画像を順番に読み込むための文字列操作 for 文の番号 i を画像の番号として使用している strcpy は文字列のコピー,sprinf は整数を文字列に変換,strcat は文字列を繋げる
サンプルプログラムの概要 1. アルゴリズムを構築するための 4 枚のサンプル画像を次々と読み込む 2. RGB 分離を行い,R 画像を用いて閾値 40 で 2 値化 3. ラベリングを行う ( ここで対象物の数を数えることになる ) 4. ラベル付された対象の重心を計算 5. ラベル値と重心位置を 2 値画像に表示 ( 赤い数字がラベル値, 緑色の点が重心位置を表している ) 6. テキストファイルに結果を書き出し
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 - 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
DEIM Forum 2010 A Web Abstract Classification Method for Revie
DEIM Forum 2010 A2-2 305 8550 1 2 305 8550 1 2 E-mail: s0813158@u.tsukuba.ac.jp, satoh@slis.tsukuba.ac.jp Web Abstract Classification Method for Reviews using Degree of Mentioning each Viewpoint Tomoya
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
(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1
![(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1](/thumbs/49/25651654.jpg "(fnirs: Functional Near-Infrared Spectroscopy) [3] fnirs (oxyhb) Bulling [4] Kunze [5] [6] 2. 2 [7] [8] fnirs 3. 1 fnirs fnirs fnirs 1")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. fnirs Kai Kunze 599 8531 1 1 223 8526 4 1 1 E-mail: yoshimura@m.cs.osakafu-u.ac.jp, kai@kmd.keio.ac.jp,
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
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
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,
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
図 2 文字認識の流れ 呼ばれる手法が使われている. また文字検出においてもこうし 層が 2 層であったところを 1 層増やし 3 層とした. 畳み込み層 た物体検出と同じ手続きを踏むことで文字の検出を行うことが (conv) とプーリング層 (pool) の括弧内をそれぞれ (カーネルサイ できる
DEIM Forum 2016 P1-3 182 8585 1-5-1 E-mail: narusawa-a@mm.inf.uec.ac.jp, yanai@cs.uec.ac.jp,,.,..... CNN. 48%. 1. 1. 1,,.,.,. Google glass,.,,..,.,.,.,.. 1. 2,...,..,. 2. CNN LeCun [1]. LeNet( 1) 2,.,.,
(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
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)
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
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
1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +
![1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +](/thumbs/81/83701592.jpg "1 Kinect for Windows M = [X Y Z] T M = [X Y Z ] T f (u,v) w 3.2 [11] [7] u = f X +u Z 0 δ u (X,Y,Z ) (5) v = f Y Z +v 0 δ v (X,Y,Z ) (6) w = Z +")
3 3D 1,a) 1 1 Kinect (X, Y) 3D 3D 1. 2010 Microsoft Kinect for Windows SDK( (Kinect) SDK ) 3D [1], [2] [3] [4] [5] [10] 30fps [10] 3 Kinect 3 Kinect Kinect for Windows SDK 3 Microsoft 3 Kinect for Windows
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.
