SlideShare a Scribd company logo
1 of 38
Download to read offline
C#画像処理講習
ー第2回ー
K.Miyauchi
2021.12.07
目次
・オブジェクト指向
・オブジェクト指向; 具体例
・オブジェクト指向; メソッド
・オブジェクト指向; フィールド
・オブジェクト指向; 継承
(c) K.Miyauchi 2
・クラス
・クラス; コンストラクタ
・クラス; デストラクタ
・クラス; メンバ
・クラス; カプセル化
・クラス; 派生
・クラス; オーバーライド
・クラス; インスタンス
・ポリモーフィズム
本講習で使用するもの
パソコン:Windows, Mac
開発環境:Visual Studio 2022 Community
(c) K.Miyauchi 3
オブジェクト指向
現実世界のように,パラメータや動作などを1つのオブジェクトとし
て考えることをオブジェクト指向という.
オブジェクト指向に沿ってプログラミングすることをオブジェクト指向
プログラミングという.
(c) K.Miyauchi 4
オブジェクト指向
オブジェクト指向プログラミングのメリット
1.ソースコードの使いまわしが簡単になる.
2.ソースコードを簡略化できる.
3.ソースコードの改造を行いやすい.
しかし,オブジェクト指向は概念的なものであり,
その概念を理解するのは難しい.
人の考えてることを理解するのは難しいっていうのと同じ!
※情報学科が半期,1年かけて学ぶ内容のまとめになるので,
本日の内容がオブジェクト指向のすべてではないので注意!
(c) K.Miyauchi 5
オブジェクト指向
実例で考えてみましょう.
RPGでは,
どのような機能や操作があるだろう?
(c) K.Miyauchi 6
オブジェクト指向
RPGであれば,最低限このくらいはあるだろう.
1.バトル
2.フィールドの移動
3.人とのコミュニケーション
4.メニュー操作
5.セーブ&ロード
Etc…
(c) K.Miyauchi 7
オブジェクト指向; 具体例
バトルで考えてみよう.
仲間や敵は,種類は異なるが,動作やパラメータは同じ???
(c) K.Miyauchi 8
敵1
敵2
仲間1
仲間2
仲間3
防御
オブジェクト指向; 具体例
具体的に考えてみよう.
(c) K.Miyauchi 9
仲間1 仲間2 仲間3
敵1 敵2
Enemy Human
Character
それぞれの
オブジェクトの
実態を持たせたもの
Characterを継承し
追加の機能が定義された
オブジェクト
HP, MP, 攻撃力などの
基本パラメータや動作だけ
定義されたオブジェクト
オブジェクト指向; メソッド
の動作は何が必要だろうか.
つまりは, と に共通した動作.
(c) K.Miyauchi 10
Character
Enemy Human
オブジェクト指向; メソッド
1.攻撃
2.防御
3.特技 Etc…
このような動作は最低限必要であるだろう.
オブジェクトの動作のことをメソッドという.
(c) K.Miyauchi 11
オブジェクト指向; フィールド
のパラメータは何が必要だろうか.
つまりは, と に共通したパラメータ.
(c) K.Miyauchi 12
Character
Enemy Human
オブジェクト指向; フィールド
1.HP(Hit Point)
2.MP(Magic Point)
3.攻撃力
4.防御力
5.素早さ
6.賢さ Etc…
このようなパラメータは最低限必要であるだろう.
オブジェクトのパラメータのことをフィールドという.
フィールドのうち,読み書き後に別の処理が行われるものをプロパ
ティという.
(c) K.Miyauchi 13
オブジェクト指向; 継承
では, は,さきほど上げたフィールド,メソッド以外に
なにがあるだろうか.
・「属性耐性」,「所持アイテム」といったフィールドetc…
また, は,さきほど上げたフィールド,メソッド以外に
なにがあるだろうか.
・「装備によるステータス補正」といったフィールド etc…
・「アイテム使用」,「逃げる」といったメソッド etc…
(c) K.Miyauchi 14
Enemy
Human
オブジェクト指向; 継承
このように,細かくオブジェクト定義をつくり,
継承させていくことにより,
継承元のオブジェクト(親という)は,
継承先のオブジェクト(子という)を持つことができるため,
プログラムのコードの使いまわしなどが容易になる.
先ほどの例でいえば,
Characterオブジェクトは,Enemyオブジェクト,Humanオブジェクトの
両方を実態として持つことができる.
また,子のオブジェクトが複数の親オブジェクトがあることを多重継
承という.
(c) K.Miyauchi 15
クラス
