Project/Area Number |
22K17923
|
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 | Shizuoka University (2023) Industrial Research Institute of Shizuoka Prefecture (2022) |
Principal Investigator |
田代 知範 静岡大学, 工学部, 助教 (70761534)
|
Project Period (FY) |
2022-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2023)
|
Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2024: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2022: ¥2,470,000 (Direct Cost: ¥1,900,000、Indirect Cost: ¥570,000)
|
Keywords | BRDF / 機械学習 / データセット / 変角分光測定 / 高分解能化 |
Outline of Research at the Start |
見る角度によって複雑に色合いが変化する構造色のシミュレーションには高分解能な反射特性データが必要であるが、高分解能なデータは、測定に時間がかかることとデータ容量が膨大になることが課題である。本研究では、低分解能な反射特性データから、機械学習を用いて高分解能な反射特性データを推定する高分解能化手法の確立を目的とする。提案する高分解能化手法を確立できれば、低分解能な反射特性データから大規模かつ高精度な双方向性反射率分布関数のモデル化が可能になり、これまで難しかった構造色のシミュレーション精度が向上すると考える。
|
Outline of Annual Research Achievements |
研究2年目の令和5年度の計画は、令和4年度に変角分光測定により収集したデータセットを活用し、低分解能な反射特性データから高分解能な反射特性データを生成する高分解能化ネットワークを構築し、その推定精度を評価することである。まず、令和4年度に収集した計149枚の反射特性評価試験片の反射特性データから、入射角:1条件(45度)、反射角:33条件(-80度から80度を5度間隔)、波長:35条件(390nmから730nmを10nm間隔)を抽出し、機械学習用の2次元配列データを作成した。次に、性能評価用データ19個、学習用データ130個をランダムに選択し、構築した高分解能化ネットワークの学習を行った。今年度は、画像処理分野で利用されている超解像度技術を参考に、畳み込みフィルタを使ったアップサンプリング手法により、高分解能化ネットワークの構築を試みた。最終的に、ダウンサンプリングした低分解能な評価用データ19個に対し、事前学習済みの高分解能化ネットワークを適用し、データの再構築を実施した。また、機械学習を用いた本手法の推定精度を評価するために、一般的なデータ補間手法との比較を行った。結果より、19個の評価用データのうち15個で機械学習を用いた本手法の結果が従来手法による結果に比べ、実測で得られたデータとの差が小さくなることが明らかとなった。これは、BRDF測定データの高分解能化に機械学習を活用することで、データの推定精度が向上することを示唆する結果である。引き続き、他の手法での検討などを行い、機械学習による高分解能化の汎用性向上を行う予定である。
|
Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
令和5年度の研究計画は、①機械学習による高分解能化ネットワークを構築し、収集したデータセットに対し高分解能化を行う。②実測によりシミュレーションで得られた結果の妥当性を検証する。の2つであった。①に関しては、概ね順調に進行したが、②に関しては、実施者の異動があり次年度での実施課題とした。引き続き、他の手法の検討も行い汎用性の向上も検討するとともに、②の実施に向けて計画を調整する。
|
Strategy for Future Research Activity |
本年度用いた畳み込みフィルタを使ったアップサンプリング手法以外の高分解能化手法でも検討を行い、機械学習による高分解能化の汎用性の向上を進める。また、得られた高分解能化データの妥当性を検証するために、実測ブースを構築し、実測による検証実験を進める。
|