2018 Fiscal Year Annual Research Report
Statistical modeling of spatio-temporal data on natural and social phenomena, and those understanding
| Project/Area Number |
15H02670
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
西井 龍映 九州大学, マス・フォア・インダストリ研究所, 教授 (40127684)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
持田 恵一 国立研究開発法人理化学研究所, 環境資源科学研究センター, チームリーダー (90387960)
恩田 義彦 国立研究開発法人理化学研究所, 環境資源科学研究センター, 研究員 (50547073) [Withdrawn]
松田 安昌 東北大学, 経済学研究科, 教授 (10301590)
田中 章司郎 広島経済大学, 経済学部, 教授 (00197427)
前園 宜彦 九州大学, 数理学研究院, 教授 (30173701)
増田 弘毅 九州大学, 数理学研究院, 教授 (10380669)
|
|---|
| Project Period (FY) |
2015-04-01 – 2019-03-31
|
| Keywords | 超高解像度画像 / マルチラベル判別 / 遺伝子ネットワーク / コンピュータビジョン / 植物の表現型 |
|---|
| Outline of Annual Research Achievements |
2018年度に公開された論文の概要は以下の通りである.
ドローンで地表面を観測した超高解像度画像は，解像度が数cmとなるため各画素ごとではなく，各タイル（例：5ｍ四方）に，含まれているカテゴリを複数答えることが求められ，これをマルチラベル判別という．構造化 SVM はデータの構造を反映するように構成された判別関数を定義し，L2損失に誤判別に対するペナルティを加えた目的関数最小化で判別を行う．提案手法は，さらに隣接タイル間の判別結果は大きく異ならないというルールを埋め込んだ構造化SVMを提案し，複数の実画像で構造化 SVMより優れた性能を示した．
ハイスループットな遺伝子発現データに基づき，植物の遺伝子ネットワーク(GRN)を推定する統計的手法や機械学習手法が進歩してきている．大きいGNRは遺伝子の機能を導き出す基本的道具であり，得られるハブ遺伝子は機能解析において重要である．ここではGNR 推定に関連した60編以上の論文を，統計手法のみ，機械学習のみ，両者を併用した論文に大別してレビューした．また GNR は植物の成長過程に応じて変化するため，時系列を意識して GNR 推定を行う論文にも注目した．
コンピュータビジョンは植物の画像やビデオから成長の成長過程に関する有益な情報を抽出するためのキーテクノロジーである．画像解析には前処理，画像分割（葉と茎の同定，個別の葉の同定等），成長過程に関する特徴抽出，成長過程の判別といったプロセスが求められる．画像解析における最近の発展は深層学習等の機械学習の発展によるところが大きい．また人工衛星，航空機，ドローンやトラクター搭載のセンサで，複数の波長帯で観測するリモートセンシングが穀物の成長やデジタル農業に用いられている．本論文ではコンピュータビジョンを用いて植物の表現型を評価する131編の論文についてレビューした．
|
| Research Progress Status |
平成30年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
平成30年度が最終年度であるため、記入しない。
|
Research Products
(22 results)
