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
|
|
|
- しおり なかじゅく
- 5 years ago
- Views:
Transcription
1 ,a) Web SVM. Web GPS a) Efros Xiao [] [] Efros HOG [] Google Street View SVM Google Street View c 4 Information Processing Society of Japan
2 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 徴量は我々が対象とするような不特定の撮影者によって撮 Street View Image HOG K-means HOG 影された映像においては照明変動やカメラの視点が異なる ため適していない SVM 一方で ビデオを使った撮影位置特定の手法も数多く報 Prediction 図 手法概要 告されている 我々は ビデオから時空間特徴量を抽出す ることで映像のローカライズを行う手法を提案した [6] こ の手法では 映像を Temporal Height Image (THI) という 建物の高さ情報を使った時系列画像に変換し THI から局 所特徴量を抽出することで 車載映像の撮影位置の同定を 行った しかし この手法では数キロオーダーの撮影位置 に関する初期情報が必要となり グローバルな撮影位置推 定を行うことには適していない 今回提案する手法では このような初期情報を必要としないグローバルな撮影位置 推定手法を実現する. 提案手法 図 HOG 特徴量の抽出 かそれ以外かの クラスの判定を行う 本研究では Web の動画投稿サイトにアップロードされ これに対して検索では 動画投稿サイトにアップロード ている撮影場所が不明な車載映像がクエリとして与えられ されている撮影位置不明の車載映像を使用する 学習と同 た際に グローバルな撮影位置を特定する手法を提案する 様に各フレームをパッチに分割した後特徴量を抽出し 予 この時 照明変動やカメラの視点の問題があるが このよ め学習させた SVM から検索を行う この時 フレーム うな問題に対してロバストなマッチングを実現する 提案 から複数のパッチ画像が生成されるが クラスタリングを 手法は学習と検索の ステップで構成されている 手法の 行っていないため ノイズとなり得るデータも含んでいる 概要を図 に示す そのため 撮影位置の判定に分類された枚数の合計値を用 学習では Google Street View [7] から全方位画像を取得 いると誤認識を引き起こす可能性がある このような問題 し 建物の正面を向いて撮影したように変換する 本手法 を回避するため 提案手法では回帰と そのとき得られる では 世界中の場所を推定対象としているが 全世界すべ 超平面からの距離に重みを付けた値を判定に用いた また てのストリートビュー画像を学習することは現実的ではな この時 車載映像はカメラ毎に視点が異なるため 切り出 い そのため 本手法では世界の各都市を構成する 代表 されるパッチが異なるという問題が発生する そのため本 的なパターン の抽出を行い学習を行う そして この代 手法では 各フレームで消失点を推定し パッチが建物の 表的なパターンの出現頻度によって撮影された都市の判別 正面を向くように変換し検索を行った を行う. この代表的なパターンとは NY の Fire escapes や 京都の木目の外壁のように他の国の都市では出現頻度が低 4. 都市の景観の学習 い特徴的なパターンを指す このようなパターンを見つけ 本手法は Web などにアップされた 付随情報のない車 るため 本手法では画像を 8x8pixel のパッチ画像に分割 載映像の撮影位置の特定を目指す このような映像は 撮 し クラスタリングを行う このクラスタリングには 予め 影したドライバーごとに撮影環境が異なるため 光学的 パッチ画像から抽出した Histogram of Gradient (HOG) 幾何的な問題が発生する 本手法では これらの問題に影 という局所領域における輝度の勾配強度情報を使用する 響を受けにくいロバストな学習方法を提案する (図 ) HOG は色情報の影響を受けないため 車載映像の ようにカメラ毎に照明環境が異なる場合でも照明変動に影 4. 学習パッチ画像の生成方法 響を受けない頑健な特徴量の抽出が可能となる そして得 本手法では Google Street View から各都市の全方位画 られた代表的なパッチを使い機械学習を行う 今回は機械 像をダウンロードし 進行方向の両横の画像を切り出し使 学習に Support Vector Machine (SVM) を用いた また 用する それぞれの画像を 8x8 のパッチ画像をに分割し 今回の学習では one vs rest を採用しており 注目する都市 各都市で特徴的に出現するパターンの抽出を行う この 4 Information Processing Society of Japan
![情報処理学会研究報告 ようなパッチ画像を使った画像の検索方法として Saurabh ては 推定したい都市とそれ以外の都市の クラス分類 Singh らが提案した手法がある [8] 彼らは ミドルレベル を実現した 今回の実験においては クラスタリングで取 の領域において オブジェクト毎に代表的なパッチを見つ 得した 都市のパッチ画像の中から 検索したい都市の ける事で画像検索を実現した](/docs-images/81/82759216/images/3-0.jpg "我々はこの手法を都市の認 パッチ画像を Positive データ それ以外の 都市の画像を 識に拡張する.")
