Randomized TreesのWebページは下記に移動しました. http://www.vision.cs.chubu.ac.jp/CVTutorial/index.html 2秒後に自動的に移動します.
一般物体認識とは,制約のない実世界シーンの画像に対して計算機がその中に含まれる物体を一般的な名称で認識することであり,コンピュータビジョンの究極の課題の一つであります.世の中には物体のカテゴリー数が数万種類あるといわれ,これらを認識することは非常に難しい問題です.しかしながら昨今では,回転やスケールに対する特徴量の不変性,機械学習の進歩,Bag-of-keypoints等のアプローチの進展,計算機の高速化等により,一般物体認識の問題にチャレンジする研究が増えています.本オーガナイズドセッションでは,顔.人検出における有効な特徴選択,画像分類問題,物体認識の高速化の各側面から,それぞれの分野の第一線で活躍中の講師をお招きし,最新の一般物体認識の研究動向を紹介し,現在の課題を明確にするとともに今後の展開などについて会場の皆様とともに議論を深めたいと思います.
SIFT and ASIFT --- online demo : try if your images match! Jean-Michel Morel Guoshen Yu morel[AT]cmla.ens-cachan.fr yu[AT]cmap.polytechnique.fr News: The ASIFT source code and online demo are now published in the journal IPOL! 2011.02.24 News: frequently asked questions on ASIFT. --- 2009.11.22 Summary: A fully affine invariant image comparison method, Affine-SIFT (ASIFT) is introduce
2009年が終わってしまうし、現状のバージョンを公開しました。 顔によるイラストの検索 変わったところ 特徴点を検出する対象を3画像(髪型をかるく目立たせた画像,顔の画像,髪型をとても目立たせた画像)にした 検出された特徴点の大きさによって大きいほど重みを持たすようにした(顔画像はスケールが大体同じなので) 各画像からの検出数を最大300個に制限. 大きい方から選択 など。 最近気づいたけどやっていないこと 髪の色の分布は均一ではない、例えば緑色の人は少ない、などということがあるんだけど、髪の色での一次候補を固定数(800個)で抽出しているので、緑髪の場合は黒い髪の人が出てきたり、青髪(青髪の人は緑髪の5倍近くいる)の場合は候補の範囲が足りていないといったことが起きている。 髪の色でクラスタリングしてクラスごとのメンバ数を求めて、検索時に1次候補の数を変えるといったことをしてみたけど、あん
3日で作る高速特定物体認識システム (6) 線形探索を用いた特定物体認識(2009/11/22)のつづきです。今回がこのシリーズの最終回です。 前回の線形探索は遅すぎるので最近傍探索を高速化します。これで表題の高速特定物体認識システムができあがります。高速化にはいくつかの方法がありますが、物体モデルデータベースをなんらかのデータ構造にあらかじめ格納しておくというのがポイントです。今回は、資料でも述べられているkd-treeとLocality Sensitive Hashing (LSH)という手法を試してみます。kd-treeは木構造、LSHはハッシュでデータを構造化(インデキシング)します。kd-treeは、厳密な最近傍を求めますが、LSHは近似最近傍検索と呼ばれ、厳密な最近傍は求められない代わりに計算を大幅に高速化できます。 資料では、ANN (Approximate Nearest
If you are not redirected automatically, follow the link
はてブのコメントを見たのと、僕もbag of keypoints関係の論文を見たときに一瞬で分かったつもりになってそれを信じ続けていたけど不安になったのでググったところ別に間違ってもいなさそうだったので、ここでたまに書いてるベクトル量子化とは何かという話とそれをなぜ使っているのかという話を。(僕なりに) 僕がベクトル量子化と言ったときには、単純には 入力ベクトル→クラスラベル(スカラ) への変換を指している。あらかじめ、K個のクラス(グループ)を定義しておいて、入力ベクトルがどのクラスに属するか推定を行って、属するクラスの番号に変換してしまう。これによって、どんな入力ベクトルも(int)1〜Kのスカラ値に変換できる、というかかなり大雑把だけどそういうことにしてしまう。 具体的な例としては、 まず入力ベクトルとして想定されるデータを適当に集めてそれをk-meansでクラスタリングする。データ
コンピュータビジョン研究室 (CVLAB) 当研究室は人工知能科学センター(C-Air)/人工知能基盤研究部門に属しています. 研究室メンバー B3生向け研究室説明会(2023年度)についてはこちら (2023/10/26更新) 顔,ゼスチャー,動作,状況などを認識・理解する知能システムの構築,およびそれを支える機械学習・パターン認識,深層学習の研究を行います.またコンピュータビジョンとコンピュータグラフィックと融合領域についても研究を進めています.上記大枠の中で,各自の興味や資質に応じて応用研究から基礎研究まで幅広くテーマを設定可能です.当研究室には学外から毎年,コンスタントに3~5名の方が進学されています.当研究室の研究にご興味ある方は福井先生あるいは飯塚先生までご連絡ください. 2023/03/13 内山さんが国際コンテスト”Open pack challenge”で優勝しました.米
