「コンピュータビジョン最先端ガイド」正誤表＠Wiki

トップページ

「コンピュータビジョン最先端ガイド」正誤表

このWikiは「コンピュータビジョン最先端ガイド」の正誤表を、有志で編集するサイトです。
自動承認の形をとっているため、誰でも編集可能です。

第一巻

版	ページ	箇所	誤	正	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
	P.16	(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	$x_t = x_t + \dot{x}_{t-1}\delta_t$	$x_t = x_{t-1} + \dot{x}_{t-1}\delta_t$
	P.81	(20)式	$y_t = y_t + \dot{y}_{t-1}\delta_t$	$y_t = y_{t-1} + \dot{y}_{t-1}\delta_t$
	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

版	ページ	箇所	誤	正	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 $x_{k+1,0}$ を	前フレームの物体位置である $x_{k,0}$ を
	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	$\sum_{\bf{j}:u=S[\bf{j}]}$	$\sum_{\bf{j}:u=T[\bf{j}]}$
	P.122	(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
		(152)式の２行下	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	$K_m(S,T)$	$K_{SK}(S,T)$
	P.125	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

版	ページ	箇所	誤	正	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	$P_{d1} (d) \equiv \quad ^{\forall x,y} d(x,y) \geq 0, \quad ^{\forall x} d(x,x)=0$	$P_{d1} (d) \equiv \quad ^{\forall x,y} d(x,y) \geq 0$ $P_{d4} (d) \equiv \quad ^{\forall x,y} x=y \Leftrightarrow d(x,y)=0$	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	略	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

版	ページ	箇所	誤	正	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