2023 Fiscal Year Annual Research Report
Training of deep learning models by introducing prior knowledge
| Project/Area Number |
21K12049
|
|---|
| Research Institution | Hiroshima University |
|---|
Principal Investigator |
栗田 多喜夫 広島大学, 先進理工系科学研究科(工), 教授 (10356941)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
日高 章理 東京電機大学, 理工学部, 准教授 (70553519)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | 事前知識 / 機械学習 / 深層学習 / 不変特徴抽出 |
|---|
| Outline of Annual Research Achievements |
訓練用のデータに基づいて学習したディープラーニングのモデルは，画像認識を始め多くの応用で高い性能を発揮し，現在の人工知能のブームを作り出している．本研究課題では，事前知識を積極的に学習に取り込む方法について研究する．具体的には，（１）識別に無関係な変動に対して不変な特徴の抽出による学習の誘導，（２）事前知識を利用して訓練データを生成する手法の２つのサブ課題について研究する．
（１）については，昨年度までに当初考えていたアイデアの有効性がほぼ確認できたので，今年度は，サブ課題（２）の開発に注力した．例えば，同じ対象を異なる視点から撮影した画像から任意視点からの画像を生成するNeRFにおいて，正解画像の近傍画素間の差と推定結果の近傍画素間の差に近づくような正則化を導入することで予測が改善することを確認した．また，教師信号として検出枠のみが与えられた場合の画素レベルの検出対象の領域の推定(Box-supervised Instance Segmentation)において，検出枠の境界の画素と検索枠内の各画素との類似度を利用し，抽出性能を向上させる方法を提案した．さらに，動画中の顔の追跡結果から，同じフレームに現れる二つの顔は異なる人物であり，追跡が成功した顔は同一人物であるなどの知識を利用し，動画の登場人物を自動分類する方法を提案した．その他，物体検出において，Instance Segmentationにより推定した検出対象の画素レベルでの対象領域の情報を付加することで，物体検出の性能が向上することを確認した．また，最近の物体検出手法の多くでは，高速化のためにGridを利用しているが，それらの手法ではGrid境界で検出スコアが周期的に減少することを発見し，それを抑制するためにGrid境界付近のデータを水増しすることで，検出性能を改善する方法を提案した．
|
