Submit Search
Upload
20170408cvsaisentan6 2 4.3-4.5
•
1 like
•
3,125 views
Takuya Minagawa
Follow
2017年4月8日開催のコンピュータビジョン勉強会@関東「最先端ガイド6第2章 幾何学的推定のための最適化手法:最小化を超えて」発表資料
Read less
Read more
Technology
Report
Share
Report
Share
1 of 24
Download now
Download to read offline
Recommended
五次方程式はやっぱり解ける #日曜数学会
五次方程式はやっぱり解ける #日曜数学会
Junpei Tsuji
カーネル法:正定値カーネルの理論
カーネル法:正定値カーネルの理論
Daiki Tanaka
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
Junpei Tsuji
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
Kensuke Otsuki
スパースモデリング入門
スパースモデリング入門
Hideo Terada
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
Prunus 1350
最急降下法
最急降下法
Akira Miyazawa
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
Recommended
五次方程式はやっぱり解ける #日曜数学会
五次方程式はやっぱり解ける #日曜数学会
Junpei Tsuji
カーネル法:正定値カーネルの理論
カーネル法:正定値カーネルの理論
Daiki Tanaka
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
「五次方程式が代数的に解けないわけ」第3回プログラマのための数学勉強会 #maths4pg
Junpei Tsuji
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
ディープラーニング入門 ~ 画像処理・自然言語処理について ~
Kensuke Otsuki
スパースモデリング入門
スパースモデリング入門
Hideo Terada
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
Prunus 1350
最急降下法
最急降下法
Akira Miyazawa
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
SAS OnDemand for Academics 登録方法
SAS OnDemand for Academics 登録方法
SAS Institute Japan
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
DeepLearning 14章 自己符号化器
DeepLearning 14章 自己符号化器
hirono kawashima
【論文レベルで理解しよう!】 欠測値処理編
【論文レベルで理解しよう!】 欠測値処理編
ARISE analytics
統計学の記法,回帰分析と最小二乗法
統計学の記法,回帰分析と最小二乗法
Masahito Ohue
ゼロから作るDeepLearning 5章 輪読
ゼロから作るDeepLearning 5章 輪読
KCS Keio Computer Society
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
東京都市大学 データ解析入門 5 スパース性と圧縮センシング 2
東京都市大学 データ解析入門 5 スパース性と圧縮センシング 2
hirokazutanaka
猫でも分かりたい線形回帰の自由度
猫でも分かりたい線形回帰の自由度
YukinoriKambe
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
最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く
shindannin
Rでピボットテーブル
Rでピボットテーブル
Yohei Sato
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
量子コンピュータのエミュレータ上でいろんな量子計算してみた
量子コンピュータのエミュレータ上でいろんな量子計算してみた
DaikiUsami
協調フィルタリング・アソシエーション分析によるレコメンド手法の紹介
協調フィルタリング・アソシエーション分析によるレコメンド手法の紹介
Takeshi Mikami
(2021.3) 不均一系触媒研究のための機械学習と最適実験計画
(2021.3) 不均一系触媒研究のための機械学習と最適実験計画
Ichigaku Takigawa
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本
Akifumi Eguchi
データ解析3 最適化の復習
データ解析3 最適化の復習
Hirotaka Hachiya
Contraction mapping
Contraction mapping
Hancheol Choi
さくっとはじめるテキストマイニング(R言語) スタートアップ編
さくっとはじめるテキストマイニング(R言語) スタートアップ編
Yutaka Shimada
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
20170211クレジットカード認識
20170211クレジットカード認識
Takuya Minagawa
More Related Content
What's hot
SAS OnDemand for Academics 登録方法
SAS OnDemand for Academics 登録方法
SAS Institute Japan
coordinate descent 法について
coordinate descent 法について
京都大学大学院情報学研究科数理工学専攻
DeepLearning 14章 自己符号化器
