1 2 (1) Ω (2) (1) 4 AdaBoost Shapelet [5] (2) AdaBoost Joint Haar-like [6] low-level 2 Real AdaBoost 1(b) Joint Joint [7] 2.1 Joint 2 Joint 2 Joint 2
|
|
|
- ちかこ にいだ
- 5 years ago
- Views:
Transcription
1 - - 1,a) 1,b) 1,c) 2,d) Joint MILBoost 1. [1], [2] [3] *1 Histograms of Oriented Gradients(HOG) [4] Support Vector Machine(SVM) AdaBoost 1 Chubu University, 1200 Matsumoto-cho, Kasugai, Aichi , JAPAN. 2 OMRON Corporation, Nishikusatsu, Kusatsu, Shiga , JAPAN. a) hf@cs.chubu.ac.jp b) yuu@vision.cs.chubu.ac.jp c) mtdoll@vision.cs.chubu.ac.jp d) takayosi@omm.ncl.omron.co.jp *1 [3] 3 ( 1 ) ( 2 ) ( 3 ) 2 Joint 3 Joint FPGA 4 MILBoost 5 2. Joint HOG AdaBoost 1(a) 1
2 1 2 (1) Ω (2) (1) 4 AdaBoost Shapelet [5] (2) AdaBoost Joint Haar-like [6] low-level 2 Real AdaBoost 1(b) Joint Joint [7] 2.1 Joint 2 Joint 2 Joint 2 Real AdaBoost Real AdaBoost Joint Joint 2 ( ) Low-level HOG [8] HOG HOG v low-level HOG 2 Joint 2 Real AdaBoost HOG [9] 2 {m,n} HOG HOG Real AdaBoost T 1 Real AdaBoost 2 {m,n} Joint H 1st (v, {m, n}) H 1st (v, {m, n}) = T t=1 h 1st t (v, {m, n}) (1) Joint C 2 = 2, 556 2,556 Joint H 1st () Joint F 2 Real AdaBoost Real AdaBoost 2 Real AdaBoost 1 Real AdaBoost Joint H 1st () F H 2nd () 2
![Shapelet 一の HOG 特徴量のみでは捉えることができない物体形状 特徴量 [5] と比較して高い検出性能であることから 位置 の対称性や連続的なエッジを自動的に捉えることができる の異なる 2](/docs-images/89/98456585/images/3-3.jpg "つのセル内の HOG 特徴量を組み合わせること ため 高精度な人検出が可能となる の有効性を確認した 図 4 に Joint 特徴量による人検出例 2.2.3 解析の容易さ を示す 部分的なオクルージョンに対して頑健な検出が可 図 6 は 未検出画像と誤検出画像に対する各弱識別器の 能であることがわかる 応答を示したものである 図 6(a) の未検出例では 人の 2.")
3 情報処理学会研究報告 図 3 DET カーブ 図 5 選択された Joint 特徴量の可視化 化結果を示す また 図 5(c) に 2 段階目の Real AdaBoost により選択された学習ラウンド毎の 2 つのセルと Joint 特 徴量を示す また HOG 特徴量の勾配方向を人は 9 方向 図 4 Joint 特徴量による物体検出例 H 2nd (v) = ( h2nd {m,n} F = h2nd ( T {m,n} F で表現しており 輝度が高いほど Real AdaBoost における ) Ht1st (v, {m, n}) (2) を表す ) h1st t (v, {m, n}) 図 5(b) では 図 5(a) で選択された HOG 特徴量であっ (3) t=1 2 段階目の弱識別器 h2nd () は 2 つのセルの関係を捉えた 1 段階目の H 1st 弱識別器の評価値が高く 識別に有効な特徴量であること ても人の輪郭以外は選択されにくい傾向がある これは 2 段階目の Real AdaBoost の特徴選択において 識別に有 効ではないと判断されたためである 次に図 5(c) に注目す () の出力となっていることから 異なるセ る 2 段階目の Real AdaBoost により選択された Joint 特 ルの low-level の特徴量から mid-level の特徴量を生成して 徴量は 人の輪郭に沿ったセルが選択されていることがわ いることになる これにより 識別に有効な Joint 特徴量 かる を自動的に選択することが可能となる HOG 特徴量と Real AdaBoost では 図 1(a) に示すよ うに 1 個の弱識別器が 1 個の HOG 特徴量を用いて識別す 2.2 Joint 特徴量の効果 るのに対し Joint 特徴では 図 1(b) に示すように 1 個の 検出性能 弱識別器が位置の異なる 2 つの領域内に含まれる複数の Joint 特徴量による評価実験結果を図 3 に示す 提案する HOG 特徴量を用いて識別を行う これにより 従来の単 Joint 特徴量は 従来法である HOG 特徴量 [4] や Shapelet 一の HOG 特徴量のみでは捉えることができない物体形状 特徴量 [5] と比較して高い検出性能であることから 位置 の対称性や連続的なエッジを自動的に捉えることができる の異なる 2 つのセル内の HOG 特徴量を組み合わせること ため 高精度な人検出が可能となる の有効性を確認した 図 4 に Joint 特徴量による人検出例 解析の容易さ を示す 部分的なオクルージョンに対して頑健な検出が可 図 6 は 未検出画像と誤検出画像に対する各弱識別器の 能であることがわかる 応答を示したものである 図 6(a) の未検出例では 人の Joint 特徴量の効果 特徴は頭部や体の右側面のエッジが重要であるが 入力画 図 5(a) に 1 段階目の Real AdaBoost 図 5(b) に 2 段階 像では抽出されなかったため その弱識別器の出力はマイ 目の Real AdaBoost により選択された HOG 特徴量の可視 ナス方向に大きく出力され未検出と判定されたことがわか 2013 Information Processing Society of Japan 3
4 6 8 TOF 7 HOG bin 6(b) Joint 2.3 Joint Joint HOG HOG Joint (PSA) [10] [11] 3 DET HOG Joint HOG PSA Joint 1.0% 30% Time of Flight (TOF ) [12] TOF 2 Bhattacharyya 7 HOG 8 4
![特徴量を ウェア API と連携して同一ハードウェア上で検出対象を変 2 値化することで大幅にメモリ使用量を削減する特徴量の 更可能な Joint-HOG による FPGA システム (Joint-HOG バイナリコード化 [13], [14] が有効である](/docs-images/89/98456585/images/5-3.jpg "FPGA) を実現した Joint-HOG FPGA は 人を対象とし 3.")
