Enviar pesquisa
Carregar
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
•
Transferir como PPTX, PDF
•
13 gostaram
•
33,518 visualizações
K
kanejaki
Seguir
コンピュータビジョン最先端ガイド5 複数画像からの三次元復元 3.2節あたり
Leia menos
Leia mais
Ciências
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 10
Baixar agora
Recomendados
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3
sumisumith
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
28th CV勉強会@関東 #3
28th CV勉強会@関東 #3
Hiroki Mizuno
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoaki
tomoaki0705
Structure from Motion
Structure from Motion
Ryutaro Yamauchi
静岡Developers勉強会コンピュータビジョンvol4発表用資料
静岡Developers勉強会コンピュータビジョンvol4発表用資料
keima_12
20160612 関東cv勉強会 sumisumithパート
20160612 関東cv勉強会 sumisumithパート
sumisumith
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
Masaya Kaneko
Recomendados
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3
sumisumith
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
28th CV勉強会@関東 #3
28th CV勉強会@関東 #3
Hiroki Mizuno
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoaki
tomoaki0705
Structure from Motion
Structure from Motion
Ryutaro Yamauchi
静岡Developers勉強会コンピュータビジョンvol4発表用資料
静岡Developers勉強会コンピュータビジョンvol4発表用資料
keima_12
20160612 関東cv勉強会 sumisumithパート
20160612 関東cv勉強会 sumisumithパート
sumisumith
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
Masaya Kaneko
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
Masaya Kaneko
CNN-SLAMざっくり
CNN-SLAMざっくり
EndoYuuki
LSD-SLAM:Large Scale Direct Monocular SLAM
LSD-SLAM:Large Scale Direct Monocular SLAM
EndoYuuki
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
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
SLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAM
Iwami Kazuya
論文読み会2018 (CodeSLAM)
論文読み会2018 (CodeSLAM)
Masaya Kaneko
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII
第41回関東CV勉強会 CNN-SLAM
第41回関東CV勉強会 CNN-SLAM
邦洋 長谷川
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
論文紹介:Using the Forest to See the Trees: A Graphical. Model Relating Features,...
論文紹介:Using the Forest to See the Trees: A Graphical. Model Relating Features,...
Takuma Yagi
論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)
Masaya Kaneko
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
Takuma Yagi
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
yukihiro domae
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
Takuma Yagi
Camera calibration
Camera calibration
Takahashi Kosuke
確率的深層学習における中間層の改良と高性能学習法の提案
確率的深層学習における中間層の改良と高性能学習法の提案
__106__
Light weightbinocular sigasia2012_face
Light weightbinocular sigasia2012_face
ishii yasunori
ディジタル信号処理 課題解説 その6
ディジタル信号処理 課題解説 その6
noname409
MIRU2016 チュートリアル
MIRU2016 チュートリアル
Shunsuke Ono
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
Takuya Minagawa
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
Mais conteúdo relacionado
Mais procurados
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
Masaya Kaneko
CNN-SLAMざっくり
CNN-SLAMざっくり
EndoYuuki
LSD-SLAM:Large Scale Direct Monocular SLAM
LSD-SLAM:Large Scale Direct Monocular SLAM
EndoYuuki
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
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
SLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAM
Iwami Kazuya
論文読み会2018 (CodeSLAM)
論文読み会2018 (CodeSLAM)
Masaya Kaneko
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII
第41回関東CV勉強会 CNN-SLAM
第41回関東CV勉強会 CNN-SLAM
邦洋 長谷川
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
論文紹介:Using the Forest to See the Trees: A Graphical. Model Relating Features,...
論文紹介:Using the Forest to See the Trees: A Graphical. Model Relating Features,...
Takuma Yagi
論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)
Masaya Kaneko
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
Takuma Yagi
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
yukihiro domae
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
Takuma Yagi
Camera calibration
Camera calibration
Takahashi Kosuke
確率的深層学習における中間層の改良と高性能学習法の提案
確率的深層学習における中間層の改良と高性能学習法の提案
__106__
Light weightbinocular sigasia2012_face
Light weightbinocular sigasia2012_face
ishii yasunori
ディジタル信号処理 課題解説 その6
ディジタル信号処理 課題解説 その6
noname409
MIRU2016 チュートリアル
MIRU2016 チュートリアル
Shunsuke Ono
Mais procurados
(20)
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
CNN-SLAMざっくり
CNN-SLAMざっくり
LSD-SLAM:Large Scale Direct Monocular SLAM
LSD-SLAM:Large Scale Direct Monocular SLAM
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
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~
SLAM勉強会(3) LSD-SLAM
SLAM勉強会(3) LSD-SLAM
論文読み会2018 (CodeSLAM)
論文読み会2018 (CodeSLAM)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
SSII2021 [OS3] 広域環境の3D計測と認識 ~ 人が活動する場のセンシングとモデル化 ~(オーガナイザーによる冒頭の導入)
第41回関東CV勉強会 CNN-SLAM
第41回関東CV勉強会 CNN-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~
論文紹介:Using the Forest to See the Trees: A Graphical. Model Relating Features,...
