第1部 機械学習・パターン認識の基礎と 認識・検出への応用例

(2016年7月26日 10:00〜12:00)

1. はじめに
   1. パターン認識とは
   2. 特徴ベクトル空間と次元の呪い
2. 識別規則と学習アルゴリズムの概要
   1. 識別規則と学習アルゴリズムの分類
   2. 汎化能力の推定法
3. ベイズの識別規則
   1. 最大事後確率基準
   2. ベイズの識別規則は誤り最小
   3. 最小損失基準に基づくベイズの識別規則
4. 受信者動作特性曲線 (ROC曲線)
   1. ROC曲線の求め方
   2. ROC曲線による識別器間の性能比較
   3. 等損失直線群による最適動作点の選択
5. k最近傍法 (kNN法)
   1. 最近傍法とボロノイ境界
   2. kNN法
   3. 統計解析環境Rによる実行例
   4. 近似最近傍探索
6. パーセプトロン型学習規則
   1. パーセプトロン
   2. 誤差逆伝搬法
   3. 統計解析環境Rによる実行例
7. サポートベクトルマシン
   1. サポートベクトルマシンの導出
   2. 線形分離可能でない場合への拡張
   3. 非線形特徴写像
   4. 統計解析環境Rによる実行例
8. 部分空間法
9. 応用事例:車載ビデオカメラによる道路交通標識の実時間認識
   1. 標識候補の検出処理
      1. RANSACによる幾何学的パラメータの抽出
      2. HOG特徴と部分空間法による検出処理
   2. 標識内部の特徴抽出と部分空間法による認識
      1. 反対色フィルタによる標識内部特徴の抽出
      2. 部分空間法による認識処理
   3. 夜間の認識性能強化
      1. パーティクルフィルタを用いたリファインメント処理
      2. パーティクルフィルタを用いた同一標識のフレーム間追跡と移動平均によるノイズの低減
• 質疑応答

第2部 機械学習を用いた行動認識手法

(2016年7月26日 12:45〜14:45)

1. ブレインマシンインターフェース
2. RGBカメラ、モーションキャプチャによる行動認識
   1. RGBカメラ
   2. モーションキャプチャ計測
3. ベイズ超解像と画像情報処理
   1. ベイズ統計
   2. 超解像
• 質疑応答

第3部 進化的機械学習による画像認識の最適化・自動化技術

(2016年7月26日 15:00〜16:30)

　機械学習を業務に利用したいと考えている技術者を対象として、ディープラーニングのような統計的機械学習のブームの次に注目されると考えられている進化的機械学習とは何か、原理と適用例、今後の課題について平易に解説するとともに、機械学習を産業現場で利用する際の問題点とその解決方法について論じる。

1. 統計的機械学習から進化的機械学習へ
   1. 人工知能の手法
   2. 統計的機械学習
   3. 進化的機械学習
2. 進化的機械学習による画像認識の最適化・自動化
   1. 基本的な考え方
   2. 適用例
      1. 適用例1:進化的画像処理
      2. 適用例2:特徴量の最適化
      3. 適用例3:認識プロセス全体の自動構築
   3. 今後の課題
3. 産業現場への機械学習の導入
   1. 導入の際の課題と解決方法
   2. アルゴリズムの可視化と説明
   3. 機械学習による人の感性の取り扱い
• 質疑応答