| 発表日時 | 4/30 (金) 10:15-11:45 |
| タイトル | 卒業研究発表及び修士研究テーマについて |
| 発表者 | 安藤 秀一（M1） |
| 発表概要 | また, 先行研究で見られた太陽フィラメントが分割されて検出されるという問題の改善を目指した。 これらの実験及び結果について述べる。 また, 簡単ではあるが修士研究テーマについての概説及び現在までの進捗を報告する |
| 発表日時 | 4/30 (金) 10:15-11:45 |
| タイトル | 卒業研究発表と今後の研究内容 |
| 発表者 | 杉原 侑剛（M1） |
| 発表概要 | 宇宙空間内による衛星画像の劣化を調べるにあたって、ブラインドデコンボリューションは使えるのかを調査した。 画像に自分の手でぼかしを加え、どれだけの劣化が起こったか推定し、比較することで評価した結果と考察について述べる。 |
| 発表日時 | 5/14 (金) 10:15-11:45 |
| タイトル | 卒業研究発表と修士研究テーマについて |
| 発表者 | 竹部 良（M1） |
| 発表概要 | 卒業研究では初めに画像処理を用いて太陽画像から黒点、コロナホールの検出を行い、これらの検出結果を組み合わせて磁場画像で黒点・コロナホール・他領域への領域分割を行った。 加えて、Faster R-CNNを用いてコロナホールの検出モデルに挑戦した。 これらの手法と結果を述べる。 また修士研究テーマと現在までの進捗について報告する。 |
| 発表日時 | 5/14 (金) 10:15-11:45 |
| タイトル | 卒業研究発表および修士研究テーマについて |
| 発表者 | 田所 拓馬（M1） |
| 発表概要 | 卒業研究として、混合ゲノム分割問題の解決と評価を行なった。 今回はその研究結果を発表する。 また、修士で行う研究テーマについても簡単に発表する。 |
| 発表日時 | 5/21 (金) 10:15-11:45 |
| タイトル | 卒業研究発表と修士研究テーマの紹介 |
| 発表者 | 津田 和輝（M1） |
| 発表概要 | 卒業研究では、教師なし学習を用いて銀河画像を楕円銀河と渦巻銀河に分類する手法を開発した。 修士研究では、深層学習を用いて銀河のzを推定する手法の開発を行う。 |
| 発表日時 | 5/21 (金) 10:15-11:45 |
| タイトル | 修士研究テーマの紹介 |
| 発表者 | 前澤 健一（M1） |
| 発表概要 | 修士研究で行う深層学習を用いた人の高解像度表皮画像からの肌パラメータ診断手法の開発 |
| 発表日時 | 5/28 (金) 10:15-11:45 |
| タイトル | 卒研発表と修士研究テーマの紹介 |
| 発表者 | 渡邊 健斗（M1） |
| 発表概要 | 卒業研究では、太陽輝点の機械学習による自動検出手法の比較検討を行った。 修士の研究テーマとしては、GANを用いた黒点スケッチからの磁場データの復元を行う。 |
| 発表日時 | 6/4 (金) 10:15-11:45 |
| タイトル | 卒業研究のテーマ紹介と進捗 |
| 発表者 | 佐々木 明良（B4） |
| 発表概要 | 卒業研究では、空間相似性を持つ物体検出に適したRPNの考案を行う。 今後、実装及び改良していく、RPNを用いるFaster-RCNNの損失関数について考察したので、それについて報告する。 |
| 発表日時 | 6/4 (金) 10:15-11:45 |
| タイトル | 卒業研究テーマの紹介 |
| 発表者 | 佐藤 智哉（B4） |
| 発表概要 | 卒業研究では、圃場画像からのSPAD値測定手法の開発を行う。 これに関して、現在の進捗と今後の予定を紹介する。 |
| 発表日時 | 6/11 (金) 10:15-11:45 |
| タイトル | 卒業研究テーマの紹介と論文紹介 |
| 発表者 | 本多 飛翔（B4） |
| 発表概要 | 卒業研究では、黒点の出現予測モデル構築を行う。 これに関する論文を読んでまとめたので紹介する。 |
| 発表日時 | 6/11 (金) 10:15-11:45 |
| タイトル | 卒業研究テーマと進捗 |
| 発表者 | 長谷川 幸大（B4） |
| 発表概要 | 卒業研究では太陽対流構造追跡の高速化をめざします。 その前段階の太陽対流構造の検出について論文を読み、その手法についての説明と実際に検出できるかを試しました |
| 発表日時 | 6/18 (金) 10:15-11:45 |
| タイトル | 卒業研究テーマ紹介と進捗報告 |
| 発表者 | 町田 瑞樹（B4） |
| 発表概要 | 卒業研究では、教師なし学習による銀河形状分類を行います。 先行研究の論文紹介と進捗報告を行います。 |
| 発表日時 | 6/18 (金) 10:15-11:45 |
| タイトル | 卒業研究テーマと進捗発表 |
| 発表者 | 村田 実広（B4） |
| 発表概要 | 卒業研究テーマは「CNNを用いた太陽フレア予測モデル構築」であり、現在までの進捗の概要を説明する。 また、今後の計画について少し触れる。 |
| 発表日時 | 6/25 (金) 10:15-11:45 |
| タイトル | 卒業研究テーマの紹介・進捗と論文紹介 |
| 発表者 | 横山 光輝（B4） |