クラスとは,オブジェクト指向プログラミングを可能とするための機
能のことである.
クラスを使用して,オブジェクトを定義することができる.
※インターネット記事などでは,「クラス=オブジェクト指向」といっ
たようなこと述べているものもがあるが,間違いなので注意!
(c) K.Miyauchi 16
クラス
C#では,以下のようにクラスを定義することができる.
(c) K.Miyauchi 17
public class クラス名{
メンバ定義;
}
クラス; コンストラクタ
クラスにおいて,オブジェクトに実態(インスタンスという)を持たせ
た時にだけ,実行される処理のことをコンストラクタという.コンスト
ラクタでは,オブジェクトの初期化処理が一般的に行われる.
(c) K.Miyauchi 18
オブジェクト
メモリの確保!
初期パラメータ
の設定!
生成!
クラス; コンストラクタ
C#では,以下のようにコンストラクタを定義することができる.
コンストラクタには引数を設けたものも
定義することができる.
コンストラクタを省略した場合,
引数なしのコンストラクタが
自動挿入される.
(c) K.Miyauchi 19
public class クラス名{
クラス名(){
処理;
}
}
クラス; デストラクタ
クラスにおいて,インスタンスを削除した時にだけ,実行される処理
のことをデストラクタという.デストラクタでは,オブジェクトが確保し
ていた領域(リソースという)の開放処理が一般的に行われる.
(c) K.Miyauchi 20
オブジェクト
削除!
メモリの解放!
クラス; デストラクタ
C#では,以下のようにコンストラクタを定義することができる.
(c) K.Miyauchi 21
public class クラス名{
~クラス名(){
処理;
}
}
クラス; メンバ
クラスにおける,フィールド,プロパティ,メソッドのことをメンバとい
う.
特に,フィールドのことをメンバ変数,メソッドのことをメンバ関数と
いうこともある.
(c) K.Miyauchi 22
オブジェクト
フィールド
◦ 名前
◦ 攻撃力
メソッド
◦ 攻撃
◦ 防御
メンバ変数
メンバ関数
クラス; メンバ
C#では,メンバは以下のように定義することができる.
(c) K.Miyauchi 23
class クラス名{
メンバ変数;
メンバ関数(){ 処理 }
}
クラス; カプセル化
プログラマがオブジェクトを扱う際にオブジェクトの内部処理でしか
扱わないフィールド,プロパティ,メソッドをアクセスできないようにす
ることをカプセル化という.
C#では,以下のアクセス修飾子が用意されている.
(c) K.Miyauchi 24
修飾子 アクセス可能範囲
public 無制限
protected 自身のクラスと派生クラス
internal 同一のプログラム内
protected internal 同一のプログラム内もしくは自身のクラスと派生クラス
private protected 同一のプログラム内かつ自身のクラスと派生クラス
private 自身のクラス
クラス; カプセル化
(c) K.Miyauchi 25
class Human{
private string name;
private int HP;
private int MP;
public Human();
public Human(string name);
public ~Human();
protected int ATK;
protected int MAG;
}
アクセス不可
アクセス可能
継承先だけ
アクセス可能
クラス; カプセル化
C#では,アクセス修飾子を省略した場合には,
private 修飾子が自動挿入されます.
実際にインスタンスを作成した後に,
ユーザー側が実行できるようにしたい場合には,
public修飾子を付けるなどして,
アクセス制限を解除する必要がある.
(c) K.Miyauchi 26
クラス; 派生
あるクラス定義を引き継いで,新たにクラスを定義を作成することを
派生という.
派生元のクラスを基底クラスもしくはスーパークラスといい,
派生先のクラスを派生クラスという.
なお,C#では,派生クラスは,1つの基底クラスしかもつことができな
い.
(c) K.Miyauchi 27
オブジェクト
1
オブジェクト
2
追加
メンバー等
クラス; 派生
C#では,以下のように派生クラスを定義することができる.
(c) K.Miyauchi 28
class 基底クラス名{
}
class 派生クラス名: 基底クラス名{
}
クラス; オーバーライド
派生クラスのおいては,基底クラスのメソッドを派生クラスで再定義
することをオーバーライドという.
(c) K.Miyauchi 29
オブジェクト
1
魔法
オブジェクト
2
フィールド
◦ 名前
◦ 攻撃力
