都内のパン屋でパン画像識別システムを使った実証実験がスタート http://jp.diginfo.tv/v/12-0145-r-jp.php DigInfo TV - http://jp.diginfo.tv 2012/7/24 ブレイン ベーカリースキャン
都内のパン屋でパン画像識別システムを使った実証実験がスタート #DigInfo
都内のパン屋でパン画像識別システムを使った実証実験がスタート http://jp.diginfo.tv/v/12-0145-r-jp.php DigInfo TV - http://jp.diginfo.tv 2012/7/24 ブレイン ベーカリースキャン
都内のパン屋でパン画像識別システムを使った実証実験がスタート - DigInfo TV
株式会社ブレインは、トレイ上のパンを約1秒で一括識別するシステムを開発し、東京都内のパン屋で実証実験を開始しました。 この技術は兵庫県立大学と共同開発したもので、実際のレジ精算業務に応用したのは世界で初めての試みとなります。 "アルバイトの方がすぐにパンの名前が覚えられないといった時にこのシステムを使うと、パンの名前が画面に出てきますので、即日レジを担当できるというのが一番のメリットです。それから、やはりレジ待ち行列でも瞬時に精算が完了するので全体的な効率化になると思います。" このシステムは、店内のほぼすべての商品で使うことができますが、サンドイッチなど、違う種類であっても角度によって同じ形・色に見える物は、具材をカメラに向ける必要があります。 "パンと言うのは、焼き釜の位置によって焼き色が変わったり、パンの上に載せるトッピングも人が載せるものですので、1つとして同じ場所には載りません。
今読んでる本 - 『工学系の関数解析』
教科書の類は多読するよりも一冊の本を精読/演習するのがスジだと思うもんで，あたしのように複数冊の教科書を読むのは野暮なんだと思います。しかし残念なことに，あたしの場合は周りに先生がいないもんだから仕方がない（選んだ書籍だけと心中するわけにいかない）。んなもんで，あたしゃ一冊主たる教科書を決めておいて，派生的にいくつかの書籍を参照していたりします。で，こちら。 あたしが読んでいる主たる本は，数年前から PRML で，そこで分からない話が出てきたときに他書を当たるようにしています。本書もその一冊。 関数解析周りは常日頃から力不足を感じていて，PRML に限らず，教科書の類を読んでいて途方に暮れることがしばしばあります。特に，「……したがって，○○もヒルベルト空間になる。」みたいな「したがって」が現れるときに，「？」となって，数日から数週間ハマることがしばしばある。ヒルベルト空間それ自体の定義や
線形分類器 - Wikipedia
線形分類器（英: Linear classifier）は、特徴の線形結合の値に基づいて分類を行う確率的分類器である。機械学習において、分類は項目群を特徴値に基づいてグループに分類することを目的とする。 分類器への入力特徴ベクトルが実数ベクトル であるとき、出力のスコアは次のようになる。 ここで、 は重み付けの実数ベクトル、f は2つのベクトルのドット積を必要な出力に変換する関数である。重み付けベクトル はラベル付き訓練例で学習することで変化していく。f はあるしきい値以上の値を第一クラスに分類し、それ以外を第二クラスに分類するといった単純な関数であることが多い（二項分類）。より複雑な f としては、ある項目があるクラスに属する確率を与えるものなどがある。 二項分類問題は、高次元の入力空間を超平面で分割する操作として視覚化できる。その超平面の一方の側にある点は分類において "yes" とされ
JavaScriptによるk-Nearest Neighbor体験デモ - シリコンの谷のゾンビ
研究室の後輩向けに機械学習実装レクチャのようなものをやってみたのだけれど，知識ゼロの学生を対象にした場合にはk-NN (特に1-NN) から始めるのがよかろうと思ってそこから解説してみた*1．実装もとても簡単． なおk最近傍法とか呼ばれたりもするk-NNは，入力されたデータ点のk個の近傍のラベルによって分類するという方法． 帰宅してから，これcanvasを使えばブラウザから利用できるデモできるんじゃね? ということを思いついてさっそく実装．せっかくだから正規分布からデータ生成するロジックも追加してみた．k-NNとか機械学習とかわからない人たちにイメージをつけるのに役に立つかもしれないので公開．ご自由にお試しください*2． k-Nearest Neighbor Demo ver.1.0 k-NNくらい簡単だと静止した図の説明で大体事足りるのだけれど，動くデモがあった方が眠くならないだろうし．
パターン認識とニューラルネットワーク
次へ: パターン認識とは パターン認識とニューラルネットワーク 栗田多喜夫 脳神経情報研究部門 産業技術総合研究所 E-mail: takio-kurita@aist.go.jp パターン認識とは ベイズ決定理論 ベイズ決定方式 正規分布の場合 確率密度分布の推定 パラメトリックモデル 最尤法 ベイズ推定 ノンパラメトリックな方法 ノンパラメトリックな確率密度関数の推定 核関数に基づく方法 K-NN法 セミパラメトリックな手法 混合分布モデル(Mixture Model) 最尤法 EM アルゴリスム 階層型ニューラルネット 多層パーセプトロン 単純パーセプトロン 単純パーセプトロンの学習 多層パーセプトロン 誤差逆伝搬学習法 最尤推定としての定式化 多層パーセプトロンと非線形回帰 汎化性 情報量基準による汎化能力の評価 VC次元 Optimal Brain Surgeon Weight D
柔らかな情報処理のための統計的手法の応用に関する研究 A STUDY ON APPLICATIONS OF STATISTICAL METHODS TO FLEXIBLE INFORMATION PROCESSING
