SlideShare a Scribd company logo
1 of 50
Download to read offline
Machine Vision
Group	

サーベイ論文:サブピクセル物体検出
上瀧剛†,	
  井尻善久‡	
  

†熊本⼤大学⼤大学院  情報科学研究科	
  
‡オムロン株式会社  インダストリアルオートメーションビジネスカンパニー	
  

1	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
なぜ我々が?

Machine Vision
Group	

•  企業経験者	
  
•  実⽤用上、⾮非常に重要(後述)	
  
–  ⼤大きなビジネス	
  

•  なのに、ニッチ	
  

–  ⼀一部のアプリケーションにおいては実⽤用的精度度との
GAPが⾮非常に⼤大きい。	
  
–  対象サイズの20%程度度まで検出と判定している?	
  

•  View、MVA、SSIIなどで話するうちに、サブピク
セル盛り上げようぜ!と意気投合	
  
2	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
発表の概要

Machine Vision
Group	

• 
• 
• 
• 

定義	
  
アプリケーション	
  
課題	
  
既存⼿手法の総括	
  
–  相関値ピーク検出	
  
–  誤差最⼩小化	
  

•  評価
•  今後の展開	
  

井尻

上瀧
井尻
上瀧

3	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

サブピクセル物体検出とは?

①⼊入⼒力力画像内に、予め定義された注⽬目対象が存在するかどうかを判定	
  
②存在した場合にはその位置・姿勢を推定すること	
  
③サブピクセル、サブ⾓角度度レベルの精度度で位置・姿勢を出⼒力力すること
x
y

94.4279

113.7725

次の4つの情報を
実数値精度度で推定

-10.1422°	

1.0
scale:

023	

・位置
  (x,y)座標
・回転⾓角度度
・拡⼤大率率率

4	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

なぜサブピクセル物体検出?

•  なぜ物体検出?	
  

–  対象を⾒見見つけるのは、ほとんどの視覚情報処
理理の基本	
  

•  しかし何故サブピクセル精度度?	
  

–  主に次のアプリケーションでは精度度が重要	
  
•  複数画像の合成	
  
•  ⾃自動⽣生産における位置決め	
  
•  ARにおける重畳表⽰示の安定化	
  

5	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

関連する研究  –レジストレーション(剛体)
画像全体	

局所的	

レジストレーション	

物体検出	
  
サブピクセル物体検出	

レジストレーション	
ホモグラフィ推定	
  
ICP、RecOficaOon	
  

サブピクセル物体検出	
  
スティッチング	

検
出	

オプティカルフロー	
  

トラッキング	
  

姿
勢
推
定	

オプティカルフロー	
  
平面推定(PTAM等)	
  
KinectFusion等	
  
SfM,	
  SLAMも関連あり	
  

トラッキング	
  
SfM,	
  SLAMも関連あり	
  

検
出	

静
止
画	
 姿
勢
推
定	
動
画	
  
・
複
数
画
像	

6	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

関連する研究

局所特徴量量に基づく物体検出

by 藤吉先⽣生

画像局所特徴量SIFTとそれ以降のアプローチ

http://www.slideshare.net/hironobufujiyoshi/miru2013sift	
  

・局所特徴量量記述	
  

http://www.vision.cs.chubu.ac.jp/CVTutorial/
MIRU2013チュートリアル
2013年7月29日

藤吉 弘亘
中部大学工学部情報工学科(ロボット理工学科)

1

テンプレートマッチングに基づく物体検出
by 橋本先⽣生

Intelligent Sensing Laboratory, Chukyo University

第19回 画像センシングシンポジウム
チュートリアル講演会
2013年6月12日

テンプレートマッチングの魅力

http://isl.sist.chukyo-u.ac.jp/Archives/SSII2013TS-Hashimoto.pdf

~ 物体検出・位置決めの定番技術 ~

・局所特徴量量記述	
  

中京大学 工学部 橋本 学
mana@isl.sist.chukyo-u.ac.jp
http://isl.sist.chukyo-u.ac.jp/

Google

画像レジストレーション(主に画像全体)	
  
by	
  ⽟玉⽊木先⽣生	
  

テンプレートマッチング 48万件,

Template Matching 981万件

SSII2012

2012/6/6

13:45 15:45 (120 )

http://www.slideshare.net/ttamaki/ssii2012-2d3d31	
  

・剛体	
  
・⾮非剛体	
  
・2D&3D	
  

1

2

@ttttamaki

@payashim

tamaki@hiroshima-u.ac.jp

mhayashi@aoki-medialab.org

1
SSII2012

2D&3D

© 2012 Toru Tamaki

7	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
アプリケーション

Machine Vision
Group	

•  ⼯工場⾃自動化:FA	
  (Factory	
  AutomaOon)	
  