3 情報処理学会研究報告 ようなパッチ画像を使った画像の検索方法として Saurabh ては 推定したい都市とそれ以外の都市の クラス分類 Singh らが提案した手法がある [8] 彼らは ミドルレベル を実現した 今回の実験においては クラスタリングで取 の領域において オブジェクト毎に代表的なパッチを見つ 得した 都市のパッチ画像の中から 検索したい都市の ける事で画像検索を実現した 我々はこの手法を都市の認 パッチ画像を Positive データ それ以外の 都市の画像を 識に拡張する. 具体的には 都市の景観を撮影した画像に Negative データとした また SVM の学習におけるカー おいても オブジェクトのようにあるカテゴリーに共通し ネルには RBF カーネルを使用した て出現する 代表的なパッチ が存在する 我々はこのよ うなパッチを都市ごとに見つけることで高精度な学習 検 索の実現を目指す 5. 車載映像の検索手法 5. 車載映像の幾何補正 車載映像は一般に広角を撮影するために 図 の (a) の 4. 照明変化に頑健な特徴量抽出 ように歪んでいる映像が多い この場合 画像の左右の隅 Web 上の車載映像は映像毎に撮影した日時 時間帯が異 に歪みが生じ 得られるエッジも歪みの影響を受け 結果 なるため照明条件が異なる 例えば 早朝に撮影された映 として検索結果の低下をもたらす 本手法では このよう 像は朝日の影響を受け 曇りの日に撮影された映像はトー な歪による影響を抑えるため 歪みパラメータを自動推定 ンが下がる この時 SIFT や SURF といった特徴量を用 し 補正した画像を用いる 映像一つにつき推定するパラ いた場合 学習に使用した Google Street View 画像との間 メータは つだけのため 歪みパラメータを変化させた際 に色の違いが生じるため 頑健なマッチングが行えない に検出される垂直方向のエッジの総数が最も多い値を最適 本手法ではこのような照明条件が異なる場合でもロバス なパラメータとして 全探索により推定する 提案手法に トなマッチングを実現するため Higtogram of Orientated より歪みを除去した画像を図 の (b) に示す Gaussian (HOG) 特徴量を用いた [9] HOG 特徴量は局所 領域の輝度勾配に依存しているため 照明条件が異なる場 合にでも頑健な特徴量の抽出が可能である 4. クラスタリングによる代表的な特徴量の抽出 クラスタリングには k-means アルゴリズムを使用し た [] クラスタリングすることで 他の都市では出現し ない代表的なパッチを見つけることができる 本手法で は クラスタリングを複数回行うことで より代表的な (a) 歪みを含む画像 図 (b) 歪みを除去した画像 レンズ歪を含む画像 パッチの発見に努めた クラスタリングには 識別したい 都市のパッチ画像 5 枚を Positive 画像に 残りの 都 市のパッチ画像 5 枚を Negative 画像に設定した こ のとき クラスタリング後のクラスタ内に Negative 画像 また Web にアップされた映像は カメラがどの方向を 向いて撮影されたか不明である しかし 建物は通常道路 が一定の割合以上存在した場合 このクラスタ内に含まれ る Positive 画像にはその都市のみを示す表現能力が低いと みなし排除する また 数枚でクラスタを形成している画 像も同様に排除した そして このクラスタリング処理を 複数回行い 最終的に残った都市の表現能力が高いパッチ 画像のみを SVM に使用した 今回の実験では 5 回のクラ スタリング後に 京都 599 枚 NY567 枚 パリ 47 枚 のパッチ画像を取得した 本手法では one vs rest を採用 しており それぞれの都市で SVM を生成した 4.4 Support Vector Machine による学習 提 案 手 法 に お け る 学 習 に は Support Vector Ma- chine (SVM) を使用した SVM は高次元空間における クラス分類手法として知られており 効率的な クラス 分類が可能としているため これまでローカライゼーショ ンに関する研究でも数多く使用されている 本手法におい 4 Information Processing Society of Japan 図 4 消失点の推定
4 SVM. SVN SVM 6. ( NY ) Google Street View [7] 8x YouTube [] 5 64x6pixel 8x8pixel HOG xpixel L*a*b a b 9% c 4 Information Processing Society of Japan 4
5 Kyoto Others NY Others (a).5.5 Paris Others (b) 7 (a) (b) Kyoto Other c 4 Information Processing Society of Japan 5
6 Kyoto Other c 4 Information Processing Society of Japan 6
![情報処理学会研究報告 推定を示した 実験において 都市での認識を行った 今 後は 徐々に都市を増やし マルチクラスでの識別を行う [5] 予定である また 本手法のように各都市における代表的 なパターンを見つけることが出来れば 自動運転の支援な どに応用が可能と考えられる [6] [7] [8] [9] (a) 京都 [] [] no., pp. 9, Nov. 4.](/docs-images/81/82759216/images/7-0.jpg "Herbert Bay, Andreas Ess, Tinne Tuytelaars, and Luc Van Gool, Speeded-up robust features (surf), Comput. Vis. Image Underst., vol., no., pp. 46 59, June 8.")