次へ: Synopsis 柔らかな情報処理のための統計的手法の応用に関する研究 A STUDY ON APPLICATIONS OF STATISTICAL METHODS TO FLEXIBLE INFORMATION PROCESSING 栗田 多喜夫 Takio KURITA Synopsis 序論 多変量データ解析の理論 はじめに 記号と定義 数量化法の非線形への拡張 数量化１類とその非線形への拡張 数量化２類とその非線形への拡張 非線形の数量化２類と数量化３類の関係 交差係数行列の固有値問題 数量化４類との関係 距離について 多変量データ解析手法の非線形への拡張 非線形重回帰分析 非線形判別分析 非線形正準相関分析 線形近似としての線形データ解析手法 条件つき確率の線形近似 近似としての重回帰分析および数量化１類 近似としての判別分析および数量化２類 近似としての正準相関分析 本
Prof. Takio Kurita (Top Page)
[2020年4月1日] 広島大学に新設された先進理工系科学研究科を担当します． [2018年4月1日] 広島大学に新設された情報科学部を担当します． [2017年2月3日] 国際会議FCV2017でBest Poster Presentation Awardを受賞しました． [2015年2月13日] 産業技術総合研究所の由井誠さんをお招きして、広島大学統計科学研究拠点セミナーを開催します。 [2015/01/29] 国際会議FCV2015で Best Paper Award を受賞しました。 [2014年10月29日] 筑波大学の日野先生をお招きして、広島大学統計科学研究拠点セミナーを開催します。 [2014年10月10日] 広島画像情報学セミナーを開催します。 [2014年10月] 博士課程後期の学生1名が入学しました。また、総合科学部の3年生が1名栗田研究室に加わりました。 [2014
柔らかな情報処理のための統計的手法の応用に関する研究 A STUDY ON APPLICATIONS OF STATISTICAL METHODS TO FLEXIBLE INFORMATION PROCESSING
次へ: Synopsis 柔らかな情報処理のための統計的手法の応用に関する研究 A STUDY ON APPLICATIONS OF STATISTICAL METHODS TO FLEXIBLE INFORMATION PROCESSING 栗田 多喜夫 Takio KURITA visitors since Jul. 19, 2002. Synopsis 序論 多変量データ解析の理論 はじめに 記号と定義 数量化法の非線形への拡張 数量化１類とその非線形への拡張 数量化２類とその非線形への拡張 非線形の数量化２類と数量化３類の関係 交差係数行列の固有値問題 数量化４類との関係 距離について 多変量データ解析手法の非線形への拡張 非線形重回帰分析 非線形判別分析 非線形正準相関分析 線形近似としての線形データ解析手法 条件つき確率の線形近似 近似としての重回帰分析および数量化１類 近似と
書籍検索｜Ohmsha
※弊社発行書籍の正誤情報、ダウンロードデータは、該当書籍の詳細ページに掲載しています。該当する書籍を検索いただき、ご確認ください。
【PRML同人誌】パターン認識と機械学習の学習－ベイズ理論に挫折しないための数学（光成 滋生 著）
第1章 「序論」のための確率用語 第2章 「確率分布」のための数学 第3章 「線形回帰モデル」のための数学 第4章 「線形識別モデル」のための数学 第9章 「混合モデルと EM」の数式の補足 第10章「近似推論法」の数式の補足 第11章「サンプリング法」のための物理学 ■まえがき サイボウズ・ラボでは「言語処理に必要そうな機械学習の基礎知識を身につける」という目標のもと，2011年の2月から11月にかけて当時シュプリンガー・ジャパン（現在は丸善）から出版されていた「パターン認識と機械学習」（PRML）を輪読する社内読書会をやっていました． 「あの本」を10ヶ月足らずで一通り（すべての章ではありませんが）読みきったと言えば，そのスパルタな様子が想像つくのではないでしょうか．しかも，専門の学生ではない社会人が仕事の合間に！ 当然スムーズに読み進めるはずもなく，いろんなところでつまずくことになり
浅野 晃の講義 － 数理科学特論Ａ～画像数学～（2001年度後期）
お知らせ このページについて この講義は過去のもので，このページは現在のウェブサーバ用に再構成したものです． スケジュール以外のプリント 講義の案内 スケジュール
パタンー認識 金曜日 3限
パタ-ン認識 月曜日 2限 担当： 朴 鍾杰 授業概要 画像情報はデジタルデータとしてコンピュータや通信網で柔軟にかつ統一的に扱えるようになりつつある。また，画像を撮る，見る，加工・処理する，作る，送る，保存するというような，画像と人間の関わりも，コンピュータが掛け橋となって大きく変化している。 人間は目から多くの情報を得ている。したがって，カメラやスキャナでとりこんだ画像をコンピュータでどのように強調して見やすい画像にするか，また人間に近い認識ができるかは大きな課題である。ここでは，画像情報の加工・処理技術について，基礎，基本手法，処理システム，応用などについて講述する。 テキスト 参考図書 「ディジタル画像処理」 CG-ARTS協会 評価方法 テスト，演習問題，授業の出席状況より総合的に評価する。 お知らせ 画像処理エンジニア検定について 期末テスト 1月22日
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
CVLAB Homepage
統計的画像処理手法
ニューラルネット入門
顔検出・顔認識のための統計的手法
初歩から学ぶ 統計的学習 －画像処理で体験してみよう－ | Ohmsha
Amazon.co.jp: 初歩から学ぶ 統計的学習—画像処理で体験してみよう—: 熊澤逸夫 (著), 映像情報メディア学会 (編集): 本
http://www.junkudo.co.jp/detail.jsp?ISBN=9784873101668