SlideShare a Scribd company logo
1 of 24
Download to read offline
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
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
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
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)
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
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
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
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
超精度くりこみ法
9
1. 𝑊𝛼 = 1, 𝛼 = 1, ⋯ , 𝑁, 𝜽0 = 𝟎
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)
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)
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)
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
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
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?
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
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
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
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
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)
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、
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)
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
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

More Related Content

What's hot

SAS OnDemand for Academics 登録方法
SAS OnDemand for Academics 登録方法SAS OnDemand for Academics 登録方法
SAS OnDemand for Academics 登録方法SAS Institute Japan
 
DeepLearning 14章 自己符号化器
DeepLearning 14章 自己符号化器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​【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
 
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 2hirokazutanaka
 
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)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(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
 
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​【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)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(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 mappingContraction 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20170211クレジットカード認識
20170211クレジットカード認識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ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたTakuya Minagawa
 
20170806 Discriminative Optimization
20170806 Discriminative Optimization20170806 Discriminative Optimization
20170806 Discriminative OptimizationTakuya 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 takminShow 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ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
 
Semantic segmentation
Semantic segmentationSemantic segmentation
Semantic segmentation
 
20170806 Discriminative Optimization
20170806 Discriminative Optimization20170806 Discriminative Optimization
20170806 Discriminative Optimization
 
Semantic segmentation2
Semantic segmentation2Semantic segmentation2
Semantic segmentation2
 
Cvpr2017事前読み会
Cvpr2017事前読み会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)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
 
2020/07/04 BSP-Net (CVPR2020)
2020/07/04 BSP-Net (CVPR2020)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
 
Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2KazuhiroSato8
 
Learning to Solve Hard Minimal Problems
Learning to Solve Hard Minimal ProblemsLearning to Solve Hard Minimal Problems
Learning to Solve Hard Minimal ProblemsTakuya Minagawa
 
[CV勉強会]Active Object Localization with Deep Reinfocement Learning
[CV勉強会]Active Object Localization with Deep Reinfocement Learning[CV勉強会]Active Object Localization with Deep Reinfocement Learning
[CV勉強会]Active Object Localization with Deep Reinfocement LearningTakuya Minagawa
 
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識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 MachineQuantum Support Vector Machine
Quantum Support Vector MachineYuma 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...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...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)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 AnalysisNN, CNN, and Image Analysis
NN, CNN, and Image AnalysisYuki Shimada
 
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionPRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionShintaro 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)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 net20200704 bsp net
20200704 bsp net
 
2020/07/04 BSP-Net (CVPR2020)
2020/07/04 BSP-Net (CVPR2020)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 transformFourier transform
Fourier transform
 
Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2
 
レポート1
レポート1レポート1
レポート1
 
Learning to Solve Hard Minimal Problems
Learning to Solve Hard Minimal ProblemsLearning 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[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 MachineQuantum 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...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...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)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 AnalysisNN, CNN, and Image Analysis
NN, CNN, and Image Analysis
 
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionPRML 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 ArchitectureMachine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and ArchitectureTakuya 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.pdfConditionalPointDiffusion.pdf
ConditionalPointDiffusion.pdfTakuya 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
 
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)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
 
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representationTakuya Minagawa
 
20190307 visualslam summary
20190307 visualslam summary20190307 visualslam summary
20190307 visualslam summaryTakuya Minagawa
 
20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation surveyTakuya 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 segmentation2018/12/28 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 segmentationTakuya Minagawa
 
run Keras model on opencv
run Keras model on opencvrun Keras model on opencv
run Keras model on opencvTakuya Minagawa
 
20181130 lidar object detection survey
20181130 lidar object detection survey20181130 lidar object detection survey
20181130 lidar object detection surveyTakuya Minagawa
 
object detection with lidar-camera fusion: survey (updated)
object detection with lidar-camera fusion: survey (updated)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: surveyobject detection with lidar-camera fusion: survey
object detection with lidar-camera fusion: surveyTakuya Minagawa
 
CVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNetCVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNetTakuya Minagawa
 

More from Takuya Minagawa (20)

Machine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and ArchitectureMachine Learning Operations (MLOps): Overview, Definition, and Architecture
Machine Learning Operations (MLOps): Overview, Definition, and Architecture
 
MobileNeRF
MobileNeRFMobileNeRF
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.pdfConditionalPointDiffusion.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 deepI2P20210711 deepI2P
20210711 deepI2P
 
20201010 personreid
20201010 personreid20201010 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)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 mono20190825 vins mono
20190825 vins mono
 
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation
 
20190307 visualslam summary
20190307 visualslam summary20190307 visualslam summary
20190307 visualslam summary
 
Visual slam
Visual slamVisual slam
Visual slam
 
20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey20190131 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 segmentation2018/12/28 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 opencvrun Keras model on opencv
run Keras model on opencv
 
20181130 lidar object detection survey
20181130 lidar object detection survey20181130 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 (updated)
object detection with lidar-camera fusion: survey (updated)
 
object detection with lidar-camera fusion: survey
object detection with lidar-camera fusion: surveyobject detection with lidar-camera fusion: survey
object detection with lidar-camera fusion: survey
 
3DFeat-Net
3DFeat-Net3DFeat-Net
3DFeat-Net
 
CVPR2018のPointCloudのCNN論文とSPLATNet
CVPR2018のPointCloudのCNN論文とSPLATNetCVPR2018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
 
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
 
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
 
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
 
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
 
[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
 
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
 
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 (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...
 
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
 
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
 
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
 
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
 
[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
 
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
 
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
 

20170408cvsaisentan6 2 4.3-4.5