研究者詳細

顔写真

カネザキ　アサコ
金﨑　朝子
Asako Kanezaki
所属
大学院情報科学研究科　システム情報科学専攻　知能ロボティクス学講座（知能ロボティクス・ＡＩ分野）
職名
教授
学位

  • 博士（情報理工学） （東京大学）

プロフィール

2008年3月東京大学工学部卒業。2010年3月同大学院情報理工学系研究科 修士課程修了。2010年4月より日本学術振興会特別研究員（DC1）。2013年3月同大学院同研究科博士課程修了、博士（情報理工学）。（株）東芝研究開発センター正規職員、同大学院同研究科助教を経て、2016年4月より産業技術総合研究所人工知能研究センター勤務。2020年4月より東京工業大学准教授。2026年4月より東北大学教授、現在に至る。機械学習を用いた三次元物体認識、物体検出、ロボットビジョン、Embodied AIの研究に従事。IEEE RAS Japan Chapter Young Award、 PRMU研究奨励賞、船井研究奨励賞、RSJ研究奨励賞、日本機械学会奨励賞（研究）を受賞。

経歴 1

  • 2026年4月 ～ 継続中
    東北大学　大学院情報科学研究科　教授

研究分野 1

  • 情報通信 / 知能情報学 /

受賞 5

  1. 日本機械学会奨励賞（研究）

    2021年3月　日本機械学会　深層学習を用いた３次元物体認識の研究

  2. 研究奨励賞

    2015年9月　日本ロボット学会　RGB-D画像からの物体検出における対応点集合類似度の学習

  3. FFIT研究奨励賞

    2014年4月　公益財団法人船井情報科学振興財団　対象毎の負例クラスの導入による実世界からの多クラス物体認識

  4. 研究奨励賞

    2012年9月　電子情報通信学会パターン認識・マルチメディア理解研究会 (PRMU)　大規模画像データセットを用いたマルチクラス物体検出器の同時学習 ～ 物体毎に特化した負例クラスの導入 ～

  5. IEEE Robotics and Automation Society Japan Chapter Young Award (ICRA 2010)

    2010年5月　IEEE　High-speed 3D Object Recognition Using Additive Features in A linear Subspace

論文 63

  1. Object Memory Transformer for Object Goal Navigation.

    Rui Fukushima, Kei Ota, Asako Kanezaki, Yoko Sasaki, Yusuke Yoshiyasu

    CoRR　abs/2203.14708　2022年

    DOI： 10.48550/arXiv.2203.14708 　

  2. CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces.

    Keisuke Okumura 0001, Ryo Yonetani, Mai Nishimura, Asako Kanezaki

    CoRR　abs/2201.09467　2022年

  3. CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces.

    Keisuke Okumura 0001, Ryo Yonetani, Mai Nishimura, Asako Kanezaki

    AAMAS　972-981　2022年

    出版者・発行元： International Foundation for Autonomous Agents and Multiagent Systems (IFAAMAS)

  4. OPIRL: Sample Efficient Off-Policy Inverse Reinforcement Learning via Distribution Matching.

    Hana Hoshino, Kei Ota, Asako Kanezaki, Rio Yokota

    CoRR　abs/2109.04307　2021年

  5. Training Larger Networks for Deep Reinforcement Learning.

    Kei Ota, Devesh K. Jha, Asako Kanezaki

    CoRR　abs/2102.07920　2021年

  6. Path Planning using Neural A* Search.

    Ryo Yonetani, Tatsunori Taniai, Mohammadamin Barekatain, Mai Nishimura, Asako Kanezaki

    Proceedings of the 38th International Conference on Machine Learning(ICML)　12029-12039　2021年

    出版者・発行元： PMLR

  7. Deep Reactive Planning in Dynamic Environments.

    Kei Ota, Devesh K. Jha, Tadashi Onishi, Asako Kanezaki, Yusuke Yoshiyasu, Yoko Sasaki, Toshisada Mariyama, Daniel Nikovski

    CoRR　abs/2011.00155　2020年

  8. Incremental multi-view object detection from a moving camera.

    Takashi Konno, Ayako Amma, Asako Kanezaki

    MMAsia 2020: ACM Multimedia Asia(MMAsia)　4-7　2020年

    出版者・発行元： ACM

    DOI： 10.1145/3444685.3446257 　

  9. Efficient Exploration in Constrained Environments with Goal-Oriented Reference Path.

    Kei Ota, Yoko Sasaki, Devesh K. Jha, Yusuke Yoshiyasu, Asako Kanezaki

    IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS)　6061-6068　2020年

    出版者・発行元： IEEE

    DOI： 10.1109/IROS45743.2020.9341620 　

  10. Deep Reactive Planning in Dynamic Environments.

    Kei Ota, Devesh K. Jha, Tadashi Onishi, Asako Kanezaki, Yusuke Yoshiyasu, Yoko Sasaki, Toshisada Mariyama, Daniel Nikovski

    4th Conference on Robot Learning(CoRL)　1943-1957　2020年

    出版者・発行元： PMLR

  11. Unsupervised Learning of Image Segmentation Based on Differentiable Feature Clustering.

    Wonjik Kim, Asako Kanezaki, Masayuki Tanaka 0001

    IEEE Transactions on Image Processing　29　8055-8068　2020年

    DOI： 10.1109/TIP.2020.3011269 　

  12. Path Planning using Neural A* Search. 査読有り

    Ryo Yonetani, Tatsunori Taniai, Mohammadamin Barekatain, Mai Nishimura, Asako Kanezaki

