シラバス参照

授業情報/Class Information

科目一覧へ戻る 2025/03/27 現在

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
コンピュータビジョン特論/Advanced Computer Vision
時間割コード
/Course Code
S2200590_S6
開講所属
/Course Offered by
システム工学研究科/Graduate School of Systems Engineering
ターム・学期
/Term・Semester
2025年度/Academic Year  第1クォーター/1Q
曜限
/Day, Period
月/Mon 4
開講区分
/Semester offered
前期/the former term
単位数
/Credits
2.0
学年
/Year
1,2
主担当教員
/Main Instructor
天野 敏之
科目区分
/Course Group
_ 
授業形態
/Lecture Form
講義
教室
/Classroom
北1号館A204/北1号館A204
開講形態
/Course Format
ディプロマポリシー情報
/Diploma Policy
要件年度
/Required Year
要件所属
/Course Name
ディプロマポリシー
/Diploma Policy
DP値
/DP Point
2020/04
~9999/04
システム工学研究科 1.高度な専門性と研究力 7
2.協働性と倫理性 3

担当教員情報/Instructor Information

教員名
/Instructor
教員所属名
/Affiliation
天野 敏之 システム工学部(教員)
授業の概要・ねらい
/Course Aims
画像特徴の抽出やカラー情報の解析などの基礎的な処理から物体認識に至るまでのコンピュータを用いた画像の認識・理解に関する基礎的な知識を身につける.また,カメラやレンジファインダなどのハードウェアの仕組みを理解するとともに,OpenCVによる実装方法も習得する.さらに,拡張現実感技術への応用など,コンピュータビジョンの応用に関する知識も習得する.
到達目標
/Course Objectives
テキストや英語論文を通じてコンピュータビジョンの基礎技術を習得し,それらをOpenCV等で実装できる力を身につけることを本講義の到達目標とする.
成績評価の方法・基準
/Grading Policies/Criteria
各回の講義で出題するレポート課題とOpenCVを用いた実習課題,最終試験により総合的に成績を評価する.成績評価の配分はレポート課題と演習課題を合わせて40%,期末試験60%とする.また,授業への積極的な参加を,出席日数に加え,授業内での発言や議論への貢献,課題の提出状況を総合的に考慮して評価する.その結果に応じて,最大10点のボーナス加点を行う.
教科書
/Textbook
特に指定はしない.講義資料については,和歌山大学Moodleに掲載する.
参考書・参考文献
/Reference Book
授業内容をしっかり理解するためには,以下の書籍を参照することを推奨する.
・Richard Szeliski, Computer Vision: Algorithms and Applications, ISBN-10: 3030343715, ¥12,000
 (翻訳本:コンピュータビジョン―アルゴリズムと応用― ,共立出版, ISBN-10 ‏ : ‎ 432012328X, ¥17,600)
・Reinhard Klette, Concise Computer Vision: An Introduction into Theory and Algorithms, ISBN-10: 1447163192, ¥7,685
・The computer vision foundationのOpen Access論文:https://www.thecvf.com
履修上の注意 ・メッセージ
/Notice for Students
本講義では,期末試験の他に各回の講義でレポート課題やOpenCVを用いたプログラミングを必要とする演習課題を課している.内容が多い上に課題も多く,単位取得には努力が必要であるが,短期間でコンピュータビジョンの基礎を身につけることができる講義になっている.
履修する上で必要な事項
/Prerequisite
行列演算や射影,ベクトルなどの線形代数の知識があることを前提として講義を行う.また,演習課題は,C言語やC++言語などのプログラミング言語を習得しており,課題を行うための計算機環境が用意できることを前提として出題する.
受講される場合は,線形代数の基礎を復習しておくこと.また,OpenCVを用いたプログラミングができる計算機環境を用意しておくこと.
履修を推奨する関連科目
/Related Courses
記載事項なし
授業時間外学修についての指示
/Instructions for studying outside class hours
レポート課題や演習課題の未提出もしくは提出が遅れが多数あると不合格となる.
本講義の演習課題やレポートを完成させるために,1回の講義あたり2~4時間程度の学修時間が必要となることを想定している.本講義を受講する場合には,余裕を持って課題に取り組む事ができように十分な時間を確保すること.
その他連絡事項
/Other messages
講義資料やレポート課題の情報などは以下のModdleのページに掲載する予定である.