(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
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
(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
(VKIR) VKIR VKIR DCT (R) (G) (B) Ward DCT i
24 Region-Based Image Retrieval using Color Histogram Feature 1130340 2013 3 1 (VKIR) VKIR VKIR DCT (R) (G) (B) 64 64 Ward 20 1 20 1 20. 5 10 2 DCT i Abstract Region-Based Image Retrieval using Color Histogram
1 Web [2] Web [3] [4] [5], [6] [7] [8] S.W. [9] 3. MeetingShelf Web MeetingShelf MeetingShelf (1) (2) (3) (4) (5) Web MeetingShelf
![1 Web [2] Web [3] [4] [5], [6] [7] [8] S.W. [9] 3. MeetingShelf Web MeetingShelf MeetingShelf (1) (2) (3) (4) (5) Web MeetingShelf](/thumbs/79/80104027.jpg "1 Web [2] Web [3] [4] [5], [6] [7] [8] S.W. [9] 3. MeetingShelf Web MeetingShelf MeetingShelf (1) (2) (3) (4) (5) Web MeetingShelf")
1,a) 2,b) 4,c) 3,d) 4,e) Web A Review Supporting System for Whiteboard Logging Movies Based on Notes Timeline Taniguchi Yoshihide 1,a) Horiguchi Satoshi 2,b) Inoue Akifumi 4,c) Igaki Hiroshi 3,d) Hoshi
LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R
![LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R](/thumbs/86/93333816.jpg "LBP 2 LBP 2. 2 Local Binary Pattern Local Binary pattern(lbp) [6] R")
DEIM Forum 24 F5-4 Local Binary Pattern 6 84 E-mail: {tera,kida}@ist.hokudai.ac.jp Local Binary Pattern (LBP) LBP 3 3 LBP 5 5 5 LBP improved LBP uniform LBP.. Local Binary Pattern, Gradient Local Auto-Correlations,,,,
IPSJ SIG Technical Report 1,a) 1,b) 1,c) 1,d) 2,e) 2,f) 2,g) 1. [1] [2] 2 [3] Osaka Prefecture University 1 1, Gakuencho, Naka, Sakai,
![IPSJ SIG Technical Report 1,a) 1,b) 1,c) 1,d) 2,e) 2,f) 2,g) 1. [1] [2] 2 [3] Osaka Prefecture University 1 1, Gakuencho, Naka, Sakai,](/thumbs/94/119099134.jpg "IPSJ SIG Technical Report 1,a) 1,b) 1,c) 1,d) 2,e) 2,f) 2,g) 1. [1] [2] 2 [3] Osaka Prefecture University 1 1, Gakuencho, Naka, Sakai,")
1,a) 1,b) 1,c) 1,d) 2,e) 2,f) 2,g) 1. [1] [2] 2 [3] 1 599 8531 1 1 Osaka Prefecture University 1 1, Gakuencho, Naka, Sakai, Osaka 599 8531, Japan 2 565 0871 Osaka University 1 1, Yamadaoka, Suita, Osaka
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
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
IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 2 Hough Forest Hough Forest[6] Random Forest( [5]) Random Forest Hough Forest Hough Forest 2.1 Hough Forest 1 2.2
![IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 2 Hough Forest Hough Forest[6] Random Forest( [5]) Random Forest Hough Forest Hough Forest 2.1 Hough Forest 1 2.2](/thumbs/91/106196100.jpg "IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 2 Hough Forest Hough Forest[6] Random Forest( [5]) Random Forest Hough Forest Hough Forest 2.1 Hough Forest 1 2.2")
IS1-09 第 回画像センシングシンポジウム, 横浜,14 年 6 月 MI-Hough Forest () E-mail: ym@vision.cs.chubu.ac.jphf@cs.chubu.ac.jp Abstract Hough Forest Random Forest MI-Hough Forest Multiple Instance Learning Bag Hough Forest
事務連絡
共生社会に向けた人間調和型情報技術の構築 平成 22 年度採択研究代表者 H22 年度 実績報告 黄瀬浩一 大阪府立大学大学院工学研究科 教授 文字 文書メディアの新しい利用基盤技術の開発と それに基づく人間調和型情報環境の構築 1. 研究実施の概要文字 文書は我々の生活や知的活動と密接な関係にある 本研究の目的は 文字や文書を自由環境で瞬時に認識 検索する技術を用いて 人間と調和する情報環境を作り出すことである
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