DeepLearning 14章 自己符号化器
hirono kawashima
【論文レベルで理解しよう!】 欠測値処理編
【論文レベルで理解しよう!】 欠測値処理編
ARISE analytics
統計学の記法,回帰分析と最小二乗法
統計学の記法,回帰分析と最小二乗法
Masahito Ohue
ゼロから作るDeepLearning 5章 輪読
ゼロから作るDeepLearning 5章 輪読
KCS Keio Computer Society
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
東京都市大学 データ解析入門 5 スパース性と圧縮センシング 2
東京都市大学 データ解析入門 5 スパース性と圧縮センシング 2
hirokazutanaka
猫でも分かりたい線形回帰の自由度
猫でも分かりたい線形回帰の自由度
YukinoriKambe
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
最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く
shindannin
Rでピボットテーブル
Rでピボットテーブル
Yohei Sato
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
量子コンピュータのエミュレータ上でいろんな量子計算してみた
量子コンピュータのエミュレータ上でいろんな量子計算してみた
DaikiUsami
協調フィルタリング・アソシエーション分析によるレコメンド手法の紹介
協調フィルタリング・アソシエーション分析によるレコメンド手法の紹介
Takeshi Mikami
(2021.3) 不均一系触媒研究のための機械学習と最適実験計画
(2021.3) 不均一系触媒研究のための機械学習と最適実験計画
Ichigaku Takigawa
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本
Akifumi Eguchi
データ解析3 最適化の復習
データ解析3 最適化の復習
Hirotaka Hachiya
Contraction mapping
Contraction mapping
Hancheol Choi
さくっとはじめるテキストマイニング(R言語) スタートアップ編
さくっとはじめるテキストマイニング(R言語) スタートアップ編
Yutaka Shimada
What's hot
(20)
SAS OnDemand for Academics 登録方法
SAS OnDemand for Academics 登録方法
coordinate descent 法について
coordinate descent 法について
DeepLearning 14章 自己符号化器
DeepLearning 14章 自己符号化器
【論文レベルで理解しよう!】 欠測値処理編
【論文レベルで理解しよう!】 欠測値処理編
統計学の記法,回帰分析と最小二乗法
統計学の記法,回帰分析と最小二乗法
ゼロから作るDeepLearning 5章 輪読
ゼロから作るDeepLearning 5章 輪読
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
東京都市大学 データ解析入門 5 スパース性と圧縮センシング 2
東京都市大学 データ解析入門 5 スパース性と圧縮センシング 2
猫でも分かりたい線形回帰の自由度
猫でも分かりたい線形回帰の自由度
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
最小カットを使って「燃やす埋める問題」を解く
最小カットを使って「燃やす埋める問題」を解く
Rでピボットテーブル
Rでピボットテーブル
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
量子コンピュータのエミュレータ上でいろんな量子計算してみた
量子コンピュータのエミュレータ上でいろんな量子計算してみた
協調フィルタリング・アソシエーション分析によるレコメンド手法の紹介
協調フィルタリング・アソシエーション分析によるレコメンド手法の紹介
(2021.3) 不均一系触媒研究のための機械学習と最適実験計画
(2021.3) 不均一系触媒研究のための機械学習と最適実験計画
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本
データ解析3 最適化の復習
データ解析3 最適化の復習
Contraction mapping
Contraction mapping
さくっとはじめるテキストマイニング(R言語) スタートアップ編
さくっとはじめるテキストマイニング(R言語) スタートアップ編
Viewers also liked
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
20170211クレジットカード認識
20170211クレジットカード認識
Takuya Minagawa
Show and tell takmin
Show and tell takmin
Takuya Minagawa
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
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Takuya Minagawa
Semantic segmentation
Semantic segmentation
Takuya Minagawa
20170806 Discriminative Optimization
20170806 Discriminative Optimization
Takuya Minagawa
Semantic segmentation2
Semantic segmentation2
Takuya Minagawa
Cvpr2017事前読み会
Cvpr2017事前読み会
Takuya Minagawa
Viewers also liked
(9)
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
20170211クレジットカード認識
20170211クレジットカード認識