–  位置合わせ	
  

•  LSI、FPD	
  (Flat	
  Panel	
  Display)、PV	
  (Photovoltaics)製造	
  
–  露露光装置、薄膜形成装置、基板貼りあわせ装置	
  

•  要求精度度	
  

–  数μm	
  〜~	
  サブμm	
  =	
  0.1	
  [pix]	
  〜~	
  0.01	
  [pix]	
  

•  拡張現実:AR	
  
–  姿勢推定	
  

•  付加情報の現実世界への重畳表⽰示	
  

–  誤差0.5度度程度度の繰り返し精度度で安定表⽰示	
  
8	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
ディスプレイ: FPD

Machine Vision
Group	

半導体製造工程	
焼き付け	

マスクA	

マスクB	

・・・	
ウェハ	

ウェハとマスクの位置決めが必要	

ウェハ	

液晶工程	
張り合わせ	

ガラス基板A	

ガラス基板B	

張り合わせ時に	
  
位置決めが必要	
9	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

半導体: Semiconductor

⽣生産効率率率向上のため	
  
半導体ウェーハサイズ拡⼤大	
  
従来のノッチ⽅方式ではウェーハの	
  
クラック懸念念が⾼高まり、ノッチレス
ウェーハーの位置決めが⼤大きな課題に!

SUMCO	
  HPより

10	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

G450C資料料
Machine Vision
Group	

基板実装: Surface  Mount

wikipedia
クリーム半田	
  
印刷	

チップマウント	

リフロー	
  
半田付け	

検査	

11	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

ロボット組付け: Robotic  Assembly

FUNAC	
  HPより
12	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

拡張現実: Augmented  Reality

Metaio,	
  inc
13	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

800.0	
  

マーケットは右肩上がり!
World	
  Wide	
  Machine	
  Vision	
  Industry	

600.0	
  

SEMI	
AUTO	

400.0	
  
200.0	
  
0.0	
  
2009	
  

2010	
  

AutomoOve	
  
Packaging	
  
Semiconductor&Electronics	
  

2011	
  

2012	
  

2013	
  

Cehmical	
  &	
  PharmaceuOcal	
  
Photovoltaics	
  
Others	
  

2014	
  

2015	
  

Food&Beverage	
  
RoboOcs	
  

source:	
  HIS	
  IMS	
  Research	
  
14	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
課題

Machine Vision
Group	

MNX	
  HP

View2013アルコン

対象	
  
・電⼦子・機械部品	
  
  ・⾦金金属反射、透明部品等	
  
  ・テクスチャなし。	
  
・個体差	
  
・低コントラスト	
  
・パターンが形状変化	
  
環境/撮影条件	
  
・ぼけ	
  
・照明不不均⼀一	
  
・背景複雑	
  
要求精度度	
  
・1/10-­‐1/100pix精度度
Alignment	
  mark	

検索	

15	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

2値化	
  
重⼼心	
  
モーメント

本発表で紹介

歴史
1980

1990

2000

MSERs	
直線(多項式)当てはめ,Hough変換
楕円当てはめキャリブレーション	
 超精度 楕円当てはめ	
ARtoolKit (マーカー認識に直線当てはめ)	

相関値ピーク

1次/2次多項式当てはめ            エラーキャンセル法(ECC)

動画フレーム間予測  H.263	

テンプレートマッチング	
  
  正規化相互相関(NCC)

⽅方向符号化照合(OCM),	
  DOT

周波数空間:位相限定相関, RIPOC	

ICPアルゴリズム
Lucas-­‐Kanade	
  
オプティカルフロー

KLT	
  tracker

ASMs, AAMs, 輪輪郭マッチング	
平⾯面推定・平⾯面トラッキング
ESM, MULK	

キーポイント検出

Harris, SIFT, FAST テイラー展開/多項式当てはめ	
姿勢推定: RANSAC, バンドル調整,SfM	
OpenCV	

画像を⾼高解像度度化

サブピクセル	
  
エッジ・ライン検出

HALCON	
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

16	
  
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

17	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

18	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

相関ピーク検出

テンプレートマッチングに限定します。	
入力画像とテンプレートとの一致度評価値からピーク位置を補間推定。	

一致度評価(照合スコア)	
・正規化相互相関 (NCC; Normalized Cross Correlation)	
・輝度差の総和 (SAD/SSD; Sum of Absolute/Squared Difference)	
・エッジ方向の相関 (増分/方向符号化照合ISM/OCM, HOG, DOTなど)	
・位相限定相関 (POC; Phase Only Correlation)	

照合方法	
・画像空間上の照合 (テンプレートを入力画像に直接畳み込む)	
・周波数空間上の照合 (一度、FFTして畳み込み、その後IFFT)	
19	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