メソッド
◦ 攻撃
◦ 防御
クラス; オーバーライド
C#では,以下のように派生クラスを定義することができる.
オーバーライドされるメソッドは,
abstractメソッド,もしくは
virtualメソッドでなければならない.
また,派生クラスがアクセスできる
メソッドでなければならない.
(c) K.Miyauchi 30
class 基底クラス名{
public virtual 返り値型 メソッド名(){ }
}
class 派生クラス名: 基底クラス名{
public override 返り値型 メソッド名(){ }
}
クラス; インスタンス化
クラス型で宣言された変数に実態(インスタンス)を持たせることを
インスタンス化という.
(c) K.Miyauchi 31
オブジェクト オブジェクト
形だけある
(中身は空っぽ)
中身がある
クラス; インスタンス化
C#では,クラスのオブジェクトのインスタ
ンス化を以下のようにして行う.
(c) K.Miyauchi 32
Class名 変数名;
変数名 = new コンストラクタ();
Class名 変数名 = new コンストラクタ();
ポリモーフィズム
ポリモーフィズムには,以下の3種類がある.
・アドホック多相
・パラメータ多相
・サブタイピング多相
これらの考えは,システムを開発するうえでとても重要なものになる.
(c) K.Miyauchi 33
ポリモーフィズム(アドホック多相)
アドホック多相とは,同じような動作の関数(メソッドも含む)の名前
を統一することをいう.
(c) K.Miyauchi 34
int Add(int x, int y){ return x + y; }
string Add(string str1, string str2){ return str1 + str2; }
上記でいえば,
int Add(int x, int y)は,xとyの足し算を意味するが,
string Add(string str1, string str2)は,文字列の連結を意味する
動作としては,足し合わせているような動作であるため,Addという名前で統一
していることはアドホック多相を考慮した,ポリモーフィズムといえる.
マイコン等でいえば,initialize関数などは,アドホック多相を適用した方がよい.
ポリモーフィズム(パラメータ多相)
パラメータ多相とは,数値やデータの型に関係なく,あらゆる型で
扱えるように記述することをいう.
(c) K.Miyauchi 35
type Function<type>(type x);
上記でいえば,C#の機能であるジェネリックを用いているので,すべてのデータ
型で同じように扱うことができるようになっているので,パラメータ多相を考慮し
たポリモーフィズムであるといえる.
※ジェネリックについては,今後触れないので,各自調べること.
なお,C++では,テンプレートと呼ばれる機能になる.
ポリモーフィズム(サブタイピング多相)
サブタイピング多相とは,ある動作をとる関数(メソッドを含む)が,
その型の部分型も同じ動作をとることのできることをいう.
(c) K.Miyauchi 36
class Animal{
abstract void say();
}
class Dog :Animal{
void say(){ Console.WriteLine(“ワンワン”);}
}
上記でいえば,Animal-sayを継承して,Dog-sayでオーバーライドしている.
Animalのsayの動作と同様にして,DogもAnimalのsayの動作をとることができる.
これは,サブタイピング多相を考慮したポリモーフィズムといえる.
演習
・Humanというオブジェクトを以下のように定義せよ.
フィールド:name, weight, height, birthday
メソッド: Speak{I am “name”と表示},
Walk{”name”: workと表示},
Run{”name”: Runと表示}
・Humanオブジェクトを継承したStudentオブジェクトを以下のように
定義せよ.
フィールド:school
メソッド: Speak{I am name and “school” student.}
(c) K.Miyauchi 37
演習
・Humanオブジェクトを継承したTeacherオブジェクトを以下のように
定義せよ.
フィールド:subject
メソッド: Speak{I am name and “subject” teacher.}
・Humanオブジェクトを配列で20個用意し,要素番号が偶数のもの
はTeacherオブジェクト,それ以外のものにはStudentオブジェクトの
インスタンスを格納せよ.
※配列の記述はCとは異なります.各自調べてください.
(c) K.Miyauchi 38

