| 研究課題/領域番号 |
20K19837
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分61010:知覚情報処理関連
|
|---|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
金崎 朝子 東京工業大学, 情報理工学院, 准教授 (00738073)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2020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 | 画像処理 / 深層学習 / 教師なし学習 / 画像セグメンテーション |
|---|
| 研究開始時の研究の概要 |
画像セグメンテーションは物体等のまとまり毎に画像領域を分割するタスクであり，画像処理の本質的な課題の一つである．本研究は，教師データを一切必要としない教師なし深層学習による画像セグメンテーションを開発する．これを実現するための微分可能クラスタリングという基盤技術を提案し，理論を確立するとともに，様々なデータセットで有効性を評価する．さらに，二次元画像だけでなく動画像データや三次元画像データへ応用し，様々なアプリケーションへと発展させる．
|
| 研究成果の概要 |
本研究では教師データを必要としない教師なし深層学習による画像セグメンテーションを開発した．デファクトスタンダードな教師なし画像セグメンテーション手法であるグラフカット，および近年開発された深層学習ベースの従来手法と比較し，複数のベンチマークデータセットにおいて提案手法の高い有効性を示した．本研究成果は画像処理分野のトップジャーナルIEEE TIP（IF： 9.34）に採択された．さらに，電気通信普及財団 テレコムシステム技術学生賞，およびIEEE Signal Processing Society (SPS) Japan Student Journal Paper Awardを受賞した．
|
| 研究成果の学術的意義や社会的意義 |
本研究成果を再現するソースコードをオープンソースとしてGitHubに公開しており，既に600弱のスター数を獲得している．当該ソースコードは，世界中の様々な大学や研究機関において，特に医用画像処理分野で広く利用されている．さらに，「教師なし画像セグメンテーションのベーシックな手法と深層学習ベースの手法の紹介」という論文タイトルで，日本医用画像工学会(JAMIT)誌「MEDICAL IMAGING TECHNOLOGY 39(4)」の特集論文を寄稿した．
|