5 情報処理学会研究報告 図 9 Joint 特徴量による共起特徴表現 図 10 画像処理 FPGA ボード 図 11 ハードウェアアーキテクチャ 抑制することができる 2.4 Joint 特徴量の課題 本章では 図 9 に示すような複数の特徴量間の共起を用 ドウェア化 [17] について述べる 我々は人検出器をハー ドウェア化する上で重要となる (1) Joint 特徴量の高速化 いた Joint 特徴量による物体検出法について述べた 単一 (2) 検出対象の柔軟性の 2 点を考慮して ハードウェアアー の HOG 特徴量では識別困難なパターンに対して Joint 特 キテクチャを設計した 徴量は位置の異なる 2 つのセル内の HOG 特徴量を組み合 わせることにより 識別困難なパターンを正しく識別する 3.1 検出対象の柔軟性 ことができる さらに高精度な検出を実現するために 時 利用する環境下での検出対象を想定して学習した結果を 空間特徴や距離ヒストグラム特徴量との共起の効果につい ハードウェア化することになるが 利用環境が異なる場合 て述べた Joint 特徴量は 高精度な人検出が可能である や検出対象が変更となると 再度ハードウェアを設計する必 一方 実用化という観点から考えた時に省メモリ化が課題 要がある そこで 我々は図 10 に示すように 学習ソフト となる そのためには 実数で表現される HOG 特徴量を ウェア API と連携して同一ハードウェア上で検出対象を変 2 値化することで大幅にメモリ使用量を削減する特徴量の 更可能な Joint-HOG による FPGA システム (Joint-HOG バイナリコード化 [13], [14] が有効である FPGA) を実現した Joint-HOG FPGA は 人を対象とし 3. FPGA による人検出器のハードウェア化 た場合は縦横 12 6 セル 車両を対象とした場合は縦横 9 9 セルと検出ウィンドウのサイズや縦横比が異なって 人検出技術のアプリケーションの一つとして 自動車の も セルを同一サイズにしておくことで 検出対象を変更 安全運転支援を目的とした車載カメラでの利用が挙げられ 可能となるハードウェアアーキテクチャとなっている 事 る 車載での利用では人検出技術をハードウェア化する必 前に学習ソフトウェア API で学習した結果 (各弱識別器の 要がある 2011 年には 東芝から Co-HOG[15] による人 入力に対する応答) を Look Up Table(LUT) で識別器を構 検出技術を搭載した車載用画像認識プロセッサ LSI が発 成する これにより LUT の内容を書き換えることで 同 売されている [16] 本章では Joint 特徴量を用いた人検出 一 FPGA 上で瞬時に検出対象を柔軟に変更することが可 器の FPGA(Field Programmable Gate Array) によるハー 能となる 2013 Information Processing Society of Japan 5
6 13 12 Joint-HOG Joint-HOG FPGA MG/CPHIST/HOGNRM/CLSF 4 Joint HOG HOG MG/CPHIST/HOGNRM HOG MG FIFO 1 CPHIST 1 HOGNRM HOG Joint-HOG 12 CLSF HOGNRM HOG 2 Real AdaBoost TRUE/FALSE LUT 360kbit 1 (Cyclone III EP3C120) LE 17,419(15%) 11,306(9%) bit (1 ) (1 ) 1,046,647bit(26%) 70MHz 93.95ms( 10fps) 46.98ms( 20fps) LUT / 13 MG-CLSF 3.3 Joint-HOG FPGA Joint-HOG FPGA 10 FPGA Altera CycloneIII FPGA 1 HOG USB PC PC Mean Shift LUT USB PC Cyclone III FPGA ( 1 ) 1 (2,940 ) fps 2 20fps 4. CG MIL- Boost 3 MILBoost [18] 4.1 6
![2 学習サンプルの自動生成 ネガティブサンプルに人画像が混在してしまう問題に対 ポジティブサンプル して MILBoost[21] を用いることにより解決する MIL-](/docs-images/89/98456585/images/7-6.jpg "提案手法で使用する人体モデルには 形状モデルやモデル Boost は Boosting に Multiple Instance Learning (MIL) を の各パーツの階層構造")
7 情報処理学会研究報告 図 14 MILBoost による学習の流れ るには 人らしさを捉える特徴量をどのように設計するか という観点だけでなく 学習サンプルの質も重要である 図 15 は INRIA Person Dataset[4] の全人画像から平均勾 配画像を作成したものである 図 15 より 頭部から肩 下 半身へのシルエットが人画像に共通した特徴であることが わかる これは INRIA Person Dataset には人の位置ずれ がないことと ポジティブサンプルの背景領域には共通性 がないことを示している また ラベルの誤った学習サン 図 15 INRIA Person Dataset と平均勾配画像 プルは含まれてない もし誤ラベルを持つ画像が学習サン プルに含まれていると AdaBoost の学習では このラベ より生成した人体シルエット画像を学習用ポジティブサン ルに適応するように学習されてしまい 性能低下を招くこ プルとしてい用いる CG で生成するため 位置ずれのな とになる INRIA Person Dataset のように大量の良質な い大量の人体シルエット画像を生成することができる (図 学習サンプルの収集は大きな手間がかかるとともに 人検 14(a)) 出器の性能を左右する重要な要因である ネガティブサンプル これらの問題を解決するアプローチとして 少数の学習 ネガティブサンプルは 撮影した映像中からランダムで切 サンプルからスケール変化や回転 ノイズの付加などの実 り出す (図 14(b)) しかし ランダムにサンプルを収集し 環境で測定されうる変動を含むように変形させた学習サン た場合 ネガティブサンプルとして人画像が収集される問 プルを生成し 生成したサンプルを用いて識別器を学習す 