Show and tell takmin
Show and tell takmin
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
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Semantic segmentation
Semantic segmentation
20170806 Discriminative Optimization
20170806 Discriminative Optimization
Semantic segmentation2
Semantic segmentation2
Cvpr2017事前読み会
Cvpr2017事前読み会
Similar to 20170408cvsaisentan6 2 4.3-4.5
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
TakaakiYonekura
人生を豊かにする線形代数学
人生を豊かにする線形代数学
Fumiya Watanabe
20200704 bsp net
20200704 bsp net
Takuya Minagawa
2020/07/04 BSP-Net (CVPR2020)
2020/07/04 BSP-Net (CVPR2020)
Takuya Minagawa
バイナリニューラルネットとハードウェアの関係
バイナリニューラルネットとハードウェアの関係
Kento Tajiri
Fourier transform
Fourier transform
ShinoharaTakuto
Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2
KazuhiroSato8
レポート1
レポート1
YoshikazuHayashi3
Learning to Solve Hard Minimal Problems
Learning to Solve Hard Minimal Problems
Takuya Minagawa
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
Takuya Minagawa
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
Takao Yamanaka
Quantum Support Vector Machine
Quantum Support Vector Machine
Yuma Nakamura
データ解析13 線形判別分析
データ解析13 線形判別分析
Hirotaka Hachiya
PRML 5.2.1-5.3.3 ニューラルネットワークの学習 (誤差逆伝播) / Training Neural Networks (Backpropa...
PRML 5.2.1-5.3.3 ニューラルネットワークの学習 (誤差逆伝播) / Training Neural Networks (Backpropa...
Akihiro Nitta
Digital Image Processing Chapter 5 – Image Restoration and Reconstruction- Fr...
Digital Image Processing Chapter 5 – Image Restoration and Reconstruction- Fr...
Shunsuke KITADA
第15回 配信講義 計算科学技術特論B(2022)
第15回 配信講義 計算科学技術特論B(2022)
RCCSRENKEI
NN, CNN, and Image Analysis
NN, CNN, and Image Analysis
Yuki Shimada
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant Function
Shintaro Takemura
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
sleepy_yoshi
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
Similar to 20170408cvsaisentan6 2 4.3-4.5
(20)
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
人生を豊かにする線形代数学
人生を豊かにする線形代数学
20200704 bsp net
20200704 bsp net
2020/07/04 BSP-Net (CVPR2020)
2020/07/04 BSP-Net (CVPR2020)
バイナリニューラルネットとハードウェアの関係
バイナリニューラルネットとハードウェアの関係
Fourier transform
Fourier transform
Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2
レポート1
レポート1
Learning to Solve Hard Minimal Problems
Learning to Solve Hard Minimal Problems
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
Quantum Support Vector Machine
Quantum Support Vector Machine
データ解析13 線形判別分析
データ解析13 線形判別分析
PRML 5.2.1-5.3.3 ニューラルネットワークの学習 (誤差逆伝播) / Training Neural Networks (Backpropa...
PRML 5.2.1-5.3.3 ニューラルネットワークの学習 (誤差逆伝播) / Training Neural Networks (Backpropa...
Digital Image Processing Chapter 5 – Image Restoration and Reconstruction- Fr...
Digital Image Processing Chapter 5 – Image Restoration and Reconstruction- Fr...
