MACHINE PERCEPTION AND ROBOTICS GROUP

機械知覚&ロボティクスグループ
中部大学

Random ForestとRegression Forestの学習識別

HOG特徴量とReal AdaBoostによる学習と識別

平滑化処理の繰り返しによる画像セグメンテーションのためのグラフカット

Computer Vision with processing : object detection, tracking, mapping

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

山内悠嗣, 山下隆義, 藤吉弘亘, "画像からの統計的学習手法に基づく人検出", 電子情報通信学会論文誌, Vol. J96-D, No.9, pp. 2017-2040, 2013.

藤吉弘亘, “People Image Analysisにおける動作認識技術”, 電子情報通信学会誌 95(5), 416-421, 2012-05-0, 2012.

藤吉弘亘，安倍満，“局所勾配特徴抽出技術-SIFT以降のアプローチ-”，精密工学会誌 77(12)，pp1109-1116，2011．

藤吉弘亘，“画像局所特徴量SIFTと最近のアプローチ”，人工知能学会誌 25(6)，753-760，2010．

坂下祐輔，藤吉弘亘，平田豊，“画像処理による３次元眼球運動計測”，JSEM 日本実験力学会特集号 ： 画像処理による生体評価 「解説記事」，Vol.6，No.3，pp236-243，2006.．