題がある この問題を解決するために 誤って付与された る生成型学習法 [19] が提案されている 我々は 3 次元人体 ラベルを持つサンプルの混在を考慮した MILBoost により モデルを用いた学習サンプルの自動生成と MILBoost によ 識別器を学習する る生成型学習法を提案しており 以下にその手法について 述べる 4.3 学習サンプルの混在を考慮した MILBoost による 学習 4.2 学習サンプルの自動生成 ネガティブサンプルに人画像が混在してしまう問題に対 ポジティブサンプル して MILBoost[21] を用いることにより解決する MIL- 提案手法で使用する人体モデルには 形状モデルやモデル Boost は Boosting に Multiple Instance Learning (MIL) を の各パーツの階層構造 動作データなどが含まれている 導入した学習法である MIL は 複数のサンプルで構成さ 人体の形状モデルは 19 のパーツが存在し これらのパー れた Bag に対してラベル付けを行い学習する これによ ツは階層的な構造で表現される そのため 例えば右肩を り ネガティブサンプルの Bag に人画像が混在する様な場 動かした場合 右腕や右手が連動して動く 本手法では 合でも悪影響を受けない学習が可能となる 19 のパーツに歩行動作のパラメータを与えることで 歩 Bag と MILBoost 行姿勢として人体モデルを表現する 特定シーンに特化し 図 16 に示すように ポジティブクラスの Bag はサンプ た人体シルエット画像を得るために 実環境に設置したカ ル一つを Bag として作成する ネガティブクラスの Bag メラのパラメータ*2 を 3 次元人体モデルに入力し CG に は 映像中からランダムで画像を切り出すことでサンプ *2 人検出結果からカメラパラメータを自動推定する手法については 2013 Information Processing Society of Japan 文献 [20] を参照されたい 7
8 情報処理学会研究報告 図 16 MIL における従来法と提案手法による Bag の構成 ルを生成する そして 切り出したサンプルの集合をネガ ティブクラスの Bag とする ネガティブクラスの Bag に ポジティブサンプルが含まれる場合においても 悪影響 を及ぼさないようにする MILBoost の学習の流れは Real 図 17 学習用データセットの例 AdaBoost と同様であるが サンプルの重み wij の算出方 法が異なる 以下に学習の流れを示す Step1 ポジティブクラスの Bag に人画像 1 枚を割り当て る Step2 ネガティブクラスの Bag に背景からランダムで切 り出した画像集合を割り当てる Step3 t 個目の弱識別器を学習する Step4 式 (4) により j 個目の学習サンプルのクラス尤度 pij を算出する pij = exp( Ht (x)) (4) Step5 式 (5) により i 番目の Bag のクラス尤度 pi を算出 する pi = 図 18 各学習データベースの実験結果 pij (5) j Bagi Database 2 Database 3 を比較すると 検出性能が最も高 Step6 式 (6) により学習サンプルの重み wij を更新する { pij if yi = 1 wij = (6) pij pi otherwise yi = 0 1 pi いのは人体モデルから生成したサンプルを用いた Database Step3 Step6 を繰り返すことにより 最終識別器 H(x) は 自動生成よりも低い結果となった これは 人画像を を得る ネガティブ Bag に含まれているサンプルは サン 人手で大量に切り出す際には 切り出し基準が曖昧になる プルのクラス尤度 pij と Bag のクラス尤度 pi により重みを ことがあり これが識別器に悪影響を及ぼしたと考えられ 更新する 誤ラベルの学習サンプルが含まれていた場合 る 汎用性のあるデータベースを用いた Database 1 の結 ネガティブ Bag のクラス尤度 pi が十分に低ければ その 果が最も低い検出率となった これは 学習用データベー サンプルはノイズであると捉え 学習サンプルの重み wij スの INRIA Person Dataset は実験環境とカメラ位置が異 は低下する このように Bag 単位での尤度を用いること なることが要因である でノイズの影響を低減することができる 3 であった これは 実環境下で撮影した映像に対応した 人の見えを CG により生成できたからといえる 実環境下 の映像から人手で切り出したサンプルを用いた Database 2 次に Database 3 と Database 4 を比較すると 実環境 下で撮影した映像の背景を用いた Database 3 の方が良い 4.4 自動生成の効果 結果が得られた これは Database 3 では実環境から生成 特定シーンに特化した学習サンプルの自動生成による した学習用ネガティブサンプルを用いているため 実環境 有効性を評価する 図 17 に示す 4 つのデータベースによ のシーンに特化した識別器となり検出性能が大きく向上し り学習した際の識別性能を比較する DET カーブを図 18 たといえる に示す まず ネガティブサンプルが同一の Database Information Processing Society of Japan 以上より 特定シーンにおいて 3 次元人体モデルから 8
9 19 MILBoost 4.5 MILBoost Real AdaBoost MILBoost 0% 30% 19 Equal Error Rate(EER) (MILBoost) EER 15% EER 6.1% 0% EER 5. [22] HOG ( ) 21(1) 21(2) L 21(3) Bhattacharyya Bhattacharyya = n pi q i (7) i=1 p i q i F T r F Re 5.2 T a T t +1, 1 D t (x i ) D a (x j ) h(x) h m = argmin ht ( e 2yiDt(xi) y i h t (x i ) (8) (x i,y i) T t + λ j e 2yjDa(xj) y j h t (x j )) (x j,y j) T a λ λ = 1 + e yha(x) 1 + e yht(x) (9) λ 9