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
フレーム ページの作り方 那須シニアネット三宅節雄 今回は那須シニアネットのホームページと同様に 1バナーとホームページのタイトルなどを入れた top.html 2スライドショーなど構成するページの名前の一覧から各ページへリンクさせた menu.html 3 取り敢えず表紙を飾った main.htm
フレーム ページの作り方 那須シニアネット三宅節雄 今回は那須シニアネットのホームページと同様に 1バナーとホームページのタイトルなどを入れた top.html 2スライドショーなど構成するページの名前の一覧から各ページへリンクさせた menu.html 3 取り敢えず表紙を飾った main.html という構成にします 2の一覧からリンクされたページは3の場所に表示されます 通常 1のタイトルを表示させるページはスクロールさせません
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
読取革命Ver.15 かんたん操作ガイド
かんたん操作ガイド 標準モード 編 本ガイドは 読取革命Ver.15 の 標準モード( ) の簡単な基本操作手順を記載 しています 読取革命Ver.15 は かんたんモード と 標準モード を搭載しております 紙が簡単にWordに 使ってみよう 紙 Word 目次 操作の流れ 2 アプリケーションの起動 2 画像の読み込み 3 認識結果をWordへ転送 5 手動で領域枠を作成する 7 領域枠について
Haiku Generation Based on Motif Images Using Deep Learning Koki Yoneda 1 Soichiro Yokoyama 2 Tomohisa Yamashita 2 Hidenori Kawamura Scho
Haiku Generation Based on Motif Images Using Deep Learning 1 2 2 2 Koki Yoneda 1 Soichiro Yokoyama 2 Tomohisa Yamashita 2 Hidenori Kawamura 2 1 1 School of Engineering Hokkaido University 2 2 Graduate
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
(4) ω t(x) = 1 ω min Ω ( (I C (y))) min 0 < ω < C A C = 1 (5) ω (5) t transmission map tmap 1 4(a) 2. 3 2. 2 t 4(a) t tmap RGB 2 (a) RGB (A), (B), (C)
(MIRU2011) 2011 7 890 0065 1 21 40 105-6691 1 1 1 731 3194 3 4 1 338 8570 255 346 8524 1836 1 E-mail: {fukumoto,kawasaki}@ibe.kagoshima-u.ac.jp, ryo-f@hiroshima-cu.ac.jp, fukuda@cv.ics.saitama-u.ac.jp,
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
IPSJ SIG Technical Report 1,a) 1,b) N-gram 75.9% 1. Firefox Linux (Open Source Software: OSS) (Mailing List: ML) (Bug Tracking System: BTS) (Version C
1,a) 1,b) N-gram 75.9% 1. Firefox Linux (Open Source Software: OSS) (Mailing List: ML) (Bug Tracking System: BTS) (Version Control System: VCS)?? 1 NNCT, 22 Yatatyou,Yamatokoriyamashi, Nara 639 1080, Japan
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.2009-DBS-149 No /11/ Bow-tie SCC Inter Keyword Navigation based on Degree-constrained Co-Occurrence Graph
1 2 1 Bow-tie SCC Inter Keyword Navigation based on Degree-constrained Co-Occurrence Graph Satoshi Shimada, 1 Tomohiro Fukuhara 2 and Tetsuji Satoh 1 We had proposed a navigation method that generates
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]
独立行政法人情報通信研究機構 Development of the Information Analysis System WISDOM KIDAWARA Yutaka NICT Knowledge Clustered Group researched and developed the infor
独立行政法人情報通信研究機構 KIDAWARA Yutaka NICT Knowledge Clustered Group researched and developed the information analysis system WISDOM as a research result of the second medium-term plan. WISDOM has functions that
Optical Flow t t + δt 1 Motion Field 3 3 1) 2) 3) Lucas-Kanade 4) 1 t (x, y) I(x, y, t)
http://wwwieice-hbkborg/ 2 2 4 2 -- 2 4 2010 9 3 3 4-1 Lucas-Kanade 4-2 Mean Shift 3 4-3 2 c 2013 1/(18) http://wwwieice-hbkborg/ 2 2 4 2 -- 2 -- 4 4--1 2010 9 4--1--1 Optical Flow t t + δt 1 Motion Field
平成 27 年度 ICT とくしま創造戦略 重点戦略の推進に向けた調査 研究事業 アクティブラーニングを支援する ユーザインターフェースシステムの開発 ( 報告書 ) 平成 28 年 1 月 国立高等専門学校機構阿南工業高等専門学校
平成 27 年度 ICT とくしま創造戦略 重点戦略の推進に向けた調査 研究事業 アクティブラーニングを支援する ユーザインターフェースシステムの開発 ( 報告書 ) 平成 28 年 1 月 国立高等専門学校機構阿南工業高等専門学校 1 はじめに ICTとくしま創造戦略の人材育成 教育分野の重点戦略のひとつに教育環境のICT 化があげられており, また平成 27 年に閣議決定された世界最先端 IT