    CoRR　abs/2009.07476　2020年

  13. Unsupervised Learning of Image Segmentation Based on Differentiable Feature Clustering 査読有り

    Wonjik Kim, Asako Kanezaki, Masayuki Tanaka

    IEEE TRANSACTIONS ON IMAGE PROCESSING　29　8055-8068　2020年

    DOI： 10.1109/TIP.2020.3011269 　

    ISSN：1057-7149

    eISSN：1941-0042

  14. Efficient Exploration in Constrained Environments with Goal-Oriented Reference Path. 査読有り

    Kei Ota, Yoko Sasaki, Devesh K. Jha, Yusuke Yoshiyasu, Asako Kanezaki

    CoRR　abs/2003.01641　2020年

  15. Visual Object Search by Learning Spatial Context. 査読有り

    Raphael Druon, Yusuke Yoshiyasu, Asako Kanezaki, Alassane Watt

    IEEE Robotics Autom. Lett.　5　(2)　1279-1286　2020年

    DOI： 10.1109/LRA.2020.2967677 　

  16. RotationNet for Joint Object Categorization and Unsupervised Pose Estimation from Multi-view Images. 国際誌 査読有り

    Asako Kanezaki, Yasuyuki Matsushita, Yoshifumi Nishida

    IEEE transactions on pattern analysis and machine intelligence　2019年6月14日

    DOI： 10.1109/TPAMI.2019.2922640 　

    詳細を見る 詳細を閉じる

    We propose a Convolutional Neural Network (CNN)-based model "RotationNet," which takes multi-view images of an object as input and jointly estimates its pose and object category. Unlike previous approaches that use known viewpoint labels for training, our method treats the viewpoint labels as latent variables, which are learned in an unsupervised manner during the training using an unaligned object dataset. RotationNet uses only a partial set of multi-view images for inference, and this property makes it useful in practical scenarios where only partial views are available. Moreover, our pose alignment strategy enables one to obtain view-specific feature representations shared across classes, which is important to maintain high accuracy in both object categorization and pose estimation. Effectiveness of RotationNet is demonstrated by its superior performance to the state-of-the-art methods of 3D object classification on 10- and 40-class ModelNet datasets. We also show that RotationNet, even trained without known poses, achieves comparable performance to the state-of-the-art methods on an object pose estimation dataset. Furthermore, our object ranking method based on classification by RotationNet achieved the first prize in two tracks of the 3D Shape Retrieval Contest (SHREC) 2017. Finally, we demonstrate the performance of real-world applications of RotationNet trained with our newly created multi-view image dataset using a moving USB camera.

  17. Deep learning for multimodal data fusion

    Asako Kanezaki, Ryohei Kuga, Yusuke Sugano, Yasuyuki Matsushita

    Multimodal Scene Understanding: Algorithms, Applications and Deep Learning　9-39　2019年1月1日

    出版者・発行元： Elsevier

    DOI： 10.1016/B978-0-12-817358-9.00008-1 　

  18. 歩行者観測履歴を用いた深層強化学習による車輪ロボットの雑踏切り抜け動作生成 査読有り

    佐々木 洋子, 松尾 修佑, 金崎 朝子, 竹村 裕

    ロボティクス・メカトロニクス講演会講演概要集　2019　(0)　2P2-B03　2019年

    出版者・発行元： 一般社団法人 日本機械学会

    DOI： 10.1299/jsmermd.2019.2P2-B03 　

    eISSN：2424-3124

    詳細を見る 詳細を閉じる

    <p>The paper proposes a motion planning algorithm using deep reinforced learning algorithm; Asynchronous Actor-Critic Agents(A3C)．For mobile robot navigation tasks in crowded situations, existingpath planning based approaches are limited because the surrounding environment is changing dynamically. The correct motion in such a dynamic environment is underspecified, and reinforced learning approach is suitable to generate applicable motion. We propose A3C based motion planning method to acquire mobile robot motion going through crowds of people situation. The proposed method is evaluated in simulated crowds of pedestrians. The experiment section shows the basic performance depending on training parameters and some generated motion examples in the simulator.</p>

  19. 深層学習による物体認識のためのマーカの検討:―第一報:AlexNetによる認識率の比較― 査読有り

    加納 諒也, 和田 一義, 金崎 朝子, 冨沢 哲雄, 谷川 民生

    ロボティクス・メカトロニクス講演会講演概要集　2019　(0)　2P1-Q01　2019年

    出版者・発行元： 一般社団法人 日本機械学会

    DOI： 10.1299/jsmermd.2019.2P1-Q01 　

    eISSN：2424-3124

    詳細を見る 詳細を閉じる

    <p>Recently, it has been required to automate the task of displaying products in convenience stores by robots. In this paper, we use a deep learning-based method to recognize pose and category of product. However, when an object is photographed by a camera, the recognition rate of objects with few features in color and shape is low. Therefore, we made a hypothesis that the recognition rate is improved by adding some features to the product. Two types of color markers were developed and those recognition rates were examined by using AlexNet. As a result, the proposed markers were able to improve the category recognition rate and pose recognition rate of the products.</p>

  20. Salient object detection on hyperspectral images using features learned from unsupervised segmentation task. 査読有り

    Nevrez Imamoglu, Guanqun Ding, Yuming Fang, Asako Kanezaki, Toru Kouyama, Ryosuke Nakamura

    CoRR　abs/1902.10993　2019年

  21. A3C Based Motion Learning for an Autonomous Mobile Robot in Crowds 査読有り

    Yoko Sasaki, Syusuke Matsuo, Asako Kanezaki, Hiroshi Takemura

    2019 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS (SMC)　1036-1042　2019年

    DOI： 10.1109/SMC.2019.8914201 　

    ISSN：1062-922X

  22. Salient Object Detection on Hyperspectral Images Using Features Learned from Unsupervised Segmentation Task. 査読有り

    Nevrez Imamoglu, G. Ding, Y. Fang, Asako Kanezaki, Toru Kouyama, R. Nakamura

    IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)　2192-2196　2019年

    出版者・発行元： IEEE

    DOI： 10.1109/ICASSP.2019.8682522 　

  23. GOSELO: Goal-Directed Obstacle and Self-Location Map for Robot Navigation Using Reactive Neural Networks 査読有り

    Asako Kanezaki, Jirou Nitta, Yoko Sasaki

    IEEE ROBOTICS AND AUTOMATION LETTERS　3　(2)　696-703　2018年4月

    DOI： 10.1109/LRA.2017.2783400 　

    ISSN：2377-3766

  24. An integration of bottom-up and top-down salient cues on RGB-D data: saliency from objectness versus non-objectness 査読有り

    Nevrez Imamoglu, Wataru Shimoda, Chi Zhang, Yuming Fang, Asako Kanezaki, Keiji Yanai, Yoshifumi Nishida