10 20 h() F T r (10) ϵ m e 2yiDt(xi) + λ j e 2yjDa(xj) h(x i) y i h(x j) y j ϵ m = e 2yiDt(xi) + (10) λ j e 2yjDa(xj) j i ζ F Re α m (11) α m = 1 4 ln 1 ϵ m ϵ m (11) D t (x i ) = D t (x i )e 2yiαthm(xi) (12) 22 ϵ D a (x j ) = D a (x j )e 2yjαthm(xj) (13) 5.3 F T r 100 3, ϵ ϵ 10
11 情報処理学会研究報告 ンプルとして背景画像 12,180 枚を用いる ただし 比較手 法である再学習については CG を用いて生成した人画像を 2,416 枚使用し 事前学習を行わない 評価用サンプルは それぞれ特定シーンの俯角に設定した 3D 人体モデルを設 置した CG 生成画像 10,000 枚をポジティブサンプルとし て ネガティブサンプルも背景画像を 10,000 枚使用する 図 24 に 再学習 転移学習 ハイブリッド型転移学習 の EER と学習時間を示す 図 24 より 従来の転移学習で は シーンの変化とともに性能が大きく低下することがわ かる 一方 大きなシーンの変化を受けても ハイブリッ ド型転移学習は再学習には及ばないが 転移学習に比べ 1.59% 8.35%と性能が向上している 再学習は事前ドメ インに頼らず大量のサンプルで目標ドメインに適応できた ため 最も性能が高い また 再学習に必要な学習時間に 対して ハイブリッド型転移学習では学習時間を約 1/3 1/4 に短縮することができた 5.5 ハイブリッド型学習により選択された特徴 ハイブリッド型転移学習は転移学習で対応しきれない大 きな変化に対して 全探索で特徴量を補うことで高い識別 能力を持つ識別器を構築することができる 図 25 はハイ ブリッド型転移学習で選択された特徴量のうち 転移学習 図 23 俯角の違いによる学習サンプルの見えの変化 ステップで選ばれたものを (a) 再学習ステップで選ばれ たものを (b) として可視化したものである 図 25(a) より 転移特徴では標準的な肩のエッジや脚部の縦方向のエッジ などが転移されていることがわかる 一方 図 25(b) の全 探索では横エッジが目立ち 俯角の変化により発生した上 体部分の見えの変化に適応した新たな特徴が選択されてい る 図 25(c) にハイブリッド型転移学習全体として (a) と (b) を重ねたものを (d) に再学習で選択された特徴量を表 示する 両者を比較すると 特徴の位置関係や勾配方向が 類似していることから (c) のハイブリッド型転移学習は 転移特徴と全探索の組み合わせにより (d) の再学習に近い 特徴の構成を獲得している 6. まとめ 本稿では 人検出の実用化に向けて 著者等の研究グ 図 24 各手法の EER とハイブリッド型転移学習の学習時間 棒グ ラフは EER 青線はハイブリッド型転移学習の学習時間 赤 線は再学習の学習時間を表わす ループでこれまでに取り組んできた統計的学習手法による 物体検出の高精度化と効率化について述べた 1 章のはじ めにで述べた条件 (1) 検出失敗の理由を明確に把握するこ 5.4 ハイブリッド型転移学習の効果 とが可能については 弱識別器の応答とその弱識別器が選 ハイブリッド型転移学習の有効性を示すために 識別精 択した Joint 特徴量を観測することで可能であることを示 度と学習に要する時間の観点から検証を行う 事前学習に した 条件 (2) 少ない学習サンプルでシステムをチューニ は 図 23(a) に示す INRIA person dataset をポジティブサ ング可能については CG により自動生成した小サンプル ンプルとして 2,416 枚使用し ネガティブサンプルとして とハイブリッド型転移学習を用いることで 目標シーンに 12,180 枚使用する 目標ドメインのポジティブサンプルに 適応する識別器を短時間で構築できることを示した 条件 は 図 23(b) のように事前学習とは異なる俯角 の (3) 省メモリで高速な計算アルゴリズムについては 検出 CG を用いて生成した人画像を 800 枚用い ネガティブサ 対象が変更可能な Joint-HOG FPGA システムの実装を紹 2013 Information Processing Society of Japan 11
![25 HOG (a) (b) (c)(a)+(b) (d) FPGA 20FPS [23] Deep Learning[24] [1] PIA:People Image Analysis Vol. 60, No. 10, pp. 1542 1546 (2006). [2] 7 Vol. 51, No. 12, pp. 1575 1582 (2010). [3] [ ] (PRMU) pp. pp. 113 126 (2012).](/docs-images/89/98456585/images/12-0.jpg "[4] Dalal, N. and Triggs, B.: Histograms of Oriented Gradients for Human Detection, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 886 893 (2005). [5] Sabzmeydani, P.")
![and Mori, G.: Detecting Pedestrians by Learning Shapelet Features, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 1 8 (2007). [6] Mita, T., Kaneko, T., Stenger, B.](/docs-images/89/98456585/images/12-2.jpg "and Hori, O.: Discriminative Feature Co-Occurrence Selection for Object Detection, PAMI, Vol. 30, No. 7, pp. 1257 1269 (2008). [7] Joint 2 Boosting Vol. J92-D, No. 9, pp. 1591 1601 (2009).")