7 情報処理学会研究報告 推定を示した 実験において 都市での認識を行った 今 後は 徐々に都市を増やし マルチクラスでの識別を行う [5] 予定である また 本手法のように各都市における代表的 なパターンを見つけることが出来れば 自動運転の支援な どに応用が可能と考えられる [6] [7] [8] [9] (a) 京都 [] [] no., pp. 9, Nov. 4. Herbert Bay, Andreas Ess, Tinne Tuytelaars, and Luc Van Gool, Speeded-up robust features (surf), Comput. Vis. Image Underst., vol., no., pp , June 8. 福元和真, 川崎洋, 小野晋太郎, 子安大士, and 池内克史, 自車位置推定のための複数車載カメラ映像の効率的な時 空間マッチング手法, in 第 回 ITS シンポジウム,., Google Street View : Saurabh Singh, Abhinav Gupta, and Alexei A. Efros, Unsupervised discovery of mid-level discriminative patches, in European Conference on Computer Vision,. Navneet Dalal and Bill Triggs, Histograms of oriented gradients for human detection, in International Conference on Computer Vision & Pattern Recognition, Cordelia Schmid, Stefano Soatto, and Carlo Tomasi, Eds., INRIA Rho ne-alpes, ZIRST-655, av. de l Europe, Montbonnot-84, June 5, vol., pp J. A. Hartigan and M. A. Wong, A K-means clustering algorithm, Applied Statistics, vol. 8, pp. 8, 979., YouTube : (b) ニューヨーク (c) パリ 図 データベースに使用したパッチ画像の一部 参考文献 [] [] [] [4] K. A. Ehinger A. Oliva J. Xiao, J. Hays and A. Torralba, Sun database: Large-scale scene recognition from abbey to zoo, in Proceedings of rd IEEE Conference on Computer Vision and Pattern Recognition (CVPR),. Evangelos Kalogerakis, Olga Vesselova, James Hays, Alexei A. Efros, and Aaron Hertzmann, Image sequence geolocation with human travel priors, in Proceedings of the IEEE International Conference on Computer Vision (ICCV 9), 9. Carl Doersch, Saurabh Singh, Abhinav Gupta, Josef Sivic, and Alexei A. Efros, What makes paris look like paris?, ACM Transactions on Graphics (SIGGRAPH), vol., no. 4,. David G. Lowe, Distinctive image features from scaleinvariant keypoints, Int. J. Comput. Vision, vol. 6, 4 Information Processing Society of Japan 7
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
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)
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,,,,
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
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
(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
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
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
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
(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
(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
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
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
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
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
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
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-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
A Survey on Image Recognition Using Geo-tag Information
Geo A Survey on Image Recognition Using Geo-tag Information 1 48106417 Abstract Geo-tag is a type of metadata of various media such as photographs, videos, websites and more other media. In the case of
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
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
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,
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
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
Microsoft Word - deim論文２.docx
DEIM Forum 2012 B11-4 静止画内オブジェクトへの指示による動画検索手法の提案 川手裕太,* 岡部誠 尾内理紀夫 平野廣美 三條正裕 電気通信大学 182-8585 東京都調布市調布ヶ丘 1-5-1 楽天株式会社楽天技術研究所 140-0002 東京都品川区東品川 4-13-9 * 科学技術振興機構さきがけ E-mail: kawate@onailab.com, m.o@acm.org,
