小型ドローンの障害物回避は、視覚認識の誤差、通信遅延、環境差によって実機で挙動が崩れやすく、試行錯誤を実機だけで行うと安全面とコスト面の負担が大きい。そこで本稿では、YOLOv8によるリアルタイム物体検出とModel Predictive Path Integral（MPPI）制御を統合した回避方式を題材として、Drone Simulator／Python SDKを用いた再現可能な仮想実験ワークフローを設計する。具体的には、(1) 障害物配置を固定した反復試験、(2) 認識誤差・検出欠落・遅延の注入によるストレステスト、(3) 安全距離やコスト重みなどのパラメータ探索、を仮想環境側で実施できるようにし、得られた設定を入出力モジュール差し替えにより実機（例：DJI Tello）へ移植する手順を整理する。これにより、実機実験を最小限に抑えつつ、安全余裕を持ったパラメータ設計と運用上の注意点を明確化する。

本稿では，単眼カメラと2D LiDARを用いた広範囲かつ高解像度な3次元地図構築について述べる．LiDARは高精度かつ安定した距離情報を取得できる一方で，広範囲の計測には多方向・高密度な計測が必要となるため，システム構成が複雑化するという課題がある．そこで本研究では，広範囲かつ高解像度な画像取得が容易な単眼カメラと2D LiDARを融合し，学習ベースの単眼深度推定に対してLiDARによる距離スケール補正および推定結果間の不整合領域の信頼性評価を行うことで，単眼深度推定に起因するスケールの不安定性や外れ値を低減する3次元地図構築手法を提案する．さらに，実データおよび合成データセットを用いた実験により，提案手法の有効性を評価する．

Human activity recognition for yoga coaching requires interpretable feedback beyond black-box pose classification. However, existing approaches often struggle to explain posture quality and body alignment in a human-understandable manner. To address this limitation, this paper proposes an explainable yoga coaching framework that combines pose relationship prototype learning with SLM-based feedback generation. The framework extracts skeleton-based relationship features and clusters recurring posture patterns into interpretable prototypes for posture quality assessment. Based on these learned prototypes, the SLM generates personalized coaching feedback and posture explanations. Experimental results demonstrate the potential of the proposed framework for transparent and interactive yoga coaching assistance.

物体検出器のドメイン適応は，天候や撮影条件の変化に対して頑健な物体検出を効率的に実現するための重要技術である．多くの既存手法では，適応の進行に伴い性能が向上するものの，ピークに達した後は徐々に性能が低下することが知られている．しかし実運用環境では正解ラベルを利用できないため，このような性能変化を把握することは容易ではない．そこで本研究では，ドメイン適応における物体検出器の性能変化を正解ラベルなしでモニタリングする手法を提案し，その有効性を評価する．

光学衛星画像では，雲被覆やノイズにより地表情報が遮蔽され，解析や利用が困難になる。本研究では，RPCAとLLEに基づくマルチモーダル正則化を組み合わせた頑健な雲・ノイズ除去手法を提案する。SAR画像を構造参照として用い，時系列光学画像を低ランク背景成分と雲・ノイズを表すスパース成分に分解する。さらに，LLEに基づく構造制約により，光学画像とSAR画像の局所構造整合性と空間的滑らかさを促進する。実験により，提案手法が構造的詳細を保持しつつ雲やノイズを除去し，復元画像の視認性と判読性を向上できることを確認した。

時系列データは長期的な傾向や周期的な変動で構成される。また、これら変動要因だけでなく、外部要因の影響を受ける。高精度な予測を行うには、時系列データを構成する要素を適切に捉えることが重要である。
　本研究では、グレンジャー因果検定を行い、目的変数の予測に有用な外部変数を選別する。さらに、時系列分解手法のMSTL分解（Multiple Seasonal-Trend decomposition using
LOESS）を適用し、時系列データから複数の周期性を分離する。深層学習モデルを用いて分解成分を個別に予測し、決定木モデルで再構成をすることで、多変量予測を実現する。

本研究では，Transformer における位置埋め込み手法であるRoPE (Rotary Positional Embedding) を長系列タスクへ適応させるDecay RoPEを提案する．従来のRoPEは，系列長が増加すると遠距離において周期折り返しが発生し，位置識別性が低下する．特に少量データ環境では，近距離依存の帰納的バイアスの獲得が難しくなる．この課題を解決するため，提案手法では，位相関数を指数減衰型へ変更し，遠距離ほど位相の回転を緩やかにすることで周期折り返しを防止し，位置識別性を向上させる．長系列データを用いた様々なタスクを行い手法を比較した結果，長系列タスクにおけるDecay RoPEの有効性を確認した．

昨今AIによる動画生成・改変技術が発展し、実社会の動画の真偽を識別する必要性が高まっている。一方で、SNS等を介して流通する動画は、圧縮などによりカメラ痕跡や生成モデル由来の痕跡を単一フレームで顕在化させることが難しい。このため近年、時間方向の不整合に着目する検出手法が増えている。。本研究では、画像のピクセル系列をそのまま評価せず、動画パッチ系列を潜在特徴空間に射影する。さらに、その時間発展を動的モード分解で低次元線形近似し、実動画とディープフェイク動画の時間的一貫性の差異を評価する。これにより圧縮やモデル固有痕跡に依存しにくい、より解釈可能な識別指標の構築を検討する。

携帯端末に搭載されたLiDARは手軽に深度情報を取得できる一方、深度マッピングにおける解像度や信頼性の低さが依然として課題である。本研究では、深度マップの中央領域を利用し、端末移動に伴い対象物表面を順次観測し、深度情報を取得する手法について検討する。これにより、小物体スキャンにおける点群品質の向上と、携帯搭載型LiDARを有効活用するための基盤手法の確立を目指す。

