2018 Fiscal Year Research-status Report
観測像が持つ統計的性質を利用して物体認識機構を獲得する神経回路モデルの構築と応用
| Project/Area Number |
17K00357
|
|---|
| Research Institution | Oita National College of Technology |
|---|
Principal Investigator |
木本 智幸 大分工業高等専門学校, 電気電子工学科, 教授 (30259973)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
上江洌 達也 奈良女子大学, 自然科学系, 教授 (10160160)
園田 潤 仙台高等専門学校, 総合工学科, 教授 (30290696)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 連想記憶モデル / Amitモデル / 相関 / 地中レーダ / 埋設物識別 |
|---|
| Outline of Annual Research Achievements |
連想記憶モデルにおいて、記憶パターンの相関が高いと混合状態になることが分かっている。こうした画像は、顔等のように同一人物でも様々な方向からの観測像があり、それらに相関がある場合の一例である。各方向から見た顔が顔画像そのものを記憶することも重要であるが、顔の観測方向に依存しないで人物を識別することも重要である。顔の方向に依存しない人物識別には、混合状態を想起させる方法が有効である。つまり、どの記憶パターンを入れても、常に同じ混合状態が想起されれば、観測方向に依存しない識別モデルを作ることができる。一方で、記憶パターンそのものも重要な想起対象である。そこで、Amit型の連想記憶モデルを用いるtことで、この両方を想起時に切り替えらられることが分かった。今年度は、この切り替えを行える条件を調べるために、Amit係数に関する安定状態の相図を調べた。また、記憶パターンが、連続的な相関を持つ場合と、一様な相関を持つ場合についても詳細に調べ上げた。
地中レーダ識別も研究目的である。これまでCNN型のAIモデルで地中内部の埋設物を識別する研究を行ってきたが、本年度は、その識別性能を上げるために、学習画像に効果的な前処理の方法と、画像を3D化してCNN型AIに学習させる方法について研究した。学習画像に地中の持つ非一様性を付加して学習するといった前処理が、学習の指向毎の安定性を増し、識別性能も向上することが分かった。また、レーダ画像を１枚ではなく、複数枚立体構造にして学習させることが性能向上に有効であることも分かった。こうした複数枚立体的な画像は、すでに地質調査会社では画像取得が行われており、CNN型AIに用いるのに親和性が高い。また、複数物体が埋設されている場合への適用も行うために、YOLO型AIでの地中レーダ画像識別の研究も行った。これらの成果は、全て学会にて発表を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
連想記憶モデルで、観測方向に依存しない物体識別については、当初は、混合状態のみの想起しか想定していなかったが、学習後であっても想起状態を混合状態ででけなく記憶パターンに切り替えるとが自由にできることが分かった。これは、想定していなかった興味深い結果である。切り替えとはそう安定性領域があるということではなく、混合状態を単安定にしたり、記憶パターンを単安定にしたりできるという意味である。これが、学習完了後であっても可能であることは非常に興味深く、こうした想定していない興味深い結果が得られたことは、研究が順調に進んでいることの一つの根拠である。
また、地中レーダによる埋設物識別では、画像の前処理での有効性を確認できたこと、レーダ画像を学習に使うときに立体的に入れることで識別性能が上がることが示せており、これも研究が順調に進んでいることの一つの根拠である。さらに、YOLO型AIでの地中レーダ画像識別の研究も行い、当初よりも方向性を広げて研究を進められている。これらの成果は、全て学会にて発表を行っており、成果を発表できるとこまで研究を進められている。
|
| Strategy for Future Research Activity |
連想記憶モデルについては、ジャーナルの投稿を行い、成果を広く公開することを目標とする。
また、近年の社会インフラ劣化の非破壊検査の重要性増加から、地中レーダに関する研究の実用化への期待が大きい。そのため地中レーダ画像の識別性能の向上に力を入れることは急務である。この２年間で進めてきた研究で、地中レーダのメーカーの違いによる観測画像の差で識別できなかったり、画像化する前処理の方法で識別性能が上がらなかったりすることが分かっている。そこで、最終年度はこうした地中レーダの識別性能向上に研究エフォートを注ぎたいと考えている。そのために、メーカの違いを吸収するために、学習画像の生成の方法の検討に入っており、また、画像化のための前処理の方法についてもすでに開発を進めている。
|
| Causes of Carryover |
当初予定していた計算機実験よりも、実地検証実験を優先して行ったため、大規模な計算に必要なGPUボードの購入が次年度に持ち越されたため。そのため次年度は、GPUボードを購入するために、次年度使用額が必要である。
|