HOG HOG LBP LBP 4) LBP LBP Wang LBP HOG LBP 5) LBP LBP 1 r n 1 n, 1
1 1 1 Shwartz Histgrams of Oriented Gradients HOG PLS PLS KPLS INRIA PLS KPLS KPLS PLS Pedestrian Detection Using Kernel Partial Least Squares Analysis Takashi Abe, 1 Takayuki Okatani 1 and Kouichiro Deguchi
(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
Convolutional Neural Network A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolution
Convolutional Neural Network 2014 3 A Graduation Thesis of College of Engineering, Chubu University Investigation of feature extraction by Convolutional Neural Network Fukui Hiroshi 1940 1980 [1] 90 3
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]
FoodLog [3] TADAproject [4] Google Goggles 1 Kumar [5] () Leaf snap Maruyama [6] 3 Lee [7] Yu [8] Gist SVM Active Query Sensing(AQS)
![FoodLog [3] TADAproject [4] Google Goggles 1 Kumar [5] () Leaf snap Maruyama [6] 3 Lee [7] Yu [8] Gist SVM Active Query Sensing(AQS)](/thumbs/92/109294064.jpg "FoodLog [3] TADAproject [4] Google Goggles 1 Kumar [5] () Leaf snap Maruyama [6] 3 Lee [7] Yu [8] Gist SVM Active Query Sensing(AQS)")
DEIM Forum 213 D3-4 食事認識を用いたモバイル食事管理システム 河野 憲之 柳井 啓司 電気通信大学 電気通信学部 情報工学科 182-8585 東京都調布市調布ヶ丘 1-5-1 電気通信大学 大学院情報理工学研究科 総合情報学専攻 182-8585 東京都調布市調布ヶ丘 1-5-1 E-mail: kawano-y@mm.inf.uec.ac.jp, yanai@cs.uec.ac.jp
12_39.dvi
Vol. 52 No. 12 3588 3592 (Dec. 2011) Web 1, 1 1 2 1 1 1 Web GPS Creation of a Sight-seeing Map with Visual Classification of Photos on the Web Jiani Wang, 1, 1 Masafumi Noda, 1 Tomokazu Takahashi, 2 Daisuke
IPSJ SIG Technical Report Vol.2010-CVIM-171 No /3/19 1. Web 1 1 Web Web Web Multiple Kernel Learning(MKL) Web ( ) % MKL 68.8% Extractin
1. Web 1 1 Web Web Web Multiple Kernel Learning(MKL) Web ( ) 200 57.2% MKL 68.8% Extracting Spatio-Temporal Local Features for Classifying Web Video Shots Akitsugu Noguchi 1 and Keiji Yanai 1 Nowadays,
(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
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
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
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
研究成果報告書
様式 C-19 科学研究費助成事業 ( 科学研究費補助金 ) 研究成果報告書 平成 25 年 5 月 27 日現在 機関番号 :17401 研究種目 : 基盤研究 (C) 研究期間 :2010~2012 課題番号 :22500111 研究課題名 ( 和文 ) 映像想起とそのスケッチ表現メカニズムを利用した未整理映像の検索方式研究課題名 ( 英文 )Video Retrieval System Using
図 2: 高周波成分を用いた超解像 解像度度画像とそれらを低解像度化して得られる 低解像度画像との差により低解像度の高周波成分 を得る 高解像度と低解像度の高周波成分から位 置関係を保ったままパッチ領域をそれぞれ切り出 し 高解像度パッチ画像と低解像度パッチ画像の ペアとしてデータベースに登録する
Exemplar-Based Super-Resolution of Human Body Image in Surveillance Video 1 1,2 1 1 1 Kento Nishibori 1, Tomokazu TAKAHASHI 1,2, Daisuke DEGUCHI 1, Ichiro IDE 1 and Hiroshi MURASE 1 1 2 nishiborik@murase.m.is.nagoya-u.ac.jp
[1] 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
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
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
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
untitled
IS2-26 第 19 回 画 像 センシングシンポジウム, 横 浜,2013 年 6 月 SVM E-mail: yuhi@vision.cs.chubu.ac.jp Abstract SVM SVM SVM SVM HOG B-HOG HOG SVM 6.1% 17 1 Intelligent Transport System(ITS: ) 2005 Dalal HOG SVM[1] [2] HOG