    SIGNAL IMAGE AND VIDEO PROCESSING　12　(2)　307-314　2018年2月

    DOI： 10.1007/s11760-017-1159-7 　

    ISSN：1863-1703

    eISSN：1863-1711

  25. 半教師あり学習による商品画像中の個数と位置の同時推定 査読有り

    藤橋 一輝, 木村 雅之, 金崎 朝子, 小澤 順

    人工知能学会全国大会論文集　2018　(0)　4M204-4M204　2018年

    出版者・発行元： 一般社団法人 人工知能学会

    DOI： 10.11517/pjsai.JSAI2018.0_4M204 　

    ISSN：1347-9881

    詳細を見る 詳細を閉じる

    <p>半教師あり学習による商品画像中の商品の数と位置を推定する手法を提案する。既存手法の多くが物体の位置情報などの詳細な情報が付与された画像を用いて学習を行うのに対して、提案手法では画像中の物体の個数のみが付与された画像を用いて学習を行う。独自に構築した商品画像データセットを用いた実験により、提案手法の有効性が示された。</p>

  26. RotationNet: Joint Object Categorization and Pose Estimation Using Multiviews from Unsupervised Viewpoints 査読有り

    Asako Kanezaki, Yasuyuki Matsushita, Yoshifumi Nishida

    2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)　5010-5019　2018年

    DOI： 10.1109/CVPR.2018.00526 　

    ISSN：1063-6919

  27. An Integration of Bottom-up and Top-Down Salient Cues on RGB-D Data: Saliency from Objectness vs. Non-Objectness. 査読有り

    Nevrez Imamoglu, Wataru Shimoda, Chi Zhang, Yuming Fang, Asako Kanezaki, Keiji Yanai, Yoshifumi Nishida

    CoRR　abs/1807.01532　2018年

  28. UNSUPERVISED IMAGE SEGMENTATION BY BACKPROPAGATION 査読有り

    Asako Kanezaki

    2018 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)　1543-1547　2018年

    DOI： 10.1109/ICASSP.2018.8462533 　

  29. "Change the Changeable" Framework for Implementation Research in Health. 査読有り

    Mikiko Oono, Yoshifumi Nishida, Koji Kitamura, Asako Kanezaki, Tatsuhiro Yamanaka

    Proceedings of the 10th International Conference on Computer Supported Education, CSEDU 2018, Funchal, Madeira, Portugal, March 15-17, 2018, Volume 2.　361-368　2018年

    出版者・発行元： SciTePress

    DOI： 10.5220/0006691303610368 　

  30. cvpaper.challenge in 2016: Futuristic Computer Vision through 1, 600 Papers Survey. 査読有り

    Hirokatsu Kataoka, Soma Shirakabe, Yun He, Shunya Ueta, Teppei Suzuki, Kaori Abe, Asako Kanezaki, Shinichiro Morita, Toshiyuki Yabe, Yoshihiro Kanehara, Hiroya Yatsuyanagi, Shinya Maruyama, Ryousuke Takasawa, Masataka Fuchida, Yudai Miyashita, Kazushige Okayasu, Yuta Matsuzaki

    CoRR　abs/1707.06436　2017年

    詳細を見る 詳細を閉じる

    The paper gives futuristic challenges disscussed in the cvpaper.challenge. In<br /> 2015 and 2016, we thoroughly study 1,600+ papers in several<br /> conferences/journals such as CVPR/ICCV/ECCV/NIPS/PAMI/IJCV.

  31. Multi-task Learning using Multi-modal Encoder-Decoder Networks with Shared Skip Connections 査読有り

    Ryohei Kuga, Asako Kanezaki, Masaki Samejima, Yusuke Sugano, Yasuyuki Matsushita

    2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS (ICCVW 2017)　2018-　403-411　2017年

    DOI： 10.1109/ICCVW.2017.54 　

    ISSN：2473-9936

  32. Large-Scale 3D Shape Retrieval from ShapeNet Core55. 査読有り

    Manolis Savva, Fisher Yu, Hao Su, Asako Kanezaki, Takahiko Furuya, Ryutarou Ohbuchi, Zhichao Zhou, Rui Yu, Song Bai, Xiang Bai, Masaki Aono, Atsushi Tatsuma, Spyridon Thermos, Apostolos Axenopoulos, Georgios Th. Papadopoulos, Petros Daras, Xiao Deng, Zhouhui Lian, Bo Li 0013, Henry Johan, Yijuan Lu, Sanjeev Mk

    Eurographics Workshop on 3D Object Retrieval, EG 3DOR　89-98　2017年

    出版者・発行元： Eurographics Association

    DOI： 10.2312/3dor.20171050 　

    ISSN：1997-0471 1997-0463

  33. RGB-D to CAD Retrieval with ObjectNN Dataset. 査読有り

    Binh-Son Hua, Quang-Trung Truong, Minh-Khoi Tran, Quang-Hieu Pham, Asako Kanezaki, Tang Lee, HungYueh Chiang, Winston H. Hsu, Bo Li 0013, Yijuan Lu, Henry Johan, Shoki Tashiro, Masaki Aono, Minh-Triet Tran, Viet-Khoi Pham, Hai-Dang Nguyen, Vinh-Tiep Nguyen, Quang-Thang Tran, Thuyen V. Phan, Bao Truong, Minh N. Do, Anh Duc Duong, Lap-Fai Yu, Duc Thanh Nguyen, Sai-Kit Yeung

    Eurographics Workshop on 3D Object Retrieval, 3DOR 2017, Lyon, France, April 23-24, 2017　2017年

    出版者・発行元： Eurographics Association

    DOI： 10.2312/3dor.20171048 　

  34. 繋げる人工知能:生活機能レジリエント社会のためのスマートリビングネットを用いた生活知能研究

    西田佳史, 北村光司, 佐々木洋子, 金崎朝子, SHI Boxin, 大野美喜子, 楠本欣司

    計測自動制御学会システムインテグレーション部門講演会(CD-ROM)　17th　ROMBUNNO.3K4‐5　2016年12月15日

  35. Recognizing Activities of Daily Living with a Wrist-mounted Camera 査読有り

    Katsunori Ohnishi, Atsushi Kanehira, Asako Kanezaki, Tatsuya Harada

    2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)　abs/1511.06783　3103-3111　2016年