20	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
画像空間上の照合

Machine Vision
Group	

1パラメータの場合	
等角直線(一次)当てはめ	

2次曲線当てはめ	

f(	
	
一致度評価値	
	
)	
x
f(	
 	
	
1)
-	

	
	

-1

f(	
 	
	
1)
-	

f(1)	
	
f(0)	
	

	
 	
 	

0 xsub

f(	
	
	
)	
x

傾きが大きな方の直線を反転	

	

+1

x	

f(1)	
	
f(0)	
	

	
	

-1

	
 	
 	

0 xsub

	

+1

x	

SAD/SSDの場合は最小値をとる位置,相関系は最大値をとる位置を求める。	
SADでは等角直線、SSDでは2次曲線当てはめがよいとされる。	
21	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
画像空間上の照合

Machine Vision
Group	

1パラメータの場合	
ガウス関数当てはめ

[Ikram 1999]	

ガウス関数+オフセット	

f(	
	
	
)	
x

f(	
	
	
)	
x
f(0)	
	

f(0)	
	

f(1)	
	

f(	
 	
	
1)
-	

	
	

-1

	
 	
 	

0 xsub

	

+1

f(1)	
	

f(	
 	
	
1)
-	

x	

	
	

-1

	
 	
 	

0 xsub

	

+1

x	

非線形最適化で当てはめる必要あり	

他にも、ラグランジュ関数当てはめもある	

22	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

画像空間上の照合

多パラメータの場合	
・各パラメータで独立に1パラメータ推定実行	
・多次元多項式を当てはめる(例:xyの2次曲面、xyθ高次曲面)	
	
	
 p( x, y ) = ax 2 + bxy + cy 2 + dx + ey + f
	
	
・サブピクセル同時推定法 [清水2004]	
●・・・独立に2次曲線当てはめて	
    求めた位置	
直線当てはめ	

23	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

画像空間上の照合

エラーキャンセル法(ECC)

[清水2001]	

ピクセルロッキング現象:サブピクセル推定結果が整数位置付近に偏る現象	

整数位置に偏り	

SADで	
オプティカル	
フロー算出	

ステレオペア	

X方向の変位量のヒストグラム[pix]	

①通常の推定結果	
①+②	

若干解消	

②半画素ずらした画像での結果	
24	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

25	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

周波数空間上の照合

高速フーリエ変換FFT	
ライブラリが充実 (fftw, MKL:Intel Math Kernel Library, cuFFTW)	
画像サイズが2のべき乗でなくとも動く。	
512×512の画像に対する画像乗算(畳込)+IFFTの処理時間@core i7 2.4GHz	

fftw	

コア数	
 time[ms]	
コア数	
 time[ms]	
1	
3.98 	
1	
3.38 	
2	
2.31 	
2	
2.01 	
3	
1.81 	
3	
1.68 	
4	
1.33 	
4	
1.39 	

fftw	

cuFFTW : 1.08[ms]	
@GeForce GT640	

MKL	

コア数	
 time[ms]	
倍精度(double)	
 コア数	
 time[ms]	
1	
7.54 	
1	
6.74 	
2	
4.58 	
2	
3.91 	
3	
3.36 	
3	
3.04 	
4	
2.54 	
4	
2.70 	

8.00
7.00

処理理時間[msec]

単精度(float)	

MKL	

ICC_float
VC_float
ICC_double
VC_double

6.00
5.00

4.00
3.00

2.00
1.00
0.00

1

2

コア数

3

4

26	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

周波数空間上の照合

位相限定相関 (POC)	
相関を求める際に位相成分を振幅成分で除算してからIFFTをかける ⇒ 鋭いピークがでる	
	
	
	
	
	
	
* ⎤
⎡
−1 F ⋅ G
通常の相関: f * g	
画像 g	
⎥
位相限定相関:	
 ( f , g ) = F ⎢
	
 画像 f	
POC
F ⋅ G * ⎥
⎢
	
⎣
⎦
	
以下の連続なモデル関数(位相限定関数)に当てはめる	
	
⇒ 1/100[pix]以上の位置精度	
	
	
	
	
回転やスケールに対応した回転不変位相限定相関(RIPOC)もある [青木2011]	

2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

27	
  
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

28	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

29	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

誤差最小化: 輝度ベース

前提:テンプレート画像からの輝度度や形状の変化はない、もしくは少ない	
  
      ⼤大まかな初期位置(変形パラメータ  p)が与えられている。	
  
問題:テンプレート画像と変形が⽣生じた画像輝度度値の差分を最⼩小化する最適な  p*
を求める。	
  

テンプレート画像  T(x)

