知識の情報処理、とくにコンピュータビジョンについて重点的に学ぶ。ニューラルネットワークによって学習に基づき推定されることが多い情報の取得について、古典的な手法を学ぶことにより、カメラ、画像、形状、反射特性に関する事象の深い理解につなげる。トピックとしては、画像の特徴量の抽出、三次元形状復元、物体の追跡、生成モデル、強化学習について、学習する。
コンピュータビジョンや強化学習についての基礎的な事象を説明し、実装できる。
コンピュータビジョン、強化学習、画像特徴、物体認識、画像領域分割、エピポーラ幾何、三次元復元、オプティカルフロー、物体追跡、イメージ・ベースト・レンダリング、生成モデル
✔ 専門力 | 教養力 | コミュニケーション力 | ✔ 展開力(探究力又は設定力) | ✔ 展開力(実践力又は解決力) |
スライドを用いた講義とプログラミング演習を行う。
授業計画 | 課題 | |
---|---|---|
第1回 | ニューラルネットワーク | 多層パーセプトロン、誤差逆伝播法、畳み込みニューラルネットワーク、その他のモデル、ネットワークの最適化について学ぶ。 |
第2回 | 画像の特徴量 | ハリスのオペレータ、スケール選択、SIFT、HOG、ORB、ニューラルネットによる物体検出について学ぶ。 |
第3回 | 物体認識、距離学習、領域分割 | 顔認識、人物識別、人物検出、ゲシュタルト原則、K-means/Mean-shiftクラスタリング、グラフカット、スーパーピクセル について学ぶ。 |
第4回 | エピポーラ幾何、三次元復元 | エピポーラ幾何、基本行列、基礎行列、 ロバスト推定、SfM、について学ぶ。 |
第5回 | オプティカルフロー、物体の追跡 | オプティカルフロー、窓問題、追跡、パーティクルフィルタ、データアソシエーションについて学ぶ。 |
第6回 | 特殊な撮像系、生成モデル | プレノプティック関数、光線空間、ハイダイナミックレンジイメージング、ニューラルレンダリング、生成モデルについて学ぶ。 |
第7回 | 強化学習 | マルコフ決定過程、最適行動価値関数、Q学習について学ぶ。 |
「毎授業」授業内容に関する 予習と復習(課題含む)をそれぞれ概ね100分を目安に行うこと。
なし.
コンピュータビジョン ―アルゴリズムと応用―
課題に対するレポートの提出により、講義内容の理解度や応⽤⼒を評価する。
履修の条件を設けない.
reikawa[at]sc.e.titech.ac.jp