| Project/Area Number |
19K20310
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Tokyo Metropolitan Industrial Technology Research Institute |
|---|
Principal Investigator |
Daisuke Miki 地方独立行政法人東京都立産業技術研究センター, 開発本部開発第三部情報技術グループ, 副主任研究員 (70757343)
|
|---|
| Project Period (FY) |
2019-04-01 – 2021-03-31
|
| Project Status |
Completed (Fiscal Year 2020)
|
| Budget Amount *help |
¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
Fiscal Year 2020: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2019: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
|
|---|
| Keywords | 人物動作解析 / 異常検知 / 深層学習 / 敵対的生成ネットワーク / 監視カメラ |
|---|
| Outline of Research at the Start |
監視カメラの設置台数は年々増加し、膨大な映像が蓄積されている。一方で、映像を自動で解析し、人物の不審な動作を検知するような技術は実用化に向けて研究の余地がある。本研究は、監視カメラ映像から不審動作を検出ための学習手法を確立する。正常動作および不審動作の特徴量をそれぞれ反転する反転生成器と、実データおよび生成データを区別する識別器、さらに不審動作の検出器の三者を敵対的に学習させることで、データセットを拡張しながら検出器の学習を行い、不審動作の検出精度と汎化性能の向上を図る。さらに本技術を応用し、データセットに含まれない未知の不審動作を検出する技術の確立を目指す。
|
| Outline of Final Research Achievements |
A deep neural network (DNN) model and a training method for analyzing spatial-temporal human motion data are proposed in this study. We confirmed that the proposed method can detect anomalies in human motion data, and the DNN model trained using our multi-instance learning-based training method can detect ambiguously defined motions, such as unnatural human motions. The results indicate that it is possible to detect anomalies and identify human motion when dealing with large datasets that are difficult to annotate locally or when the data contains ambiguous motions, such as dangerous or unnatural motion. To improve the generalization performance of the anomaly detector in the case of a limited number of datasets, we establish a training data generation method using generative adversarial networks.
|
| Academic Significance and Societal Importance of the Research Achievements |
申請者らはこれまでに監視カメラ映像から人物の挙動や軌跡等の動作特徴量を取得するための画像処理技術の開発に従事してきた。監視カメラの設置台数は年々増加し、膨大な数の映像が蓄積されていることから、これらの映像に含まれる人物の動作特徴量から異常を検知する手法を確立できれば、映像監視の自動化が期待される。本研究では、人物動作特徴量のような多変量時系列データから異常を検出するための、DNNモデルおよびその学習手法の確立を行い、人物動作データからの異常検知を可能とした。さらに数に限りのあるデータセットを用いて異常検出器の汎化性能を改善するための、学習データの拡張手法を確立した。
|
