SlideShare une entreprise Scribd logo
1  sur  46
Télécharger pour lire hors ligne
2014年12月8日(月) 数理人セミナー @ 早稲田大学西早稲田キャンパス63号館102号室
友枝 明保 (Akiyasu Tomoeda)
武蔵野大学 / JST CREST
共同研究者: 杉原 厚吉 (明治大学/JST CREST)
小野 隼 (明治大学卒業生)
錯視現象を計算する:
幾何計算による現象の理解から錯視作品の創作へ
講演概要
 「計算錯覚学(Computational Illusion)」
– 錯視現象を計算する意義
– 錯覚美術館
– 錯視と渋滞 (縦断勾配錯視)
 “ホロウマスク錯視”と同じ効果を持つ錯視立体の数理設計法
– 回転速度計算による錯視現象の理解
– 幾何計算を用いた立体の設計法
– 陰影計算による無照明下での実現
 “フットステップ錯視” アート
– 観察される錯視効果の条件計算と分類
– Best illusion of the Year Contest
 まとめ
計算錯覚学の紹介
JST CREST 「計算錯覚学の構築」
 視覚における錯覚:錯視
– 対象が実際とは異なるように見えてしまう現象
– 錯覚は理性で答えがわかっていても,必ずまた起こる.
 錯視現象を計算する意義
– 錯視の仕組みを理解し,錯視効果を数量化することで,
錯視(量)を制御する・予測することが可能となる.
» 錯視量の最小化
→ 錯視の解消
• 交通事故防止
• 渋滞緩和
» 錯視量の最大化
→ 錯視の利用
• 目をひく標識や看板広告の設計
錯視と渋滞
 サグ(sag) = ドライバーが気がつかない程度の上り坂
上り坂を正しく上り坂と認識できていない
傾斜の誤認:「縦断勾配錯視」と呼ばれる錯視現象
データ図:NEXCO東日本HP http://www.e-nexco.co.jp/activity/safety/detail_07.html より
縦断勾配錯視の例(屋島ドライブウェイ,下り)
ホロウマスク錯視と同じ効果を持つ
錯視立体の数理設計法
ホロウマスク錯視(マスクの回転速度)
 ホロウマスク錯視の視線は観測者を追い越していく.
– 観測者:点Eから点P(点P’)を見る.
– Pの周りに一様な密度の模様が書かれているとする.
– 正面から見たときの模様密度:
– 見かけの密度
– 観測者の視点移動による
見かけの密度変化
D
0
cos
D
D


0
2
sin
cos
Dd
D
d


 

(b) Illusion
(a) Real

マスク面
P
P

E
0D
ホロウマスク錯視(マスクの回転速度)
 観察者が面に向かって右に動く
(a) Real
(実際のマスク面の場合)
– 見かけの密度の変化
→ 見かけの密度は 増加する
    
0
2
sin
0
cos
D 


 
0 
0
2
sin
cos
Dd
D
d


 

密度変化
(a) Real

マスク面
P

E
ホロウマスク錯視(マスクの回転速度)
 観察者が面に向かって右に動く
(b) Illusion
(錯視の状態のマスク面の場合)
– 見かけの密度の変化
→ 見かけの密度は 減少する
0
2
sin
cos
Dd
D
d


 

密度変化
(b) Illusion

マスク面
E
P

    0 
0
2
sin
0
cos
D 


  
減少するはずが,実際は増加!
ホロウマスク錯視(マスクの回転速度)
 期待していた密度変化と実際の密度変化の差
– (a) 実際の密度変化
 錯覚に気付かない観察者
– 壁面が回転して向きを変えているために,観察された密度の
変化が生じている.と解釈
0
2
sin
cos
D 


 
(b) 錯視の状況での密度変化
– (a)と(b)の差
0
2
sin
cos
D 



0
2
sin
2
cos
D 



0 0
2 2
sin sin
2
cos cos
D D 
 
 
   2   
視点の二倍で回転
(回転角 とする)
【作成立体】 立体俯瞰図
底面の形状を与えて,立体を作成する
(線分ボロノイ図, Straight Skeleton)
ボロノイ図(Voronoi Diagram)
 直感的説明
ボロノイ図は一種の「なわばり」図
領域の境界は
二点の垂直二等分線の一部
母点
ボロノイ点
ボロノイ領域
線分ボロノイ図
 線分ボロノイ図 (Voronoi diagram for line segments)
– 線分を生成元とするボロノイ図
– Straight skeleton (ex. 屋根の設計)
» 各生成元からの直線距離(Straight line distance)で勢力圏を分割
» 得られるボロノイ境界は全て直線で表される.
[O. Aichholzer, et al. (1995), D. Eppstein, et al. (1999), Huber, et al. (2010). ]
l
l
Euclid distanceStraight line distance
等しい傾斜壁を持つくぼみ構造の作り方
 傾斜壁を持つくぼみ構造
– 立体表面は広い観察角度から完全に見えるように作成
– 深さも必要
: 線分で囲まれた二次元閉領域
: 境界の線分の集合
: xy平面と傾斜壁とのなす角
: くぼみ構造の高さ
P
 1 2, ,p nE e e e