More Related Content

What's hot

Vision and Language(メタサーベイ )
Vision and Language(メタサーベイ )Vision and Language(メタサーベイ )
Vision and Language(メタサーベイ )cvpaper. challenge
 
Rethinking and Beyond ImageNet
Rethinking and Beyond ImageNetRethinking and Beyond ImageNet
Rethinking and Beyond ImageNetcvpaper. challenge
 
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱いSeiji Hotta
 
【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016cvpaper. challenge
 
Creating and Using Links between Data Objects
Creating and Using Links between Data ObjectsCreating and Using Links between Data Objects
Creating and Using Links between Data ObjectsMitsuo Yamamoto
 
cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)cvpaper. challenge
 
動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )cvpaper. challenge
 
【2016.01】(1/3)cvpaper.challenge2016
【2016.01】(1/3)cvpaper.challenge2016【2016.01】(1/3)cvpaper.challenge2016
【2016.01】(1/3)cvpaper.challenge2016cvpaper. challenge
 
動画認識における代表的なモデル・データセット(メタサーベイ)
動画認識における代表的なモデル・データセット(メタサーベイ)動画認識における代表的なモデル・データセット(メタサーベイ)
動画認識における代表的なモデル・データセット(メタサーベイ)cvpaper. challenge
 
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況cvpaper. challenge
 
[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for Vision[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for VisionDeep Learning JP
 
【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016cvpaper. challenge
 
[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...
[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...
[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...Deep Learning JP
 
【2016.07】cvpaper.challenge2016
【2016.07】cvpaper.challenge2016【2016.07】cvpaper.challenge2016
【2016.07】cvpaper.challenge2016cvpaper. challenge
 
【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015cvpaper. challenge
 
【2017.05】 cvpaper.challenge 2017
【2017.05】 cvpaper.challenge 2017【2017.05】 cvpaper.challenge 2017
【2017.05】 cvpaper.challenge 2017cvpaper. challenge
 
【2015.07】(1/2)cvpaper.challenge@CVPR2015
【2015.07】(1/2)cvpaper.challenge@CVPR2015【2015.07】(1/2)cvpaper.challenge@CVPR2015
【2015.07】(1/2)cvpaper.challenge@CVPR2015cvpaper. challenge
 
メタスタディ (Vision and Language)
メタスタディ (Vision and Language)メタスタディ (Vision and Language)
メタスタディ (Vision and Language)Shintaro Yamamoto
 
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
[DL輪読会]Few-Shot Unsupervised Image-to-Image TranslationDeep Learning JP
 
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介画像処理分野における研究事例紹介
画像処理分野における研究事例紹介nlab_utokyo
 

What's hot (20)

Vision and Language(メタサーベイ )
Vision and Language(メタサーベイ )Vision and Language(メタサーベイ )
Vision and Language(メタサーベイ )
 
Rethinking and Beyond ImageNet
Rethinking and Beyond ImageNetRethinking and Beyond ImageNet
Rethinking and Beyond ImageNet
 
画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い画像認識における幾何学的不変性の扱い
画像認識における幾何学的不変性の扱い
 
【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016
 
Creating and Using Links between Data Objects
Creating and Using Links between Data ObjectsCreating and Using Links between Data Objects
Creating and Using Links between Data Objects
 
cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)cvpaper.challenge@CVPR2015(Dataset)
cvpaper.challenge@CVPR2015(Dataset)
 
