2019 Fiscal Year Research-status Report
Extracting Fusion Features of Deep Convolutional Neural Networks Trained on Different Large-scale Datasets
| Project/Area Number |
17K20008
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
松川 徹 九州大学, システム情報科学研究院, 助教 (80747212)
|
|---|
| Project Period (FY) |
2017-06-30 – 2021-03-31
|
| Keywords | 畳込ニューラルネットワーク / 融合 / CNN特徴転移 / 画像認識 / 深層学習 |
|---|
| Outline of Annual Research Achievements |
大規模なデータベースで学習された畳込ニューラルネット(CNN)の中間出力を他タスクへの特徴量として転用するCNN特徴転移は、学習元のタスクと適用タスクの性質が類似する場合に限り特に高い性能を発揮するため，学習データベースの選定が重要となる. 画像認識の認識対象は，複数の意味概念の集まりであるため、高精度な認識を実現するためには，従来のように単一のデータベースのみで学習されたCNN特徴を転用するのみでは不十分である. 本研究では, 複数の大規模データベースで学習されたCNNを融合し, 多様なタスクへ転用可能な汎用的な特徴抽出手法を探求する.
令和１年度では，少数データを用いるカメラ間の人物照合タスクにおいて，前年度までに考案していた学習済みのCNN特徴マップの判別的集積法で, 上位の畳み込み層において白色化制約付き判別基準の有効性が確認された. これらの層の特徴は広い受容野を有するため，異なる位置の特徴が似てしまい，白色化によりその差を広げることが有効であったと思われる. また，異なるカメラで異なる判別位置重みを学習することにより，パラメータは増加するが，過学習の少ない重みマップ学習の考案と評価を行い，良好な結果が得られている. 加えて，人物照合に対して有効な計量学習法であるCross-view Quadratic Discriminant Analysisのカーネル化を行い，CNN特徴にカイ２乗カーネルを適用すると，線形カーネルと比較し精度が向上することを確認した. また，CNN特徴のプーリングを改善する方法として，一般化マックスプーリングという手法が有効であることを確認した. これに基づく異なるデータベースで学習された複数のCNN特徴の融合方式を考案した.
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
単数のCNN から得られる特徴について開発した手法の有効性を実験により効果を示せているが，複数のCNN特徴について考案した融合方式の実験的検討が，不十分である.
|
| Strategy for Future Research Activity |
本年度考案した，一般化マックスプーリングに基づく異なるCNN特徴の融合方式を画像識別タスクにおいて実験的に評価する.
|
| Causes of Carryover |
本年度は海外での研究成果発表に至らなかったため, 旅費に未使用額が生じた. 次年度の成果発表費用と大規模な実験遂行のための計算資源購入に使用する.
|