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
IPSJ SIG Technical Report Vol.2015-UBI-47 No.23 Vol.2015-ASD-2 No /7/ , HOG Parameter Estimation from Videos in Monocular Camera for Eva
1 2 1, HOG Parameter Estimation from Videos in Monocular Camera for Evaluation System of the Bowing Action Abstract: Bowing is a symbol of greeting culture in Japan, and it is an important action for smooth
Automatic Collection of Web Video Shots Corresponding to Specific Actions using Web Images
視覚特徴およびタグ共起を用いた 大規模 Web ビデオショットランキング 電気通信大学大学院情報理工学研究科 総合情報学専攻 Do Hang Nga 柳井啓司 背景 Web 動画 : 無限に存在 無料で取得可能 - YouTube, Daily Motion etc. Web 動画による動作データ収集 ただし Web 上の動画はノイズが多い 関連動画 Play trumpet 非関連動画 非対応ショット
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
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
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
(Microsoft PowerPoint - \203|\203X\203^\201[\224\255\225\\\227p\216\221\227\ ppt)
Web ページタイプによるクラスタリングを用いた検索支援システム 折原大内海彰電気通信大学システム工学専攻 はじめに 背景 文書クラスタリングを用いた検索支援システム Clusty(http://clusty.jp/) KartOO(http://www.kartoo.com/) Carrot(http://www.carrot-search.com/) これらはすべてトピックによる分類を行っている
A Graduation Thesis of College of Engineering, Chubu University Pose Estimation by Regression Analysis with Depth Information Yoshiki Agata
2011 3 A Graduation Thesis of College of Engineering, Chubu University Pose Estimation by Regression Analysis with Depth Information Yoshiki Agata CG [2] [3][4] 3 3 [1] HOG HOG TOF(Time Of Flight) iii
(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
2. Apple iphoto 1 Google Picasa 2 Calendar for Everything [1] PLUM [2] LifelogViewer 3 1 Apple iphoto, 2 Goo
![2. Apple iphoto 1 Google Picasa 2 Calendar for Everything [1] PLUM [2] LifelogViewer 3 1 Apple iphoto, 2 Goo](/thumbs/93/112162943.jpg "2. Apple iphoto 1 Google Picasa 2 Calendar for Everything [1] PLUM [2] LifelogViewer 3 1 Apple iphoto, 2 Goo")
DEIM Forum 2012 D9-4 606 8501 E-mail: {sasage,tsukuda,nakamura,tanaka}@dl.kuis.kyoto-u.ac.jp,,,, 1. 2000 1 20 10 GPS A A A A A A A 2. Apple iphoto 1 Google Picasa 2 Calendar for Everything [1] Email PLUM
画像解析論（７） 講義内容
画 像 解 析 論 7 1 画 像 解 析 論 7 東 京 工 業 大 学 長 橋 宏 主 な 講 義 内 容 画 像 の 不 変 特 徴 量 と 各 種 特 徴 記 述 子 SIFTSURFFernsの 特 徴 とその 比 較 画 像 解 析 論 7 2 特 徴 検 出 器 と 特 徴 記 述 子 の 評 価 各 種 特 徴 検 出 器 検 出 器 と 特 徴 記 述 子 の 組 合 せおよび それぞれの
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)
IPSJ SIG Technical Report Vol.2016-CSEC-75 No /12/1 3DCG CAPTCHA 1,a) (3D) 3DCG CAPTCHA CAPTCHA 3 3D CAPTCHA CAPTCHA 1 CAPTCHA 3 1. Web CA
3DCG CAPTCHA,a) 2 2 3 (3D) 3DCG CAPTCHA CAPTCHA 3 3D CAPTCHA CAPTCHA CAPTCHA 3. Web CAPTCHA(Completely Automated Public Turing test to tell Computers and Humans Apart) CAPTCHA OCR(Optical Character Recognition)
(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,
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
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
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 : : : : : : : : : : : : : : :
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.
