SlideShare a Scribd company logo
1 of 31
Download to read offline
2015/3/12
【社内勉強会用】
 SIFT:Scale-Invariant Feature Transform
 特徴点の検出と特徴量の記述を行う
 特徴
◦ 拡大縮小に強い
◦ 回転に強い
◦ 照明変化に強い
 用例
◦ 異なる画像間でのマッチング
 パノラマ画像の自動作成とか
◦ 一般物体認識
 ざっくり言うと以下の過程をふむ
1.特徴点の検出
1-1.特徴点となる候補点の探索
1-2.候補点の絞り込み
2.特徴量の記述
2-1.各特徴点の勾配を検出
2-2.各特徴点の勾配方向ヒストグラムを計算
 「第1 段階のキーポイント検出では,DoG 処理を
用いてスケールスペースにおける極値探索をする
ことで,キーポイントの位置とスケールを決定す
る」
(中部大学 藤吉先生 談)
 「スケールスペース」って何?
◦ 2次元(x, y)である画像に、「スケール」という次元
を加えて、3次元で画像を理解してみようという考え
 「スケール」っていう次元は、具体的にどーやっ
て追加するのか
↓
 画像(x,y)を、ある量σだけ
平滑化した(x,y,σ)を考える
 「平滑化」とは、いわゆる
“ぼかした”画像にすること
スケールσ
 「平滑化」ってどーやるの?
↓
平滑化の方法自体はいろいろあるけど、SIFTでは
「ガウシアンフィルタ」を使用する
・フィルタの式
𝑓𝑓 𝑥𝑥, 𝑦𝑦 =
1
2𝜋𝜋𝜎𝜎2 exp(−
𝑥𝑥2+𝑦𝑦2
2𝜎𝜎2 )
(3次元目のパラメータがσとなる)
 基本的な考え方
注目画素の周辺要素の画素に、適当な倍率を掛け
た値の合計を、フィルタ適用後の値とする
(例)
(2,2)座標の4で
フィルタ計算する時。
6×(-1)+1×(-1)+6×(-1)
+5×(-1)+4×( 8)+3×(-1)
+2×(-1)+2×(-1)+1×(-1)
=6
 ガウシアンフィルタでは、注目要素周りの倍率を
以下の式によって決定する。
((x,y)は注目画素からの距離)
◦ 𝑓𝑓 𝑥𝑥, 𝑦𝑦 =
1
2𝜋𝜋𝜎𝜎2 exp(−
𝑥𝑥2+𝑦𝑦2
2𝜎𝜎2 )
◦ 普通は適用に離散化して使うらしい ⇒
◦ フィルタイメージ
これが各要素毎に適用される
σ大 σ小
 ガウス窓と計算量
◦ ガウシアンフィルタは真上から見ると、実質的な適用範
囲は円形になり、それをガウス窓と言ったりする
◦ σが大きくなると、ガウス窓が大きくなり、適用範囲も
大きくなり、計算量も大きくなる
 SIFTではこれを回避する
ための工夫がされてますが
割愛します・・・
スケールσ
 特徴点の(候補点)探索
↓
 スケール方向の差分画像(DoG画像)において、
極値をとる点を特徴点とする
(DoG:Difference-of-Gaussian)
DoG画像
 DoG画像における極値の検出
DoG画像
ある点(図中のX)において、
スケールを含めた近傍26点
のいずれよりも大きい(or
小さい)
↓
Xを特徴点(の候補)とする
 なぜ、前述の方法で、「特徴点」が探せるのか
↓
「特徴点として適した点では、スケールスペースに
おいてDoGフィルタの結果が極値を持つ」から・・・
よくわからないけど
差分が極値(最大or最小)となる
⇒変化量が大きい
⇒情報量が多い
ってことみたい
 なぜ、拡大・縮小に強いのか
↓
同じ画像であれば、拡大・縮小しても、
同じ点でDog画像が極値を持つから・・・
なお、そのときのσは、拡大率・縮小率に比例する
この点が極値を示した
とき、
DoG画像
2倍した画像でもこの点が極値
を示す.
また、その時のガウス窓のサ
イズ(σ)も2倍となる
:ガウス窓
2倍に拡大
 サブピクセル位置推定
特徴点をピクセル単位(整数単位)じゃなくて、
もっと細かく出す(補正する)
 ダメな候補点を除外
ダメな候補点たち
◦ エッジ上の点
◦ 極値をとりはしたものの、値自体が小さい点
 サブピクセル位置推定
◦ 候補点の周りでDoG関数をテイラー展開
◦ 出てきた関数の導関数=0となる点を求めて、それを特
徴点とする
◎要するに、DoG画像の出力値は、(x,y,σ)を変数とする
関数なので、それを特徴点周りで近似してやり、
その近似式の導関数とかを使って、極値をとる点を算出し
直すってことだと思う
 エッジ上の点を除外
◦ ヘッセ行列とハリスのコーナー検出の原理を用いて、
