画像認識する技術は、クルマ、ロボット、防犯システム、エンタテインメントの分野において上手く活用され、社会における新しい価値の実現基盤となっています。
本セミナーでは、車載システムやデジカメなどで使用されている「物体認識」のしくみを紹介しながら、近年のアプローチである、機械学習による画像認識手法のしくみと、画像認識技術を新しい製品や機能へと展開する上で押さえておかなければならない要件や技術手法、信頼性の実現テクニック、アプリケーション展開のためのヒントとなるキーポイントを示します。さらに、最新の研究動向として、Deep Learningによる画像認識手法についても紹介します。
- 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
- 多クラス識別器Random Forestsによる画像認識
- Random Forests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始めています。Random Forests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、再指針動向として、Random Forestsの回帰への応用であるRegression Forestsも解説します。
- Random Forests
- Hough Forestsによる物体検出
- Random Forestsを用いた距離画像からの人体姿勢推定
- Regression Forestsによる回帰
- Density Forestsによる密度推定
- Semi-supervised Forestsによる半教師付き学習
- 画像認識の最新動向
- 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による画像認識