日時
- 2016年3月24日 10時00分〜 2016年3月24日 17時00分
開催予定
プログラム
- 局所特徴量と機械学習 (2クラス識別器) による画像認識
- 物体検出は、局所特徴量と統計的学習手法の組み合わせにより実現されています。顔検出として、
Haar-like特徴とAdaBoost識別器を解説した後、人検出で用いられるHOG特徴量等について解説します。 - Haar-like特徴と顔検出
- AdaBoostのアルゴリズム
- HOG特徴と人検出 (Histograms of Oriented Gradients)
- その他の画像局所特徴量
- 物体検出は、局所特徴量と統計的学習手法の組み合わせにより実現されています。顔検出として、
- 多クラス識別器Random Forestによる画像認識
- Random Forestは、バギングや特徴選択等のランダム性を取り入れながら、決定木をアンサンブルに
構築するアプローチで、多くのアプリケーションで利用されています。Random Forestのアルゴリズムと
その応用例として、Kinectの人体姿勢推定手法について解説します。また、Random Forestの回帰への
応用であるRegression Forestや、半教師付学習等についても解説します。 - Random Forest
- Hough Forestによる物体検出
- Random Forestを用いた距離画像からの人体姿勢推定
- Regression Forestによる回帰
- Density Forestによる密度推定
- Semi-supervised Forestによる半教師付き学習
- Random Forestは、バギングや特徴選択等のランダム性を取り入れながら、決定木をアンサンブルに
- 画像認識の最新動向
- 機械学習における最新の研究動向として、Deep Learningについて概説し、畳み込みニューラルネットワークの
しくみと画像認識への適用について解説します。 - Deep Learningとは
- 畳み込みニューラルネットワーク (CNN)
- CNNによる画像認識応用
- 機械学習における最新の研究動向として、Deep Learningについて概説し、畳み込みニューラルネットワークの
会場
受講料
- 1名様: 47,000円(税別) / 51,700円(税込)
- 複数名: 59,000円(税別) / 64,900円(税込)