h
1. 多角形の境界を外側にのばしていき,長さが になったところで止める.
2. 長さが になる前に壁同士が交差した場合,その交差部で止める.
3. xy平面上で得られた座標に対して,Z座標を追加する.
coth 
coth 
 z h
Straight line Voronoi diagram
 Straight line Voronoi diagram
– ボロノイ領域 の集まり
» は に対して,直線距離で定義されるボロノイ領域ie
 iR e
 iR e
» 得られたボロノイ領域はxy平面から傾斜 α を持った傾斜壁となる.
» 任意の多角形底面Pに対して,くぼみ構造を作成することが可能.
P
立体形状の計算(イメージ)
0z 
z h
 1 1 1 1, ,V x y z
【作成立体:再掲】 立体俯瞰図
立体の展開図
「矢印の幻惑」
 矢印は両方ともくぼんでいて,左は正しくくぼんで見えるが,右の矢印は出っ張って見える.
 矢印立体から目を離さずに左右に移動すると,矢印がずっと追いかけてくるように見える.
1. A. Tomoeda, K. Sugihara, (ISVD 2012), pp. 144–147 (2012), doi:10.1109/ISVD.2012.26.
2. 日本応用数理学会年会2012 予稿集 稚内
3. (Wikipedia) http://en.wikipedia.org/wiki/Straight_skeleton
作:友枝明保,杉原厚吉 (2012)
「矢印の幻惑(照明透過ver)」
 錯視立体に光を裏から当てた状況
(ケント紙ではなく,3Dプリンタで作成した錯視立体)
作:友枝明保,杉原厚吉 (2012)
「駐車場マーク」 作:友枝明保,杉原厚吉 (2012)
「矢印の幻惑」 照明による比較
下からの照明上からの照明
照明によって凹凸が反転 (陰影の効果)
→ クレーター錯視
クレーター錯視
– 画像を回転させると,凹部が凸部に見える.
» 陰影による形状(立体)復元:Shape from Shading
» 「地球上では光が上から来る」 → 知覚の学習という説
Fieandt, K. von (1938). Helsinki, Finland: Psychologisches Itistitut Universitat Helsinki.
Fieandt, K. von (1949). Ada Psychologica, 6, 337-357.
「はぐれ矢印」の作成に向けて
【アイデア】
• 錯視立体の各面に予め陰影を付けておけば,照明ナシでも立体に見えるハズ
→ 実用化における照明設置のコスト削減につながる.
• 平面矢印であっても,適切な陰影を付ければ立体に見えるハズ.
→ ある視点から見ると,平面矢印と錯視立体を同一に見せることができる.
• 複数の平面矢印の中に,一つだけ「矢印の幻惑」を紛れ込ませる.
→ 錯視立体だけが視点移動に伴って回転する錯視効果により,
目を惹く看板を作成できる.
【作成手順】
1. 錯視立体に対して,ある視点で見た場合の投影面の頂点座標を求める.
立体 → 平面
2. 投影面の平面矢印に対して,出っ張って見えるような陰影を与える.
平面 → 立体に見せる
3. その色を元に,「拡散反射」を仮定して立体面の陰影計算を行う.
立体に見える平面 → 同一に見える立体
平面 立体
平面 平面
「はぐれ矢印」
投影変換
 視点O(0,0,f)となるように平行移動したのち,P(x,y,z)を
Z=0に射影した座標P0
 0 : :x f x f z 
 0,0,O f
Z
Y
X
 0 0 0, ,0P x y  , ,P x y z
0
fx
x
f z


