安全・安心な社会のための犯罪・テロ対策技術等を実用化するプログラム
目的 安全・安心な社会のための犯罪・テロ対策技術について、関係府省庁との連携体制の下、具体的な現場ニーズに基づいたテーマ設定、技術開発及び実用化に向けた実証試験までを一体的に行う。 対象機関 大学又は大学共同利用機関、国立試験研究機関、独立行政法人、民間機関（企業等）等の国内の機関を対象とする（法人格を有する者に限る）。 実施期間 原則5年間（一部のテーマは3年間）。3年目（一部のテーマは2年目）に再審査を行い、達成目標の達成の見込み、実証試験の見通し等について審査し、継続して実施する課題を選定する。 支援の上限 初年度は4,500万円以下、２年度目以降は年間１億円以下（平成２３年度公募要領） 「安全・安心な社会のための犯罪・テロ対策技術等を実用化するプログラム」採択課題一覧 平成22年度採択課題 課題名 機関名 開始年度 終了年度
DERiVE - DERiVEはコンピュータビジョン(Computer Vision)に関するブログです。コンピュータビジョンとは、画像動画を使った人間の視覚をコンピュータで再現する技術全般を指す
1. When you know that somebody is attempting to hurt you, the primary thing you should state is “Stop”. Allow me to sit unbothered. Try not to contact me.“ You need to state this in an uproarious, commanding way. View your face that matches the steadiness in your voice. You can rehearse this before the mirror at home, yet you might need to ensure no one is around so they don’t start to scrutinize
【ニュース】オンライン授業サイトのCourseraでComputer Visionの講義が提供開始 | DERiVE コンピュータビジョン ブログ
Tweet StanfordのProf.Daphne Koller（確率的グラフモデルで有名）とProf.Andrew Ng（機械学習のオープンコースで有名）が立ち上げたオンライン無料授業サイトCourseraに、先日あらたに4大学から無料授業が提供されはじめたのですが、その中に以下のComputer Visionの授業の提供が開始されています。（ ①は４月開講、②は9月開講） ①UCバークレーのProf. Jitendra Malikによる、 「 Computer Vision: The Fundamentals 」 ②StanfordのProf.Silvio SavareseとProf.Fei-Fei Liによる、 「Computer Vision: From 3D Reconstruction to Visual Recognition」 ①は基礎的なComputer Visionの
【発表スライド】第11回「コンピュータビジョン最先端ガイド」勉強会＠関東 「4.... | DERiVE コンピュータビジョン ブログ
このサイトについて DERiVEはコンピュータビジョン、画像認識が専門のMasaki Hayashiがお送りしている、コンピュータビジョン(Computer Vision)を中心としたITエンジニア、研究向けのブログです。※「DERiVE メルマガ別館」は2015/9月で廃刊致しました、 第11回「コンピュータビジョン最先端ガイド」勉強会で私が発表したスライドを、以下に示します。 勉強会の詳細については以下の公式サイトをご覧下さい 「コンピュータビジョン最先端ガイド」勉強会＠関東 http://sites.google.com/site/cvsaisentan/ 第11回 「コンピュータビジョン最先端ガイド」勉強会@関東「4章 バンドル調整と統計的推測」 View more presentations from Masaki Hayashi 第11回のテーマは、課題図書である「コンピュータ
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、
Bruno's home page
Software SPARSEPYR - Matlab code for adapting wavelet filters SPARSENET - Matlab code for running my sparse coding algorithm XANAT - A graphical anatomical database XPHONE - An interactive scratchpad Book Probabilistic Models of the Brain: Perception and Neural Function. R. P. N. Rao, B. A. Olshausen, and M. S. Lewicki, Eds. MIT Press, 2002.
