先端技術とメディア表現(FTMA2020) 第５回全レポート

Transcript

1. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 神経系疾患 罹患す 可能性 あ 患者 活動 モニ タ ン す 広範 ム設計 あ UbiSpoon ーン Arduino ー 静電容量式 ン 取 付け， タ チ 検出す け く，異 タ チ チ 区別す う し ， ン 加速 度計 ー 取 付け動 関す ータ 収集し い ． 神経系疾患 症状・既往歴 あ 人 含 300名 ー タ 収集し，日常生活 行わ タ 模倣し ータ ターン 差異 検出し ． 筋電図(EMG)や脳波(EFG) ン ン ン 分野 普及し い ， 特別 外部装置 必要 あ ，そ 多く 効果 手 届 い ． 将来的 ， 効果的 ータ 構築す ，患者 多く ータ 収集す 必要 あ ， そ 上 有効 学習モ 開発し，病気 検出す 研究 いく． Hester T et al. Using wearable sensors to measure motor abilities following stroke. Wearable and Implanがable Bodけ Sensor Neがworks. (BSN’06) UbiSpoon: Pervasive Monitoring of Nervous System Diseases through Daily Life (CHI’14) Yineng Chen, Feng Tian, Xinda Zeng, Yue He, Chaoci Jiang, Xiaolong (Luke) Zhang, Yicheng Zhu, Hongan Wang
2. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 知覚 意識し 運動 ー す ン 運動制御 ームワー 提案 前庭モ 状態 ー 経路 追加す ， 知覚運動制御 実現 せ ． 運動制御 前葉モ 結合す ，党速度 回転 す ，乗 物酔い 引 起 ー 確認し ． 既存 ーチ 多く ，知覚 無関係 運動 生 成し ， ー し し い ，生成 運動 種類 ，人間 行う運動 比べ 非常 少 ． 予備的 研究 ， 人間特有 生理的構造 引 起 錯覚 対し ， 人間 しい動 作 ー す う す 必要 あ ． Adriano Macchietto et al. Momentum Control for Balance. SIGGRAPH’80) Motion Sickness Simulation Based on Sensorimotor Control Chen-Hui Hu, Ping Chen, Yan-Ting Liu, Wen-Chieh Lin
3. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ YouTube 動画 触覚 ー ンし，触覚 装着し 動画 見 触覚 体験す Web ー ームワー 提案 独自 含 タ 作成し ，触覚 ー 実装 い 確認 触覚モー VR 用い 医療や ーム い 適用 ． 研究 動画共有 ー し 触覚 ン ン 作成し，既存 ン ン動画 追 加し，触覚 装着し 触覚動画 消費す ー 開発し 他 動画配信事業者 応用 考え ， 共同 ー ン ン 追加す 考え ． Paul Strohmeier et al. zPatch: Hybrid Resistive/ Capacitive eTextile Inpきが. (TEI’18) Adding Haptic Feature to YouTube (MM’10) Md. Abdur Rahman, Abdulmajeed Alkhaldi, Jongeun Cha, and Abdulmotaleb El Saddik 触覚情報 タ ム タン 長方形 配列 し XML形式 格納し， 内蔵し 触 覚 起動す ．
4. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 小型，軽量 ー ー拘束性 低く，一般家庭やモ 環境 使用可能 触覚提示装置 開発 近年，聴覚障碍者向け 福祉機器や ン等 普及 し い 骨伝導 用い 骨 介し 振動 触覚刺激 し 進退 伝搬 せ 技術 使用． 被験者 対し 各部位 振動提示 湯無 音楽体 験 変化 ン ー 取 検証し ． 既存研究 型や椅子型 全身触覚提示装置 体全体 振動子 数多く配置す 必要 あ ，装置 高重量，大型化しやす ． 音楽 音楽体験 向上 生 ， 音楽 持 周波数分布， ン ，楽器 種類 あ 調査し うえ う一度，体験工場 目指せ 音 楽 条件 検討す 必要 あ ． Lemmens, P. et al. A Body-conforming Tactile Jacket to Enrich Movie Viewing. (IEEE’09) A tactile actuation blanket to intensify movie experiences with personalised tactile effects. Ryuta Okazaki, Rei Sakuragi, Vibol Yem, Hiroyuki Kajimoto
5. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ ンタ ーム し い ， ー ー 身体 立地 高解像度 触覚 ー ン ン す あー く茶 提案． 安価 振動 チ ータ 低解像度 使用し ，人間 皮膚上 高解像度 連続的 動く触覚 ー 生成す 新しい触覚技術． ンタ ーム 統合し， ーム 内容 見 聞い す け く，感 確認し ． 既存 研究 ， 触覚装置 ，大域的 振動 複数 場所 離散的 信号 い 提供す け ． 背 い い ー 受け い いう課題 あ ． Israr, A et al. Exploring Surround Haptics Displays. (CHI’10) Surround Haptics: Tactile Feedback for Immersive Gaming Experiences (CHI’12) Ali Israr1, Seung-Chan Kim, Ivan Poupyrev
6. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 収集す ータ量 多 や 差別化 い 懸念 基 く認識 変え ， 個人的 経験 共有す ー し 描く 試 い ． ンタ ー ，参加者 意味 あ 経験 選択す 際 意思決定 影響 及 す可能性 あ 明示的 意 味 暗黙的 意味 2 視点 分割し ． 個人 再体験 ム 設計 際 考慮すべ ， う 体験 ー ー 意味 あ ，50日間 調査 行 ． 既存 研究 活用 モ や タ ー ー 行 方法 差 別化 い い． 体験共有 文脈 再設計 目指し ． 今回 暗黙的 意味 検出す 困難 ， 意味 検出す 適切 ータ ー や環境 ン 研究す 必要 あ ． Sas, C. et al. AffectCam: arousal-augmented sensecam for richer recall of episodic memories. (CHI’13) Challenges for Wearable Camera: Understanding of the meaning behind photo-taking (CHI’15) Ahreum Lee
7. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 社会的受容性 関す 懸念 そ 対す ーン ー 解決策 未評価部分 い 両方 埋 実地評価 通知 欠如 傍観者側 状況認識 欠如 ， 社会的受容性 脅 す し ， 画像 表示す う し ， そ 視野 関す 情報 傍観 者 告知し ． 社会的 需要性 解決策 し ーン ー ータ 指標 提案 い ，実際 評価 い ． 本研究 実地評価し い ． 今後 研究 研究 関連し 行動 潜在的 影響 考慮し ，参加者 事故報告 文脈化すべ あ ． Jan Gugenheimer et al. FaceDisplay: Towards Asymmetric MultiUser Interaction for Nomadic Virtual Realiがけ. (CHI’18) Evaluating a Wearable Camera’s Social Acceptability In-the-Wild (CHI’19) Marion Koelle, Torben Wallbaum, Wilko Heuten, Susanne Boll 表示 画像 ン戦略 妥当性 検 証す 実地評価 行 ，現場 社会的受容 性 評価す 方法論的 意味合い い 議論
8. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ ー ー 環境内 ン ー 変化 応 自動的 写真 撮影す ー し 新 しい民俗誌的 ン 研究 ーチ 提示 Autographer 用い 得 画像 関連す タ ー タ 分析す 一連 ームワー 考案． 質的・量的 ータ 分析 容易 す 最初 試 あ ． 学生 2週間Autographer 付け い，行動やワー ー 計4000枚以上 画像 集 ，学生 行動や人や 物 相互作用 導 出し ． 初 ， ー 調査 目的 利用す 提案し，活動，環境，人工物や 人々 創 作用 記録す 機会 設け ． 参加者 自己記録 用い ーチ ，実験室 く実生活環境 モ 活動 想定し い ，前 者 場合 有用性 担保 い問題点 あ ． Fouse, A. et al. ChronoViz: a system for supporting navigation of time-coded daがa. (CHI EA’11) Ethnographic Design Research With Wearable Cameras (CHI’15) Katja Thoring, Roland M. Mueller, Petra Badke-Schaub
9. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 写真そ 物 分析し，何 写真 ー す ，参加者 自分 画像 い 何 言 い ， 新しい ン キ ー い 理解 深 目的 し 研究． 参加者 画像 (1)視覚的 内容(2) ー ー 共有 す し い 理由， 2 次元 沿 ー 化し， 明確 定義す ，相違点 議論し 洗い出 し ． 36人 参加者 1週間装着し い，そ 後， ーや共有 好 特定す 画像 確認 し い，写真 分析し 評価し ． 既存 研究 い ，傍観者 ー 懸念 焦点 当 い ， ー 自身 視点 十分 研究 い ． 本研究 ー ー 保護 ， 主要 目標 あ ，共有すべ 写真 ー ー 見 け 助け い い いう問題点 あ ． Allen, A et al. Dredging up the past: Lifelogging, memory, and surveillance. (2008) Sensitive Lifelogs: A Privacy Analysis of Photos from Wearable Cameras (CHI’15) Roberto Hoyle, Robert Templeman, Denise Anthony, David Crandall, Apu Kapadia
10. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 視認性，対面 遠隔 体験，抽出 資格 情報 考慮 入 ，視覚障碍者 視覚障碍者 通行 人 両方 視点 緊張感 探 ． ー 上 動作す タ 開発 し，視覚障碍者 周囲 歩行者 視覚情報 う し い ． 206人 ン ン調査 ，視覚障碍者40名，盲人10 名 対し 対面体験調査 2 実施し，緊張 感 いく 要因 示唆し ． 視覚障碍者 支援 焦点 当 先行研究 く あ ， 歩行者検知 いう単一 ー ー 焦点 当 い ． 視覚障碍者 支援技術 必要 し い ，視覚障害 持 歩行者 支援用 検出 く い し い いう矛盾し 特徴 あ ，そ 問題 う向 合う 考え 余地 あ ． Shurug Al-Khalifa and Muna Al-Razgan. Ebsar: Indoor guidance for the visually impaired. (2016) Pedestrian Detection with Wearable Cameras for the Blind: A Two-way Perspective (CHI’20) Kyungjun Lee, Daisuke Sato, Saki Asakawa, Hernisa Kacorri, Chieko Asakawa
11. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 用い ー ー 活動 ターン 検出す う 場面 生 ータ 共有せ 人々 自分 ータ 解釈し 自己反省し，反省 調査 提出す 可能 す ー ン (1) 収集し 画像 ー ー 振 返 (2)す べ 個人情報 ー 保存す ，(3)研究 必要 ータ 研究チーム ー ー 同期す い 仕様 モ 開発． ー ー タ Autographer 渡し 一定期間 ータ 取 い， 稼働確認 ー 保護 い 検証し ． 既存 参加者 ータ 取 う う 研究 ，必然的 個人 い 収集し 個 人 ータ 研究者 ，調査対象 行動 変え 可能性 あ ． 画像 使 自己反映 新しい ーチ 学ぶ ， HCI ニ 貢献 可能性 あ ． Yミrミがen, O. et al. Predictors of life satisfaction based on dailけ acがiviがies from mobile sensor daがa. (CHI’14) Datawear: Self-reflection on the Go or How to Ethically Use Wearable Cameras for Research (CHI’15) Anya Skatova, Victoria E Shipp, Lee Spacagna, Benjamin Bedwell
12. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 光学式 ン ー ン 補助装置 ，目 不自由 ー ー 広い空間 横断 す 際 ， 目印 し音声 ー 使用し 誘導す 支援 ー ン 音声 ー 種類 し 合成音声 用い 超音波 用い 2種類 採用し い ． 8人 全盲 ー ー 対象 し ー ー研究 行い，2 種類 音声 ー 使い勝手 有効性 評価し ． 目 見え い人 ， 照準 自分 合わせ 難しい いう ，既存 近く あ 遠く 無い物体し 正確 識別 い いう問題 あ 克服し ． 合成音声 超音波 一長一短．合成音声 使用し 傾 伝え，超音波 目印 距離 伝え ーチ 検討す 必要 あ ． H. Ye. et al. Current and future mobile and wearable device きse bけ people wiがh visきal impairmenがs. (CHI’14) Headlock: a Wearable Navigation Aid that Helps Blind Cane Users Traverse Large Open Spaces (ASSET’14) Alexander Fiannaca, Ilias Apostolopoulous, Eelke Folmer
13. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 顔認識 ム 備え ー 杖 目 不自 由 人 人 顔 認識す 助け Smart Cane 研究 取 付け 送 ，画 像 特徴 抽出し，Adaboost 用い 顔 検出す ． 杖 Bluetoothモ ー 搭載し， 人物 情報 受信し，各人物固有 振動 ターン 知 せ ． 事前 10人 振動 ターン 学習 せ 実験 行い，目 覆 被験者 対し ，目 前 い 人 認識し ム 精度 評価し ． 工業技術 杖 応用し 視覚障碍者 支援し う す 研究 いく 行わ ， RFIDタ 単純 ー ン あ ，顔認識 焦点 当 無 ． 振動モーター 用い 振動 ターン ，限 人し 表現 い いう問題 あ ． D. J. C. Matthies. NeuroPad: Use Cases For A Mobile Phけsiological Inがerface. (NordCHI’12) Smart Cane: Face Recognition System for Blind (HAI’14) Yongsik Jin, Jonghong Kim, Bumhwi Kim, Rammohan Mallipeddi, Minho Lee*
14. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 運動障害 持 人 ン 使 比較的 ン ー ンタ ン 探求． ン 対す 代替入力モー し 3種類 タ チ 配置し 手 伸 す 困難 ー ー 対す 有効性 探 ． 2 ー ー研究 行い，評価 行 ．(1)6人 対象 Google Glass 評価．(2)12人 対 象 ン 操作 代替入力 ニ ム 評価． 運動障害 持 ー モ ン ー ン 改善す いう領域 触 ． 今後 研究 ， モ ン キ ー ン ー ー 反応 評価し， 重度 運動障害 持 ー ー 含 必要 あ ． Anthony, L. et al. Analyzing user-generated YouTube videos to understand touchscreen use by people with moがor impairmenがs. (CHI’13) Personalized, Wearable Control of a Head-mounted Display for Users with Upper Body Motor Impairments （CHI‘15) Meethu Malu, Leah Findlater
15. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ タン 形 し ンタ 要素 や ー 統合す ， 新しい ンタ ン空間 提示し い ． 各 タン ，押圧， ， ， ー ー 様々 ン ン 技術 利用し 適用す ． 方向指示 し 機能す タンや，電話 受け 小 ー ー し 機能す タン タ 作成し，動作 検証し ． 先行研究 静電容量タ チや ンチ チ ー 用い い ，タ チ入力 限 い ． タンそ や ー 機能 異 タ ンタ ン ー せ ． 完全 機能す ンタ 設計し， タ 製作し， ー ー研究 行い評価 行う 必要 あ ． Karrer, T. et al. Pinstripe: Eyes-free continuous input on inがeracがive cloがhing. (CHI’11) Rissanen, M. et al. Subtle, Natural and Socially Acceptable Interaction Techniques for Ringterfaces: Finger-Ring Shaped User Interfaces. Suit Up!: Enabling Eyes-Free Interactions on Jacket Buttons (CHI’14) Kashyap Todi, Kris Luyten
16. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ 議論 あ ？ 指 布 転 す 利用し ，目 使わ 値入力 可能 ー ・ ンター ー 要素 Prinstripe 提案 LIlyPad ン し 採用し，布 縫い付け 平 行 導電線 ー 物理的 構成 い ． 既存 ム タ チ 作動す タン う あ ，離散的 入力し い．本研究 ，布 具合 連続的 値 入力 ． ン ー等 衣服 縫い付け 作業 手間 ， ン ー 性能 制限す 不確 生 いう問題 あ ． K. Kim. et al. Wearable-object-based interaction for a mobile aきdio device. (CHI’10) Pinstripe: Eyes-free Continuous Input on Interactive Clothing (CHI’11) Thorsten Karrer, Moritz Wittenhagen, Leonhard Lichtschlag, Florian Heller, Jan Borchers うや 有効 検証し ？ 2 ー ー研究 行い， ー ー 衣服 ン 要素 理想的 配置 方向，そし 新 しい キ タ 入力技術 受容性 使いやす 評 価し ．
17. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 交換可能 機能モ ー 配置・構成す ， ー ー 独自 ー ー ン 実現 モ ー ーチ あ Body Hub 提案 ン キ 無く ， ー ー定義 ム機能 簡単 作成 ー ン用 ン ニ ン 開発． ー ー 対し モ ー 装着し 状態 ン ニ ン 機能 定義し い， ンタ ン 精度 確認し ． 既存 LilyPad ン や裁縫 能力 必 要 あ ， 再配置 困難 あ 克服． BodyHub自体 大 く衣服 し 可用性 問題 あ ，モ ー 小型化 必要 あ ． Nils Grimmelsmann. et al. Adhesion of 3D printed material on textile substrates. BodyHub: A Reconfigurable Wearable System for Clothing (UIST’19) Andreas Peetz, Konstantin Klamka, Raimund Dachselt
18. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 表面 チ ー 変形 チ ー 両方 タ ム 検知す 可能 変形可能 遷移 ン SmartSleeve 提案 学習 ー ム ー 使用 し ， 複雑 2.5D 変形 チ ー 両方 感知 す ， ンタ ン 可能 し ． チ ー検出 ム 評価す 2 実証実験 実施．1 目 学習 ー ム 評価し，2 目 ー ー チ 評価 焦点 当 ． 先行研究 ，平面的 タ チ チ ー ン 統合す 焦点 当 ， キ タ 柔軟性，変形性 十分 活用 い ． ーソ し い 腕 部分 緩 生 ，そ 精度 欠如 可能性 あ いう問題 あ ． Christian Holz. et al. Implanted user interfaces. (CHI’12) SmartSleeve: Real-time Sensing of Surface and Deformation Gestures on Flexible, Interactive Textiles, using a Hybrid Gesture Detection Pipeline (UIST’17) Patrick Parzer, Adwait Sharma, Anita Vogl, Jurgen Steimle, Alex Olwal, Michael Haller
19. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 周囲 無効化す ― 設計． 超音波 ― し 装着す し 開発．話し い 身振 手振 ン 死角 す 可能． 一連 実験 ， 直接向け い い ン 精度 検証し ． 現行 ― ー ー ― 向け 必要 あ ．本研究 ， ン ・ 複数 方向 ン 行う ． ，補聴器 妨害範囲内 あ 正当 妨 害し し う可能性 あ 回避策 検討す 必要 あ ． Dominique Machuletz.. Et al. Webcam Covering As Planned Behavior. (CHI’18) Wearable Microphone Jamming (CHI’20) Yuxin Chen, Huiying Li, Shan-Yuan Teng, Steven Nagels, Zhijing Li, Pedro Lopes, Ben Y. Zhao, Haitao Zheng
20. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 表面や壁，物理的 物体 拡張し，そ 直感的 ン チ ー 用い タ 情報 閲覧・対 話す ンター ー 変え ・ チ ー・ ンター ー 提案． 帽子 取 付け 小型 ター 使用し ， う ン ン 連結す 視覚情報 補強し い ． タ ム 開発し， チ 製 ー ー 視覚的 キン 要素 し 使用し ．多要素 同様 ム 評価 行 ． 先行研究 ン ン ニ ム ー ー 指 物 理的 画面 間 タ チ ー 層 作用 依存し ，し タ チ 依存し い ー ン チ ー 認識し 読 込 ． ー ー ー 装着し く チ ー 認識 う ， 高度 ン ータ ン ー 技術 研究す 必要 あ ． Dietz, P. et al. DiamondTouch: a multiuser touch がechnologけ. (UIST’01) WUW - Wear Ur World - A Wearable Gestural Interface (CHI’09) Pranav Mistry, Pattie Maes, Liyan Chang
21. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ ソー 使 遊ぶ ーム 設 計・開発 生 強力 ン 紹介し い ． チ ーム 様 特別 協力的 チ ー 組 合わせ ー 力 一緒 解除し 相互依存 ン 共有 通 仲間意識 構築す ム設計 62人 対象 し 正式 実施す ， ソー け HCI/UI設計 有効性 検証． 研究 盛 ，ソー 相互作用 ー し ，同 場所 い 人 間 ー ン 強く ー い い． ン ーム以外 ン空間 開 拓 可能性 秘 い 研究 重 必 要 あ ． A. Cosco. The social age of wearable tech: From Qきanがified Self がo emoがional second skin,” Wareable. Interdependent Wearables (for Play): A Strong Concept for Design (CHI’17) Katherine Isbister, Kaho Abe, Michael Karlesky
22. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ ン モー 環境 ータや生理 ータ 可視化す タ 4 作成し新しい非言語 ニ ー ン 探求 ー ー 環境， ンタ 性，生理的 ータ 反応し ，信号 取 込 ，感覚的 出力や ータ し 増幅す う ン ・ 開発． 50人 ー ー ータ 採集し，そ 使用方法 嗜好 調査し， ー ー 情報 反映 い う 評価し ． 社会的 相互作用 う 特定 状況 解釈 タ ，着用者 感情，気分，精神状態 関連付け タ 提示し ． 感情 色 表そう し ，色 文化や宗教 様々 意味や象徴 し 解釈 一意 決 難しい いう問題 あ ． Ashford, R. ThinkerBelle EEG Amplifying Dress, ISWC Adjunct Proceedings, Osaka, 2015 An Exploration of Responsive and Emotive Wearables through Research Prototyping (CHI’19) Rain Ashford
23. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ NeuroSky MindWave EEG 脳 信 号 使用し ，感情 表現す ThinkerBelle EEG Amplifying Dress 紹介 ンター ー し 光 ー ン 使用し ータ 増幅し い ． 女性 ー 議論 し 意見や 出し合 ， 参加者 何 嫌 ，身 着け く い い ー 得 ． ー ー 感情 うや 認識す いう文脈 研究 い 上 可視化す いう新し い視点 し ． 他 脳 ン ー，特 異 領域や意識 関連す 脳 信号 調査す ， 実験 重 必要 あ ． Ashford, R. A. Responsive and Emotive Wearables: devices, bodies, data and communication. (ISWC’14) ThinkerBelle EEG Amplifying Dress Rain Ashford
24. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ Perception Neuronモー ンキ チ 使用し チ ー認識機能 提供す Unity用 ン NeuronUnityIntegration2.0 チ ー ータ 収集す 記録モー ， 記録 ン タ ム 検出 認識 モー 設計し， チ ー認識 効率化 13人 ー ー 対し 2 ー 5 チ ー認識 対す 有効性 実験的 評価し ． 本研究 ム タム・ し Unity 統 合す ，外部 ー ン チ ー認 識用API し 使用す ． タ 完全 可能． Myroslav Bachynskyi. Is motion capture-based biomechanical simulation valid for HCI studies?: study and implicaがions. (CHI’14) NeuronUnityIntegration2.0. A Unity Based Application for Motion Capture and Gesture Recognition (MM’19) Federico Becattini, Andrea Ferracani, Filippo Principi, Marioemanuele Ghianni, Alberto Del Bimbo 議論 あ ？ 波 表す う チ ー 右手 立 上 検出 一番精度 低く，動作 特徴 共通 あ し い ， 研究 必要．
25. 次 読 べ 論文 ？ ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 既存 モー ンキ チ ソ ー ン 用い ， 実地実験 歩行者 横断運動 キ チ し 歩行者 経路予測 す ータ 生成 ーチ提案 Perception Neuronモー ンキ チ 使用し ，全 身 19 慣性測定単位 設定し，歩行軌跡 キン し ． 20名 参加者 80回 横断運動 記録し，数値的 評価 し，道路 対す 股関節 肩 回転 横断前 行動 し 顕著 示し ． 既存 歩行者 経路予測 ータ 多数 含 い ， ータ駆動型 生成モー ンモ 使用 全身運動 ータ 含 い ． 歩行者 毎回同 動 横断運動す わけ い ， ータ 自動車 自立運転 訓練や方法論 検証 利用 い いう問題 あ ． Jan Gugenheimer et al. Swivrchair: A motorized swivel chair がo nきdge きsers’ orienがaがion for 360 degree sがorけがelling in virがきal realiがけ. (CHI’16) Capturing Subtle Motion Differences of Pedestrian Street Crossings (CASA’19) Janis Sprenger, Helena Kilger, Chrisがian Mミller, Philipp Slusallek, Sarah Malone
26. どんなもの？ 先行研究と比べてどこがすごい？ 技術や手法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論文は？ 外観のカラートランスファーマップを明示的に提供されたグ ラウンドトゥルースなしで予測することによって、長期予測 によるエラーの累積を軽減させている。 Animating Landscape: Self-Supervised Learning of Decoupled Motion and Appearance for Single-Image Video Synthesis YUKI ENDO, University of Tsukuba & Toyohashi University of Technology YOSHIHIRO KANAMORI, University of Tsukuba SHIGERU KURIYAMA, Toyohashi University of Technology 空と水に焦点を当てた単一の風景画像から、畳み込みニュー ラルネットワークを使用して、高解像度の長期アニメーショ ンを作成する。 外観のカラートランスファーマップを明示的に提供されたグ ラウンドトゥルースなしで予測することで、エラーの累積を 軽減し、より高画質にする。 実際に作成した動画と、元データの動画を見比べる。（データは Youtubeなどから目的に合った空と水で構成されている風景動画 を参照している） 雲の動きがまだ不自然にみえることがあり、水面に映る空と、実 際の空の同期が完ぺきではないので動きに一貫性がなくなってし まう。 Yung-Yu Chuang, Dan B. Goldman, Ke Colin Zheng, Brian Curless, David Salesin, and Richard Szeliski. 2005. Animating pictures with stochastic motion textures. ACM Trans. Graph. 24, 3 (2005),
27. Distortion-free wide-angle portraits on camera phones YiChang Shih,Wei-Sheng Lai,Chia-Kai Liang どんなもの？ 議論はある？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ どうやって有効だと証明した？ 次に読むべき論⽂は？ 広⾓カメラで撮影した歪みやねじれが⽣じた写真の被写体 の顔の輪郭や背景を修正する 広⾓レンズで被写体を1⼈から5⼈の間で変えつつ撮影した 写真にアルゴリズムを適⽤し⾃然かつ違和感のない出⼒に なっているか確認している カメラモデルや⼆次元画像の歪み、顔の歪みの修正の観点 から3Dモデル修正、レンズのねじれ修正等似た技術があ るがどれも容易に利⽤できるものではないとしている ステレオ投影の⼿法と3D投影の技術を組み合わせて、⼀ 般のスマートフォンでもこのアルゴリズムを対話的に利⽤ できる 顔の⽅向がはっきりしない場合修正できないことを⽋点と してあげ、写真だけでなくビデオにもこの⼿法を適⽤する ことを発展として挙げている その他のphoto scienceについての論⽂ SIGGRAPH2019,August 1,2019, YiChang Shih
28. A Network-type Brain Machine Interface for Supporting Activities of Daily Living (SIGGRAPH 2017) Takayuki Suyama どんなもの？ どうやって有効だと証明した？ 先⾏研究と⽐べてどこがすごい？ 議論はある？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ 携帯型脳波測定装置で測定された⼈間の意図に基づいて、 実際のアクチュエータを制御する。 今までの研究のほとんどが実験室実験として⾏われていたが、 実際の⽣活条件に近い場所で実験が⾏われた。 脳情報と環境情報を同時に取得できる実験環境としてBMIハ ウスを構築した。携帯脳波測定装置を使⽤して脳情報を測定、 ネットワークプラットフォームテクノロジーを使⽤してその 情報を転送。情報を分析して制御に使⽤。 四つの⽇常動作を分類したとき、平均分類制度は約７０％だった。 BMIでの⾞椅⼦制御は難しいので、移動⽀援装置⾃体に搭載された センサー機能を利⽤し衝突を回避した安全な移動を実現した。 BMIによるさまざまな種類の機器の操作に加えて、ユーザーの感情を 特定するなど、ユーザーの現在の状態をより詳細に判断することも重要 ニューロフィードバック技術の開発研究など に関するもの
29. Toward Practical Implementation of Emotion Driven Digital Camera using EEG (SIGGRAPH 2014) Tomomi Takashina1, Miyuki Yanagi2, Yoshiyuki Yamariku1, Yoshikazu Hirayama1, Ryota Horie2, and Michiko Ohkura どんなもの？ どうやって有効だと証明した？ 先⾏研究と⽐べてどこがすごい？ 議論はある？ 技術や⼿法のキモはどこ？ 次に読むべき論⽂は？ デジタル⼀眼レフカメラのアーキテクチャに基づく ERP測定のための⼿がかり検出メカニズムの提案。 研究室での脳波感情検出の⽅法論を⼀般的な 環境に適⽤した点。 近接センサーを備えたビューファインダー、シーンの 変化を検出する画像処理モジュール、EEGヘッドセッ トで構成され、研究室と同様の環境を再現する。 カワイイサンプルと興味のないサンプルの脳波の違いを利⽤した。 感情検出器は、EEGを使⽤して感情を区別。 特定の感情が認識されるとシャーターリリース信号を送信 現在はまだユーザの運動画像（何かを押す）を検出し、 制御しているため、キュー検出メカニズムと感情検出は含まれない。 他の感情のEEGに関する論⽂ この設計で実際に作ったシステムの論⽂（出たら）
30. どんなものか 先⾏研究と⽐べてどこがすごいか 技術や⼿法のキモ どうやって有効だと検証したか 議論 次に読むべき論⽂ TouchVR: a Wearable Haptic Interface for VR Aimed at Delivering Multi-modal Stimuli at the Userʼs Palm Daria Trinitatova, Dzmitry Tsetserukou ・⼿のひらへの触覚刺激と振動モーターによる 指先への振動感触をVRで実現 ・接触点で重さ、滑り、柔らかさなどの触覚を 提⽰、テクスチャの違いを表現 ・指先と⼿のひらの両⽅の⽪膚に触覚刺激を与 えることで、新しいレベルの没⼊感をもたらす ウェアラブルインターフェース ・接触点で3次元ベクトルを⽣成することで重さ、 滑り、柔らかさなどを実現 ・振動モーターにより、振動を増強させることが できる ・ユーザとオブジェクトの相互作⽤の異なるいく つかのVRアプリを作成し、それらでどう感じるの かを実証 ・フィードバックを拡⼤し、熱フィードバック の経験など刺激の追加 Grabity: A Wearable Haptic Interface for Simulating Weight and Grasping in Virtual Reality など
31. As-Compact-As-Possible Vectorization for Character Images Zeqing Xia ɼ Zhouhui Lian∗ ɼ Yingmin Tang ɼ Jianguo Xiao どんなものか 先⾏研究と⽐べてどこがすごいか 技術や⼿法のキモ 次読む論⽂ 議論 どうやって有効だと検証したか ・より少ない容量で，細かい情報を保持したまま⽂字画像 からフォントを⽣成する ・より少ない記憶容量 ・細かいディテールの保持 ・新しいデータ駆動型のベクトル化アルゴリズム ・⾼いロバスト性 ・類似性と圧縮 ・ニューラルネットワーク ・FontCreatorとの⽐較 ・写真やスキャン画像を⽤いてのアルゴリズムのテスト ・⽂字数の多い中国語がネック ・Learning a deep convolutional network for image super-resolutionなど
32. AI に好奇心を持たせて、報酬がまばらな環境でも学習できるようにする。 好奇心を実現させるために、エピソード記憶にあるものとかけ離れている、観測 に努力を要すると思われる未知で報酬を得るようにする。 予測と違った場合に報酬を得る好奇心駆動 AI(ICM)では、目先の簡単な予測不 可能性(ランダムのテレビリモコンなど)に夢中になって「カウチポテト」のよう になっていたが、EC(今回のモデル)ではそれがなくなった。 エピソード記憶と現在の観測の間の距離を DNN の学習から推定して、 どれだけ 新しいかを規定する。 3D の迷路のような環境(VizDoom，DMLab)で、ICM を含むその他の手法と比 較した。一つのゴールに素早くたどり着くもの、なるべく多くのゴールにたどり 着くものなどで、さらに RL で使われるタスク(ゴール到達)による報酬の密度や 有無を操作して検証した。 その結果、 EC では好奇心の報酬がタスクを妨害せず、 「カウチポテト」になることもなく、タスク報酬のない状況でもほかの手法より 学習することがわかった。 無報酬での学習は他の手法と比較すれば成績は良かったが、EC 内で比べるとほ とんど報酬のない環境と比べても大きな差があった。 Time-contrastive networks: Self-supervised learning from video. arXiv preprint arXiv:1704.06888, 2017. どんなもの？ 先行研究と比べてどこがすごい？ 技術や手法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論文は？ Episodic Curiosity through Reachability ICLR 2019 仏コース 5 班
33. ⼈差し指に装着するリングとリストバンドで構成された、 指の動きを細かく追跡 する電磁トラッカーシステム。 電磁追跡は⼤量の電⼒を消費する上に周りの環境の⼲渉を受けやすいことが課 題であった。 そこで Aura Ring では短距離の追跡に明確な焦点を当てることでこ の問題を克服した。⼲渉を受ける可能性のある範囲を縮⼩し、様々な分野で使⽤ されている電磁追跡の約 2000 倍少ない電⼒に抑えることに成功した。 リングが電磁コイルを使⽤し、特定の周波数の振動磁場を⼿の周囲に作る。する と、指を動かした時にその磁場の位置が変化する。リストバンドのセンサーコイ ルに電圧が誘導されるので、 取得する誘導電圧から位置と⽅向を計算することが できる。 実際に使⽤し、 指の動きを別のデバイスにどのくらい正確に反映できるかデータ を取りながら、検証した。 このシステムでは⼀本の指の動きしか追跡することができない。 装置としては装 着しやすい形ではあるが、 操作によっては上⼿く反映できないものもあるのでは ないか。 （例えば、スマートフォンで画⾯の拡⼤を⾏うときの動作では、⼆本の 指を使う） Wireality: Enabling Complex Tangible Geometries in Virtual Reality with Worn Multi-String Haptics どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論⽂は？ AuraRing: Precise Electromagnetic Finger Tracking FARSHID SALEMI PARIZI , ERIC WHITMIRE , and SHWETAK PATEL, University of Washington ACM2020 （仏コース）
34. 重度 閉塞性肺疾患 検出 目的 , 実用 便利 形 提供 ョン 開発 . 先行研究 比べ い？ 技術や手法 キ ？ 喘鳴検出 , ン Adaboost Gradient-Boosted Tree 3 比較 , 正確度 (accuracy) 再現率 (recall) 精度 (precision) F1 値 指標 , 分析 . ？ 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 病院内 得 う 高い質 出 い場合 解析 可能 点 . 患 者 何 負担 行 要求 い形 検査手法 提案 点 . 音 , 加速度計 呼吸周期 表 波形 組 合わ 用い 点 , 音 無い部分 , 音 あ 部分 分け , , 音 あ 部分 話 部分 喘鳴 , 咳嗽 , 咳払い 分け , 喘鳴 , 咳嗽 , 咳払い 中 , 喘鳴 検出 . 喘鳴検出 ,Gradient-Boosted Tree 最 精度 良い わ . WheezeD: Respiration Phase Based Wheeze Detection Using Acoustic Data From Pulmonary Patients Under Attack,BodyBeat: A Mobile System for Sensing Non-Speech Body Sounds,Method for automatic detection of wheezing in lung sounds,SpiroSmart: Using a Microphone to Measure Lung Function on a Mobile Phone,Design of Wearable Breathing Sound Monitoring System for Real-Time Wheeze Detection. 実験 , 研究室 環境 行わ , 実用的 環境 音 あ 環境 , い い . 重度 閉塞性疾患 定 , 喘鳴 指標 用い , 他 指標 あ .