第15回 配信講義 計算科学技術特論B(2022)
第15回 配信講義 計算科学技術特論B(2022)
NN, CNN, and Image Analysis
NN, CNN, and Image Analysis
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant Function
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
More from Takuya Minagawa
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
Takuya Minagawa
MobileNeRF
MobileNeRF
Takuya Minagawa
点群SegmentationのためのTransformerサーベイ
点群SegmentationのためのTransformerサーベイ
Takuya Minagawa
ConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdf
Takuya Minagawa
楽しいコンピュータビジョンの受託仕事
楽しいコンピュータビジョンの受託仕事
Takuya Minagawa
20210711 deepI2P
20210711 deepI2P
Takuya Minagawa
20201010 personreid
20201010 personreid
Takuya Minagawa
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)
Takuya Minagawa
20190825 vins mono
20190825 vins mono
Takuya Minagawa
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation
Takuya Minagawa
20190307 visualslam summary
20190307 visualslam summary
Takuya Minagawa
Visual slam
Visual slam
Takuya Minagawa
20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey
Takuya Minagawa
2018/12/28 LiDARで取得した道路上点群に対するsemantic segmentation
2018/12/28 LiDARで取得した道路上点群に対するsemantic segmentation
Takuya Minagawa
run Keras model on opencv
run Keras model on opencv
Takuya Minagawa
20181130 lidar object detection survey
20181130 lidar object detection survey
Takuya Minagawa
object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey (updated)
Takuya Minagawa
object detection with lidar-camera fusion: survey
object detection with lidar-camera fusion: survey
Takuya Minagawa
3DFeat-Net
3DFeat-Net
Takuya Minagawa
CVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNet
Takuya Minagawa
More from Takuya Minagawa
(20)
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
MobileNeRF
MobileNeRF
点群SegmentationのためのTransformerサーベイ
点群SegmentationのためのTransformerサーベイ
ConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdf
楽しいコンピュータビジョンの受託仕事
楽しいコンピュータビジョンの受託仕事
20210711 deepI2P
20210711 deepI2P
20201010 personreid
20201010 personreid
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20200910コンピュータビジョン今昔物語(JPTA講演資料)
20190825 vins mono
20190825 vins mono
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation
20190307 visualslam summary
20190307 visualslam summary
Visual slam
Visual slam
20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey
2018/12/28 LiDARで取得した道路上点群に対するsemantic segmentation
2018/12/28 LiDARで取得した道路上点群に対するsemantic segmentation
run Keras model on opencv
run Keras model on opencv
20181130 lidar object detection survey
20181130 lidar object detection survey
object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey
object detection with lidar-camera fusion: survey
3DFeat-Net
3DFeat-Net
CVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNet
Recently uploaded
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...
Toru Tamaki
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru 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
Yuma Ohgami
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
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
Ryo Sasaki
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
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
(9)
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:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
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
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
[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
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
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
20170408cvsaisentan6 2 4.3-4.5
1.
2017/04/08 CV最先端ガイド6 第2章 4.3
– 4.5節 超精度くりこみ法 takmin
2.
自己紹介 2 テクニカル・ソリューション・アーキテクト 皆川 卓也(みながわ たくや) フリーエンジニア(ビジョン&ITラボ) 「コンピュータビジョン勉強会@関東」主催 博士(工学) 略歴: 1999-2003年 日本HP(後にアジレント・テクノロジーへ分社)にて、ITエンジニアとしてシステム構築、プリ セールス、プロジェクトマネジメント、サポート等の業務に従事 2004-2009年 コンピュータビジョンを用いたシステム/アプリ/サービス開発等に従事 2007-2010年 慶應義塾大学大学院
後期博士課程にて、コンピュータビジョンを専攻 単位取得退学後、博士号取得(2014年) 2009年-現在 フリーランスとして、コンピュータビジョンのコンサル/研究/開発等に従事 http://visitlab.jp
3.
はじめに 3 コンピュータビジョン最先端ガイド6 第2章「幾何学的推 定のための最適化手法:最小化を超えて」
4.3 – 4.5節 説明の都合上以下の順で解説します 4.5節 最小二乗法ベースの手法のおさらい 最小化に基づかない各手法の位置づけ 4.4節 超精度くりこみ法のアルゴリズム 4.3節 超精度くりこみ法の導出 4.5節 まとめ
4.