    DOI： 10.1109/CVPR.2016.338 　

    ISSN：1063-6919

  36. RotationNet: Learning Object Classification Using Unsupervised Viewpoint Estimation. 査読有り

    Asako Kanezaki

    CoRR　abs/1603.06208　2016年

  37. IBC127: VIDEO DATASET FOR FINE-GRAINED BIRD CLASSIFICATION 査読有り

    Tomoaki Saito, Asako Kanezaki, Tatsuya Harada

    2016 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA & EXPO (ICME)　1-6　2016年

    DOI： 10.1109/ICME.2016.7552915 　

    ISSN：1945-7871

  38. Recognizing Activities of Daily Living with a Wrist-Mounted Camera. 査読有り

    Katsunori Ohnishi, Atsushi Kanehira, Asako Kanezaki, Tatsuya Harada

    2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)　3103-3111　2016年

    DOI： 10.1109/CVPR.2016.338 　

    ISSN：1063-6919

  39. Learning similarities for rigid and non-rigid object detection 査読有り

    Asako Kanezaki, Emanuele Rodolà, Daniel Cremers, Tatsuya Harada

    Proceedings - 2014 International Conference on 3D Vision, 3DV 2014　114　(230)　720-727　2015年2月6日

    出版者・発行元： Institute of Electrical and Electronics Engineers Inc.

    DOI： 10.1109/3DV.2014.61 　

    ISSN：0913-5685

  40. 三次元情報を活用した物体検出の三手法

    金崎朝子

    ViEWビジョン技術の実利用ワークショップ講演論文集(CD-ROM)　2015　ROMBUNNO.OS5‐O1　2015年

  41. Probabilistic Semi-Canonical Correlation Analysis 査読有り

    Chie Kamada, Asako Kanezaki, Tatsuya Harada

    MM'15: PROCEEDINGS OF THE 2015 ACM MULTIMEDIA CONFERENCE　1131-1134　2015年

    DOI： 10.1145/2733373.2806299 　

  42. 3D Selective Search for Obtaining Object Candidates 査読有り

    Asako Kanezaki, Tatsuya Harada

    2015 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)　82-87　2015年

    DOI： 10.1109/IROS.2015.7353358 　

    ISSN：2153-0858

  43. 対応点集合類似度学習を用いた剛体・非剛体物体検出 (パターン認識・メディア理解) 査読有り

    金崎 朝子, Rodola Emanuele, Cremers Daniel, 原田 達也

    電子情報通信学会技術研究報告 = IEICE technical report : 信学技報　114　(230)　13-18　2014年10月9日

    出版者・発行元： 一般社団法人電子情報通信学会

    ISSN：0913-5685

    詳細を見る 詳細を閉じる

    入力三次元点群と検出対象物体の三次元点群との対応点を求め,類似度行列の二次割当問題を解いて誤対応点除去された対応点集合に対して,その正当性を評価する対応点集合類似度を導入し,パラメータを学習する手法を提案した.提案手法は,対応点集合類似度が,正解の対応点集合は高く,不正解の対応点集合は低くなるよう,二組の対応点ペアに対する重みを学習する.剛体物体検出実験および非剛体物体検出実験において,提案手法の有効性を確かめた.

  44. RGB‐D画像からの物体検出における対応点集合類似度の学習

    金崎朝子, RODOLA Emanuele, 原田達也

    日本ロボット学会学術講演会予稿集(CD-ROM)　32nd　ROMBUNNO.3I2-03　2014年9月4日

  45. Part-Based Geometric Categorization and Object Reconstruction in Cluttered Table-Top Scenes 査読有り

    Zoltan-Csaba Marton, Ferenc Balint-Benczedi, Oscar Martinez Mozos, Nico Blodow, Asako Kanezaki, Lucian Cosmin Goron, Dejan Pangercic, Michael Beetz

    JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS　76　(1)　35-56　2014年9月

    DOI： 10.1007/s10846-013-0011-8 　

    ISSN：0921-0296

    eISSN：1573-0409

  46. Clothing Retrieval Based on Local Similarity with Multiple Images 査読有り

    Masaru Mizuochi, Asako Kanezaki, Tatsuya Harada

    PROCEEDINGS OF THE 2014 ACM CONFERENCE ON MULTIMEDIA (MM'14)　1165-1168　2014年

    DOI： 10.1145/2647868.2655021 　

  47. Automatic Image Synthesis from Keywords Using Scene Context 査読有り

    Sho Inaba, Asako Kanezaki, Tatsuya Harada

    PROCEEDINGS OF THE 2014 ACM CONFERENCE ON MULTIMEDIA (MM'14)　1149-1152　2014年

    DOI： 10.1145/2647868.2655009 　

  48. Hard Negative Classes for Multiple Object Detection 査読有り

    Asako Kanezaki, Sho Inaba, Yoshitaka Ushiku, Yuya Yamashita, Hiroshi Muraoka, Yasuo Kuniyoshi, Tatsuya Harada