35. 喘鳴検知 (WheezeD) 開発 . WheezeD ,CNN(conventional neural network) 用い , 従来 10% ほ 向 . 先行研究 比べ い？ 技術や手法 キ ？ 音 分割 , window size ４ 種類 , 比較 分析 . 2, 4, 8, 16, 32 5 大 比較 , 分析 . ネッ ワ 評価 , 評価 分割 , 精度 調査 . ？ 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 喘鳴検出 CNN 用い 点 , 精度 10% く い向 点 . 喘鳴 息 吸う時 , 息 く時 , ン 発生 い , 定 , 肺疾患 重症度 測定 . 喘鳴検出 ,CNN 用い .input , 用い . , 呼吸 検出 , 後 , 呼吸 ,window size 決 , 分割 , 後 , 化 ,input ,neural network 入力 , 結果 , 喘鳴 検出 . LSTM 利用 , 精度 う , 予想 い .
36. 話 声 い , 人間 発 音 ( 食べ物 飲 込 音 呼吸音 笑い声 咳嗽 ) 検出 BodyBeat いう 開発 . 先行研究 比べ い？ 技術や手法 キ ？ 最終的 分類精度 recall( 再現率 ),precision( 適合率 ) 測定 , 評価 . ？ 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 音 , 人間 発 音 ( 食べ物 飲 込 音 呼吸音 笑い声 咳嗽 ) 検出 構築 , 人間 発 音 分類 開 発 .ARM-micro-controller , 信号処理 , 機械学習 開発 . 人間 発 音 検知 , 感度 く 工夫 点 . 計算 効率性 考慮 , 分類 , 線形 定分析 用い 点 . 食事 管理や , 病気 発見 助け 応用 可能性 持 技 術 述べ い .
37. 肺 音 , 自動 喘鳴 検知 手法 開発 . ( く , 手 論文 初期 研究 置付け .) 先行研究 比べ い？ 技術や手法 キ ？ 感度 (sensitivity), 特異度 (specificity) , 0.861,0.825 , 全体 正確 度 (accuracy) ,92.86% あ . ？ 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 機械 喘鳴検知 手順 開発 最初 研究 置 点 . 分類 , 機械学習 使わ .4 処理 行う流 提案 .1. 録音 肺 音 前処理 行う ,2. 生成 ,3. 生成 画像 処理 ,4. ン認識 行う . 喘鳴 ,100Hz 超え 音 ,100ms 長い , 検知 行 . 化 , 喘鳴 う 性質 音 , 水平 線 現 . 提案 手法 , 時間 , 現状 , 用 使う 想定 あ .
38. , 肺 機能 ( 呼吸機能 ) 測定 開発 . 先行研究 比べ い？ 技術や手法 キ ？ 既存 医療用機器 比較 ,FVC, FEV1, PEF, and FEV1/FVC 4 行 結果 , 平均 5.1% 誤差 精度 実現 . ？ 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ 既存 家 使え ( 肺 機能 測定 医療機器 ) , ン や ッ け い い , 可能 . 即時 伝え 可能 . 追加 , 咳嗽検知 , 酸素飽和度測定 . あ , い , 持 運び . わ , 既存 医療用機器 比較 ,FVC, FEV1, PEF, and FEV1/FVC 4 平均 5.1% 誤差 精度 実現 . 実験 , 使う際 動く , 距 変わ わ , 口元 固定 , 距 保 使う場合 調べ . 口元 間 通 際 , 圧力 減衰 , 利用者 体 周囲 発生 共振 , 残響 考慮 作 . 後 , 圧力 流量 変換 . 息 く際 音 得 い , 息 吸う際 音 , 得 い . 実験 際 , 静 環境 行 考慮 くべ .
39. 胸部装着型 喘鳴検出 , ワ 形 実 現 研究 . 先行研究 比べ い？ 技術や手法 キ ？ 分類精度 , 正解率 (accuracy):95.1%, 感度 (sensitivity):91.51% あ . ？ 議論 あ ？ 次 読 い論文 ？ うや 有効 検証 ？ , 喘鳴検知 可能 点 . , ワ ン い 点 . 正常 呼吸 周波数 ,100Hz~1000Hz, 一方 , 喘鳴 周波数 ,250Hz~800Hz あ 一般的 知 い . , 喘鳴 ,250mil second 以 長 生 い . 前 処理 , 必要 情報 残 , 呼吸 音 , 筋肉 音 , 血液 音 除く ,150Hz~1000Hz け 残 ン 使う .250mil second 分割 ,200mil seconde ッ 施 . 普通 呼吸音 喘鳴 分類 , ッ 線形 別分析 用い . 解析 結果 , 喘鳴 250Hz~500Hz 間 , 分布 い . 確 ,SVM(support vecor machine) 様 教師あ 分類機 用い 分 類精度 , , やワ 形 際 , 計算 ソ 考慮 い いけ い ,
40. ？ 先行研究 比べ す い？ 技術や手法 キモ ？ うや 有効 検証し ？ 議論 あ ？ 次 読 べ 論文 ？ 両端 ーター ニ 持 空中 触覚 ー 可能 す 棒状 LevioPole 空中 触覚 ンタ ン 可能 す 主 地面 や壁 天井 取 付け 設置型 必要 あ そ 動 制限 LevioPole そ 必要 く 動 制限 い VR空間内 棒状 物体 ン せ 扱い 方 直感的 理解す チ ーター 駆動力 様々 触覚 ターン 生成 LevioPole 使い 用い 川 上 ー ームや ン 等 VR 体験し い検証し VR空間 け く 歩行補助等 応用す Yuichiro Katsumoto. 2017. Bottomless Joystick 2. In ACM SIGGRAPH 2017 Emerging Technologies (SIGGRAPH ’17). ACM, New York, NY, USA. https://doi.org/10.1145/ 3084822.3084826
41. ？ ーン 用い 空中 触覚 ー 提供す HapticDrone 上向 1.53N 下向 2.97N ー 可能 ？ ー 使う く う 操作感 実現 す 空中 ンタ ン ？ 既存 キン 技術 影響 与え く簡単 装着 AR ー ン 力 触覚 熱 ー 与え 指先触覚 ？ ター 用い ン 能力 持 ー 用い 人々 ー ンタ ン 拡張す 可能
42. ？ ター ー ー 位置 ン せ VR ーン 合 わせ ター ー ー 衝突 せ 触覚 ー 提供す
43. UltraHaptics: Multi-Point Mid-Air Haptic Feedback for Touch Surfaces Tom Carter1, Sue Ann Seah1, Benjamin Long1, Bruce Drinkwater2, Sriram Subramanian1 Department of Computer Science1 and Department of Mechanical Engineering2 University of Bristol, UK タッチ⾯の上にマルチポイントの空中触覚フィードバッ クを提供するシステム。触覚フィードバックの離散点を ディスプレイから直接、ユーザーの⼿に投影する。 デバイスの表⾯に触らなくても触覚フィードバックを与 えることができる。 超⾳波触覚フィードバック、⾳響的に透明な(⾳響を透 過する)ディスプレイ 参加者が0、1、および2つの焦点条件を正しく識別した 精度が良かった。 Dalecki,D.,Child,S.,Raeman,C.,andCarstensen,E.Tactil e perception of ultrasound. J. Acoust. Soc. Am. 97 (1995), 3165‒3170. どんなもの？ 先⾏研究と⽐べて何がすごい？ 技術や⼿法の肝はどこ？ どうやって有効だと検証した？ 議論はある？ 次に読むべき論⽂は？ Figure 1: The UltraHaptics system. Left: the hardware. Centre: a simulation of two focal points, with colour representing phase and brightness representing amplitude. Right: receiving two independent points of feedback while performing a pinch gesture. Figure 11: Applications using the UltraHaptics system. Inserts depict focal point locations with different colours representing different tactile properties. Left: a pinch-to-zoom gesture in a photo application. Centre: a tactile information layer conveying population density. Right: a jukebox application with focal points to guide the user to interface elements.
44. A STUDY OF RECEPTION WITH THE USE OF FOCUSED ULTRASOUND. I. EFFECTS ON THE SKIN AND DEEP RECEPTOR STRUCTURES IN MAN Project FEELEX: Adding Haptic Surface to Graphics Hiroo Iwata Hiroaki Yano Fumitaka Nakaizumi Ryo Kawamura Institute of Engineering Mechanics and Systems, University of Tsukuba ⼿のひらを含む素⼿で画像を効果的に操作でき る空間的に連続した表⾯をユーザーに提供し、 ユーザーに余計な機器を着⽤させることを必要 としない単⼀のデバイスを使⽤して、視覚と触 覚を同時に提⽰する新しいインタラクティブテ クニック。 集束超⾳波で⼿を刺激することにより、⼈間 が⾃然な状態で経験するすべての⽪膚感覚を 呼び起こすことが可能であることを⽰した。 ⽪膚の別々の敏感な斑点を刺激することに よって感覚が引き起こされた。感覚閾値は、 焦点領域が近位⽅向に移動するにつれて増加 した。
45. MudPad: Localized Tactile Feedback on Touch Surfaces MudPad: Localized Tactile Feedback on Touch Surfaces Haptic Pen: Tactile Feedback Stylus for Touch Screens Johnny C. Lee, Paul H. Dietz, Darren Leigh, William S. Yerazunis, Scott E. Hudson スタイラスベースのタッチスクリーンディスプ レイに触覚フィードバックを提供するシステム。 スタイラスにアクチュエーターを配置すること で、複数のユーザーを同時にサポートし、画⾯ サイズやジオメトリに関係なく均⼀なフィード バック品質を提供し、ユーザーがディスプレイ 表⾯を積極的に押していなくても触覚フィード バックを提供する。 マルチタッチサーフェス上のリアルタイム触 覚フィードバックが可能なシステム。電磁⽯ を並べているので各表⽰領域を個別に制御し て、異なる触覚フィードバックパターンを 「表⽰」できる。 Figure 1. Haptic Pen – a tactile feedback stylus
46. FingerFlux: Near-surface Haptic Feedback on Tabletops Malte Weiss Chat Wacharamanotham Simon Voelker Jan Borchers FingerFluxというインタラクティブなテーブルトップで表⾯に近い触覚フィードバックを⽣成する出 ⼒テクニック。電磁作動とユーザーの⼿に取り付けられた永久磁⽯を組み合わせることにより、ユー ザーが触る前にインターフェイスを感じさせ、引⼒と反発⼒の両⽅を⽣み出すことができる。このシ ステムを使うとドリフトの低減、仮想制御への物理的制約の追加、視覚的な出⼒なしでのユーザーの 誘導などのアプリケーションが可能になる。 Figure 1: FingerFlux provides attraction, repulsion, vi- bration, and directional haptic feedback on and near the surface using electromagnets in the table and a permanent magnet attached to the user’s finger. Figure 4: Drifting reduction test. Left: Test setup. Right: Contact point detection with upper (tU) and lower (tL) threshold for touch detection .
47. ͲΜͳϞϊʁ ઌߦݚڀͱൺ΂ͯͲ͕͍͜͢͝ʁ ٕज़΍ख๏ͷ؊͸ʁ Ͳ͏΍ͬͯ༗ޮͩͱࣔͨ͠ʁ ٞ࿦͸͋Δʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ૷ணܕ͵͍͙ΔΈϩϘοτͷͨΊͷ ۭؾѹΞΫνϡΤʔλΞϨΠʹΑΔ৮֮දݱख๏ IUUQXXXJOUFSBDUJPOJQTKPSHQSPDFFEJOHTEBUBQEG'QEG ૷ணܕ͵͍͙ΔΈϩϘοτͷͨΊͷۭؾѹΞΫνϡΤʔλΞϨΠ ʹΑΔ৮֮ఏࣔػߏͱ ͦΕΛ༻͍ͨ৮֮දݱʹ͍ͭͯ ࿹ʹ๊͖෇͘ܗͷدΓఴ͍ܕ΢ΣΞϥϒ ϧϩϘοτΛఏҊ͠ɼεΩϯγοϓදݱΛ ௨༷ͨ͡ʑͳ ϝοηʔδͷ఻ୡΛ࣮ݱ͢Δ͜ͱΛ໨ࢦ͍ͯ͠Δ ۭؾѹΞΫνϡΤʔλΞϨΠʹΑΔ৮֮ ఏࣔ ΞΫνϡΤʔλؒͷۦಈλΠϛϯάͷҧ͍΍ڧ౓ࠩ ΋౿·͑ͳ͕Βɼ ద੾ͳۦಈύλʔϯʹ͍ͭͯݕ౼ΛਐΊ ͍ͯ͘. ʮใ஌දݱʯͱʮѪணද ݱʯΛ૊Έ߹Θͤͯར༻͢Δ͜ͱΛ૝ఆ͠ɼใ஌දݱͱ͠ ͯํ޲ ఏࣔදݱͱ஫ҙ༠Ҿදݱͷ 2 छྨɼѪணදݱͱͯ͠ ๊͖ͭ͘ɼͳͰΔɼͿΒԼ͕Δͷ 3 छྨΛ࣮૷ͨ͠. • K. Suzuki, G. Mito, H. Kawamoto, Y. Hasegawa, and Y. Sankai: Intention-Based Walking Support for Paraplegia Patients with Robot Suit HAL, Advanced Robotics, Vol.21, No.12, pp.1441–1469, 2007. • H. Kaminoyama, T. Matsuo, F. Hattori, K. Susami, N. Kuwahara, and S. Abe, “Walk navigation system using photographs for people with dementia,” Proc. of Human interface 2007: Part II, pp.1039–1049, 2007. • A. Tsuji, T. Yonezawa, H. Yamazoe, S. Abe, N. Kuwa- hara, and K. Morimoto, “Proposal and Evaluation of Toilet Timing Suggestion Methods for the Elderly”, In- ternational Journal of Advanced Computer Science and Applications, Vol. 5, No. 10, pp.140-145, 2014 • T. Yonezawa and H. Yamazoe, Wearable partner agent with anthropomorphic physical contact with awareness of clothing and posture. ISWC13, pp.77-80, 2013. • ɾH. Yamazoe and T. Yonezawa, Simplification of Wear- able Message Robot with Physical Contact for Elderly’s Outing Support. HAI2014, pp.35-38, 2014. •
48. Magnetips: Combining Fingertip Tracking and Haptic Feedback for Around-Device Interaction Jess McIntosh, Paul Strohmeier, Jarrod Knibbe, Sebastian Boring, Kasper Hornbaek CHI ’19 周辺 ッキン 空中 触覚 ッ ソ ョン あ Magnetips 紹 ？ ッ 適 組 合わ 触覚 ッ 作動範囲 磁場 強 測定 い 評価 行 うや 有効 検証 ？ 磁気 利用 周 全 正確 3D ッキン 可能 触覚 ッ あ 先行研究 比べ い？ 複数 磁石 ッキン 個々 対応 う 課題 触覚 ッ 使用 荒く あ ッキン い 議論 あ ？ 4 型磁力計 IMU 電源 爪 け 磁石 用い 指 動 4 磁力計 電界強度 測定 指 置 特定 ッ ッ 生成 磁場 発生 振動誘発 極性 交互 配置 い 技術や手法 キ ？ UltraHaptics: multi-point mid-air haptic feedback for touch surfaces UIST '13 Tom Carter 他 次 読 べ 論文 ？
49. UltraHaptics: multi-point mid-air haptic feedback for touch surfaces Tom Carter, Sue Ann Seah, Benjamin Long, Bruce Drinkwater, and Sriram Subramanian ン 表面 多点 触覚 ッ 提供 設計 あ UltraHaptics 紹 公共 ッ 可能 大型 触覚 ッ 加え 目的 研究 超音波 空中 複数 局所的 ッ ン 作 成 心理物理学的 実験 通 異 触覚特性 持 ッ ン 距 識別 示 訓練 非接触点 異 振動周波数 区別 わ SkinWatch: Skin Gesture Interaction for Smart Watch Masa Ogata and Michita Imai 新 い ン ョン あ SkinWatch 提案 SkinWatch ッ 手首 皮膚 変形 射 ン ン ン 入力 可能 複数 距 ン 用い 皮膚表面 距 計測 ン や回転 方向性 あ キン 検出 AH ’15 UIST '13
50. Nenya: subtle and eyes-free mobile input with a magnetically-tracked finger ring Ashbrook, D., Baudisch, P., and White, S. Nenya 目立 く ワ 結婚指輪ほ 大 磁気式 ン あ 手首 装着 ン ン 動作 追跡 ン 捻 選択 指 沿 ッ 会議 遅 い 大 人 知 携帯電話 手放 使う 適 思わ 状況 対応 目的 い Nenya 自体 目 使わ い入力方法 触覚 や eye-q う 視覚出 力 出力 組 合わ 使用 CHI '11 May the Force Be with You: Ultrasound Haptic Feedback for Mid-Air Gesture Interaction in Cars Gozel Shakeri, John H. Williamson, Stephen Brewster 入力 車 運転 い 遈路 目 時間 EORT 減少 効果的 あ 考え 運転者 慣 い い場合 ンキ 能力や精神的作業量 負 影響 え あ 手 ン い や ッ ン 対 操作感 如 満足度 安全性 使いや 知 い 本研究 入力 加え 超音波 ッ 使用 運 転性能や精神的 要求 損 う く 視覚 ッ 比べ EORT 短 縮 効果 得 明 AutomotiveUI '18
51. Clicks are in the Air: How to Support the Interaction with Floating Objects through Ultrasonic Feedback Sonja Rümelin, Thomas Gabler, and Jesper Bellenbaum 超音波 ン 作成 ッ 異 詳細 調査 研究結果 報告 結果 約 150 ～ 200Hz 変調周 波数 使用 場合 ッ 最 適 知覚 示 表面 振動触覚刺激 対 感度 関 知見 確認 信号 持 続時間 50ms 130ms い 有意 影響 え 触 覚特性 主観的知覚 評価 単語 質問紙 提示 後 研究 基礎 提供 AutomotiveUI '17