変換後画像  I(W(x;p))
変形W

30	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

Lucas-Kanade法  (1981)

輝度度誤差最⼩小化

⾮非線形最⼩小⼆二乗法で解くことを考える。	
  
Step1:  ⽬目的関数のテイラー⼀一次近似

輝度度勾配

ヤコビアンJ

パラメータ更更新

Step2:  ⽬目的関数のマトリクス微分を計算し、p←p+Δp の更更新式を得る。

Lucas-­‐Kanade法はGauss-­‐Newton法:	
  H=JTJ,	
  	
  
H = Iの場合はSteepest	
  Descent,	
  H=JTJ + λJTJの場合はLevenberg-­‐Marquardt	
  
Gauss	
  NewtonとLevenberg-­‐Marquardtが最も収束速度度・頻度度の観点から良良い。	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

31	
  
Machine Vision
Group	

Lucas-Kanade法の問題点

処理理時間が遅い:パラメータの反復復更更新の度度に、⼤大量量の計算が必要	
  

ヘッシアン 画素全体で和

変形・勾配 ヤコビアン

回避⼿手段:	
  
・パラメータを直接更更新するのではなく、変換⾏行行列列を合成	
  (変形合成法)	
  
・テンプレートと対象画像に変換を分割	
  (変形逆合成法)	
  
From

To

32	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

Inverse  Compositional法  
(Baker,  2001)

テンプレート画像  T(W(x;Δp))

変換後画像  I(W(x;p))
変形W

S. Baker and I. Matthews, “Lucas-Kanade 20 Years On: A Unifying Framework,” IJCV, vol.56, no.3, pp.221–255, 2004.	
33	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

Inverse  Compositional法

輝度度誤差最⼩小化

⾮非線形最⼩小⼆二乗法で解くことを考える。	
  
Step1:  ⽬目的関数のテイラー⼀一次近似

Step2:  ⽬目的関数のマトリクス微分を計算し、W←W(x;p)・W(x;Δp)	
  の更更新式を得る。

ヘッシアン

テンプレート
ヤコビアン
輝度度勾配

事前にほとんどの計算をやっておけるので⾼高速。しかもLK法と等価	
  
S. Baker and I. Matthews, “Lucas-Kanade 20 Years On: A Unifying Framework,” IJCV, vol.56, no.3, pp.221–255, 2004.	
34	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

Efficient  Second-order  Minimization
(Malis,  2004)

効率率率的⼆二次近似最⼩小化、ビジュアルサーボ/トラッキングの⽂文脈で提案	
  

Step1:  ⽬目的関数のテイラー⼆二次近似

Step2:  ヤコビアンのテイラー展開
Step3:  Step2の結果をStep1に代⼊入し
Step4:  次の更更新式を得る。

E. Malis, “Improving vision-based control using efficient second-order minimization techniques,” IEEE International Conference on Robotics and
Automation, vol.2, pp.1843–1848, 2004.
S. Benhimane and E. Malis, “Real-time image-based tracking of planes using efficient second-order minimization,” IROS’04, vol.1, pp.943–948, 2004.
C. Mei, S. Benhimane, E. Malis, and P. Rives, “Effi- cient Homography-Based Tracking and 3-D Reconstruc- tion for Single-Viewpoint Sensors,” IEEE
35	
  
Transactions on Robotics, vol.24, no.6, pp.1352–1364, 2008.
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

ESMの特徴

•  制御の世界(ICRA,	
  IROS)からビジュアルサーボ技
術として提案された。	
  
•  Computer	
  visionにおけるデファクトスタンダード
のInverse	
  ComposiOonal法より	
  
–  収束速度度が⾼高速	
  
–  収束頻度度が⾼高く、安定	
  

•  ⽐比較的⾼高速な計算	
  

–  Mei(2008)による、線形リー群を⽤用いたパラメータ化
により⾼高速化	
  

•  輝度度ベース誤差最⼩小化の”state-­‐of-­‐the-­‐art”

36	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
輝度ベース誤差最小化の拡張

Machine Vision
Group	

•  ⾼高速化	
  

–  ピクセルサンプリング	
  
–  ピクセルに重み付け	
  

•  ⾼高精度度化	
  

–  距離離指標のロバスト化	
  

•  相互情報量量等	
  (MILK	
  by	
  Dowsonら(2008)など)	
  

–  テンプレートの更更新	
  

•  ボケ・回転への対応	
  (Itoら(2011),	
  Jinら(2005),	
  ESM-­‐blur	
  by	
  Park(2009)
など)	
  

•  安定化	
  

–  勾配法の改良良	
  
•  Levenberg-­‐Marquarldt法等	
  (MILK	
  by	
  Dowsonら(2008)など)	
  
