SlideShare a Scribd company logo
1 of 120
Download to read offline
プロジェクタ・カメラシステムが変わる!
-時間同期の制御で広がる応用-
2019.6.13
久保 尋之(奈良先端大)
自己紹介
2011.4~2012.3 早稲田大学 応用物理学科 森島研究室 助手
2012.4~2014.5 キヤノン株式会社
2014.6~ 奈良先端科学技術大学院大学 助教
2017.1~2018.1 カーネギーメロン大学 研究員
専門分野: コンピュータグラフィクス
コンピュータビジョン
久保 尋之(くぼ ひろゆき)
では,さっそくはじめましょう
カメラを使ったセンシング
マルチビューステレオ
光線切断法
照度差ステレオ
パッシブ計測 アクティブ計測
空間コード化法
位相シフト法
照明を使わない 照明を使う
平行光源
スリット光
プロジェクタ
プロジェクタ
お手軽 精確
パッシブセンシング
様々な方向から撮られた
大量の写真から被写体の立体形状を復元
映像分野では「フォトグラメトリ」として知られ
実際の映画やゲームなどで使用されるように.
CapturingReality https://www.capturingreality.com/Showcase
マルチビューステレオ
カメラを使ったセンシング
マルチビューステレオ
光線切断法
照度差ステレオ
パッシブ計測 アクティブ計測
空間コード化法
位相シフト法
照明を使わない 照明を使う
平行光源
スリット光
プロジェクタ
プロジェクタ
お手軽 精確
アクティブセンシング
点光源,平行光源 プロジェクタ
照度差ステレオ法などはこれでOK 複雑な模様を投影してそれをヒントに
高度なセンシングが出来る.
プロジェクタの弱点は?
外乱光に弱い
相互反射による間接光に弱い
被写界深度が浅い
これらの課題を解決するプロジェクタ-カメラシステムの紹介
ステレオビジョン
空間位置の計算
カメラが1つだと足りない
?
?
?
ステレオビジョン
空間位置の計算
!
2つ(以上)だと決定できる
平行ステレオ法
平行ステレオ
対応点を見つけるために
カメラは並行に置くと有利
空間位置の計算
!
2つ(以上)だと決定できる
プロジェクタ-カメラ
プロジェクタ-カメラ空間位置の計算
!
2つ(以上)だと決定できる 他方をプロジェクタにすると
対応点が見つかりやすくなる
プロジェクタ-カメラシステムの前提
プロジェクタから出た光はシーンで
1度だけ反射してカメラに届く
実際には物体間で相互反射して
間接光が生じる.
相互反射による間接光に弱い
直接反射光
間接光
プロジェクタ-カメラシステムの撮影環境
時間的に安定した暗室.
環境光はプロジェクタ光より十分弱い.
実際には室内光があったり,
屋外撮影だと太陽光などの影響を受ける.
外乱光に弱い
一般的なプロジェクタの特性
できるだけ明るさを稼ぎたいため,
(カメラで言う)開口が大きい
被写界深度が浅い
被写体が少しズレただけで投影パターンがすぐボケる
ぼけちゃう・・・
ぼけちゃう・・・
プロジェクタの弱点は?
外乱光に弱い
相互反射による間接光に弱い
被写界深度が浅い
今日のメイントピック
ならば
相互反射による間接光に弱い
直接光だけの画像を創り出せばいいじゃない
ケーキを食べれば
良いじゃない
撮影画像から直接光成分と間接光成分を分離する
その前に...
点光源で照らしてみる
点光源で照らしてみる
直接光成分
間接光成分
点光源で照らしてみる
間接光成分
点光源で照らしてみる
直接光成分
点光源を使っても
間接光成分の除去は難しそう!
プロジェクタを使ってみよう
プロジェクタで照らしてみる
プロジェクタで投影する映像
プロジェクタで照らしてみる
直接光成分
直接光成分
プロジェクタで投影する映像
プロジェクタで照らしてみる
間接光成分
間接光成分
プロジェクタで投影する映像
プロジェクタで照らしてみる
間接光成分直接光成分
プロジェクタを普通に使っても
間接光成分の除去は難しそう!
プロジェクタで投影する映像
プロジェクタで1行だけ照らしてみる