バイノーラルマイクを用いたライフログ映像のショット識別 Life-log Video Shot Discrimination using Binaural Microphone 山野貴一郎 伊藤克亘 法政大学大学院情報科学研究科 法政大学情報科学部 Kiichiro YAMANO Katunobu
バイノーラルマイクを用いたライフログ映像のショット識別 Life-log Video Shot Discrimination using Binaural Microphone 山野貴一郎 伊藤克亘 法政大学大学院情報科学研究科 法政大学情報科学部 Kiichiro YAMANO Katunobu ITOU Graduate School of Computer and Information Sciences,
Microsoft Word - toyoshima-deim2011.doc
DEIM Forum 2011 E9-4 252-0882 5322 252-0882 5322 E-mail: t09651yt, sashiori, kiyoki @sfc.keio.ac.jp CBIR A Meaning Recognition System for Sign-Logo by Color-Shape-Based Similarity Computations for Images
読取革命Lite かんたん入門ガイド
かんたん入門ガイド かんたん入門ガイドは 読取革命 Lite の基本的な操作手順を記載しています 紙 Word INDEX はじめに 2 困ったときには 2 操作の流れ 3 アプリケーションの起動 3 画像の読み込み 4 認識結果をWordへ転送 6 手動で領域枠を作成する 8 領域枠について 10 文字の認識率向上ポイント 11 画像 認識結果 P1008-20310 はじめに このたびは 日本語
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
xx/xx Vol. Jxx A No. xx 1 Fig. 1 PAL(Panoramic Annular Lens) PAL(Panoramic Annular Lens) PAL (2) PAL PAL 2 PAL 3 2 PAL 1 PAL 3 PAL PAL 2. 1 PAL
PAL On the Precision of 3D Measurement by Stereo PAL Images Hiroyuki HASE,HirofumiKAWAI,FrankEKPAR, Masaaki YONEDA,andJien KATO PAL 3 PAL Panoramic Annular Lens 1985 Greguss PAL 1 PAL PAL 2 3 2 PAL DP
スライド 1
5.5.2 画像の間引き 5.1 線形変換 5.2 アフィン変換 5.3 同次座標 5.4 平面射影変換 5.5 再標本化 1. 画素数の減少による表現能力の低下 画像の縮小 変形を行う際 結果画像の 画素数 < 入力画像の 画素数 ( 画素の密度 ) ( 画素の密度 ) になることがある この場合 結果画像の表現力 < 入力画像の表現力 ( 情報量 ) ( 情報量 ) 結果的に 情報の損失が生じる!
WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp
![WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp](/thumbs/91/107555259.jpg "WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias [7] Query by humming Chen [8] Query by rhythm Jang [9] Query-by-tapp")
Query-by-Dancing: WISS 2018. Query-by-Dancing Query-by-Dancing 1 OpenPose [1] Copyright is held by the author(s). DJ DJ DJ WISS 2018 [2 4] [5,6] Query-by-Dancing Query-by- Dancing Cao [1] OpenPose 2 Ghias
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
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-B30 (5/5) A Method to Estimate Ball s State of
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-B30 (5/5) A Method to Estimate Ball s State of Spin by Image Processing for Strategic Learning in
4. 下のような画面が表示され 写真を挿入する為に ファイル / ディスク ボタンをクリックします 5. 下のような画面が表示され 挿入する写真を選択し 挿入 ボタンをクリックします ( 写真は Ctrl キー または Shift キーを使うことで 複数枚選択することができます ) (2)
PowerPoint2013 フォトアルバムの作成 スライド内に写真を挿入するには様々な方法があります 挿入 画像 で挿入 コンテンツ のレイアウトがあるスライドの利用この 2 つの方法を使うことで各スライドに写真を挿入することが出来ますが 写真枚数が多い場合は とても面倒です フォトアルバム の機能を使うと 沢山の写真を簡単にスライドに挿入しレイアウトすることが出来ます フォトアルバムの新規作成
電子ブック 基本制作説明書
電子ブック 基本制作説明書 01 基本制作説明 Finder は 3ステップの簡単操作で リッチコンテンツの電子ブックを作成することができます Step 1 PDF をアップロードしてください Step 2 マルチメディアを配置します Step 3 電子ブックを公開して完成します 1 単ページの縦横サイズがすべて同じサイズに揃えた JPEG または PDF を用意して アップロードしてください 2
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
IPSJ SIG Technical Report Vol.2015-MUS-106 No.10 Vol.2015-EC-35 No /3/2 BGM 1,4,a) ,4 BGM. BGM. BGM BGM. BGM. BGM. BGM. 1.,. YouTube 201
BGM 1,4,a) 1 2 2 3,4 BGM. BGM. BGM BGM. BGM. BGM. BGM. 1.,. YouTube 2015 1 100.. Web.. BGM.BGM [1]. BGM BGM 1 Waseda University, Shinjuku, Tokyo 169-8555, Japan 2 3 4 JST CREST a) ha-ru-ki@asagi.waseda.jp.