本稿では，VGGTにより得られる幾何情報を3D Gaussian Splatting（3DGS）の学習へ統合する際に，画素ごとの幾何信頼性重みWgeoを深度正則化のみに適用する手法を提案する．Wgeoは深度不確実性，可視性，多視点一致性に基づいて設計し，低信頼な深度教師の影響を抑制する．Kitchen，Fern，Flowerの三シーンで評価を行い，提案手法によりPSNRの改善を確認した．

単眼カメラ映像からのフロアマップ生成は、低コストな地図構築手法として期待されている一方で、旋回時のカメラ軌跡の歪みや累積誤差が大きな課題となっている。本研究では、深層学習ベースの単眼深度推定とオプティカルフローを、床面法線推定や遠近分離などの幾何学的制約に基づいて統合する手法を提案する。さらに、環境変化に応じた動的重み付けを導入することで、深度情報と動き情報を適応的に統合し、特に曲がり角における旋回誤差を抑制する。実工場環境の動画を用いた評価の結果、特徴点が少ない環境においても、単眼カメラによる安定したフロアマップ生成が可能であることを確認した。

Semantic annotation of 3D point clouds is a scaling bottleneck for spatial understanding: existing methods lean on supervised 3D backbones or per-scene neural reconstruction.
We present a training-free pipeline that propagates 2D foundation-model segmentations across views via sparse Structure-from-Motion (SfM) feature tracks.
Categories are discovered by a Vision-Language Model over a diversity-sampled image subset, seeded from text-embedding matches, and propagated by angular-diversity view selection with mask--point overlap validation.
On ScanNet, the pipeline lands within 10 points of fully-supervised baselines, requiring zero training.

本研究では、2視点のRGB-Dカメラと単眼深度推定を用いた深度欠損補完により、少数視点で高精度な三次元形状復元による葉面積推定手法の確立を目的とする。対象はビニールハウス内の植物（トルコギキョウ）とし、従来の手作業による葉面積計測の負担軽減を目指す。方法としては、RGB-Dカメラから取得した深度情報より三次元点群を生成し、ball-pivotingやAlpha Shapeにより三次元形状復元を行う。その際、単眼深度推定や時間差撮影による点群統合により深度欠損補完を行う。さらに、三次元形状復元の際に点群クラスタリングを用いることで推定精度の改善を目指す。

社会インフラの老朽化に伴い，コンクリート構造物の内部欠陥を効率的に検出する非破壊検査技術が求められている．本研究では，レーザー超音波可視化試験（LUVT）動画を対象に，Co-Trackerによる点群追跡とTransformerによる時系列解析を統合した教師なし異常検知手法を提案する．正常動画のみを用いて波の伝搬挙動を学習し，予測誤差に基づいて欠陥を検出することで，欠陥ありデータの不足に対応する．さらに，超音波の動的な伝搬異常を軌跡として扱うことで，コンクリート特有の散乱ノイズ環境下においても安定した欠陥検出を可能とする．本手法は，実構造物への適用を見据えた非破壊検査支援技術として期待される．

推進工法では、オペレータが操作盤の計器類や機材挙動を監視しながら操縦している。しかし、その操縦技能は経験への依存が大きく、効率的な技能継承が課題である。オペレータの操縦計測には狭小なコックピット内で視線・動作を取得する必要があるが、装着型センサは操縦の妨げとなり非接触な計測手法が求められる。本研究では、複数視点映像に基づく行動計測方式を検討する。頭部姿勢推定と虹彩追跡を組み合わせた視線推定、手指・腕の動作推定、物体検出モデルによるアナログメーター自動読取により、視線・動作・計器値・機材データを同一時間軸上で取得する。現場での計測により、オペレータの注視・操作と機材挙動の相互関係の分析を目指す。

近年、ICTを活用したスポーツ解析への関心が高まり、選手の動きをセンシングする技術開発が進んでいる。GPSやモーショントラッカーなど多様な手法があるが、実際の試合では実現困難なケースも多い。そこで、スマートフォンや単眼カメラの映像による分析が有用とされる。
しかし、陸上短距離走ではスタート・ゴールライン以外に特徴点となる箇所が少なく、画面と実空間の対応が難しいため、3次元解析が困難だった。本研究ではレーンを自動検出・トラッキングし、検出レーンをもとに選手の2次元座標を3次元に変換する手法を提案した。
実験の結果、レーン検出・トラッキングの精度と追従性において高い精度を達成し、ラベリング作業の効率化にも成功した。また、この結果を用いて選手のワールド座標の算出も実現した。

近年，AI を用いた画像認識技術の進歩によりスポーツ分野への AI 導入が進み，サッカーでは戦術解析や審判支援など様々な技術が活用されている．試合映像からのデータ取得は手作業や専用機器による収集が主流であり，コスト面での課題がある．本研究では YOLO による人物検出，EVA02 による特徴抽出，学習済み MLP による選手・審判の分類，およびチーム分けを自動化する手法を提案する．評価実験の結果，提案手法は従来手法と同程度またはそれを上回る分類精度を実現し，特に厳しい撮影条件下では従来手法を上回った．また，全評価動画において処理時間の大幅な短縮と安定性の向上も確認された．

ギター初心者は正しいコードフォームの習得が難しく，挫折の一因となっている．従来の左手検出手法はリストバンドやモーションカメラなど特殊機材を必要とし，導入コストが高かった．本研究では，画像認識AIを活用してアコースティックギターの演奏映像からコードを自動推定する手法を提案する．物体検出AIのYOLOv11でギターパーツを検出してフレット位置を特定し，姿勢推定AIのMediaPipe　Handsで左手の指位置を検出する．両結果を統合することで，特殊機材不要・低コストなコード推定を実現し，初心者の練習支援を目指す．