和歌山大学Moodle Home ▶ システム工学部・システム工学研究科 ▶ システム工学研究科 ▶ コンピュータビジョン特論
授業理解を深める方法
/How to deepen your understanding of classes
レポート課題ではCVPR, ICCVなどの国際会議論文を読んで理解し,その内容を報告する論文調査がある.また,自主演習課題ではその調査内容などに基づきテーマを設定し,プログラムの実装などの演習課題がある.本講義では,これらを通じてコンピュータビジョンの理解を深める.
【アクティブ・ラーニング」実施要項①, ⑤, ⑥】
オフィスアワー
/Office Hours
オフィスアワーは特に設けない.質問などがある場合には事前連絡の上,教員室まで来るように.
科目ナンバリング
/Course Numbering
S61035J11099T503
実務経験
/Practical Experience
No. 回(日時)
/Time (date and time)
主題と位置付け
/Subjects and instructor's position
学習方法と内容
/Methods and contents
備考(担当)
/Notes
1 1 画像処理と認識・理解研究の歴史と現状 講義:コンピュータビジョンの目的や歴史,応用を概観し,画像処理・認識技術の発展と課題,最新アルゴリズムの動向を紹介する.
2 2 コンピュータビジョンのためのデバイス 講義:カメラの歴史や基本構造,光学・幾何モデルを学び,露光時間・絞り・ゲインの影響を理解する.また,広角・全方位カメラやレンジセンサなどの特殊デバイスについても紹介する.
3 3 コンピュータビジョンのためのライブラリ 講義:OpenCVを中心に,コンピュータビジョンのための主要なライブラリの概要,インストール方法,基本的な使い方を学ぶ.画像処理,特徴抽出,物体検出,機械学習などの機能も紹介する.
4 4 画質の改善と特徴抽出 講義:ヒストグラムやコントラスト調整を用いた画質改善手法を学び,濃度変換や空間フィルタによる画像処理を理解する.さらに,エッジ検出を通じて画像の特徴抽出手法を習得する.
5 5 画像特徴記述とマッチング 講義:Cannyエッジ検出をはじめ,SIFTやSURFなどの不変性を持つ特徴量の抽出手法を学ぶ.さらに,画像間のマッチングやBag-of-Featuresを用いた一般物体認識について理解を深める.
6 6 投票と多数決による幾何学特徴検出 講義:SIFTの高速版であるSURFのアルゴリズムを学び,Hessian行列やIntegral Imageを活用した特徴点検出を理解する.さらに,Hough変換を用いた直線・円検出手法についても学ぶ.
7 7 分光特性と色空間 講義:光の物理特性と視覚に基づく色空間の概念を学び,CIE表色系やRGB・HSV・YUV色空間の変換方法を理解する.さらに,色の恒常性やクラスタリングを用いた色解析手法についても紹介する.
8 8 二色性反射モデルとBRDF 講義:物体表面の光の反射特性を理解するために,二色性反射モデルやBRDF(双方向反射分布関数)の概念を学ぶ.さらに,光源の影響や色温度の変化が画像に与える影響についても考察する.
9 9 視覚の幾何1 講義:ピンホールカメラモデルを中心に,透視投影変換,カメラの内部・外部パラメータ,レンズ収差の補正などのカメラキャリブレーション手法を学ぶ.さらに,Zhangの手法などの具体的なキャリブレーション手法も紹介する.
10 10 視覚の幾何2   講義:ステレオビジョンによる奥行き推定の原理を学び,エピポーラ幾何や基本行列を用いた3D再構成手法を理解する.さらに,多視点幾何の基礎についても紹介する.
11 11 対象追跡   講義:テンプレートマッチングやパーティクルフィルタ,カーネルトラッキング(Mean Shift,k-Means Tracker)などの物体追跡手法を学び,サーベイランスや運動解析への応用について考察する.
12 12 パターン認識と物体認識1   講義:K近傍法,固有顔,Viola-Jones法,Bag-of-wordsモデルなどのパターン認識・物体認識手法を学ぶ.さらに,教師あり・教師なし学習の概念についても紹介する.
13 13 パターン認識と物体認識2 講義:物体認識における特徴ベース,テンプレートベース,外観ベースの手法を学び,SVMやAdaBoost,HOGなどを用いた認識技術について理解を深める.シーン解析とコンテキスト理解にも触れる.
14 14 コンピュータビジョンと拡張現実感 講義:拡張現実感(AR)の基本概念と技術を学び,ビジョンベースARとセンサベースARの違いや,それぞれの利点・欠点を理解する.幾何学的・光学的・時間的整合性の課題や,マーカ型・マーカレス型ARの手法についても紹介する.
15 15 講義のまとめ,試験

科目一覧へ戻る