画像認識の革新モデル！脱CNNを果たしたVision Transformer（ViT）を徹底解説！ 2020.10.16 AI論文 画像処理 はじめに AIの世界では毎年最先端（SOAT：state-of-the-art technology）モデルが発表され、多くの新技術が生まれています。しかし、2017年に発表され「Atteintion is All you need」という論文で紹介された「Transformer」というモデルは、AIの歴史全体でみても大きな影響力をもつ極めて革新的な技術です（Transformerについてはこちらの記事をご参照ください。「自然言語処理の必須知識 Transformer を徹底解説！」）。Transformerはそれまでの自然言語処理の世界を一新し、その後発表されるモデルのデファクトスタンダートになりました。ただし、画像処理の世界では障壁（記事内で詳し

Information about the camera characteristics used to capture images and depth data.

ここではヤコビアンのイメージを伝えるため、 2変数関数の重積分（面積）を例にとる。 平面→ 平面の変数変換によるヤコビアン(ヤコビ行列; Jacobian matrix)は である。 1. ヤコビアンのイメージ 平面の中にある図形の面積を求めるために工夫をする。 その過程でヤコビアンが必要になる。そのことを順に見ていこう。 xy平面の面積 下の赤い線で囲まれた図形の面積を求めたい。 平面で積分しようとすると少し計算が煩雑である。 ここでは、 「積分して面積を求めること」 を 「面積１の正方形タイル何個分であるか求めること」 と考えて説明していく。簡単な例なのでタイルの数はすぐに求められるが、タイルの数（面積）を変数変換によって求めていく。 なぜ変数変換するのか 数学でも物理でも、変数変換は頻出である。変数変換する理由は、 式の形をかんたんにする式の形を計算をかんたんにする などいろいろな理

正則化、ムズいよ‥ 機械学習で過学習防止に使われる正則化 その例として、よく以下のような図が挙げられているかと思います この図を初めて見た時、少し考えて導き出した結論が以下です 「う～ん‥わからん！」 この図、解説が不十分なことも多く、初見で理解できた人って結構少ないのではないでしょうか‥ 図が理解できない事で正則化やリッジ回帰に苦手意識を持った方も多いかと思います（私もそうでした‥） この現状を打破すべく、図の解釈を自分なりに整理したので、分かりやすさ最優先で解説したいと思います。 正則化は機械学習では避けて通れないテクニックなので、皆さまの理解に少しでも貢献できれば幸いです。 ※注意 本記事は私の独自解釈が多く含まれています。 正確な記事を目指すためにも、「ここが間違っている！」という指摘は気軽に頂ければと思います 正則化とは？ 前提知識として、過学習と正則化について解説します 過学習

第1回3D勉強会＠関東「SLAM チュートリアル大会」講演資料 （他の講演との関係で Laser SLAM が中心） https://3dvision.connpass.com/event/86945/

4. 誤差の数値最小化 • 誤差関数の最小化 (最適化) – 観測データを用いて表現される誤差関数を最小化するパ ラメータを計算する • 今回の範囲では 𝐸 𝒙 = 1 2 𝑒𝑘 2 2𝑛𝑚 𝑘 – 誤差 • 二乗誤差 – パラメータ • カメラのパラメータ • 特徴点 4

ソシオネクストは、東北大学大学院情報科学研究科の研究グループと共同で、深層学習を用いたSLAM処理に必要な時間を従来技術の約60分の1に短縮可能な手法を開発した。エッジデバイス向けSoCなどへの応用が期待される。 ソシオネクストは2021年10月12日、東北大学大学院情報科学研究科の研究グループと共同で、深層学習を用いたSLAM（自己位置推定および環境地図作成）処理に必要な時間を従来技術の約60分の1に短縮可能な手法を開発したと発表した。 同手法では、グラフニューラルネットワークの「Graph Network（GN）」を用いた推論による近似計算を採用。GNブロックによるキーフレームやランドマーク情報入力からの更新情報の推論、多段のGN構造による最終的な値への収束で構成されており、従来のLevenberg-Marquardt法を用いたバンドル調整と比較して、より少ない計算量で推論処理できる。

正規直交基底はあまり馴染が無いように思いますが、フーリエ変換や主成分分析の理解をするには必要となってきます。 【定義】 となります。 ここで、ベクトルの大きさ（ノルム）が１という事は、そのベクトルは単位ベクトルであり、 ベクトルが直交するということは、ベクトルの内積が０となる事を意味しています。 もっとも簡単な例として、二次元ベクトルの場合 上図のように、e1, e2を としたとき、この e1, e2 は正規直交基底である事は分かると思います。 ここで大事なのが、任意ベクトルＶの e1 方向の大きさをａ, e2 方向の大きさをｂとすると、 各ベクトルの方向の大きさは内積で求まる！ という特徴があります。 上記の例では e1方向の大きさａは ａ = Ｖ ・ e1 = X  × 1 + Y × 0= X e2方向の大きさ ｂ は ｂ = Ｖ ・ e2 = X  × 0 + Y × 1= Y と

はじめに Deep Learningを使った距離学習（Metric Learning）は、人物同定（Person Re-Identification）をはじめ、顔認識、細かい画像の分類、および画像検索など多くのコンピュータビジョンタスクにおいて広く利用されています。その中でも損失関数にTriplet Lossを用いたMetiric Learningは比較的ポピュラーなやり方で、関連論文もこれまでたくさん発表されています。本稿では、まず画像分類（Classification）タスクとMetric Learningの違いを考察し、次にTriplet Lossがどのように改良されてきたのか、その変遷をまとめています。 画像分類タスクとしてのPerson Re-Identification Person Re-Identificationとは同一人物を認識するタスクです。これを一般的な画像分類タス