最小化に基づく手法 4 最小二乗法ベース 最小二乗法(3.1節)
Taubin法(3.1節) 超精度最小二乗法(3.1節) 最尤推定ベース 最尤推定(3.2節) バンドル調整(3.3節) サンプソン誤差最小化(3.5, 3.6,節) 修正サンプソン誤差最小化(3.7節)
5.
最小二乗法ベースの最小化に基づく手法 5 一般固有値問題 𝑴𝜽 = 𝜆𝑵𝜽 の最小固有値𝜆
𝑘を与える固有ベクトル𝜽 𝑘を求める。 (24) 𝜽 𝑘 は 𝜽, 𝑵𝜽 = 1の元で二乗誤差 𝜽, 𝑴𝜽 を 最小化する 𝑴 = 1 𝑁 σ 𝛼=1 𝑁 𝜉 𝛼 𝜉 𝛼 T 𝑵 : 手法ごとに異なる行列
6.
最小二乗法ベースの最小化に基づく手法 6 一般固有値問題 𝑴𝜽 = 𝜆𝑵𝜽
(24) ഥ𝜽 𝜽 𝜽 𝑴はピークの幅を調整 するイメージ 𝑵はズレ(偏差)を調整 するイメージ
7.
最小二乗法ベースの最小化に基づく手法 7 一般固有値問題 𝑴𝜽 = 𝜆𝑵𝜽
(24) 手法 𝑵 最小二乗法 𝑰 Taubin法 1 𝑁 𝛼=1 𝑁 𝑉0 𝜉 𝛼 超精度最小 二乗法 1 𝑁 𝛼=1 𝑁 𝑉0 𝜉 𝛼 + 2𝒮 𝜉 𝛼 𝑒 𝛼 T − 1 𝑁2 𝛼=1 𝑁 𝜉 𝛼, 𝑴 𝑛−1 − 𝜉 𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝑉0 𝜉 𝛼 𝑴 𝑛−1 − 𝜉 𝛼 𝜉 𝛼 T
8.
最小化に基づかない手法 8 最小化に基づかない手法は最小二乗法ベースの手法に 対応
9.
超精度くりこみ法 9 1. 𝑊𝛼 =
1, 𝛼 = 1, ⋯ , 𝑁, 𝜽0 = 𝟎
10.
超精度くりこみ法 10 1. 𝑊𝛼 =
1, 𝛼 = 1, ⋯ , 𝑁, 𝜽0 = 𝟎 2. 𝑴, 𝑵 を計算 𝑴 = 1 𝑁 σ 𝛼=1 𝑁 𝑊𝛼 𝜉 𝛼 𝜉 𝛼 T 𝑵 = 1 𝑁 σ 𝛼=1 𝑁 𝑊𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝜉 𝛼 𝑒 𝛼 T − 1 𝑁2 𝛼=1 𝑁 𝑊𝛼 2 𝜉 𝛼, 𝑴 𝑛−1 − 𝜉 𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝑉0 𝜉 𝛼 𝑴 𝑛−1 − 𝜉 𝛼 𝜉 𝛼 T (70) (71)
11.
超精度くりこみ法 11 3. 一般固有値問題を解いて𝜽を求める 𝑴𝜽 =
𝜆𝑵𝜽 (72)
12.
超精度くりこみ法 12 3. 一般固有値問題を解いて𝜽を求める 𝑴𝜽 =
𝜆𝑵𝜽 4. 𝜽 ≈ 𝜽0 ならば終了。そうでないなら、 𝑊𝛼 ← 1 𝜽, 𝑉0 𝜉 𝛼 𝜽 𝜽0 ← 𝜽 (72) (73)
13.
