SlideShare a Scribd company logo
1 of 19
© 2018 Core Concept Technologies Inc.
3Dモデル類似検索
(株)コアコンセプト・テクノロジー
IoT/AIソリューション事業部
熊田聖也
2019/04/05
1
© 2018 Core Concept Technologies Inc.
自己紹介
2
大阪大学大学院工学研究科卒業
1996年、物性理論で博士(工学)を取得
場の量子論を用いた物性研究をしてました。
博士号取得のあと3年ほど阪大で助手を務める。
数社に勤めたあとCCTに。
仕事の変遷
1. 画像処理、動画圧縮(MPEG)、色変換
2. 画像認識(機械学習を用いた)
3. 画像認識(深層学習を用いた)
4. 機械学習・深層学習・コンピュータビジョン全般
次は、強化学習・量子情報処理かな?
https://www.iwanami.co.jp/book/b265519.html
量子機械学習?
© 2018 Core Concept Technologies Inc.
目次
3
1. 弊社製品Orizuru3Dの紹介
2. 3Dモデル類似検索とは
3. アルゴリズムの説明
4. まとめ
© 2018 Core Concept Technologies Inc.
目次
4
1. 弊社製品Orizuru3Dの紹介
2. 3Dモデル類似検索とは
3. アルゴリズムの説明
4. まとめ
© 2018 Core Concept Technologies Inc.
弊社製品Orizuru3Dの紹介
5
http://orizuru.io/product-3d/
1. CAD・点群などの3Dデータを管理
2. 数十GBに及ぶ巨大な3DデータをWebブラウザで表示
3. 類似する3Dモデルを検索
4. クラウドサービスあるいはオンプレミスとして提供
今回は、3Dモデル類似検索を紹介する。
© 2018 Core Concept Technologies Inc.
目次
6
1. 弊社製品Orizuru3Dの紹介
2. 3Dモデル類似検索とは
3. アルゴリズムの説明
4. まとめ
© 2018 Core Concept Technologies Inc.
3Dモデル類似検索とは
7
1. ユーザが3Dモデルを与える。
2. データベースにある類似モデルを返す。
3Dモデルを保存するためのフォーマット
• OFF
• STEP
• STL
など。
© 2018 Core Concept Technologies Inc.
目次
8
1. 弊社製品Orizuru3Dの紹介
2. 3Dモデル類似検索とは
3. アルゴリズムの説明
4. まとめ
© 2018 Core Concept Technologies Inc.
アルゴリズムの説明
9
① 3Dモデルをたくさんの2次元画像に「射影」する。
1. 正12面体の中心に3Dモデルを置く。
2. 多面体の頂点(20個)を視点にしてデプス画像を作成。
https://www.weblio.jp/content/%E6%AD%A3%E5%8D%81%E4%BA%8C%E9%9D%A2%E4%BD%93
正12面体の頂点数は20個。
© 2018 Core Concept Technologies Inc. 10
© 2018 Core Concept Technologies Inc. 11
② 特徴ベクトルの算出
1. 各画像の物体上に200個の点を生成する。
2. 各点から特徴ベクトルを算出する。
3. 200個の特徴ベクトルができる。
4. 1つの物体あたり画像は20枚あるので、1つの物体あたり4000個の特徴ベクトルができる。
……
200個 200個 200個
特徴ベクトルを算出
1 2 20
© 2018 Core Concept Technologies Inc. 12
③ クラスタリング
4000𝑁個の特徴ベクトル
……
𝑀個のクラスタに分ける。
物体の数を𝑁
𝑉1
𝑉2
𝑉 𝑀
各クラスタを代表する
ベクトルが決まる。
𝑉1, 𝑉2, … , 𝑉 𝑀
(ボキャブラリーベクトル)
© 2018 Core Concept Technologies Inc. 13
④ ヒストグラムの作成
𝑉1
𝑉2
𝑉 𝑀
4000個の特徴ベクトル
個
数
𝑉1 𝑉2 𝑉3 𝑉 𝑀……
……
どの𝑉𝑖に近いかを数えてヒストグラムを作る。
1つの物体が𝑀次元ベクトルに変換される。
© 2018 Core Concept Technologies Inc. 14
④ 類似度計算
…
𝑀次元ベクトル
ユーザ入力
ベクトルを比較して似ているものを検索
…
…
…
データベース
コサイン類似度
ユークリッド距離など
https://3dviewer.net/
© 2018 Core Concept Technologies Inc. 15
……
…
個
数
𝑉1 𝑉2 𝑉3 𝑉 𝑀……
……
…
𝑀次元ベクトル
類似度計算
𝑉1
𝑉2
𝑉 𝑀
複数の物体を用いてあらかじめ計算しておく
4000個の特徴ベクトル
© 2018 Core Concept Technologies Inc.
目次
16
1. 弊社製品Orizuru3Dの紹介
2. 3Dモデル類似検索とは
3. アルゴリズムの説明
4. まとめ
© 2018 Core Concept Technologies Inc.
まとめ
17
• 弊社製品Orizuru 3Dに組み込まれている3Dモデル類似検索を紹介した。
• 現在、深層学習(Deep Learning)を用いた検索ロジックを開発中。
© 2018 Core Concept Technologies Inc. 18
10個のモデルを分類するベンチマークのためのデータ
セット「ModelNet10」を使い、さまざまなアルゴリズ
ムを順位付けしたものが左の表。
弊社の手法は現在94.5%。もう少し上げたい。
ModelNet10の10個のカテゴリ
© 2018 Core Concept Technologies Inc.