No. 3 Oct The person to the left of the stool carried the traffic-cone towards the trash-can. α α β α α β α α β α Track2 Track3 Track1 Track0 1
ACL2013 TACL 1 ACL2013 Grounded Language Learning from Video Described with Sentences (Yu and Siskind 2013) TACL Transactions of the Association for Computational Linguistics What Makes Writing Great?
文字の装飾 / 配置について 文字の装飾 ( ボールド / イタリック / アンダーライン等 ) 網掛けは行わないでください 背景色は バーコード部分とのコントラストが低下する色を避けてください 文字の回転を行う場合 回転角度は 90 度 180 度 270 度以外は指定しないでください 文字間隔の
EPSONEAN-128 バーコードフォントの使い方 通常バーコードを作成するには データキャラクタ ( バーコードに登録する文字 ) のほかに様々なコードやキャラクタを指定したり OCR-B* フォント ( バーコード下部の文字 ) を指定する必要があります EPSON バーコードフォントは これらのバーコードやキャラクタを自動的に設定し 各バーコードの規格に従ってバーコードシンボルを簡単に作成
e.Typist v.9.0 表原稿編
操作マニュアル 表原稿編 e.typist エントリー基本操作 目次 1. はじめに 2. 認識範囲の設定 2-1. 自動で設定 2-2. 手動で設定 3. 認識 4. データ転送 ページ 2 3 3 3 4 5 作業例 1. 罫線 画像の表示 作業例 2. 罫線の入っていない表の認識 作業例 3. 少し複雑な表の認識 6 8 12 本マニュアルでは 表原稿の認識についての説明のみとなっています 本マニュアル以外の
SICE東北支部研究集会資料（2017年）
307 (2017.2.27) 307-8 Deep Convolutional Neural Network X Detecting Masses in Mammograms Based on Transfer Learning of A Deep Convolutional Neural Network Shintaro Suzuki, Xiaoyong Zhang, Noriyasu Homma,
Microsoft PowerPoint - H24全国大会_発表資料.ppt [互換モード]
![Microsoft PowerPoint - H24全国大会_発表資料.ppt [互換モード]](/thumbs/94/118755799.jpg "Microsoft PowerPoint - H24全国大会_発表資料.ppt [互換モード]")
第 47 回地盤工学研究発表会 モアレを利用した変位計測システムの開発 ( 計測原理と画像解析 ) 平成 24 年 7 月 15 日 山形設計 ( 株 ) 技術部長堀内宏信 1. はじめに ひびわれ計測の必要性 高度成長期に建設された社会基盤の多くが老朽化を迎え, また近年多発している地震などの災害により, 何らかの損傷を有する構造物は膨大な数に上ると想定される 老朽化による劣化や外的要因による損傷などが生じた構造物の適切な維持管理による健全性の確保と長寿命化のためには,
,,.,.,,.,.,.,.,,.,..,,,, 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
情報処理学会研究報告 IPSJ SIG Technical Report 被写界深度に存在する主体物体の自動検出法の提案 萩原健太, 小枝正直 1 本研究では被写界深度に存在する物体の自動検出法の提案を提案する. 本手法を用いることにより,1 枚の静止画像中にある主体物体と非主体物体の分別が可能にな
被写界深度に存在する主体物体の自動検出法の提案 萩原健太, 小枝正直 1 本研究では被写界深度に存在する物体の自動検出法の提案を提案する. 本手法を用いることにより,1 枚の静止画像中にある主体物体と非主体物体の分別が可能になる. 具体的には, まず 2 種類のエッジ抽出を組み合わせることで被写界深度に含まれる主体物体の特徴点群を検出する. その後, 得られた特徴点群を包囲する領域を 2 種類の手法により動的に求める.