論文紹介:Using the Forest to See the Trees: A Graphical. Model Relating Features,...
論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)
Probabilistic Graphical Models 輪読会 #1
Probabilistic Graphical Models 輪読会 #1
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
Graph Refinement based Tree Extraction using Mean-Field Networks and Graph Ne...
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
RBM、Deep Learningと学習(全脳アーキテクチャ若手の会 第3回DL勉強会発表資料)
Camera calibration
Camera calibration
確率的深層学習における中間層の改良と高性能学習法の提案
確率的深層学習における中間層の改良と高性能学習法の提案
Light weightbinocular sigasia2012_face
Light weightbinocular sigasia2012_face
ディジタル信号処理 課題解説 その6
ディジタル信号処理 課題解説 その6
MIRU2016 チュートリアル
MIRU2016 チュートリアル
Destaque
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
Takuya Minagawa
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
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像
yaju88
2008-12-07_PTAM_Kansai.AR
2008-12-07_PTAM_Kansai.AR
masayashi Kobayashi
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Takuya Minagawa
Sift特徴量について
Sift特徴量について
la_flance
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
Keita Takizawa
Destaque
(7)
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
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
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像
2008-12-07_PTAM_Kansai.AR
2008-12-07_PTAM_Kansai.AR
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Sift特徴量について
Sift特徴量について
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
1.
1 MIL Machine Intelligence Lab. 複数枚の画像からの photo-consistency 3.2
デプスマップ復元 2015/3/28 第28回コンピュータビジョン勉強会@関東 原田研究室 助教 金崎朝子
2.
2 MIL Machine Intelligence Lab. 複数枚の画像からのphoto-consistency 三次元形状を復元するには正確なVisibility情報 (物体上の点がどのカメラに見えているか)が 必要である 正確なVisibility情報を得るためには 逆に形状情報が必要である vs. いわゆるチキン・エッグ問題
3.
3 MIL Machine Intelligence Lab. (図2.18)オクルージョン問題 •
近傍6画像を使ってPhoto-consistency 関数(NCC)をプロットした結果(赤線) http://mi.eng.cam.ac.u k/~cipolla/archive/Pres entations/2007-PAMI- Volumetric-Graph- Cuts.pdf NCC値 深さ 平均 正しい深さ 平均したらダメな理由: オクルージョンが発生 しているカメラから計算 されるNCC(外れ値)を 足しこんでしまっている から。
4.
4 MIL Machine Intelligence Lab. (図2.18)Vogiatzisら[24][37]の手法 •
近傍6画像を使ってPhoto-consistency 関数(NCC)をプロットした結果(赤線) http://mi.eng.cam.ac.u k/~cipolla/archive/Pres entations/2007-PAMI- Volumetric-Graph- Cuts.pdf NCC値 深さ [37] Vogiatzis, George, Carlos Hernández, Philip HS Torr, and Roberto Cipolla. Multi-view Stereo via Volumetric Graph-cuts and Occlusion Robust Photo-Consistency. PAMI, vol. 29, No. 12, 2007. 極大値 カーネル関数 カーネル関数和 外れ値に影響されにくい!
5.
5 MIL Machine Intelligence Lab. (図2.18)Vogiatzisら[24][37]の手法 •
近傍6画像を使ってPhoto-consistency 関数(NCC)をプロットした結果(赤線) http://mi.eng.cam.ac.u k/~cipolla/archive/Pres entations/2007-PAMI- Volumetric-Graph- Cuts.pdf NCC値 深さ 極大値 カーネル関数 カーネル関数和 𝑔 𝑝 𝑑 = 𝑖=1 𝑁 𝑗 𝑓𝑝 𝑖 𝑑𝑗 𝑖 𝑊(𝑑 − 𝑑𝑗 𝑖 ) 𝑑𝑗 𝑖 : 各𝑓𝑝 𝑖 𝑑 の極大値 各photo-consistencyカーブ カーネル関数 (ex. gaussian) [37] Vogiatzis, George, Carlos Hernández, Philip HS Torr, and Roberto Cipolla. Multi-view Stereo via Volumetric Graph-cuts and Occlusion Robust Photo-Consistency. PAMI, vol. 29, No. 12, 2007. 外れ値に影響されにくい!
6.
