| Project/Area Number |
23KJ2065
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 国内 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Meijo University |
|---|
Principal Investigator |
加藤 聡太 名城大学, 理工学, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2023-04-25 – 2024-03-31
|
| Project Status |
Discontinued (Fiscal Year 2023)
|
| Budget Amount *help |
¥2,000,000 (Direct Cost: ¥2,000,000)
Fiscal Year 2024: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2023: ¥1,000,000 (Direct Cost: ¥1,000,000)
|
|---|
| Keywords | 深層学習 / クラス不均衡 / クラス分類 / セマンティックセグメンテーション / Large margin / t-vMF similarity |
|---|
| Outline of Research at the Start |
本研究では、Earth Mover's Distance（EMD）を用いた深層学習の学習過程の解析および新たな学習収束条件の考案を目的と、様々な条件に対してEMDを用いた解析方法の有効性を確認する。
（１）学習時のネットワーク層間の特徴量間のEMD測定から、EMDと精度との関係を明らかにする。
（２）過学習現象とEMDとの関係性を明らかにし、EMD最小化の正則化による過学習抑制の効果を確認する。
（３）クラス不均衡が発生するデータを用いた場合のEMD解析を行い、正解クラスの経路に対するEMDを最大化、不正解クラスの経路に対するEMDを最小化することで、クラスごとの輸送経路の偏り抑制の効果を確認する。
|
| Outline of Annual Research Achievements |
これまでEarth Mover's Distance（EMD）を用いた深層学習の学習過程の解析および新たな学習収束条件の考案に関する研究を行ってきた.特にクラス不均衡化における学習解析を行い,解析結果からクラス不均衡に対して有効な新たな損失関数を2つ提案した.
（１）クラス不均衡な画像分類に対するLarge Marginに基づいた新たな損失関数の提案
従来提案されているLDAM loss,クラス不均衡な画像分類に広く利用されている.しかし,Softmax Cross Entropy loss本来に含まれているラージマージンとの関連性は明らかにされていない.そこで本研究ではSoftplus関数に基づくラージマージンの概念を用いてLDAM lossの式を再考する.さらに解析結果から,LDAM lossのマージンをさらに拡張したLabel Distribution Aware Enlarged-Margin(LDAM-EM)lossを提案する.クラス不均衡データセットを用いた実験結果から,提案手法を用いることで LDAM lossや従来の損失関数と比較して分類精度が大きく改善することを確認した．
（２）Adaptive t-vMF Dice lossを用いたMulit-class Medical Image Segmentationの精度改善
正解領域の面積がクラスごとに異なる多クラスセグメンテーションでは学習が不均衡になりやすく,全てのクラスに対して同じ類似度を用いる従来のDice lossでは,学習が不十分となる.そこで本研究ではDice lossの式を再考し, Dice loss がコ サイン類似度を用いた損失関数に変換できることを発見した.これを応用し,t-vMF類似度を用いたt-vMF Dice lossとAdaptive t-vMF Dice lossを提案する.提案する損失関数はDice lossよりもコンパクトな類似度を持ち,さらにクラスごとに異なる類似度を用いた適応的な学習が可能である.
|