サービスロボットゾーンのなかで、NEDO技術開発機構のブースもかなり大きな面積を占めている。「次世代ロボット知能化技術開発プロジェクト」と「戦略的先端ロボット要素技術開発プロジェクト」の2つのプロジェクトで開発されているロボット研究、ソフトウェア研究が合計10のブースに分かれて出展されているためで、中は各研究成果がブースでひしめきあっている。また、ブース内のステージでもロボットのデモンストレーションが行なわれており、多くの人を集めていた。 ●次世代ロボット知能化技術開発プロジェクト まず「次世代ロボット知能化技術開発プロジェクト」とは、ロボットの機能要素をモジュールとして捉え、それを効率的に組み合わせることでロボットを開発できる技術を確立しようとするプロジェクト。ロボット知能化技術を「RTコンポーネント」としてモジュール化することで、短期間で高性能のロボットを低コストで開発できるようになる
タイトル別名 イッパン ブッタイ ニンシキ ノ ゲンジョウ ト コンゴ The Current State and Future Directions on Generic Object Recognition 「一般物体認識」とは,制約のない実世界シーンの画像に対して計算機がその中に含まれる物体を一般的な名称で認識することで,コンピュータビジョンの究極の研究課題の1つである.人間は数万種類の対象を認識可能であるといわれるが,計算機にとっては,同一クラスに属する対象のアピアランスが大きく変化するために以前はわずか1種類の対象を認識することすら困難であった.ここ数年,新しいモデル表現の提案,機械学習法の進歩,計算機の高速化などにより,急速に研究が進展しており,現在は101種類の対象に対して6割程度の精度で認識が可能となってきている.本論文では,一般物体認識研究のサーベイを手法に加えて,データ
We are working on various research topics in the field of computer vision with a particular focus on two areas: sensing and understanding of human activities, and modeling and understanding of object appearances. For Prospective StudentsOur group is affiliated with two graduate schools of the University of Tokyo: Department of Information and Communication Engineering, Graduate School of Informati
3日で作る高速特定物体認識システム (4) 特徴点のマッチング(2009/11/2)のつづきです。 今回は、高速特定物体認識システムの物体モデルデータベースを作成してみます。クエリとして与えた画像が何かはこの物体モデルデータベースを検索することで認識できるようになります。特定物体認識では、クエリとして与えた画像が物体モデルデータベースにあらかじめ登録されていないとまず認識できません(局所特徴量を用いるので多少のスケール変化や回転などには対応できますが)。忘れてしまった方は物体認識システムの構成(2009/10/18)を参照してください。 画像データセットの準備 自分で撮影した画像を登録できるようにしてもよかったのですが、大量の画像を撮影するのは面倒なのでおなじみのCaltech101の画像セットを用いて物体モデルを作成します。 類似画像検索システムを作ろう(2009/10/3)の画像データ
NECはこのたび、自然な言葉を入力することで、多くの監視カメラによって蓄積された大量の映像の中から、服や顔の情報をもとに、特定の人物を高精度に発見できる人物検索技術を開発しました。 従来、服装をもとにする人物検索では、服の色として代表的な一色を指定するか、あるいは画像で指定する必要がありました。本技術は、例えば「茶色のジャケットに黒いズボン」のように、自然な言葉を入力するだけで、自動で人物の上下半身を分離し、それぞれの色や色の割合をもとに検索できます。 本技術は、例えば目撃情報や顔写真による犯罪捜査、迷子になった子供の捜索、施設利用者の足取り調査など、幅広い用途で利用できます。 また、特定の場所でどのような色の服を着ている人が多いかといった流行の分析にも用いることが可能で、服飾業界などでのマーケティングへの応用も期待できます。 このたび開発した技術の特長は、以下の通りです。 自然な言葉で入
物体認識のための局所特徴量 SIFTと最近のアプローチ http://www.vision.cs.chubu.ac.jp/SIFT/ 藤吉 弘亘 中部大学工学部情報工学科 概要 1. SIFT(Scale-Invariant Feature Transform) 2. SIFTアプローチの高精度化 - PCA-SIFT - GLOH(Gradient Location and Orientation) 3. SIFTアプローチの高速化 - SURF(Speeded Up Robust Features) 4. 学習を用いた高速化 - Randomized Trees 5. SIFTと一般物体認識(画像分類) 1. SIFT(Scale-Invariant Feature Transform) ステレオ画像 Related Work 回転・スケール変化 照明変化等に頑健 特徴点検出 スケー
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