| 発表概要 | 卒業研究では、黒点成長の画像予測手法の開発を行う。 また, 「黒点における磁気タイプの自動識別モデル」に関する論文を紹介する。 |
| 発表日時 | 7/2 (金) 10:15-11:45 |
| タイトル | 修士研究テーマの紹介 |
| 発表者 | 大沼 伊織（M2） |
| 発表概要 | 「深層学習を用いた太陽活動領域の成長予測モデル構築」進捗と展望 |
| 発表日時 | 7/2 (金) 10:15-11:45 |
| タイトル | Mask R-CNNを用いた太陽フレアの予測 |
| 発表者 | 小松 耀人（M2） |
| 発表概要 | 深層学習の手法の一つであるMask R-CNNを用いた活動領域検出モデルにおける領域検出とフレア予測に関する研究に関して報告する． (M1)正確に宇宙天気予報を行うことは航空機運用や大気圏外で活動する装置や人員の安全を守る上で非常に重要である． 近年，機械学習を応用した太陽フレア予測研究により，その予測精度は大きく進展している． これまでの太陽フレア予測の手法は，まず太陽全球データから活動領域を切り出し，切り出された画像データや特徴量を用いた予測を行うものがほとんどであった． そこでの活動領域の切り出し手法の多くはしきい値を決めたルールベースのものであり，領域検出の手法を用いた例はなかった． そこで，深層学習を用いた領域検出の手法であるMask R-CNNを使用した活動領域モデルを開発し，検出の有効性を示した． (M2)上記に加え，フレア予測に関してのラベルも加えた実験も行い，パラメータや背景画像による学習・検出への影響も調べたので，それらの報告を行うとともに今後の実験の展望について示す． |
| 発表日時 | 7/9 (金) 10:15-11:45 |
| タイトル | 空間解像度差のあるデータセットを用いた深層学習による銀河形状分類精度 |
| 発表者 | 本間 裕也（M2） |
| 発表概要 | 近年、深層学習を用いた銀河形状分類は盛んに行われている。 分類モデル学習の際、入力データと学習データ間で空間解像度を揃えるのが通例である。 一方で、異なる空間解像度を持つデータを用いた際の分類精度への影響については、あまり研究が行われてきていない。 したがって、本研究にて調査を行った。 本発表では今まで行った実験の報告、および今後の展望について紹介する。 |
| 発表日時 | 7/16 (金) 10:15-11:45 |
| タイトル | 進捗報告及び論文紹介 |
| 発表者 | 安藤 秀一（M1） |
| 発表概要 | 修論テーマである「機械学習を利用した反射スペクトルからのにんにく病理判断」に関する研究の進捗について報告する。 現在までの進捗として, 作物撮影画像とスペクトル画像の性質, スペクトル画像の較正方法について述べる。 また, 入力値の種類の削減アルゴリズムの参考として読んだパラメータ削減の論文について紹介する。 |
| 発表日時 | 7/30 (金) 10:15-11:45 |
| タイトル | 進捗報告 |
| 発表者 | 竹部 良（M1） |
| 発表概要 | 修論テーマである「深層学習を用いた太陽磁場画像でのコロナホール検出」の進捗について報告する。 進捗として、Faster R-CNNのパラメータの変更や学習データの改善とその結果について述べる。 |
| 発表日時 | 7/30 (金) 10:15-11:45 |
| タイトル | 進捗報告 |
| 発表者 | 田所 拓馬（M1） |
| 発表概要 | 修論テーマである「オートエンコーダを用いた太陽フレアの予測手法の開発」の現在までの進捗と今後の方針を述べる. |
| 発表日時 | 8/6 (金) 10:15-11:45 |
| タイトル | Bird segmentation and monitoring in videos at the nest box |
| 発表者 | Jargalmaa Batmunkh |
| 発表概要 | This research is about great tit behaviour analysis around its nest box based on the video recording database which has been collected at over 10 nest entrances throughout several years. Image segmentation and other image processing, deep learning techniques were used to segment the bird and to determine specific behavioral parameters such as (1) the time amount the bird spent inside the nest box, (2) the prey type and size in the bird’s beak etc. Statistical evaluations based on consultation with ethologists served to find the relevant questions and tools for the behavioral characterization of great tits in general. |