視覚認知計算特論 2016年度 レポートその三 †[edit]
- 締切: 2016年7月11日(月)の授業開始時
- 形式: 以下のいずれか
- PDFファイルにして高橋にメイルで送る
- A4の紙に書き,左上を綴じる
- 答えだけでなくそれに至る過程も記述すること.
octaveやPython+NumPy等を用いた場合は入力したコマンドとそれに対する出力をまとめてコピー&ペーストするなどしたらよい(それだけでなく説明も必要).
- 用いる画像データとPython+NumPyでの画像の扱いについては Vision/2016/report3/appendix 参照
Vision/2016/report3/appendixの猫画像の平均画像を求めなさい.
Vision/2016/report3/appendixの猫画像のデータを主成分分析して次のものを求め考察しなさい.
- いくつかの固有ベクトルを画像にしたもの
- いくつかの猫画像の主成分スコア(上位のもの(対応する固有値の大きいもの)のみでよい)
固有ベクトルの要素は正負の値をとり,一般的な画素値の範囲(0から255)にあわないので,適当に変換してやる必要がある.
その方法は自分なりに考えること.
ただし,正負の違いがわかりやすいように,0 を画素値 127 or 128 に対応させるのがよいだろう.
問2につづいて,次のものを求めて考察しなさい
- いくつかの猫画像を上位の主成分のみで再構成した画像(教科書p.218のように再構成に用いる主成分の数も変化させてみること)
- 再構成に用いる次元数 \( h \) を横軸に,\( h \) 次元での再構成のすべての画像の二乗誤差の平均 \( E(h) \) を縦軸にとったグラフ.\( E(h) \) の定義は講義資料参照.
この授業で学んだことをいかして何かおもしろいことをやってみよう.
例えば…
- 猫画像から求めた基底ベクトルを使って他の画像を再構成してみる
- 他のデータを主成分分析してみる
- 何かのデータを部分空間法で識別してみる,etc.