37	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

38	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

誤差最小化:特徴点ベース

前提:テンプレート画像のエッジ等、再現性の⾼高い特徴点が得られる。	
  
      仮の対応が作りやすい。	
  
      ⼤大まかな初期位置(変形パラメータ  p)が与えられている。	
  
問題:テンプレート画像と変形が⽣生じた対応点間の誤差を最⼩小化する最適な  p* を
求める。	
  

変換後画像上の	
  
対応点  W(p)xi
テンプレート画像上	
  
特徴点  ti
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

39	
  
Machine Vision
Group	

Iterative  Closest  Point法
(Zhang,  1994)
当初は三次元点群のフィッティングのために提案されたが、	
  
⼆二次元点群にも応⽤用可能

Step1:  特徴点の抽出	
  
Step2:  特徴点間の仮の対応付け	
  
Step3:  特徴点間誤差の最⼩小化	
  
Step4:  Step2-­‐3の繰り返しおよび収束判定
特徴点としては、⼆二次元ではエッジ点が利利⽤用されることが多い。	
  
理理由:エッジの再現性は⾮非常に⾼高いため。	
  
問題点:対応点が取りにくい。
ほとんどの距離離指標において、変形パラメータに対して線形になるため、	
  
簡単な⽅方程式を解くだけで良良いことになり⾮非常に⾼高速
40	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

理理想

対応点垂直探索法
(Cootes,1996;  木戸,  2009)

変形画像上の	
  
再近接点

テンプレート上の	
  
コントロール点

これを変形の度度に推定する
のは計算時間がかかる。
そこで

変形画像上の
コントロール点	
  

テンプレート上の
再近接点	
  

変形画像上のコントロール
点から再近接点を⾒見見つける。

先にテンプレート上のコントロール点を
設定し、その法線方向の探索点を	
  
事前に計算しておくことで更に高速化	
なお、エッジ点は	
  
サブピクセルエッジ推定する。

2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

41	
  
Machine Vision
Group	

対応点間誤差最小化
内積最小化

垂直探索索法の問題点	
  
必ずしも正しい対応点ではない。	
  
特に横⽅方向の位置ずれが⼤大きい。

探索索ライン
テンプレート上
コントロール点
対応エッジ点

探索索ライン

対応エッジ点の探索索

テンプレートコントロール点

真の対応エッジ点
⾒見見つかった対応エッジ点

内積最⼩小化	
  (Steger,	
  2002)	
  
現在の変形Wで投影した点とコントロー
ル点を結ぶベクトルは、コントロール点
における接線上に来るように内積最⼩小化。	
  
特に直線成分が⻑⾧長く続く時に効果を発揮	
  
その他、射影距離離最⼩小化	
  (Silver,	
  2005)等もあり	
  

変形W
探索索ライン
テンプレートコントロール点

⾒見見つかった対応エッジ点
モデル上での対応エッジ点

2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

42	
  
Machine Vision
Group	

サブピクセル物体検出技術の分類

サブピクセル物体検出	

補間	
  
超解像	
  

ピーク検出	
  

誤差最小化	
  

画像が⼤大きくなり	
  
計算コストが増⼤大

学習	
  
ベース	
  
対象の変わる度度に	
  
学習が必要

画像	
ドメイン	
  

周波数	
  
ドメイン	
  

輝度	
  
ベース	
  

特徴点	
  
ベース	
  

43	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
各手法の特徴

Machine Vision
Group	

FA,	
  ARでは、⾼高速性と正確性の両⽴立立が可能な特徴点ベース誤差最⼩小化が⼀一般的	
  

パラダイム	

利用する	
  
特徴	

速度[ms]	
 特徴	

1/2	
  –	
  1/4	
  	
 数十	

画像サイズが大きくなると速度低下	
  

1/10	
  	
  

数十	

探索時のサンプリングと精度トレードオフ	

周波数空間	
 1/100	
  	
  

数十	

画像サイズが大きくなると速度低下	

1/10	
  	

1-­‐10	

精度が初期値に依存	

1/100	
  	

<1	

精度が初期値や特徴点/エッジ点の選択に依
存	

画像補間	
画像空間	
ピーク検出	

精度	
  
[pix]	

輝度	
誤差最小化	
 特徴点	

44	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

評価方法

■ 人工画像を用いた評価(シミュレーション評価)	
  テンプレートをサブピクセル単位で変形して貼り付け	
  -画素補間による生成	
  -サイズの大きなテンプレート画像を用いて縮小	
	