動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )動画認識サーベイv1(メタサーベイ )
動画認識サーベイv1(メタサーベイ )
 
【2016.01】(1/3)cvpaper.challenge2016
【2016.01】(1/3)cvpaper.challenge2016【2016.01】(1/3)cvpaper.challenge2016
【2016.01】(1/3)cvpaper.challenge2016
 
動画認識における代表的なモデル・データセット(メタサーベイ)
動画認識における代表的なモデル・データセット(メタサーベイ)動画認識における代表的なモデル・データセット(メタサーベイ)
動画認識における代表的なモデル・データセット(メタサーベイ)
 
コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況コンピュータビジョンの研究開発状況
コンピュータビジョンの研究開発状況
 
[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for Vision[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for Vision
 
【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016【2016.02】cvpaper.challenge2016
【2016.02】cvpaper.challenge2016
 
[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...
[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...
[DL輪読会]Vision Transformer with Deformable Attention (Deformable Attention Tra...
 
【2016.07】cvpaper.challenge2016
【2016.07】cvpaper.challenge2016【2016.07】cvpaper.challenge2016
【2016.07】cvpaper.challenge2016
 
【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015【2015.08】(2/5)cvpaper.challenge@CVPR2015
【2015.08】(2/5)cvpaper.challenge@CVPR2015
 
【2017.05】 cvpaper.challenge 2017
【2017.05】 cvpaper.challenge 2017【2017.05】 cvpaper.challenge 2017
【2017.05】 cvpaper.challenge 2017
 
【2015.07】(1/2)cvpaper.challenge@CVPR2015
【2015.07】(1/2)cvpaper.challenge@CVPR2015【2015.07】(1/2)cvpaper.challenge@CVPR2015
【2015.07】(1/2)cvpaper.challenge@CVPR2015
 
メタスタディ (Vision and Language)
メタスタディ (Vision and Language)メタスタディ (Vision and Language)
メタスタディ (Vision and Language)
 
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
[DL輪読会]Few-Shot Unsupervised Image-to-Image Translation
 
画像処理分野における研究事例紹介
画像処理分野における研究事例紹介画像処理分野における研究事例紹介
画像処理分野における研究事例紹介
 

Similar to 第2回c#画像処理講習

VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...
VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...
VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...Kazuyuki Miyazawa
 
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation 「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation Takumi Ohkuma
 
【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose EstimationDeep Learning JP
 
関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)
関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)
関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)Akisato Kimura
 
画像処理でのPythonの利用
画像処理でのPythonの利用画像処理でのPythonの利用
画像処理でのPythonの利用Yasutomo Kawanishi
 
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...Deep Learning JP
 
[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...
[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...
[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...Deep Learning JP
 
オブジェクト指向入門6
オブジェクト指向入門6オブジェクト指向入門6
オブジェクト指向入門6Kenta Hattori
 
Cstコース発表2021
Cstコース発表2021Cstコース発表2021
Cstコース発表2021Yutaka Matsuno
 
【DL輪読会】Masked World Models for Visual Control
【DL輪読会】Masked World Models for Visual Control【DL輪読会】Masked World Models for Visual Control
【DL輪読会】Masked World Models for Visual ControlDeep Learning JP
 
オブジェクト指向プログラミング入門 -- Java object-oriented programming primer
オブジェクト指向プログラミング入門 -- Java object-oriented programming primerオブジェクト指向プログラミング入門 -- Java object-oriented programming primer
オブジェクト指向プログラミング入門 -- Java object-oriented programming primer増田 亨
 
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...Deep Learning JP
 
CloudSpiral 2013年度 UML講義 2日目
CloudSpiral 2013年度 UML講義 2日目CloudSpiral 2013年度 UML講義 2日目
CloudSpiral 2013年度 UML講義 2日目Shin Matsumoto
 
Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介
Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介
Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介YukiK2
 
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative ModelsDeep Learning JP
 
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステムn-yuki
 
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? 【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? Deep Learning JP
 

Similar to 第2回c#画像処理講習 (20)

VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...
VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...
VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Comple...
 