    2014 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)　3066-3073　2014年

    DOI： 10.1109/ICRA.2014.6907300 　

    ISSN：1050-4729

    eISSN：2577-087X

  49. MIRROR REFLECTION INVARIANT HOG DESCRIPTORS FOR OBJECT DETECTION 査読有り

    Asako Kanezaki, Yusuke Mukuta, Tatsuya Harada

    2014 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)　1594-1598　2014年

    DOI： 10.1109/ICIP.2014.7025319 　

    ISSN：1522-4880

  50. Weakly-supervised multi-class object detection using multi-type 3D features

    Asako Kanezaki, Yasuo Kuniyoshi, Tatsuya Harada

    MM 2013 - Proceedings of the 2013 ACM Multimedia Conference　605-608　2013年

    DOI： 10.1145/2502081.2502159 　

  51. 大規模画像データセットを用いたマルチクラス物体検出器の同時学習 : 物体毎に特化した負例クラスの導入 (情報論的学習理論と機械学習) 査読有り

    金崎 朝子, 稲葉 翔, 牛久 祥孝, 山下 裕也, 村岡 宏是, 原田 達也, 國吉 康夫

    電子情報通信学会技術研究報告 : 信学技報　112　(198)　105-112　2012年9月2日

    出版者・発行元： 一般社団法人電子情報通信学会

    ISSN：0913-5685

    詳細を見る 詳細を閉じる

    大規模データを用いて,マルチクラスの物体検出器を同時に最適化する効率的な手法を提案する.従来の物体検出器の学習は,各検出対象物体をpositiveサンプル,それ以外の物体をnegativeサンプルとして識別境界を決定する"one-vs-all"のアプローチをとるものが主流であった.しかしながら,この方法では各クラスを独立に学習するため,異なるクラス間のスコアのバランスを調整できない.提案手法は,マルチクラスの識別手法を応用してマルチクラスの物体検出器を同時に学習することで,クラス間のバランスを最適化する.このとき,学習対象物体クラス間の差違だけでなく,その他の大量の背景画像と各クラスとの差違を考慮することで,未知物体の誤検出を抑える.実験では,大規模一般物体認識コンペティションILSVRC 2011で用いられた大量データセットのサブセットによる評価を行い,提案手法の有効性を示した.

  52. 大規模画像データセットを用いたマルチクラス物体検出器の同時学習 : 物体毎に特化した負例クラスの導入 (パターン認識・メディア理解) 査読有り

    金崎 朝子, 稲葉 翔, 牛久 祥孝, 山下 裕也, 村岡 宏是, 原田 達也, 國吉 康夫

    電子情報通信学会技術研究報告 : 信学技報　112　(197)　105-112　2012年9月2日

    出版者・発行元： 一般社団法人電子情報通信学会

    ISSN：0913-5685

    詳細を見る 詳細を閉じる

    大規模データを用いて,マルチクラスの物体検出器を同時に最適化する効率的な手法を提案する.従来の物体検出器の学習は,各検出対象物体をpositiveサンプル,それ以外の物体をnegativeサンプルとして識別境界を決定する"one-vs-alr'のアプローチをとるものが主流であった.しかしながら,この方法では各クラスを独立に学習するため,異なるクラス間のスコアのバランスを調整できない.提案手法は,マルチクラスの識別手法を応用してマルチクラスの物体検出器を同時に学習することで,クラス間のバランスを最適化する.このとき,学習対象物体クラス間の差違だけでなく,その他の大量の背景画像と各クラスとの差違を考慮することで,未知物体の誤検出を抑える.実験では,大規模一般物体認識コンペティションILSVRC 2011で用いられた大量データセットのサブセットによる評価を行い,提案手法の有効性を示した.

  53. 大規模画像データセットを用いたマルチクラス物体検出器の同時学習 物体毎に特化した負例クラスの導入 査読有り

    金崎 朝子, 稲葉 翔, 牛久 祥孝, 山下 裕也, 村岡 宏是, 原田 達也, 國吉 康夫

    情報処理学会研究報告. CVIM, [コンピュータビジョンとイメージメディア]　2012　(17)　1-8　2012年8月26日

    出版者・発行元： 一般社団法人情報処理学会

    ISSN：0919-6072

    詳細を見る 詳細を閉じる

    大規模データを用いて,マルチクラスの物体検出器を同時に最適化する効率的な手法を提案する.従来の物体検出器の学習は,各検出対象物体をpositiveサンプル,それ以外の物体をnegativeサンプルとして識別境界を決定する,"one-vs-aIl"のアプローチをとるものが主流であった.しかしながら,この方法では各クラスを独立に学習するため,異なるクラス間のスコアのバランスを調整できない.提案手法は,マルチクラスの識別手法を応用してマルチクラスの物体検出器を同時に学習することで,クラス間のバランスを最適化する.このとき,学習対象物体クラス間の差違だけでなく,その他の大量の背景画像と各クラスとの差違を考慮することで,未知物体の誤検出を抑える.実験では,大規模一般物体認識コンペテイションILSVRC2011で用いられた大量データセットのサブセットによる評価を行い,提案手法の有効性を示した.

  54. 大規模画像データセットを用いたマルチクラス物体検出器の同時学習 物体毎に特化した負例クラスの導入

    金崎朝子, 稲葉翔, 牛久祥孝, 山下裕也, 村岡宏是, 原田達也, 國吉康夫

    電子情報通信学会技術研究報告　112　(197(PRMU2012 30-50))　105-112　2012年8月26日

    出版者・発行元： 一般社団法人情報処理学会

    ISSN：0913-5685

    詳細を見る 詳細を閉じる

    大規模データを用いて，マルチクラスの物体検出器を同時に最適化する効率的な手法を提案する．従来の物体検出器の学習は，各検出対象物体をpositiveサンプル，それ以外の物体をnegativeサンプルとして識別境界を決定する，&quot;one-vs-aIl&quot;のアプローチをとるものが主流であった．しかしながら，この方法では各クラスを独立に学習するため，異なるクラス間のスコアのバランスを調整できない．提案手法は，マルチクラスの識別手法を応用してマルチクラスの物体検出器を同時に学習することで，クラス間のバランスを最適化する．このとき，学習対象物体クラス間の差違だけでなく，その他の大量の背景画像と各クラスとの差違を考慮することで，未知物体の誤検出を抑える．実験では，大規模一般物体認識コンペテイションILSVRC2011で用いられた大量データセットのサブセットによる評価を行い，提案手法の有効性を示した．We propose an efficient method to train multiple object detectors simultaneously using a large-scale image dataset.The one-vs-all approach that optimizes the boundary between positive samples from a target class and negative samples from the others has been the most standard approach for object detection. However, because this approach trains each object detector independently, the likelihoods are not balanced between object classes. The proposed method combines ideas derived from both detection and classification in order to balance the scores across all object classes. We optimized the boundary between target classes and their hard-negative samples, just as in detection, while simultaneously balancing the detector likelihoods across object classes, as done in multi-class classification. We evaluated the performances on multi-class object detection using a subset of the ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2011 dataset and showed our method outperformed a de facto standard method.