本研究では，同期二視点映像における人物追跡の安定化を目的として，トラックレットとマルチキュー段階的再関連付けに基づく人物追跡のための人物ID管理手法を提案する。
従来の人物追跡では，遮蔽，人物同士の交差，映像への再入場などの場面において，一時的なトラッキングロストによって，IDスイッチやReID特徴へのノイズが連鎖的に発生する問題がある。
提案手法では，YOLOv8 PoseおよびByteTrackにより，各視点の観測情報を抽出し人物軌跡を短いトラックレット単位に分割する。その後，ReID特徴，色特徴，時間的連続性，空間的一貫性，および姿勢・足元位置に基づく複数の手掛かりを統合し，段階的に人物IDを再構成する。
これにより，単一フレームまたは単一特徴に依存した誤トラッキングを抑制し，遮蔽，交差，再入場の複雑場面や異なる視点間でのID維持性能の向上を目指す。

本研究では，混雑環境における不適切な場所取りを自動的に検知する手法を提案する．従来，通路や公共空間における座り込みや寝込みといった場所取りの監視は，人力に依存しており，見逃しや負担の増大が課題である．提案手法では，動画を対象とした手法を構築しており，YOLOによる人物検出とDeepSortによるトラッキング手法を組み合わせ，各人物に対してIDを付与した上で，事前学習されたCNNを用いた姿勢分類を行う．さらに，各人物の行動履歴を時系列的に解析し，一定時間以上継続する座り込み・寝込みを不適切な場所取りとして判定する．さらに，CNNの分類信頼度が低い場合には，YOLO-Poseによって取得した人体骨格情報を利用し，骨格の形状および関節位置関係に基づく補助判定を行う．また，各人物の姿勢履歴を時系列的に保持し，継続的な行動状態を解析することで，一時的な誤分類の影響を低減する．これにより，混雑環境における監視の効率化および安全性向上に貢献することを目指す.

ファッションコーディネートの「奇抜さ」は個性表現や推薦システムの多様性向上に重要な概念であるが，計算可能な形での定量化は十分に検討されてこなかった．本研究では奇抜さを，色・柄・素材・ジャンルといった複数の審美的軸における典型性からの逸脱度として多軸的に定義し，CLIP埋め込み空間上のzero-shotテキスト軸投影により各軸スコアを算出，軸間の相互作用を考慮した注意機構で統合することでコーディネート全体の奇抜さを表現する．提案手法の妥当性は人間の主観評価との相関により検証し，ファッション推薦システムにおける多様性指標への応用可能性を示す．

本研究ではごみピットと呼ばれている、ごみを焼却処理する前にごみを溜めておく設備をカメラで撮影し、その画像から燃えやすさを自動で判断するシステムを構築することを目指す。運転員の目視の判断をアンケート用いてデータ化し、その主観的な判断データを教師データとする。その教師データを用いて深層学習のモデルを学習させて、画像をピクセル単位での燃えやすさ推定をするシステムを提案する。
実運用の画像データ20枚に対してごみ領域の抽出とごみの燃えやすさ推定を行った結果、ごみ領域抽出はIoU0.93が得られ、燃えやすさ推定はおおむね良い結果が得られた。

地盤改良工法の一つであるパワーブレンダー工法では，改良状況把握のためにテーブルフロー試験による流動値測定を複数回実施せねばならず，時間・労力というコスト増大が課題となっていた。先行研究では，施工中の動画フレームに背景差分法を用いて得られる土の移動総量パターンや土質情報などを用いてDNNによる流動値推定手法が検討されたが，土質情報の影響が強く出てしまい推定精度が不安定だった。そこで本研究では，土質情報を用いず，背景差分法により取得した土の移動データをLSTMにより時系列データとして学習することで，流動値を推定する手法を提案する。これにより，土質情報に依存しない流動値推定の実現を目指す。

車載NIR顔照合において，広角カメラによる車室内撮像では露光制御の不全により運転者の顔領域に白飛びが生じ，顔認証性能が低下する場合がある．本研究では，顔検出ボックス内の飽和画素率に基づいて入力画像の品質を判定する軽量な方法を調査した．具体的には，顔領域内の飽和画素率を算出し，閾値を超えるペアを照合対象から除外することで，低品質入力による照合誤りを低減できるかを検証した．本発表では，撮像制御の一次対策後に残存する露光不全に対する軽量な二次対策として，本方法が有効である可能性について調査した結果を報告する．

果物の食味評価において重要な指標である糖酸比は，破壊検査による測定が主流であるため，全数検査実現に向けて非破壊での糖酸比推定技術の確立が求められている．本研究では，みかんを対象とし，光源環境の変化にロバストな糖酸比の非破壊推定手法を提案する．提案手法では，ハイパースペクトルカメラで取得した吸光スペクトルにたいし，光源環境に起因する変動成分を低減するオートエンコーダと，糖度・酸度由来の成分情報を抽出するオートエンコーダをカスケード接続し適用することで，回帰分析による糖酸比の推定精度の向上を図る．検証実験の結果，光源環境条件を事前学習させることで，みかんの糖酸比の推定精度が向上することを確認した．

イベントベース・ビジョンセンサ（EVS）は、画素の輝度変化を高時間分解能で捉える特性を持つ。しかし、その特性を活かして対象の物理振動から音響信号を復調する際、信号に含まれる深刻なノイズが課題となる。そこで、EVSとマイク録音の同期ペアデータを用いた、ニューラルネットワークによる高精度なデノイズ手法を提案する。具体的には、EVS由来の音響信号を対数変換短時間フーリエ変換で表現し、大規模音源で事前学習したU-Netモデルを用いてファインチューニングを行う。さらに、EVSの特性に最適化したスペクトログラム構造の学習とノイズ除去を実現し、高精度な音源復元の可能性を検証する。

道路インフラ点検の効率化に向け，正常画像のみで学習したDDPMを用いてガードレール損傷箇所を自動検出する手法を提案する．損傷を含む入力画像を逆拡散過程の途中状態とみなし，疑似正常画像へ再構成することで，差分に基づく異常度を算出する．再構成画像の空間整合性に基づいてガードレール領域を推定し，領域内で異常度を算出することで，背景領域に起因する誤検出を抑制する．さらに，U-Netの中間特徴マップやAttention Mapを用い，DDPMの内部表現に基づく領域抽出の可能性も検討する．

