市村/物体認識について
をテンプレートにして作成
[
トップ
] [
新規
|
一覧
|
単語検索
|
最終更新
|
ヘルプ
] [
Japanese
/
English
]
研究について
研究の概要
論文発表
メディア
メンバー
教員
大学院生
学部生
OB
リンク
リンク集
授業
コンピュータプログラミング基礎II
機械知能システム工学特別講義I
機械システム工学特論(MORE SENSE特論)
内部用
物品管理(registries)
外部ソフトウェア
PC環境設定
買い物
プリンタ設定
定例研究会(weekly)
研究発表会(monthly)
閲覧回数順
開始行:
[[../]]
#contents
*気になるメモ [#ob98b460]
-[[この本:http://www.amazon.co.jp/dp/1598299689/?tag=hate...
--著者:[[Kristen Grauman:http://www.cs.utexas.edu/~graum...
--出版日:2011/02/28
--画像認識に関するチュートリアル本
---前半が特定物体認識,後半が一般物体認識の話
---基礎から比較的最近の手法まで書かれている(コンパクトに...
--目次
1 Introduction
1.1 Overview
1.2 Challenges
1.3 The State of the Art
2 Overview:Recognition of Specific Objects
2.1 Global Image Representations
2.2 Local Feature Representations
3 Local Features:Detection and Description
3.1 Introduction
3.2 Detection of Interest Points and Regions
3.3 Local Descriptors
3.4 Concluding Remarks
4 Matching Local Features
4.1 Efficient Similarity Search
4.2 Indexing Features with Visual Vocabularies
4.3 Concluding Remarks
5 Geometric Verification of Matched Features
5.1 Estimating Geometric Models
5.2 Dealing with Outliers
6 Example Systems:Specific-Object Recognition
6.1 Image Matching
6.2 Object Recognition
6.3 Large-Scale Image Retrieval
6.4 Mobile Visual Search
6.5 Image Auto-Annotation
6.6 Concluding Remarks
7 Overview:Recognition of Generic Object Categories
8 Representations for Object Categories
8.1 Window-based Object Representations
8.2 Part-based Object Representations
8.3 Mixed Representations
8.4 Concluding Remarks
9 Generic Object Detection:Finding and Scoring Candidates
9.1 Detection via Classification
9.2 Detection with Part-based Models
10 Learning Generic Object Category Models
10.1 Data Annotation
10.2 Learning Window-based Models
10.3 Learning Part-based Models
11 Example Systems:Generic Object Recognition
11.1 The Viola-Jones Face Detector
11.2 The HOG Person Detector
11.3 Bag-of-Words Image Classification
11.4 The Implicit Shape Model
11.5 Deformable Part-based Models
12 Other Considerations and Current Challenges
12.1 Benchmarks and Datasets
12.2 Context-based Recognition
12.3 Multi-Viewpoint and Multi-Aspect Recognition
12.4 Role of Video
12.5 Integrated Segmentation and Recognition
12.6 Supervision Considerations in Object Category Lea...
12.7 Language, Text, and Images
13 Conclusions
*大規模画像活用に関する調査 [#r8a49f55]
-大規模画像セット
--[[ImageNet:http://www.image-net.org/index]]
---[[LSVCR2011:http://www.image-net.org/challenges/LSVRC/...
--Tiny Images Dataset
-Keywards
--&size(16){[[アノテーション:http://ja.wikipedia.org/wiki...
*物体認識(object recognition) [#d984a317]
-特定物体認識(identification)=ある特定の物体と同一の物体...
-一般物体認識(classification)=一般的な物体のカテゴリ(自動...
--一般物体認識は難しい。人間はどんな色・形でも自動車は自...
&br;
-特定物体認識における対象物体の変動要因
--幾何学的変動 = 対象とカメラの位置関係が定まらないことに...
--照明変動 = 対象の周囲にある光源や他の物体による影...
--オクルージョン = 他の物体によって対象の一部が隠れること
&br;
⇒画像から抽出する特徴量は、上記のような変動の影響を受けて...
-上記の変動による問題を解決する特徴抽出法,キーワードは「...
--画像を解析して特徴的で局所的な領域を求め、その領域を変...
---どのような角度から撮影しても、常に同じ局所領域が得られ...
---局所領域の輝度を正規化することにより、照明変動の影響も...
---オクルージョンの影響を受けていない部分から局所領域が抽...
⇒各種変動に全く影響を受けないということはないが、影響を限...
&br;&br;
&size(22){物体認識は,特徴抽出部と識別部に分類される.};
&br;
&size(20){特徴量};
-&size(16){SIFT};
--Scale-Invariant Feature Transform
--局所特徴量の中でも、最も有効な手法の一つ
--アルゴリズムはDavid Lowe(デビット・ロウ)氏によって1999...
--SIFTで対応可能な幾何学変換は、相似変換(拡大、縮小、並...
--形がかわるようなもの(射影変換など)には対処できない
--個々の局所領域からは、照明の変動に安定した&color(red){1...
-&size(16){SURF};
--Speeded Up Robust Features
--SIFTの処理速度を向上させたもの
--SIFTの計算を近似計算で代用しているらしい
--基本的にはSIFTと同じ考え方
-&size(16){フィッシャーベクトル};
--最近一番の流行り
--局所特徴の平均に加え,分散(共分散を除く)を用いる.