More Related Content

What's hot

SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)Masaya Kaneko
 
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたTakuya Minagawa
 
オープンソース SLAM の分類
オープンソース SLAM の分類オープンソース SLAM の分類
オープンソース SLAM の分類Yoshitaka HARA
 
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"Hajime Mihara
 
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜SSII
 
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...SSII
 
フォトンマッピング入門
フォトンマッピング入門フォトンマッピング入門
フォトンマッピング入門Shuichi Hayashi
 
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得Masayuki Tanaka
 
コンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィコンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィNorishige Fukushima
 
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向SSII
 
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)Masaya Kaneko
 
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -MPRG_Chubu_University
 
20180527 ORB SLAM Code Reading
20180527 ORB SLAM Code Reading20180527 ORB SLAM Code Reading
20180527 ORB SLAM Code ReadingTakuya Minagawa
 
LiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせLiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせTakuya Minagawa
 
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量takaya imai
 
自然言語処理基礎の基礎
自然言語処理基礎の基礎自然言語処理基礎の基礎
自然言語処理基礎の基礎Takashi Minowa
 
[DL輪読会]Pay Attention to MLPs (gMLP)
[DL輪読会]Pay Attention to MLPs	(gMLP)[DL輪読会]Pay Attention to MLPs	(gMLP)
[DL輪読会]Pay Attention to MLPs (gMLP)Deep Learning JP
 

What's hot (20)

SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
 
Structure from Motion
Structure from MotionStructure from Motion
Structure from Motion
 
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
 
オープンソース SLAM の分類
オープンソース SLAM の分類オープンソース SLAM の分類
オープンソース SLAM の分類
 
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
ICCV19読み会 "Learning Single Camera Depth Estimation using Dual-Pixels"
 
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
 
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
 
Lucas kanade法について
Lucas kanade法についてLucas kanade法について
Lucas kanade法について
 
フォトンマッピング入門
フォトンマッピング入門フォトンマッピング入門
フォトンマッピング入門
 
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
 
コンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィコンピューテーショナルフォトグラフィ
コンピューテーショナルフォトグラフィ
 
20190825 vins mono
20190825 vins mono20190825 vins mono
20190825 vins mono
 
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
 
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
 
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
 
20180527 ORB SLAM Code Reading
20180527 ORB SLAM Code Reading20180527 ORB SLAM Code Reading
20180527 ORB SLAM Code Reading
 
LiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせLiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせ
 
画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量画像認識の初歩、SIFT,SURF特徴量
画像認識の初歩、SIFT,SURF特徴量
 
自然言語処理基礎の基礎
自然言語処理基礎の基礎自然言語処理基礎の基礎
自然言語処理基礎の基礎
 
[DL輪読会]Pay Attention to MLPs (gMLP)
[DL輪読会]Pay Attention to MLPs	(gMLP)[DL輪読会]Pay Attention to MLPs	(gMLP)
[DL輪読会]Pay Attention to MLPs (gMLP)
 

Similar to 3Dモデル類似検索

Microsoft AI と深層学習
Microsoft AI と深層学習Microsoft AI と深層学習
Microsoft AI と深層学習Shohei Nagata
 
LiDAR点群と画像とのマッピング
LiDAR点群と画像とのマッピングLiDAR点群と画像とのマッピング
LiDAR点群と画像とのマッピングTakuya Minagawa
 
第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介
第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介
第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介Tsuyoshi Hirayama
 
20160417dlibによる顔器官検出
20160417dlibによる顔器官検出20160417dlibによる顔器官検出
20160417dlibによる顔器官検出Takuya Minagawa
 
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料Takuya Minagawa
 
DCEXPO2013: 2D+3D互換の多重化ディスプレイシステム
DCEXPO2013: 2D+3D互換の多重化ディスプレイシステムDCEXPO2013: 2D+3D互換の多重化ディスプレイシステム
DCEXPO2013: 2D+3D互換の多重化ディスプレイシステムAkihiko Shirai
 
run Keras model on opencv
run Keras model on opencvrun Keras model on opencv
run Keras model on opencvTakuya Minagawa
 
「コンピュータビジョン勉強会@関東」紹介資料
「コンピュータビジョン勉強会@関東」紹介資料「コンピュータビジョン勉強会@関東」紹介資料
「コンピュータビジョン勉強会@関東」紹介資料Takuya Minagawa
 
深層学習と音響信号処理
深層学習と音響信号処理深層学習と音響信号処理
深層学習と音響信号処理Yuma Koizumi
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Yamato OKAMOTO
 
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)Tetsuroh Watanabe
 
05.日本マイクロソフト(株)_発表資料
05.日本マイクロソフト(株)_発表資料05.日本マイクロソフト(株)_発表資料
05.日本マイクロソフト(株)_発表資料wagatuma
 
AIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンスAIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンスCore Concept Technologies
 
データを活用して何を実現してきたか?
データを活用して何を実現してきたか?データを活用して何を実現してきたか?
データを活用して何を実現してきたか?Core Concept Technologies
 
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2Kuniyuki Takahashi
 

Similar to 3Dモデル類似検索 (20)

Microsoft AI と深層学習
Microsoft AI と深層学習Microsoft AI と深層学習
Microsoft AI と深層学習
 
テクノロジの隆盛
テクノロジの隆盛テクノロジの隆盛
テクノロジの隆盛
 
可視化の先にあるものとは
可視化の先にあるものとは可視化の先にあるものとは
可視化の先にあるものとは
 
LiDAR点群と画像とのマッピング
LiDAR点群と画像とのマッピングLiDAR点群と画像とのマッピング
LiDAR点群と画像とのマッピング
 
第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介
第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介
第79回 Machine Learning 15minutes ! 生成AIをエンタープライズで活用するWatsonx.aiの紹介
 
IoTで成果を出す
IoTで成果を出すIoTで成果を出す
IoTで成果を出す
 
20160417dlibによる顔器官検出
20160417dlibによる顔器官検出20160417dlibによる顔器官検出
20160417dlibによる顔器官検出
 
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
第34回CV勉強会「コンピュテーショナルフォトグラフィ」発表資料
 
