コンピュータ・ビジョン

科目基礎情報

学校	東京工業高等専門学校	開講年度	令和06年度 (2024年度)
授業科目	コンピュータ・ビジョン
科目番号	0027	科目区分	専門 / 選択
授業形態	講義	単位の種別と単位数	学修単位: 2
開設学科	電気電子工学専攻	対象学年	専1
開設期	前期	週時間数	2
教科書/教材	資料をTeamsなどで共有
担当教員	姜 玄浩

到達目標

ディープラーニングの実習を行うことに加えて、実際のデータにも適用でき、その上でディープラーニングを基盤とするコンピュータビジョン技術を理解できます。

ルーブリック

	理想的な到達レベルの目安(Ａ評価)	標準的な到達レベルの目安(B評価)	最低限の到達レベルの目安(C評価)	未到達レベルの目安(Ｄ評価)
評価項目1	ディープラーニングの実習と実データへの実習について十分に理解している．	ディープラーニングの実習と実データへの実習について理解している．	ディープラーニングの実習と実データへの実習について概ね理解している．	ディープラーニングの実習と実データへの実習について理解していない．
評価項目2	Object Detection/Segmentationを構成する様々な基盤知識について十分に理解している．	Object Detection/Segmentationを構成する様々な基盤知識について理解している．	Object Detection/Segmentationを構成する様々な基盤知識について概ね理解している．	Object Detection/Segmentationを構成する様々な基盤知識について理解していない．
評価項目3	カスタムデータセットでトレーニングを行い，独自のモデル構築ができる．	カスタムデータセットでトレーニングを行い，独自のモデル構築の方法が理解できる．	カスタムデータセットでトレーニングを行い，独自のモデル構築の方法が概ね理解できる．	カスタムデータセットでトレーニングを行い，独自のモデル構築の方法が理解できない．

教育方法等

概要:

コンピュータビジョンの技術ではObject DetectionとSegmentation分野が急激に発展している．映像認識技術，AIによるスマートファクトリー，医療画像の自動診断，自律走行車などの分野で拡散される基盤技術（Object Detection, Segmentation）の知識を取得する．また，規則ベースの古典的コンピュータビジョンではなく、データ駆動型のディープラーニングに基づく現代的コンピュータビジョンを中心に授業を進める．

授業の進め方・方法:

講義と実習

注意点:

(1) Pythonの基礎ができていること．
(2) ディープラーニングの代表的手法「CNN」の基礎を理解していること．
(3) ノートパソコンを持参すること．

授業の属性・履修上の区分

ICT 利用

授業計画

		週	授業内容	週ごとの到達目標
前期
	1stQ
		1週	授業紹介，実装環境	授業内容の把握と実習に必要なPythonの復習で実習環境が理解できる．
		2週	CNNの簡単な紹介, ディープラーニングのモデル設計，Pima indianデータセットを利用してCNNモデル実習	ディープラーニングの実習と実データへの実習ができる．
		3週	Iris，sonar，wineデータセットを利用してCNNモデル実習	実データへの理解と実習ができる．
		4週	House, MNISTデータセットを利用してCNNモデル実習	実データへの理解と実習ができる．
		5週	敵対的生成ネットワークの理解と実習	敵対的生成ネットワークの理解と実習ができる．
		6週	Augmentation，Transfer learningの理解と実習	Augmentation，Transfer learningの理解と実習ができる．
		7週	OpenCVの基礎	OpenCVの基礎tが理解できる．
		8週	中間試験期間	試験は実施しない．
	2ndQ
		9週	Object Detectionの理解, Region Proposal, Selective Search実習	Object Detectionの理解, Region Proposal, Selective Search実習ができる．
		10週	NMS, IoU, Precision, Recall	NMS, IoU, Precision, Recallについて理解ができる．
		11週	Dataset（PASCAL VOC, MS-COCO）	Dataset（PASCAL VOC, MS-COCO）について理解ができる．
		12週	RCNN（領域ベースの畳み込みニューラルネットワーク）	RCNN（領域ベースの畳み込みニューラルネットワーク）について理解ができる．
		13週	Fast RCNN, Faster RCNN	Fast RCNN, Faster RCNNについて理解ができる．
		14週	YOLOで独自データによるObject Detectionの学習と推論	YOLOで独自データによるObject Detectionの学習と推論が実習できる．
		15週	YOLOで独自データによるInstance Segmentationの学習と推論	YOLOで独自データによるInstance Segmentationの学習と推論が実習できる．
		16週

評価割合

	レポート	授業中の実習などの状況	合計
総合評価割合	70	30	100
基礎的能力	20	10	30
専門的能力	30	10	40
分野横断的能力	20	10	30