送電設備である送電線の点検の効率化のために，UAVによる撮影と画像処理による送電線抽出が行われてきている．送電線抽出では送電線の直線状エッジをHough変換によって検出する必要があるが，背景の構造物のエッジを誤検出する問題がある．そこで本研究では，構造的ノイズを含む画像から安定して送電線のエッジを検出する手法を提案する．本手法では，UAVが一定方向に進行しながら連続して画像を撮影することに着目し，複数の画像を一つのHough空間に統合することで構造的ノイズの影響を低減させる．また，送電線の撚線のパターンもノイズとなることから，撚線ノイズ除去処理も組み合わせることによって誤検出を減らす．

老朽化が進むコンクリート構造物のひび割れ点検自動化において深層学習を用いた異常検知が注目されている．一般に異常検知では異常データが不足することから，正常画像のみで学習する教師なし生成モデルが利用されるが，これにはコンクリート表面の陰影や凹凸等のテクスチャを再現しつつ，ひび割れを除去した画像を生成する能力が求められる．本研究では，Autoencoder，AnoGAN，GANomaly等の主要なモデルを対象に、正常画像の再現性を高めると同時に，異常画像と生成画像の差分を最大化するようハイパーパラメータを調整した．この結果により各モデルの性能を評価して，ひび割れ認識における有効性を検討する．

本研究では，木陰などの不均一影を含む路面画像を対象に，拡散モデルベース異常検知に接続する前処理としての影除去の有効性を評価する．SAM2-Adapterにより初期影マスクを自動生成し，動的マスク認識型拡散モデルにより影除去画像を生成する．その後，生成画像をDDPMベース異常検知モデルに入力し，影除去前後のAUROCおよび異常度ヒートマップを比較することで，影由来の偽陽性低減効果，非影領域における損傷検出性能の維持，および影マスク誤検出に起因する限界を検証する．

鍛造部品の外観検査は目視が主流だが,検査員の確保や精度のばらつきが課題である.近年,モデル導入が進む一方,金型劣化による部品表面の経時変化に伴う精度低下と,再学習にかかる膨大な計算コストが障壁となっている.本研究では,部品表面の変化に適応可能かつ低計算コストな不良品検出手法を提案する.提案手法では,基準月の正常データで学習したAutoEncoderにより特徴抽出を行い,表面変化が生じる月ごとに軽量なSVMのみを再学習させる.評価の結果,深層学習全体の再学習を回避しつつ表面変化に追随可能となり,モデル更新における計算コストの大幅な抑制と検出精度の維持を両立できることを確認した.

本研究では，画像生成AIによるイラストの無断学習および作風の模倣を防止するためのシステムを提案する．提案システムでは，人間の目には自然に見えるが，AIには意味が変わって見えるように，CLIPを用いてイラストの意味的内容を操作する機構と，視覚的自然さを維持しつつノイズを生成する機構を組み合わせる．さらに，JPEG圧縮によるノイズの減衰に対する耐性と視覚的品質を考慮し，LPIPSやL2距離などの指標に基づく損失関数を用いて学習を行う．これにより，視覚的自然さを維持しつつ，画像生成AIによるイラストの模倣を防止することを目指す．

本稿では，空撮画像におけるcarクラスの検出精度向上を目的として，背景文脈を考慮した3Dメッシュ自動配置に基づく学習データ拡張手法を提案する．
提案手法は，候補配置領域の生成，視覚言語モデルによる配置妥当性判定，深度画像に基づくスケール補正・姿勢決定，および画像調和処理を組み合わせ，画像上の文脈と幾何的一貫性を考慮した擬似学習データを生成する．
VisDroneを用いた実験では，carクラスのAP50-95が0.418から0.433へ，全クラスのmAP50-95が0.114から0.129へ改善し，未調和画像と調和処理後画像を併用した構成ではcarクラスのAP50-95が0.445まで向上した．

Audio-visual deepfake detectors based on large pretrained backbones suffer from two limitations: video-only cues miss the spectral and prosodic artifacts left by neural vocoders, while latent audio backbones trained for speech recognition discard the high-frequency forgery traces themselves. We propose a unified pipeline combining (i) Late-Fusion SSL Pretraining with dual unimodal Towers and a Temporal InfoNCE objective enforcing fine-grained audio-visual alignment, (ii) Mid-Fusion Fine-tuning with bidirectional cross-attention, and (iii) HFRE, a 2D-FFT high-pass residual extractor on the log-mel spectrogram, wired into the audio stream via a gated pathway with auxiliary supervision. Experiments on FakeAVCeleb characterize each component and cross-dataset generalization gaps.

近年、拡散モデルは画像生成タスクにおいて優れた性能を示している。先行研究では、拡散モデルにおける様々な改良が行われてきた。しかし、拡散モデルの学習に向けたデータ拡張の研究は十分ではない。本研究では、拡散モデルの学習における空間周波数に着目したデータ拡張手法を提案する。提案手法では、拡散モデルが画像の大域的特徴を生成する段階にのみ、学習画像の高周波成分を削減した画像を用いたデータ拡張を行う。実験では、提案手法による学習と、従来の学習の結果をFIDの指標を用いて定量的に評価し、比較を行った。実験の結果、提案手法による学習方法がモデルの生成品質を向上させることを確認した。

タッチダイナミクスを用いた継続認証では，利用環境の変化により認証精度が低下するという問題がある。本論文ではこの問題に対し，タッチダイナミクスを模した合成データを導入することにより，利用環境の変化に対する頑健性を向上させる新たな手法を提案する。提案手法では，タッチダイナミクスの時間的・空間的特徴を保持しながら，利用環境の変化を踏まえた多様な合成データを生成可能な点に特徴がある。公開データセットを用いたシミュレーション実験により提案手法の信頼性を評価した結果，提案手法により生成された合成データを学習データに組み込むことで，利用環境の変化に伴う認証精度の低下を抑制できる可能性のあることが確認された。