2.2 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
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.
IPSJ SIG Technical Report Vol.2015-CVIM-195 No /1/23 RGB-D RGB 3 1,a) RGB-D RGB-D 3. RGB CG RGB DTAM[1] MonoFusi
![IPSJ SIG Technical Report Vol.2015-CVIM-195 No /1/23 RGB-D RGB 3 1,a) RGB-D RGB-D 3. RGB CG RGB DTAM[1] MonoFusi](/thumbs/104/162872164.jpg "IPSJ SIG Technical Report Vol.2015-CVIM-195 No /1/23 RGB-D RGB 3 1,a) RGB-D RGB-D 3. RGB CG RGB DTAM[1] MonoFusi")
RGB-D RGB 3 1,a) 1 1 1 1 RGB-D 3. 3. RGB-D 3. RGB 3 3 1. 3 CG 3 3 3 3 RGB DTAM[1] MonoFusion[2] KinectFusion[3] 3 3 3 1 NAIST, Ikoma, Nara 630 0192, Japan a) takehara.hikari.tz9@is.naist.jp 3 3 3 3 [4],
Microsoft PowerPoint - Lec11 [互換モード]
![Microsoft PowerPoint - Lec11 [互換モード]](/thumbs/88/114651022.jpg "Microsoft PowerPoint - Lec11 [互換モード]")
第 11 回講義水曜日 1 限教室 6215 情報デザイン専攻 画像情報処理論及び演習 I - 画像合成 類推 - Poisson Image Analogy 吉澤信 shin@riken.jp, 非常勤講師 大妻女子大学社会情報学部 1 2 今日の授業内容 www.riken.jp/brict/yoshizawa/lectures/index.html www.riken.jp/brict/yoshizawa/lectures/lec11.pdf
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
円筒面で利用可能なＡＲマーカ
円筒面で利用可能な AR マーカ AR Marker for Cylindrical Surface 2014 年 11 月 14 日 ( 金 ) 眞鍋佳嗣千葉大学大学院融合科学研究科 マーカベース AR 二次元マーカはカメラ姿勢の推定, 拡張現実等広い研究分野で利用されている 現実の風景 表示される画像 デジタル情報を付加 カメラで撮影し, ディスプレイに表示 使用方法の単純性, 認識の安定性からマーカベース
IPSJ SIG Technical Report Vol.2013-CVIM-188 No /9/2 1,a) D. Marr D. Marr 1. (feature-based) (area-based) (Dense Stereo Vision) van der Ma
,a) D. Marr D. Marr. (feature-based) (area-based) (Dense Stereo Vision) van der Mark [] (Intelligent Vehicle: IV) SAD(Sum of Absolute Difference) Intel x86 CPU SSE2(Streaming SIMD Extensions 2) CPU IV
(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
IPSJ SIG Technical Report Vol.2013-CVIM-187 No /5/30 1,a) 1,b), 1,,,,,,, (DNN),,,, 2 (CNN),, 1.,,,,,,,,,,,,,,,,,, [1], [6], [7], [12], [13]., [
![IPSJ SIG Technical Report Vol.2013-CVIM-187 No /5/30 1,a) 1,b), 1,,,,,,, (DNN),,,, 2 (CNN),, 1.,,,,,,,,,,,,,,,,,, [1], [6], [7], [12], [13]., [](/thumbs/94/121682292.jpg "IPSJ SIG Technical Report Vol.2013-CVIM-187 No /5/30 1,a) 1,b), 1,,,,,,, (DNN),,,, 2 (CNN),, 1.,,,,,,,,,,,,,,,,,, [1], [6], [7], [12], [13]., [")
,a),b),,,,,,,, (DNN),,,, (CNN),,.,,,,,,,,,,,,,,,,,, [], [6], [7], [], [3]., [8], [0], [7],,,, Tohoku University a) omokawa@vision.is.tohoku.ac.jp b) okatani@vision.is.tohoku.ac.jp, [3],, (DNN), DNN, [3],
IS3-18 第21回画像センシングシンポジウム 横浜 2015年6月 ２つの人物検出の組み合わせと複数特徴量の利用による人物追跡 川下 雄大 増山 岳人 梅田 和昇 中央大学大学院 中央大学 Abstract 本
２つの人物検出の組み合わせと複数特徴量の利用による人物追跡 川下 雄大 増山 岳人 梅田 和昇 中央大学大学院 中央大学 E-mail: kawashita@sensor.mech.chuo-u.ac.jp Abstract 本稿では ステレオカメラを用いた人物検出 追跡 手法を提案する 人物検出では つの人物検出手法よ り得た結果を組み合せ さらに前景領域と視差前景領 域を用いて検出結果の妥当性を検証することで
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:
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,
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
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?
