|
昨年度の提案手法ShakeDropは一般物体認識の精度向上をもたらす手法である．ただし，ShakeDropは画像分類と呼ばれるタスクでのみ有効性を検証しており，より詳細な内容を扱うタスクでは有効性が検証されていなかった．実世界の環境を見据えた場合には，画像分類よりも高度なタスクである，物体検出や個別領域分割での精度が求められる．そこで物体検出や個別領域分割のタスクに対するShakeDropの有効性を検証した．その結果，事前にShakeDropを用いて行った画像分類の学習が物体検出や個別領域分割に有効であることを確認した．
昨年度の提案手法ShakeDropは従来の手法における常識とは大きく異なる手法であり，効果に不明瞭な点が残っている．前述の物体検出および個別領域分割における検証ではShakeDropでの事前学習が有効であったことから，以降の学習に寄与する事前学習を分析することで，ShakeDropの効果を分析出来ると考えられる．そこで事前学習が以降の学習に寄与する条件について検証を行った．事前学習が以降の学習へ与える影響を分析した結果，予想に反して以降の学習と全く関連がない事前学習さえも寄与が確認された．期待されたShakeDropの効果の分析は行えなかったものの，事前学習が以降の学習へ与える影響について有用な見識が得られた．
昨年度の提案手法ShakeDropの効果の検証を進める中で，精度向上を実現する手法について並行して検討を進めた．一般物体認識は，物体を含む画像を「猫」「ラーメン」等の同じカテゴリに属する画像の様々な見えの違いを扱わなければならない．ShakeDropは様々な見えの違いに弱く，学習の中で見えの違いの影響を大きく受ける傾向があった．そこで画像の見えの違いに頑健になる2つの提案手法を通して，認識精度の更なる向上を目指し，それぞれについて有効性を確認した．
|