帳票OCR Ver.8
簡 単 に す ば や く オ フィス の 帳 票 を デ ー タ 変 換 帳票OCRで手作業による帳票入力業務を自動化 人的作業での入力ミスを軽減し オフィス業務の生産性向上を支援します 帳票OCRは 帳票の活字 手書き文字 チェックマーク バーコード QRコードなどをOCRし 編集可能な電子データに変換する 業務向けの帳票OCRソフトウェアです また 複合機やスキャナーから読み込んだの ファイル名の自動設定
2). 3) 4) 1.2 NICTNICT DCRA Dihedral Corner Reflector micro-arraysdcra DCRA DCRA DCRA 3D DCRA PC USB PC PC ON / OFF Velleman K8055 K8055 K8055
1 1 1 2 DCRA 1. 1.1 1) 1 Tactile Interface with Air Jets for Floating Images Aya Higuchi, 1 Nomin, 1 Sandor Markon 1 and Satoshi Maekawa 2 The new optical device DCRA can display floating images in free
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
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
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
3.1 Thalmic Lab Myo * Bluetooth PC Myo 8 RMS RMS t RMS(t) i (i = 1, 2,, 8) 8 SVM libsvm *2 ν-svm 1 Myo 2 8 RMS 3.2 Myo (Root
1,a) 2 2 1. 1 College of Information Science, School of Informatics, University of Tsukuba 2 Faculty of Engineering, Information and Systems, University of Tsukuba a) oharada@iplab.cs.tsukuba.ac.jp 2.
2.R R R R Pan-Tompkins(PT) [8] R 2 SQRS[9] PT Q R WQRS[10] Quad Level Vector(QLV)[11] QRS R Continuous Wavelet Transform(CWT)[12] Mexican hat 4
![2.R R R R Pan-Tompkins(PT) [8] R 2 SQRS[9] PT Q R WQRS[10] Quad Level Vector(QLV)[11] QRS R Continuous Wavelet Transform(CWT)[12] Mexican hat 4](/thumbs/81/84479518.jpg "2.R R R R Pan-Tompkins(PT) [8] R 2 SQRS[9] PT Q R WQRS[10] Quad Level Vector(QLV)[11] QRS R Continuous Wavelet Transform(CWT)[12] Mexican hat 4")
G-002 R Database and R-Wave Detecting System for Utilizing ECG Data Takeshi Nagatomo Ikuko Shimizu Takeshi Ikeda Akio Sashima Koichi Kurumatani R R MIT-BIH R 90% 1. R R [1] 2 24 16 Tokyo University of
Microsoft PowerPoint CRCフォーラム「動的背景差分（中島)」Web公開用.ppt
第 5 回 ( 平成 26 年度第 2 回 )CRCフォーラム( 平成 26 年 9 月 19 日 ( 金 ) 開催 ) 安全 安心のための画像 映像技術 動的背景差分による移動物体の検出 中島克人教授未来科学部情報メディア学科 平成 26 年度東京電機大学第 2 回 CRC フォーラム 安全 安心のための画像 映像技術 動的背景差分法による 移動物体の検出 2014.9.19 東京電機大学未来科学部情報メディア学科中島克人
BOK body of knowledge, BOK BOK BOK 1 CC2001 computing curricula 2001 [1] BOK IT BOK 2008 ITBOK [2] social infomatics SI BOK BOK BOK WikiBOK BO
![BOK body of knowledge, BOK BOK BOK 1 CC2001 computing curricula 2001 [1] BOK IT BOK 2008 ITBOK [2] social infomatics SI BOK BOK BOK WikiBOK BO](/thumbs/91/105171019.jpg "BOK body of knowledge, BOK BOK BOK 1 CC2001 computing curricula 2001 [1] BOK IT BOK 2008 ITBOK [2] social infomatics SI BOK BOK BOK WikiBOK BO")
DEIM Forum 2012 C8-5 WikiBOK 252 5258 5 10 1 E-mail: shunsuke.shibuya@gmail.com, {kaz,masunaga}@si.aoyama.ac.jp, {yabuki,sakuta}@it.aoyama.ac.jp Body Of Knowledge, BOK BOK BOK BOK BOK, BOK Abstract Extention
DEIM Forum 2019 H Web 1 Tripadvisor
DEIM Forum 2019 H7-2 163 8677 1 24 2 E-mail: em18011@ns.kogakuin.ac.jp, kitayama@cc.kogakuin.ac.jp Web 1 Tripadvisor 1 2 1 1https://www.tripadvisor.com/ 2https://www.jalan.net/kankou/ 1 2 3 4 5 6 7 2 2.
