MACHINE PERCEPTION AND ROBOTICS GROUP

機械知覚&ロボティクスグループ
中部大学

・自己教師あり学習とは？　・自己教師あり学習モデルの評価方法　・対照学習　・Masked Image Modeling　・ハイブリッド手法　・データセットの大規模化　・自己教師あり学習の課題

・Transformerのしくみ　・Vision Transformerのしくみ　・Vision Transformerの応用例　・Vision Transformerと自己教師あり学習

・深層学習と今回のチュートリアルについて　・CNN（深層学習）の長所　・入力と出力の関係をどうするか？　・ネットワーク構造をどうするか？　・学習方法をどうするか？　・データをどうするか？　・時系列データの場合はどうするか？　・マルチタスクの事例

1. ROSとは?　2. ROSの通信システムとソフトウェア開発　3. ツール，パッケージの紹介　4. 研究事例，関連情報の紹介

1. 最近の状況　2. Convolutional Neural Networksについて　3. 汎化性能を向上させるための工夫　4. パラメータによる性能比較　5. 今から始めるためのツール・知っておきたいこと　6. 研究事例紹介

1. SIFT(Scale-Invariant Feature Transform)　2. SIFT以降のキーポイント検出器　3. SIFT以降のキーポイント記述子　4. 評価方法と実装

1.1 進化する物体認識　1.2 一般物体認識とは　1.3 一般物体認識の細分化

2.1 SIFTのアルゴリズム　2.2 SIFTの高精度化(PCA-SIFT, GLOH)　2.3 SIFTの高速化(SURF)　2.4 SIFT以降のアプローチ(FAST, BRIEF, etc)

3.1 Haar-like特徴量と顔検出　3.2 AdaBoost　3.3 HOG特徴量　3.4 Real AdaBoost　3.5 人検出　3.6 第３世代の特徴量(Joint-HOG)

4.1 Random Forestsのアルゴリズム　4.2 学習を用いたキーポイントマッチングの高速化　4.3 Random Forestsを用いた人体姿勢推定(KINECT)
4.4 その他の問題設定への応用

5 物体検出のハードウェア化