|
複数のDeep Neural Networkや適応的な処理に着目し、様々な研究を行った。例えば、複数のネットワークの間で情報をやり取りしながら推論を深める方法では１つのネットワークを用いるよりも精度を改善できた。また、情報をフィードバックしながら学習する方法では、一旦出力した推論結果を入力側に戻し、再度推論することにより精度を改善させることに成功した。さらに、敵対的学習の枠組みにおいて、識別器から生成器にattentionする方法についても研究を行い、ネットワーク間での情報のやり取りが精度改善に役立つことを明らかにした。
数多く研究されているConvolutional Neural Networkからカプセルネットワークに転移する方法などの研究を行った。また、Deep learningの精度を向上させる方法として、誤差情報が届きにくい部分の特徴量の値をランダムに大きくするFeature Enhancement Moduleを提案し、テスト時の計算コストやメモリを上げることなく精度の改善ができた。さらに、複数のネットワークで異なる学習をさせてその間で知識蒸留を行う方法や相互情報量を用いて複数ネットワーク間で知識蒸留を行う方法なども提案した。また、セグメンテーションなどでもクラス間の学習画素数の偏りが問題となる。そこで、その不均衡さを扱うために可変な重みを用いた方法などの研究も行い、有効性を確認した。これらの研究により、複数のネットワークや適応的な処理の利用により、精度改善ができることを明らかにした。
|
