| 研究課題/領域番号 |
16K00322
|
|---|
| 研究機関 | 筑波大学 |
|---|
研究代表者 |
亀山 啓輔 筑波大学, システム情報系, 教授 (40242309)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2020-03-31
|
| キーワード | 高次スペクトル / 信号認識 / ニューラルネットワーク / サポートベクトルマシン / カーネル法 / アンサンブル学習 / 転移学習 / 生体認証 |
|---|
| 研究実績の概要 |
虹彩認証： 高次スペクトル特徴量を応用した信号分類問題としての虹彩認証法の開発を進めた．これまでに提案してきた一次法（局所的な高次スペクトル特徴量を直接利用する方法）と，二次法（2か所の高次スペクトル特徴量の間の関係性としてカーネル関数を利用する方法）に加えて，画像特徴量を畳み込みニューラルネットワーク(CNN)により直接学習的に得たフィルタを用いた場合との認証精度の違いに関して検証を進めた．
高次畳み込みネットワーク： 高次スペクトルカーネルに関するカーネル学習と，神経回路網モデルでの実現を目指す勾配学習との組み合わせを実現するための手法を継続して検討した．引き続き，高次スペクトルカーネルを用いたSVMにより選出されたサポートベクトルを手掛かりに，有用な特徴量を初期値とする高次複素畳み込み神経回路網(HOCNN)の，学習アルゴリズムの検討を進めた．
アンサンブル学習： 昨年度提案した誤り訂正出力符号を用いたアンサンブル学習法を発展させ，固定した数の弱分類器集合が並列的に相互相補的な特徴量を獲得することができるParallel Cooperative Ensemble Learning (PCEL)を提案した．弱分類器集合による相補的な特徴量の獲得により，統合分類器としての分類精度を向上させうることを示した．
パラメータ密度関数の継承による転移学習法： 画像分類のためのCNNの学習の際に，事前に学習済みのCNNの特徴抽出層の持つ情報を柔軟に活用するために，学習済みのフィルタパラメータベクトル集合の密度関数を抽出し，それに基づく乱数ベクトルを新たなCNNフィルタパラメータの初期値に選ぶことで，同種の画像認識問題に対して，構造の異なるCNNにおいても特徴量の転移(継承)が実現し，効率的な学習が実現されることを示した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
高次畳み込みニューラルネットワークの実験に用いるGPGPUを搭載した専用計算機の導入が年度当初にずれ込んだため，これを用いた実証の部分は遅れているが，虹彩認証への応用について引き続き検証を進めている．また，畳み込みニューラルネットワークの学習方式に関する新たな提案を国際学会で2件発表するなどの進展があり，全体として概ね順調な進捗と考える．
|
| 今後の研究の推進方策 |
提案しているHOCNNの実装を進め，大規模な画像分類問題等において高次スペクトル特徴量を用いていくことの有効性の検証を行う．その過程で，新たに提案した転移学習法やアンサンブル学習の検証も併せて行い，プロジェクト全体の総括とする．
|
| 次年度使用額が生じた理由 |
高次畳み込みニューラルネットワークを用いた高次スペクトル特徴量の学習的抽出と認識の結果を関連国際学会に報告するため．
|