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation 「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
 
【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
【DL輪読会】ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
 
関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)
関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)
関西CVPRML勉強会 2012.2.18 (一般物体認識 - データセット)
 
20201010 personreid
20201010 personreid20201010 personreid
20201010 personreid
 
画像処理でのPythonの利用
画像処理でのPythonの利用画像処理でのPythonの利用
画像処理でのPythonの利用
 
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
【DL輪読会】DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Dri...
 
[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...
[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...
[DL輪読会]M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyra...
 
オブジェクト指向入門6
オブジェクト指向入門6オブジェクト指向入門6
オブジェクト指向入門6
 
Cstコース発表2021
Cstコース発表2021Cstコース発表2021
Cstコース発表2021
 
Semantic segmentation2
Semantic segmentation2Semantic segmentation2
Semantic segmentation2
 
【DL輪読会】Masked World Models for Visual Control
【DL輪読会】Masked World Models for Visual Control【DL輪読会】Masked World Models for Visual Control
【DL輪読会】Masked World Models for Visual Control
 
オブジェクト指向プログラミング入門 -- Java object-oriented programming primer
オブジェクト指向プログラミング入門 -- Java object-oriented programming primerオブジェクト指向プログラミング入門 -- Java object-oriented programming primer
オブジェクト指向プログラミング入門 -- Java object-oriented programming primer
 
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
【DL輪読会】Visual Classification via Description from Large Language Models (ICLR...
 
CloudSpiral 2013年度 UML講義 2日目
CloudSpiral 2013年度 UML講義 2日目CloudSpiral 2013年度 UML講義 2日目
CloudSpiral 2013年度 UML講義 2日目
 
Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介
Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介
Stacked Semantic Guided-Attention Model for Fine-Grained Zero-Shot Learning 論文紹介
 
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
[DL輪読会]Transframer: Arbitrary Frame Prediction with Generative Models
 
Di入門
Di入門Di入門
Di入門
 
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
1997 情報処理学会論文誌-自然言語要求仕様からオブジェクト指向設計図を自動生成するシステム
 
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks? 【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
【DL輪読会】How Much Can CLIP Benefit Vision-and-Language Tasks?
 

More from Koshiro Miyauchi

More from Koshiro Miyauchi (8)

第1回c#画像処理講習
第1回c#画像処理講習第1回c#画像処理講習
第1回c#画像処理講習
 
第7回電子制御講習
第7回電子制御講習第7回電子制御講習
第7回電子制御講習
 
第6回電子制御講習
第6回電子制御講習第6回電子制御講習
第6回電子制御講習
 
第5回電子制御講習
第5回電子制御講習第5回電子制御講習
第5回電子制御講習
 
第4回電子制御講習
第4回電子制御講習第4回電子制御講習
第4回電子制御講習
 
第3回電子制御講習
第3回電子制御講習第3回電子制御講習
第3回電子制御講習
 
第2回電子制御講習
第2回電子制御講習第2回電子制御講習
第2回電子制御講習
 
第1回電子制御講習
第1回電子制御講習第1回電子制御講習
第1回電子制御講習
 

Recently uploaded

CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?akihisamiyanaga1
 
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNetToru Tamaki
 
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Yuma Ohgami
 
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...博三 太田
 
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)Hiroki Ichikura
 
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineerYuki Kikuchi
 
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfクラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfFumieNakayama
 
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A surveyToru Tamaki
 
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案sugiuralab
 
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...Toru Tamaki
 
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)UEHARA, Tetsutaro
 
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdfTSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdftaisei2219
 
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfAWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfFumieNakayama
 
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する       2024/04/19 の勉強会で発表されたものですSOPを理解する       2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものですiPride Co., Ltd.
 

Recently uploaded (14)

CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
 
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
 
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
 
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察  ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
 
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
 
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
 
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdfクラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
 
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
 
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
 
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
 
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
 
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdfTSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
 
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdfAWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
 
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する       2024/04/19 の勉強会で発表されたものですSOPを理解する       2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
 

第2回c#画像処理講習