0
fy
f z


同様に,y
【手順】 1. 平面矢印の頂点座標を求める.
2. 平面矢印の各面に陰影を与える.
3. 拡散反射を仮定して,立体面の陰影を求める.
平面矢印に与える色
 面:{A,B,C,D,E,F,G,H}
【手順】 1. 平面矢印の頂点座標を求める.
2. 平面矢印の各面に陰影を与える.
3. 拡散反射を仮定して,立体面の陰影を求める.
【仮定する条件】
 各面は色の大小関係を
保てばよく,0(黒)-255(白)
のとき,
F<D<B=E=G(=H)<C<A
である.
 面HはB=E=Gと同じである
必要はないが,鉛直方向
の陰影が重要なので,こ
こでは同じ色とした
(B=E=G=H) .
0Z 
Z d 
A
B
C
D
E
F
G H
平面矢印に与える色
 仮定に基づいて設定した色
0(黒)-255(白)
A:180 B:115
C:150 D:90
E:115 F:60
G:115 H:115
F<D<B=E=G(=H)<C<A
Processingによる表示
(平行光線,拡散反射)
【手順】 1. 平面矢印の頂点座標を求める.
2. 平面矢印の各面に陰影を与える.
3. 拡散反射を仮定して,立体面の陰影を求める.
拡散反射
 ランバートの余弦則
– 拡散反射光は見る方向によって明るさは変わらない.
– 明るさは面の法線方向と入射光のなす角の余弦に比例
【手順】 1. 平面矢印の頂点座標を求める.
2. 平面矢印の各面に陰影を与える.
3. 拡散反射を仮定して,立体面の陰影を求める.
0 cosdL x I C    
0I

n
ランバートモデル
:光源の強度
x
C
:面の反射率(0~1)
:色の値
 面Xの輝度
立体面の色計算
 面Xの輝度
 色つき平面と色つき立体面が同じ色に見える
【手順】 1. 平面矢印の頂点座標を求める.
2. 平面矢印の各面に陰影を与える.
3. 拡散反射を仮定して,立体面の陰影を求める.
0 cosXd X XL xI C  0 cosXd X XL xI C 
cos
cos
X
X X
X
C C



     cos X
n L a b L
n L a b L

    
 

0 0cos cos
Xd a Xd a
X X a X X a
L L L L
xI C L xI C L 
  
  
   
       
   XX X
a b La b L
C
a b La b
a b La b
C C
a b bL a L
  

 
  

   
n a b 
a
b
XC
L
Processingによる表示
 (視点距離) f=200の場合,平行光線,拡散反射
平面に色付けした矢印 立体面に色付けした矢印
「陰影付き矢印の幻惑」
陰影付き平面矢印 陰影付き立体矢印
作:友枝明保,小野隼,杉原厚吉(2013)
「はぐれ矢印」 作:友枝明保,小野隼,杉原厚吉(2013)
矢印の一つが「矢印の幻惑」(錯視立体)で構成され,他の矢印は平面矢印で構成された作品.
視点角度の変化(回転)に伴って,錯視立体矢印だけが変化(回転)して見える.
フットステップ錯視アート
フットステップ錯視
二つの長方形(オブジェクト)が
等速に動いているが背景が縞
模様だと、まるで交互に動いて
いるように見える。
S. Anstis,
Footsteps and inchworms: Illusions
show that contrast affects apparent
speed, Perception, 30, 785-794, (2001).
コントラスト差が要因
オブジェクトの大きさ(幅)による錯視の変化
間欠運動
(フットステップ錯視)
伸び縮み
(インチワーム錯視)
エッジが隠れている時間の計算
 フットステップ錯視:両エッジが同時に隠れるとき
→ ストライプ幅の偶数倍のとき
最も長い時間両エッジが隠れる.
x
x
 2
2
x
x

 


  
 
3
2 3
2
x
x

 


  

3 x 
x 
エッジが隠れている時間の計算
 インチワーム錯視:両エッジが交互に隠れるとき
→ ストライプ幅の奇数倍のとき
最も短い時間両エッジが隠れる.
x
x

3 x 
3x  
3
3 4
2
x
x

 


  
 
3
2 3
2
x
x

 


