More Related Content Similar to 機械学習とコンピュータビジョン入門 (20) 機械学習とコンピュータビジョン入門3. 自己紹介
• 波部 斉(はべ ひとし)
• これまでの仕事
– 道路監視向け画像処理システムの開
発(1999-2002)
– 遠隔講義システムの運用+研究
(2002-2006)
– 水中生体観測システムの研究
(2002-2006)
– コンピュータビジョン研究(1998
-)
2016/2/27 機械学習勉強会
52. バギング
• 教師データ集合全体から個々の決定木の学習
に利用する教師データをランダムに選ぶ
– 重複を許す(w/ replacement)
– 使われないデータがあっても良い
• ブートストラップサンプル
• バギング(bootstrap aggregating)
2015/05/25 52
𝑆𝑆
𝒗𝒗1, 𝑡𝑡1
𝒗𝒗3, 𝑡𝑡3
𝒗𝒗4, 𝑡𝑡4
𝒗𝒗2, 𝑡𝑡2
𝒗𝒗1, 𝑡𝑡1
𝒗𝒗3, 𝑡𝑡3 𝑆𝑆1 𝒗𝒗3, 𝑡𝑡3 𝑆𝑆2
𝒗𝒗4, 𝑡𝑡4
𝒗𝒗3, 𝑡𝑡3
𝒗𝒗4, 𝑡𝑡4
70. HOG特徴量
• Histogram of Oriented-Gradients
– 方向付きの明度勾配のヒストグラムを利用
• 物体の大まかな形状が表現可能な特徴量
• 人物や車などの記述に利用されている
70
藤吉弘亘, "Gradientベースの特徴抽出 - SIFTとHOG -", 情報処理学会 研究報告 CVIM 160, pp. 211-224, 2007.
2016/2/27 機械学習勉強会
75. 実例3:身体部位推定
2016/2/27 75
[Shotton et al. 2011]
left
hand
right
shoulder neck
right
foot
Input depth image Visual features
• 人間の身体を31個の部位
に分割
• 入力:デプスマップ
• 出力:部位ラベル
2画素の奥行きの差
機械学習勉強会
81. 最近の流れ
• CNN すごい!(ImageNetすごい!)
– データ集めるの大変・・・
– ブラックボックスなので気持ち悪い
• CNNなどの可視化の取り組み
• 数理的な解析
2016/2/27 機械学習勉強会 81
最新のトレンドについては
cvpaper.challenge
(最新のトップ国際会議論文を読むプロジェクト)や
各種勉強会のスライドが参考になる
82. まとめ(take-home message)
• 機械学習は 𝑓𝑓: 𝒙𝒙 → 𝑦𝑦 が基本
– 何を入力として何を出力(目標)にするかの選択が
重要
– 黎明期はほぼ自明なものばかりだった
– 深い洞察や知識がなければ得られない出力までたど
り着けば「人工知能」となる?
• データの量と質が重要
– 大量かつノイズが少ないデータがあれば嬉しい
– 目前のデータがそれを満たすものかをまず考える
– 逆に独自のデータをもっていれば強力な武器となる
2016/2/27 機械学習勉強会 82
84. 参考文献(2)
2016/2/27 機械学習勉強会 84
Elements of Statistical Learning
(T. Hastie et al., 2009)
(和訳:統計的学習の基礎:データ
マイニング・推論・予測,共立出版,
2014)
Computer Vision: Algorithms and
Applications(R. Szeliski, 2010)
(和訳:コンピュータビジョン:アル
ゴリズムと応用,共立出版,2013)