| 研究課題/領域番号 |
17H06871
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 補助金 |
|---|
| 研究分野 |
知能情報学
|
|---|
| 研究機関 | 和歌山大学 |
|---|
研究代表者 |
八谷 大岳 和歌山大学, システム工学部, 講師 (00578908)
|
|---|
| 研究期間 (年度) |
2017-08-25 – 2019-03-31
|
| 研究課題ステータス |
完了 (2018年度)
|
| 配分額 *注記 |
2,990千円 (直接経費: 2,300千円、間接経費: 690千円)
2018年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2017年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
|---|
| キーワード | ディープラーニング / ３次元物体検出 / データ生成 / センサー融合 / CG / 異常検知 / 距離推定 / レーザセンサーとの組み合わせ / ディープニューラルネットワーク / 物体検出 / 異常行動検知 / 機械学習 / 学習データ生成 / CGシミュレーション |
|---|
| 研究成果の概要 |
本研究では、1)見た目が変化する屋外の物体の3次元検出、2)異常データの観測が困難な監視カメラ画像の異常検出を題材に、学習データの自動生成方法および少量データからDeep Netを効率よく学習する方法を検討した。具体的には、1)最先端の物体検出方法に、物体の3次元座標の候補であるアンカーを導入した2.5D Faster R-CNNを提案し、移動ロボットによる特定物体検出等に応用し、その有効性を示した。2)正常データ再現するネットワークを学習し、その再現時にノイズを付加することにより仮想的な異常データを生成する方法Triple GANomariesを提案し、その有効性を実験を通して示した。
|
| 研究成果の学術的意義や社会的意義 |
近年、ディープニューラルネット（以下DNN)は、その認識性能が人間を凌駕しつつあり、世界中で実用化が進められている。しかし、DNNを搭載した製品が運用される多様な環境に対応するため、多様な学習データの整備に多くの企業が追われている。本研究では、限られたデータから特定物体の3次元検出を行うDNNフレームワークおよび観測困難な異常データを仮想的に生成するDNNの学習データ生成フレームワークを検討し、それらの有効性を実験を通して示した。
本研究の成果は、企業が直面している上述したデータ整備問題を緩和するためのフレームワークの一つの実証例として位置づけられており、その社会的意義は大きいと考えられる。
|