IPSJ-CVIM
STHOG 1 1 1 STHOG STHOG Pedestrian Matching across Cameras using STHOG Features Ryo Kawai, 1 Yasushi Makihara 1 and Yasushi Yagi 1 In this paper, we propose a method of pedestrian matching across CCTV
IPSJ SIG Technical Report Vol.2013-CE-122 No.16 Vol.2013-CLE-11 No /12/14 Android 1,a) 1 1 GPS LAN 2 LAN Android,,, Android, HTML5 LAN 1. ICT(I
Android 1,a) 1 1 GPS LAN 2 LAN Android,,, Android, HTML5 LAN 1. ICT(Information and Communication Technology) (Google [2] [5] ) 2. Google 2.1 Google Google [2]( 1) Google Web, Google Web Google Chrome
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
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.
IPSJ SIG Technical Report Vol.2014-MBL-70 No.46 Vol.2014-UBI-41 No /3/15 1,a) 1,b) 1,c) 6 Assist of Sharing the Experiences in Library using Mu
1,a) 1,b) 1,c) 6 Assist of Sharing the Experiences in Library using Multiple Person s Vision Abstract: In this paper, I propose the system that assists of sharing the experiences in library using multiple
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
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
Honda 3) Fujii 4) 5) Agrawala 6) Osaragi 7) Grabler 8) Web Web c 2010 Information Processing Society of Japan
1 1 1 1 2 Geographical Feature Extraction for Retrieval of Modified Maps Junki Matsuo, 1 Daisuke Kitayama, 1 Ryong Lee 1 and Kazutoshi Sumiya 1 Digital maps available on the Web are widely used for obtaining
( 1) 3. Hilliges 1 Fig. 1 Overview image of the system 3) PhotoTOC 5) 1993 DigitalDesk 7) DigitalDesk Koike 2) Microsoft J.Kim 4). 2 c 2010
1 2 2 Automatic Tagging System through Discussing Photos Kazuma Mishimagi, 1 Masashi Toda 2 and Toshio Kawashima 2 Many media forms can be stored easily at present. Photographs, for example, can be easily
IPSJ SIG Technical Report Vol.2017-MUS-116 No /8/24 MachineDancing: 1,a) 1,b) 3 MachineDancing MachineDancing MachineDancing 1 MachineDan
MachineDancing: 1,a) 1,b) 3 MachineDancing 2 1. 3 MachineDancing MachineDancing 1 MachineDancing MachineDancing [1] 1 305 0058 1-1-1 a) s.fukayama@aist.go.jp b) m.goto@aist.go.jp 1 MachineDancing 3 CG
IPSJ SIG Technical Report Vol.2012-EC-23 No /3/ Video Retrieval System of Handwriting Sketch using Relevance Feedback Akihiro Aita 1 and M
1 2 Video Retrieval System of Handwriting Sketch using Relevance Feedback Akihiro Aita 1 and Masashi Toda 2 It is difficult to represent video scenes using keywords. Therefore, in video retrieval, it is
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
IPSJ SIG Technical Report Vol.2013-HCI-152 No /3/13 1,a) 1,b) 2,c) / GPS Bluetooth(BT) WiFi BT WiFi 1. Bluetooth WiFi 1 / 1 2 a)
1,a) 1,b) 2,c) / GPS Bluetooth(BT) WiFi BT WiFi 1. Bluetooth WiFi 1 / 1 2 a) rtokuami@kwansei.ac.jp b) kono@kwansei.ac.jp c) nakamura@dl.kuis.kyoto-u.ac.jp / 2. Apple iphoto Google Picasa GPS GPS GPS [1][2]