プロジェクタで投影する映像
カメラでその行だけ撮影してみる
カメラでその行だけ撮影してみる
直接光成分(?)
プロジェクタで投影する映像
カメラでその行だけ撮影してみる
間接光成分
プロジェクタで投影する映像
カメラでその行だけ撮影してみる
エピポーラ間接光
水平な平面上(エピポーラ面)で生じる間接光
[O’Toole et al., 2015]
直接光成分(?)
直接光成分
エピポーラ光
カメラでその行だけ撮影してみる
プロジェクタで投影する映像
カメラから得られた画像
スイープしてシーン全体に適用
エピポーラ光
プロジェクタで投影する映像
カメラから得られた画像
エピポーラ画像の合成
エピポーラ画像
シミュレーションしてみた
• コーネルボックスのなかに
ディスコボールが入っているシーンで
レンダリング
ディスコボール
ディスコボール
からの間接光
レンダリングした画像群
256枚
256px
得られた画像群から生成したEpipolar画像
エピポーラ画像 非エピポーラ画像通常画像
間接光の影響が明らかに低減
実シーンで検証
設定したシーン
硬貨
蝋
トランプ
ミラー
ボール
通常画像
実シーンで検証
通常画像
実験結果
56
通常画像 エピポーラ画像 非エピポーラ画像
実実験においても間接光の影響の低減ができた
ここまでのまとめ
プロジェクターカメラシステムで
間接光成分を除去した直接光だけの画像を取得したい
「水平ライン投影+スイープ計測」で
エピポーラ画像を合成するのはアイディアに思える
それでもまだ撮影回数が多すぎる(縦の解像度と同数)
ことが問題
目的
アイディア
課題
いいプロジェクタ-カメラシステムがあるらしい
M. O'Toole, S. Achar, S.G. Narasimhan, K.N. Kutulakos.
"Homogeneous Codes for Energy-Efficient Illumination and Imaging", ACM SIGGRAPH 2015
いろいろなプロジェクタ
• 透過型液晶方式(LCD方式)
• 反射型液晶方式(LCoS方式)
エプソン:https://www.epson.jp/products/dreamio/3lcd/
レーザー走査方式
液晶パネル方式
DLP方式
液晶プロジェクタの仕組み
• 今日の主役
• デジタルマイクロミラーデバイス
レーザー走査方式とは
2D MEMS ミラー
MEMS: Micro-Electro-Mechanical Systems
金野,久保,レーザー走査式超小型プロジェクタ, 2010.
レーザー光源
レーザー走査方式
• 半導体レーザーを使用
• MEMSミラーで反射して映像を投影
超小型
フォーカスフリー
高解像度
低消費電力
2D MEMSミラーの動作周期
(理論値)
1280x720 px解像度,60fps駆動する場合
• 水平方向:60*720 = 43.2 kHz
• 垂直方向:60 Hz
2D MEMS ミラー
レーザー光源
(余談)高速度カメラで撮影してみた
垂直方向は水平方向に比べ十分ゆっくり動く
高速度カメラでの撮影
株式会社フォトロン様
無償デモ撮影をお許しいただきありがとうございました.
2D MEMSミラーの動作周期
(理論値)
1280x720 px解像度,60fps駆動する場合
• 水平方向:60*720 = 43.2 kHz
• 垂直方向:60 Hz
2D MEMS ミラー
レーザー光源
(余談)高速度カメラで撮影してみた
垂直方向は水平方向に比べ十分ゆっくり動く
液晶パネル方式 レーザー走査方式
ずっと光りっぱなし
時刻
1/60 [s]
ある画素の輝度プロファイル ある画素の輝度プロファイル
時刻時刻
強い光が一瞬当たる
レーザー走査式プロジェクタの照明タイミング
レーザー走査式プロジェクタ
行番号
0
1
2
H-1
時刻
レーザー走査式プロジェクタの照明タイミング
レーザー走査式
照明のダイアグラム
(書き換えました)
行位置 0
H
時刻
レーザー走査式
レーザー走査式プロジェクタの照明タイミング(改)
照明のダイアグラム
シャッター方式の違い
撮影画像
