SlideShare a Scribd company logo
1 of 28
Download to read offline
課題解説(その2)
多次元信号処理
• 課題12 宇宙人にハイビジョンテレビの装置を説明
• 課題13 CTの原理(1次元-2次元フーリエ変換の関係)

(課題14から16は省略)
課題12
宇宙人とFirst Contactした人間は、最新の映像システムを備え
たテレビスタジオに案内。4Kテレビの装置を説明し、いかに忠
実、高精細な映像が撮影・放送・受信・表示できるかを説明しま
した。
しかし、宇宙人は首をかしげるだけで、テレビの映像が実物と
似ても似つかないものとしか見えませんでした。
これは、なぜでしょうか?
課題12
• 色の表現
• 波長で表現(全生物共通)
• RGBで表現(人間のみ)
• 人間の目には紫の波長をみせても赤の

波長と青の波長が同程度含まれたもの
を見せても同じように見える

波長(周波数)で表現

• 宇宙人が同じように見えているとは限らない

• そもそも宇宙人の可視光の領域が同じである

とも限らない

• テレビはRGBの集合

で表現
• 宇宙人をごまかせる

のか?
テレビ画面の拡大図

RGBで表現
課題12
• フレームレートの問題
• テレビのフレームレートは30fpsとか
• 1秒間に30枚のペースでコマ送り
• 宇宙人の目には遅すぎてコマ送りに見えるかもしれない.
課題13
∞

𝐹 𝑢, 𝑣 =

𝑓 𝑥, 𝑦 exp −𝑗(𝑢𝑥 + 𝑣𝑦) 𝑑𝑥𝑑𝑦
−∞
∞

𝑃𝑣 𝑢 =

−∞

𝑃 𝑦 (𝑥)𝑒 −𝑗𝑢𝑥 𝑑𝑥

𝑃𝑣 𝑢 = 𝐹(𝑢, 0)の関係が成り立つのは、x軸上への投影だけで
はないこと、 つまり、x軸とθの角度をなす直線上への投影につ
いても成り立つことを示しなさい。
t

課題13

y

x,y座標系からθだけ回転させたs,t座
標系へ変換→s軸へ投影
𝑥
cos 𝜃 sin 𝜃 𝑠
𝑦 = sin 𝜃 cos 𝜃 [ 𝑡 ]

s
𝜃
x

∞

𝑃𝑡 𝑠 =

𝑓 𝑥, 𝑦 𝑑𝑡
−∞

これをフーリエ変換すると
(α, 𝛽座標系とする)
𝑃𝛽 𝛼 =
=

=

∞
𝑃 𝑡 (𝑠)𝑒 −𝑗𝛼𝑠
−∞
∞ ∞
𝑓 𝑥, 𝑦
−∞ −∞
∞ ∞
𝑓 𝑥, 𝑦
−∞ −∞

𝑑𝑠
𝑒 −𝑗𝛼𝑠 𝑑𝑠𝑑𝑡

exp[ −𝑗𝛼(𝑥 cos 𝜃 + 𝑦 sin 𝜃)] 𝑑𝑥𝑑𝑦

= 𝐹(𝛼 cos 𝜃 , 𝛼 sin 𝜃)

(証明終)
課題13
• このようにして初めて360度どの方向からも投影できる
1
1
3
3
5

3

1

3

1

3

0
0
2

どこのピクセルを通ってるのか?
→ディジタル化の問題(課題14)

2
1

2

2

2

2

これらの値から
フーリエ変換を
用いて元の画
像を推測する

etc…
標本化
• 課題18 補間による誤差
• 課題19 音データのdown/up sampling
• 課題20 離散時間信号の周波数特性の定義域

• 課題21 標本化間隔が一定でない場合のフーリエ変換

(課題17は講義中資料参照)
課題18
補間関数𝐶(𝑡)は𝑆𝑎(𝑡)の近似関数であるが,両者の誤差関数
を描きなさい.
sin 𝜋𝑡
𝑆𝑎 𝑡 =
𝜋𝑡

1 − 2 𝑡 2 + 𝑡 3 (0 ≤ |𝑡| ≤ 1)
𝐶 𝑡 = 4 − 8 𝑡 + 5 𝑡 2 − 𝑡 3 (1 ≤ |𝑡| ≤ 2)
0(2 ≤ |𝑡|)
課題18
MATLABで描画してみた
t= -10:0.1:10;%tの値の定義

