非会員:
49,500円
(本体価格:45,000円)
会員:
47,025円
(本体価格:42,750円)
学生:
49,500円
(本体価格:45,000円)
48,600円 (会員受講料 46,170円 )
定価:本体45,000円+税3,600円
会員:本体42,750円+税3,420円
【2名同時申込みで1名分無料(1名あたり定価半額の24,300円)】
※2名様とも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。
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