2020 Fiscal Year Annual Research Report
Image recognition using sparse graph neural networks and its application
Project/Area Number |
18K11380
|
Research Institution | Waseda University |
Principal Investigator |
鎌田 清一郎 早稲田大学, 理工学術院(情報生産システム研究科・センター), 教授 (00204602)
|
Project Period (FY) |
2018-04-01 – 2021-03-31
|
Keywords | スパースグラフ / グラフニューラルネットワーク / 物体認識 / 調剤過誤防止 / ヒアリハット / 顔認識 |
Outline of Annual Research Achievements |
本研究では、ニューラルネットワークの一般化としてのグラフニューラルネットワーク(GNN)において、前年度に引き続きスパースグラフ表現によるGNNについて検討した。今年度は、スパースグラフとしてより表現能力を向上させた、Generic Sparse Graphを構築した。これは、スパース近似誤差に基づくGradientに着目し、Projection関数を含むスパースベクトルの逐次計算によって、スパースグラフを部分グラフから構築するものである。また、これまで提案した弛緩スパースグラフをさらに発展させ、サブグラフ間に考慮して全グラフの非凸スパース最適化を行った。標準顔画像データセットLabeled Faces in the Wild等を使用した比較評価実験では、本手法がCNNをベースとした超多層モデルCosFace(64層)と同等の99.73%の認識精度を示した。またYutubeFaceデータセットでも、CosFaceとほぼ同等の97.53%の認識性能を得た。次に、自動運転等への応用として物体認識のためのセマンティックセグメンテーションにおいて、多項式近似によるSpectral Dual Graph Convolution法を考案した。これはスパースグラフを構築後、スペクトルの高周波成分と低周波成分に分解し、特に高周波成分のグラフ畳込を利用して領域サイズの小さな物体を精度良く検出するものである。PASCAL-VOC2012等のデータセットを利用した従来法PPM,ASPP,DABなどと比較して、精度面において数%の向上が見られ、また高速処理ができることを確認した。また薬学リスクマネージメントにおける調剤過誤防止実現のため、薬剤画像の識別応用に取り組み、ヒューマンエラーによるヒアリハット発生事例20万件以上を調査し、フィールドテストによってヒアリハットの大幅な削減を実現できた。
|