グローバルシャッター方式
シャッター方式の違い
撮影画像
撮影画像
ローリングシャッター方式
グローバルシャッター方式
ローリングシャッターカメラの露光タイミング
ローリングシャッター方式
行位置 0 時刻
露光時間の制御
露光時間 短 露光時間 長
露光時間
行位置 0 時刻
露光時間
行位置 0 時刻
スキャンライン速度の制御
ピクセルクロック 小
行位置 0 時刻
行位置 0 時刻
ピクセルクロック 大
角度の調整
角度の調整
スキャン開始タイミングの制御
開始遅延 無
行位置 0 時刻
遅延 有
行位置 0 時刻
オフセットの調整
エピポーラ光
プロジェクタで投影する映像
カメラから得られた画像
(復習)やりたかったこと
行位置
0 時刻0
レーザー走査式
プロジェクタ
エピポーラ画像取得
行位置
0 時刻
ローリングシャッター
カメラ
0
時刻
行位置
0
時刻
0
時刻
撮影結果 [O’Toole et al., 2015]
通常画像 エピポーラ画像(直接光成分) 非エピポーラ画像(間接光成分)
プロジェクタの弱点は?
外乱光に弱い
相互反射による間接光に弱い
被写界深度が浅い
0
10
20
30
40
50
400 500 600 700 800
環境光をバンドパスフィルタでカット
プロジェクタ光
環境光(ノイズ)
R
G
B
研究室の蛍光灯
0
10
20
30
40
50
400 500 600 700 800
0
10
20
30
40
50
400 500 600 700 800
0
10
20
30
40
50
400 500 600 700 800
バンドパスフィルタ
中心波長640nm, 半値全幅10nm
特定の波長だけを含む
いろんな波長を含む
環境光をシャッター速度でカット
ある画素に照射される光量の遷移
普通のプロジェクタ
レーザースキャンプロジェクタ
時刻
時刻
1/60 [s]
※同じ明るさのプロジェクタと仮定
光が当たっているときだけ露光すればいい
理想的には 1/(60*720) = 23[us]
(60fps, プロジェクタの高さ解像度 720px)
カメラとプロジェクタのアラインメントに
限界があるため 500us以上が現実的.
外乱光の影響を1/720に低減
プロジェクタの弱点は?
外乱光に弱い
相互反射による間接光に弱い
被写界深度が浅い
レーザー光源だからフォーカスフリー
2D MEMS ミラー
レーザー光源
実装
計測装置(Episcan3D) [O’Toole et al. 2015]
同期回路
レーザー走査式
プロジェクタ
SONY MPCL1A
ローリングシャッター
CMOSカメラ
ids UI-3240CP
センサ:e2v EV76C
バリフォーカルレンズ
興和光学 LMVZ4411
MEMSミラーのシグナルを観測
プロジェクタのリフレッシュレートのカタログ値と一致
16.6 ms (60.2 Hz)
SONY MP-CL1A モバイルプロジェクタ
(殻割り済み)
同期回路
入力波形 出力波形
Arduinoがミラーからのシグナルを受け取り解析,トリガシグナルをカメラに渡す.
プロジェクタ投光モジュール
2D MEMSミラー
レーザー光源
参考:https://www.kguttag.com/2015/07/13/celluonsonymicrovision-optical-path/
走査ミラー式プロジェクタ(参考) 2D MEMSミラー (HD301D1のもの)
プロジェクターカメラの同期
行位置
時刻
行位置
時刻
シャッター:グローバルシャッター プロジェクタの照明
カメラの露光
時刻
行位置
時刻
シャッター:グローバルシャッター
行位置
ローリングシャッターに変更
プロジェクタの照明
カメラの露光
通常画像 エピポーラ画像(直接光成分)
撮影結果 [O’Toole et al., 2015]
リアルタイムデモ
研究事例紹介:Acquiring and Characterizing
Plane-to-Ray Indirect Light Transport
