トップページ


※上記の広告は60日以上更新のないWIKIに表示されています。更新することで広告が下部へ移動します。

「コンピュータビジョン最先端ガイド」正誤表


第一巻

ページ 箇所 コメント
初版 P.16 (43)式 \sum_{k,l=\{\pm 1\},k\neq l} \sum_{(k,l)=\{(0,\pm 1), (\pm 1,0)\}} 元の表記だとk=1, l=-1を含んでしまう
(45)式,(47)式 \nabla\phi^{n-1}_{i+k,j+j} \nabla\phi^{n-1}_{i+k,j+l}
P.78 (6)式2行目 p(t_{t}x_{t}, Y_{t-1}) p(y_{t}x_{t}, Y_{t-1})
P.79 (9)式の後の一文 共分散がそれぞれ{\bf R}_t{\bf Q}_tの正規分布 共分散がそれぞれ{\bf Q}_t{\bf R}_tの正規分布 ここでQとRを入れ替えないと、後の式展開と矛盾する
(10)式 N({\bf 0},{\bf R}_t) N({\bf 0},{\bf Q}_t)
(11)式 N({\bf 0},{\bf Q}_t) N({\bf 0},{\bf R}_t)
P.81 (20)式 x_t = x_t + \dot{x}_{t-1}\delta_t x_t = x_{t-1} + \dot{x}_{t-1}\delta_t
y_t = y_t + \dot{y}_{t-1}\delta_t y_t = y_{t-1} + \dot{y}_{t-1}\delta_t
P.88 5.4.2の3行目 X_{t}=(X_{t}, X_{t}, Z_{t}) X_{t}=(X_{t}, Y_{t}, Z_{t})

第二巻

ページ 箇所 コメント
初版 P.31 5行目 Edge of Orientation Histograms Edge Orientation Histograms
P.38, 43 (45), (46), (53), (54)式 \sum_{p:J_{t}(x_{p})=j \wedge y_{i}=+1} D_{t}(i) \sum_{i:J_{t}(x_{i})=j \wedge y_{i}=+1} D_{t}(i)
P.43 5行目 2つの局所領域であるセル 2つの局所領域で、あるセル
P.43 (52)式 条件の左横の= なし
P.66 3.1節12行目 球対象 球対称
P.66,67 (8),(9)式 各条件式にifがない
P.75 6.2節6行目 前フレームの物体位置であるx_{k+1,0} 前フレームの物体位置であるx_{k,0}
P.96 2.1節3行目 その例を示したこのような その例を示した。このような
P.98 3行目 古典的なの層状 古典的な層状
P.107 図3.7 全部分集合カーネル ANOVAカーネル
P.122 (137)式、(144)式 \sum_{\bf{j}:u=S[\bf{j}]} \sum_{\bf{j}:u=T[\bf{j}]}
(139)式の次の行 u|に関する総和 u\in \Sigma^*に関する総和
P.123 下から2行目 \lambda^{(i-i')+(j-j')}倍して \lambda^{(i-i'+j-j'-2)}倍して
P.124 図3.17(c)の左図の1箇所 \lambda^2 \lambda^3 (m=1)の図の3行目右端K^{''}(T_1,S_3)のところ
(152)式の2行下 K_{m}(S_{i-1},T_{j-1})は、灰色 K^{'}_{m}(S_{i-1},T_{j-1})は、灰色
右下がり斜線 左下がり斜線
(152)式の3行下 (1 \leq i' \leq i-1, 1 \leq j' \leq j) (1 \leq i' \leq i-2, 1 \leq j' \leq j-1)
左下がり斜線 右下がり斜線
(1 \leq i' \leq i, 1 \leq j' \leq j-1) (1 \leq i' \leq i-1, 1 \leq j' \leq j-2)
(152)式の4行下 K_m(S_{i'},T_{j'}) K_m(S_{i'},T_{j'})\cdot\lambda^{(i-i'+j-j'-2)}
P.125 (161)式およびその上の文 K_m(S,T) K_{SK}(S,T)
下から7行目の見出し 階層非循環有効グラフカーネル 階層非循環有向グラフカーネル 「有向非循環グラフ」のほうが一般的?
P.128 12行目 RHKSは, RKHSは,
P.92~P.99の14箇所 線型 線形 「線型」と「線形」の混在

第三巻

ページ 箇所 コメント
初版 P.10 3.1.2節5行目 (ただし常に\lambda \leq 0) (ただし常に\lambda \geq 0)
P.11 3.3.1節2行目 \bf{A}\bf{\delta x}=\bf{x} \bf{A}\bf{\delta x}=\bf{a}
P.29 (53)式 -\bf{A}^{*}_{11}(\bf{x}_1-\bf{x}_1^{*}+)\bf{a}_{1}' -\bf{A}^{*}_{11}(\bf{x}_1-\bf{x}_1^{*})+\bf{a}_{1}'
P.37 2.2.2節最後の行 共分散行列\bf{R}(\vec{q_{R}}) 共分散行列\Sigma_{py}
P.46 3.2.1節タイトル Iterative Psudo Point Matching Iterative Pseudo Point Matching
P.47 3.2.3節3行目 Iteralive Closest Iterative Closest
P.51 第3段落5行目 増えにより 増えたことにより または「増えて、より」?
P.97 (6)式 P(d_j,w_j) P(d_i,w_j)
P.99 (15)式 分類率 適合率
P.108 第1段落2行目 データは,として,画像 データは,画像
P.121 (1)式 P_{d1} (d) \equiv \quad ^{\forall x,y} d(x,y) \geq 0, \quad ^{\forall x} d(x,x)=0 P_{d1} (d) \equiv \quad ^{\forall x,y} d(x,y) \geq 0P_{d4} (d) \equiv \quad ^{\forall x,y} x=y \Leftrightarrow d(x,y)=0 元の条件は擬距離。距離の条件は4つ。
P.121 (5)式 ^{\forall x,y,z} d(x,y) \leq d(x,z) \Leftrightarrow \rho (x,y) \leq \rho (x,z) ^{\forall x,y,z,w} d(x,y) \leq d(z,w) \Leftrightarrow \rho (x,y) \leq \rho (z,w) これ以下の条件では(6)式に反例ができる。
P.122 3行目 (証明略) d(x,y)=d(z,w)のとき\rho (x,y)= \rho (z,w)であることを示す。
P.122 10行目 (証明略) 凹函数のグラフ上の2点を通る直線の傾きが単調減少であることを用いて三角不等式を示す。
P.122 16行目 変換した結果は〜 変換した汎距離が距離になる場合が存在する。 元の記述では曖昧。【証明】内の数式よりこの命題が妥当であると推定される。
P.123 1〜8行目 距離d(x,y)に対し、√d(x,y)は定理1より再び距離となる。これを改めて距離d \primeとし、m(x)=x^2とするとm(d \prime)が求める例となる。 凸関数の場合、一般に三角不等式は成り立たない。
P.123 14行目 常に三角不等式を満足しないわけではない。 三角不等式を満たさない場合が存在する。 後述の論理の流れに合わせるなら、こちらの表現の方がよい。
P.131 2行目 (a)のinitial guess 1.のinitial guess
P.131 3行目 (b)のverification 2.のverification
P.153 (45)式 \sum^{Q-1}_{x_j=0} \sum^{Q-1}_{x_i=0}
P.154 (45)式 \prod_{i \in \epsilon} \prod_{\{i,j\} \in \epsilon}
P.158 2行目 確率伝搬法がどうのような近似 確率伝搬法がどのような近似
P.159 4.3節 2行目 S_i = \frac{1}{2}(X_i+1) S_i = 2X_i-1 元の式ではS_i\in \{-1,+1\}とならないため
P.160 (72) Pr\{\bf{Y}=\bf{y}\mid\bf{X}=\bf{z}, \sigma\} Pr\{\bf{Y}=\bf{y}\mid\bf{X}=\bf{x}, \sigma\}
P.162 (79) Pr\{\bf{X}=\bf{z}\mid\bf{Y}=\bf{y}, \sigma, \alpha\} Pr\{\bf{X}=\bf{x}\mid\bf{Y}=\bf{y}, \sigma, \alpha\} また左辺に\sigmaがあるのに右辺にはない。
P.162 (81) \bf{z}Pr\{\bf{X}=\bf{x}\mid\bf{Y}=\bf{y}, \sigma, \alpha\} \bf{x}Pr\{\bf{X}=\bf{x}\mid\bf{Y}=\bf{y}, \sigma, \alpha\}

第六巻

ページ 箇所 コメント
初版 P.91 1行目 それ以上の多層の それより多層の 「以上」だと3層の場合がうまくいく場合といかない場合両方に含まれてしまう
P.95 6行目 ここで,この左辺第1項を ここで,この右辺第1項を (10)式に関する言及
P.108 (31)式第2項 \parallel\bf{x}-(\bf{W}f(\bf{h}+\bf{b}))\parallel^2_2 \parallel\bf{x}-(\bf{W}^T f(\bf{h}+\bf{b}'))\parallel^2_2
P.111 4.2.1節第2段落1行目 p_{model}を、RBMの状態(vおよびh)を p_{model}は、RBMの状態(vおよびh)を
P.112 (44)式 \prod^{N_H}_{j=1}\sigma(c_j+\sum_{i'}v_{i'}W_{i' j}) \prod^{N_H}_{j=1}\sigma(c_j+\sum_{i'}v_{i'}W_{i' j})^{h_j}(1-\sigma(c_j+\sum_{i'}v_{i'}W_{i' j}))^{1-h_j} 元の式だとhが含まれない。またこのように変更しないと(45)-(47)を導出できない。
P.113 (51a)式 b_i+\sum_j W_{i j}h_j b_i+\sigma_i \sum_j W_{i j}h_j 自分で導出したらこうなった
P.113 (51b)式 c_j+\sum_i v_i W_{i j} c_j+\sum_i \frac{v_i}{\sigma_i} W_{i j} 自分で導出したらこうなった
P.116 1行目 条件付き確率を用意に計算できるのが利点である。 条件付き確率を容易に計算できるのが利点である。
P.116 6行目 式(57)に式(40),(56)を代入し, 式(57)に式(55),(56)を代入し, 実際には式(55)をL層に一般化した式から導出できることを確認