エッジ上の点を除外
 詳細は割愛・・・
 DoG出力値が小さいものを除外
◦ 閾値以下だったら除外
◦ 閾値は、0.03が良いらしい(値は0~1に正規化済み)
 特徴点の周りで輝度勾配ヒストグラムを作成
 方向・強度の計算はHOG特徴量と(ほぼ)同じ
 方向は36方向
◎ポイント
強度は、特徴点のスケールの
ガウシアンフィルタで重み付け
↓
・このスケールのみ強調されるので
スケール変化に強くなる
・特徴点に近いほど強調される
 求めたヒストグラムにて、強度が最大値の80%を
超える方向を、この特徴点の方向と定める
(複数出てくるときもある)
 特徴点の方向を基準の方向として、再度 輝度勾
配ヒストグラムを作成する(回転に強い)
 このとき、対象領域をHOGで言うところの4×4ブ
ロックに分割し、各ブロックごとにヒストグラム
を作成する
 方向は8方向(45度ずつ)とする
 4×4×8=128次元の特徴量となる
 あと、正規化もする(照明変化に強い)
⇒
基準方向に
回転
⇒
ブロック毎に勾
配(8方向)・
強度を算出
⇒
⇒
ヒストグラ
ム作成
(4×4×8
=128次元)
 各画像で抽出した特徴点同士で、総当たり比較う
 比較方法はユークリッド距離を使う
 dが最も小さい点同士を対応点とする
 場合によっては制約をつけたりもする
◦ (例)最小のdと2番目に小さいdを比較して、2倍以上差
がないとダメ
 あらかじめ特徴点を抽出しておいたテンプレート
画像を用意
 対象画像とテンプレート画像で対応点探索
 対応点の位置・スケール・方向を比較して、最も
近いテンプレート画像を決定する
 位置情報は無視して、画像を特徴量の集合とみな
し、Bag-of-Keypointsを使って分類する
 Bag-of-KeypointsはBag-of-Wordsの画像版
 特徴量の頻度で画像を分類する
 色情報使ってない
 SURFはSIFTの特徴点検出処理を軽量化したものら
しい(その分精度は落ちる)
 SURFはOpenCVにあるらしい
 http://www.hci.iis.u-tokyo.ac.jp/~ysato/class14/supplements/sift_tutorial-
Fujiyoshi.pdf
 http://www.isl.titech.ac.jp/~nagahashilab/member/longb/iip/LectureNotes/sif
t_image.pdf
 http://www.kki.yamanashi.ac.jp/~ohbuchi/courses/2013/sm2013/pdf/sm13_lect03
_20131028all.pdf
 http://d.hatena.ne.jp/colorcle/20091021/1256138848
 http://www.ic.is.tohoku.ac.jp/~swk/lecture/ic2009/kagami_ic20090630.pdf
 以下に、デモようのツール(siftDemoV4)が置い
てあったので触ってみた
◦ http://www.cs.ubc.ca/~lowe/keypoints/
 使い方
◦ コマンドプロンプトから実行
 入力画像の特徴点をテキストにはく
 siftWin32.exe <source.pgm >resultkey.txt
 入力画像に特徴点を追記した画像を作成する
 siftWin32.exe -display <source.pgm >result.pgm
※画像形式は.pgm限定
 DoG画像のヘッセ行列
H =
Dxx Dxy
Dxy Dyy
を考えた時、その固有値は主曲率に比例する
 主曲率:曲面上のある点における最大曲率と最小
曲率(厳密には違うけど雰囲気的にはそんな感じ・・・
 二つの主曲率の差が大きい⇒ある方向の変化は大
きいけど、別の方向の変化は小さい⇒エッジの可
能性が高い
 Hの固有値の大小=主曲率の大小から、コーナー
(エッジじゃない部分)を検出する
車 顔猫
↓SIFT特徴量抽出
一つ一つが
128次元のベクトル
⇒⇒⇒
クラスタリング
↓代表ベクトル作成
車 顔猫
各代表ベクトルに最
も近い特徴量の出現
頻度から、それぞれ
の画像を表すヒスト
グラムを作成
 分類したい画像のSIFT特徴量を抽出
↓
 前述の方法で、各代表ベクトルのヒストグラムを
作成
↓
 学習画像のどのヒストグラムに近いかを判定