Hiroyuki Kubo, Suren Jayasuriya, Takafumi Iwaguchi, Takuya
Funatomi,Yasuhiro Mukaigawa, Srinivasa Narasimhan, IEEE International
Conference on Computational Photography (ICCP) 2018
発表番号:19
ライトトランスポートの成分分離
直接光成分
間接光 (大域)成分
通常画像
[Nayar et al. 2006]
…
短距離
間接光
長距離
間接光
表面下
散乱光
鏡面反射の
間接光
先行研究
通常画像 エピポーラ画像(直接光成分)
エピポーラ幾何を用いたライトトランスポートの成分分離 [O’Toole et al. 2015]
エピポーラ画像
[O’Toole et al., 2015]
本手法の自由度1:
同期遅延時間 (row-offset)
・Offsetを飛び越える
間接光を計測可能
本手法の自由度2 :
露光時間 (照明バンド幅)
・入射光量の増減が可能
同期遅延時間と露光時間とを制御して,
それらに応じたライトトランスポートを取得する
同期遅延時間 露光時間
計測装置(Episcan3D) [O’Toole et al. 2015]
同期回路
レーザー走査式
プロジェクタ
ローリングシャッター
CMOSカメラ
同期遅延時間と観測画像(Delay-sweep)
通常画像 同期遅延時間を変えたときの画像
(Delay-Sweep)
露光時間 (照明バンド幅)と観測画像(Exposure-sweep)
通常画像 露光時間(照明バンド幅)を変えたときの画像
(Exposure-Sweep)
2自由度の観測結果(Image-stack)
delay
exposure
thin
露光時間
(照明
バンド幅)
thick
同期遅延時間(オフセット)- far + far
(delay [us], exposure [us])
[O’Toole et al., 2015]
本手法
遅延プロファイルを用いたライトトランスポートの解析
0
0.05
0.1
0.15
0.2
0.25
0.3
-3000 -2000 -1000 0 1000 2000 3000
delay [us]
book reflection candle corner
直接反射のみ
鏡面からの
間接光
表面下散乱
拡散面の
相互反射
プロファイルを用いた材質推定
Target materials
分類結果
Fat free milk 2% milk Whole milk
toothpaste Liquid soap
90%以上の推定精度を達成
(非線形SVMを使用)
0
0.02
0.04
0.06
0.08
0.1
-2000 -1500 -1000 -500 0 500 1000 1500 2000
delay [us]
肌の内部構造の可視化
通常画像 エピポーラ画像
同期遅延時間 大
(far-range indirect light)
適切な同期遅延時間
(極近距離の間接光 600us)
リアルタイムデモ
研究事例紹介2:Slope Disparity Gating using a
Synchronized Projector-Camera System
Tomoki Ueda, Hiroyuki Kubo, Suren Jayasuriya,
Takuya Funatom, Yasuhiro Mukaigawa,
IEEE ICCP 2019
発表番号:19
本手法で用いる撮像システム
129
レーザー走査式プロジェクタ
ローリングシャッタカメラ
側面図
レーザー走査式
プロジェクタ
ローリングシャッタ
カメラ
ある時間での撮像
照明と露光が交差する領域のみを撮像
130
レーザー走査式
プロジェクタ
ローリングシャッタ
カメラ
Invisible
Visible
Invisible
照明面
露光面
同期走査による撮像
照明と露光が交差しながら走査する面上のみを撮像
131
撮像面
レーザー走査式
プロジェクタ
ローリングシャッタ
カメラ
撮像領域の制御
• カメラの同期に用いる3つのパラメータを変更