52. どんなもの？ どうやって有効だと確証した？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ 議論はある？ 次に読むべき論⽂は？ 初⼼者ユーザーが必ずしも芸術的才能がなくてもアニメーションを⽣ 成できたり、熟練したアニメーターでもモーションのプロトタイプを 素早く⽣成できる、キーフレームモーションのタイミング情報を⽣成 するための新しいアプローチ オブジェクトに⾏動の空間信号が必要でユーザーはインバースキネマ ティクスハンドルの変換を介して頭の回転をアニメートしている。そ のため⾊などの属性の変更を実⾏することができない。 ユーザーがタイミング情報を実⾏できるようにするところ。ユーザー が模倣する空間構成がシーンに含まれている必要があり、少なくとも 1つの変換チャンネルで変化する値を⽰す必要がある。Mayaでアニ メーションパッケージのプラグインを作成してアニメーションシーケ ンスを作成した。 キーフレーム値の仕様をキーフレームタイミングの仕様から分離 すること。マウスやペンタブの⼊⼒デバイスを使⽤してタイミン グ情報を実⾏する。⼊⼒を分析しキーフレームモーション機能に マッピングする 1.ユーザーにバウンドするボールのタイミングを正確にするように求 めた2.ジングルベルの曲の単語の注釈をつけるために跳ねるカーソル の時間を測るように求めた3.ユーザーはキーフレーム付きの関節形状 を変更して⾜をひきづって歩くようにする4.鉛筆のキャラクターをア ニメーション化して環境を回しているシーンのいくつか異なるタイミ ングを⽰す ] T. Moeck, N. Bonneel, N. Tsingos, G. Drettakis, I. Viaud-Delmon, and D. Alloza. Progressive perceptual audio rendering of complex scenes. In I3D ʼ07: Proceedings of the 2007 symposium on Interactive 3D graphics and games, pages 189‒196, New York, NY, USA, 2007. ACM Performance Timing for Keyframe Animation S.C.L. Terra and R.A.Metoyer Oregon State University,Corvalis,Oregon
53. リアルな剛体モーションを作成するためのアプローチ アニメーターの中でオブジェクトが移動しシステムはスケッチに 最適な物理モーションを計算する。スケッチはマウスまたはハン ドジェスチャーのインターフェースで指定される。これらのジェ スチャーは計測されたオブジェクトを現実の世界で動かして動作 を実⾏する。剛体の動きは常微分⽅程式によって現実的にモデル 化され、コンピュータで物理シミュレーションする。 Motion Sketching for Control of Rigid-Body Simulations JOVAN POPOVIC Massachusetts Institute of Techonology STEVEN M. SEITZ Unversity of Washington MICHAEL ERDMANN Carnegie Mellon University モーションをスケッチするためのインターフェースの提案 キャラクターをスケッチし、線、弧、ループの連続したシーケン スを描画する。これらが解析され出⼒モーションのセットがマッ ピング化される。キャラクタースケッチで表現するリンクを描く。 リンクの接続性からスケルトンを推測する。モーションスケッチ ではジェスチャーのデザインについてどのように認識出⼒される か情報を伝える。 Motion Doodles: An Interface for Sketching Character Motion Matthew Throne David Burke Michiel van de Panne University of British Columbia
54. ジェスチャーベース(⼿のマーキング)のインターフェースの提案 従来の直接操作するインターフェースであるGRANDMAによりデ ザイナーは例によってジェスチャーを指定し関連付けた。ジェス チャーの属性からアプリケーションルーチンへのパラメータとし て使⽤できる。アプリケーションコマンドの⼀部のパラメータが ジェスチャであると認識された時決定され追加される。 Specifying Gestures by Example Dean Rubine Information Technology Center Carnegie Mellon University Pittsburgh, PA Dean.Rubine@cs.cmu.edu 物理ベースのアニメーションのインタラクティブコントロールの ⼿法の提案 仮想⼈形劇に物理学を追加することの実現可能性、あるいは物理 ベースのアニメーションにインタラクティブなインターフェース を追加する。モーションに関する⼈間の直感を新しいモーション のインタラクティブな作成に利⽤できるようにする ⾃明ではない多関節図形モデルの動的な動きはユーザーインザグ ループ⼿法で合理的に制御できることを⽰す Interactive Control For Physically-Based Animation Joseph Laszlo Michiel van de Panne Eugene Fiume Department of Computer Science University of Toronto
55. スケッチベースのビデオ検索のためのマルコフ確率、フリーハン ドスケッチクエリを使⽤してビデオデータベースを検索する新し いシステムの提案 ビデオから時空間ボリュームを解析してグラフ表現を作成する。 これをマルコフの下のスケッチと照合する。 MRFはビデオの関連性をランクづけするために使⽤され、単項 ⾊を反映する。スケッチされたオブジェクトの形状、動き、タイ プを評価する Markov Random Fields for Sketch based Video Retrieval Rui Hu Stuart James Tinghuai Wang John Collomosse Centre for Vision Speech and Signal Processing University of Surrey Guildford. UK
56. Dietary palaeoecology of an Early Cretaceous armoured dinosaur (Ornithischia; Nodosauridae) based on floral analysis of stomach contents Caleb M. Brown, David R. Greenwood, Jessica E. Kalyniuk, Dennis R. Braman, Donald M. Henderson, Cathy L. Greenwood and James F. Basinger もの 先行研究 比 議論 次 読 検証方法 1.1億年前 生息し いた草食恐竜 市顎 食 いたもの 明 広範囲 ソテツや針葉 樹 生え いた も わ シダ植物 好 食 い 分 た 鳥類 除く草食恐竜の胃の内容物 関し 信頼 足 論文 く の発見 草食恐 竜の食性 の理解 進 また 胃 含ま た 木炭 頻繁 森林火災 起 いた も示す 2011年 遺跡 発見さ た非常 状態のいい草食 恐竜の化石 古植物・Palynology 粒子 関す 学問？）・地質学の観点 分析した Gut contents of a small ankylosaur 胃の内容物 含ま いた焦 た植物片 大 量の木炭 消費さ いた わ 偶発的 もの の 意図的 もの 不明
57. Gut contents of a small ankylosaur アンキロサウルスの胃腸の内容物の報告 あ 本当 胃腸 のもの あ 可能性 低い うえ 噛ま た葉の存在の可能性 示し い 以外 食物 消化 関す 新しい情報 提供し い い Speculations about the Diet and Foraging Behavior of Large Carnivorous Dinosaurs 古生物学 現代の脊椎動物の捕食者 関す 情 報 組 合わせ 肉食恐竜の摂食生態学 関す 推測 行 た 肉食恐竜の食事 時間 場所 異 の違い 獣脚類の採餌 行動 影響 及 した Dinosaur Coprolites and the Early Evolution of Grasses and Grazers インドの白亜紀後期のCoprolites う の化 石） 保存さ いた植物組織 白亜紀 イ ンドの大陸 存在した草 イネ科） 5 の分 類群 存在した 示し い の分類学 的多様性 インド 地理的 孤立す 前 イネ科 多様化し広 いた 示唆し い Ecological and evolutionary implications of dinosaur feeding behaviour 生態 進化 影響 及 した食性 示す CT スキャン 医学や工学の技術 用いた新し いアプ ケーション 古生物学の進歩 示 す Did dinosaurs invent flowers? Dinosaur angiosperm coevolution revisited 白亜紀の大気中のCO2の増加 被子植物の多様 性 大 影響 与えたの 恐竜 も昆虫や 樹上哺乳類 あ 可能性 高い
58. - : : : , E , E , , F D , /E D - E A D )) ( . w lM a a pM [e h v a M mw M D ) . a pM [e a pM b VVe c T p J a S a ayMvuw J a ahnr a M o J R n s w lM s M a a h v KT S D J Cah t S S a (,) . S a y J. P D y iM wn DDAK D F C aD X Xa. ] d e f vM kMs feX RC FE?a
59. 0 8 ( T yf N TN K V pt /1, n S V gz ei pt n n S o M w n , A . B C )D B8 8 , A a RS l TN K u w s r p k pt ct l n l d ye n l T A S l M
60. . - - - - .8 6 A F 6 86B t i r U U T y K K P Z se M . U . U Z RZ . P P P R U Z N - - - - .. - - - - 2 8 6 3 .8 6 6 A F t Z a Z sKnm t M rb ( R hU a Ko M U sKn RS M /FCDB T a nc Z ydK l /FCDB ),fK t Kuey
61. , (AA ) , . . / . uor C P T, , T e C lD lDuDr Cr sv a h Dv e DyD DmD P e . n t e DmD . k DmD H P T Kb rD D en t dB S b um b uih M e Pc
62. ;FSP/
    .JE"JS
    5BOHJCMF
    *OUFSBDUJPO
    &OBCMFE
    CZ
    $PNQVUFS
    $POUSPMMFE
    .BHOFUJD
    -FWJUBUJPO 6*45
    ͲΜͳ΋ͷʁ ઌߦݚڀͱൺֱͯ͠Կ͕͍͢͝ʁ ٕज़΍ख๏ͷ؊͸ʁ ༗ޮੑͷ࣮ূํ๏͸ʁ ٞ࿦͸͋Δ͔ʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ίϯϐϡʔλʹΑ࣓ͬͯ৔੍͕ޚ͞Εͨ࣍ݩۭؒ಺ʹ͓͍ͯɺσ δλϧ৘ใΛදࣔɾૢ࡞͢Δҝͷ༗ܗΠϯλϑΣʔεͷཁૉͰ͋Δ ;FSP/Λ։ൃͨ͠ɻ Ϣʔβ͕;FSP/Λ܏͚ΔͱɺͦΕʹ߹Θͤ౤Ө͞ΕΔө૾΋܏ࣼ͢ Δ͜ͱɻ ;FSP/ͷਨ௚ӡಈ͸ίΠϧʹΑΔ࣓ؾҐஔ੍ޚͱɺίΠϧશମΛಈ ͔͢ػցత࡞ಈΛ૊Έ߹Θͤͨɻ·ͨٿঢ়ͷ;FSP/Λ؇͍ϓϥεν οΫ૚Ͱ෴͏͜ͱͰɺ;FSP/ʹର͠܏͚Δͱ͍͏ಈ࡞Ͱʮํ޲ʯΛ ೖྗͰ͖ΔΑ͏ʹͳͬͨɻ͞Βʹ੺֎ઢΧϝϥ΍ਂ౓ΧϝϥΛ૊Έ ߹ΘͤΔ͜ͱͰɺ;FSP/ͷݱࡏͷঢ়گʢྫ͑͹ΞΠυϧঢ়ଶ΍ඃૢ ࡞ঢ়ଶʣΛ൑அ͠ɺద੾ͳ੍ޚ͕ߦ͑ΔΑ͏ʹͨ͠ɻ ෳ਺ͷΞϓϦέʔγϣϯΛ࡞੒͠ɺͦΕʹର͢ΔϢʔβͷධՁΛௐ ࠪ͢Δ͜ͱͰɺ;FSP/γεςϜͷઃܭΛධՁͨ͠ɻ ԣৼಈ͕͋Δ͜ͱ͕໰୊Ͱɺԣํ޲ʹ࣓ྗΛՃ͑Δ͜ͱ͕Ͱ͖Δί ΠϧΛओి࣓ੴͷपΓʹ࣮૷͢Δ༧ఆɻ·ͨਨ௚ํ޲ͷ࡞ಈൣғ͕ ݶΒΕ͍ͯΔ͜ͱɻ ༗ܗΠϯλϑΣʔεʹؔ͢Δ΋ͷɻ
63. 1SPKFDU
    '&&-&9
    "EEJOH
    )BQUJD
    4VSGBDF
    UP
    (SBQIJDT 4*((3"1) ϑϨΩγϒϧεΫϦʔϯɺΞΫνϡΤʔλ഑ྻɺϓϩδΣΫλʔΛ૊Έ߹ Θͤͨɺࢹ֮৘ใͱ৮֮৘ใΛఏڙ͢ΔΠϯλϑΣʔεΛ։ൃͨ͠ɻ৮ ֮ఏࣔྖҬΛۭؒతʹ࿈ଓͤͨ͜͞ͱɺ·ͨͦ͜ʹө૾ΛॏͶ߹ΘͤΔ ͜ͱʹΑͬͯɺԾ૝ΦϒδΣΫτͷදݱਫ਼౓ΛߴΊͨɻ *OUFSBDUJPOT
    JO
    UIF
    "JS
    "EEJOH
    'VSUIFS
    %FQUI
    UP
    *OUFSBDUJWF
    5BCMFUPQT
    6*45 ௨ৗͷςʔϒϧτοϓσΟεϓϨΠͱ૊Έ߹ΘͤͯɺσΟεϓϨΠද໘্ ͷεϖʔεΛΠϯλϥΫγϣϯʹ׆༻Ͱ͖ΔΑ͏ʹͨ͠ɻσΟεϓϨΠഎ ໘ʹϓϩδΣΫλʔͱڞʹઃஔͨ͠ΧϝϥʹΑͬͯɺϢʔβͷࢦ΍खͷ ಈ͖Λݕग़ͨ͠ɻ·ͨ௨ৗͷΧϝλͱ֦ࢄ੺֎ઢর໌γεςϜͱΛ૊Έ ߹ΘͤΔ͜ͱͰɺखͷߴ͞Λਪఆ͠ɺ؆୯ͳδΣενϟʔΛݕग़Ͱ͖Δ Α͏ʹͨ͠ɻ͞Βʹૢ࡞ͷ௚઀ੑΛԋग़͢ΔͨΊʹɺը໘্ʹʢखͷʣ ӨΛϨϯμϦϯάͨ͠ɻ
64. 5IF
    %FTJHO
    BOE
    &WBMVBUJPO
    PG
    4FMFDUJPO
    5FDIOJRVFT
    GPS
    %
    7PMVNFUSJD
    %JTQMBZT
    6*45 %ۭؒσΟεϓϨΠʹదͨ͠ɺΦϒδΣΫτͷબ୒ํ๏Λݚڀͨ͠ɻͦ ͷ݁Ռɺ୯Ұλʔήοτͷ৔߹ɺޫઢΧʔιϧͷํ͕ϙΠϯτΧʔιϧ ʹൺ΂ͯେ෯ʹߴ଎ʹબ୒Ͱ͖Δ͜ͱ͕Θ͔ͬͨɻ·ͨɺ͜ͷ݁ՌΛݩ ʹΦϒδΣΫτ͕ີू͍ͯ͠Δ؀ڥԼͰͷબ୒ख๏ΛޫઢΧʔιϧΛػ ೳڧԽ͢ΔܗͰ͍͔ͭ͘։ൃͨ͠ɻͦͷதʹ͓͍ͯ࠷΋੒ޭͨ͠ख๏ ͸ɺλʔήοτͷબ୒ͱಉ࣌ʹඃબ୒ΦϒδΣΫτΛଞͱ໌֬Խ͢Δ΋ ͷͰ͋ͬͨɻ .BEHFUT
    "DUVBUJOH
    8JEHFUT
    PO
    *OUFSBDUJWF
    5BCMFUPQT
    6*45 ୎্Ͱ༗ܗͷ࣓ؾ΢ΟδΣοτʢ.BEHFUTʣΛΠϯλϥΫςΟϒʹ࡞ಈ ͤ͞ΔγεςϜɻςʔϒϧ಺ʹ഑ྻ͞ΕͨޫϑΝΠόʔʢӈਤ H ʣʹΑ ͬͯɺ΢ΟδΣοτͷҐஔΛςʔϒϧԼͷΧϝϥʹૹ৴͢Δ࢓૊ΈɻΧϝ ϥͰऔಘ͞ΕͨϏσΦΛ΋ͱʹɺΦϒδΣΫτͱλονૢ࡞Λݕग़͢ Δɻ
65. *OUFSBDUJPO
    5FDIOJRVFT
    GPS
    .VTJDBM
    1FSGPSNBODF
    XJUI
    5BCMFUPQ
    5BOHJCMF
    *OUFSGBDFT ୎্ʹ͋ΔΦϒδΣΫτͷҐஔΛ௥੻͠ɺͦͷҐஔΛγϯηαΠβʔͷ ίϚϯυʹม׵͢Δ"VEJPQBEΛ༻͍ͯɺ୎্༗ܗΠϯλϑΣʔεͷҰ࿈ ͷΠϯλϥΫγϣϯٕज़Λ঺հͨ͠ɻ"VEJPQBE͸Ґஔ௥੻ͷΈ͚ͩͰͳ ͘ɺϘλϯ΍μΠΞϧͱݴͬͨ͞ΒͳΔΠϯλϑΣʔεͱͯ͠ͷ෺ཧతͳ ཁૉ΋αϙʔτ͍ͯ͠Δͱ͜Ζʹ৽نੑ͕͋Δɻ͜ͷݚڀΛ௨ͯ͡ɺڠ ಉ࡞ۀΛ໨తͱͨ͠୎্ΠϯλϑΣʔε͸ɺΠϯλϥΫγϣϯʹࢀՃ͠ ͳ͍๣؍ऀʹ΋ݟ΍͍͢Α͏ʹσβΠϯ͢Δ΂͖ͩͱ݁࿦͚ͮͨɻ
66. どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ Biofeedback Interactive VR System Using Biological Information Measurement HMD (SA’19) 与える温度が一通りであるなど、実験の変数が少なかった。 体温が人毎に異なることや環境の状態などにより、同じ温度でも 感じ方が異なる。 HMDの四隅にペルティエ素子を取り付け、上下左右へと温度変化 を移した後、移動の方向を答えてもらい、それが正しかった割合 が71.84%だったことから。 ペルシェ効果により、温度変化を作り出す技術 刺激を与える位置を動かす事で、水の流れや風の感覚などの、よ り様々な情報を与え得ること。 今までは静的（時間で位置が動かない）な温度の変化を与える物 がほとんどだったが、 これは動的（時間で位置が変化する）な温度の変化を与えている 点 動的（時間で位置が変化する）温度の変化を与えることで、より 様々な情報を与えるHMDを作るための予備実験として、人が動的 な温度変化をどの程度知覚できるかを調べたもの。 TEI'17 : A Thermal Pattern Design for Providing Dynamic Thermal Feedback on the Face with Head Mounted Display （2017）Zikun chen/Roshan Lalintha Peiris/Kouta Minamizawa https://dl.acm.org/ft_gateway.cfm?id=3025060&ftid=1857183&dwn=1&CFID=27040065&CFTOKE N=f96e5cc745a649f8-BF91ED2E-EF73-A9C7-5A00DBAF85993458
67. Masahiro Inazawa / Hu Xianyin / Yuki Ban https://dl.acm.org/doi/abs/10.1145/3355049.3360523 どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ Joan Sol Roo et al. 2017. Inner Garden: Connecting Inner States to a Mixed Reality Sandbox for Mindfulness. 言及なし 実験を行い、9/14の被験者でR-R intervalが脈拍から1%以下の精度で計算できること、 呼吸からgravity frequencyのピークとセンターをそれぞれ0.6%, 1.3%で計算できたこ と ユーザーの生体情報のセンシングによってVR体験の質を評価するものはあったが、 情報とインタラクティブな体験について研究しているところはすくなかった。 VR体験中のユーザーの心拍数や呼吸を計測し、ユーザーの心理状態や感情を推定。 その情報を体験の内容に反映させるもの。 Biofeedback Interactive VR System Using Biological Information Measurement HMD (SA’19) HMDVR体験中はユーザーの体が動くため、ノイズが入りやすくなってしまう。HMDに 取り付ける形で顔でセンシングすることで精度を確保した [Bugnon et al. 2017]. のアルゴリズムを用いて心拍数から感情の推定を行った
68. Joan Sol Roo / Renaud Gervais / Jeremy Frey / Martin Hachet https://dl.acm.org/doi/pdf/10.1145/3025453.3025743 どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ tangibleでinteractiveなAugumented Sandbox。 砂に映像が投影されており、砂を動かすとそれに応じて映像の地形も変化する VRHMDで作成された世界に入ることもできる。 マインドフルネスの支援をすることを目的としている。 Inner Garden: Connecting Inner States to a Mixed Reality Sandbox for Mindfulness (CHI’17)
69. Guillermo Bernal*, Tao Yang+, Abhinandan Jain*, Pattie Maes* https://dl.acm.org/doi/abs/10.1145/3267242.3267268 どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ 参考文献 ディスカッション 実験 関連研究 ユーザーが装着しているHMDから複数の生理学的なデータを収集するもの xR体験の評価や、XRを用いた治療の際のセンシングの助けとなることを目的として いる PhysioHMD: a conformable, modular toolkit for collecting physiological data from head-mounted displays (ISWC’18) マテリアル&メソッド
70. Stephen W. Gilroy, Julie Porteous, Fred Charles, Marc Cavazza https://dl.acm.org/doi/abs/10.1145/2166966.2167039 どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ 議論はある？ どうやって有効だと検証した？ 次に読むべき論文は？ 参考文献 ディスカッション 実験 関連研究 ユーザーの能動的な行動や選択ではなく、ガルバニック皮膚反応やEMGなどを用い た生理的な反応を受動的な入力として利用することで没入感を損なわない、インタ ラクティブなストーリーテリングの手法 PINTER: Interactive Storytelling with Physiological Input (IUI’12) マテリアル&メソッド
71. ͲΜͳ΋ͷ ઌߦݚڀͱൺ΂ͯԿ͕͍͢͝ ٕज़΍ख๏ͷΩϞ͸Ͳ͜ Ͳ͏΍ͬͯ༗ޮͩͱݕূͨ͠ ٞ࿦͸͋Δ ࣍ʹಡΉ΂͖࿦จ͸  ਓؒίʔε ը૾ίϯςϯπͷ಺༰Λද͢୯ޠͳͲ͔ΒࡶࢽͷϨΠΞ΢τΛࣗಈ ੜ੒͢Δख๏
    Ϣʔβʔ͕ϨΠΞ΢τʹ੍ݶΛ༩͑Δ͜ͱͰͦΕʹԊ ͬͨࣗಈੜ੒΋ߦ͏͜ͱ͕Ͱ͖Δ ઌߦݚڀͰ͸
    ͍͔ͭ͘ͷσβΠϯϧʔϧʹج͍ͮͨ
    ϨΠΞ΢τͷ ςϯϓϨʔτΛར༻͍ͯͨͨ͠Ί
    ୯ޠ͝ͱͷࡉ͔ͳҧ͍Λ൓өͰண ͳ͔ͬͨ
    ͔͠͠
    ຊख๏Ͱ͸ίϯςϯπͷඍົͳࠩҟΛ൓ө ೖྗը૾ͱͦͷΩʔϫʔυ΍ΧςΰϦʔͳͲͷͦΕͧΕ͔Βಛ௃ϕΫτϧΛநग़ ͠
    ͦΕΒΛ౷߹͢Δ͜ͱͰϚϧνϞʔμϧಛ௃Λੜ੒
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    ͦͯ͠
    જࡏม਺ͱϚϧνϞʔμϧಛ௃͔ΒϨΠΞ΢τΛੜ੒͢Δ("/Λੜ੒
    