  
フットステップ錯視の見え方の分類
 オブジェクトの設定で8パターンに分類
width Apparent motion
x1 x2 d O1 O2 Timing
1 even even even Footstep Footstep synchronously
2 even even odd Footstep Footstep alternately
3 odd odd even Inchworm Inchworm alternately
4 odd odd odd Inchworm Inchworm synchronously
5 even odd even Footstep Inchworm synchronously
6 even odd odd Footstep Inchworm alternately
7 odd even even Inchworm Footstep alternately
8 odd even odd Inchworm Footstep synchronously
フットステップ錯視アートの実用化に向けて
 時計のデザイン技術
– 特願2012-173418,特願2013-110085
CGによるデモ 試作によるデモ
フットステップ錯視アートの実用化に向けて
 パターンの組み合わせによるデザイン
Best Illusion of the Year Contest 2013
Best Illusion of the Year Contest 2013 ―概要―
 錯覚の新作を競う世界コンテスト
– Vision Science Society(視覚科学協会)年会のサテライトイベント
– 応募作品から、専門家による1次審査でベストテンが選ばれ、それがファ
イナリストとして決勝戦に臨み、1位から3位を競う.
– 決勝戦の結果は、NatureやScientific Americanなどに紹介され、速報HP
には、数百万回のアクセスが殺到するなど、視覚科学の分野で大変注目
されている大イベント.
Best Illusion of the Year Contest 2014
Best Illusion of the Year Contest 2014
 Top 10 Finalist “Pigeon-Neck Illusion”
「行ったり来たりする動きを錯視で表現」
Contents : “Tag”, “UFO”, “Clock”
まとめ
 計算錯覚学の紹介
– 錯視現象の数理モデリング
» 錯視(量)を制御する・予測することを目指す
– 錯視の解消:錯視量の最小化
» 環境誤認からくる事故防止や渋滞緩和
(縦断勾配錯視)
– 錯視の利用:錯視量の最大化
» 新しいエンタテイメント・芸術表現
(ホロウマスク型錯視立体の数理設計)
(フットステップ錯視アート)

Contenu connexe

Tendances

20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation surveyTakuya Minagawa
 
[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for Vision[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for VisionDeep Learning JP
 
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural NetworksYosuke Shinya
 
AI勉強会用スライド
AI勉強会用スライドAI勉強会用スライド
AI勉強会用スライドharmonylab
 
【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
 
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View SynthesisDeep Learning JP
 
3Dマップを活用したVisual Localization
3Dマップを活用したVisual Localization3Dマップを活用したVisual Localization
3Dマップを活用したVisual LocalizationHajime Taira
 
[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder
[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder
[DL輪読会]NVAE: A Deep Hierarchical Variational AutoencoderDeep Learning JP
 
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representationTakuya Minagawa
 
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1Takuma Yagi
 
CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習Katsuya Ito
 
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
 
[DL輪読会]Temporal DifferenceVariationalAuto-Encoder
[DL輪読会]Temporal DifferenceVariationalAuto-Encoder[DL輪読会]Temporal DifferenceVariationalAuto-Encoder
[DL輪読会]Temporal DifferenceVariationalAuto-EncoderDeep Learning JP
 
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論sleepy_yoshi
 
Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線Yoshitaka Ushiku
 
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...Yoshiki Yamamoto
 
[DL輪読会]GQNと関連研究,世界モデルとの関係について
[DL輪読会]GQNと関連研究,世界モデルとの関係について[DL輪読会]GQNと関連研究,世界モデルとの関係について
[DL輪読会]GQNと関連研究,世界モデルとの関係についてDeep Learning JP
 
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 [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
 

Tendances (20)

20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey20190131 lidar-camera fusion semantic segmentation survey
20190131 lidar-camera fusion semantic segmentation survey
 
[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for Vision[DL輪読会]MetaFormer is Actually What You Need for Vision
[DL輪読会]MetaFormer is Actually What You Need for Vision
 
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
【宝くじ仮説】The Lottery Ticket Hypothesis: Finding Small, Trainable Neural Networks
 
AI勉強会用スライド
AI勉強会用スライドAI勉強会用スライド
AI勉強会用スライド
 
【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
 
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
[DL輪読会]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
 
3Dマップを活用したVisual Localization
3Dマップを活用したVisual Localization3Dマップを活用したVisual Localization
3Dマップを活用したVisual Localization
 
[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder
[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder
[DL輪読会]NVAE: A Deep Hierarchical Variational Autoencoder
 
20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation20190706cvpr2019_3d_shape_representation
20190706cvpr2019_3d_shape_representation
 
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
 
CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習CF-FinML 金融時系列予測のための機械学習
CF-FinML 金融時系列予測のための機械学習
 
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
 
[DL輪読会]Temporal DifferenceVariationalAuto-Encoder
[DL輪読会]Temporal DifferenceVariationalAuto-Encoder[DL輪読会]Temporal DifferenceVariationalAuto-Encoder
[DL輪読会]Temporal DifferenceVariationalAuto-Encoder
 
8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論8.4 グラフィカルモデルによる推論
8.4 グラフィカルモデルによる推論
 
Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線Deep Learning による視覚×言語融合の最前線
Deep Learning による視覚×言語融合の最前線
 
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
(ICML2020 K.Kato et al. fujitsu) Rate distortion optimization guided autoenco...
 
