| 研究概要 |
ニューラルネットワークを用いて大規模な画像を処理しようとした場合、すなわち画像-画像間の非線形写像を学習しようとする場合、画像サイズに応じて結線数が急増し急速に学習が困難となるため、大規模画像を直接入力としてニューラルネットワークで画像処理を行う研究は従来ほとんど試みられていなかった。画像処理では通常大部分の特徴量が近傍処理によって抽出され、これらの特徴量を積み上げることによってより高次の概念形成・認識がなされるものと考えられる、本研究では、この点に着目して大規模画像処理を効率的に実行するニューラルネットワークアーキテクチャの開発および検証を行うことを目的としている.
具体的には,処理画像を比較的小規模な部分画像に分割し,これらから局所的特徴量の抽出を行う画像処理ニューラルネットワーク群と、その出力を統合し,より高次・広域的な特徴を自己組織的に学習する協調ニューラルネットワーク群を積み重ねたハイブリッド型ニューラルネットワークの構築方法を検討した。
多数台の計算機がLAN接続された分散計算機環境において、上記のニューラルネットワークアーキテクチャの実装を行い,人工画像および実画像を用いた性能評価実験を行った,その結果,実用的な時間で大規模画像の画像処理を学習するニューラルネットワークアーキテクチャが構築可能であることが確認された.また,画像処理ニューラルネットワーク群間における情報流通量は比較的少量であるため,これらの結合はLAN等による粗結合でも十分実用的であることが確認された.さらに,本研究によるニューラルネットワークでは,協調学習の効果により,部分画像処理ニューラルネットワークのみの学習結果と比較して,大域的な学習が行われていることが確認された.
|