DCEXPO2013: 2D+3D互換の多重化ディスプレイシステム
DCEXPO2013: 2D+3D互換の多重化ディスプレイシステムDCEXPO2013: 2D+3D互換の多重化ディスプレイシステム
DCEXPO2013: 2D+3D互換の多重化ディスプレイシステム
 
20180424 orb slam
20180424 orb slam20180424 orb slam
20180424 orb slam
 
run Keras model on opencv
run Keras model on opencvrun Keras model on opencv
run Keras model on opencv
 
「コンピュータビジョン勉強会@関東」紹介資料
「コンピュータビジョン勉強会@関東」紹介資料「コンピュータビジョン勉強会@関東」紹介資料
「コンピュータビジョン勉強会@関東」紹介資料
 
深層学習と音響信号処理
深層学習と音響信号処理深層学習と音響信号処理
深層学習と音響信号処理
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
 
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
機械学習 温故知新(第47回 Machine Learning 15minutes! Broadcast)
 
05.日本マイクロソフト(株)_発表資料
05.日本マイクロソフト(株)_発表資料05.日本マイクロソフト(株)_発表資料
05.日本マイクロソフト(株)_発表資料
 
AIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンスAIベンチャー企業のパフォーマンス
AIベンチャー企業のパフォーマンス
 
データを活用して何を実現してきたか?
データを活用して何を実現してきたか?データを活用して何を実現してきたか?
データを活用して何を実現してきたか?
 
実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2実社会・実環境におけるロボットの機械学習 ver. 2
実社会・実環境におけるロボットの機械学習 ver. 2
 
AIとの付き合い方
AIとの付き合い方AIとの付き合い方
AIとの付き合い方
 

More from Core Concept Technologies

センシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなったセンシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなったCore Concept Technologies
 
コンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使うコンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使うCore Concept Technologies
 
開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話Core Concept Technologies
 
データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化Core Concept Technologies
 
Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目Core Concept Technologies
 
Pythonで簡単な統計・分析をしてみよう!
Pythonで簡単な統計・分析をしてみよう!Pythonで簡単な統計・分析をしてみよう!
Pythonで簡単な統計・分析をしてみよう!Core Concept Technologies
 
Google Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピングGoogle Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピングCore Concept Technologies
 
ロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したことロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したことCore Concept Technologies
 
なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。Core Concept Technologies
 
工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介します
工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介します工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介します
工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介しますCore Concept Technologies
 
AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装Core Concept Technologies
 

More from Core Concept Technologies (20)

センシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなったセンシングサイエンティストが経費精算を自動化したらこうなった
センシングサイエンティストが経費精算を自動化したらこうなった
 
C#で速度を極めるいろは
C#で速度を極めるいろはC#で速度を極めるいろは
C#で速度を極めるいろは
 
コンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使うコンソールアプリケーションでDIを使う
コンソールアプリケーションでDIを使う
 
開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話開発環境をWindowsからMacに移行してみた話
開発環境をWindowsからMacに移行してみた話
 
Linqの速度測ってみた
Linqの速度測ってみたLinqの速度測ってみた
Linqの速度測ってみた
 
データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化データソースにLinqDataSourceを使った場合のGridViewの高速化
データソースにLinqDataSourceを使った場合のGridViewの高速化
 
ロボットアームをPythonで動かす
ロボットアームをPythonで動かすロボットアームをPythonで動かす
ロボットアームをPythonで動かす
 
Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目Pythonでディープラーニングをはじめるための一歩目
Pythonでディープラーニングをはじめるための一歩目
 
Pythonで簡単動画解析
Pythonで簡単動画解析Pythonで簡単動画解析
Pythonで簡単動画解析
 
Pythonで簡単な統計・分析をしてみよう!
Pythonで簡単な統計・分析をしてみよう!Pythonで簡単な統計・分析をしてみよう!
Pythonで簡単な統計・分析をしてみよう!
 