  55. Voxelized Shape and Color Histograms for RGB-D 査読有り

    金崎朝子

    IEEE IROS Workshop on Active Semantic Perception and Object Search in the Real World (ASP-AVS-11)　2011年9月

  56. Fast Object Detection for Robots in a Cluttered Indoor Environment Using Integral 3D Feature Table 査読有り

    Asako Kanezaki, Takahiro Suzuki, Tatsuya Harada, Yasuo Kuniyoshi

    2011 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)　4026-4033　2011年

    DOI： 10.1109/ICRA.2011.5980129 　

    ISSN：1050-4729

    eISSN：2577-087X

  57. Scale and Rotation Invariant Color Features for Weakly-Supervised Object Learning in 3D Space 査読有り

    Asako Kanezaki, Tatsuya Harada, Yasuo Kuniyoshi

    2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS (ICCV WORKSHOPS)　617-624　2011年

    DOI： 10.1109/ICCVW.2011.6130300 　

  58. Partial Matching of Real Textured 3D Objects Using Color Cubic Higher-order Local Auto-Correlation Features 査読有り

    金崎 朝子

    The Visual Computer　26　(10)　1269-1281　2010年10月

    DOI： 10.1007/s00371-010-0521-3 　

    ISSN：0178-2789

    eISSN：1432-2315

  59. High-speed 3D Object Recognition Using Additive Features in A Linear Subspace 査読有り

    Asako Kanezaki, Hideki Nakayama, Tatsuya Harada, Yasuo Kuniyoshi

    2010 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)　3128-3134　2010年

    DOI： 10.1109/ROBOT.2010.5509271 　

    ISSN：1050-4729

    eISSN：2577-087X

  60. 積分特徴と部分空間法を用いた高速三次元物体認識の実データへの適用 査読有り

    金崎 朝子, 原田 達也, 國吉 康夫

    電子情報通信学会技術研究報告. PRMU, パターン認識・メディア理解　109　(306)　207-212　2009年11月19日

    出版者・発行元： 一般社団法人電子情報通信学会

    ISSN：0913-5685

    詳細を見る 詳細を閉じる

    本稿では,部分空間法とカラー立体高次局所自己相関特徴による高速三次元物体認識を用いて,実世界で計測した物体の断片的な三次元データに対する特定物体認識を行い,考察する.先行研究では,学習したデータベースの三次元物体の一部分を人手で切り出しテストデータとする仮想的なセットアップの実験を行い,本手法の有効性を示すにとどまっていた.本稿では,実環境にさまざまな姿勢で配置した物体を計測してこれらの認識実験を行い,従来特徴量であるSpin Image,Textured Spin Imageを用いた手法との比較を行う.さらに,学習した物体に関して,各々の物体が実環境中のどこに存在するかを探索する問題に取り組み,本システムの定性的な評価を行う.

  61. 三次元環境地図からの物体探索タスク応用を目指したカラー立体高次局所自己相関特徴の開発 査読有り

    原田 達也, 金崎 朝子, 國吉 康夫

    日本ロボット学会誌　27　(7)　749-758　2009年9月15日

    出版者・発行元： 一般社団法人 日本ロボット学会

    DOI： 10.7210/jrsj.27.749 　

    ISSN：0289-1824

    eISSN：1884-7145

    詳細を見る 詳細を閉じる

    We present a new feature &ldquo;Color Cubic Higher-order Auto-Correlation (Color CHLAC) features&rdquo; to recognize objects in the real world versatilely and robustly. The new features satisfy the necessary functions for the exploration of objects in a three-dimensional map. In order to search and retrieve objects in a three-dimensional map, the features should have the co-occurrence of textures and shapes, robustness for partial observations and noise, ability to adapt a widespread environment, scalability, and invariance for many transformations. We studied experiments both in a simulation and a real environment for recognition of objects, which have many kinds of shapes and textures, and then we showed that our proposed features obtain high recognition accuracy in both situations.

  62. Partial matching for real textured 3D objects using color cubic higher-order local auto-correlation features

    A. Kanezaki, T. Harada, Y. Kuniyoshi

    Eurographics Workshop on 3D Object Retrieval, EG 3DOR　9-12　2009年

    DOI： 10.2312/3DOR/3DOR09/009-012 　

    ISSN：1997-0463 1997-0471

  63. 三次元環境地図からの物体探索タスク応用を目指したカラー立体高次局所自己相関特徴の開発

    金崎朝子, 原田達也, 國吉康夫

    日本ロボット学会学術講演会予稿集(CD-ROM)　26th　(7)　ROMBUNNO.1L3-06-758　2008年9月9日

    出版者・発行元： 一般社団法人 日本ロボット学会

    DOI： 10.7210/jrsj.27.749 　

    ISSN：0289-1824

    eISSN：1884-7145

︎全件表示 ︎最初の5件までを表示

MISC 7

  1. 教師なし画像セグメンテーションのベーシックな手法と 深層学習ベースの手法の紹介

    金崎 朝子

    Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ　39　(4)　142-147　2021年9月25日

    出版者・発行元： 日本医用画像工学会

    DOI： 10.11409/mit.39.142 　

    ISSN： 0288-450X

    eISSN： 2185-3193

    詳細を見る 詳細を閉じる

    教師なし画像セグメンテーションは，医用画像処理をはじめとするさまざまな研究分野において重要な技術である．教師なし画像セグメンテーションのベーシックな手法は，何らかの人間が設定した特徴量に基づき，特徴類似度と空間的連続性を考慮した方法で画素のクラスタリングを行う．これに対し，筆者らは畳み込みニューラルネットワーク（CNN）の教師なし学習を画像セグメンテーションに応用する手法を提案した．提案したCNN は，一般的な教師あり画像セグメンテーションと同様に，入力画像の各画素がどのクラスターに属するかを推定する．しかし，画素ラベルの教師信号やネットワーク事前学習を一切必要とせず，対象画像の入力時にはじめてネットワークの学習を行う．本稿では，このような教師なし画像セグメンテーションを行う従来のベーシックな手法，および深層学習を用いた筆者らの提案手法について解説する．

  2. 5分で分かる!? 有名論文ナナメ読み：Zhang, Qi and Goldman, Sally A : EM-DD : An Improved Multiple-Instance Learning Technique

    金崎 朝子

    情報処理　62　(2)　100-101　2021年1月15日

    出版者・発行元： [出版社不明]

