国立研究開発法人 科学技術振興機構
Innovation Japan 2020 ~大学見本市 Online
Innovation Japan 2020 ~大学見本市 Online
Home > 大学等シーズ展示一覧 > 関西学院大学 理工学部 人間システム工学科
関西学院大学 理工学部 人間システム工学科
岡留 剛 教授
非調和学習:性能を一段と高める深層学習手法
出展番号I-28
Kwansei Gakuin University Professor Takeshi Okadome
Anti-Harmonized Data Augmentation: A Weight Training Method for Deep Learning
持続可能な開発目標(SDGs)
レジリエントなインフラを整備し、包摂的で持続可能な産業化を推進するとともに、イノベーションの拡大を図る
展示概要

技術概要

画像診断等に用いる画像分類器の性能を一段と高める深層学習手法である。最近では、Cutoutやmixupなど、元データを大きく改変して水増しデータを作出す手法による認識性能の大幅な向上が報告されている。本手法は、ミニバッチにおける最適計算において、1つの元画像から複数のcutoutやcutmixにより画像を作成し、学習途中の分類器によりそれら複数データの誤差を計算し、それら複数データの中から本学独自の方法で一つ抽出し、ミニバッチの学習を行なう。

想定される活用例

・自動運転技術における状況認識器の作成.
・高精度な顔画像識別器
・画像中の物体領域抽出

 

展示のみどころ

本手法の優位性を示す画像分類の検証例紹介:画像分類のベンチマークのデファクトスタンダードであるCIFAR-10、100両方で、学習用画像データを用いた確率的勾配法による最適化実験で、既存研究で高性能を出した水増し手法、Cutout、Cutmix、Mixupとの比較で、すべての手法の性能を凌駕し、精度(accuracy)で平均0.5%の向上が確認された。これらのデータを掲載する。

非調和学習:性能を一段と高める深層学習手法.1 / Anti-Harmonized Data Augmentation: A Weight Training Method for Deep Learning 1

代表的なデータ拡張例:一般に、データを水増しして、データの多様性を促進させることで汎化性能(新しいデータに対する分類性能)が向上する。

非調和学習:性能を一段と高める深層学習手法.2 / Anti-Harmonized Data Augmentation: A Weight Training Method for Deep Learning 2

ミニバッチ中の元画像それぞれにつき、元画像1枚をM枚に拡張し、学習途中の分類器により、拡張されたM枚のそれぞれの誤差を計算し、本学独自の方法で選択した画像を元画像にかえてミニバッチの学習を行なう。

 
オンライン開催でもシーズとの出会いとマッチングを支援します
産学オンライン双方向マッチング Univercity for Citizen and Company

シーズサーチシステム

イノベーション・ジャパン~大学見本市Onlineに参加登録(無料)いただくと、キーワード検索や展示ポスターなど実展示さながらの各技術シーズ詳細資料の閲覧も可能!

ニーズオファーシステム

参加登録(無料)いただいた企業のご担当者には、ご希望があれば出展全大学へニーズを匿名で相談できる場もご提供!

 

プライバシーポリシー   参加規約
© 2020  イノベーション・ジャパン2020運営事務局

PageTop