2016 Fiscal Year Research-status Report
画像処理フィルタの組合せ最適化に基づく特徴抽出処理の自動構築
| Project/Area Number |
15K16029
|
|---|
| Research Institution | Yokohama National University |
|---|
Principal Investigator |
白川 真一 横浜国立大学, 大学院環境情報研究院, 講師 (90633272)
|
|---|
| Project Period (FY) |
2015-04-01 – 2018-03-31
|
| Keywords | 画像認識 / 画像特徴量 / 進化計算 / 機械学習 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は、画像の認識や検索において重要となる、特徴抽出処理を既知の処理ユニットの組み合わせ最適化によって自動構築する方式を確立することである。本年度は、大きく次の2点の実績を挙げることができた。
1. 画像処理フィルタの組み合わせ最適化に基づく特徴抽出処理の自動構築の大規模化と数値実験による評価
前年度に開発した方式は、画像処理フィルタの組み合わせによって特徴抽出処理を表現し，そこで抽出した特徴量を利用して既存の機械学習手法（k近傍法やサポートベクターマシン）で画像を分類するものであった。本年度は、この方式をGraphic Processing Unit (GPU)を用いて実装し、計算効率を高めた。さらに、開発方式を実際の医用画像分類問題に適用し、Deep Learningに対する有効性を示した。
2. 畳み込みニューラルネットワークの処理構造最適化
近年、畳み込みニューラルネットワークを使用した方法が画像認識に対して高い精度を達成している。畳み込みニューラルネットワークの各層の処理は、ある種の画像のフィルタリングや演算処理を行なっていると考えることができる。そこで、本研究で開発している方式を畳み込みニューラルネットワークの構造最適化に応用する検討を行った。開発方式では、ブラックボックス最適化法である進化計算によって、高い画像分類精度を達成するように畳み込みニューラルネットワークの構造を自動構築する。数値実験によって、開発方式で構築した構造は既存の人手によって設計されたネットワークよりも高い性能を達成可能であることを示した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本年度は、当初の計画通りに開発方式の大規模化、GPUを用いた実装を行い、数値実験による性能評価によって開発方式の有効性を示した。また、昨年度定めた研究の推進方策に則り、開発方式とDeep Learningと呼ばれるニューラルネットワークベースの方式の統合について検討を行い、良好な結果を得ている。このことから、本研究課題はおおむね順調に進展しているといえる。
|
| Strategy for Future Research Activity |
現在、Deep Learningと呼ばれるニューラルネットワークベースの方式が、画像認識などに対して高い性能を達成しているため、開発方式とDeep Learningの融合について重点的に研究開発を行なっていく予定である。また、開発方式の中で用いている最適化アルゴリズムについても改良や理論的な検討を深めていく予定である。
|
| Causes of Carryover |
所属大学の他研究室と計算機を共同利用することなどで、計算機の購入のための金額を抑えることと、学会発表旅費を別の助成金で補填することができたことが主な理由である。
|
| Expenditure Plan for Carryover Budget |
研究成果がそろいつつあり、積極的な論文投稿、学会発表を行う予定であるため、旅費や論文掲載料に予算を割り当てる予定である。
|