    
    σʔληοτ͸ϑΝογϣϯ
    ৯඼
    χϡʔε
    Պֶ
    ཱྀߦ
    ݁ࠗࣜͷΧςΰϦʔ͔ ΒͳΔ ͷΠϯλʔωοτͷࡶࢽϖʔδ ఏҊख๏ʹΑΔϨΠΞ΢τͱ(SPVOE
    USVUIͱͷൺֱʹ͍ͭͯ
    ҰൠਓٴͼΤΩεύʔτʹΑΔϢʔβʔελσΟΛ࣮ࢪͨ͠
    Ұ ൠਓ
    ΤΩεύʔτͱͱ΋ʹׂڧ͕ఏҊख๏ͷํ͕༏Ε͍ͯΔ ͱධՁ ը૾ͷ্ʹจࣈ͕ॏͳΔΑ͏ͳϨΠΞ΢τͷ৔߹
    ਓؒͷإͷ্ʹจ ࣈ͕ॏͳͬͨΓը૾ͷಛ࣭ͱ߹͍ͬͯͳ͍Α͏ͳग़ྗ͕ग़Δ͜ͱ͕ ͋Δ
    ·ͨ
    Θ͔ͣʹζϨ͕ੜͨ͡Γ͢ΔͳͲͷΑ͘஌ΒΕͨσβΠ ϯϧʔϧʹ४ڌ͠ͳ͍ը૾͕ੜ੒͞ΕΔ͜ͱ΋͋Δ
    ϨΠΞ΢τͷࣗಈੜ੒ʹؔ͢Δ࿦จ
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    <0`%POPWBO
    FU
    BM
    >
    ͳͲ Content-aware Generative Modeling of Graphic Design Layouts
72. ͍͔ͭ͘ͷϏδϡΞϧσβΠϯݪଇͰఆٛ͞ΕͨΤωϧΪʔؔ਺Λ ࠷దԽ͢Δ͜ͱʹΑΓ
    ݩͷϨΠΞ΢τΛ੔ཧ͢Δख๏
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    ϞσϧͷཁૉͷҐஔ΍εέʔϧ͸ม͑ΒΕΔ΋ͷͷ
    ճస
    ϑΥϯτ ͷछྨ΍େ͖͞
    վߦͳͲଞͷཁૉ͸ม͑ΒΕͳ͍ ը૾ͱจࣈ͔Βࢹ֮తʹັྗతͳWJTVBMUFYUVBM
    QSFTFOUBUJPO
    MBZPVUΛੜ੒͢Δख๏
    จࣈͷ഑ஔ
    ৭
    ϑΥϯτͳͲΛઐ໳Ո͕࡞ ੒ͨ͠τϐοΫʹґଘͨ͠ϨΠΞ΢τςϯϓϨʔτΛར༻ͯ͠ੜ੒ ͍ͯ͘͠
    ࢹઢͷ޲͖ͳͲ΋ݕ஌ͯ͠ϨΠΞ΢τΛߦͳ͍ͬͯΔ
73. XFCϖʔδؒͷίϯςϯπΛҰൠతʹ͔ͭޮ཰తʹࣗಈతʹϦλʔ ήοτ͢ΔͨΊͷ#SJDPMBHFΞϧΰϦζϜΛఏҊ
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    
    ຊख๏Ͱ͸)5.-͚͕ͩͩ
    ͜ͷΞϧΰϦζϜ͸εϥΠυϓϨθϯς ʔγϣϯ΍ϕΫλʔάϥϑΟοΫεʹ΋ద༻Մೳ XFCσβΠϯʹରͯ͠
    ࢹઢΛ༠ಋ͍ͨ͠ॱংΛࢦఆ͢Δͱ
    ͦͷࢹ ઢ͕༠ಋͰ͖ΔΑ͏ʹݩͷXFCσβΠϯͷཁૉͷ৭΍େ͖͞Λௐ੔T Δख๏
    ࢹઢσʔλͱXFCσβΠϯͷσʔλ͔ΒϞσϧΛߏங͍ͯ͠ Δ
    ͋͘·Ͱ৭΍େ͖͞ͳͲͷཁૉ͔͠ݟ͑ͯͳ͍ͷͰ
    ࢹઢͷ޲͖ ΍ମͷ޲͖ͳͲͷҙຯతͳͱ͜Ζ͸ߟྀ͞Ε͍ͯͳ͍
74. 4LFUDIQMPSFS
    ͱ͍͏ϞσϧϕʔεͷϦΞϧλΠϜͷ࠷దԽʹΑͬͯ ࣮ݱ͞ΕΔ
    ΠϯλϥΫςΟϒͳϨΠΞ΢τεέονπʔϧΛఏҊ
    