汎用画像認識アルゴリズム
回転や明度変化に不変な特徴量として，階調重心ベクトル（各濃度領域をベクトル化したもの）を用いて照合を行います。
20101202 - 国立情報学研究所/National Institute of Informatics
Lecture Series：Visual Attention for Human Computer Interaction: Analysis and Model by Nicolas P. Rougier Lecture Series: Visual Attention for Human Computer Interaction: Analysis and Model Lecturer: Nicolas P. Rougier, Experienced Research Scientist at INRIA Place: NII 20F 2006 Seminar Room(Dec.2), 20F 2005 Lecture Room(Dec.3) Date: December 2, 3, 2010 (13:30-15:00, 15:30-17:00) Lecture 1 Embodie
透視投影変換 - ぽんこつでばいす
PSM や LSPSM では透視投影変換の手法を利用してオブジェクトをゆがませるんですが、なんであの行列の形になるのかあまり理解していなかったので勉強してみました。 それで、わかったことをメモ代わりに残しておきます。 3次元上の点P(1,0,0) は同次座標上では無数に表すことができます。 例えば、3次元上の点P(1,0,0) は同次座標上では P[1,0,0,1] とも、P[20,0,0,20] とも表せます。 これを利用すると、同次座標では無限遠の点を簡単に記述できます。 w 成分を小さくしていくと、実空間での xyz 成分はどんどん大きくなり、やがて無限遠に到達します。 w = 0 の場合はもちろん割り切れないので、実空間で表すことは不可能ですが、同次座標系では表すことが可能です。 では w がマイナスになった場合はどうなるのか？ w がマイナスでも点は表せます。 先ほどの点 P(1
0967018mukai 階層グラフカットを用いたステレオマッチング
ダウンロード alpha.zip kaisou.zip 今回作成したプログラム、ライブラリ、makefile、画像ファイルをまとめたzipファイルです。これだけあればプログラムを動かすことができます。上が懼ｧｱ拡張グラフカット、下が階層グラフカットです。プログラムとライブラリは C++ で記述されています。 コンパイル方法・実行方法（コマンドライン） 上のzipファイルを解凍後 "alpha" または "kaisou" フォルダに移動し、makeコマンドを実行すればコンパイルできます。 ※ コンパイラとしてg++が必要 実行ファイルに２つの引数を順番通りに与えて実行すると（順に「左視差画像」「右視差画像」）結果画像 "result.pgm" を出力します。同フォルダにある "start.sh" を実行すると試しにプログラムを動かせます。 ※ 画像形式は "pgm" に限ります M
画像の変換（目次ページ） - koujinz blog
「画像フォーマット」カテゴリの記事 超解像(2009.05.30) アンチエイリアシングとClear Type(2009.05.17) アウトラインフォント(2009.05.16) エッジ検出・エッジ強調・ぼかし(2009.05.09) 画像の拡大－距離計算に関する考察(2009.05.06)
The RANSAC (Random Sample Consensus) Algorithm
The RANSAC (Random Sample Consensus) Algorithm Robert B. Fisher The RANSAC algorithm [1] is an algorithm for robust fitting of models in the presence of many data outliers. The algorithm is very simple. Given a fitting problem with parameters , estimate the parameters. Assume: The parameters can be estimated from N data items. There are M data items in total. The probability of a randomly selected
Novpat's Lab @ ウィキ
novpatの勉強の足跡として利用したいと思います． 私の直感的な理解を書いていくので間違いも多いと思いますが， 間違いがありましたら寛大な心でご指摘ください（^_^）．（指摘は【こちら】でお願いします．）
PRML合宿まとめサイト
■上巻 第1章: 序論 序論ではまずパターン認識の最も簡単な例として多項式曲線フィッティングを取り上げ、パターン認識・機械学習の基本的な枠組みを紹介する。そしてベイズの定理や統計量などの確率論の基礎を導入し、確率論の観点から再び曲線フィッティングを扱う。不確実性はパターン認識の分野における鍵となる概念であり、確率論はこれを定量的に取り扱うための一貫した手法を与えるため、この分野における基礎の中心を担っている点で重要である。 また、回帰・識別の実際の取り扱いに際して必要となる決定理論や、パターン認識・機械学習の理論において役立つ情報理論の導入についても行う。 発表資料はこちら(ppt)とこちら(ppt)。前半では多項式曲線フィッティングの例およびベイズ的確率を、後半では決定理論および情報理論を取り扱っている。 第2章: 確率分布 第2章では二項分布や多項分布、ガウス分布といった各種の確率分布
takminの書きっぱなし備忘録 @はてなブログ
本日コンピュータビジョン勉強会＠関東「ICCV2023読み会」をSansan株式会社様の会場をお借りして開催いたしました。 以下、例によって資料やリンク等のまとめておきます。 登録サイト kantocv.connpass.com Togetter togetter.com YouTube youtube.com コンピュータビジョン勉強会＠関東 sites.google.com 資料まとめ 発表者 発表内容 資料 takmin Machine Learning Operations (MLOps): Overview, Definition, and Architecture https://speakerdeck.com/takmin/di-12hui-japancvfa-biao-zi-liao-machine-learning-operations-mlops-overview-de
おべんきょうwiki
おべんきょうwiki 個人的な勉強メモ． 現在編集は制限してます． readthedocsに引っ越し中です．http://obenkyo-doc.readthedocs.io/ja/latest/ まずはこちらをご覧ください。 @wikiの基本操作 用途別のオススメ機能紹介 @wikiの設定/管理 おすすめ機能 気になるニュースをチェック 関連するブログ一覧を表示 その他にもいろいろな機能満載！！ @wikiプラグイン @wiki便利ツール @wiki構文 バグ・不具合を見つけたら？
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
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
http://www.vision.cs.chubu.ac.jp/ssii08/ssii08-yanai.pdf
【連載】コンピュータビジョンのセカイ - 今そこにあるミライ
Bayesian Core: Chapter 4
索引