12 25 HOG (a) (b) (c)(a)+(b) (d) FPGA 20FPS [23] Deep Learning[24] [1] PIA:People Image Analysis Vol. 60, No. 10, pp (2006). [2] 7 Vol. 51, No. 12, pp (2010). [3] [ ] (PRMU) pp. pp (2012). [4] Dalal, N. and Triggs, B.: Histograms of Oriented Gradients for Human Detection, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp (2005). [5] Sabzmeydani, P. and Mori, G.: Detecting Pedestrians by Learning Shapelet Features, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 1 8 (2007). [6] Mita, T., Kaneko, T., Stenger, B. and Hori, O.: Discriminative Feature Co-Occurrence Selection for Object Detection, PAMI, Vol. 30, No. 7, pp (2008). [7] Joint 2 Boosting Vol. J92-D, No. 9, pp (2009). [8] Boosting Vol. J92-D, No. 8, pp (2009). [9] Boosting (MIRU2008) pp (2008). [10] Yamauchi, Y., Fujiyoshi, H., Iwahori, Y. and Kanade, T.: People Detection Based on Co-occurrence of Appearance and Spatio-temporal Features, National Institute of Informatics Transactions on Progress in Informatics, No. 7, pp (2012). [11] Fujiyoshi, H. and Kanade, T.: Layered Detection for Multiple Overlapping Objects, IEICE transactions on information and systems, Vol. 87, No. 12, pp (2004). [12] Vol. 93-D, No. 3, pp (2010). [13] Relational HOG D Vol. J94-D, No. 8, pp (2011). [14] Vol. J95-D, No. 3, pp (2012). [15] Watanabe, T., Ito, S. and Yokoi, K.: Co-occurrence Histograms of Oriented Gradients for Human Detection, Information Processing Society of Japan Transactions on Computer Vision and Applications, Vol. 2, pp (2010). [16] Visconti selection/automotive/infotain/visconti/index.html. [17] Joint-HOG FPGA (2011). [18] Negative-Bag MILBoost (MIRU2012) (2012). [19]. Vol. 46, No. 15, pp (2005). [20] 3. D, Vol. 131, No. 4, pp (2011). [21] Viola, P., Platt, J. C. and Zhang, C.: Multiple instance boosting for object detection, Neural Information Processing Systems, pp (2006). [22] (2013). [23] Settles, B.: Active Learning, Morgan & Claypool Publishers (2012). [24] CVIM 185 (2013). 12
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
図 1 提案手法による生成型学習の流れ Fig. 1 Generative learning procedure in the proposed method. 図 2 3 次元人体モデル Fig. 2 3D human model. 図 3 パラメータに対応した人体モデル Fig. 3 Adapt
(MIRU2012) 2012 8 Negative-Bag MILBoost Graduate School of Engineering, Chubu University, 1200 Matsumoto, Kasugai, Aichi, 487-8501 Japan. E-mail: {tsuchiya,yuu}@vision.cs.chubu.ac.jp, hf@cs.chubu.ac.jp
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
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
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
(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
100326_セミナー資料_物体認識.pptx
!! "#! "#"! "#$! "#%! $#! $#"! $#$! $#%! $#&! % 物体認識 検出 について '()*++,-./#,0121#3)+,04.50+6789+":; '()*++)010;216,#3)+9,+0;.?>65.6#'@4A 物体検出は簡単か 多様な変動要素が存在して難しい 変動要素に対応する特徴量 学習手法がキー カメラの角度 姿勢
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
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
,,.,.,,.,.,.,.,,.,..,,,, 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
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
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
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
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
(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
2008 年度下期未踏 IT 人材発掘 育成事業採択案件評価書 1. 担当 PM 田中二郎 PM ( 筑波大学大学院システム情報工学研究科教授 ) 2. 採択者氏名チーフクリエータ : 矢口裕明 ( 東京大学大学院情報理工学系研究科創造情報学専攻博士課程三年次学生 ) コクリエータ : なし 3.
2008 年度下期未踏 IT 人材発掘 育成事業採択案件評価書 1. 担当 PM 田中二郎 PM ( 筑波大学大学院システム情報工学研究科教授 ) 2. 採択者氏名チーフクリエータ : 矢口裕明 ( 東京大学大学院情報理工学系研究科創造情報学専攻博士課程三年次学生 ) コクリエータ : なし 3. プロジェクト管理組織 株式会社オープンテクノロジーズ 4. 委託金支払額 3,000,000 円 5.
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
An Effective Approach of University-Industry Research Collaboration on Computer Vision 143
An Effective Approach of University-Industry Research Collaboration on Computer Vision 143 . 2002 Viola 2005. 144 画像認識分野における効果的な産学連携 米国カーネギーメロン大学では 1997年からビデオ監視システムに関する研究である VSAM Video Surveillance and
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
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)
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
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
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
[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
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
学生 23 省メモリ指向一枚超解像 アーキテクチャとその FPGA 実装 北海道大学大学院情報科学研究科 大平貴徳 真田祐樹 築田聡史 五十嵐正樹 池辺将之 浅井哲也 本村真人 1
学生 23 省メモリ指向一枚超解像 アーキテクチャとその FPGA 実装 北海道大学大学院情報科学研究科 大平貴徳 真田祐樹 築田聡史 五十嵐正樹 池辺将之 浅井哲也 本村真人 1 研究背景 映像機器の高機能化に伴う映像の高解像化 ーレティナディスプレイー 4K ハイビジョンテレビ 低解像度の映像コンテンツが数多く存在 4K テレビ 解像度を高める研究 ( 超解像 ) ー高速ー低コストー解像度の精度
2 Fig D human model. 1 Fig. 1 The flow of proposed method )9)10) 2.2 3)4)7) 5)11)12)13)14) TOF 1 3 TOF 3 2 c 2011 Information
1 1 2 TOF 2 (D-HOG HOG) Recall D-HOG 0.07 HOG 0.16 Pose Estimation by Regression Analysis with Depth Information Yoshiki Agata 1 and Hironobu Fujiyoshi 1 A method for estimating the pose of a human from
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
% 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
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 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
情報処理学会研究報告 い認識率を示す事が出来なかったと報告している 視覚特徴量としては SIFT や SURF のような局所的な 領域から特徴量を抽出する方法がある [4] [5] これらの 特徴量とフローベクトルを使いダイナミックなシーンの分 類を行う手法が提案されている しかし これらの画像特
![情報処理学会研究報告 い認識率を示す事が出来なかったと報告している 視覚特徴量としては SIFT や SURF のような局所的な 領域から特徴量を抽出する方法がある [4] [5] これらの 特徴量とフローベクトルを使いダイナミックなシーンの分 類を行う手法が提案されている しかし これらの画像特](/thumbs/81/82759216.jpg "情報処理学会研究報告 い認識率を示す事が出来なかったと報告している 視覚特徴量としては SIFT や SURF のような局所的な 領域から特徴量を抽出する方法がある [4] [5] これらの 特徴量とフローベクトルを使いダイナミックなシーンの分 類を行う手法が提案されている しかし これらの画像特")
,a) Web SVM. Web GPS a) sc96@ibe.kagoshima-u.ac.jp. Efros Xiao [] [] Efros HOG [] Google Street View SVM Google Street View c 4 Information Processing Society of Japan 情報処理学会研究報告 い認識率を示す事が出来なかったと報告している
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
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
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 Vol.2016-CE-133 No /2/ ,.,,,.,,.,,,.,,,,,., HOG Evaluation System of the Exactness Bow using a Monocular Camer
1 2 1,.,,,.,,.,,,.,,,,,., HOG Evaluation System of the Exactness Bow using a Monocular Camera Abstract: The bow is a symbol of greeting culture in Japan, and it is an important action for smooth communication.