PRML 5.3-5.4
PRML 5.3-5.4PRML 5.3-5.4
PRML 5.3-5.4
 
[DL輪読会]GQNと関連研究,世界モデルとの関係について
[DL輪読会]GQNと関連研究,世界モデルとの関係について[DL輪読会]GQNと関連研究,世界モデルとの関係について
[DL輪読会]GQNと関連研究,世界モデルとの関係について
 
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 [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
 

Plus de Suurist

Hiroki Shigemune
Hiroki  ShigemuneHiroki  Shigemune
Hiroki ShigemuneSuurist
 
Hiroaki Shiokawa
Hiroaki ShiokawaHiroaki Shiokawa
Hiroaki ShiokawaSuurist
 
Hidetomo Nagai
Hidetomo NagaiHidetomo Nagai
Hidetomo NagaiSuurist
 
Kensuke Aihara
Kensuke AiharaKensuke Aihara
Kensuke AiharaSuurist
 
Tatsuhiro Kishi
Tatsuhiro KishiTatsuhiro Kishi
Tatsuhiro KishiSuurist
 
Hideitsu Hino
Hideitsu HinoHideitsu Hino
Hideitsu HinoSuurist
 
Tatsuya Yatagawa
Tatsuya YatagawaTatsuya Yatagawa
Tatsuya YatagawaSuurist
 
Hiroyuki Sato
Hiroyuki SatoHiroyuki Sato
Hiroyuki SatoSuurist
 
Tetsunao Matsuta
Tetsunao MatsutaTetsunao Matsuta
Tetsunao MatsutaSuurist
 
Naoya Tsuruta
Naoya TsurutaNaoya Tsuruta
Naoya TsurutaSuurist
 
Suurist Test Slide
Suurist Test SlideSuurist Test Slide
Suurist Test SlideSuurist
 
Akitoshi Takayasu
Akitoshi TakayasuAkitoshi Takayasu
Akitoshi TakayasuSuurist
 
Kohta Suzuno
Kohta SuzunoKohta Suzuno
Kohta SuzunoSuurist
 
Shunsuke Horii
Shunsuke HoriiShunsuke Horii
Shunsuke HoriiSuurist
 
Yasunori Futamura
Yasunori FutamuraYasunori Futamura
Yasunori FutamuraSuurist
 
Takuya Tsuchiya
Takuya TsuchiyaTakuya Tsuchiya
Takuya TsuchiyaSuurist
 
Akira Imakura
Akira ImakuraAkira Imakura
Akira ImakuraSuurist
 

Plus de Suurist (17)

Hiroki Shigemune
Hiroki  ShigemuneHiroki  Shigemune
Hiroki Shigemune
 
Hiroaki Shiokawa
Hiroaki ShiokawaHiroaki Shiokawa
Hiroaki Shiokawa
 
Hidetomo Nagai
Hidetomo NagaiHidetomo Nagai
Hidetomo Nagai
 
Kensuke Aihara
Kensuke AiharaKensuke Aihara
Kensuke Aihara
 
Tatsuhiro Kishi
Tatsuhiro KishiTatsuhiro Kishi
Tatsuhiro Kishi
 
Hideitsu Hino
Hideitsu HinoHideitsu Hino
Hideitsu Hino
 
Tatsuya Yatagawa
Tatsuya YatagawaTatsuya Yatagawa
Tatsuya Yatagawa
 
Hiroyuki Sato
Hiroyuki SatoHiroyuki Sato
Hiroyuki Sato
 
Tetsunao Matsuta
Tetsunao MatsutaTetsunao Matsuta
Tetsunao Matsuta
 
Naoya Tsuruta
Naoya TsurutaNaoya Tsuruta
Naoya Tsuruta
 
Suurist Test Slide
Suurist Test SlideSuurist Test Slide
Suurist Test Slide
 
Akitoshi Takayasu
Akitoshi TakayasuAkitoshi Takayasu
Akitoshi Takayasu
 
Kohta Suzuno
Kohta SuzunoKohta Suzuno
Kohta Suzuno
 
Shunsuke Horii
Shunsuke HoriiShunsuke Horii
Shunsuke Horii
 
Yasunori Futamura
Yasunori FutamuraYasunori Futamura
Yasunori Futamura
 
Takuya Tsuchiya
Takuya TsuchiyaTakuya Tsuchiya
Takuya Tsuchiya
 
Akira Imakura
Akira ImakuraAkira Imakura
Akira Imakura
 

Akiyasu Tomoeda