| 研究課題/領域番号 |
21K17763
|
|---|
| 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 | 山梨大学 |
|---|
研究代表者 |
古屋 貴彦 山梨大学, 大学院総合研究部, 准教授 (00770835)
|
|---|
| 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 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2023年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
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 | 3次元形状 / 3次元点群 / 教師なし学習 / 自己教師あり学習 / 深層学習 / 形状特徴量 |
|---|
| 研究開始時の研究の概要 |
3次元（3D）形状データの解析（例：分類，比較，検索，領域分割）では，3D形状特徴量が重要な役割を持つ．近年では深層学習で獲得する形状特徴量が主流となった．しかし，従来の形状特徴量は，学習に用いた特定の種類の3D形状に過剰に適合するために用途が限られる．
本研究は，幅広い形状種に使える「汎用型」の形状特徴量を教師なし深層学習で獲得する．教師なし学習により，ラベルを持たない多量の3D形状を学習に活用できる．さらにスパース符号化技術の導入により特徴量の汎用性を高める．汎用型形状特徴量は特に，製造・医療・建築等の分野に存在する，同種形状サンプルが少ない「少数派」3D形状の解析精度の改善に役立つ．
|
| 研究成果の概要 |
本研究では，多様な種類の3D形状データに対して使える汎用型形状特徴量を教師なし深層学習で獲得する技術の確立に取り組んだ．具体的には，(1)多様な表現の3D形状データに適用可能な教師なし特徴学習アルゴリズム，(2)3D点群の形状補完のための新しいDNN構造とその損失関数，(3)回転不変な3D形状特徴量を獲得するための新しいDNN構造とその教師なし学習手法，を提案した．定量的評価実験を通して，いずれの提案手法も従来手法と比べて高い解析精度を示すことを確かめた．以上の研究成果により，これまで手作り形状特徴量に依存していた学習サンプル数の少ない（少数派の）3D形状の解析精度の改善が期待できる．
|
| 研究成果の学術的意義や社会的意義 |
本研究の学術的意義は，3D形状データの種類を問わず使える汎用型形状特徴量を教師なし深層学習で獲得する手法を提案したことである．これにより，ラベル付きデータが少ない3D形状の解析においても，ある程度高精度な特徴量を利用できる．
社会的意義として，製造業，建築，医療，娯楽作品制作といった3D形状データを活用する様々な分野において，3D形状解析の自動化・高精度化が期待できる．特に，ラベル付きデータの収集が困難な分野では本研究で提案した教師なし学習手法が有効に活用できると考えられる．さらには，各分野における3D形状データの活用が促進され，生産性の向上や新たな価値創造につながることが期待できる．
|