More Related Content

What's hot

全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!TransformerArithmer Inc.
 
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object DetectionDeep Learning JP
 
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII
 
ガイデットフィルタとその周辺
ガイデットフィルタとその周辺ガイデットフィルタとその周辺
ガイデットフィルタとその周辺Norishige Fukushima
 
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII
 
モデル高速化百選
モデル高速化百選モデル高速化百選
モデル高速化百選Yusuke Uchida
 
MS COCO Dataset Introduction
MS COCO Dataset IntroductionMS COCO Dataset Introduction
MS COCO Dataset IntroductionShinagawa Seitaro
 
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化Yusuke Uchida
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門joisino
 
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法についてTransformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法についてSho Takase
 
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
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説tancoro
 
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126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習第126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習Naoya Chiba
 
画像キャプションの自動生成
画像キャプションの自動生成画像キャプションの自動生成
画像キャプションの自動生成Yoshitaka Ushiku
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~nlab_utokyo
 
Transformer メタサーベイ
Transformer メタサーベイTransformer メタサーベイ
Transformer メタサーベイcvpaper. challenge
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Yusuke Uchida
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAGIRobots
 

What's hot (20)

全力解説!Transformer
全力解説!Transformer全力解説!Transformer
全力解説!Transformer
 
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
[DL輪読会]YOLOv4: Optimal Speed and Accuracy of Object Detection
 
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
 
ガイデットフィルタとその周辺
ガイデットフィルタとその周辺ガイデットフィルタとその周辺
ガイデットフィルタとその周辺
 
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
 
Point net
Point netPoint net
Point net
 
モデル高速化百選
モデル高速化百選モデル高速化百選
モデル高速化百選
 
MS COCO Dataset Introduction
MS COCO Dataset IntroductionMS COCO Dataset Introduction
MS COCO Dataset Introduction
 
畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化畳み込みニューラルネットワークの高精度化と高速化
畳み込みニューラルネットワークの高精度化と高速化
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門
 
Transformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法についてTransformerを多層にする際の勾配消失問題と解決法について
Transformerを多層にする際の勾配消失問題と解決法について
 
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)
 
Triplet Loss 徹底解説
Triplet Loss 徹底解説Triplet Loss 徹底解説
Triplet Loss 徹底解説
 
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126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習第126回 ロボット工学セミナー 三次元点群と深層学習
第126回 ロボット工学セミナー 三次元点群と深層学習
 
画像キャプションの自動生成
画像キャプションの自動生成画像キャプションの自動生成
画像キャプションの自動生成
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~
 
Transformer メタサーベイ
Transformer メタサーベイTransformer メタサーベイ
Transformer メタサーベイ
 
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
Swin Transformer (ICCV'21 Best Paper) を完璧に理解する資料
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
 

Viewers also liked

関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)tackson5
 
Face Alignment by Explicit Shape Regression
Face Alignment by Explicit Shape RegressionFace Alignment by Explicit Shape Regression
Face Alignment by Explicit Shape RegressionTakuya Minagawa
 
ICCV2015勉強会 顔関連論文のまとめ
ICCV2015勉強会 顔関連論文のまとめICCV2015勉強会 顔関連論文のまとめ
ICCV2015勉強会 顔関連論文のまとめKoichi Takahashi
 
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)kanejaki
 
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3Takuya Minagawa
 
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoakiCvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoakitomoaki0705
 
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.320150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3sumisumith
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会nonane
 
【講演資料】アテにされる / どういうこと?どすればいいの?
【講演資料】アテにされる / どういうこと?どすればいいの?【講演資料】アテにされる / どういうこと?どすればいいの?
【講演資料】アテにされる / どういうこと?どすればいいの?Masanori Saito
 
公共案件セールスガイド_sample
公共案件セールスガイド_sample公共案件セールスガイド_sample
公共案件セールスガイド_sampleMasanori Saito
 
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)Toru Tamaki
 
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出AutoEncoderで特徴抽出
AutoEncoderで特徴抽出Kai Sasaki
 
28th CV勉強会@関東 #3
28th CV勉強会@関東 #328th CV勉強会@関東 #3
28th CV勉強会@関東 #3Hiroki Mizuno
 
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座NVIDIA Japan
 
新聞から今年の漢字を予測する
新聞から今年の漢字を予測する新聞から今年の漢字を予測する
新聞から今年の漢字を予測するJubatusOfficial
 
Python 特徴抽出プラグイン
Python 特徴抽出プラグインPython 特徴抽出プラグイン
Python 特徴抽出プラグインJubatusOfficial
 