2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC
![2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC](/thumbs/92/108208872.jpg "2. CABAC CABAC CABAC 1 1 CABAC Figure 1 Overview of CABAC 2 DCT 2 0/ /1 CABAC [3] 3. 2 値化部 コンテキスト計算部 2 値算術符号化部 CABAC CABAC")
H.264 CABAC 1 1 1 1 1 2, CABAC(Context-based Adaptive Binary Arithmetic Coding) H.264, CABAC, A Parallelization Technology of H.264 CABAC For Real Time Encoder of Moving Picture YUSUKE YATABE 1 HIRONORI
IPSJ SIG Technical Report Vol.2010-MPS-77 No /3/5 VR SIFT Virtual View Generation in Hallway of Cybercity Buildings from Video Sequen
VR 1 1 1 1 1 SIFT Virtual View Generation in Hallway of Cybercity Buildings from Video Sequences Sachiyo Yoshida, 1 Masami Takata 1 and Joe Kaduki 1 Appearance of Three-dimensional (3D) building model
i OCR Optical Character Recognition OCR MSER SWT OCR End-to-End
27 i OCR Optical Character Recognition OCR MSER SWT OCR End-to-End ii 1. a Features from Accelerated Segment Test FAST FAST b 2. a 1 b Modified Quadratic Discriminant Function (MQDF) MQDF 3. MQDF 250 78.60%
& 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
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
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
IPSJ SIG Technical Report Vol.2011-EC-19 No /3/ ,.,., Peg-Scope Viewer,,.,,,,. Utilization of Watching Logs for Support of Multi-
1 3 5 4 1 2 1,.,., Peg-Scope Viewer,,.,,,,. Utilization of Watching Logs for Support of Multi-View Video Contents Kosuke Niwa, 1 Shogo Tokai, 3 Tetsuya Kawamoto, 5 Toshiaki Fujii, 4 Marutani Takafumi,
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
高橋 視覚リハ研究 6(1) 19 候補文字列の表示が小さく選択できないなどがあげられている ( 高橋,2015b) これらは 使用する日本語入力アプリの種類やその機能に問題があると考える 本研究では スマートフォンを利用する重度 LV 者にとって 推奨キーボードよりも使いやすい (VoiceOve
18 発表論文 スマートフォンにおける日本語入力アプリの機能評価 - 重度ロービジョン者の利用を想定 - An Assessment of the Application Function of Japanese Text Entry by Smart Phone Users - The case with severe low vision - 高橋伊久夫 ( 株式会社アーク情報システム ) Ikuo
(a) (b) (c) Canny (d) 1 ( x α, y α ) 3 (x α, y α ) (a) A 2 + B 2 + C 2 + D 2 + E 2 + F 2 = 1 (3) u ξ α u (A, B, C, D, E, F ) (4) ξ α (x 2 α, 2x α y α,
[II] Optimization Computation for 3-D Understanding of Images [II]: Ellipse Fitting 1. (1) 2. (2) (edge detection) (edge) (zero-crossing) Canny (Canny operator) (3) 1(a) [I] [II] [III] [IV ] E-mail sugaya@iim.ics.tut.ac.jp
開発・運用時のガイド JDK8への移行に伴う留意点 [UNIX]
![開発・運用時のガイド JDK8への移行に伴う留意点 [UNIX]](/thumbs/96/126744974.jpg "開発・運用時のガイド JDK8への移行に伴う留意点 [UNIX]")