  真値がわかっているため容易に実行可能	
	

■実画像評価	
①精密機械ステージを用いた評価	
②繰り返し精度評価	
③リニアリティ評価	
	

シミュレーション画像	
45	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

評価方法:実画像評価

①精密機械ステージを用いた評価	
	
-ステージ原点位置からの相対的なズレを評価	
-事前にキャリブレーション	
 画素/寸法換算、レンズ歪み、座標系合わせ	
	
	
-ステージ誤差(例): 0.01[mm]	
 視野角が300[mm]の512x512[pix]の画像の場合は	
1[pix] = 0.58[mm] 1/10[pix]程度は評価できる	
	
-ステージ移動は累積誤差が伴う場合がある	
 ⇒ステージ原点復帰を行いながら撮影	
	

XYθステージ	

6自由度ステージ	

46	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

評価方法:実画像評価

②繰り返し精度評価	
カメラとターゲットを固定して画像を複数撮影	
推定値のバラツキを見る	
	

	
③リニアリティ評価	
ステージ移動量を横軸、推定値を縦軸のグラフをプロットして	
直線で当てはめて、直線との最大誤差を見る	

	
	

47	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
Machine Vision
Group	

評価方法:実画像評価

ARなどでカメラ位置・姿勢が大きく変動する場合	
	
-ロボットアームにカメラ [Andrew I. Comport IEEE TCVG2006]	
-多関節機械式プローブにカメラ [上瀧 ViEW2013]	
-ターゲットに垂直なキャリブレーションボード設置

多関節機械式プローブ	

[伊藤 MIRU2011]	

垂直マーカー	

48	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.
今後

Machine Vision
Group	

•  ⼆二次元から三次元へ!	
  
–  ビンピッキング	
  

•  ロボティクスとの連携	
  

–  ⽣生産現場	
  
–  制御との連携:ヴィジュアルサーボ	
  
–  実世界への適応	
  

•  ARの⼀一般化	
  (google	
  glasses等)	
  
–  マーカレスARのさらなる⾼高精度度化	
  

•  バーコード読み取りの⾼高精度度化	
  
–  ⾃自動倉庫等の普及	
  

•  ⾮非剛体レジストレーション	
  
•  ベンチマークの整備	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

デンソーウェーブHPより

49	
  
Machine Vision
Group	

ご清聴
ありがとうございました。

50	
  
2013	
  (c)	
  Kumamoto	
  Univ.	
  and	
  OMRON	
  Corp.	
  All	
  rights	
  reserved.

More Related Content

What's hot

画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -MPRG_Chubu_University
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII
 
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...SSII
 
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
 
【メタサーベイ】Video Transformer
 【メタサーベイ】Video Transformer 【メタサーベイ】Video Transformer
【メタサーベイ】Video Transformercvpaper. challenge
 
MS COCO Dataset Introduction
MS COCO Dataset IntroductionMS COCO Dataset Introduction
MS COCO Dataset IntroductionShinagawa Seitaro
 
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたTakuya Minagawa
 
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
 
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
【DL輪読会】DayDreamer: World Models for Physical Robot Learning【DL輪読会】DayDreamer: World Models for Physical Robot Learning
【DL輪読会】DayDreamer: World Models for Physical Robot LearningDeep Learning JP
 
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までーDeep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までーnlab_utokyo
 
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
 
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
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会nonane
 
DRIVE CHARTを支えるAI技術
DRIVE CHARTを支えるAI技術DRIVE CHARTを支えるAI技術
DRIVE CHARTを支えるAI技術Yusuke Uchida
 
物体検出フレームワークMMDetectionで快適な開発
物体検出フレームワークMMDetectionで快適な開発物体検出フレームワークMMDetectionで快適な開発
物体検出フレームワークMMDetectionで快適な開発Tatsuya Suzuki
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII
 
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチMIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチHironobu Fujiyoshi
 
SLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAMSLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAMIwami Kazuya
 

What's hot (20)

画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
 
Structure from Motion
Structure from MotionStructure from Motion
Structure from Motion
 
Visual slam
Visual slamVisual slam
Visual slam
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
 
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
SSII2020TS: Event-Based Camera の基礎と ニューラルネットワークによる信号処理 〜 生き物のように「変化」を捉えるビジョンセ...
 