現在、拡散モデルによる画像生成が広く普及しており、ポスターなどテキストを含む画像を生成する需要も増加している。そのようなテキスト描画を制御するためには、拡散モデルが逆拡散過程で画像中にテキストを出現させる方法について詳しく知る必要がある。本研究では、拡散モデルの逆拡散過程を解釈する方法としてスパースオートエンコーダー(SAE)を用い、テキスト描画時の潜在空間を観察し、その傾向について検討した。

本研究では，透明プラスチック製食品容器に生じた微細な孔を高精度に検出することを目的として，偏光を利用した光学技術と画像処理技術を組み合わせた検査手法を提案する．透明プラスチック容器を光学撮影機器で撮影すると，光の屈折による複雑なノイズが発生するため，撮影画像内に存在する微細な孔の識別が困難である．本手法では，異なる偏光条件で撮影した画像を用い，画像間の輝度変化や幾何学的特徴を利用して微細な孔を検出する．更に，孔周辺に生じる偏光特性や中心部の輝度特性に着目することで，透明容器特有のノイズに頑健で高精度な検出が可能になった．

本研究では、病理診断の効率化と精度向上を目指し、WSIを用いた尿細胞診自動スクリーニングシステムを開発した。巨大な全スライド画像(WSI)から効率的に特徴を抽出するために深層学習モデルを採用し、k-means法とKLダイバージェンスを用いた独自のフィルタリングにより、不要な背景ノイズを含むパッチを正確に排除する手法を構築した。実験の結果、提案手法は診断に必要な重要領域を的確に捉え、スクリーニングの精度向上を達成した。本システムは細胞検査士の負担軽減に貢献し、客観的で安定した細胞診支援基盤としての活用が期待される。

Mitotic figure classification in histopathological images is important for tumor prognosis. However, automatic atypical mitotic figure classification remains challenging due to class imbalance, heterogeneous data sources, insufficient multi-scale structural modeling, and rotational variations. We propose a robust framework based on Quad-Tree Positional Encoding (QTPE), Rotation-Consistent Regularization, and Source-Balanced Focal Loss (SBFL). QTPE models multi-scale spatial structures, Rotation-Consistent Regularization improves rotational robustness, and SBFL alleviates source imbalance. Experiments on multiple public datasets demonstrate improved external test accuracy and better generalization under the same protocol as the recent MIDOG2025 winning solution.

牛の受胎率向上には妊娠適期における人工授精や受精卵移植が不可欠である。妊娠適期を予測するツールとして牛の子宮外口画像から妊娠確率を予測する深層学習モデルの構築が進められているが、子宮外口画像から妊娠確率を予測することは農業従事者や獣医師などの専門家でも困難であり、深層学習モデルの構築においても同様に実用可能な精度を達成できていない。本研究では、事前学習済みモデルを用いて子宮外口画像の画像特徴量を取得し、得られた特徴量を次元削減し可視化することで、深層学習モデルの構築が困難である根拠を客観的に示すことを目的とする。

Detecting small cervical lesion cells remains challenging because subtle lesion features are easily weakened during feature fusion and weak lesion-sensitive responses are often suppressed under severe scale imbalance. This paper proposes a guided feature enhancement framework based on Faster R-CNN with PVTv2 and FPN. The proposed framework introduces Wavelet Transform Feature Decomposer (WTFD) and Channel-Spatial Attention Refinement Fusion (CSARF) to preserve lesion details and enhance weak lesion-sensitive responses. Experiments on the CDetector dataset demonstrate improved detection performance and enhanced small-object detectability for cervical lesion cell detection.

本研究では，連続病理切片画像を対象として，2次元画像列を3次元的に観察するための可視化方法について検討する。背景領域を除去した切片画像を積層し，組織領域を点群状または断面画像列として3次元空間上に配置することで，連続切片画像の空間的な広がりを観察可能にする。本稿では，厳密な3次元再構成や医学的診断性能評価ではなく，HMDを用いた没入型観察への展開も見据えた基本的な処理フローと表示方法を整理する。

本稿では，工場内の人物動線分析に向けた人物再同定を目的とした，人物識別特徴について検討する．カメラ映像を使用した人物同定では，外観特徴の類似度による同定が一般的であるが，工場などでは防塵服などの個人差が少ない服装であるため外観のみで個人を区別することが難しい場面がある．そこで本研究では，歩行時の動きの様子を特徴化した歩容特徴を導入し，外観特徴と歩容特徴を組み合わせた人物同定方法を検討した．

自動二輪車は自動車よりも路面の影響を受けやすく、ひび割れや穴、凹凸などの損傷は転倒や車両損傷のリスクを高める。また、ヘルメットの着用により運転者の視界が遮られ、損傷の発見や回避が遅れる場合があるため、走行中に損傷を認識し安全に回避する支援が重要である。道路点検は主に人手で行われており、損傷が修繕されず残る場合もある。本研究では、自動二輪車に搭載したカメラで前方映像を取得し、エッジデバイス上で危険箇所を検出する。さらに、これまで課題となっていた検出対象までの距離、対象の種類および大きさが検出結果とLED表示による注意喚起に与える影響について、走行実験により検討する。

交通ヒヤリハット動画の理解では，事象種別や事故形態などの複数属性推定に加え，状況説明文の自動生成が求められる．従来のCVモデルは属性ごとの個別学習を要し，実運用上の柔軟性に課題がある．本研究では，ヒヤリハット動画1000件を用い，視覚言語モデル（VLM）の有効性を分類と説明生成の両面から評価する．既存CVモデルとの比較により，単一クラス分類での改善は限定的であった一方，マルチタスク分類では全評価項目で上回った．また，ファインチューニングと深度推定・物体検出結果を用いたマルチモーダル入力により，説明生成性能が一貫して向上した．