開発 運用時のガイド [UNIX] JDK8 への移行に伴う留意点 2015.10 O c t o b e r はじめに 本書は 開発 運用フェーズで使用するドキュメントとして Java TM Development Kit 8 への移行に伴う 留意点について記述しています 1. 対象とする読者本書は Java TM Development Kit 8 を使用し システムを設計 構築 運用する立場にある方を対象としています
IPSJ SIG Technical Report Vol.2016-ICS-183 No /3/16 1,a) 2,b) 2,c) 1,d) e- Maeda Kaoru 1,a) Yoshida Naoto 2,b) Fujiwara Kunihiko 2,c) Yonezawa T
1,a) 2,b) 2,c) 1,d) e- Maeda Kaoru 1,a) Yoshida Naoto 2,b) Fujiwara Kunihiko 2,c) Yonezawa Tomoko 1,d) 1. e- [1] e- [2] e- e- 1 [4] [5] 1 Kansai University 2 Graduate School of Informatics Kansai University
,,,,,,,,,,,,,,,,,,, 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
3 1 Table 1 1 Feature classification of frames included in a comic magazine Type A Type B Type C Others 81.5% 10.3% 5.0% 3.2% Fig. 1 A co
1 2 3 3 1 Hough 0.9 0.7 0.9 A Study on Frame Corner Detection of Comic Image Daisuke Ishii, 1 Kei Kawamura, 2 Keiichiro Hoashi, 3 Yasuhiro Takishima 3 and Hiroshi Watanabe 1 In this paper, we propose and
IPSJ SIG Technical Report Vol.2015-MUS-107 No /5/23 HARK-Binaural Raspberry Pi 2 1,a) ( ) HARK 2 HARK-Binaural A/D Raspberry Pi 2 1.
HARK-Binaural Raspberry Pi 2 1,a) 1 1 1 2 3 () HARK 2 HARK-Binaural A/D Raspberry Pi 2 1. [1,2] [2 5] () HARK (Honda Research Institute Japan audition for robots with Kyoto University) *1 GUI ( 1) Python
Microsoft Word - NumericalComputation.docx
数値計算入門 武尾英哉. 離散数学と数値計算 数学的解法の中には理論計算では求められないものもある. 例えば, 定積分は, まずは積分 ( 被積分関数の原始関数をみつけること できなければ値を得ることはできない. また, ある関数の所定の値における微分値を得るには, まずその関数の微分ができなければならない. さらに代数方程式の解を得るためには, 解析的に代数方程式を解く必要がある. ところが, これらは必ずしも解析的に導けるとは限らない.
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
C#の基本
C# の基本 ~ 開発環境の使い方 ~ C# とは プログラミング言語のひとつであり C C++ Java 等に並ぶ代表的な言語の一つである 容易に GUI( グラフィックやボタンとの連携ができる ) プログラミングが可能である メモリ管理等の煩雑な操作が必要なく 比較的初心者向きの言語である C# の利点 C C++ に比べて メモリ管理が必要ない GUIが作りやすい Javaに比べて コードの制限が少ない
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
言語間比較によるWikipediaの補完情報抽出手法の提案
言語間比較による Wikipedia の 補完情報抽出手法の提案 藤原裕也 ( 甲南大学 ) 鈴木優 ( 名古屋大学 ) 小西幸男 ( 甲南大学 ) 灘本明代 ( 甲南大学 ) 背景 Wikipedia 特徴 284 以上の多言語版が存在 誰でも記事を編集することが可能 問題 ある話題に対しての情報が不足している記事が多く存在情報補完 他のWebから情報補完する 他の言語版から情報補完する etc
目次 1 はじめに 利用条件 動作環境 アドインのインストール アドインの操作方法 アドインの実行 Excel CSV の出力 テンプレートの作成 編集 テンプレートのレイアウト変更 特記
Excel Export Add-in Manual by SparxSystems Japan Enterprise Architect 用 Excel 出力アドイン利用ガイド バージョン 1.0.0.6 (2018/09/06 更新 ) 1 目次 1 はじめに...3 2 利用条件 動作環境...3 3 アドインのインストール...3 4 アドインの操作方法...4 4.1 アドインの実行...4