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
 
【メタサーベイ】Video Transformer
 【メタサーベイ】Video Transformer 【メタサーベイ】Video Transformer
【メタサーベイ】Video Transformer
 
MS COCO Dataset Introduction
MS COCO Dataset IntroductionMS COCO Dataset Introduction
MS COCO Dataset Introduction
 
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
 
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?? 〜​
 
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
【DL輪読会】DayDreamer: World Models for Physical Robot Learning【DL輪読会】DayDreamer: World Models for Physical Robot Learning
【DL輪読会】DayDreamer: World Models for Physical Robot Learning
 
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までーDeep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
Deep Learningによる画像認識革命 ー歴史・最新理論から実践応用までー
 
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~
 
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)
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会
 
DRIVE CHARTを支えるAI技術
DRIVE CHARTを支えるAI技術DRIVE CHARTを支えるAI技術
DRIVE CHARTを支えるAI技術
 
物体検出フレームワークMMDetectionで快適な開発
物体検出フレームワークMMDetectionで快適な開発物体検出フレームワークMMDetectionで快適な開発
物体検出フレームワークMMDetectionで快適な開発
 
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
 
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチMIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
 
SLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAMSLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAM
 

Viewers also liked

フーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組みフーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組みyuichi takeda
 
ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案
ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案
ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案hasegawamakoto
 
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算sleepy_yoshi
 
広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科
広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科
広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科Toru Tamaki
 
20110326 CG・CVにおける散乱
20110326 CG・CVにおける散乱20110326 CG・CVにおける散乱
20110326 CG・CVにおける散乱Toru Tamaki
 
201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...
201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...
201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...Toru Tamaki
 
20110415 Scattering in CG and CV
20110415 Scattering in CG and CV20110415 Scattering in CG and CV
20110415 Scattering in CG and CVToru Tamaki
 
20120629PRMU CVPR2012報告
20120629PRMU CVPR2012報告20120629PRMU CVPR2012報告
20120629PRMU CVPR2012報告Toru Tamaki
 
ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...
ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...
ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...Toru Tamaki
 
20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列Toru Tamaki
 
20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出
20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出
20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出Toru Tamaki
 
SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部
SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部
SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部Toru Tamaki
 
【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016cvpaper. challenge
 
実装ディープラーニング
実装ディープラーニング実装ディープラーニング
実装ディープラーニングYurie Oka
 
OpenCVを用いた画像処理入門
OpenCVを用いた画像処理入門OpenCVを用いた画像処理入門
OpenCVを用いた画像処理入門uranishi
 

Viewers also liked (15)

フーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組みフーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組み
 
ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案
ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案
ラドン変換と非線型マッチングによるアフィン変形不変な文字認識方法の提案
 
CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算CVIM#11 3. 最小化のための数値計算
CVIM#11 3. 最小化のための数値計算
 
広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科
広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科
広島大学工学部における医用画像処理の取り組み:放射線科,眼科,内科
 
20110326 CG・CVにおける散乱
20110326 CG・CVにおける散乱20110326 CG・CVにおける散乱
20110326 CG・CVにおける散乱
 
201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...
201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...
201109CVIM/PRMU Inverse Composite Alignment of a sphere under orthogonal proj...
 
20110415 Scattering in CG and CV
20110415 Scattering in CG and CV20110415 Scattering in CG and CV
20110415 Scattering in CG and CV
 
20120629PRMU CVPR2012報告
20120629PRMU CVPR2012報告20120629PRMU CVPR2012報告
20120629PRMU CVPR2012報告
 
ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...
ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...
ICASSP2012 Poster Estimating the spin of a table tennis ball using inverse co...
 
20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列
 
20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出
20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出
20110606PRMU 2D-3Dマッチングを用いた3次元点群の時間的な剛体変化検出
 
SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部
SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部
SSII2012 2D&3Dレジストレーション ~画像と3次元点群の合わせ方~ 第1部
 
【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016【2016.01】(3/3)cvpaper.challenge2016
【2016.01】(3/3)cvpaper.challenge2016
 
実装ディープラーニング
実装ディープラーニング実装ディープラーニング
実装ディープラーニング
 
OpenCVを用いた画像処理入門
OpenCVを用いた画像処理入門OpenCVを用いた画像処理入門
OpenCVを用いた画像処理入門
 

Similar to PRMU 201312 subpixel object detection survey

【CVPR 2020 メタサーベイ】Vision Applications and Systems
【CVPR 2020 メタサーベイ】Vision Applications and Systems【CVPR 2020 メタサーベイ】Vision Applications and Systems
【CVPR 2020 メタサーベイ】Vision Applications and Systemscvpaper. challenge
 
Towards Total Recall in Industrial Anomaly Detection
Towards Total Recall in Industrial Anomaly DetectionTowards Total Recall in Industrial Anomaly Detection
Towards Total Recall in Industrial Anomaly Detectionharmonylab
 
(文献紹介)深層学習による動被写体ロバストなカメラの動き推定
(文献紹介)深層学習による動被写体ロバストなカメラの動き推定(文献紹介)深層学習による動被写体ロバストなカメラの動き推定
(文献紹介)深層学習による動被写体ロバストなカメラの動き推定Morpho, Inc.
 