Google Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピングGoogle Colab環境でPythonスクレイピング
Google Colab環境でPythonスクレイピング
 
ロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したことロボットと協働生活中に試行錯誤したこと
ロボットと協働生活中に試行錯誤したこと
 
GPUいらずの高速動画異常検知
GPUいらずの高速動画異常検知GPUいらずの高速動画異常検知
GPUいらずの高速動画異常検知
 
固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介
 
深層強化学習入門
深層強化学習入門深層強化学習入門
深層強化学習入門
 
なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。なぜIoTプロジェクトは途中でとまってしまうのか。
なぜIoTプロジェクトは途中でとまってしまうのか。
 
工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介します
工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介します工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介します
工場に!オフィスに!明日、お安く、安全に導入できるセンサー紹介します
 
AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装AIによる簡単レコメンドシステム実装
AIによる簡単レコメンドシステム実装
 
Orizuru IoTは何を変えたのか
Orizuru IoTは何を変えたのかOrizuru IoTは何を変えたのか
Orizuru IoTは何を変えたのか
 
AWSで実践する機械学習
AWSで実践する機械学習	AWSで実践する機械学習
AWSで実践する機械学習
 

Recently uploaded

Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。iPride Co., Ltd.
 
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native IntegrationsUtilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native IntegrationsWSO2
 
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー  DS20L  カタログ  LiDARデバイスLoRaWANスマート距離検出センサー  DS20L  カタログ  LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイスCRI Japan, Inc.
 
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Gamesatsushi061452
 
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアルLoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアルCRI Japan, Inc.
 
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半        2024/04/26の勉強会で発表されたものです。新人研修 後半        2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。iPride Co., Ltd.
 
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)Hiroshi Tomioka
 
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。iPride Co., Ltd.
 
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video UnderstandingToru Tamaki
 
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...Toru Tamaki
 
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptxsn679259
 

Recently uploaded (11)

Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
 
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native IntegrationsUtilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
 
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー  DS20L  カタログ  LiDARデバイスLoRaWANスマート距離検出センサー  DS20L  カタログ  LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
 
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
 
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアルLoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
 
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半        2024/04/26の勉強会で発表されたものです。新人研修 後半        2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
 
