2021 Fiscal Year Research-status Report
機械学習のためのパラメトリック画像生成モデルの構築
| Project/Area Number |
19K12033
|
|---|
| Research Institution | Sendai National College of Technology |
|---|
Principal Investigator |
大町 方子 仙台高等専門学校, 総合工学科, 教授 (90316448)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大町 真一郎 東北大学, 工学研究科, 教授 (30250856)
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Keywords | パターン認識 |
|---|
| Outline of Annual Research Achievements |
本研究では、多様かつ解釈性が高い画像生成モデルを開発し、高精度な画像認識を実現することを目的としている。画像を基本要素へ分解する手法、高精細な画像を生成する手法などを要素技術と位置づけ、要素技術を組み合わせることで画像生成モデルを構築する手法を検討した。
画像を基本要素へ分解する手法については、漢字の文字画像を題材とし、その文字がどのような要素の組み合わせで構成されるかを機械学習の手法を用いて判定する手法について引き続き検討を行った。その結果、文字画像の多様な変形に対応するためにはあらかじめ画像をクラスタリングすることが有効であることが分かった。一方で、文字画像を含む一般的な画像を分解する手法については、画素の相関を用いた手法を引き続き検討した。相関の大きい画素どうしをまとめる一種のセグメンテーションにより、いくつかの基本要素に分解できる見通しを得た。
画像生成に関しては、敵対的生成ネットワークを用いた機械学習の手法を検討した。画像のそれぞれの領域が何の領域かという情報を与えることでより高精度に画像を生成する手法を検討した。一方で、機械学習の学習データ生成に用いることを考慮し、計算量の比較的少ないガウス混合関数を用いた統計的手法による画像生成手法についても検討した。
以上の手法を要素技術とし、画像生成モデルのプロトタイプを構築した。計算量を重視し、相関によるセグメンテーションとガウス混合関数を用いた生成モデルを組み合わせることである程度高速かつ高精度な画像生成が可能であることが分かった。構築した画像生成モデルを、道路環境認識のタスクで評価した。公開データセットを用い、道路上の物体の画像を生成することで学習データを増やし、認識精度が向上することを確認した。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
領域分割や画像生成等の要素技術を統合した画像生成モデル構築の基本アルゴリズムは一通り完成したが、機械学習に用いた場合の精度や効率等についての詳細な検証には至っていない。
|
| Strategy for Future Research Activity |
これまで検討したいくつかの要素技術について引き続き検討するとともに、画像生成モデルを改良する。さらにさまざまな画像を用いた認識実験を行い、アルゴリズムを評価する。
|
| Causes of Carryover |
理由：基本アルゴリズムの開発が遅れたため、大量データを用いた大規模な実験までは行えなかった。また、新型コロナウイルス感染症等の影響もあり学会発表が困難であった。
使用計画：実験用の機器の購入、学会発表の旅費、論文投稿の費用や別刷代等に使用予定である。
|