Sa(t)の描画

y1=sinc(t);%sinc関数に代入
subplot(3,1,1);
plot(t,y1);

C(t)の描画

I = find((0<=abs(t)&abs(t)<1));%tの値により条件分岐
J = find(1<=abs(t)&abs(t)<2);
y2=zeros(size(t));
y2(I)=1-2*abs(t(I)).^2+abs(t(I)).^3;%それぞれの場合について計算
y2(J)=4-8*abs(t(J))+5*abs(t(J)).^2-abs(t(J)).^3;
subplot(3,1,2);
plot(t,y2);

誤差関数の
描画

y3=abs(y1-y2); %2つの関数の差分をとり誤差関数の計算
subplot(3,1,3);
plot(t,y3)
課題18
結果

𝑆𝑎(𝑡)

𝐶(𝑡)

誤差関数

0に近いところは
ほとんど誤差がない
→よく近似できている
課題18
• 別の近似関数を使うならsinc関数を途中で切ったような関数

を使った方がいいのでは…?
と思ったのだが…
• sinc関数はx座標が0に近い時分母も分子も限りなく0に近づ

き(y座標の値は1に近づく)誤差が大きくなるので使わないと
のこと
課題19
1
ある音データに対して、1/2のdownsamplingおよび2倍の
upsamplingを行ったものをそのまま音として聞くとどのようになる
かを調べなさい.
(音再生ソフトは再生する音データのサンプリング周波数が
固定あるいは可変になっている.)
2
通常のNTSC規格のビデオ映像(640x480画素)をハイビジョンテレ
ビ(1920x1080画素)で映す場合およびその逆の場合は,どのよう
な処理をすればよいか考えなさい.
課題19-1
元波形

アップサンプリング

ダウンサンプリング

間に0を補間する

値を間引く
課題19-1
clear all
close all
%音声の読み込み
[in,Fs] = audioread(‘sample.wav’)
l_in = length(in);
l_out1 = floor(l_in/2);
out1 = zeros(1,l_out1);
%ダウンサンプリング
%入力を1個おきに出力へ代入する
for i= 1:l_out1
out1(i) = in(2*i);
end
%出力
wavwrite(out1,Fs/2,'down.wav');

l_out2 = l_in*2;
out2 = zeros(1,l_out2);
%アップサンプリング
%1個おきに0を代入しながら、
入力を出力へ代入する
for i= 1:l_in
out2(i*2) = in(i);
end
%折り返しの部分が入るのでFs
以上の部分はカット
%LPFをかける
h1=fir1(40,(Fs/2)/Fs,'low');
out2=conv(out2,h1);
out2=out2(1:l_out2);
wavwrite(out2,Fs*2,'up.wav');
課題19-1
スペクトログラムの違い

元波形

ダウンサンプリング

アップサンプリング
課題19-1
• ダウンサンプリングをすると使用できる周波数は元の周波数

の2分の1になるので高音域がカットされる
• 音がこもって聞こえる

• アップサンプリングをしても一見何も変わらないように思える

が…
• 使用できる周波数が2倍になったので高音域の補間が可能
• 実際にアップサンプリング→高周波数の補間により音質をよくするという

ソフトや機器がある
課題19-2
• NTSC規格のビデオ映像とハイビジョンテレビの違いから
ビデオ映像

ハイビジョン

画素数

640x480

1920x1080

アスペクト比

4:3

16:9

垂直同期周波数
(フレームレート的な?)

59.94Hz

60Hz

→これら3つの違いについて補間方法などを考える
課題19-2
1.周波数変換
• おおよそ1000:1001なので1000枚に1枚補間する必要がある
• 1000枚に一回は前フレームと同じ画像を入れる
• できるだけ動きの少ないところ,シーンチェンジなどに入れるとさらに良い

2.画素の補間
• 講義中に出てきた最近傍補間,線形補間,双三次補間などを
行う
課題19-2
• 実際に補間してみる(画像を3倍にした場合)

img=imread('lenasmall.jpg');
img=rgb2gray(img);
imgA=imresize(img,3,'nearest'); %最近傍補間
imgB=imresize(img,3,'bilinear'); %線形補間
imgC=imresize(img,3,'bicubic'); %双3次補間
subplot(1,3,1);imshow(imgA)
subplot(1,3,2);imshow(imgB);
subplot(1,3,3);imshow(imgC)
課題19-2

