| 研究課題/領域番号 |
21K04045
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分21020:通信工学関連
|
|---|
| 研究機関 | 工学院大学 |
|---|
研究代表者 |
京地 清介 工学院大学, 情報学部(情報工学部), 准教授 (70634616)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| 研究課題ステータス |
完了 (2023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)
2023年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2022年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2021年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 画像復元 / エピグラフ緩和 / 深層ニューラルネットワーク / 凸最適化 / 非凸最適化 / 一般化モロー強化モデル / Relu関数 / LiGME罰則関数 / グループスパース性 / 解析的指向性コサインフレーム / 振幅スペクトル核ノルム / 二次局面クラスタリング / レアイメージングデータ / エピグラフ変形 |
|---|
| 研究開始時の研究の概要 |
画像処理分野で注目を集めている深層ニューラルネットワークの学習には，無劣化・劣化画像の大規模データセットが必要になるため，無劣化画像が入手困難な医・産業用画像（レアイメージングデータ）への適用は難しい．本研究では1)深層合成正則化関数によって対象画像ドメインの先験情報を小規模データセットから学習し，2)学習済みの深層合成正則化関数の最小解を求めることで高品質な画像復元を行う手法を確立する．
具体的な研究計画は，深層正則化関数の最小化アルゴリズムからまず構築し（令和3, 4年度）次に小規模データセットからの深層合成正則化関数の学習手法を構築し，最後に両アルゴリズムを統合する（令和5年度）．
|
| 研究成果の概要 |
本研究では，画像復元（計測過程で生じた劣化（ノイズ等）を伴う画像から真の画像を推定するアルゴリズム）において，深層ニューラルネットワークの適用が困難な「ビッグデータが用意できないタイプの画像」（医療・産業用画像）のための手段として「深層エピグラフネットワーク」の技術を確立した．ビッグデータの学習が不要な画像復元手法として，先験情報に基づいて設計された正則化関数の最小化による推定が広く利用されている．本研究では対象画像データの複雑な先験情報をモデリングする深層合成正則化の設計方法とその最小化アルゴリズムを研究代表者の独自凸最適化技術「エピグラフ変形」によって解決し，実用性を示した.
|
| 研究成果の学術的意義や社会的意義 |
本研究の成果である「深層エピグラフネットワーク」は学習用ビッグデータが必要ないため，これまで深層ニューラルネットワークの適用の難しかった，医療分野や産業分野の画像データ（CT・PET・ハイパースペクトル画像等）への応用が期待できる．本技術により，ノイズや欠損，ボケ，ブレなどの劣化が生じやすい画像の品質向上が実現できるため，医用現場では診断の精度向上や患者の治療効果の向上が期待され，産業方面では，例えば製造業などにおける品質管理の自動化・精度向上にも寄与できる．学術的にもインパクトは大きく，計測工学や生命科学など様々な学術領域の発展に寄与すると期待できる.
|