-&size(16){BoVW(Bag of Visual words)};
--ここ3年で急速に進歩
--これが出てきて,「k-meansでクラスタリング→ヒストグラム...
&br;
&size(20){識別器};
-&size(16){最近傍探索};
-&size(16){SVM(サポートベクターマシン)};
&br;&br;
&size(20){クラスタリング};
-&size(16){k-means};
終了行:
[[../]]
#contents
*気になるメモ [#ob98b460]
-[[この本:http://www.amazon.co.jp/dp/1598299689/?tag=hate...
--著者:[[Kristen Grauman:http://www.cs.utexas.edu/~graum...
--出版日:2011/02/28
--画像認識に関するチュートリアル本
---前半が特定物体認識,後半が一般物体認識の話
---基礎から比較的最近の手法まで書かれている(コンパクトに...
--目次
1 Introduction
1.1 Overview
1.2 Challenges
1.3 The State of the Art
2 Overview:Recognition of Specific Objects
2.1 Global Image Representations
2.2 Local Feature Representations
3 Local Features:Detection and Description
3.1 Introduction
3.2 Detection of Interest Points and Regions
3.3 Local Descriptors
3.4 Concluding Remarks
4 Matching Local Features
4.1 Efficient Similarity Search
4.2 Indexing Features with Visual Vocabularies
4.3 Concluding Remarks
5 Geometric Verification of Matched Features
5.1 Estimating Geometric Models
5.2 Dealing with Outliers
6 Example Systems:Specific-Object Recognition
6.1 Image Matching
6.2 Object Recognition
6.3 Large-Scale Image Retrieval
6.4 Mobile Visual Search
6.5 Image Auto-Annotation
6.6 Concluding Remarks
7 Overview:Recognition of Generic Object Categories
8 Representations for Object Categories
8.1 Window-based Object Representations
8.2 Part-based Object Representations
8.3 Mixed Representations
8.4 Concluding Remarks
9 Generic Object Detection:Finding and Scoring Candidates
9.1 Detection via Classification
9.2 Detection with Part-based Models
10 Learning Generic Object Category Models
10.1 Data Annotation
10.2 Learning Window-based Models
10.3 Learning Part-based Models
11 Example Systems:Generic Object Recognition
11.1 The Viola-Jones Face Detector
11.2 The HOG Person Detector
11.3 Bag-of-Words Image Classification
11.4 The Implicit Shape Model
11.5 Deformable Part-based Models
12 Other Considerations and Current Challenges
12.1 Benchmarks and Datasets
12.2 Context-based Recognition
12.3 Multi-Viewpoint and Multi-Aspect Recognition
12.4 Role of Video
12.5 Integrated Segmentation and Recognition
12.6 Supervision Considerations in Object Category Lea...
12.7 Language, Text, and Images
13 Conclusions
*大規模画像活用に関する調査 [#r8a49f55]
-大規模画像セット
--[[ImageNet:http://www.image-net.org/index]]
---[[LSVCR2011:http://www.image-net.org/challenges/LSVRC/...
--Tiny Images Dataset
-Keywards
--&size(16){[[アノテーション:http://ja.wikipedia.org/wiki...
*物体認識(object recognition) [#d984a317]
-特定物体認識(identification)=ある特定の物体と同一の物体...
-一般物体認識(classification)=一般的な物体のカテゴリ(自動...
--一般物体認識は難しい。人間はどんな色・形でも自動車は自...
&br;
-特定物体認識における対象物体の変動要因
--幾何学的変動 = 対象とカメラの位置関係が定まらないことに...
--照明変動 = 対象の周囲にある光源や他の物体による影...
--オクルージョン = 他の物体によって対象の一部が隠れること
&br;
⇒画像から抽出する特徴量は、上記のような変動の影響を受けて...
-上記の変動による問題を解決する特徴抽出法,キーワードは「...
--画像を解析して特徴的で局所的な領域を求め、その領域を変...
---どのような角度から撮影しても、常に同じ局所領域が得られ...
---局所領域の輝度を正規化することにより、照明変動の影響も...
---オクルージョンの影響を受けていない部分から局所領域が抽...
⇒各種変動に全く影響を受けないということはないが、影響を限...
&br;&br;
&size(22){物体認識は,特徴抽出部と識別部に分類される.};
&br;
&size(20){特徴量};
-&size(16){SIFT};
--Scale-Invariant Feature Transform
--局所特徴量の中でも、最も有効な手法の一つ
--アルゴリズムはDavid Lowe(デビット・ロウ)氏によって1999...
--SIFTで対応可能な幾何学変換は、相似変換(拡大、縮小、並...
--形がかわるようなもの(射影変換など)には対処できない
--個々の局所領域からは、照明の変動に安定した&color(red){1...
-&size(16){SURF};
--Speeded Up Robust Features
--SIFTの処理速度を向上させたもの
--SIFTの計算を近似計算で代用しているらしい
--基本的にはSIFTと同じ考え方
-&size(16){フィッシャーベクトル};
--最近一番の流行り
--局所特徴の平均に加え,分散(共分散を除く)を用いる.
-&size(16){BoVW(Bag of Visual words)};
--ここ3年で急速に進歩
--これが出てきて,「k-meansでクラスタリング→ヒストグラム...
&br;
&size(20){識別器};
-&size(16){最近傍探索};
-&size(16){SVM(サポートベクターマシン)};
&br;&br;
&size(20){クラスタリング};
-&size(16){k-means};
ページ名: