|
本年度は，質感認識の新しい手法を実現すべく，ディープラーニングを用いて質感および物体の材質カテゴリーを認識する方法を中心に，以下に述べるような研究を行った．
まず，前年度構築したシステムと学習用データセットを利用して，多層畳込みニューラルネットの訓練を行い，結果を評価した．質感認識については，１３の質感を表す形容詞に関する画像ペア間の順序情報を，各形容詞につき1000件程度，被験者を集めて収集し，新しいデータセットを構築した．以前われわれは，ニューラルネットを用いない方法で画像から取り出した特徴を，サポートベクトルマシンでランキングする方法を提案していた．本計画で新たに，物体認識用に訓練された畳込みニューラルネットを使って，それが画像から取り出す特徴量を代わりに用いて同様の実験を行った．その結果は，われわれが以前得ていた結果を相当上回り，ペアの順序の予測精度で10％程度向上し，トータルで90%前後の質感の認識性能を達成することが分かった．
次に，ディープ畳込みニューラルネットワークをマテリアル認識へ応用し，特に既存のデータセットFlickr Material Databse(FMD)での認識精度向上を図った．具体的には，ネットワークのモデルの検討と，転移学習やデータ拡張などの様々な手法の組み合わせを検討し，性能評価実験を繰り返し行なった．その結果，単一モデルで７５%程度の認識精度を達成できた．
さらに，質感認識の核でもある反射成分の物理的な分離手法の検討を行った．非負値行列分解を用いることで，従来法よりも高精度に分離が行えることを示した．同成果は国際会議ACCV2014にて発表し，Best Student Paper賞を受賞した．
|