近年，自動車製造における作業員の行動解析の需要が高まっている．作業員の行動解析を行うことにより，作業手順の遵守状況の確認や作業時間の計測の自動化が可能となる．しかし，行動解析を行うための深層学習モデルの構築には，多大な労力がかかるという問題がある．特に，データセットの作成時に，自動車製造に関する専門知識が必要なことや，映像に対してフレーム単位の教師ラベルを必要とすることが，労力増大の要因となっている．このため本研究では，自動車組立作業の行動解析において，映像中の一部のフレームのみに教師ラベルが付与されたデータセットを用いて，行動解析モデルが構築可能かを検証する．

画像ベースの模倣学習に基づくナビゲーションでは，未知環境への汎化性能を高めるために，多様なデータを用いた訓練が求められる．従来手法では，都市や天候など条件の違う環境でのデータを用いることで訓練データの多様性を確保してきた．しかし，この方法では，多様性の客観的評価が困難であり，訓練データの収集や構成がヒューリスティックにならざるを得なかった．そこで本研究では，画像から得られる特徴の分布に基づいて，訓練データの多様性を客観的に評価する指標を提案する。さらに，提案指標に基づいて訓練データを構成し，未知環境への汎化性能に与える影響を分析する。

映像中の複数物体追跡では，現在のフレームの検出結果を過去の追跡結果と対応付ける手法が一般的である．近年の手法は，複数の特徴に基づく類似度の統合方法や，偽陽性検出を抑制する仕組みを高度化することで精度を向上させてきた．しかし，これらの多くは重みづけや閾値処理等のルールベースの設計に依存しており，多数のパラメータの調整が必要となる．そこで本研究では，対応付けと偽陽性抑制を単一のタスクとして統合し，教師あり学習モデルにより一括して最適化する手法を提案する．これにより，手動でのパラメータ調整を最小限に抑えつつ，複数の情報を考慮した高精度な追跡を実現する．

本研究では、ミリ波レーダと回転系合成開口技術を用いて睡眠時の人体情報を高分解能に取得し、睡眠姿勢を非接触で判定する手法を提案する。取得した反射信号から人体形状を再構成し、特徴量抽出および姿勢分類を行った結果、複数姿勢を高精度に識別できることを確認した。

本研究では，深層学習を用いて室内空間の散乱度を客観的に数値化するシステムを提案する.提案システムは，部屋の全体画像から散乱度を評価する段階と，個別の物体の文脈を解析する段階の2段階構成からなる.第1段階では，CNNを用いて部屋の全体画像を散乱度合いを4段階に分類し，大まかな散乱度を判定する.第2段階では，物体検出モデル(YOLO)を用いて画像内の特定の物体を抽出したのち，別のCNNを用いてその物体が置かれた「場所」や「状態」といった文脈から片付けの重要度を判定する.例えば，同じ衣類であっても「床にある状態」と「ハンガーにある状態」を識別することで，単なる物体の有無にとどまらない，生活空間における意味的な「散乱度」の正確な定量化を実現する.

近年、飲食店等で移動ロボットの活用が進んでいる。移動ロボットの自律移動には正確な自己位置推定が必要不可欠である。自己位置推定手法の1つに、地図と測域センサの距離情報を照合する方式があるが、この手法は人などの動的障害物の影響により、自己位置推定が不安定になる場合がある。そこで本研究では、動的障害物の存在を考慮した頑強な自己位置推定手法を提案する。具体的には、全天球カメラと物体検出AIを用いて、動的障害物が存在する方角に対応する距離情報に、信頼性を導入する。動的障害物が存在する方角の距離情報に低い信頼性を与えることで、自己位置推定を安定化させる。

近年，農業従事者数の減少に伴う人手不足が深刻化しており，ドローンを活用した農作業の負担軽減が推進されている．特に中山間部のブドウ栽培では，傾斜地での見回り作業が従事者の大きな負担となっている．本研究では，ブドウの健康状態管理を目的としたシステムを構築している．このシステムではドローン撮影動画から画像を切り出し，画像中のブドウ葉から健康状態を識別する．本稿では，その前段となる深層学習モデルを用いた広角画像からのブドウ葉検出手法について検討した．具体的には，高解像度入力と分割推論の活用，及びコピー・ペーストデータ拡張を組み合わせた手法の有効性を検証した．

イベントカメラは各画素が独立して輝度変化を検知するセンサーで、通常使用では被写体の動きがある部分にのみ輝度変化が生じるためイベント出力率が低く、高時間分解能での出力が可能である。しかし、能動視覚実現のためカメラを動かす際、大量の輝度変化による過度な不要イベントが発生し、出力帯域不足によるイベント喪失という問題に繋がる。本研究は、生物の視覚システムの「中心から周辺視野にかけた分解能の低下」という特性を応用し、焦点距離・開口サイズの制御によって、センサー上で二次結像した像のボケ量や輝度を中心から周辺にかけて変化させ、画角中心の重要部の解像度を落とさずに周辺の不要イベントを抑制し問題解消を目指した。

Vision-Language Model（VLM）の小型化により、エッジデバイス上での映像理解が現実的になりつつあ
る。一方で、帯域や計算資源の制約下で用いられる映像圧縮が、VLMの認識精度や応答時間に与える影響
は十分に整理されていない。本研究では、Apple M1 Mac mini上で、12本の動画、3種類の軽量VLM、9種
類の圧縮・劣化条件を対象に、6,000回以上の推論を実施した。その結果、CRF 18から51の範囲では正答
率の変動は限定的である一方、対象領域のみを切り出す処理や周辺文脈の除去では失敗例が生じること
を確認した。また、解像度低下によるTime-to-First-Token（TTFT）の短縮効果はモデルの入力トークン
化設計に依存した。これらの結果から、エッジVLM運用では、全体文脈を保持した映像圧縮と、モデル特
性に応じた解像度選択が重要であることを示す。

グルーポンのおせち事件に見受けられるような見本詐欺や寿司やケーキの郵送における食品型崩れが発生した場合,食品販売企業は民法上の債務不履行に該当し,状況に応じて返金や交換を実施する必要がある.しかし,見本詐欺や食品型崩れの判断は客側の主観的なものであり,一部は悪質なクレームである可能性も残るが,裁判を起こされると時間もお金も多大にかかるため,食品販売企業側として不服だったとしても返金や交換で手を打つ場合が多い.ここで,見本詐欺や食品型崩れをコンピュータを用いて客観的に判定することができれば,返金や交換の対応を迅速かつ画一的に行えるようになり,客側にとっても食品販売企業側にとっても無駄な売買トラブルを抑制できるようになると考える.
そこで,本研究では,見本詐欺や食品型崩れをコンピュータを用いて客観的に判定することができないか,画像認識技術等を調査した結果について報告する.

