結像光学系はその明るさを開口絞りで設定しますが、光束に角度がある場合、レンズの大きさや厚みに起因して絞り全体を光束が通過しなくなります。これをビネッティングと呼び、削られた光量を軸上瞳円を単位円とし、そのスケール倍で表した量をビネッティング量と呼びます。
1.講演資料・文献リスト ロボットビジョン・3次元物体認識に関する資料 1.物体認識のための3次元特徴量の基礎と動向(橋本学) 2.20170925-第8回製造・物流等分野ロボット導入実証WG(橋本学)(抜粋) 3.20170210-3次元物体認識の現状技術と将来技術(橋本学)(抜粋) 第35回名古屋CV・PRML勉強会講演(2015/3/21) スライド「物体認識のための3次元特徴量とその周辺」 (5.5MB) DIA2015特別企画セッション講演(2015/3/5) 原稿「距離データハンドリングのための3次元特徴量」 (1.9MB) ViEW2014基調講演(2014/12/4) スライド「物体認識のための3次元特徴量の基礎と動向」 (8.1MB) 画像応用技術専門委員会定例研究会(2014/5/16) スライド(抜粋) 「物体認識技術の進化 画素ベース×特徴量ベース」 (0.9MB)
カメラキャリブレーションにおいて外部パラメータである回転行列(Rotation Matrix)を扱う時, 3 * 3の行列で表したい時と,各軸(x軸,y軸,z軸)に対する角度で表したい時がある. この時の相互変換行列のメモ.間違っていても責めないでください. (回転行列⇒角度の場合は一意に求まらない場合があるので,多少の注意は必要.) ただし,今回は右手座標系において,各軸に対する変換は以下のように定めており, 回転行列R = Rz * Rx * Ryとする.(掛け合わせる順序が変わると式が変わる.) x, y, zは各軸の回転角(ラジアン)とする. x軸周りの回転行列 Rx = ( 1, 0, 0, 0, cos(x), -sin(x), 0, sin(x), cos(x) )
1 視覚の幾何学3 カメラキャリブレーション 呉海元@和歌山大学 Rigid Body Motion – Two views X X x 1 1 t x R x 1 1 2 2 X x 2 2 b a b b a b a 0 0 0 ; 1 2 1 3 2 3 1 2 2 1 3 1 1 3 2 3 3 2 3 2 1 3 2 1 a a a a a a b a b a b a b a b a b a b b b a a a 0 0 b) (a b b) (a a b a トしているので は一つの平面をサポー と 行列・
人間と計算機を分かちがたく一体化し、全体として高度な情報処理システムを構築するための技術をサイバネティック・インタフェースと呼びます。 本研究室では、バーチャルリアリティ技術を端緒として、この種のインタフェース技術についてさまざまな角度から研究を行っています。基盤技術としては、実写映像から高品位な三次元バーチャル空間を作り出すイメージベーストレンダリング技術、実世界とバーチャル空間を結合する拡張現実感技術、視聴覚のみに留まらず触覚・嗅覚・味覚・満腹感などの五感を扱うことを可能にするマルチモーダル/クロスモーダルインタフェース技術、人間の生活を記録し計算機に取り込むライフログ技術とライフログ活用のためのビッグデータ処理技術などの研究を行っています。 また、基盤技術の開発だけでなく、技術によって生み出されるコンテンツや技術の社会展開までを研究対象とし、上述の技術をミュージアムで活用していくため
3次元点群に対するレジストレーション(位置合わせ)手法について解説する。 3次元レジストレーション手法の概要の把握。 ICP程度の手法を実装できるスキルの取得。 1. レジストレーションとは:2次元のレジストレーションの例から始めて,3次元レジストレーションの基礎を学ぶ。最小二乗法,最適化,Procrustes analysis 2. ICPとその変種:基本的なアルゴリズムであるICP(Iterative Closest Point)と,その拡張を学ぶ。ICP,Softassign,EM-ICP 3.さまざまなレジストレーション手法を学ぶ.剛体レジストレーション,非剛体レジストレーション Read less
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 6月10日 (木) 11:00 - 12:30 メイン会場(vimeo + sli.do) 登壇者:松井 孝太 氏(名古屋大学) 概要:転移学習とは、解きたいタスクに対して、それと異なるが似ている他のタスクからの知識(データ、特徴、モデルなど)を利用するための方法を与える機械学習のフレームワークです。深層モデルの学習方法として広く普及している事前学習モデルの利用は、この広義の転移学習の一つの実現形態とみなせます。本発表では、まず何をいつ転移するのか (what/when to transfer) といった転移学習の基本概念と定式化を説明し、具体的な転移学習の主要なアプローチとしてドメイン適応、メタ学習について解説します。
Vol. 48 No. SIG 16(CVIM 19) Nov. 2007 † 1 1 101 6 The Current State and Future Directions on Generic Object Recognition Keiji Yanai† “Generic object recognition” aims at enabling a computer to recognize objects in images with their category names, which is one of the ultimate goals of computer vision research. The categories which are treated with in generic object recognition have broad variabili
The following paper awards were received at the Augmented Humans 2024 International Conference held in Melbourne, Australia from April 4-6, 2024. This conference featured research on augmenting human capabilities through advanced technologies: 2024年4月4日〜6日にオーストラリア・メルボルンで開催された人間拡張に関する国際学会 Augmented Humans 2024 で以下の論文賞を受賞しました Best Paper Honorable Mention: Serendipity Wall: A Discussion Support Syste
Not your computer? Use a private browsing window to sign in. Learn more about using Guest mode
Convolutional Neural Networkとは何か CNNで解決できる問題 Convolutional Neural Networkの特徴 畳み込みとは 合成性 移動不変性 Convolutional Neural Networkの構成要素 ゼロパディング(zero padding) ストライド Fully Connected層 Fully Connected層の問題点 Convolution層 Pooling層 TensorFlowによる実装 TensorFlowのインストール CNNでMNIST文字認識する 参考 近年、コンピュータビジョンにおける最もイノベーションと言えるのはConvolutional Neural Networkといっても過言ではない。 コンピュータビジョンの業界におけるオリンピックとも言えるコンペティションがImageNetである。 そのコンペティシ
機械学習の世界において、画像といえばConvolutional Neural Network(以下CNN)というのは、うどんといえば香川くらい当たり前のこととして認識されています。しかし、そのCNNとは何なのか、という解説は意外と少なかったりします。 そこで、本記事ではCNNについてその仕組みとメリットの解説を行っていきたいと思います。 なお、参考文献にも記載の通り解説の内容はStanfordのCNNの講座をベースにしています。こちらの講座はNeural NetworkからCNN、はてはTensorflowによる実装まで解説される予定なので、興味がある方はそちらもご参照ください。 CNNはその名の通り通常のNeural NetworkにConvolutionを追加したものです。ここでは、Convolution、畳み込みとは一体なんなのか、という点と、なぜそれが画像認識に有効なのかについて説
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く