パターン認識

Pattern Recognition

994674A

46CSINS302

入江　豪

Go Irie

2023年度前期

2023 1st Semester

金曜2限

Friday 2nd Period

工学部　情報工学科

Department of Information and Computer Technology, Faculty of Engineering

2.0単位

講義

Lecture

-

対面授業 / On-site class

パターン認識は、入力データを意味的な概念（クラス、カテゴリ）へと自動分類する学問であり、これは画像認識や音声認識といったコンピュータの“目”や“耳”を実現する重要な学問・要素技術となっています。
本講義では、基礎的なパターン認識手法の理論やアルゴリズムとその特性を、具体的な応用シナリオを交えたりしながら学習していきます。

本講義では、パターン認識を理解し、使いこなすために必要な基礎的理論と基本的なアルゴリズムの習得を目的とします。
具体的には、パターン認識全般においておさえておくべき数学的基礎、基本的なパターン認識のためのアルゴリズム（近傍法、線形判別分析、カーネル法、ニューラルネットワークなど）、実用的な特徴表現・学習手法（SIFT、Bag-of-Words表現、VLAD）を学び、その用法を理解することを目指します。
また、同講師が担当する情報工学科開講科目「情報工学実験３」の課題の一つである「パターン認識」では、本講義で解説するいくつかの基本的なパターン認識手法を、現代の情報学技術の研究開発において極めて利用頻度の高いプログラミング言語であるPythonで実装・実験していただきます。本講義を合わせて履修することで、より深い実践的スキルの習得に役立てることができます。
本講義は、本学科のディプロマ・ポリシーに定める「情報工学に必要な基礎学力と専門知識」を身に付けるための科目です。

パターン認識の数学的基礎を理解し説明できるようになると共に、基本的なパターン認識手法である近傍法、線形判別分析、カーネル法、ニューラルネットワーク、ならびに、種々の特徴表現・学習手法を利用し、パターン認識の基本的な問題を解くことができるようになる。

専門分野の応用知識（選択必修科目、実験、演習科目、卒業研究）

必須ではないが、後期「機械学習」を履修予定の学生は、本科目を受講しておくことが好ましい。
履修者はLETUSのコース「パターン認識 (994674A)」に自己登録すること。

-

-

到達度評価試験　　　　　　　　　　　　　　　　　：60%
期間内課題の提出状況・内容（3〜4回程度を予定）　：40%

・S：到達目標を十分に達成し、極めて優秀な成果を収めている
・A：到達目標を十分に達成している
・B：到達目標を達成している
・C：到達目標を最低限達成している
・D：到達目標を達成していない
・-：学修成果の評価を判断する要件を欠格している

・S：Achieved outcomes, excellent result
・A：Achieved outcomes, good result
・B：Achieved outcomes
・C：Minimally achieved outcomes
・D：Did not achieve outcomes
・-：Failed to meet even the minimal requirements for evaluation

N

-

教科書および一部の参考書は、MyKiTS (教科書販売サイト) から検索・購入可能です。
It is possible to search for and purchase textbooks and certain reference materials at MyKiTS (online textbook store).
​https://gomykits.kinokuniya.co.jp/tokyorika/​​​

講義内で使用することはありませんが、参考図書として下記のものを挙げておきます。

平井 有三（著）
はじめてのパターン認識
森北出版　2012年07月

石井 健一郎、上田 修功、前田 英作、村瀬 洋（著）
わかりやすいパターン認識（第2版）
オーム社　2019年11月

石井 健一郎、前田 英作（著）

続々・わかりやすいパターン認識—線形から非線形へ

オーム社　2022年11月

田村 秀行、斎藤 英雄（編著）
コンピュータ画像処理（改訂2版）
オーム社、2022年2月

講義の進捗によって多少前後する可能性があります。

1. パターン認識とは
・ガイダンス
・パターン認識とはなにか
・パターン認識で何ができるのか

2. パターン認識の基礎（１）
・パターン認識の基本概念（特徴表現、識別器、機械学習、学習データ、精度）

3. パターン認識の基礎（２）
・数学的基礎（集合、ベクトル、ノルム・内積空間、行列、線形写像、最適化）

4. 最近傍識別
・最近傍法
・k近傍法
・マハラノビス距離

5. 線形判別分析
・線形識別器
・Fisherの線形判別分析

6. カーネル法とアンサンブル学習
・カーネル法
・マージン最大化
・サポートベクターマシン
・アンサンブル学習

7. ニューラルネットワーク
・単純パーセプトロン
・多層パーセプトロン
・誤差逆伝搬法
・深層学習

8．まとめ（１）

9. 特徴マッチング（１）
・物体識別と物体検索
・大域特徴と局所特徴
・SIFT

10. 特徴マッチング（２）
・SIFTによるマッチングと検証

11. 特徴集約（１）
・Bag-of-Words表現
・インデクシング

12. 特徴集約（２）
・VLAD
・マッチカーネル

13. 特徴量子化・特徴学習
・量子化・直積量子化・二値量子化
・スパース表現・深層特徴学習

14. まとめ（２）

15. 到達度評価試験

-

-

-