本研究では，答案画像中で解答文字，採点記号，解答枠が重畳する問題に対し，各要素を分離抽出する手法を提案する．色クラスタリングにより採点記号を抽出し，残差画像に対して濃度値に基づく処理を適用して解答文字を分離する．分離後の各パターンを採点ミス発見支援システムの認識器で評価した結果，採点記号で0.98，解答文字で0.85の認識率を得た．認識率の低下は見られず，本手法の有効性を確認した．今後は文字欠損への対応が課題である．

コンピュータへの手書き入力は，直感的で自由な入力が可能であるが，筆記に時間がかかるという課題がある．本研究では，筆記途中の漢字データを活用し，書き始めの段階で文字を認識する早期認識手法を提案する．提案手法では，筆記途中の手書き漢字に対して，途中段階の文字情報と最終的に筆記される文字情報の両方を教師ラベルとして学習するソフトラベル学習を導入した．これにより，従来手法では認識が困難であった少ない筆記情報しか得られない筆記初期段階において，認識性能の改善を確認した．また，筆記の進行に応じて一貫した文字候補を出力可能であることを示した．

工業図面を複数の構成要素に分割し、畳み込みニューラルを適用する、要素ごとの類似性に基づいた類似図面検索手法がある。本研究ではこの手法を発展させ、現場ユーザのフィードバックを活用した戦略的再学習手法を提案する。提案手法ではグラフニューラルネットワークを用いて、各構成要素の図面特徴をノードとエッジの接続関係からグラフ構造として表現する。さらに、ユーザの検索結果に対するフィードバックを受け、対照損失による再学習を行う。これにより、特定の軸のみに注目した重みの調整を可能にする。本研究では、部分的特徴に沿った学習と検索を行うことで、検索精度の向上や現場のニーズに柔軟に対応するシステムの構築を目指す。

本研究では，手書き文字が有する意味，筆者の個人性や感情などの情報のうち，個人性を抽出する手法について検討する。個人性は，筆記動作(ストローク)の違いやその関係性に表れる。そこで, 従来研究では，手書き文字をサブストロークに分割し，各サブストロークをトークンとするTransformerにより，筆者識別を行った。しかし，従来の筆者識別Transformerでは，サブストローク間の距離や接続関係等の構造的関係をAttention機構に明示的に反映できない課題がある。そこで本研究では，サブストローク間の相対関係をAttention機構に導入し，明示的にストローク間の構造的関係を捉える手法を提案する。

セマンティックセグメンテーションでは，対象領域の内部と境界付近で分類の難易度が異なり，境界付近の誤分類が精度に大きく影響する．Adaptive t-vMF Dice Lossは，クラス毎に定義したκにより類似度分布の鋭さを制御する一方，学習中に検証用データに基づく調整を要する．本研究では，境界領域と非境界領域で異なるκを用いる境界適応型損失関数を検討する．提案手法はクラス毎にκを設計するのではなく，境界/非境界に対応した2値のκのみを用いるため，より簡単な制御が可能である．実験では，提案手法が従来法と同等の性能を示し，多クラス設定においても境界/非境界に基づく制御が有効に働く可能性を確認した．

医用画像セグメンテーションでは，クラス不均衡や曖昧な境界により，高精度な検出が困難となる．Tversky LossはFP/FNの重み制御により精度向上は可能であるが，各データセットに応じた調整が必要となる．本研究では，Dice係数に基づき境界スケールおよび重みを動的に調整するマルチスケール境界適応型Tversky Lossを提案する．粗から細への適応的境界学習により，学習安定性と境界精度を向上させ，重みの手動調整を不要化した．評価実験では，従来法より高い精度を達成した．さらに，本手法は既存のDice系損失関数へ拡張可能であり，汎用的な損失関数として有効であることを示した．

モデルを未知のドメインに一般化させるドメイン汎化は,実世界への応用において重要なタスクである.近年,各ドメインの勾配同士のコサイン類似度を用いた最適パラメータ探索法が提案された.しかし,従来のコサイン類似度に基づく手法は,勾配の相対的な角度のみに依存しており,勾配の絶対的な大きさというパラメータ最適化に重要な情報を無視している.本研究では,この課題を解決するため,勾配の絶対的な大きさを考慮することができるSingular Value Decomposition（SVD）を用いた最適パラメータ探索法を提案する.提案手法の有効性を複数のデータセットで確認した.

近年,深層学習を用いた広域な地形図の自動セグメンテーションが注目されている.一方,ドメインシフトによる精度低下が課題として残り続けている.そこで本研究では,ソースデータに依存せず推論時にモデルを即時適応させる技術であるTTA(Test-time-adaptation）を,ResNetをバックボーンとするセグメンテーションモデルに適用する.特定の都市環境で事前学習したモデルに対し,検証用として未学習地域の実地形高解像度ラスタデータを入力し,テスト時のエントロピー最小化による適応効果を検証する.これにより未知の地理ドメインにおけるインフラや植生の識別精度向上を試みる.

