2019 Fiscal Year Research-status Report
An efficient learning sample generation in small sample problem for deep learning
| Project/Area Number |
18K11495
|
|---|
| Research Institution | Chukyo University |
|---|
Principal Investigator |
目加田 慶人 中京大学, 工学部, 教授 (00282377)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
村瀬 洋 名古屋大学, 情報学研究科, 教授 (90362293)
道満 恵介 中京大学, 工学部, 講師 (90645748)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | 深層学習 / データ生成 / パターン認識 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，画像認識を対象とした深層学習において，用意できる学習サンプル数が限られているときのデータ生成効果を最大化する学習サンプル生成法を明らかにすることである．本年度の成果としては，CT画像から肝臓がん領域を検出するための学習画像生成があげられる．前年度において，見えの異なる2つの種類の病変画像を生成することで，辺縁にある病変と非辺縁にある病変を個別に生成し，これらを学習データに利用することで検出精度が向上することを示したが，これを国際会議に投稿し採択された．また，同様の技術を超音波画像からの腫瘍検出に適用したところ，学習データが少ないときにはGANにより病変生成をおこない学習データを増加させることが有効であることを確認し，学会にて報告した．また，料理画像に魅力度を付与するためには被験者実験が必要となるが，多数の画像に魅力度を付与することは非常に困難であるため，結果的に学習データが不足するという問題に対応して，2つの方法でこれらを解決することを試みた．一般に学習画像を増やすためには，幾何変換，フィルタ処理やノイズ付加などのデータ拡張が行われる．画像分類問題に対しては超高次元の特徴空間での変動が加わることで分類精度が向上するが，本研究課題のように回帰問題の場合には過度の変換により回帰精度が低下する恐れがある．そのため，対象の魅力度に影響を与えない範囲でのデータ拡張の大きさを実験的に定め，これによりデータを増やすことで回帰精度が向上することを確認した．また，画像特徴に加えて視線情報を付与することで回帰精度が向上することも確認した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
医用画像のように学習データが増やしづらい対象にたいする研究成果が順調に積み重ねられている．また，写真の魅力度推定のような回帰問題への拡張においても，視線情報など画像外のデータを利用する方法の検討など，研究が順調に展開されている．これらに対して，国内外での研究発表も適切にできている．
|
| Strategy for Future Research Activity |
他の研究プロジェクトにより，十分な量の学習データが整備できた問題に対して，本研究が対象としている少数の学習データからのデータ拡張がそのまま有効に機能するのかなど，研究の範囲を広げながら多角的に検証を進める．
|
| Causes of Carryover |
他の研究予算にて深層学習用のGPU計算機を入手することが可能となったため，当該年度の予算を繰り越すこととなった．次年度予算と合わせて引き続き研究環境を整備する．
|
