非会員：
50,600円
（本体価格：46,000円）
会員：
50,600円
（本体価格：46,000円）
学生：
50,600円
（本体価格：46,000円）
お1人様受講の場合 49,680円［税込］（47,000円＋税）
1口でお申込の場合 61,560円［税込］（57,000円＋税）／1口（3名まで受講可能）
1 画像局所特徴量と特定物体認識
SIFT(Scale-Invariant Feature Transform)特定物体認識の実現には、特定物体のテクスチャから画像局所特徴量を抽出します。ここでは、SIFT特徴量とその高速化手法であるSURFのアルゴリズムを解説します。また、SIFT、SURF以降の高速化のアプローチについて紹介します。
1.1 SIFTのアルゴリズム
1.2 SIFTによる特定物体認識
1.3 高速化（SURF）
1.4 決定木を用いたキーポイント検出（FAST)
1.5 バイナリコードによる特徴記述（BRIEF, ORB, CARD）
2 局所特徴量と統計的学習手法による物体検出
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。
2.1 Haar-like特徴と顔検出
2.2 AdaBoostのアルゴリズム
2.3 HOG特徴と人検出(Histograms of Oriented Gradients)
2.4 その他の画像局所特徴量
3 Random Forestsとその応用
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。
3.1 Random Forests
3.2 Random Forestsを用いた距離画像からの人体姿勢推定
3.3 Regression Forests
3.4 Conditional Regression Forests
3.5 Conditional Regression Forestsを用いた顔パーツ検出
3.6 Density Forests, Semi-supervised Forests