,,.,.,,.,.,.,.,,.,..,,,, 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
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
& 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
情報処理学会研究報告 プレートマッチングによりリアルタイムに物体検出や追跡 を行うアプリケーションが提案されるなど近年モバイルと 画像認識の研究が盛んに行われている 本研究では視覚的 変化の大きい料理に対してスマートフォンの計算資源のみ を用いてリアルタイムに料理認識を行う ユーザインタラクティブな
Bag-of-SURF fast χ 2 kernel SVMs 5 GrabCut SVM 5 8.55%. CPU PC χ2 2. [] SIFT HOGGabor MKL-SVM Yang [2] FoodLog[3] c 22 Information Processing Society of Japan 情報処理学会研究報告 プレートマッチングによりリアルタイムに物体検出や追跡 を行うアプリケーションが提案されるなど近年モバイルと
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
% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii
![% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii](/thumbs/91/106152959.jpg "% 2 3 [1] Semantic Texton Forests STFs [1] ( ) STFs STFs ColorSelf-Simlarity CSS [2] ii")
2012 3 A Graduation Thesis of College of Engineering, Chubu University High Accurate Semantic Segmentation Using Re-labeling Besed on Color Self Similarity Yuko KAKIMI 2400 90% 2 3 [1] Semantic Texton
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
情報処理学会研究報告 方向の組み合わせを変えながら反射光の強度を計測する この方法は単純であるが入射方向と反射方向の組み合わせ を同時に 1 つしか計測できないため すべての方向を計 測するには膨大な計測回数が必要となる問題がある その ため 計測を効率的に行う方法がこれまでに提案されてい る [3
1,a) 1,b) 1,c) 1,d) 1. CG 1 1 630 0192 8916 5 a) kushida.takahiro.kh3@is.naist.jp b) funatomi@is.naist.jp c) hkubo@is.naist.jp d) mukaigawa@is.naist.jp 散乱なし 散乱あり 1 2. c 2017 Information Processing Society
,,,,,,,,,,,,,,,,,,, 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
IPSJ SIG Technical Report Vol.2015-CG-161 No.21 Vol.2015-CVIM-199 No /11/7 1,a) 1 1 Ming-Hsuan Yang 2 Social Charge Simultaneous Temporal Optim
,a) Ming-Hsuan Yang 2 Social Charge Simultaneous Temporal Optimization of Pedestrians Gaze Orientation and Gaze Point in a Scene KOJIMA Shota,a) UKITA Norimichi HAGITA Norihiro Ming-Hsuan Yang 2 Abstract:
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
[3] M.C. Escher Escher 1 Escher Escherization Problem [5] Escherization Problem S ( 1 ) T S ( 2 ) T T [5] Escherization Problem isohedral isohe
![[3] M.C. Escher Escher 1 Escher Escherization Problem [5] Escherization Problem S ( 1 ) T S ( 2 ) T T [5] Escherization Problem isohedral isohe](/thumbs/92/110970239.jpg "[3] M.C. Escher Escher 1 Escher Escherization Problem [5] Escherization Problem S ( 1 ) T S ( 2 ) T T [5] Escherization Problem isohedral isohe")
1,a) 1 1 1,b) 2 1 A Pattern Creation Support System for Escher-Like Tiling Megumi Kisanuki 1,a) Hirohumi Machii 1 Kiyomasa Sakimoto 1 Satoshi Ono 1,b) Kazunori Mizuno 2 Shigeru Nakayama 1 Abstract: This
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,