第14回コンピュータビジョン勉強会＠関東「CVPR2011祭り」を開催しました - takminの書きっぱなし備忘録 @はてなブログ
表題の通り、7/31(日)にCVPRというコンピュータビジョンの国際会議の論文読み会を開催しました。 http://atnd.org/events/17265 Togetter http://togetter.com/li/168739 以下、自分用の備忘録としてまとめておきます。 ちなみに今回は私は発表しませんでした。（名古屋で発表したので他の方に譲りましたｗ） 東大 原田達也先生 「CVPR2011における一般物体・シーン認識のトレンド」というタイトルで、 Unbiased Look at Dataset Bias(リンク先：PDF) What You Saw is Not What You Get: Domain Adaptation Using Asymmetric Kernel Transforms(リンク先：PDF) の二本の論文をご紹介されました。本当はもう二本くらいあったみ
3/5にOpenCV祭りを開催しました - takminの書きっぱなし備忘録 @はてなブログ
以前このブログでも書きましたが、僕は「コンピュータビジョン勉強会＠関東」という勉強会を主催しています。 普段は、「コンピュータビジョン最先端ガイド」という本を元に、輪講のような形式で勉強会を進めているのですが、今回は「OpenCV祭り」と題してOpenCVをテーマに番外編的な形で進めました。 お陰さまで普段の参加者は３０名弱なのですが、今回は８０名近くも集まり、懇親会も含め大いに盛り上がりました。また僕にとっても大変勉強になりました。 というわけで、各発表者の資料へのリンクや参加者のブログへのリンクなどをまとめておきます。下のうち、いくつかの資料は勉強会のGoogle Groupsに登録していないと見れない場合があります。また、その他の回の資料もGoogle Docsにまとめてます。こちらもGoogle Groupsに登録していないと見れません。 リリース動向＆Yahoo! Groups
Viola & Johns版AdaBoostの実装 その２ - takminの書きっぱなし備忘録 @はてなブログ
前回の続き。 本論に入る前に、ここで解説したAdaBoostのアルゴリズムをもうちょい補足しておきます。 学習データを用意し、それぞれのデータの重みを均等にしておく。 学習データを識別器へ入力し、エラー率を求める。ただし、エラー率には学習データの重みを反映させる。 一番エラー率の低かった識別器を選択し、そのエラー率を記録しておく。 3で正解した学習データの重みは低く、不正解だったデータの重みを重くする。 更新した重みを元に2〜4の処理を複数回繰り返す。 最終的に選択した識別器に、エラー率に基づいた重みを割り振り（エラー率が低ければ重く、逆なら軽く）、その線形和を強識別器とする。 もちっと詳しく知りたい人は、この論文の４ページ目の囲いを読んでください。 で、ここから本題。 前回も解説したとおり、OpenCVに実装されているオブジェクト検出"cvHaarDetectObjects()"関数は、
Viola & Johns版AdaBoostをOpenCVで実装 - takminの書きっぱなし備忘録 @はてなブログ
OpenCVには、「cvHaarDetectObjects」っていうオブジェクト検出の関数が用意されてます。これを使うと簡単に顔検出を実装できたりします。また、学習をさせることでオリジナルの検出装置を作れたりします。 詳しくは http://gihyo.jp/dev/feature/01/opencv を参照 特にこの関数の中のロジックがどうなっているかは、ここで解説してます。 http://gihyo.jp/dev/feature/01/opencv/0003 以下は、上記の内容を理解していることを前提で話を進めます。 以前のエントリーで書いた通り、実はこの「cvHaarDetectObjects」関数では、CvBoostクラスというOpenCVに用意されているAdaBoostのクラスは使用していません。実は、OpenCVで実装されているCvBoostクラスの振る舞いと、「cvHaarD
1
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