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-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
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
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
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
光学
Range Image Sensors Using Active Stereo Methods Kazunori UMEDA and Kenji TERABAYASHI Active stereo methods, which include the traditional light-section method and the talked-about Kinect sensor, are typical
(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,
White Paper 高速部分画像検索キット（FPGA アクセラレーション）
White Paper 高速部分画像検索キット (FPGA アクセラレーション ) White Paper 高速部分画像検索キット (FPGA アクセラレーション ) Page 1 of 7 http://www.fujitsu.com/primergy Content はじめに 3 部分画像検索とは 4 高速部分画像検索システム 5 高速部分画像検索の適用時の改善効果 6 検索結果 ( 一例 )
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
田向研究室PPTテンプレート
Hibikino-Musashi@Home: ホームサービスロボット開発学生プロジェクトの紹介 18/09/14 ROSCon JP 2018 Hibikino-Musashi@Home 九州工業大学田向研究室 石田裕太郎 hma@brain.kyutech.ac.jp 今日紹介するロボット RoboCup@Home に参戦するホームサービスロボット Eix@ HW: 九工大 SW: 九工大 2018
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
<4D F736F F D204E4F2E325F8A46967B5F89E6919C93648E718A7789EF8CA48B8689EF8CB48D652E646F63>
歩行者の不注意行動認識 歩きスマホ検出 Recognize Careless Behavior of Walker Detect Texting While walking- 皆本光 1 2, 佐野睦夫 Hikaru MINAMOTO 1, Mutsuo SANO 2 1, 2 大阪工業大学情報科学部 1, 2Osaka Institute of Technology E-mail: 1 e1c11086@st.oit.ac.jp,
,,,,,,,,,,,,,,,,,,, 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
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.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)
IPSJ SIG Technical Report Vol.2014-HCI-160 No.8 Vol.2014-UBI-44 No /10/14 1,a) 1,b) 1,c) 1,d) 1. [1] HMD 1 Kyoto Institute of Technology a) kyok
![IPSJ SIG Technical Report Vol.2014-HCI-160 No.8 Vol.2014-UBI-44 No /10/14 1,a) 1,b) 1,c) 1,d) 1. [1] HMD 1 Kyoto Institute of Technology a) kyok](/thumbs/95/122543277.jpg "IPSJ SIG Technical Report Vol.2014-HCI-160 No.8 Vol.2014-UBI-44 No /10/14 1,a) 1,b) 1,c) 1,d) 1. [1] HMD 1 Kyoto Institute of Technology a) kyok")
1,a) 1,b) 1,c) 1,d) 1. [1] HMD 1 Kyoto Institute of Technology a) kyoko@hit.is.kit.ac.jp b) kei@kit.ac.jp c) kuramoto@hit.is.kit.ac.jp d) tsujino@kit.ac.jp [2] [2][3][4][5][6][7][8] [3][4][5][6][7][8]
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,,,,
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
Kumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷
熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI プロジェクト @ 宮崎県美郷町 熊本大学副島慶人川村諒 1 実験の目的 従来 信号の受信電波強度 (RSSI:RecevedSgnal StrengthIndcator) により 対象の位置を推定する手法として 無線 LAN の AP(AccessPont) から受信する信号の減衰量をもとに位置を推定する手法が多く検討されている
GID Haar-like Mean-Shift Multi-Viewpoint Human Tracking Based on Face Detection Using Haar-like Features and Mean-Shift Yu Ito (Shizuoka Univers
GID-08-6 Haar-like Mean-Shift Multi-Viewpoint Human Tracking Based on Face Detection Using Haar-like Features and Mean-Shift Yu Ito (Shizuoka University), Atsushi Yamashita, Toru Kaneko (Shizuoka University)
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
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
27 24 24115059 i 1 1 2 4 2.1...................... 4 2.1.1.............................. 5 2.1.2...................... 7 2.2............................ 9 2.2.1.................................. 10 2.2.2...............................
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
Coding theorems for correlated sources with cooperative information
グラフコストの逐次更新を用いた映像顕著領域の自動抽出 2009 年 5 月 28 日 福地賢宮里洸司 (2) 木村昭悟 (1) 高木茂 (2) 大和淳司 (1) (1) 日本電信電話 ( 株 )NTT) コミュニケーション科学基礎研究所メディア情報研究部メディア認識研究グループ (2) 国立沖縄工業高等専門学校情報通信システム工学科 背景 ヒトはどのようにして もの を認識する能力を獲得するのか?
