2020 Fiscal Year Annual Research Report
敵対的生成ネットワークによる不審動作検出器および生成器の学習
| Project/Area Number |
19K20310
|
|---|
| Research Institution | Tokyo Metropolitan Industrial Technology Research Institute |
|---|
Principal Investigator |
三木 大輔 地方独立行政法人東京都立産業技術研究センター, 開発本部開発第三部情報技術グループ, 副主任研究員 (70757343)
|
|---|
| Project Period (FY) |
2019-04-01 – 2021-03-31
|
| Keywords | 人物動作解析 / 異常検知 / 深層学習 / 敵対的生成ネットワーク |
|---|
| Outline of Annual Research Achievements |
本研究では、映像中の人物動作特徴量のような多変量時系列データから異常を検出するための深層ニューラルネットワーク（Deep Neural Network, DNN）およびその学習手法と、その汎化性能を改善するための学習データの拡張手法に関する検討を行った。人物動作解析のため、DNNモデルとして人物の関節位置に関する時空間的な情報を扱うグラフ畳み込みネットワーク（Graph Convolutional Network , GCN）モデルを採用した。本DNNモデルの構造は時空間グラフ畳み込みネットワーク（Spatial Temporal-GCN, ST-GCN）に着想を得ているが、出力形状を行列形式とし、特に時間方向に多次元な出力を可能とするDNNモデルの構造およびその学習手法を提案することで、人物行動ローカライゼーションを可能とした。公開データセットを用いた評価では、不自然な歩行動作を含む、または含まないデータを用い、DNNモデルのパラメータを提案する弱教師あり学習手法を用いて最適化することにより、人物動作データからの異常検知が可能であることを確認した。また、敵対的生成ネットワーク(Generative Adversarial Networks, GANs)を用いた異常を含む多変量時系列データの生成では、上記異常検知のためのDNNモデルとデータの生成および識別のためのDNNモデルを2者間、または3者間における敵対的な学習により、そのパラメータを最適化できるようにした。本手法は人物動作特徴量のみならず、動的機器から取得される音声データや、振動データのような多変量時系列データの生成にも適用可能であることを確認した。今後、定量的な評価およびDNNモデルの構造やそのパラメータ最適化手法に関する検討を行い、異常検知性能の改善を行う。
|
Research Products
(6 results)
