| 研究課題/領域番号 |
19K24354
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
1001:情報科学、情報工学およびその関連分野
|
|---|
| 研究機関 | 東京大学 (2020)
東京理科大学 (2019) |
|---|
研究代表者 |
古田 諒佑 東京大学, 生産技術研究所, 助教 (20843535)
|
|---|
| 研究期間 (年度) |
2019-08-30 – 2021-03-31
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2020年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2019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 | 強化学習 / 教師なし学習 / 特徴点マッチング / 奥行き推定 / ステレオマッチング / 画素強化学習 / 顕著性 / 3次元モデル / デザイン理解 / 創作支援 |
|---|
| 研究開始時の研究の概要 |
本研究では，3次元的なデザインに対する感覚を人工知能(ニューラルネット)に理解させ，新たなデザインを創造させることを目的とする．一般的に，新しいデザインの創造は難しいとされるため，人工知能にデザインを理解・創造させることができれば，人々の創作活動支援に有用である．また，囲碁や将棋，ゲームなどでトッププロのプレーヤーを超える性能を見せ，人間が思いもよらないような手を用いることもある強化学習を利用してデザインを創造させることで，創作活動支援のみにとどまらず，デザイナーも想像もしないような全く新しい芸術性を生み出す可能性も秘めている．また，そのために3次元強化学習という新たな学術的テーマに取り組む．
|
| 研究成果の概要 |
2019年度は，本研究のベースとなる画素強化学習の発展に主に取り組んだ．saliency-driven image enhancementという新たな応用を提案した．マルチメディアの分野において最難関国際論文誌であるIEEE Transactions on Multimediaに投稿し採択された．
3次元的な形状を扱うために，2020年度は3次元形状推定に必要な技術である特徴点マッチングの教師なし学習に取り組んだ．本研究の成果はパターン認識の旗艦国際会議であるInternational Conference on Pattern Recognition (ICPR2020)に採択された．
|
| 研究成果の学術的意義や社会的意義 |
IEEE TMMに掲載された画素強化学習は，各画素でどのアクションが取られたかを可視化することができるため，どの画素値がどう変更されたかを人が見て理解することができる．そのため，ブラックボックスとしての画像処理技術の使用が敬遠されることの多い医療画像処理の応用も期待される．
ICPRにて発表した教師なし特徴点マッチングは，深層学習に基づく特徴点マッチングによる3次元形状推定が，大量の正解付き学習データを必要とせず可能となるため，実応用上でボトルネックとなることのアノテーションの労力を必要としない．そのため実応用可能性の向上に貢献する．
|
