顔のモデル、体のモデル、ふたつを合わせた統合モデルを用いて、1000枚のテストデータで精度確認実験を行いました。

今回は統合モデルのテストデータの評価方法として、顔のモデルと体のモデル各クラス(cat_1~7)に属する確率の配列として出力される予測結果の平均値を顔と体の統合モデルの予測結果の出力としました。

実験結果は全体的に精度が低くなっており、特に似ている猫の場合は、顔モデルと体モデルに比べて統合モデルの方が精度が低くなってしまいました。

今後は学習データを顔と体それぞれ3000枚で統一し、顔と体の出力の重みを調整して実験し直したいと考えております。

教室で2m,4m,6m,8mの距離から3人を各距離30枚ずつ撮影し、3人写っている場合の高解像画像と超解像画像での顔認証の適合率の比較を行いました。4m~8mの間では超解像にすることで、高解像画像に比べて平均で約15.3%も適合率が高くなっていました。

説明変数を5つ選択してすべての通りで相対誤差を出力して、一番良いモデルを探した。またどの説明変数が市場価格に影響するかを検証した。

大ゼミのパワポ作成。

大ゼミでご指摘

今後の予定

finish experiment about RGBD mirror segementation

IOU:0.7376;

Emeasure: 0.853;

Smeasure 0.839;

Fmeasure 0.821;

MAE: 0.043. BER:0.0843

I am writing my paper and expect to finish the first draft within a week.

I have finished the paper of ICIAE2024.

大ゼミでのご指摘

• データ収集の方法がわからない→アニメーションを用いる
• ラベルの0,1を説明
• 学習データが少ない方が良い理由→無駄なデータがないからと言い切る
• モデルの作り方には汎用性がある（実験1を違う被験者でもしないといけない）→被験者Aのモデルを被験者Bには用いることができないという意味で汎用性はないがそこは言わない
• 使っている5つの生体信号をなぜピックアップしたのかを文献を用いて説明する（原理の追加）

全体的にやったことを全部述べるのではなく、意味のあったことを述べていった方が良いか？

今後のこと

• 実験1の被験者を最低1人増やす
• 実験3についてはデータ増やさなくて良い
• 論文執筆

面接

ES作成

foveated imaging処理の円形モデル、楕円モデル、視野特性に基づいた楕円モデルを完成させました。

実験では、伝送ビットレートの比較、処理速度の比較、主観画質の評価をしました。主観画質の評価は張研究室の先輩や友達に協力してもらっていて、データを取っている最中です。