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないことNorishige Fukushima
 
TERAS Conference
TERAS ConferenceTERAS Conference
TERAS ConferenceKeiju Anada
 
Language presentations at WOCS and after.
Language presentations at WOCS and after.Language presentations at WOCS and after.
Language presentations at WOCS and after.Kiyoshi Ogawa
 
屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要
屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要
屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要Kurata Takeshi
 
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...harmonylab
 
「部品」としてのマイコン・半導体
「部品」としてのマイコン・半導体「部品」としてのマイコン・半導体
「部品」としてのマイコン・半導体Junichi Akita
 
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~ ≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~ Brocade
 
Dataset for Semantic Urban Scene Understanding
Dataset for Semantic Urban Scene UnderstandingDataset for Semantic Urban Scene Understanding
Dataset for Semantic Urban Scene UnderstandingYosuke Shinya
 
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネスコンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネスYusuke Uchida
 
ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介ADVENTURE Project
 
ドコモのクラウドとビックデータJpi版
ドコモのクラウドとビックデータJpi版ドコモのクラウドとビックデータJpi版
ドコモのクラウドとビックデータJpi版Osaka University
 
ビックデータとシリコンバレースタートアップ事情
ビックデータとシリコンバレースタートアップ事情ビックデータとシリコンバレースタートアップ事情
ビックデータとシリコンバレースタートアップ事情Osaka University
 
Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~
Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~
Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~Yasuharu Nishi
 
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...cvpaper. challenge
 
深層強化学習による自動運転車両の追い越し行動の実現に関する研究
深層強化学習による自動運転車両の追い越し行動の実現に関する研究深層強化学習による自動運転車両の追い越し行動の実現に関する研究
深層強化学習による自動運転車両の追い越し行動の実現に関する研究harmonylab
 
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏Developers Summit
 

Similar to PRMU 201312 subpixel object detection survey (20)

【CVPR 2020 メタサーベイ】Vision Applications and Systems
【CVPR 2020 メタサーベイ】Vision Applications and Systems【CVPR 2020 メタサーベイ】Vision Applications and Systems
【CVPR 2020 メタサーベイ】Vision Applications and Systems
 
修士論文
修士論文修士論文
修士論文
 
Towards Total Recall in Industrial Anomaly Detection
Towards Total Recall in Industrial Anomaly DetectionTowards Total Recall in Industrial Anomaly Detection
Towards Total Recall in Industrial Anomaly Detection
 
(文献紹介)深層学習による動被写体ロバストなカメラの動き推定
(文献紹介)深層学習による動被写体ロバストなカメラの動き推定(文献紹介)深層学習による動被写体ロバストなカメラの動き推定
(文献紹介)深層学習による動被写体ロバストなカメラの動き推定
 
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと画像処理ライブラリ OpenCV で 出来ること・出来ないこと
画像処理ライブラリ OpenCV で 出来ること・出来ないこと
 
TERAS Conference
TERAS ConferenceTERAS Conference
TERAS Conference
 
Language presentations at WOCS and after.
Language presentations at WOCS and after.Language presentations at WOCS and after.
Language presentations at WOCS and after.
 
屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要
屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要
屋内測位技術の応用事例とPDRベンチマーク標準化委員会の活動概要
 
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
Efficient Deep Reinforcement Learning with Imitative Expert Priors for Autono...
 
「部品」としてのマイコン・半導体
「部品」としてのマイコン・半導体「部品」としてのマイコン・半導体
「部品」としてのマイコン・半導体
 
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~ ≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
 
Dataset for Semantic Urban Scene Understanding
Dataset for Semantic Urban Scene UnderstandingDataset for Semantic Urban Scene Understanding
Dataset for Semantic Urban Scene Understanding
 
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネスコンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
 
ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介ADVENTUREの他のモジュール・関連プロジェクトの紹介
ADVENTUREの他のモジュール・関連プロジェクトの紹介
 
ドコモのクラウドとビックデータJpi版
ドコモのクラウドとビックデータJpi版ドコモのクラウドとビックデータJpi版
ドコモのクラウドとビックデータJpi版
 
ビックデータとシリコンバレースタートアップ事情
ビックデータとシリコンバレースタートアップ事情ビックデータとシリコンバレースタートアップ事情
ビックデータとシリコンバレースタートアップ事情
 
Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~
Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~
Tomorrow's software testing for embedded systems ~明日にでも訪れてしまう組込みシステムのテストの姿~
 
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
これからのコンピュータビジョン技術 - cvpaper.challenge in PRMU Grand Challenge 2016 (PRMU研究会 2...
 
深層強化学習による自動運転車両の追い越し行動の実現に関する研究
深層強化学習による自動運転車両の追い越し行動の実現に関する研究深層強化学習による自動運転車両の追い越し行動の実現に関する研究
深層強化学習による自動運転車両の追い越し行動の実現に関する研究
 
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
 

PRMU 201312 subpixel object detection survey