基本情報/Basic Information

遠隔授業（授業回数全体の半分以上）の場合は、科目名の先頭に◆が付加されています（2023年度以降）

開講科目名 ／Course	パターン認識演習／Pattern Recognition Seminar
時間割コード ／Course Code	S1405210_S1
開講所属 ／Course Offered by	システム工学部／Faculty of Systems Engineering
ターム・学期 ／Term・Semester	2024年度／Academic Year　　第1クォーター／1Q
曜限 ／Day, Period	水／Wed　1,　水／Wed　2
開講区分 ／Semester offered	前期／the former term
単位数 ／Credits	2.0
学年 ／Year	3,4
主担当教員 ／Main Instructor	和田　俊和／Toshikazu Wada
科目区分 ／Course Group	_
授業形態 ／Lecture Form	演習
教室 ／Classroom	情報通信演習室（北1号館）／情報通信演習室（北1号館）
開講形態 ／Course Format
ディプロマポリシー情報 ／Diploma Policy

担当教員情報/Instructor Information

教員名 ／Instructor	教員所属名 ／Affiliation
和田　俊和／Toshikazu Wada	システム工学部（教員）

授業の概要・ねらい ／Course Aims	画像データを対象とし，次の３つについて演習を行う．１）多次元特徴ベクトル分布を主成分分析によって求めた軸に射影するによって低次元化し，分布の可視化をする．２）画像を構成する各画素の色ベクトルについて「単純類似度法」「最近傍識別」「分布モデルを用いた事後確率最大化による識別」によって識別する演習を行う．３）数字の画像データから，「部分空間法」を用いて学習を行い，数字パターンの認識を行う演習．本演習では，画像データを扱うため，OpenCVライブラリを用いたCおよびC++プログラミングとCaffeを用いたシミュレーションを行う．
到達目標 ／Course Objectives	ベクトルパターンから直交基底の導出ならびに直交展開の理論が理解でき，OpenCVを用いたプログラミングが行えること．正規分布の母数の推定，部分空間法，などの理解とプログラミングが行えること，これらを目標とする．
成績評価の方法・基準 ／Grading Policies/Criteria	レポート，および，面談によって採点する．
教科書 ／Textbook	資料配付による
参考書・参考文献 ／Reference Book	未定
履修上の注意 ・メッセージ ／Notice for Students	１．この演習では，BYOD用PCを学内の計算機(ccparallel-2)に接続して演習を行います。履修登録が済んだ学生には，履修者名簿が確定以降，メールを送信しますので，その指示に従って自宅からのログインの設定を行って下さい。 ２．出席は演習時間中に上記計算機にログインしていることで確認をします。
履修する上で必要な事項 ／Prerequisite	C言語によるプログラミングができること．線形代数Ⅰおよび微積分Ⅰの内容が理解できていること。
履修を推奨する関連科目 ／Related Courses
授業時間外学修についての指示 ／Instructions for studying outside class hours	本授業の授業計画に沿って、準備学習１時間と復習１時間を毎週行ってください。さらに、授業内容に関連する課題に関する調査・考察を含めて、毎回の授業ごとに自主的学修を求めます。
その他連絡事項 ／Other messages	授業内でＰＣを使用しますから，各自持参すること。また，計算サーバを用いるため，全受講者数を50名以下に制限します．
授業理解を深める方法 ／How to deepen your understanding of classes	演習の最後では，これまでに演習で用いた様々なパターン認識手法やそれを応用した手法を用いて，できるだけ精度の高い文字認識を行う課題に取り組む．【「アクティブ・ラーニング」実施要項 ⑥,⑦】
オフィスアワー ／Office Hours	授業開講時：前期：月曜日・10時50分～12時00分，後期：水曜日・13時10分～14時30分 訪問先：A棟A603
科目ナンバリング ／Course Numbering	S61013J01100E347

No.	回（日時） ／Time (date and time)	主題と位置付け（担当） ／Subjects and instructor's position	学習方法と内容 ／Methods and contents	備考 ／Notes
1	1（4/17）		パターン認識とは何か，パターン認識の技術的概要，主成分分析とKL 展開：（演習内容）ccparallel-2にログインするための基本設定．OpenCV3の基本的使用方法の習得と，それを用いた平均，共分散行列の計算
2	2（4/24）		※（演習続き）主軸への射影計算と，gnuplotを用いたFisherのIrisデータの分布の可視化
3	3（5/1）		単純類似度法：（演習内容）OpenCV3を用いた画像データの読み込みとRGBチャネルへの分割．肌色領域の代表色の計算．
4	4（5/8）		※（演習続き）「単純類似度法」による顔画像からの肌色領域の検出．
5	5（5/15）		最近傍識別：（演習内容）OpenCV3を用いたマウスイベントの抽出と，色のサンプリング，サンプルした色へのラベル付け．「3次元距離変換」を用いた最近傍識別用LUTの構築
6	6（5/22）		※（演習続き）最近傍識別用LUTを用いた肌色領域の検出．
7	7（5/29）		「正規分布」を用いた統計的識別：（演習内容）髪の毛，背景Ⅰ，背景Ⅱ，肌色，などのカテゴリーを設けて，それぞれの色をサンプリングする．
8	8（6/5）		部分空間法：（演習内容）文字データベース（MNIST）を対象とした自己相関行列の計算
9	9（6/12）		※（演習続き）自己相関行列の固有ベクトルの計算法，累積寄与率に基づく次元の決定法
10	10（6/19）		※（演習続き）射影ベクトルの長さ，残差ベクトルの長さの計算
11	11（6/26）		DNNによるMNISTの識別 CAFFEの学習データ(LMDB)の生成， {solver,train,test,deploy},.prototxtの役割の説明と，書き方，および実行方法
12	12（7/3）		※（演習続き） prototextの作成と実行
13	13（7/10）		最終課題 ＊MNISTの高精度識別方式の設計（各自で識別方式を決める）
14	14（7/24）		＊設計した識別器の実装とパラメータ調整，実行結果の整理
15	15（7/31）		最終レポート作成