近年，拡散モデルの潜在空間構造をリーマン幾何学の観点から解析する研究が注目されている．特に，入力潜在変数から内部特徴表現への写像に対するヤコビ行列は，潜在空間における局所的な変化構造を記述する重要な情報を持つ．
本研究では，ヤコビ行列の特異値分解を用いて潜在空間の特異方向を解析する．
各特異方向がどのような概念特徴に対応するかを調査するため，概念プロンプトから得られる特徴量とヤコビ行列の左特異ベクトルとの内積を計算し，方向ごとの概念応答を評価した．
実験では，一部の特異方向が特定の概念特徴に強く応答する傾向を確認し，拡散モデル内部表現における局所構造と概念表現の関係について基礎的な知見を得た．

視覚基盤モデル（VFMs）は大規模学習により多様なタスクに有用な特徴量を提供する一方，出力解像度が低く，密な予測への適用には特徴量の高解像度化が必要となる．近年は Cross-Attention に基づく学習型アップサンプリングが発展してきたが，VFMに依存したKey構成や多段階学習などの追加設計により構造が複雑化している．本研究では，これらの設計を再検討し，画像の局所対応を利用した Cross-Attention 型補間に着目した最小構成の CrossLerp を提案する．CrossLerp は最先端手法に匹敵する精度を維持しつつ，推論時間約60%，メモリ約47%，パラメータ数約89%を削減した．

サーバにおける顔画像からの顔表情認識には，個人識別情報の漏洩リスクがある．そのため，クライアント側で特徴抽出を行い，中間特徴量のみをサーバへ送信する方法が提案されているが，単純な中間特徴量には個人識別情報が残留する可能性がある．本研究では，敵対的学習と動的特徴マスキングを組み合わせ，表情分類精度を維持しつつ個人識別情報を抑制する手法を提案する．実験では，テストデータの一部が被験者IDとともに攻撃者に取得された状況を想定した再識別攻撃を評価した．その結果，敵対的学習のみでは攻撃精度が80%以上となる一方，提案手法では表情分類精度の低下を抑制しつつ攻撃精度を約10%まで低減できることを確認した．

事前学習済み深層学習モデルの特徴表現に基づく異常検知技術は，実用性と精度の両面に優れており，外観検査効率化に向けた有力なアプローチとして期待されている．しかしながら，多くの異常検知技術は画素単位での正常異常判定が可能である一方で，異常種類に関する情報を提示することはできない．そこで我々は，正常画像と少量の異常画像が事前に得られているという前提のもとで異常検知技術を拡張することにより，マルチクラス異常セグメンテーションの実現を目指す．本論文では，基礎検討として実施したDS-MVTecデータセットにおける異常種類ごと画素単位分類精度の評価結果および今後の展望について報告する．

新商品の需要予測は商品開発や在庫管理において重要であるが，発売前には購買履歴が存在しないため予測は困難である．近年，画像やテキストなどのマルチモーダル情報を用いた需要予測手法が提案されているものの，眼鏡商品を対象とした研究は行われていない．本研究では，日本の眼鏡小売を対象に，発売前に利用可能な表形式データ，商品説明の埋め込み表現，商品画像から抽出した視覚特徴，およびローカルLLMによる追加特徴量を統合し，新商品の需要予測を行う．勾配ブースティング決定木および深層学習を用いてマルチモーダル情報を統合した需要予測モデルを構築し，実データを用いた実験により提案手法の有効性を確認する．

製造業の外観検査におけるエッジAI化に向け、画像異常検知手法MRMGの精度改善を目的とした事前処理の導入を検討した。MRMGは特徴抽出とデータ削減を組み合わせた手法であり、高速かつ高精度な検知が可能である。しかし、一部カテゴリでは背景ノイズや位置ばらつきにより精度が低下する問題があった。本研究では、対象領域の抽出および背景除去を行う事前処理を導入し、製品領域に特化した特徴空間を構築することでこの課題に対処した。評価実験の結果、事前処理の導入によって異常検知精度（AUC）が向上することを確認し、提案手法の有効性を明らかにした。

近年、勢力の強い台風による被害リスクが高まる中、台風へ発達し得る熱帯低気圧の発生日時と発生位置を高精度に予測することは早期の防災情報の提供に資する。しかし、既存手法では24時間先以降の予測精度が大きく低下するという課題がある。そこで本研究では、気象基盤モデルによって予測された将来の環境場を用いて、熱帯低気圧の発生位置を推定することでこの課題を解決する手法を提案する。発生位置の推定には既存手法と同様にUNetを使用し、極端な不均衡データに対応するためBalanced Continuous Focal LossとJS divergenceを組み合わせた損失関数を用いる。実験の結果、既存手法で精度低下が顕著である24～48時間先においても、安定した予測が可能であることを示した。

セマンティックセグメンテーションでは，画像中の各画素を分類するために，物体やシーン構造を捉える抽象度の高い意味情報と，境界やエッジなどを捉える局所情報を扱うことが重要である.従来研究では，これら2つの情報を扱うために，階層型エンコーダから得られる多重解像度特徴をデコーダで統合する手法が提案されてきた.しかし，意味情報と局所情報の有効性は画像中の位置や領域によって異なるため，単に多重解像度特徴を統合するだけでは，位置に応じて必要な特徴を選択的に利用する設計として十分ではない.本研究では，位置ごとに多重解像度特徴を選択的に統合するAttentionモジュールを提案する.

本研究では，日常的に撮影された写真から状態自尊心を推定する手法について検討する。状態自尊心とは，一時的な気分や周囲の状況によって変化する自尊心のことである。研究の手法は，被験者に対し，好みの服装かそうでない服装、アルバイトなどの予定の有無、課題の有無などを根拠とし、気分が良い時と悪い時に，日常生活の状況を含めた写真を複数枚撮影してもらう。取得した画像に対して，色の分布やピクセル数などの特徴量を抽出し，ヒストグラムを用いて比較・分析を行う。これにより，写真に表れる視覚的特徴と状態自尊心との関連性を明らかにし，心理状態推定への応用可能性について検討する。