| 研究課題/領域番号 |
18H03213
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 補助金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分60040:計算機システム関連
|
|---|
| 研究機関 | 北海道大学 |
|---|
研究代表者 |
池辺 将之 北海道大学, 量子集積エレクトロニクス研究センター, 教授 (20374613)
|
|---|
| 研究分担者 |
高前田 伸也 東京大学, 大学院情報理工学系研究科, 准教授 (60738897)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
13,000千円 (直接経費: 10,000千円、間接経費: 3,000千円)
2020年度: 4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2019年度: 4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
2018年度: 4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
|
|---|
| キーワード | 深層ニューラルネットワーク / 有用画像処理 / 局所適応型輝度補正技術 / FPGA実装 / 深層畳み込みニューラルネットワー / 深層畳み込みニューラルネットワーク / 局所・大局画像処理 / 相互変換 / システム最適化 / 深層学習 / 高速画像処理 / 演算最適化 / 局所適応型画像処理 |
|---|
| 研究成果の概要 |
本研究で進めてきた局所輝度補正手法において、本処理のパラメータを空間変形を行う制御点として定義できて、低解像度化した画像に対するDCNNを、空間物体の識別と本手法 の輝度補正関数におけるローカル関数用の空間制御とグローバル制御パラメータを操作することが適当との知見を得ることができた。DCNN（U-netを使用）において、特に雑音除去（ポアソンノイズ）ではタイリングによる画像分割が有効に働くことがわかった。また、層構造におい ても5層以上においての改善効果は持たない。タイリングにおいては、11ｘ11での画像ブロックとOverlap3画素においてもPSNR値を32dB保つことが明らかになった。
|
| 研究成果の学術的意義や社会的意義 |
本研究では「DCNNニューロン層の働き」と「有用な画像処理アルゴリズム」に共有する演算能力と物理的な意義を明確にできるのか？という問いに対する解を提示した。一つは、高効率高解像度画像処理の性能を落とさずに深層学習をどのように適用するか？また、有用画像処理において、どのような深層学習がHW構成に適用できるのか、そしてどのような応用ができるのかである。これらの解は，DCNNを含むシステムに対し，人が自ら性能と機能をハンドリングすることを意味する。DCNNと有用なアルゴリズム資産の相互乗りかえを許し，人が理解できる形でのシステム最適化を導くことに繋がる。
|
