Ｄｅｅｐ Ｌｅａｒｎｉｎｇや機械学習を用いた画像認識技術と最新動向

「物体認識」のしくみの基本から解説
画像認識技術を製品や機能へと展開するための要件、技術手法、信頼性実現テクニック、用途展開のキーポイント
最新の研究動向であるディープラーニングによる画像認識手法についても話します

受講料

48,600円 ( S&T会員受講料 46,170円 ) 

(まだS&T会員未登録の方は、申込みフォームの通信欄に「会員登録情報希望」と記入してください。詳しい情報を送付します。ご登録いただくと、今回から会員受講料が適用可能です。)

 【2名同時申込みで1名分無料キャンペーン（１名あたり定価半額の24,300円）】
　　※2名様ともS&T会員登録をしていただいた場合に限ります。
　　※同一法人内(グループ会社でも可)による2名同時申込みのみ適用いたします。
　　※3名様以上のお申込みの場合、上記１名あたりの金額で追加受講できます。
　　※受講券、請求書は、代表者にご郵送いたします。
　　※請求書および領収書は1名様ごとに発行可能です。
　　　(申込みフォームの通信欄に「請求書１名ごと発行」と記入ください。)
　　※他の割引は併用できません。

講師

中部大学　工学部　ロボット理工学科　教授　博士（工学）　藤吉 弘亘　氏

趣旨

　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。

プログラム

１．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。

　1.1 Haar-like特徴と顔検出
　1.2 AdaBoostのアルゴリズム
　1.3 HOG特徴と人検出(Histograms of Oriented Gradients)
　1.4 その他の画像局所特徴量

２．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。

　2.1 Random Forests
　2.2 Hough Forestsによる物体検出
　2.3 Random Forestsを用いた距離画像からの人体姿勢推定
　2.4 Regression Forestsによる回帰
　2.5 Density Forestsによる密度推定
　2.6 Semi-supervised Forestsによる半教師付き学習

３．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。

　3.1 Deep Learningとは
　3.2 畳み込みニューラルネットワーク
　3.3 CNNによる画像認識

　　□質疑応答□