| 研究課題/領域番号 |
17K00251
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 研究分野 |
知覚情報処理
|
|---|
| 研究機関 | 東京工科大学 |
|---|
研究代表者 |
菊池 眞之 東京工科大学, コンピュータサイエンス学部, 講師 (20291437)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2020-03-31
|
| 研究課題ステータス |
完了 (2019年度)
|
| 配分額 *注記 |
4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)
2019年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2018年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2017年度: 1,820千円 (直接経費: 1,400千円、間接経費: 420千円)
|
|---|
| キーワード | 深層学習 / 畳み込みニューラルネットワーク / 脳 / 視覚系 / モデル / Deep Learning / 深層畳み込みニューラルネットワーク / 図地分離 / 進化的計算 / U-Net / AlexNet / Neocognitron / 畳込みニューラルネットワーク / 視覚情報処理 / パターン認識 |
|---|
| 研究成果の概要 |
社会に技術革新をもたらしているCNN(深層畳み込み神経回路)を更に進展させるべく，本研究課題では脳情報処理の観点からのCNNへの機能付加やCNNの性質調査等を行った．まず脳内パターン表現仮説のある中心軸表現の有用性を検討すべく，入力を中心軸変換した際のCNNの性能向上を検討した．また，豊かな構造を持つ脳回路の機能に迫るべく進化的計算によりモデル構造の生成を行った．一方で視覚系の大まかな近似と見なせるU-Netによる図地分離や補完等の視覚機能の実現可能性を調べたり，CT画像からの脊椎抽出を行ったりした．そしてCNNの認識精度と反応分布の関係について調べ，効率的モデル設定の足掛かりを得た．
|
| 研究成果の学術的意義や社会的意義 |
昨今，社会の諸領域に変革をもたらしつつある深層学習の中核技術であるCNNは元々，1960年代の一部の脳科学的知見を工学的にモデリングしたものがベースになっている．更なる脳の知見の投入により，深層学習はもっと進化する可能性も考えられる．万能のように扱われる既存の深層学習も現状では狭い問題設定の枠内でのみ有効性が確認されており，人間の脳ほどの汎用性はまだ獲得されていないこと，そして大量のデータがないと高い能力を発揮することができず，少量のデータのみでも内在する性質を適切に学び取れるヒトに及ばないことなどの難点があり，本研究課題の観点はこれらを解決する糸口を提供し得るものと言える．
|