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
 
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
 
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
 
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
 
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
 

3Dモデル類似検索

  • 1. © 2018 Core Concept Technologies Inc. 3Dモデル類似検索 (株)コアコンセプト・テクノロジー IoT/AIソリューション事業部 熊田聖也 2019/04/05 1
  • 2. © 2018 Core Concept Technologies Inc. 自己紹介 2 大阪大学大学院工学研究科卒業 1996年、物性理論で博士(工学)を取得 場の量子論を用いた物性研究をしてました。 博士号取得のあと3年ほど阪大で助手を務める。 数社に勤めたあとCCTに。 仕事の変遷 1. 画像処理、動画圧縮(MPEG)、色変換 2. 画像認識(機械学習を用いた) 3. 画像認識(深層学習を用いた) 4. 機械学習・深層学習・コンピュータビジョン全般 次は、強化学習・量子情報処理かな? https://www.iwanami.co.jp/book/b265519.html 量子機械学習?
  • 3. © 2018 Core Concept Technologies Inc. 目次 3 1. 弊社製品Orizuru3Dの紹介 2. 3Dモデル類似検索とは 3. アルゴリズムの説明 4. まとめ
  • 4. © 2018 Core Concept Technologies Inc. 目次 4 1. 弊社製品Orizuru3Dの紹介 2. 3Dモデル類似検索とは 3. アルゴリズムの説明 4. まとめ
  • 5. © 2018 Core Concept Technologies Inc. 弊社製品Orizuru3Dの紹介 5 http://orizuru.io/product-3d/ 1. CAD・点群などの3Dデータを管理 2. 数十GBに及ぶ巨大な3DデータをWebブラウザで表示 3. 類似する3Dモデルを検索 4. クラウドサービスあるいはオンプレミスとして提供 今回は、3Dモデル類似検索を紹介する。
  • 6. © 2018 Core Concept Technologies Inc. 目次 6 1. 弊社製品Orizuru3Dの紹介 2. 3Dモデル類似検索とは 3. アルゴリズムの説明 4. まとめ
  • 7. © 2018 Core Concept Technologies Inc. 3Dモデル類似検索とは 7 1. ユーザが3Dモデルを与える。 2. データベースにある類似モデルを返す。 3Dモデルを保存するためのフォーマット • OFF • STEP • STL など。
  • 8. © 2018 Core Concept Technologies Inc. 目次 8 1. 弊社製品Orizuru3Dの紹介 2. 3Dモデル類似検索とは 3. アルゴリズムの説明 4. まとめ
  • 9. © 2018 Core Concept Technologies Inc. アルゴリズムの説明 9 ① 3Dモデルをたくさんの2次元画像に「射影」する。 1. 正12面体の中心に3Dモデルを置く。 2. 多面体の頂点(20個)を視点にしてデプス画像を作成。 https://www.weblio.jp/content/%E6%AD%A3%E5%8D%81%E4%BA%8C%E9%9D%A2%E4%BD%93 正12面体の頂点数は20個。
  • 10. © 2018 Core Concept Technologies Inc. 10
  • 11. © 2018 Core Concept Technologies Inc. 11 ② 特徴ベクトルの算出 1. 各画像の物体上に200個の点を生成する。 2. 各点から特徴ベクトルを算出する。 3. 200個の特徴ベクトルができる。 4. 1つの物体あたり画像は20枚あるので、1つの物体あたり4000個の特徴ベクトルができる。 …… 200個 200個 200個 特徴ベクトルを算出 1 2 20
  • 12. © 2018 Core Concept Technologies Inc. 12 ③ クラスタリング 4000𝑁個の特徴ベクトル …… 𝑀個のクラスタに分ける。 物体の数を𝑁 𝑉1 𝑉2 𝑉 𝑀 各クラスタを代表する ベクトルが決まる。 𝑉1, 𝑉2, … , 𝑉 𝑀 (ボキャブラリーベクトル)
  • 13. © 2018 Core Concept Technologies Inc. 13 ④ ヒストグラムの作成 𝑉1 𝑉2 𝑉 𝑀 4000個の特徴ベクトル 個 数 𝑉1 𝑉2 𝑉3 𝑉 𝑀…… …… どの𝑉𝑖に近いかを数えてヒストグラムを作る。 1つの物体が𝑀次元ベクトルに変換される。
  • 14. © 2018 Core Concept Technologies Inc. 14 ④ 類似度計算 … 𝑀次元ベクトル ユーザ入力 ベクトルを比較して似ているものを検索 … … … データベース コサイン類似度 ユークリッド距離など https://3dviewer.net/
  • 15. © 2018 Core Concept Technologies Inc. 15 …… … 個 数 𝑉1 𝑉2 𝑉3 𝑉 𝑀…… …… … 𝑀次元ベクトル 類似度計算 𝑉1 𝑉2 𝑉 𝑀 複数の物体を用いてあらかじめ計算しておく 4000個の特徴ベクトル
  • 16. © 2018 Core Concept Technologies Inc. 目次 16 1. 弊社製品Orizuru3Dの紹介 2. 3Dモデル類似検索とは 3. アルゴリズムの説明 4. まとめ
  • 17. © 2018 Core Concept Technologies Inc. まとめ 17 • 弊社製品Orizuru 3Dに組み込まれている3Dモデル類似検索を紹介した。 • 現在、深層学習(Deep Learning)を用いた検索ロジックを開発中。
  • 18. © 2018 Core Concept Technologies Inc. 18 10個のモデルを分類するベンチマークのためのデータ セット「ModelNet10」を使い、さまざまなアルゴリズ ムを順位付けしたものが左の表。 弊社の手法は現在94.5%。もう少し上げたい。 ModelNet10の10個のカテゴリ
  • 19. © 2018 Core Concept Technologies Inc.