超精度最小二乗法との比較 13 超精度くりこみ法の1回目のサイクルは超精度最小二乗 法と同じ 𝑵 = 1 𝑁 𝛼=1 𝑁 𝑊𝛼
𝑉0 𝜉 𝛼 + 2𝒮 𝜉 𝛼 𝑒 𝛼 T − 1 𝑁2 𝛼=1 𝑁 𝑊𝛼 2 𝜉 𝛼, 𝑴 𝑛−1 − 𝜉 𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝑉0 𝜉 𝛼 𝑴 𝑛−1 − 𝜉 𝛼 𝜉 𝛼 T (71) 𝑊𝛼 = 1の時、超精度最小二乗法の 𝑵と一致
14.
実装上の注意 14 一般固有値問題を解く通常のライブラリでは 𝑵が正定値対 象行列である必要 𝑴𝜽 =
𝜆𝑵𝜽 超精度くりこみ法の 𝑵は対称行列であるが、固有値は正負 の値を持つ 𝑵𝜽 = 𝟏 𝜆 𝑴𝜽 以下の式に変形して解くことができる
15.
超精度くりこみ法の行列𝑵の算出 15 超精度くりこみ法の𝑵 𝑵 = 1 𝑁 𝛼=1 𝑁 𝑊𝛼
𝑉0 𝜉 𝛼 + 2𝒮 𝜉 𝛼 𝑒 𝛼 T − 1 𝑁2 𝛼=1 𝑁 𝑊𝛼 2 𝜉 𝛼, 𝑴 𝑛−1 − 𝜉 𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝑉0 𝜉 𝛼 𝑴 𝑛−1 − 𝜉 𝛼 𝜉 𝛼 T (71) くりこみ法の𝑵 𝑵 = 1 𝑁 𝛼=1 𝑁 𝑊𝛼 𝑉0 𝜉 𝛼 どこから来た?
16.
超精度くりこみ法の行列𝑵の算出 16 𝜉 𝛼、
𝑴、𝑵、𝜽、𝜆を全て真値と𝑂 𝜎2 のノイズ/誤差にま で分解 𝜉 𝛼 = 𝜉 𝛼 + ∆1 𝜉 𝛼 + ∆2 𝜉 𝛼 真値 𝑂 𝜎2 の ノイズ 𝑂 𝜎 の ノイズ
17.
超精度くりこみ法の行列𝑵の算出 17 𝜉 𝛼、
𝑴、𝑵、𝜽、𝜆を全て真値と𝑂 𝜎2 のノイズ/誤差にま で分解 𝑴𝜽 = 𝜆𝑵𝜽 ഥ𝑴 + ∆1 𝑴 + ∆2 𝑴 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 = ҧ𝜆 + ∆1 𝜆 + ∆2 𝜆 ഥ𝑵 + ∆1 𝑵 + ∆2 𝑵 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽
18.
超精度くりこみ法の行列𝑵の算出 18 右辺と左辺で同じオーダーの項を等値 ഥ𝑴 +
∆1 𝑴 + ∆2 𝑴 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 = ҧ𝜆 + ∆1 𝜆 + ∆2 𝜆 ഥ𝑵 + ∆1 𝑵 + ∆2 𝑵 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 ∆1 𝑴ഥ𝜽 + ഥ𝑴∆1 𝜽 = ∆1 𝜆 ഥ𝑵ഥ𝜽 + ҧ𝜆 ∆1 𝑵 ഥ𝜽 + ҧ𝜆ഥ𝑵 ∆1 𝜽 1次の項
19.
超精度くりこみ法の行列𝑵の算出 19 右辺と左辺で同じオーダーの項を等値 ഥ𝑴 +
∆1 𝑴 + ∆2 𝑴 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 = ҧ𝜆 + ∆1 𝜆 + ∆2 𝜆 ഥ𝑵 + ∆1 𝑵 + ∆2 𝑵 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 ∆1 𝑴ഥ𝜽 + ഥ𝑴∆1 𝜽 = ∆1 𝜆 ഥ𝑵ഥ𝜽 + ҧ𝜆 ∆1 𝑵 ഥ𝜽 + ҧ𝜆ഥ𝑵 ∆1 𝜽 1次の項
20.