    
    
    
    ༧ଌϞσϧΛ࢖༻ͯ͠มߋΛఏҊ͢Δ
    ͋͘·ͰఏҊʹͱͲ·Γ
    VTFSͷૢ࡞͸अຐ͠ͳ͍
    ·ͨ࠷ॳ͔Β໨తͱͳΔϨΠΞ΢τ͕ఏ ࣔ͞ΕΔ͜ͱ͸ͳ͍
    ࣮ݧͰ͸࡞ۀͷޮ཰Խʹͭͳ͕ͬͨ
75. Palette-based Photo Recoloring Huiwen Chang Ohad Fried Yiming Liu Stephen DiVerdi Adam Finkelstein もの? カラー ッ 編集し 画像の色 変更 シンプル 直感 的 インタラ テ ツール 先行研究 比 す い? 高速 あ うえ 使用しやすく 表現力も高い 初心者 もエキス ー 同等の結果 得 技術や手法のキモ k-means法 画像 カラー ッ 作成す た の効率的 アル ム 色域外 出 い や輝度の単調性 考慮した 変更後の ッ 基 い 画像の色 変更す 新しいカラー転写アル ム(色 空間の放射状減衰の定式化や伝達関数の性質特定 行う) うや 有効 検証した? 既存の方法 比較(結果画像 タイム ター ッ の距離) 実際 初心者 使用し も ーザ調査 議論 あ ? 色名の計算モ ル 検討す 直感性 高ま もし い( の人 黒 赤 変更す いう う 色の名前 考え ） 次 読 論文 ? Image appearance exploration by model-based navigation. In Computer Graphics Forum, vol. 28, 629ど638.
76. AppProp: All-Pairs Appearance-Space Edit Propagation Xiaobo An Fabio Pellacini 空間的 変化す 複雑 ータ ッ の外観 編集す た の直感 的 効率的 インタラ テ 方法 提案 ーザ ータ ッ の様々 領域 大ま 調整 指定す そし 類似した 外観の近接領域 適用す いう方針 基 エネル ー 最適化の公式 使用し 最終的 編集 インタラ テ 反映 させ 数千億の要素の密行列 定義さ 線形シ ステム 高速・高精度 解く 近似アル ム 実現さ Manifold Preserving Edit Propagation Xiaowu Chen Dongqing Zou Qinping Zhao Ping Tan インタラ テ 新しい編集伝播アル ム 提案 従来の ル間の類似性評価 編集伝播 異 特徴空間内のす の ル 形成さ 全体的 多様体構造 保持す 実現す 具体的 局所線形埋 込 (LLE) 従 各 ル 特徴空間内のいく の最近傍の線形結合 し 表し 編集伝播中 の線形関係 維持し う す の方 法 ンドした色(物体の境界 ) 対し も安定し 実行効 率も良いた 高解像度の画像や動画 も適用
77. Optimizing Color Consistency in Photo Collections Yoav HaCohen Eli Shechtman Dan B Goldman Dani Lischinski 写真コ ションのインタラ テ 編集 可能 す 色の一 貫性 自動的 最適化す た の新しい実用的 方法 紹介 ー ザ 選択した写真の色や色調 調整した場合 その変更 コ ション内の他の画像 自動的 反映さ 可能 限 一貫性 維持 さ 写真 ノード 共有コンテンツ エッ 表すマッ ラ 作成し 各エッ 写真間の対応す 領域のサイ 一致度 基 い 重 割 当 接続さ た写真間の外観の一貫性 ラ 全体 2次コス 関数 最小化す 達成す 写真 全体の色の一貫性 各写真のダイナ ッ ン の維持 元の外観 の逸脱の制限 の間の ランス 取 た いく 正則化の制約 設け コス 関数 アル ム内の1枚の写 真 調整す たび 効率的 再最適化 Data-Driven Image Color Theme Enhancement Baoyuan Wang Yizhou Yu Tien-Tsin Wong Chun Chen Ying-Qing Xu 画像のカラー構成 希望す カラーテーマの印象( 優雅 悲しい ) 向け 操作す た の例 基 く方法 ーザ 目的のカラーテーマ 選択す システム 入力画像の色 自 動的 変更す の 画像の自然さ 維持し 目的のカ ラーテーマ 一致す 入力画像の新しい色構成 探索す 最適 化問題 し 希望のテーマの色 天然の素材の色 ーザ定義の 色制約の間 ランス 取 う す また 心理物理学的研究 通 開発さ た色空間 使用し 画像 カラーテーマの違いの 定量化す
78. Colorization using Optimization Anat Levin Dani Lischinski Yair Weiss 静止画像 画像シーケンスの両方 適用 統一さ た ーム ワー 基 いた 正確 手動 ンテーションも追跡も必要 し い 新しいインタラ テ カラー化手法 領域の内部 目 的の色 落書 す 着色の制約 行い 強度境界 尊重し 自動的 画像シーケンスの残 の ル 色 伝播す 基 アル ム 同様の イ ベル 持 時間的 空間的 近くの ルも同様の色 持 あ いう単純 前提 基 い い 2次コス 関数 使用し の前提 形式化し 標 準的 手法 使用し 効率的 解決 最適化問題 取得す
79. Engagement with Social Media and Social Media Advertising: The Differentiating Role of Platform Type Hilde A. M. Voorveld, Guda van Noort, Daniël G. Muntinga & Fred Bronner Understanding Online Firestorms Juergen Pfeffer Kathleen M Carley
80. THE EFFECTS OF MEDIA CONTEXT EXPERIENCES ON ADVERTISING EFFECTIVENESS Edward C. Malthouse Bobby J. Calder Ajit Tamhane The Medium as a Contextual Cue Micael Dahlen
81. Electronic Word-of-Mouth via Consumer-Opinion Platforms Thorsten Hennig-Thurau Kevin P. Gwinner Gianfranco Walsh Dwayne D. Gremelr Cultural Difference in Motivations for Using Social Network Sites Yoojung Kim Dongyoung Sohn Sejung Marina Choi
82. Understanding Online Firestorms Juergen Pfeffer Kathleen M Carley
83. The New ext4 Filesystem: Current Status and Future Plans. どんなものか 先行研究と比べてどこがすごいか 手法のキモ 有効性の検証について 次に読む 議論の有無 Avantika Mathur, Mingming Cao, Suparna Bhattacharya, Andreas Dilger, Alex Tomas, Laurent Vivier ext3 後継 あ ext4 作 点 進化 点 引 継い 3 使 検証 説明 検証系？ い 旧世代 比べ 30-40% 改善 得 XFS ext3(比較用) ext4 対 FFSB(Flexible Filesystem Benchmark) Postmark IOzone 使 拡張 小規模 対 作業量 全体的 ベン ー 行 整理 ッ 番号 64bit 拡張 ext3 ッ 拡張さ 48bit extent mapping 使用 最大60bit ま 2^60byte(1EB)ま ー こ う 今ま ー さ い 大規模 ー ー ビ ー ン 強化 取 入 い
84. 関連論文 少 い+探し 閲覧 ったた 関連 4本 み す 第3回分 閲覧済み
85. A Directory Index for Ext2 どんなものか 内容 どんなものか 内容 Daniel Phillips 現在 様々 ベン ー 存在 い 大規模 比較的長持 ー 対 ー ッ (throughput, 情報量)や ー ン 重視 い web 大規模 短命 ー 扱い 前述 ベン ー 試 こ 難 い(拡張不可能) PostMark 最小限 ソ 構成 ー 負荷 ュ ー 完全 再現性 提供 作成さ 小さく短命 や ー 扱う う 例え 電子 ー ネッ ニュー E ー う ン ン ベン ー 可能 ベン ー PostMark: A New File System Benchmark Jeffrey Katcher 当時 構築 B木や ー ン ネッ 除く 変数 使用 盛 ext2 B木 採用 いう議論 行わ い ま 実装 さ 実装自体 複雑 あ こ ッ ュ化さ キー 使 H木 いう 発案 こ B木 同等 性能 実装 ン 特徴 さ 既存 下位互換性( ま 今ま 管理 ー ョン 変わ まう 最悪 壊 まう) け く以前 ー ョン Linux 上位互換性 実現 こ 判明 ext ー 2代目 あ ext2 紹介 実装方法 紹介 い
86. Planned Extensions to the Linux Ext2/Ext3 Filesystem どんなものか 内容 どんなものか 内容 Theodore Y. Ts’o, et al. ext2/3 開発者や ュニ 大 いこ 上下位互換性 あ 信頼性 あ こ 特徴 あ さ ext2/3 基本的 設計原理 壊 や い ー 構造 避け 単一 ッ 損失 引 起こさ 可能性 あ ー 制限 こ 特徴 あ (他 ー 構造的 壊 や い) こ 論文 いまま 議論さ ext3 改良 加え こ う 改良 行 いく い 議論 い ext3 導入さ い ン ッ ッ 予約 ン ン Linux 2.6 ーネ ン ン 受け入 い 機能 い 議論 い State of the Art: Where we are with the Ext3 filesystem Mingming Cao, et al. ン ext2 説明(前 同 ) 書 い ext2 拡張 必要 追加機能 紹介 ext3 移行 必要 説明 い 拡張 機能 ン ッ ン ン extended inode attribute 制御 ー extensible inode table extent map preallocation あ ext2 互換性 維持 拡張性 追及 設計さ い こ 論文 可能 限 上位互換性 下位互換性や 性 維持 高度 機能 追加 方法 説明 い ← 最高 読み い
87. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ᢏ⾡䜔ᡭἲ䛾䜻䝰 䛹䛖䜔䛳䛶᭷ຠ䛰䛸᳨ド䛧䛯䠛 ㆟ㄽ䛿䛒䜛䠛 ḟ䛻ㄞ䜐䜉䛝ㄽᩥ䛿䠛 ᐇ෗ᫎീ䛸䝇䝍䜲䝹ぢᮏ䜢ධຊ䛸䛧䛶ᡭ᭩䛝䜰䝙䝯䞊䝅䝵 䞁䜢⏕ᡂ䛩䜛 ㏆ഐ䛾䜻䞊䝣䝺䞊䝮㛫䛾ᵓ㐀ኚ໬䛻䜘䜛ရ㉁పୗ ᫎീෆ䛾↷᫂ኚ໬䜈䛾ᑐᛂ Ἔ⤮䚸Ỉᙬ䚸㖄➹䚸䝕䝆䝍䝹䝨䜲䞁䝖䛺䛹」ᩘ䛾ⱁ⾡ ⾲⌧䜢ྵ䜐␗䛺䜛䝇䝍䜲䝹䜢䛔䛟䛴䛛䛾ᫎീ䛻㐺ᛂ 䛧䛯⤖ᯝ䜢䚸᪤Ꮡᡭἲ䛷⾜䛳䛯ሙྜ䛸ẚ㍑䛧䛯䚹 䛹䛾䜘䛖䛺ᫎീ䛻䜒㐺⏝䛷䛝䚸ᚑ᮶䛾䜰䝙䝯䞊䝅䝵䞁䛸 ' 䜰䝙䝯䞊䝅䝵䞁䛾䝇䝍䜲䝹䜼䝱䝑䝥䛻ᑐฎ䛧䚸ᐇ෗ᫎീ䛸䝇 䝍䜲䝹ぢᮏ௨እ䛾ධຊ䜢ᚲせ䛸䛧䛺䛔䚹䝇䝍䜲䝹ぢᮏ䛿 䜰䞊䝔䜱䝇䝖䛻௵䛥䜜䜛䚹 ධຊᫎീ䛾Ⰽ᝟ሗ䜢䚸䜸䝥䝔䜱䜹䝹䝣䝻䞊᥎ᐃ䜢⏝䛔䛶⏕ᡂ䛥䜜䛯 ㏆ఝⓗ䛺఩⨨䞉᫬㛫䛾䜺䜲䝗䛸䛸䜒䛻౑⏝䛧䛶᫬㛫ⓗ䛺୍㈏ᛶ䜢ಖ 䛴䚹䝟䝑䝏䝧䞊䝇ྜᡂ䜰䝹䝂䝸䝈䝮䜢ే⏝䛩䜛䛣䛸䛷ᫎീ䛾ရ㉁䜢ಖ 䛴䚹 21'ě(--$05,â.$âÈ5.$62&+2529È21'ě(-7(;/(50,&+$//8.Èý-$.8%),â(5 -,1*:$1/8(/,6+(&+70$1'$1,(/6é.25$ 6W\OL]LQJ9LGHRE\([DPSOH SDWFKEDVHGWUDQVIHU 䛻䛴䛔䛶
88. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 㢼ᬒ⏬ീ䛸䝇䝍䜲䝹⏬ീ䜢ධຊ䛸䛧䛶䚸㢼ᬒ⏬ീ䛾ぢ䛯 ┠䜢䝇䝍䜲䝹⏬ീ䛾ぢ䛯┠䛻ྜᡂ䛩䜛䜰䝹䝂䝸䝈䝮 &11 䛻䜘䛳䛶⏬ീ䛾䝁䞁䝔䞁䝒䛸䝇䝍䜲䝹䜢ศ㞳䛩䜛䛣䛸䛷ྜᡂᚋ䜒 䝁䞁䝔䞁䝒䜢ኻ䛖䛣䛸䛜䛺䛔 /HRQ$*DW\V$OH[DQGHU6(FNHU0DWWKLDV%HWKJH ,PDJH6W\OH7UDQVIHU8VLQJ&RQYROXWLRQDO1HXUDO1HWZRUNV 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ඖ⏬ീ䛸䚸䝇䝍䜲䝹⏬ീ䜢ධຊ䛧䛶ඖ⏬ീ䛻䝇䝍䜲䝹⏬ീ 䛾䝇䝍䜲䝹䜢㐺ᛂ䛧䛶ྜᡂ䛩䜛ᩍᖌ䛺䛧䜰䝹䝂䝸䝈䝮 䛣䜜䜎䛷䛾䝟䝑䝏䝧䞊䝇䛾ᡭἲ䛸䛿␗䛺䜚䚸䝇䜿䞊䝹䛻౫Ꮡ䛩䜛䛣䛸 䛺䛟ྜᡂ䛩䜛䛣䛸䛜䛷䛝䜛䚹ᩍᖌ䛺䛧Ꮫ⩦䛻䜘䜚஦๓䛻カ⦎䛥䜜䛯 &11 䜢ᚲせ䛸䛧䛺䛔䚹 6SOLWDQG0DWFK([DPSOHEDVHG$GDSWLYH3DWFK 6DPSOLQJIRU8QVXSHUYLVHG6W\OH7UDQVIHU&935 2ULHO)ULJR1HXV6DEDWHU-XOLH'HORQ3LHUUH+HOOLHU
89. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ᫎീ䛻䝇䝍䜲䝹⏬ീ䛾䝇䝍䜲䝹䜢ྜᡂ䛩䜛䜰䝹䝂䝸䝈䝮 ᫎീ䛾䜻䞊䝣䝺䞊䝮䛤䛸䛻䝇䝍䜲䝹䜢ఏ㐩䛥䛫䜛䛣䛸䛷䚸ᫎീ䛾୙ᩚ ྜᛶ䜢ᢚ䛘᫬㛫ⓗ୍㈏ᛶ䜢ಖ䛴䛣䛸䛜䛷䛝䜛䚹 ⏬ീ䛾᫬䛻౑䛘䛯䝟䝑䝏㐺ᛂᢏ⾡䛜ື⏬䛾ሙྜ䛷䜒౑䛘䜛䛣䛸䜢♧ 䛧䛯䚹 2ULHO)ULJR1HXV6DEDWHU-XOLH'HORQ3LHUUH+HOOLHU 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 ᪤Ꮡ䛾ᡭἲ䜢㛵㐃䛵䛡䛯䝇䝍䜲䝹ྜᡂᡭἲ ඖ⏬ീ䛾ぢ䛯┠䜢⥔ᣢ䛧䛴䛴䚸䝇䝍䜲䝹⏬ീ䛾䝇䝍䜲䝹䝟䝍䞊䞁䛾 ရ㉁䜢ಖ䛴䛣䛸䛜䛷䛝䜛䚹 $UELWUDU\6W\OH7UDQVIHUZLWK'HHS)HDWXUH 5HVKXIIOH 5LFDUGR0DUWLQ%UXDOOD'DYLG*DOOXS6WHYHQ06HLW]  9LGHR6W\OH7UDQVIHUE\&RQVLVWHQW $GDSWLYH3DWFK6DPSOLQJ+$/
90. 䛹䜣䛺䜒䛾䠛 ඛ⾜◊✲䛸ẚ䜉䛶䛹䛣䛜䛩䛤䛔䠛 䝇䝍䜲䝹⏬ീ䛾䝇䝍䜲䝹䜢ື⏬඲య䛻㐺⏝䛩䜛ᡭἲ ⌫㠃⏬ീ䛷䜒䝇䝍䜲䝹㐺⏝䛜ྍ⬟䛷䛒䜛䚹 㛗䛔᫬㛫䛾ᫎീ䛷䜒୙ᩚྜᛶ䜢ᢚ䛘䛶䛔䜛䚹 ୙ᩚྜ䛜㉳䛣䜚䜔䛩䛔⏬ീ䛾ቃ⏺⥺ୖ䛷䜒ᢚ䛘䜛䛣䛸䛻ᡂຌ䛧䛶䛔 䜛䚹 0DQXHO5XGHU$OH[H\'RVRYLWVNL\7KRPDV%UR[ $UWLVWLF6W\OH7UDQVIHUIRU9LGHRVDQG 6SKHULFDO,PDJHV
91. Animating Landscape: Self-Supervised Learning of Decoupled Motion and Appearance for Single-Image Video Synthesis どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモはどこ？ どうやって有効だと検証した？ 次に読むべき論⽂は？ 議論はある？ 主に空と⽔に焦点を当てた⾵景画像から畳み込み ニューラルネットワークを使⽤して、⾼解像度のアニ メーションを⽣成する⽅法を提案。 雲などの⾃然の動きと空の⾊の変化などの外観とを分 けて学習し、予測している。 ⽣成されたアニメーションを以前の⽅法で⽣成された アニメーションと⽐較。 ⻑い時間でのアニメーションの予測をすると不⾃然な 歪みが発⽣してしまう。 また、雲の動きの不⾃然さや、⽔⾯上の空の鏡像は空 と合わせていない。 Luan et al. 2017 self-supervised learningを⽤いて学習し、動きや⾊を 予測している。 YUKI ENDO, YOSHIHIRO KANAMORI, SHIGERU KURIYAMA
92. Fujun Luan, Sylvain Paris, Eli Shechtman, Kavita Bala 参照スタイルを忠実に取り⼊れながら、画像を処理する ディープラーニング アプローチを提案。 このアプローチはニューラルネットワークの様々なレイ ヤーを考慮することによって、スタイルを画像のコンテ ンツから分離するという⽅法に基づいている。 これまでの変換⽅法で起こっていた空間的な歪みを、変 換操作を⾊空間でのみ⾏うことにより解消した。 時刻、天気、季節、芸術的外観の変換など様々な場合で フォトリアルなスタイル変換を⾏えることでこのアプ ローチの有効性を⽰している。 Occlusion Aware Unsupervised Learning of Optical Flow Yang Wang , Yi Yang Zhenheng Yang, Liang Zhao, Peng Wang, Wei Xu Deep Photo Style Transfer 今までのオプティカルフロー予測のディープラーニ ングベースの⽅法は教師あり学習でのアプローチ だった。これは精度が⾼いが、⼤量のトレーニング データが必要。この研究では教師なし学習でのオプ ティカルフロー予測を⾏う。また、教師なし学習で の⽅法ではオクルージョンと⼤きな動きが問題とな るが、これらをモデリングすることで改善させてい る。 ディープラーニング ベースの⽅法の利点の1つはは 計算速度の速さ。
