|
従来の統計モデルに基づく画像認識手法の多くは，モデルの学習のみに注目して研究されてきた．しかし，画像認識用の統計モデルを学習するためには，画像の切り出し，各種正規化，特徴抽出などの事前処理が必要となる．これらの事前処理は，認識対象に強く依存するため，人手による画像の切り出しやヒューリスティックな正規化処理が用いられてきたが，認識対象ごとにヒューリスティックな方法で事前処理を設計することは高いコストを必要とする．本研究では，認識対象の位置や大きさの正規化をモデル化することができる分離型格子隠れマルコフモデル (SL-HMM) や，SL-HMMと因子分析を統合した可変固有画像モデル (HMEM) に注目して，幾何学的変動に頑健なモデルの高精度化を行う．これらのモデルは従来では煩雑であった事前処理とモデルの学習を同時に最適化することができるため，認識対象ごとに事前処理を設計する必要がなく汎用性が高い手法である．
本年度は，ベイズ基準の近似計算を行う変分ベイズ法に確定的アニーリングEMアルゴリズムを適用し，HMEMの学習を行った．顔画像認識や手書き数字認識実験により，提案した学習アルゴリズムは，学習データが少量の場合であっても精度の高いHMEMを学習できることを示した． さらに，近年注目を集めているディープラーニングに基づく手法である畳み込みニューラルネットワーク (CNN) と提案法の比較実験を行った．比較実験より，学習データが少量の条件や，認識対象に位置や大きさの変動が多く含まれる条件においては，提案法はCNNより高い認識性能を示すことが確認できた．
|