最近傍補間

線形補間

双三次補間

最近傍補間は画像が荒く見えるのに対して線形補間や双3次補間は
補間され滑らかになっているように見える
課題19-2
4:3の画像

3.アス比の修正
16:9の動画

上下カット方式
→幅をそろえる

サイドパネル方式
→高さをそろえる

アナモフィック方式
→横に引き伸ばす

通常はデータの欠損,変形の生じないサイドパネル方式が使用される
課題20
連続時間信号の周波数特性は−∞ < 𝜔 < ∞で表現されるのに
対して,離散時間信号の周波数特性が−𝜋 < Ω < 𝜋(or 0 <
Ω < 2𝜋)で定義される.この理由を説明しなさい.
課題20
• 離散時間信号をフーリエ変換すると,サンプリング周波数を周

期とした周期関数となる

切り出された信号
(信号の切り出し方は後々出てくる)

T𝜔 =

2𝜋𝑓
よりサンプリング周波数で2𝜋となる
𝑓𝑠

−𝜋 < Ω < 𝜋での定義で良い
課題20
実際に𝑥 𝑛 = cos 𝜔𝑛のとき角周波数が2𝜋大きくなると…?
cos 𝜔 + 2𝜋 𝑛
= cos(𝜔𝑛 + 2𝜋𝑛)
= cos 𝜔𝑛
= 𝑥 𝑛
…となるので数式の上では周期2𝜋になっている
図で見ると…(図では周期は4倍になっているが)
課題21
標本化間隔が以下の図のように… , 𝑇, 2𝑇, 𝑇, 2𝑇, …と変化するデ
ルタ関数𝛿 𝑇−2𝑇 𝑡 を用いて連続時間信号𝑥(𝑡)を標本化した信
号を𝑥 𝑑 𝑡 とする.このとき,𝑥 𝑑 𝑡 のフーリエ変換𝑋 𝑑 𝜔 を𝑥 𝑡
のフーリエ変換𝑋(𝜔)を用いて表しなさい.
課題21
• 分解して考える

-

=
𝛿T−2T

𝛿𝑇

𝛿3T

周期Tの離散信号から周期3Tの離散信号を引けばよい
ω = 2𝜋/𝑇であることを考慮して定義式から…
𝑥 𝑑 𝑡 = 𝑥 𝑡 𝛿 𝑇−2𝑇 𝑡 = 𝑥 𝑡 𝛿 𝑇 𝑡 − 𝑥(𝑡)𝛿3𝑇 (𝑡)
∞
∞
1
1
𝑛𝜔 𝑠
𝑋𝑑 𝜔 =
𝑋(𝜔 − 𝑛𝜔 𝑠 ) −
𝑋(𝜔 −
)
𝑇
3𝑇
3
𝑛=−∞

𝑛=−∞

More Related Content

What's hot

ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版dsp_kyoto_2014
 
データ解析1 ベクトルの復習
データ解析1 ベクトルの復習データ解析1 ベクトルの復習
データ解析1 ベクトルの復習Hirotaka Hachiya
 
東京都市大学 データ解析入門 2 行列分解 1
東京都市大学 データ解析入門 2 行列分解 1東京都市大学 データ解析入門 2 行列分解 1
東京都市大学 データ解析入門 2 行列分解 1hirokazutanaka
 
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...Yasutomo Kawanishi
 
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化Miyoshi Yuya
 
自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合Masatoshi Yoshida
 
東京都市大学 データ解析入門 3 行列分解 2
東京都市大学 データ解析入門 3 行列分解 2東京都市大学 データ解析入門 3 行列分解 2
東京都市大学 データ解析入門 3 行列分解 2hirokazutanaka
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎Daisuke Yoneoka
 
スパースモデリング入門
スパースモデリング入門スパースモデリング入門
スパースモデリング入門Hideo Terada
 
東京都市大学 データ解析入門 4 スパース性と圧縮センシング1
東京都市大学 データ解析入門 4 スパース性と圧縮センシング1東京都市大学 データ解析入門 4 スパース性と圧縮センシング1
東京都市大学 データ解析入門 4 スパース性と圧縮センシング1hirokazutanaka
 
スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元Shogo Muramatsu
 
クラシックな機械学習の入門  5. サポートベクターマシン
クラシックな機械学習の入門  5. サポートベクターマシンクラシックな機械学習の入門  5. サポートベクターマシン
クラシックな機械学習の入門  5. サポートベクターマシンHiroshi Nakagawa
 
データ解析2 線形代数の復習
データ解析2 線形代数の復習データ解析2 線形代数の復習
データ解析2 線形代数の復習Hirotaka Hachiya
 
Pythonによる機械学習
Pythonによる機械学習Pythonによる機械学習
Pythonによる機械学習Kimikazu Kato
 
クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法Hiroshi Nakagawa
 
多次元信号処理の基礎と画像処理のための二次元変換技術
多次元信号処理の基礎と画像処理のための二次元変換技術多次元信号処理の基礎と画像処理のための二次元変換技術
多次元信号処理の基礎と画像処理のための二次元変換技術Shogo Muramatsu
 
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...Yoshiki Yamamoto
 
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionPRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionShintaro Takemura
 
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半Ohsawa Goodfellow
 

What's hot (20)

ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版
 
データ解析1 ベクトルの復習
データ解析1 ベクトルの復習データ解析1 ベクトルの復習
データ解析1 ベクトルの復習
 
東京都市大学 データ解析入門 2 行列分解 1
東京都市大学 データ解析入門 2 行列分解 1東京都市大学 データ解析入門 2 行列分解 1
東京都市大学 データ解析入門 2 行列分解 1
 
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
 
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
 
自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合
 
東京都市大学 データ解析入門 3 行列分解 2
東京都市大学 データ解析入門 3 行列分解 2東京都市大学 データ解析入門 3 行列分解 2
東京都市大学 データ解析入門 3 行列分解 2
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎
 
スパースモデリング入門
スパースモデリング入門スパースモデリング入門
スパースモデリング入門
 
変分法
変分法変分法
変分法
 
東京都市大学 データ解析入門 4 スパース性と圧縮センシング1
東京都市大学 データ解析入門 4 スパース性と圧縮センシング1東京都市大学 データ解析入門 4 スパース性と圧縮センシング1
東京都市大学 データ解析入門 4 スパース性と圧縮センシング1
 
スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元スパースモデリングによる多次元信号・画像復元
スパースモデリングによる多次元信号・画像復元
 
クラシックな機械学習の入門  5. サポートベクターマシン
クラシックな機械学習の入門  5. サポートベクターマシンクラシックな機械学習の入門  5. サポートベクターマシン
クラシックな機械学習の入門  5. サポートベクターマシン
 
データ解析2 線形代数の復習
データ解析2 線形代数の復習データ解析2 線形代数の復習
データ解析2 線形代数の復習
 
Pythonによる機械学習
Pythonによる機械学習Pythonによる機械学習
Pythonによる機械学習
 
クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法
 
多次元信号処理の基礎と画像処理のための二次元変換技術
多次元信号処理の基礎と画像処理のための二次元変換技術多次元信号処理の基礎と画像処理のための二次元変換技術
多次元信号処理の基礎と画像処理のための二次元変換技術
 
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
 
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionPRML 4.1 Discriminant Function
PRML 4.1 Discriminant Function
 
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
 

Viewers also liked

数学ソフトあれこれ
数学ソフトあれこれ数学ソフトあれこれ
数学ソフトあれこれHiroshi Yokota
 
Matlab演習
Matlab演習 Matlab演習
Matlab演習 noname409
 
ディジタル信号処理 課題解説 その6
ディジタル信号処理 課題解説 その6ディジタル信号処理 課題解説 その6
ディジタル信号処理 課題解説 その6noname409
 
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要Toshihiro Kamishima
 
成功するチームの隠し味
成功するチームの隠し味成功するチームの隠し味
成功するチームの隠し味Naho Inuyama
 
Webデザイナーの私がMicrosoft Azureを使うようになったワケ
Webデザイナーの私がMicrosoft Azureを使うようになったワケWebデザイナーの私がMicrosoft Azureを使うようになったワケ
Webデザイナーの私がMicrosoft Azureを使うようになったワケ典子 松本
 
「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜
「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜
「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜Aya Ebata
 

Viewers also liked (8)