untitled
DEIM Forum 2019 I2-4 305-8573 1-1-1 305-8573 1-1-1 305-8573 1-1-1 ( ) 151-0053 1-3-15 6F 101-8430 2-1-2 CNN LSTM,,,, Measuring Beginner Friendliness / Visiual Intelligibility of Web Pages explaining Academic
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
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 Vol.2016-CLE-19 No /5/20 1,a) 2,b) 3,c) Proposal of self-reflection using the video-sharing site NISHIOKU Kazukiyo 1,a
,a),b) 3,c) Proposal of self-reflection using the video-sharing site NISHIOKU Kazukiyo,a) SORANO Kosuke,b) OZAKI Takuro 3,c). PC Osaka Kyoiku University Faculty of Education Osaka Kyoiku University Graduate
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
コンピュータグラフィックス第8回
コンピュータグラフィックス 第 8 回 レンダリング技法 1 ~ 基礎と概要, 隠面消去 ~ 理工学部 兼任講師藤堂英樹 レポート提出状況 課題 1 の選択が多い (STAND BY ME ドラえもん ) 体験演習型 ( 課題 3, 課題 4) の選択も多い 内訳 課題 1 課題 2 課題 3 課題 4 課題 5 2014/11/24 コンピュータグラフィックス 2 次回レポートの体験演習型 メタセコイア,
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
(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
Symbiotic System ト を 動物 る 人間 情報システム 応 ( ) 人間 共生 情報システム と 体の 長 体の と 体 覚 動 体 と とダイナミクスを持つ 人間と情報システムのインタ ース. コン ータに の動作をさ るために, のつ, するコ ン を, される.. イコン イン
7 人間と共生する情報システムの実現を目指して シンビオティック システムの実現に向けて 人, 社会, 環境, 情報システムの協調系 7 人間と共生する情報システムの実現を目指して 松山隆司 * tm@i.kyoto-u.ac.jp 川嶋宏彰 * kawashima@i.kyoto-u.ac.jp 鷲見和彦 *, ** Sumi.Kazuhiko@ds.MitsubishiElectric.co.jp
1 AdaBoost [8], [10] 2001 Viola Jones [8], [10] [11], [12] 2 3 4 5 6 7 2. 2. 1 2 2. 1. 1 1(a) 2. 1. 2 1(b) 2
![1 AdaBoost [8], [10] 2001 Viola Jones [8], [10] [11], [12] 2 3 4 5 6 7 2. 2. 1 2 2. 1. 1 1(a) 2. 1. 2 1(b) 2](/thumbs/40/20522528.jpg "1 AdaBoost [8], [10] 2001 Viola Jones [8], [10] [11], [12] 2 3 4 5 6 7 2. 2. 1 2 2. 1. 1 1(a) 2. 1. 2 1(b) 2")
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. [], 487 8501 1200 525 0025 2 2-1 E-mail: yuu@vision.cs.chubu.ac.jp, takayosi@omm.ncl.omron.co.jp, hf@cs.chubu.ac.jp
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.
1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -
![1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -](/thumbs/89/100816452.jpg "1(a) (b),(c) - [5], [6] Itti [12] [13] gaze eyeball head 2: [time] [7] Stahl [8], [9] Fang [1], [11] 3 -")
Vol216-CVIM-22 No18 216/5/12 1 1 1 Structure from Motion - 1 8% Tobii Pro TX3 NAC EMR ACTUS Eye Tribe Tobii Pro Glass NAC EMR-9 Pupil Headset Ville [1] EMR-9 [2] 1 Osaka University Gaze Head Eye (a) deg
& 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
地図情報の差分更新・自動図化 概要版
戦略的イノベーション創造プログラム (SIP) 自動走行システム / / 大規模実証実験 / ダイナミックマップ / 地図情報の差分更新 自動図化 報告書 平成 29 年度報告 平成 30 年 3 月 31 日 三菱電機株式会社 目次 1. 研究開発の目的 2. 静的高精度 3D 地図データの自動図化 / 差分抽出技術の実用性検証 (2) 自動図化 / 差分抽出技術適用による改善効果検証 3. リアルタイム自動図化
情報処理学会研究報告 IPSJ SIG Technical Report Vol.2015-CVIM-195 No /1/22 AR マーカ除去のための実時間背景画像変形 *1 1 1 Abstract 本稿では, 拡張現実感で用いられる AR マーカの違和感のない視覚的除去を実現するた
AR マーカ除去のための実時間背景画像変形 *1 1 1 Abstract 本稿では, 拡張現実感で用いられる AR マーカの違和感のない視覚的除去を実現するための, 背景画像の実時間変形手法を提案する. 従来,AR マーカの実時間除去は, マーカが平面上に存在するという仮定のもと, カメラ位置姿勢に基づく単一の射影変換行列を用いて, 背景画像を変形し, マーカ上に重畳することで実現していた. しかし,
QuartusII SOPC_Builderで利用できるGPIF-AVALONブリッジとは？
アルテラ FPGA 向け PLL リコンフィグの応用回路 1. PLL リコンフィグとは アルテラ FPGA は PLL 機能を内蔵しています PLL を利用して基本周波数を逓倍 分周したクロックを利用することができます 通常 FPGA 開発ツール Quartus2( 以下 Q2) の MegaWizard プラグインマネージャを利用して PLL を設定し 希望のクロック周波数を得ることができます
新技術説明会 様式例
1 ロボットへの FPGA 導入を 容易化する コンポーネント技術 宇都宮大学大学院工学研究科情報システム科学専攻助教大川猛 2 従来技術とその問題点 FPGA(Field Programmable Gate Array) は 任意のディジタル論理回路をプログラム可能な LSI ソフトウェアでは時間がかかる画像認識処理等を ハードウェア化して 高速化 低消費電力化可能 問題点 FPGA 上の回路設計が難しい
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
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
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?
(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
IPSJ SIG Technical Report Vol.2013-CE-119 No /3/15 C 1 1 Web C MILES(Model-based Interactive Learning Support) MILES 1. C C MILES(Model-based In
C 1 1 Web C MILES(Model-based Interactive Learning Support) MILES 1. C C MILES(Model-based Interactive Learning Support) ( 1 ) C ( 2 ) 1 Meiji University, Tama, Kanagawa 214 8571, Japan MILES 2 MILES 3
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
情報処理学会研究報告 IPSJ SIG Technical Report Vol.2015-CVIM-196 No /3/7 既設カメラなどの低解像度映像による人物検出システム 1 辻健太郎 1 鄭明燮 2 中島望夢李 1 松田裕司 1 宮崎信浩 1 皆川明洋 あらましプライバシーの問
既設カメラなどの低解像度映像による人物検出システム 辻健太郎 鄭明燮 2 中島望夢李 松田裕司 宮崎信浩 皆川明洋 あらましプライバシーの問題に配慮した人流の認識のため, 既設のカメラを利用した低解像度映像を入力とする人物検出手法を提案する. 低解像度映像では, 人物の特定が難しいのと同時に, 近接したり重複したりする人物の存在により位置決め精度が低下し, 人物ひとりひとりの切り出しが困難になる.