    DOI： 10.20729/00208933 　

    詳細を見る 詳細を閉じる

    弱教師あり学習の一種であるMultiple-Instance学習では，インスタンスの集合に対して正か負かの教師ラベルが与えられる．正の集合は少なくとも1つ以上の正のインスタンスを含み，負の集合は負のインスタンスのみを含む．このように定義された「集合のラベル」を手がかりとして正のインスタンスを発見する．Multiple-Instance学習を解くことは，何らかの事象の原因を突き止める行為に近い．たとえば，薬物活性予測問題において，さまざまな分子構成の薬物を集めて実験することで，活性化の原因となる分子の低エネルギー構造体を発見することも可能だ．本稿では，このような問題を効率的に解くことが可能なEM-DDという手法を紹介する．

  3. 動的環境下におけるロボットの動作生成

    太田 佳, 金崎 朝子

    日本ロボット学会誌　39　(7)　581-586　2021年

    出版者・発行元： 一般社団法人 日本ロボット学会

    DOI： 10.7210/jrsj.39.581 　

    ISSN： 0289-1824

    eISSN： 1884-7145

  4. MIRU2016若手プログラム報告 (マルチメディア・仮想環境基礎) 査読有り

    舩冨 卓哉, 石井 雅人, 井上 中順, 金崎 朝子, 高橋 康輔, 道満 恵介, 吉岡 隆宏

    電子情報通信学会技術研究報告 = IEICE technical report : 信学技報　116　(412)　283-290　2017年1月19日

    出版者・発行元： 電子情報通信学会

    ISSN： 0913-5685

  5. MIRU2016若手プログラム報告 (パターン認識・メディア理解) 査読有り

    舩冨 卓哉, 石井 雅人, 井上 中順, 金崎 朝子, 高橋 康輔, 道満 恵介, 吉岡 隆宏

    電子情報通信学会技術研究報告 = IEICE technical report : 信学技報　116　(411)　283-290　2017年1月19日

    出版者・発行元： 電子情報通信学会

    ISSN： 0913-5685

  6. MIRU2016若手プログラム実施概要と次回の企画紹介 査読有り

    舩冨 卓哉, 石井 雅人, 井上 中順, 金崎 朝子, 高橋 康輔, 道満 恵介, 吉岡 隆宏, 浦西 友樹

    情報・システムソサイエティ誌　21　(4)　16-22　2017年

    出版者・発行元： 一般社団法人電子情報通信学会

    DOI： 10.1587/ieiceissjournal.21.4_16 　

    ISSN： 2189-9797

    eISSN： 2189-9819

  7. 部分空間法とカラー立体高次局所自己相関特徴を用いた高速三次元物体認識

    金崎朝子

    画像の認識 理解シンポジウム (MIRU), 2009　103-110　2009年

︎全件表示 ︎最初の5件までを表示

書籍等出版物 1

  1. コンピュータビジョン ―広がる要素技術と応用― (未来へつなぐ デジタルシリーズ 37)

    米谷 竜, 斎藤 英雄, 池畑 諭, 牛久 祥孝, 内山 英昭, 内海 ゆづ子, 小野 峻佑, 片岡 裕雄, 金崎 朝子, 川西 康友, 齋藤 真樹, 櫻田 健, 高橋 康輔, 松井 勇佑, 米谷 竜, 斎藤 英雄

    共立出版　2018年6月28日

    ISBN: 4320123573

産業財産権 2

  1. 抽出装置、方法及びプログラム

    金崎 朝子, 伊藤 聡

    産業財産権の種類: 特許権

  2. 特徴ベクトル算出装置、特徴ベクトル算出方法及びプログラム

    原田 達也, 金崎 朝子, 國吉 康夫

    産業財産権の種類: 特許権

共同研究・競争的資金等の研究課題 7

  1. ロボットによる三次元環境記述に関する研究

    金崎 朝子

    2025年4月 ～ 2030年3月

  2. 生活空間セマンティクス駆動型ロボットに関する研究

    金崎 朝子

    2021年 ～ 2027年

    詳細を見る 詳細を閉じる

    ユーザにとって有用な情報の収集を行動目的とする生活空間セマンティクス駆動型ロボットを提案します。ロボットは自律的に環境内を移動し、膨大なセンサ情報の中から有用であると判断した情報のみを抽出してデータベースに蓄積します。ユーザフィードバックによる情報有用度の再計算を行い、ロボットの行動則を強化学習により更新します。高度認識技術と強化学習を組み合わせた新しい統合的技術を提案し、これを実現します。

  3. 大規模学習モデルと３Ｄ仮想空間をつなぐ実世界AIのゼロショット学習

    吉安 祐介, 金崎 朝子, Caron Guillaume

    提供機関：Japan Society for the Promotion of Science

    制度名：Grants-in-Aid for Scientific Research

    研究種目：Grant-in-Aid for Scientific Research (B)

    研究機関：National Institute of Advanced Industrial Science and Technology

    2023年4月1日 ～ 2026年3月31日

    詳細を見る 詳細を閉じる

    2023年度は、本研究の基盤となるデータセットとベースラインモデルを整備し、物体、人間、環境と行動を対象とした実世界AIモデルのプロトタイプを構築した。 テーマ①＜物体認識＞においては、CNN特徴量を用いた物体トラッキング（ビジュアルサーボ）技術を研究した。従来はカラー画像を入力とするビジュアルサーボ技術が主流であったが、本手法ではVGGやHRNetなどのCNNから抽出した特徴マップを用いることを検討した。また、特徴マップにK means クラスタリングを適用することで次元圧縮処理した。このように処理した特徴マップを用いてDirect visual servoingの実現を試みたが、マップ上にノイズが残り、ロボットアームに搭載して動作するにまでは至らなかった。2024年度は、これまでに開発したビジュアルサーボのプロトタイプを改良しロボットアーム実機での実験を行う。加えて、vision transformerなど大規模なモデルから抽出した特徴マップの利用を検討する。 テーマ②＜人間形状復元＞においては、人間の3Dメッシュデータと人間2Dポーズ画像を大まかにフィッティングしたデータセットを構築した。また、拡散トランスフォーマモデルを用いた３次元形状生成手法を構築した。 <BR> テーマ③＜Embodied AI＞においては、1000件の屋内環境を撮影した動画に対してNerfを適用して３D自由視点生成データを作成するとともに、LLMや拡散モデルを用いたナビゲーション行動生成Embodied AIのベースラインモデルを準備した。

