2014 Fiscal Year Research-status Report
| Project/Area Number |
26540078
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
山崎 俊彦 東京大学, 情報理工学(系)研究科, 准教授 (70376599)
|
|---|
| Project Period (FY) |
2014-04-01 – 2017-03-31
|
| Keywords | 画像認識 / 機械学習 / 特徴抽出 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は、これまで独立に行われてきた「材質認識」と「物体認識(形状認識)」を融合して処理し、互いのデータを補助的に用いることでそれぞれのタスクの認識率を向上させること、さらに材質・形状を手がかりとしたさらに細かな画像分類を可能とすることであった。しかし、深層学習などあたらしい手法の登場により両者の垣根がなくなり同等の問題として扱われるようになってきた。そのため、下記のように研究の力点を変え、材質認識、物体認識両方に一般的に利用可能な手法について研究を進めた。
これまで行ってきた研究内容は大きく分けて３つある。1つめは、機械学習器の確信度判定である。正しく確信度を判定できれば、確信度が低い場合に別の特徴抽出や機械学習の手法を導入ことによって判定結果を正しいものに上書きできる可能性がある。この確信度判定について、解析的な手法と機械学習を用いる手法を提案した。2つめは、進化計算を用いたCNNの構造・パラメータ自動最適化の研究である。CNNに代表される深層学習は、研究者が手作業で特徴量抽出アルゴリズムを決定する必要がない画期的な手法とされているが、構造・パラメータについては研究者がやはり手作業で決定する必要がある。これらの最適化は探索空間が広く手作業による最適化は非常に困難であるため、進化計算による自動最適化について研究している。本年度は特に粒子群最適化法による最適化の検討を行った。3つめは事例に基づく局所特徴量の高速化である。物体・材質認識においては画像の小さな領域から局所特徴量を抽出する作業に多くの時間を割いている。そこで、過去の処理結果を事例としてデータベースに格納し、データベースを参照することにより局所特徴量算出の計算をしなくとも特徴量が得られる手法を研究した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
研究内容について申請時の研究計画からの修正はあるものの、逆により汎用性の高い複数の課題について研究を行うことができ、予想以上の成果をあげている
1つめの機械学習器の確信度判定については、国際会議(MMSP)、および２つの国内会議(ITE全国大会、IMPS)で賞を受賞しており、新規でかつ重要な研究課題であると認められつつある。これまでのところ、SVMが出力する分離超平面からの符号付き距離やConvolutional Neural Network (CNN)などで用いられるsoft-max法が出力する確率値などに対して解析的な手法と機械学習による手法の2つを提案し、研究代表者がこれまで研究してきた差分法にくらべて大きな精度向上が実現できた。本研究では物体・材質認識を対象に研究を進めているが、機械学習器の確信度判定自体は機械学習多クラス分類全てに応用可能であり、今後の発展が期待できる。
2つめのCNNの構造・パラメータ自動最適化については、Caffeという標準的に用いられるライブラリを用いて研究を進めている。横方向のニューラルネットワークの層の数やプーリング手法など合計21自由度のパラメータに対してParticle Swarm Optimization (PSO)と呼ばれる手法で進化計算を行っている。計算時間が膨大であるため小規模な実験にとどまっているが、CIFAR10という標準画像データセットを用いて各クラス10枚ずつで認識した場合、Caffeが提供する標準パラメータでは認識精度が50％程度であるのに対し、140世代ほど進化計算を施すことで60%程度にまで向上出来ることを確認した。
3つめの局所特徴量計算高速化については、ハッシュによる高速事例検索を用いることでBag-of-Features法の処理時間を従来の半分程度にまで削減できることを示した。
|
| Strategy for Future Research Activity |
機械学習器の確信度判定については、機械学習器が出力する符号付き距離や確率値のクラス間相関をマルコフ確率場で考慮し、最適化する手法について着想を得て、実験を介している。これが実現できれば単に確信度判定のみだけでなく、クラス間相関を考慮した再判定などにも応用できる。また、応用先は多クラス分類だけでなく、多ラベル分類、特徴統合にも利用が期待される。まとまった成果が出てきた確信度の判定については、論文誌の投稿などをすすめる。
CNNの構造・パラメータ自動最適化と局所特徴量計算高速化については、予備実験結果が出始めている段階である。実用的な手法の実現に向けて最適化を行うパラメータの数を増やしたり、PSO以外の進化計算手法について検討したりするなど、詳細なアルゴリズムの研究開発を行う。また、大規模実験によって手法の有効性を検証していく予定である。また、計算コストも重要な課題であり、進化計算の処理時間短縮、局所特徴量計算高速化のメモリ高効率化などについても検討していく。
|
