講演抄録/キーワード |
講演名 |
2019-03-05 17:05
Convolutional Neural Networkを用いた区画数検出の検討 ○古賀敬之・髙橋友太・岡崎俊太郎・大須理英子(早大) NC2018-74 |
抄録 |
(和) |
数の保存概念について検討するため、輝度や境界線を構成する直線の本数などの特徴を統制した画像データを利用し,Convolutional Neural Network(CNN)に、形が異なる区画の数カウント(2個か3個か4個の判別)を学習させた。統制した全ての特徴において学習データと同等の画像に対して99%以上の推定精度を獲得したCNNを用いて,同じまたは異なる区画形状を持つ刺激による汎化テストをおこなった.その結果,未学習の形状を含む刺激に対しても,学習時の刺激に共通する特徴である外枠に接する区画のみで構成された画像であれば約56%の精度で推定が可能であった.このことから本研究で対象としたCNNでは,単純に区画形状の学習に基づくカウント機能ではなく,境界線を基準としたカウント機能が獲得されていると考えられる.つまり,不完全ではあるが人間が持っている数の概念に近いカウント機能が獲得されている可能性が示唆された. |
(英) |
n this study, we examined the compartment counting ability of Convolutional Neural Network (CNN) using images that are controlled for their features (i.e. brightness, shape, and the number of lines that divided compartments). We trained the CNN by images with limited features and tested its generalizability by images that are different from training data in the shape combination and shape itself. Consequently, the CNN achieved approximately 56% accuracy in the generalization test. This result indicated that the CNN learned to count the division of compartments without identifying the shape of the compartments. Our findings suggested that although the acquired counting ability in the CNN is still imperfect it may not be so far from the concept of number in human. |
キーワード |
(和) |
ニューラルネットワーク / 概念獲得 / カウンティング / / / / / |
(英) |
Neural Network / Concept Acquisition / Counting / / / / / |
文献情報 |
信学技報, vol. 118, no. 470, NC2018-74, pp. 163-168, 2019年3月. |
資料番号 |
NC2018-74 |
発行日 |
2019-02-25 (NC) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
NC2018-74 |
研究会情報 |
研究会 |
NC MBE |
開催期間 |
2019-03-04 - 2019-03-06 |
開催地(和) |
電気通信大学 |
開催地(英) |
University of Electro Communications |
テーマ(和) |
NC, ME, 一般 |
テーマ(英) |
|
講演論文情報の詳細 |
申込み研究会 |
NC |
会議コード |
2019-03-NC-MBE |
本文の言語 |
日本語 |
タイトル(和) |
Convolutional Neural Networkを用いた区画数検出の検討 |
サブタイトル(和) |
|
タイトル(英) |
Detecting the Number of Compartments Using Convolutional Neural Network |
サブタイトル(英) |
|
キーワード(1)(和/英) |
ニューラルネットワーク / Neural Network |
キーワード(2)(和/英) |
概念獲得 / Concept Acquisition |
キーワード(3)(和/英) |
カウンティング / Counting |
キーワード(4)(和/英) |
/ |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
古賀 敬之 / Takayuki Koga / コガ タカユキ |
第1著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第2著者 氏名(和/英/ヨミ) |
髙橋 友太 / Yuta Takahashi / タカハシ ユウタ |
第2著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第3著者 氏名(和/英/ヨミ) |
岡崎 俊太郎 / Shuntaro Okazaki / オカザキ シュンタロウ |
第3著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第4著者 氏名(和/英/ヨミ) |
大須 理英子 / Rieko Osu / オオス リエコ |
第4著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2019-03-05 17:05:00 |
発表時間 |
15分 |
申込先研究会 |
NC |
資料番号 |
NC2018-74 |
巻番号(vol) |
vol.118 |
号番号(no) |
no.470 |
ページ範囲 |
pp.163-168 |
ページ数 |
6 |
発行日 |
2019-02-25 (NC) |