– 同期タイミングの遅延時間,走査速度,露光時間
撮像面の奥行き,傾き,厚みを制御
132
同期遅延
走査速度
露光時間
次スライド以後で各制御について説明します.
① ② ③
① 同期遅延時間による奥行き制御
• カメラの露光開始を遅延
• 遅延時間𝑡 𝑑によって撮像面までの距離を制御
133
遅延時間𝑡 𝑑 : 小 遅延時間𝑡 𝑑 : 大
距離 : 大 距離 : 小
𝑡 𝑑秒後
𝑡 𝑑秒後
撮像面 撮像面
①
② 走査速度による傾き制御
• カメラの走査速度𝑣𝑐を変更
• プロジェクタとの走査速度差によって撮像面の傾きを制御
134
𝑣𝑐制御
プロジェクタ走査速度𝑣 𝑝
カメラ走査速度𝑣𝑐
=
プロジェクタ走査速度𝑣 𝑝
カメラ走査速度𝑣𝑐
>
撮像面 撮像面
②
• カメラの露光時間𝑡 𝑒を変更
• 相対的にプロジェクタが複数ラインを照明
• 撮像面の厚みを制御
③ 露光時間による厚み制御
135
撮像領域
𝑡 𝑒秒
露光
③
レーザー走査式
プロジェクタ
ローリングシャッタ
カメラ
撮像領域の定式化
136
プロジェクタ
カメラ
スクリーン座標系とワールド座標系の関係式
(𝑥 𝑝, 𝑦𝑝)
(𝑥 𝑐, 𝑦𝑐)
スクリーン座標系
ワールド座標系
(𝑥 𝑤, 𝑦 𝑤, 𝑧 𝑤)
同期遅延時間𝑡 𝑑, 走査速度𝑣𝑐による
露光行と照明行の拘束
露光時間𝑡 𝑒による
露光行と照明行の拘束
システムの実装
• 3Dプリンタで造形したモデルを用いて
プロジェクタとカメラを縦状に配列
• プロジェクタの走査信号を
カメラの撮像トリガ信号に使用
137
構築した撮像システム
奥行きと傾き制御の実験
• 角度の異なるプレートを等間隔に配置
• プレートの正面から撮像
138
通常画像シーン
-15°
0°
+15° +15° -15°0°
15cm
15cm
139
0°のプレートだけ
撮像
シーン
通常画像
撮像面 同期遅延時間を変化させて
撮像した結果
遅延時間を5760~6860μsで変化させて
撮像した結果
シーン
通常画像
140
撮像面撮像面
+15°のプレートだけ
撮像
-15°のプレートだけ
撮像
走査速度を変化させて
撮像した結果
141
通常画像シーン
撮像面を制御することで異なる姿勢と位置の物体だけが撮像されている
+15°のプレートだけ撮像 0°のプレートだけ撮像 -15°のプレートだけ撮像
厚み制御の実験
• 同じ角度・異なる距離にプレートを配置
• プレートの正面から撮像
142
通常画像シーン
All +15°10cm
20cm
143
シーン
通常画像
撮像
領域
露光時間を変化させて
撮像した結果
露光時間を50~1550μsで変化させて
撮像した結果
応用1:リアルタイムマスキング
• セキュリティ性の高い物体を除いて
撮像領域を設定
145
通常画像
提案手法
撮像領域
シーン
撮像したくない
領域
暗証番号
応用1:リアルタイムマスキング
146
• シーンに合わせて撮像領域を制御
机だけを撮像
通常画像
机以外を撮像
or
Image Inpaintingへの利用
• 撮像領域以外の物体はマスクされて撮像
• Image Inpaintingの入力画像として利用可能
147
Image Inpainting*
出力結果
*Newson+ 2017
机だけを撮像した結果通常画像
机上の物体をマスクした画像
=
応用2:霧中でのイメージング
• 撮像領域外の霧を写さないことで物体を鮮明化
• ペーパークラフトで作成したシーンに霧を発生
148
シーン
通常画像 標識と車だけを鮮明化
霧撮像
システム
撮像領域撮像領域外
物体
路面だけを鮮明化
まとめ
• 時間同期式プロジェクターカメラシステムで
マシンビジョンにブレイクスルーを
• 波長,露光タイミングの制御が高い頑健さをもたらす
• 近距離間接光で皮下構造(血管)の可視化[Kubo et al., 2018]や,
Slope Disparity Gating [Ueda et al., 2019]が可能
• 散乱プロファイルの計測に基づく材質推定が可能[Kubo et al., 2018]

