本講義は,画像および3次元データを処理し,データから高次な情報を抽出する方法について学ぶ.データ処理の基礎や幾何学的変換,および機械学習を行うための線形代数について学ぶと共に,近年の深層ニューラルネットワークを用いた最先端研究事例とその手法を,Python等のプログラミング言語を用いた実践演習を交えながら理解する.
画像・3次元データ処理の基礎を身につけ,Python等のプログラミング言語を用いて深層学習を含む様々な処理を実装できるようになることを目標とする.
画像処理,3次元データ処理,幾何的変換,深層学習,ニューラルネットワーク
✔ 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) |
画像・3次元データ処理の基礎・応用・実践について講義資料(スライド)とプログラミング演習を用いて講義する.
授業計画 | 課題 | |
---|---|---|
第1回 | 画像・3Dデータの入出力 | 3次元センサや、ファイル入出力、データの描画方法を理解する |
第2回 | 画像・3Dデータの前処理 | データのフィルタリングと幾何的変換について学ぶ |
第3回 | 画像・3Dデータの特徴量 | SIFT等の画像特徴量および3Dキーポイント検出と3D局所特徴量について学ぶ |
第4回 | 画像・3Dデータの対応点探索 | k-d木のデータ構造と最近傍探索について学ぶ |
第5回 | 3Dデータの位置合わせ | RANSACとグラフマッチング、およびICPアルゴリズムを理解する |
第6回 | 機械学習の基礎となる線形代数 | 機械学習の基礎となる線形代数について学ぶ |
第7回 | 機械学習を用いたデータ分類 | サポートベクターマシン等によるデータ分類手法を学ぶ |
第8回 | 深層学習の基礎 | 畳み込み層等の処理や誤差逆伝播法による深層学習の仕組みを理解する |
第9回 | 深層学習を用いた画像処理(1) | 深層学習を用いた画像識別の手法を学ぶ |
第10回 | 深層学習を用いた画像処理(2) | 深層学習を用いた画像セグメンテーション等の手法を学ぶ |
第11回 | 深層学習を用いた3Dデータ処理(1) | 深層学習を用いた3Dデータ識別の手法を学ぶ |
第12回 | 深層学習を用いた3Dデータ処理(2) | 深層学習を用いた3Dデータセグメンテーション等の手法を学ぶ |
第13回 | 深層学習を用いた3Dデータ処理(3) | 陰関数による三次元表現や幾何情報を活用した機械学習等について学ぶ |
第14回 | まとめ | 講義のまとめ |
学修効果を上げるため,教科書や配布資料等の該当箇所を参照し,「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
KS理工学専門書
『詳解 3次元点群処理 Pythonによる基礎アルゴリズムの実装』
出版社:講談社
発売日:2022/10/5
講義の内容理解度を評価する。演習課題およびレポートで成績を評価する。
履修の必須条件は設けない。