| 研究課題/領域番号 |
17K00334
|
|---|
| 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 |
ソフトコンピューティング
|
|---|
| 研究機関 | 千葉大学 |
|---|
研究代表者 |
矢田 紀子 千葉大学, 大学院工学研究院, 助教 (60528412)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2022-03-31
|
| 研究課題ステータス |
完了 (2021年度)
|
| 配分額 *注記 |
4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2019年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2018年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2017年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
|
|---|
| キーワード | 畳み込みニューラルネットワーク / 深層学習 / プルーニング / 転移学習 / 強化学習 / 進化計算 |
|---|
| 研究成果の概要 |
本研究では，ネットワーク構造最適化の技術とCNNの転移学習の技術を活かして，モデル構築時の試行錯誤部分を自動化し，様々な課題に対して汎化性の高い高精度で軽量な認識器を構築する技術を実現する．CNNのモデル軽量化手法については，特性重要度に基づくフィルタプルーニングや，強化学習を用いて認識精度に影響のないパラメータを選択することでモデルの圧縮を行う手法など，軽量化かつ高精度な認識器を実現する新たな手法を提案した．
|
| 研究成果の学術的意義や社会的意義 |
近年，畳み込みニューラルネットワーク(CNN)によってコンピュータによる物体認識技術は人間と同等の精度を実現できるようになった．CNNは特徴を抽出する役割をもつ畳み込み層を重ねることで高精度な画像認識を実現しているが，高精度なCNNを利用するために必要な計算量や記憶容量も増大しているため，計算資源が限られているデバイス上にCNNを組み込むことは困難であるという問題があり，近年では様々なエッジデバイスにAIを組み込みリアルタイムで動作させたいという需要が増えてきている．そこでこの問題を解決するためにCNNの性能を維持したまま計算量やパラメータを削減するモデルの圧縮を提案した．
|