More Related Content

What's hot

【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative ModelingDeep Learning JP
 
20190307 visualslam summary
20190307 visualslam summary20190307 visualslam summary
20190307 visualslam summaryTakuya Minagawa
 
Structured Light 技術俯瞰
Structured Light 技術俯瞰Structured Light 技術俯瞰
Structured Light 技術俯瞰Teppei Kurita
 
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成MobileRoboticsResear
 
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習cvpaper. challenge
 
SLAM入門 第2章 SLAMの基礎
SLAM入門 第2章 SLAMの基礎SLAM入門 第2章 SLAMの基礎
SLAM入門 第2章 SLAMの基礎yohei okawa
 
BRDF レンダリングの方程式
BRDF レンダリングの方程式BRDF レンダリングの方程式
BRDF レンダリングの方程式康弘 等々力
 
顕著性マップの推定手法
顕著性マップの推定手法顕著性マップの推定手法
顕著性マップの推定手法Takao Yamanaka
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Yamato OKAMOTO
 
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)Yusuke Uchida
 
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusionHiroki Mizuno
 
SfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法についてSfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法についてRyutaro Yamauchi
 
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習Deep Learning JP
 
Raspberry piでシリアルサーボ
Raspberry piでシリアルサーボRaspberry piでシリアルサーボ
Raspberry piでシリアルサーボTatsuya Yamamoto
 
Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―
Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―
Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―Yosuke Shinya
 
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日Kitsukawa Yuki
 
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked AutoencodersDeep Learning JP
 
【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...
【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...
【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...Deep Learning JP
 
Priorに基づく画像/テンソルの復元
Priorに基づく画像/テンソルの復元Priorに基づく画像/テンソルの復元
Priorに基づく画像/テンソルの復元Tatsuya Yokota
 

What's hot (20)

【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
 
20190307 visualslam summary
20190307 visualslam summary20190307 visualslam summary
20190307 visualslam summary
 
Structured Light 技術俯瞰
Structured Light 技術俯瞰Structured Light 技術俯瞰
Structured Light 技術俯瞰
 
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
 
【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習【メタサーベイ】数式ドリブン教師あり学習
【メタサーベイ】数式ドリブン教師あり学習
 
SLAM入門 第2章 SLAMの基礎
SLAM入門 第2章 SLAMの基礎SLAM入門 第2章 SLAMの基礎
SLAM入門 第2章 SLAMの基礎
 
BRDF レンダリングの方程式
BRDF レンダリングの方程式BRDF レンダリングの方程式
BRDF レンダリングの方程式
 
顕著性マップの推定手法
顕著性マップの推定手法顕著性マップの推定手法
顕著性マップの推定手法
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
 
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)SuperGlue;Learning Feature Matching with Graph Neural Networks (CVPR'20)
SuperGlue; Learning Feature Matching with Graph Neural Networks (CVPR'20)
 
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion
 
SfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法についてSfM Learner系単眼深度推定手法について
SfM Learner系単眼深度推定手法について
 
[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習[DL輪読会]相互情報量最大化による表現学習
[DL輪読会]相互情報量最大化による表現学習
 
Raspberry piでシリアルサーボ
Raspberry piでシリアルサーボRaspberry piでシリアルサーボ
Raspberry piでシリアルサーボ
 
Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―
Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―
Active Convolution, Deformable Convolution ―形状・スケールを学習可能なConvolution―
 
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
 
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
【DL輪読会】ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
 
Point net
Point netPoint net
Point net
 
【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...
【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...
【DL輪読会】DiffRF: Rendering-guided 3D Radiance Field Diffusion [N. Muller+ CVPR2...
 