93. Wei Xiong, Wenhan Luo, Lin Ma, Wei Liu, Jiebo Luo GANベースの２段階アプローチで画像から⾼解像度の現 実的なタイムラプスビデオを⽣成する。 第⼀段階で各フレームの現実的なビデオを⽣成し、第⼆ 段階でモーションダイナミクスに関して実際のビデオに より近くなるように調節し、第⼀段階で⽣成されたビデ オを改良する。 これにより今までのアプローチよりコンテンツをリアル に保ちながら隣接するフレーム間のオブジェクトの動き をより鮮明にしている。 空のシーンを⽤いて、有効性を⽰している。 Stochastic Variational Video Prediction Mohammad Babaeizadeh, Chelsea Finn, Dumitru Erhan, Roy Campbell,Sergey Levine Learning to Generate Time-Lapse Videos Using Multi-Stage Dynamic Generative Adversarial Networks 潜在変数の各サンプルの異なる可能性のある将来を 予測するビデオ予測メソッドを開発。 現実世界の設定で複数のフレームを正常に予測する 最初の潜在変数モデル。 アクション条件設定とアクションフリー設定、おも ちゃのデータセットを⽤いて評価した。
94. Emily Denton,Vighnesh Birodkar 新規の敵対的損失を使⽤して、各ビデオフレームの潜在 表現をほぼ時間に依存しないものと時間と共に変化して いくものの2つのコンポーネントに分解する予測オートエ ンコーダの形式を提案。 結果として得られる表現は⽤途が広く、標準のLSTMに 過ぎないため、安定した⻑期予測が可能。 Unsupervised Learning of Disentangled Representations from Video
95. 3D Photography using Context-aware Layered Depth Inpainting Meng-Li Shih, Shih-Yang Su, Johannes Kopf, ia-Bin Huang もの 先行研究 比 す い 技術や手法のキモ うや 有効 検証した 議論 あ 次 読 研究 1枚のRGB-D画像 3D画像 変換す 新た 手法 提案 テ ス ャー 奥行 情報 持 ロン ・背景 イ ー 構成 さ Layered Depth Image(LDI) 空間状況 応 た方法 画像 の ル 色 び深度情報 繰 返し合成し いく 学習ベースの画像補間モ ル 使用 コンテキス 考慮し 色 深度の修復処理し 歪 少 いLDI 作成す 既存の手法 比 3D変換後の画像の歪 やエラー 最小限 改善 し い 所 ・RealEstate10Kの ータ ッ 使 従来 く使用さ い たMPI(multi-plane representation)ベースの手法 比較 ・野外 撮影さ た写真 使 Facebook 3D photos 比較 ・MPIベースの方法 比較し 各モ ル view け適切 外挿 い 評価 他 LDI使 関連etc
96. 物体の裏側の奥行 (深度) 予測す いうLayered depth Image(LDI) 予測. 従来手法 比 adaptive イ ー 数 設定可能 , semantic 情報 考慮し い Objectdriven multi-layer scene decomposition from a single image. Helisa Dhamo, Nassir Navab, Federico Tombari PatchMatch: A Randomized Correspondence Algorithm for Structural Image Editing Connelly Barnes, Eli Shechtman, Adam Finkelstein, Dan B Goldman 隣接画素のmatching 利用した近似的 最類似 ッ 検索手法 提案 画像Aの全 ッ い ，画像B内の最も類似す ッ 検索 す 際 ランダム 対応付け→画像Aの ッ ラスタスキャン …→ 上隣・左隣の ッ の対応 現在の対応 比 ，最も類似し たもの 採用→ランダム 数個のマッ ン 作成し，もし現在の 対応 も類似し い 採用 いう手順 い
97. スマー ンや一眼 撮影した写真 3D画像 再構築す 新しいアル ム 提案 ロン ッ の2 層 分け ステ ッ ン し 後 融合す ノイ アーテ ） 少 くナ ュラル 表現出来 再 構築さ た3D画像 動的 エ け も 現実空間 CG 融合させ も可能） Casual 3D Photography Peter Hedman, Suhib Alsisan, Richard Szeliski, Johannes Kopf Digging Into Self-Supervised Monocular Depth Estimation Clement Godard, Oisin Mac Aodha, Michael Firman, Gabriel J Brostow MonoDepth2 呼 単眼深度推定モ ル 紹介 SfMLearner 手法 ベース 更 Per-Pixel Minimum Reprojection Loss(合成 画像 構成す 際 問題 ルー ョンや画面外物体領域 の対処) Auto-Masking Stationary Pixels( ーム間 の変化 少量 深度 無限大 推定さ やすい領域 の対処) Full-res Multi-scale Estimation 低解像度の出力結果 穴→推定深度∞ 発生しやすい事の対処） いう3 の改善 行 い
98. Instant 3d photography Peter Hedman, Johannes Kopf ュアル ン 搭載スマー ン 撮影した画像 3D ノラ マ 構築す end-to-endアル ム 提案 ーザ スマホ 動 し 複数枚の画像 1秒間隔 キャプ ャし その際 ュ アル ン 深度画像 再構築す 目的 ステ 画像 ア キャプ ャす Casual 3D Photography 違い生成した3D ノラマ VR 両 眼 頭部の動 の視差 見 また 通常のモ イルや PC スプ イ 視差view 見 も可能
99. Learning representations by back-propagating errors(1986) もの 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 論文 https://storage.googleapis.com/pub-tools-public-publication-data/pdf/74a8df45b9583e193e6cf8e156dfba9b73c33a0c.pdf 顔の認識 検証 分類用のNN(FaceNet)の開発 先行研究 も認識率 良い (YouTube Faces DB い 95.12%) Y. Sun, X. Wang, and X. Tang. Deeply learned face representations are sparse, selective, and robust. CoRR, abs/1412.1265, 2014. 1, 2, 5, 8 /1508.01211, 2015. 独自のLoss function 使う(Triplet Loss ) curriculum learning(コス 関数 高速 極小 値 収束) 使う David E. Rumelhart*, Geoffrey E. Hintont & Ronald J. Williams* Nnのモ ルサイ 減 し CPUの使用量 減 せ スマホや ラウドコン ューテ ン のた の軽量化 Youtubu face DC LFWの ータ い 認 識率 測定 顔の分類結果 表示
100. Deeply learned face representations are sparse, selective, and robust もの 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 論文 顔認識のた の高精度 Deep CNN(DeepID2+)の開発 学習 ータのノイ の対応力 調 顔認識 す 顔の状態 二種類分類す 中程度 NN ス ース化す NN中 認識結果 類似す 出力 す ニューロ ン 注目す Yi Sun1 Xiaogang Wang2,3 Xiaoou Tang1,3 YouTubeFaces 93.2%の認識率 学習画像 ノイ あ も大丈夫
101. Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments もの 先行研究 比較 実験方法 疑問点・感想 次 読 論文 Labeled Faces in the Wild いう顔認識 用の ータベース 作 た 角度 画質 背景 制約の何 ータ ベース あ 二 の顔の画像 同一人物 う 認識す た の ータ ッ 含ま い 顔認識処理の計算コス の削減 認識制度 の改善 期待 数種類の ータベース 数種類の認識手法 実験結果 比較 Gary B. Huang, Marwan Mattar, Tamara Berg, Eric Learned-Mille
102. Distance Metric Learning for Large Margin Nearest Neighbor Classification もの 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 論文 画像の分類機の精度の向上(LMNN) K近 傍法 用い マ ラノ ス距離 学習 し分類精度 向上 学習の際 ロー ル 最小値 効率的 発見 Mnist ータや顔認識 の課題 分類手法 適応し 認識率 測定 半正定値計画問題 用い 最適化す Kilian Q. Weinberger, John Blitzer and Lawrence K. Saul Department of Computer and Information Science, University of Pennsylvania
103. Curriculum Learning もの 先行研究 比較 重要 技術 実験方法 疑問点・感想 次 読 論文 コス 関数 非凸面 も高速 極小値 収束 curriculum learning 提案 コス 関数の収束 速い 画像処理 言語処理の二 のタス 提案した学習 手法 有効 確 簡単(一般的) ータ 学習 始 徐々 複雑 ータ 学習させ Yoshua1 J´eおˆome LouradourRonan1,2 Collobert Jason Weston3 (1) U. Montreal, P.O. Box 6128, Montreal, Canada (2) A2iA SA, 40bis Fabert, Paris, France (3) NEC Laboratories America, 4 Independence Way, Princeton, NJ, USA
104. Learning representations by back-propagating errors(1986) もの 先行研究 比較 新た 学習手順(Back propagation) の説明 高速 NNの変数 調整 極小 収束 し くい David E. Rumelhart*, Geoffrey E. Hintont & Ronald J. Williams*
105. Deep Neural Networks for YouTube Recommendations どんなもの？ 先⾏研究と⽐べてどこがすごい？ 技術や⼿法のキモは？ どうやって有効だと検証した？ YouTubeのおすすめ機能に⽤いられて いるDNNアーキテクチャの概要. 以前の⾏列因数分解アプローチに⽐べて 精度が良い. 最新の動画にも同様に対応 できる. YouTubeのDNNシステムにはGoogle Brainが⽤いられており, ⼤きな3つの課 題(Scale, Freshness, Noise)に対応する ため, 全体のシステムを候補⽣成とラン キングの2つのニューラルネットワーク により構成される. 候補⽣成ネットワー クでは⾮線型⼀般化を⽤い, ユーザの視 聴履歴やコンテクスから, 数百万のビデ オの中から数百の候補に絞る. 次に, ラ ンキングネットワークではロジスティッ ク回帰を⽤いて, 候補動画にスコア付け をする. これらのネットワークを⽤いる ことにより, 最適なおすすめ機能を可能 とする. ライブ実験によるA/Bテストを⾏った. この評価は, クリック率, 総再⽣時間, ユーザエンゲージメントを基準とした. PAUL CONVINGTON, JAY ADAMS, EMRE SARGIN 議論はある？ 次に読むべき論⽂は？ 動画のパラメータ付けは, 科学分野だけ でなく, 芸術分野の要素も含むため, そ れに対するアプローチ. Davidson et al. 2010 Dean et al. 2012 Weston et al. 2011 Burges et al. 2013 Elkahky et al. 2015
106. どんなもの？ 2010年頃のYouTubeのおすすめ 機能について. 候補⽣成には シードセットを⽤いた検討, ラ ンキングには3項⽬における線 形結合を⽤いている. どんなもの？ 教師なし特徴学習とディープ ラーニングにおける, ⼤規模モ デルに対するパフォーマンスの 研究. DistBeliefと呼ばれるソフ トウェアフレームを開発し, ⼤ 規模ニューラルネットワークを 構築して, 良いパフォーマンス を達成した. どんなもの？ 画像認識⼿法WASABIEの提案. ここでは, 画像の注釈について ランク付けを⾏って最適化する と同時に, 画像と注釈の低次元 ジョイント埋め込みスペースを 学習すつことで強⼒な画像認識 を⾏う. The YouTube video recommendation system JAMES DAVIDSON, BENJAMIN LIEBALD, JUNNING LIU, PALASH NANDY, TAYLOR VAN VLEET Large scale distributed deep networks JEFFREY DEAN et al. WSABIE: scaling up to large vocabulary image annotation JASON WESTON, SAMY BENGIO, NICOLAS USUNIER
107. どんなもの？ デジタル環境での⾳楽鑑賞にお けるおすすめ機能に, 潜在要素 モデルを利⽤した⼿法の提案. 潜在要素の取得に畳み込みDNN を使⽤した. 協調フィルタリン グと組み合わせて使うのが良さ そう. どんなもの？ オンラインサービスにおけるお すすめ機能に, マルチビュー深 層学習を導⼊し, モデルを拡張 し, 異なるドメインのアイテム 機能とユーザ機能から共同で学 習するフレームワークの提案. また, それ⾃体の拡張. 従来の 様々なシステムより遥かに優れ た結果を出した. Deep content-based music recommendation AÄRON VAN DEN OORD, SANDER DIELEMAN, BENJAMIN SCHRAUWEN A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems ALI MAMDOUH ELKAHKY, YANG SONG, XIAODONG HE
108. ೖྗө૾ͷΈΛ༻͍ͯϙʔτϨʔτө૾Λ
     Ұൠతͳ੩తഎܠͷલͰɺର৅ͱͳΔആ༏ͷ
     ϑΥτϦΞϧͳإશମͷϏσΦϙʔτϨʔτΛ߹੒͢Δ ͲΜͳ΋ͷʁ ઌߦݚڀͱൺ΂ͯͲ͕͜ੌ͍ʁ ٕज़΍ख๏ͷΩϞ͸ʁ Ͳ͏΍ͬͯ༗ޮͰ͋Δͱݕূͨ͠ʁ ٞ࿦͸͋Δʁ ࣍ʹಡΉ΂͖࿦จ͸ʁ ݩͷആ༏ͷ಄ͷҐஔɺ಄ͷճసɺإͷද৘ɺࢹઢɺ·͹͖ͨͷ
     ࣍ݩશମΛɺର৅ͷആ༏ͷϙʔτϨʔτө૾ʹసૹ͢Δ إͷܗঢ়ɺ൓ࣹ཰ɺಈ͖ɺࢹઢɺ·͹͖ͨͳͲ
     Λදݱ͢Δ࣌ؒతʹίώʔϨϯτͳө૾߹੒ͷͨΊͷ
     ৚݅ೖྗͱͯ͠ͷ৽͍ۭ࣌͠ූ߸Խ
     ৽͍ۭ࣌͠ΞʔΩςΫνϟΛ࣋ͭੜ੒χϡʔϥϧωοτϫʔΫ ݱࡏͷ࠷ઌ୺ͷ࠶ݱΞϓϩʔνͱൺֱ͠
     େن໛ͳ΢ΣϒϕʔεͷϢʔβʔݚڀʹΑͬͯݕূ ύϥϝτϦοΫϞσϧͰإΛ௥੻͢Δ͚ͩͳͷͰ
     ಑ମ΍൅ͷໟͷಈ͖Λੵۃతʹ੍ޚͨ͠Γ
     എܠΛ੍ޚͨ͠Γ͢Δ͜ͱ͸Ͱ͖ͳ͍
     ༩͑ΒΕͨ಄ͷϙʔζʹରͯ͠
     ΋ͬͱ΋Β͍͠ମͱഎܠΛ҉໧తʹ߹੒͢Δ͜ͱ͸Մೳ .JS[B
     BOE
     0TJOEFSP
      %FFQ
     7JEFP
     1PSUSBJUT ):&0/(800
     ,*.
     