超精度くりこみ法の行列𝑵の算出 20 右辺と左辺で同じオーダーの項を等値 ഥ𝑴 +
∆1 𝑴 + ∆2 𝑴 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 = ҧ𝜆 + ∆1 𝜆 + ∆2 𝜆 ഥ𝑵 + ∆1 𝑵 + ∆2 𝑵 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 ∆1 𝑴ഥ𝜽 + ഥ𝑴∆1 𝜽 = ∆1 𝜆 ഥ𝑵ഥ𝜽 + ҧ𝜆 ∆1 𝑵 ഥ𝜽 + ҧ𝜆ഥ𝑵 ∆1 𝜽 1次の項 ∆1 𝜽 = −𝑴−1 ∆1 𝑴ഥ𝜽 (63)
21.
超精度くりこみ法の行列𝑵の算出 21 右辺と左辺で同じオーダーの項を等値 ഥ𝑴 +
∆1 𝑴 + ∆2 𝑴 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 = ҧ𝜆 + ∆1 𝜆 + ∆2 𝜆 ഥ𝑵 + ∆1 𝑵 + ∆2 𝑵 ഥ𝜽 + ∆1 𝜽 + ∆2 𝜽 2次の項 ∆2 ⊥ 𝜽 = ഥ𝑴− ഥ𝜽, 𝑻ഥ𝜽 ഥ𝜽, ഥ𝑵ഥ𝜽 ഥ𝑵ഥ𝜽 − 𝑻ഥ𝜽 (63) 𝑻 ≡ ∆2 𝑴 − ∆1 𝑴 ഥ𝑴−∆1 𝑴 (64) ただし、
22.
超精度くりこみ法の行列𝑵の算出 22 2次の項の期待値 E
∆2 ⊥ 𝜽 が0になるように 𝑵を調節 2次の項 ∆2 ⊥ 𝜽 = ഥ𝑴− ഥ𝜽, 𝑻ഥ𝜽 ഥ𝜽, ഥ𝑵ഥ𝜽 ഥ𝑵ഥ𝜽 − 𝑻ഥ𝜽 (63) 𝑵 = 1 𝑁 𝛼=1 𝑁 𝑊𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝜉 𝛼 𝑒 𝛼 T − 1 𝑁2 𝛼=1 𝑁 𝑊𝛼 2 𝜉 𝛼, 𝑴 𝑛−1 − 𝜉 𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝑉0 𝜉 𝛼 𝑴 𝑛−1 − 𝜉 𝛼 𝜉 𝛼 T (71)
23.
まとめ 23 最小化に基づかない手法 一般固有値問題を重みを更新しながら繰り返し計算 手法
𝑵 重み反復法 𝑰 くりこみ法 1 𝑁 𝛼=1 𝑁 𝑊𝛼 𝑉0 𝜉 𝛼 超精度くりこ み法 1 𝑁 𝛼=1 𝑁 𝑊𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝜉 𝛼 𝑒 𝛼 T − 1 𝑁2 𝛼=1 𝑁 𝑊𝛼 2 𝜉 𝛼, 𝑴 𝑛−1 − 𝜉 𝛼 𝑉0 𝜉 𝛼 + 2𝒮 𝑉0 𝜉 𝛼 𝑴 𝑛−1 − 𝜉 𝛼 𝜉 𝛼 T 𝑴𝜽 = 𝜆𝑵𝜽
24.
まとめ 24 最小化に基づかない手法は最小二乗法ベースの手法に 対応 誤差はおおよそ以下の順
最小二乗法 > 重み反復法 > Taubin法 > くりこみ法 > 最尤推定 > 超精度繰り込み法
Download now