数学ソフトあれこれ
数学ソフトあれこれ数学ソフトあれこれ
数学ソフトあれこれ
 
Matlab演習
Matlab演習 Matlab演習
Matlab演習
 
ディジタル信号処理 課題解説 その6
ディジタル信号処理 課題解説 その6ディジタル信号処理 課題解説 その6
ディジタル信号処理 課題解説 その6
 
Sample
SampleSample
Sample
 
科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要科学技術計算関連Pythonパッケージの概要
科学技術計算関連Pythonパッケージの概要
 
成功するチームの隠し味
成功するチームの隠し味成功するチームの隠し味
成功するチームの隠し味
 
Webデザイナーの私がMicrosoft Azureを使うようになったワケ
Webデザイナーの私がMicrosoft Azureを使うようになったワケWebデザイナーの私がMicrosoft Azureを使うようになったワケ
Webデザイナーの私がMicrosoft Azureを使うようになったワケ
 
「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜
「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜
「もしかして」「私たち」「「入れ替わってるー! 」」〜Java女子部がRuby on Railsやってみた編〜
 

Similar to ディジタル信号処理の課題解説 その2

【展開用】日曜数学会 Sinc関数の積分について
【展開用】日曜数学会 Sinc関数の積分について【展開用】日曜数学会 Sinc関数の積分について
【展開用】日曜数学会 Sinc関数の積分について和人 桐ケ谷
 
卒業論文発表スライド 分割統治法の拡張
卒業論文発表スライド 分割統治法の拡張卒業論文発表スライド 分割統治法の拡張
卒業論文発表スライド 分割統治法の拡張masakazuyamanaka
 
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-Hironobu Fujiyoshi
 
topology of musical data
topology of musical datatopology of musical data
topology of musical dataTatsuki SHIMIZU
 
introductino to persistent homology and topological data analysis
introductino to persistent homology and topological data analysisintroductino to persistent homology and topological data analysis
introductino to persistent homology and topological data analysisTatsuki SHIMIZU
 
バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)
バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)
バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)nmaro
 
181107 06
181107 06181107 06
181107 06openrtm
 
Icml yomikai 07_16
Icml yomikai 07_16Icml yomikai 07_16
Icml yomikai 07_16Yo Ehara
 
How to study stat
How to study statHow to study stat
How to study statAk Ok
 
ロボット家電と制御 Domestic robotics: mechanisms and control
ロボット家電と制御 Domestic robotics: mechanisms and controlロボット家電と制御 Domestic robotics: mechanisms and control
ロボット家電と制御 Domestic robotics: mechanisms and controlYoichi Yamazaki
 
代数トポロジー入門
代数トポロジー入門代数トポロジー入門
代数トポロジー入門Tatsuki SHIMIZU
 
Aishima140714
Aishima140714Aishima140714
Aishima140714nwpmq516
 

Similar to ディジタル信号処理の課題解説 その2 (13)

【展開用】日曜数学会 Sinc関数の積分について
【展開用】日曜数学会 Sinc関数の積分について【展開用】日曜数学会 Sinc関数の積分について
【展開用】日曜数学会 Sinc関数の積分について
 
卒業論文発表スライド 分割統治法の拡張
卒業論文発表スライド 分割統治法の拡張卒業論文発表スライド 分割統治法の拡張
卒業論文発表スライド 分割統治法の拡張
 
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
 
topology of musical data
topology of musical datatopology of musical data
topology of musical data
 
introductino to persistent homology and topological data analysis
introductino to persistent homology and topological data analysisintroductino to persistent homology and topological data analysis
introductino to persistent homology and topological data analysis
 
バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)
バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)
バイオイメージング研究のためのImageJによるデジタル画像解析法(2012年6月版)
 
181107 06
181107 06181107 06
181107 06
 
Icml yomikai 07_16
Icml yomikai 07_16Icml yomikai 07_16
Icml yomikai 07_16
 
How to study stat
How to study statHow to study stat
How to study stat
 
ロボット家電と制御 Domestic robotics: mechanisms and control
ロボット家電と制御 Domestic robotics: mechanisms and controlロボット家電と制御 Domestic robotics: mechanisms and control
ロボット家電と制御 Domestic robotics: mechanisms and control
 
代数トポロジー入門
代数トポロジー入門代数トポロジー入門
代数トポロジー入門
 
coordinate descent 法について
coordinate descent 法についてcoordinate descent 法について
coordinate descent 法について
 
Aishima140714
Aishima140714Aishima140714
Aishima140714
 

ディジタル信号処理の課題解説 その2