インターリーブＡＤＣでのタイミングスキュー影響のデジタル補正技術
1 インターリーブADCでのタイミングスキュー影響のデジタル補正技術 浅見幸司 黒沢烈士 立岩武徳 宮島広行 小林春夫 ( 株 ) アドバンテスト 群馬大学 2 目次 1. 研究背景 目的 2. インターリーブADCの原理 3. チャネル間ミスマッチの影響 3.1. オフセットミスマッチの影響 3.2. ゲインミスマッチの影響 3.3. タイミングスキューの影響 4. 提案手法 4.1. インターリーブタイミングミスマッチ補正フィルタ
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
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
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS IEICE Technical Report IN ( ),
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS IEICE Technical Report IN215-96 (216-1), 5 8585 27 1 E-mail: 122422@mmm.muroran-it.ac.jp, hattori@csse.muroran-it.ac.jp Web Web Web
2015 TRON Symposium セッション 組込み機器のための機能安全対応 TRON Safe Kernel TRON Safe Kernel の紹介 2015/12/10 株式会社日立超 LSIシステムズ製品ソリューション設計部トロンフォーラム TRON Safe Kernel WG 幹事
2015 TRON Symposium セッション 組込み機器のための機能安全対応 TRON Safe Kernel TRON Safe Kernel の紹介 2015/12/10 株式会社日立超 LSIシステムズ製品ソリューション設計部トロンフォーラム TRON Safe Kernel WG 幹事 豊山 祐一 Hitachi ULSI Systems Co., Ltd. 2015. All rights
Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b) - [5], [6] [7] Stahl [8], [9] Fang [1], [11] Itti [12] Itti [13] [7] Fang [1],
![Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b) - [5], [6] [7] Stahl [8], [9] Fang [1], [11] Itti [12] Itti [13] [7] Fang [1],](/thumbs/92/110933465.jpg "Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b) - [5], [6] [7] Stahl [8], [9] Fang [1], [11] Itti [12] Itti [13] [7] Fang [1],")
1 1 1 Structure from Motion - 1 Ville [1] NAC EMR-9 [2] 1 Osaka University [3], [4] 1 1(a) 1(c) 9 9 9 c 216 Information Processing Society of Japan 1 Gaze Head Eye (a) deg (b) 45 deg (c) 9 deg 1: - 1(b)
CLEFIA_ISEC発表
128 ビットブロック暗号 CLEFIA 白井太三 渋谷香士 秋下徹 盛合志帆 岩田哲 ソニー株式会社 名古屋大学 目次 背景 アルゴリズム仕様 設計方針 安全性評価 実装性能評価 まとめ 2 背景 AES プロジェクト開始 (1997~) から 10 年 AES プロジェクト 攻撃法の進化 代数攻撃 関連鍵攻撃 新しい攻撃法への対策 暗号設計法の進化 IC カード, RFID などのアプリケーション拡大
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
IPSJ SIG Technical Report Vol.2015-MUS-106 No.18 Vol.2015-EC-35 No /3/3 1,a) ch [1] 1 Kansai University Graduate School of Inf
![IPSJ SIG Technical Report Vol.2015-MUS-106 No.18 Vol.2015-EC-35 No /3/3 1,a) ch [1] 1 Kansai University Graduate School of Inf](/thumbs/99/139166035.jpg "IPSJ SIG Technical Report Vol.2015-MUS-106 No.18 Vol.2015-EC-35 No /3/3 1,a) ch [1] 1 Kansai University Graduate School of Inf")
1,a) 1 2 2. 1. 1.1 5.1ch [1] 1 Kansai University Graduate School of Informatics, 2-1-1 Ryozenji-cho, Takatsuki-shi, Osaka, 569-1095, Japan 2 Kansai University Faculty of Informatics, 2-1-1 Ryozenjicho,
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
Twitter Twitter [5] ANPI NLP 5 [6] Lee [7] Lee [8] Twitter Flickr FreeWiFi FreeWiFi Flickr FreeWiFi 2. 2 Mikolov [9] [10] word2vec word2vec word2vec k
![Twitter Twitter [5] ANPI NLP 5 [6] Lee [7] Lee [8] Twitter Flickr FreeWiFi FreeWiFi Flickr FreeWiFi 2. 2 Mikolov [9] [10] word2vec word2vec word2vec k](/thumbs/91/107370538.jpg "Twitter Twitter [5] ANPI NLP 5 [6] Lee [7] Lee [8] Twitter Flickr FreeWiFi FreeWiFi Flickr FreeWiFi 2. 2 Mikolov [9] [10] word2vec word2vec word2vec k")
DEIM Forum 2018 H1-3 700-8530 3-1-1 E-mail: {nakagawa, niitsuma, ohta}@de.cs.okayama-u.ac.jp Twitter 3 Wikipedia Weblio Yahoo! Paragraph Vector NN NN 1. doc2vec SNS 9 [1] SNS [2] Twitter 1 4 4 Wikipedia
動画コンテンツ 動画 1 動画 2 動画 3 生成中の映像 入力音楽 選択された素片 テンポによる伸縮 音楽的構造 A B B B B B A C C : 4) 6) Web Web 2 2 c 2009 Information Processing S
1 2 2 1 Web An Automatic Music Video Creation System by Reusing Dance Video Content Sora Murofushi, 1 Tomoyasu Nakano, 2 Masataka Goto 2 and Shigeo Morishima 1 This paper presents a system that automatically
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,
35_3_9.dvi
180 Vol. 35 No. 3, pp.180 185, 2017 Image Recognition by Deep Learning Hironobu Fujiyoshi and Takayoshi Yamashita Chubu University 1. 1990 2000 Scale-Invariant Feature Transform SIFT Histogram of Oriented
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