| 研究領域 | スパースモデリングの深化と高次元データ駆動科学の創成 |
|---|
| 研究課題/領域番号 |
16H01542
|
|---|
| 研究種目 |
新学術領域研究(研究領域提案型)
|
| 配分区分 | 補助金 |
|---|
| 審査区分 |
複合領域
|
|---|
| 研究機関 | 電気通信大学 |
|---|
研究代表者 |
庄野 逸 電気通信大学, 大学院情報理工学研究科, 教授 (50263231)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2018-03-31
|
| 研究課題ステータス |
完了 (2017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)
2017年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
2016年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
|
|---|
| キーワード | びまん性肺疾患識別 / 特徴量選択 / 深層学習 / 特徴量の可視化 / ディープラーニング / 特徴量解析 / テクスチャ解析 / ディープコンボリューションネット / スパース特徴選択 / 温度交換MCMC法 / 表現学習 / 構造推定 |
|---|
| 研究実績の概要 |
本研究は，医療画像などにおいて解析困難となるテクスチャ状の画像データに対し，そのテクスチャ構造を表現する有効な因子を抽出することによる構造理解の促進を目的としている．第二期研究では，第一期研究時に提案している DCNN を用いた転移学習方法を発展させるとともに，DCNN内部の状態表現を理解するために，従来の “ハンドデザインした特徴量＋SVMのような識別機械” といった機械学習手法で構築されるシステムとDCNNの内部状態を対応させることを試みた．このため，第二期研究は，以下のサブテーマを設定した．
1) 医療画像などのテクスチャ状画像データに対して，より高精度な識別が行える深層学習 (Deep Learning: DL)等 を用いた表現を構築し，DL 内部のデータ表現からどのようなテクスチャデータが識別に有効に寄与しているかを検討した．この結果，びまん性肺疾患画像の識別問題において少数データからでも高精度な識別装置の構築が可能であることを示した．また識別時に画像中のどの部分が識別に有効に作用しているかを示すことも示すことができた．
2) 従来のテクスチャ特徴量を用いた判別問題に対して，L1制約型のスパースモデリングや， Approximated Exhaustive Search (AES)-SVM 法をといった特徴選択手法を適用し，有効な特徴量を選択し，どのような特徴が，識別に関して有効に寄与しているかを検討した．この結果，従来の L1 制約を用いた識別装置はハイパーパラメータの選択に敏感なため，AES-SVM のような全数検索ベースの近似手法が良い成果を出すことが示せた．
更に，これらの課題から得られる特徴量自体を比較し，有効な特徴量を抽出することを検討した．
|
| 現在までの達成度 (段落) |
29年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
29年度が最終年度であるため、記入しない。
|