     
     
     
     1"#-0
     ("33*%
     
     
     
     
     ":64)
     5&8"3*
     
     
     
     
     +64564
     5)*&4
     BOE
     8&*1&/(
     96
     
     
     
     
     1"53*$
     1&3&;
     
     
     
     
     $)3*45*"/
     3*$)"3%5
     
     
     
     
     .*$)"&-
     ;0--)0'&3
     
     
     
     
     $)3*45*"/
     5)&0#"-5 5SBOTBDUJPO
     PO
     (SBQIJDT
     
109. ؔ࿈ݚڀ ఢରతੜ੒ωοτϫʔΫͷ৚݅෇͖όʔδϣϯΛ঺հ
     ͜Ε͸ੜ੒ثͱࣝผثͷ྆ํʹ৚݅෇͚͍ͨ͠
     σʔλɺZΛ༩͑Δ͚ͩͰߏஙͰ͖Δɽ ɾଟ͘ͷ೉ղͳ֬཰ܭࢉΛۙࣅ͢Δ͜ͱͷ೉͠͞Λճආ͢ΔͨΊʹ
     ɹੜ੒తͳϞσϧΛֶश͢ΔͨΊͷ୅ସϑϨʔϜϫʔΫͱͯ͠
     ɹ("/͕࠷ۙಋೖ͞Εͨɻ
     ɾ௥Ճ৘ใͰϞσϧΛ৚݅෇͚͢Δ͜ͱͰ
     ɹσʔλੜ੒ϓϩηεΛࢦࣔ͢Δ͜ͱ͕Մೳ ຊ࿦จͰࣔ͞Εͨ݁Ռ͸ۃΊͯ࢑ఆతͳ΋ͷͰ͋Δ͕
     ৚݅෇͖ఢରऀωοτͷՄೳੑΛࣔ͠ڵຯਂ͘༗༻ͳԠ༻͕
     ظ଴Ͱ͖Δ͜ͱΛ͍ࣔͯ͠Δ $POEJUJPOBM
     (FOFSBUJWF
     "EWFSTBSJBM
     /FUT .FEIJ
     .JS[B
     FU
     BM
      ɾख࣋ͪಈը͔Β׬શʹύʔιφϥΠζ͞Εͨ%إΞόλʔΛ
     ɹ࡞੒͢ΔͨΊͷ׬શͳύΠϓϥΠϯͷఏࣔ
     ɾຊγεςϜ͸ಛ௃௥੻ɺΦϓςΟΧϧϑϩʔɺγΣʔσΟϯά
     ɹ͔Βͷܗঢ়Λ౷߹ͨ͠࠷దԽΛ༻͍ͯه࿥͞Εͨද৘ͷ
     ɹը૾γʔέϯεʹϒϨϯυܗঢ়ςϯϓϨʔτΛదԠͤ͞Δ͜ͱͰ
     ɹϢʔβʔͷද৘ͷμΠφϛΫεΛ஧࣮ʹ࠶ݱ ɾϦΞϧλΠϜͷϑΣΠγϟϧΞχϝʔγϣϯΛՄೳʹ͢Δ
     ɹμΠφϛοΫ%ϑΣΠεϦάͷεέʔϧදݱΛͨ͠
     ɾೖࣹর໌Λߟྀͨ͠ೖྗը૾͔ΒҰ؏ͨ͠Ξϧϕυ
     ɹςΫενϟΛ࠶ߏங͢ΔͨΊͷ৽͍͠࠷దԽख๏ͷఏҊ
     ɾө૾ೖྗ͔ΒμΠφϛοΫϒϨϯυγΣΠϓϦάΛߏங͢Δ
     ɹ৽͍͠ΞϧΰϦζϜͷ࣮૷
     ɾҐஔݻ༗๏ઢ͓ΑͼपғͷΦΫϧʔδϣϯϚοϓʹอଘ͞Εͨ
     ɹඍࡉͳσΟςʔϧͷͨΊͷΦϑϥΠϯ࠶ߏ੒
     ɹ͓ΑͼΦϯϥΠϯ߹੒ख๏΋ఏڙ ೖྗσʔλͷ࣭͕ݶΒΕ͍ͯΔͨΊҰ؏ੑͷ͋Δ஧࣮ͳΞόλʔͷ
     ੜ੒ʹ͸େ͖ͳ՝୊͕͋Δ͕ɺ࠶ߏ੒඼࣭Λ࠷େԽ͠ͳ͕Β
     ඞཁͳϢʔβʔࢧԉΛ࠷খݶʹ཈͑Δ͜ͱ͕Ͱ͖ͨ %ZOBNJD
     %
     "WBUBS
     $SFBUJPO
     
     GSPN
     )BOEIFME
     7JEFP
     *OQVU
     "MFYBOESV
     &VHFO
     *DIJN
     
     FU
     BM
     
110. ؔ࿈ݚڀ ɾຊ࿦จͰ͸ߴ඼࣭ͳը૾ରը૾຋༁ͷͨΊͷ
     ɹྖҬఏҊܕఢରతੜ੒ωοτϫʔΫ %31"/ ΛఏҊ͢Δ
     ɾߴ඼࣭ͳ຋༁݁ՌΛੜ੒͢ΔͨΊʹ࠷ઌ୺ͷٕज़Λ
     ɹ྇կ͍ͯ͠Δ͜ͱ͕ݕূ͞Εͨ େҬతͳߏ଄Λ࣋ͪͳ͕ΒہॴతͳΞʔνϑΝΫτΛ࣋ͭը૾Λ
     ੜ੒͠ ("/Λհͯ͠ ɺ࣍ʹੜ੒ͨ͠ը૾͔Β࠷΋ِͷྖҬΛఏҊ͠
     %31OFUΛ༻͍ͯ ɺ࣍ʹΑΓݱ࣮తͳ݁ՌΛಘΔͨΊʹ࠷΋ِͷ
     ྖҬʹʮը૾ΠϯϖΠϯτʯΛ࣮૷͢Δ͜ͱͰ
     γεςϜ %31"/ Λঃʑʹ࠷దԽ͠࠷΋ΞʔνϑΝΫτͷଟ͍
     ہॴతͳ෦෼ʹ஫ҙΛ෷ͬͯը૾Λ߹੒͢Δ͜ͱ͕Ͱ͖Δ
     ͜ͷख๏ʹΑΓߴղ૾౓ͰϑΥτϦΞϦςΟͷߴ͍
     ͔͠͠ΞʔνϑΝΫτͷগͳ͍ߴ඼࣭ͳը૾Λ߹੒͢Δ͜ͱ͕Ͱ͖Δ ఏҊ͢Δ%31"/ͷੑೳ͸ਓؒʹΑΔ஌֮తͳݚڀͱ
     ࣗಈఆྔతͳଌఆʹΑΓߴ඼࣭ͳ݁ՌΛ߹੒͢ΔͨΊͷ
     ࠷ઌ୺ͷख๏ͱൺֱͯ͠ݕূ͞Ε͍ͯ %JTDSJNJOBUJWF
     3FHJPO
     1SPQPTBM
     "EWFSTBSJBM
     /FUXPSLT
     
     GPS
     )JHI2VBMJUZ
     *NBHFUP*NBHF
     5SBOTMBUJPO
     $IBP
     8BOH
     FU
     BM
      ɾຊݚڀͰ͸ө૾தͷإͷύϑΥʔϚϯεΛஔ͖׵͑Δख๏ΛఏҊ͢Δ
     ɾ͜Ε·Ͱͷݚڀͱ͸ҟͳΓγϯάϧΧϝϥͷϏσΦͷΈΛ࢖༻͠
     ɹखಈૢ࡞΍ෳ߹తͳϋʔυ΢ΣΞΛඞཁͱ͠ͳ͍
     ɾզʑͷΞϓϩʔν͸ιʔεϏσΦͱλʔήοτϏσΦͷؒͷ
     ɹΞΠσϯςΟςΟɺࢹ֮త֎؍ɺεϐʔνɺλΠϛϯάͷҧ͍Λ
     ɹߟྀ͢Δ 
     %ϚϧνϦχΞϞσϧΛ༻͍ͯιʔεө૾ͱλʔήοτө૾ͷ
     ɹ
     ྆ํͰإΛ௥੻͢Δ
     
     ιʔεө૾Λۭؒతʹ΋࣌ؒతʹ΋ϫʔϓͤ͞
     ɹ
     λʔήοτө૾ͱͷҐஔ߹ΘͤΛߦ͏
     
     ࠷దͳۭ࣌ؒγʔϜͱ৽͍͠ϝογϡத৺ͷޯ഑ྖҬϒϨϯυ
     
     
     
     
     ٕज़Λܭࢉͯ͠ɺө૾ΛϒϨϯυ͢Δ ɾຊख๏Λ༻͍ͯੜ੒͞Εͨ݁Ռ͕ݱ࣮తͳ΋ͷͰ͋Δ͜ͱΛ
     ɹϢʔβελσΟͰࣔͨ͠
     ɾকདྷతʹ͸େ͖ͳϙʔζมԽ࣌ͷΦΫϧʔδϣϯͷͨΊͷ
     ɹΠϯϖΠϯτɺେ͖͘ҟͳΔإܗঢ়ͷͨΊͷ%എܠϫʔϓɺ
     ɹιʔεͱλʔήοτؒͷর໌ҠಈͳͲͷվྑʹΑΓ
     ɹ͜ͷख๏͸͞Βʹ෯޿͍γφϦΦʹద༻Ͱ͖ΔΑ͏ʹͳΔ 7JEFP
     'BDF
     3FQMBDFNFOU ,FWJO
     %BMF
     FU
     BM
     
111. ؔ࿈ݚڀ ɾ͜ͷ࿦จͰ͸ຕͷϙʔτϨʔτࣸਅ͔ΒΧϝϥͱඃࣸମͷؒͷ
     ɹݟ্͔͚ͷ૬ରతͳϙʔζͱڑ཭Λमਖ਼͢Δํ๏Λ঺հ͢Δ
     ɾզʑͷΞϓϩʔν͸ϑϧύʔεϖΫςΟϒΧϝϥͱύϥϝτϦοΫ
     ɹ%ϔουϞσϧΛϙʔτϨʔτʹద߹ͤ͞ը૾ฏ໘಺ʹ%ϫʔϓΛ
     ɹߏஙͯ͠%Ͱ๬·͍͠มԽͷޮՌΛۙࣅͤ͞Δ΋ͷͰ͋Δ
     ɾඃࣸମͷϙʔζΛมߋ͢Δ͜ͱ΋Մೳ ɾ
     ϙʔτϨʔτͰ஌֮͞ΕͨΧϝϥڑ཭Λฤू͢Δػೳͷ࣮૷
     ɾΧϝϥڑ཭Λਪఆ͢ΔϩόετͳϔουϑΟοςΟϯάख๏ͷఏҊ
     ɾ಄෦΍ΧϝϥͷϙʔζͷมԽΛۙࣅ͢Δ৽͍͠ը૾Ώ͕ΈͷΞϓϩʔνͷ࣮૷
     ɾೖྗϙʔτϨʔτ͔ΒεςϨΦϖΞΛੜ੒͢Δํ๏ͷఏҊ
     ɾطଘͷσʔληοτͱ͜ͷ໨తͷͨΊʹࡱӨͨ͠৽͍͠σʔληοτΛ༻͍ͨΞϓϩʔνͷධՁΛͨ͠ ɾࢲͨͪͷฤू࡞ۀ͸৽͍͠ਓ෺Λ࡞ΔͷͰ͸ͳ͘ಉ͡ਓ෺ΛҟͳΔ
     ɹࢹௌ৚݅Ͱදࣔ͢Δͱ͍͏ʮ΋ͬͱ΋Β͍͠ʯྖҬʹͱͲ·͍ͬͯΔ
     ੍໿
     ɾ͜ͷύΠϓϥΠϯ͸ೖྗͱϞσϧؒͷద߹ੑʹґଘ͓ͯ͠Γద߹ੑʹࣦഊ͢Δͱ݁Ռ͕࿪Ή
     ɾݩͷը૾ʹଘࡏ͢ΔσʔλͷΈΛϫʔϓ͢Δ
     ɾզʑ͕ݱࡏߦ͍ͬͯΔໟ൅ͷѻ͍ํ͸಄෦ྖҬͷ֎ଆͰͷ׈Β͔ͳ൓Γ৔ͷ֎ૠʹΑͬͯߦΘΕ͍ͯΔ
     ɾຊख๏͸͍͔ͭ͘ͷγφϦΦͰ๬·ΕΔ͔΋͠Εͳ͍ࢹઢิਖ਼ͱۃ୺ͳදݱͷมԽΛॲཧ͠ͳ͍ 1FSTQFDUJWFBXBSF
     .BOJQVMBUJPO
     PG
     1PSUSBJU
     1IPUPT 0IBE
     'SJFE
     FU
     BM