| 研究課題/領域番号 |
17K00251
|
|---|
| 研究機関 | 東京工科大学 |
|---|
研究代表者 |
菊池 眞之 東京工科大学, コンピュータサイエンス学部, 講師 (20291437)
|
|---|
| 研究期間 (年度) |
2017-04-01 – 2020-03-31
|
| キーワード | Deep Learning / 深層畳み込みニューラルネットワーク / 視覚系 / U-Net / AlexNet / Neocognitron |
|---|
| 研究実績の概要 |
ヒトの視覚的パターン認識における物体形状の表現様式として，パターン領域の外縁輪郭の形状ではなく，パターンの中心軸(スケルトン)がエンコードされていることを示唆する知見が近年報告されている．今年度は中心軸表現の計算論的有用性を見出すべく，計算機実験により外縁輪郭との認識率の比較を行った．その結果，ベストな表現様式はパターンに与える変形の種別ごとに相違した．
一方，CNNのパラメータを適切に調整する手法を見出すための識別率優良/不良ネットワークの反応様式比較の研究では，学習後の層ごとの特徴抽出結合の類似度を測り，冗長さを吟味した．その結果，性能に応じた冗長さの分布を見出すことができた．
また，近年のCNNは畳み込みを何回か連続させてからプーリングを行うなど，様々な形態のモデルが出現している．今年度はどの形態の性能が良いかを進化的計算を用い模索させた．しかしメモリ容量の制約により既存のモデルの性能を上回るまでには至らなかった．
このほか，ヒトの視覚系を大まかに近似するとみなせるU-Netを用い，アモーダル補完や図地分離などの視覚機能を模擬できるかを調べた．その結果，模擬できる可能性は認められたが学習パターン数が少なかったこともあり良好な結果とまでは言えなかった．
さらに，昨年度取り組んだU-NetによるCT画像からの脊椎領域抽出に関する改良も行った．メモリの制約により3D-Unetを使う代わりに，CT画像を3Dの直方体に積み重ねた上で，3方向にスライスしなおし，各方向につき2DのU-Netで学習・識別させた結果をマージするようにしたところ，単体の2Dでの結果よりも精度を向上させることができた．
|
| 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
当初予定してたパターン中心軸の認識の可能性に関する研究に取り組むことができ，また前年度からの先送りとなっていたDCNN最適パラメータ探索法の模索のための研究も遂行できた．その一方で，当初予定していたDCNN細胞の整数グリッド座標から実数座標への拡張の取り組みや，前年度からの先送りとなっていた特徴マップ同士のトポグラフィックな関係性の導入の研究は実質進められていない．しかし，当初予定されていなかった医用画像処理の新たな成果が出たうえ，U-Netによる視覚機能の模擬の研究にも取り組むことができた．計画変更が生じているものの，全体には順調といって差し支えない状況であると考える．
|
| 今後の研究の推進方策 |
当初予定されていた全層リカレントDCNNに予定通り最終年度に取り組むとともに，平成30年度に取り組む予定だったDCNNの細胞の整数グリッド座標から実数座標への拡張の取り組みや，その前年度からの先送りとなっていた特徴マップ同士のトポグラフィックな関係性の導入の研究も最終年度に取り組む．また，平成30年度に各種制約で期待してたパフォーマンスを得ることができなかった各種取り組みについても，最終年度に再度手掛けることを検討する．
|
| 次年度使用額が生じた理由 |
国外での研究成果を発表する予定であったのが，研究進捗状況と発表申込期限とのタイミングが合わず，次年度に発表することになった．それにより次年度使用額が生じることとなった．元々最終年度に計画していた取り組みの成果と併せ，国際会議や国内研究会の発表費用，論文誌への投稿の費用に充てる．また，最終年度に計画している取り組みと並行して前の年度のテーマの発展にも取り組むので，深層学習を実行できる環境を拡充すべく，コンピュータを購入する．
|