小町のレス数が予測できるか試してみた
小町のレス数が予測できるか試してみた小町のレス数が予測できるか試してみた
小町のレス数が予測できるか試してみたJubatusOfficial
 

Viewers also liked (20)

ILSVRC2015 手法のメモ
ILSVRC2015 手法のメモILSVRC2015 手法のメモ
ILSVRC2015 手法のメモ
 
関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)
 
Face Alignment by Explicit Shape Regression
Face Alignment by Explicit Shape RegressionFace Alignment by Explicit Shape Regression
Face Alignment by Explicit Shape Regression
 
ICCV2015勉強会 顔関連論文のまとめ
ICCV2015勉強会 顔関連論文のまとめICCV2015勉強会 顔関連論文のまとめ
ICCV2015勉強会 顔関連論文のまとめ
 
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
 
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
 
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoakiCvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoaki
 
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.320150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会
 
【講演資料】アテにされる / どういうこと?どすればいいの?
【講演資料】アテにされる / どういうこと?どすればいいの?【講演資料】アテにされる / どういうこと?どすればいいの?
【講演資料】アテにされる / どういうこと?どすればいいの?
 
公共案件セールスガイド_sample
公共案件セールスガイド_sample公共案件セールスガイド_sample
公共案件セールスガイド_sample
 
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
 
AutoEncoderで特徴抽出
AutoEncoderで特徴抽出AutoEncoderで特徴抽出
AutoEncoderで特徴抽出
 
28th CV勉強会@関東 #3
28th CV勉強会@関東 #328th CV勉強会@関東 #3
28th CV勉強会@関東 #3
 
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
 
Jubatus 1.0 の紹介
Jubatus 1.0 の紹介Jubatus 1.0 の紹介
Jubatus 1.0 の紹介
 
新聞から今年の漢字を予測する
新聞から今年の漢字を予測する新聞から今年の漢字を予測する
新聞から今年の漢字を予測する
 
Python 特徴抽出プラグイン
Python 特徴抽出プラグインPython 特徴抽出プラグイン
Python 特徴抽出プラグイン
 
Jubakitの解説
Jubakitの解説Jubakitの解説
Jubakitの解説
 
小町のレス数が予測できるか試してみた
小町のレス数が予測できるか試してみた小町のレス数が予測できるか試してみた
小町のレス数が予測できるか試してみた
 

Similar to Sift特徴量について

関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14Akisato Kimura
 
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912Hironori Washizaki
 
20110909 品質シンポジウム2011発表資料
20110909 品質シンポジウム2011発表資料20110909 品質シンポジウム2011発表資料
20110909 品質シンポジウム2011発表資料Kenichiro Nakajima
 
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and MiningWWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Miningcyberagent
 
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17horihorio
 
Siftによる特徴点抽出
Siftによる特徴点抽出Siftによる特徴点抽出
Siftによる特徴点抽出Masato Nakai
 
「デザイニング・インターフェース」勉強会 - 第7章
「デザイニング・インターフェース」勉強会 - 第7章「デザイニング・インターフェース」勉強会 - 第7章
「デザイニング・インターフェース」勉強会 - 第7章Tsutomu Kawamura
 
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
【CVPR 2020 メタサーベイ】Scene Analysis and Understandingcvpaper. challenge
 

Similar to Sift特徴量について (9)

関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14関西CVPRML勉強会(特定物体認識) 2012.1.14
関西CVPRML勉強会(特定物体認識) 2012.1.14
 
ICCV2011 report
ICCV2011 reportICCV2011 report
ICCV2011 report
 
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
鷲崎 メトリクスとGQMチュートリアル-公開版-20130912
 
20110909 品質シンポジウム2011発表資料
20110909 品質シンポジウム2011発表資料20110909 品質シンポジウム2011発表資料
20110909 品質シンポジウム2011発表資料
 
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and MiningWWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Mining
 
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
 
Siftによる特徴点抽出
Siftによる特徴点抽出Siftによる特徴点抽出
Siftによる特徴点抽出
 
「デザイニング・インターフェース」勉強会 - 第7章
「デザイニング・インターフェース」勉強会 - 第7章「デザイニング・インターフェース」勉強会 - 第7章
「デザイニング・インターフェース」勉強会 - 第7章
 
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
【CVPR 2020 メタサーベイ】Scene Analysis and Understanding
 

Recently uploaded

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.
 
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
 
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
 
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム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
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略Ryo Sasaki
 
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
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Danieldanielhu54
 

Recently uploaded (9)

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
 
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
 
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
 
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
 
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...
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
 
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
 
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By DanielPostman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
 

Sift特徴量について