  4. 微分可能クラスタリングによる教師なし画像セグメンテーションの深層学習に関する研究

    金崎 朝子

    2020年4月1日 ～ 2023年3月31日

    詳細を見る 詳細を閉じる

    画像セグメンテーションは物体等のまとまり毎に画像領域を分割するタスクであり，画像処理の本質的な課題の一つである．従来手法では色やテクスチャを表す画像特徴量を人間が定義し，特徴量の類似度に基づいて領域を分割する方法が主に使われていた．これに対し，昨今の深層学習を用いた手法によれば，車，人，道路等の意味的なまとまりを持った画像領域を分割しラベルを付与するセマンティックセグメンテーションが可能になってきている．しかしながら，深層学習には大量の教師データが必要である．そこで本研究は，教師データを一切必要としない教師なし深層学習による画像セグメンテーションを開発する． 昨年度は，これを実現するための微分可能クラスタリングという基盤技術を提案し，理論を確立するとともに，様々なデータセットで有効性を評価した．提案手法は入力画像に対し，特徴抽出モジュールと画素クラスタリングモジュールをEnd-to-Endに学習することで，双方を最適化する．さらに，二次元画像だけでなく動画像データのセグメンテーションへ応用し，様々なアプリケーションへと発展させた． 本研究成果について，今年度は「教師なし画像セグメンテーションのベーシックな手法と深層学習ベースの手法の紹介」という論文タイトルで，日本医用画像工学会(JAMIT)誌「MEDICAL IMAGING TECHNOLOGY 39(4)」の特集論文を寄稿した．さらに，第15回IEEE Signal Processing Society (SPS) Japan Student Journal Paper Awardを受賞した．

  5. 物体の分かりやすい説明表現のための絵描き歌自動生成に関する研究

    金崎 朝子

    提供機関：Japan Society for the Promotion of Science

    制度名：Grants-in-Aid for Scientific Research Grant-in-Aid for Challenging Exploratory Research

    研究種目：Grant-in-Aid for Challenging Exploratory Research

    研究機関：National Institute of Advanced Industrial Science and Technology

    2016年4月1日 ～ 2019年3月31日

    詳細を見る 詳細を閉じる

    写真に写っている物体を分かりやすい表現で説明することを目指し，物体認識技術を応用した絵描き歌自動生成システムの要素技術開発に取り組んだ．未知の物体を言語で表現するとき，人はよりイメージしやすい物体を用いて「○○のような」「××を△△に乗せたような」といった比喩的表現を生成する．これを機械が実現するために，様々な角度から物体を撮影して一般的な名称を推論する物体認識技術の開発，および事前知識を使用せず，画像内の物体をパーツに分解する教師無し画像セグメンテーション技術の開発を行った．

  6. 実世界知識データベース構築のための自律撮影ロボット行動計画に関する研究

    金崎 朝子

    提供機関：Japan Society for the Promotion of Science

    制度名：Grants-in-Aid for Scientific Research Grant-in-Aid for Research Activity start-up

    研究種目：Grant-in-Aid for Research Activity start-up

    研究機関：The University of Tokyo

    2014年8月29日 ～ 2016年3月31日

    詳細を見る 詳細を閉じる

    実世界における有用な画像データベースを自動構築する自律移動ロボットを提案し、物体検出の基盤技術の研究開発を行った。第一に、物体検出をグラフマッチング問題として定式化した場合のパラメータを自動学習する手法を提案した。グラフマッチングパラメータを最適化する手法はいくつか知られているが、本手法は物体検出の精度を上げる目的関数を明示的に最適化する点が新しい。本研究は3DV 2014で発表した他、日本ロボット学会研究奨励賞を受賞した。第二に、未知の物体を検出する手法として、三次元空間から物体候補領域を事前知識なしに抽出する手法を提案した。本研究はIROS 2015で発表し、ソースコードを公開した。

  7. 実物体インターネットの実現に向けた、ロボットによる三次元認知地図の獲得と利用

    金崎 朝子

    2010年 ～ 2012年

    詳細を見る 詳細を閉じる

    博士後期課程の最終年度であったため,これまでに得られた研究成果である知見をまとめ,「対象毎の負例クラスの導入による実世界からの多クラス物体認識」と題する博士論文の執筆に従事した.従来,コンピュータビジョン分野において,画像に写っている物体の名前やカテゴリ名を特定する"物体識別"タスクと,画像から対象物体の位置を同定する"物体検出"タスクが広く研究されてきた.しかしながら,「何がどこに存在するか」を判断するタスク,すなわち"物体識別兼検出"タスクは,その重要性に相反して深く議論されてこなかった.また,これらのタスクは主にインターネット等に存在する画像データセットを対象とした機械学習により実現されてきたが,物体の位置や姿勢変化による見え方の変化,また照明変動や物理的な変形への対処は依然として難解な課題であった.本論文では,多クラス物体認識の問題を定式化し,「物体ラベルに対応した物体領域の発見」と「物体認識器の最適化」の二つの課題の解決を要求機能として述べた上で,多数の物体の候補領域に対して識別と検出を同時に行う手法の提案を行った.また評価実験として,100個の対象物体クラスを含む雑多な実環境計測三次元データからの多クラス物体認識を行った.本実験では,100個中の70個の対象物体について正しい領域の発見に成功し,また後段の物体認識器の最適化処理を行うことで,信頼度の高い出力結果の精度をより向上させることができた.このとき,提案手法によって正解の物体の認識率を向上させ,かつ誤認識率を抑えることが可能であった. 本論文の内容は,特別研究員研究課題「実物体インターネットの実現に向けた、ロボットによる三次元認知地図の獲得と利用」において最も根幹となる「実世界からの多クラス物体認識」技術開発において真に必要不可欠な第一歩を踏み出したものであり,滞りなく研究遂行が行われたといえる.

︎全件表示 ︎最初の5件までを表示