Priorに基づく画像/テンソルの復元
Priorに基づく画像/テンソルの復元Priorに基づく画像/テンソルの復元
Priorに基づく画像/テンソルの復元
 

Similar to SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~

遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得Masayuki Tanaka
 
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化Shunsuke Ono
 
先端技術とメディア表現 第2回レポートまとめ
先端技術とメディア表現 第2回レポートまとめ 先端技術とメディア表現 第2回レポートまとめ
先端技術とメディア表現 第2回レポートまとめ Digital Nature Group
 
光源方向推定のための構造色パターンマッチング
光源方向推定のための構造色パターンマッチング光源方向推定のための構造色パターンマッチング
光源方向推定のための構造色パターンマッチングuranishi
 
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...harmonylab
 
筋電制御を支援するIoTプラットフォームと 把持戦略の構築
筋電制御を支援するIoTプラットフォームと把持戦略の構築筋電制御を支援するIoTプラットフォームと把持戦略の構築
筋電制御を支援するIoTプラットフォームと 把持戦略の構築Yuta Takahashi
 
【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2Hirokatsu Kataoka
 
Motion capture with mircowave interference
Motion capture with mircowave interferenceMotion capture with mircowave interference
Motion capture with mircowave interferenceHideaki Nii
 
20160612 関東cv勉強会 sumisumithパート
20160612 関東cv勉強会 sumisumithパート20160612 関東cv勉強会 sumisumithパート
20160612 関東cv勉強会 sumisumithパートsumisumith
 
SSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーションSSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーションSSII
 
【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えに
【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えに【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えに
【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えにUnityTechnologiesJapan002
 
20110603雷神2報道公開資料
20110603雷神2報道公開資料20110603雷神2報道公開資料
20110603雷神2報道公開資料Kazuya Yoshida
 
屋内測位・行動計測と 働き方改革
屋内測位・行動計測と働き方改革屋内測位・行動計測と働き方改革
屋内測位・行動計測と 働き方改革Kurata Takeshi
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームTakuya Azumi
 
MIRU2016 チュートリアル
MIRU2016 チュートリアルMIRU2016 チュートリアル
MIRU2016 チュートリアルShunsuke Ono
 

Similar to SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~ (19)

遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
遠赤外線カメラと可視カメラを利用した悪条件下における画像取得
 
信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化信号処理・画像処理における凸最適化
信号処理・画像処理における凸最適化
 
先端技術とメディア表現 第2回レポートまとめ
先端技術とメディア表現 第2回レポートまとめ 先端技術とメディア表現 第2回レポートまとめ
先端技術とメディア表現 第2回レポートまとめ
 
光源方向推定のための構造色パターンマッチング
光源方向推定のための構造色パターンマッチング光源方向推定のための構造色パターンマッチング
光源方向推定のための構造色パターンマッチング
 
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry ...
 
20150414seminar
20150414seminar20150414seminar
20150414seminar
 
筋電制御を支援するIoTプラットフォームと 把持戦略の構築
筋電制御を支援するIoTプラットフォームと把持戦略の構築筋電制御を支援するIoTプラットフォームと把持戦略の構築
筋電制御を支援するIoTプラットフォームと 把持戦略の構築
 
【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2【チュートリアル】コンピュータビジョンによる動画認識 v2
【チュートリアル】コンピュータビジョンによる動画認識 v2
 
Motion capture with mircowave interference
Motion capture with mircowave interferenceMotion capture with mircowave interference
Motion capture with mircowave interference
 
20160612 関東cv勉強会 sumisumithパート
20160612 関東cv勉強会 sumisumithパート20160612 関東cv勉強会 sumisumithパート
20160612 関東cv勉強会 sumisumithパート
 
SSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーションSSII2018TS: コンピュテーショナルイルミネーション
SSII2018TS: コンピュテーショナルイルミネーション
 
【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えに
【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えに【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えに
【Unite 2018 Tokyo】裸眼で拡張現実!!プロジェクションマッピングとAIで世界最先端研究を丸見えに
 
20110603雷神2報道公開資料
20110603雷神2報道公開資料20110603雷神2報道公開資料
20110603雷神2報道公開資料
 
ICCV2011 report
ICCV2011 reportICCV2011 report
ICCV2011 report
 
屋内測位・行動計測と 働き方改革
屋内測位・行動計測と働き方改革屋内測位・行動計測と働き方改革
屋内測位・行動計測と 働き方改革
 
CMSI計算科学技術特論C (2015) OpenMX とDFT①
CMSI計算科学技術特論C (2015) OpenMX とDFT①CMSI計算科学技術特論C (2015) OpenMX とDFT①
CMSI計算科学技術特論C (2015) OpenMX とDFT①
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
 
MIRU2016 チュートリアル
MIRU2016 チュートリアルMIRU2016 チュートリアル
MIRU2016 チュートリアル
 
お掃除IoT実習@GIYSEクラスステージ
お掃除IoT実習@GIYSEクラスステージお掃除IoT実習@GIYSEクラスステージ
お掃除IoT実習@GIYSEクラスステージ
 

More from SSII

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII
 
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII
 
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​SSII
 
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII
 
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習SSII
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII
 
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用SSII
 
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII
 
SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線SSII
 
SSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディングSSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディングSSII
 
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII
 
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII
 
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)SSII
 
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII
 
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜SSII
 
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜SSII
 
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII
 
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理SSII
 
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用SSII
 

More from SSII (20)

SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
SSII2022 [SS2] 少ないデータやラベルを効率的に活用する機械学習技術 〜 足りない情報をどのように補うか?〜
 
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜​
 
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
SSII2022 [TS3] コンテンツ制作を支援する機械学習技術​〜 イラストレーションやデザインの基礎から最新鋭の技術まで 〜​
 
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
SSII2022 [TS2] 自律移動ロボットのためのロボットビジョン〜 オープンソースの自動運転ソフトAutowareを解説 〜
 
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
 
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
 
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用
 
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
 
SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線
 
SSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディングSSII2022 [OS1-01] AI時代のチームビルディング
SSII2022 [OS1-01] AI時代のチームビルディング
 
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
 
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
SSII2021 [OS2-02] 深層学習におけるデータ拡張の原理と最新動向
 
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
SSII2021 [SS2] Deepfake Generation and Detection – An Overview (ディープフェイクの生成と検出)
 
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
SSII2021 [SS1] Transformer x Computer Visionの 実活用可能性と展望 〜 TransformerのCompute...
 
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集​ 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
 
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
SSII2021 [TS2] 深層強化学習 〜 強化学習の基礎から応用まで 〜
 
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
 
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
SSII2021 [OS3-03] 画像と点群を用いた、森林という広域空間のゾーニングと施業管理
 
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
SSII2021 [OS3-02] BIM/CIMにおいて安価に点群を取得する目的とその利活用
 

Recently uploaded

スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムsugiuralab
 
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する       2024/04/19 の勉強会で発表されたものですSOPを理解する       2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものですiPride Co., Ltd.
 
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...Toru Tamaki
 
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A surveyToru Tamaki
 
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdfTSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdftaisei2219
 
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Yuma Ohgami
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略Ryo Sasaki
 
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)Hiroki Ichikura
 
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNetToru Tamaki
 

Recently uploaded (9)

スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システムスマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
 
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する       2024/04/19 の勉強会で発表されたものですSOPを理解する       2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
 
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
 
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
 
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdfTSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
 
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
 
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
 
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
 
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
 

SSII2019TS: プロジェクタ・カメラシステムが変わる! ~時間同期の制御で広がる応用~