6 MIL Machine Intelligence Lab. 3.2
デプスマップ復元 • 一番単純な方法: 各ピクセルで上式が最大になるデプスを求める。 𝑔 𝑝 𝑑 = 𝑖=1 𝑁 𝑗 𝑓𝑝 𝑖 𝑑𝑗 𝑖 𝑊(𝑑 − 𝑑𝑗 𝑖 ) 𝑑𝑗 𝑖 : 各𝑓𝑝 𝑖 𝑑 の極大値 各photo-consistencyカーブ カーネル関数 (ex. gaussian) テクスチャー欠如 テクスチャー反復 註9 確証のない深さ値を効果的に フィルタリングすることで~[19] [19] Michael Goesele, Brian Curless, and Steven M. Seitz. Multi-view stereo revisited. CVPR, 2006. a depth value 𝑑 is 𝑣𝑎𝑙𝑖𝑑 if 𝑁𝐶𝐶 𝑅, 𝐶𝑗, 𝑑 > 𝑡ℎ𝑟𝑒𝑠ℎ for at least two views in 𝐂.
7.
7 MIL Machine Intelligence Lab. 3.2
デプスマップ復元 • 一番単純な方法: 各ピクセルで上式が最大になるデプスを求める。 𝑔 𝑝 𝑑 = 𝑖=1 𝑁 𝑗 𝑓𝑝 𝑖 𝑑𝑗 𝑖 𝑊(𝑑 − 𝑑𝑗 𝑖 ) 𝑑𝑗 𝑖 : 各𝑓𝑝 𝑖 𝑑 の極大値 各photo-consistencyカーブ カーネル関数 (ex. gaussian) [13] Neill D. Campbell, George Vogiatzis, Carlos Hernández, and Roberto Cipolla. Using Multiple Hypotheses to Improve Depth-Maps for Multi- View Stereo. ECCV, 2008. 図2.19 に該当 テクスチャー欠如 テクスチャー反復 滑らかさの regularization項 を加える!
8.
8 MIL Machine Intelligence Lab. 3.2
デプスマップ復元 以下のエネルギー最適化問題を解く。 𝐸 𝑑 𝑝 = 𝑝∈𝐼 𝐸 𝑢(𝑑 𝑝) + 𝜆 (𝑝,𝑞)∈N 𝐸 𝑏(𝑑 𝑝, 𝑑 𝑞) regularization項 𝐸 𝑢 𝑑 𝑝 = −𝑔 𝑝 𝑑 𝐸 𝑏 𝑑 𝑝, 𝑑 𝑞 = 𝑑 𝑝 − 𝑑 𝑞 ・・・ピクセル𝑝の深さを𝑑 𝑝にするコスト ・・・隣り合うピクセル𝑝と𝑞の深さを 連続的(スムース)にするコスト 𝑝: 𝑑 𝑝: 𝐼: N: 𝜆: ピクセル 𝑝の深さ(この問題の変数) 画像中のピクセルの集合 隣り合うピクセルのペアの集合 重み比のパラメータ [38] Oliver Woodford, Philip Torr, Ian Reid, and Andrew Fitzgibbon. Global stereo reconstruction under second-order smoothness priors. PAMI, vol.31, No. 12, 2009. 𝐸 𝑏 𝑑 𝑝, 𝑑 𝑞, 𝑑 𝑟 ≒ 𝑑 𝑝 − 2𝑑 𝑞 + 𝑑 𝑟 註10 こんなのも。
9.
9 MIL Machine Intelligence Lab. 3.2
デプスマップ復元 以下のエネルギー最適化問題を解く。 𝐸 𝑑 𝑝 = 𝑝∈𝐼 𝐸 𝑢(𝑑 𝑝) + 𝜆 (𝑝,𝑞)∈N 𝐸 𝑏(𝑑 𝑝, 𝑑 𝑞) regularization項 𝐸 𝑢 𝑑 𝑝 = −𝑔 𝑝 𝑑 𝐸 𝑏 𝑑 𝑝, 𝑑 𝑞 = 𝑑 𝑝 − 𝑑 𝑞 ・・・ピクセル𝑝の深さを𝑑 𝑝にするコスト ・・・隣り合うピクセル𝑝と𝑞の深さを 連続的(スムース)にするコスト 𝑝: 𝑑 𝑝: 𝐼: N: 𝜆: ピクセル 𝑝の深さ(この問題の変数) 画像中のピクセルの集合 隣り合うピクセルのペアの集合 重み比のパラメータ ふつう離散化して最適なの探す (ex. 0cm, 0.1cm, …, 10cmの100通り) MRF たとえば Graph-Cuts とかで解く @rezoolab @tackson5 ※(8月30日)コンピュータビジョン最適化勉強会@関東 の資料は素晴らしかったです
10.
10 MIL Machine Intelligence Lab. 複数枚の画像からのphoto-consistency
3.2 デプスマップ復元 以上です。
Baixar agora