到達目標
ディープラーニング基盤のコンピュータビジョン技術が理解できる.
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 | 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2 | 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. |
学科の到達目標項目との関係
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」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
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 |
PythonによるDeep Learning,CNNの簡単な紹介 |
Deep Learningの例でPythonの復習,基本的なCNNの概念が理解できる.
|
3週 |
Object Detectionの理解, Region Proposal |
Object Detection, Region Proposal概念と実習が理解できる.
|
4週 |
Selective Search実習, IoUの理解と実習, NMSの理解, Object Detection の評価指標(mAP) |
Selective Search, IoU, NMS, mAPの概念と実習が理解できる.
|
5週 |
Object DetectionとSegmentationのためのデータセット(1) |
Object DetectionとSegmentationのためのデータセットが理解できる.
|
6週 |
Object DetectionとSegmentationのためのデータセット(2) |
Object DetectionとSegmentationのためのデータセットが理解できる.
|
7週 |
RCNN系列のObject Detector 1 |
RCNN, SPPNet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 |
RCNN系列のObject Detector 2 |
Faster RCNNが理解できる.
|
10週 |
OpenCVを活用した画像・映像処理の実習 |
OpenCVのDNNを利用したObject Detectionの実習ができる.
|
11週 |
MMDetectionの理解とFaster RCNN適用実習 1 |
Faster RCNN Pretrainedモデルによる実習ができる.
|
12週 |
MMDetectionの理解とFaster RCNN適用実習2(tiny kitti Data) |
tiny kitti DataでMMDetection Train実習ができる.
|
13週 |
MMDetectionの理解とFaster RCNN適用実習 3(Oxford Pet Data) |
Oxford Pet DataでTrain実習ができる.
|
14週 |
YOLOの理解・実習, Annotationツールを使ったCustom Dataset作成 |
YOLOの理解とAnnotationツールを使ったCustom Dataset作成が理解できる.
|
15週 |
Segmentationの概念と実習 |
Segmentationの概念と実習が理解できる.
|
16週 |
|
|
モデルコアカリキュラムの学習内容と到達目標
分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
評価割合
| レポート1 | レポート2 | 合計 |
総合評価割合 | 50 | 50 | 100 |
基礎的能力 | 20 | 20 | 40 |
専門的能力 | 20 | 20 | 40 |
分野横断的能力 | 10 | 10 | 20 |