| 講演名 | 2020-02-27 ［特別講演］近傍を考慮した画素ラベリング 古田 諒佑(東京理科大), 井上 直人(東大), 山崎 俊彦(東大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 各画素にラベルを割り当てる画素ラベリングは，コンピュータビジョンの分野で最も歴史がある重要な問題の一つであり，様々な応用がある．画素ラベリングでは，(i) 広い解空間をどう対処するか，(ii) 隣接画素のラベル同士の関係性をどう上手く学習するか，という2 つの大きな問題がある．まず1 つ目の問題に対し，隣接画素を考慮しつつも高速な最適化手法を提案する．隣接画素の関係性は，割り当てられたラベル同士が滑らかになるような制約をマルコフ確率場のモデルで記述することが多い．提案手法はそういった一般的なマルコフ確率場で表された問題に対する高速な最適化手法である．またそれに加えて，隣接画素のラベルが連続でなければならないという特殊なマルコフ確率場のモデルに対する最適化手法も提案する．2 つ目の問題に対しては，条件付き確率場（CRF）と畳み込みニューラルネットワーク（CNN）を統合学習する手法を提案する．具体的には，不動点反復法によるCRF の最適化計算が再帰的な畳み込み演算と数学的に等価であることを導出し，CNN の一部として表現することで，CRF とCNNのパラメータを逆誤差典範で同時に学習できるモデルを提案する．また最後に，画素ラベリングと強化学習を組み合わせた画素強化学習という全く新しい問題と，それに対する効果的な学習法を提案する．画素強化学習では，各画素にエージェントを配置し，各エージェントがアクションを取ることで様々な画像処理を行うことができる． |
| 抄録(英) | Pixel labeling is one of the most classical and important problems in the field of computer vision because it has a variety of applications. We tackle two major challenges of pixel labeling: (i) how to deal with the large solution space, and (ii) how to learn the relationships between neighbor labels effectively. For the first challenge, we present two neighbor-aware fast optimization methods. One is the fast optimization method for general pixel-labeling problems based on Markov random field (MRF) models where the smoothness between the neighbor labels is forced. The other is the fast optimization method for the special case of pixel-labeling problems where the neighbor labels are forced to be connected. For the second challenge, we present two novel neighbor-aware learning methods that boost the performance of pixel labeling. Based on the mathematical relationship between the fixed point iteration of dense conditional random field (CRF) and recurrent convolution, we present a new model based on dense CRF, which automatically learns the relationships between neighbor labels from training data and enables joint training with deep neural networks. In addition, we present a novel problem setting (pixelRL), and an effective neighbor-aware learning method for pixelRL named reward map convolution. PixelRL is a novel pixel-labeling problem combined with reinforcement learning, where the label is a sequence of actions at each pixel, and its objective is to maximize the accumulated total rewards at all pixels. |
| キーワード(和) | 画素ラベリング / マルコフ確率場 / 条件付き確率場 / 強化学習 |
| キーワード(英) | Pixel labeling / Markov random field / conditional random field / reinforcement learning |
| 資料番号 | ITS2019-45,IE2019-83 |
| 発行日 | 2020-02-20 (ITS, IE) |
| 研究会情報 | |
| 研究会 | ITE-HI / IE / ITS / ITE-MMS / ITE-ME / ITE-AIT |
|---|---|
| 開催期間 | 2020/2/27(から2日開催) |
| 開催地（和） | 北海道大学 |
| 開催地（英） | Hokkaido Univ. |
| テーマ（和） | 画像処理および一般 |
| テーマ（英） | Image Processing, etc. |
| 委員長氏名（和） | 永井 岳大(東工大) / / / 石井 紀彦(NHK) / 田川 憲男(首都大) / 向井 信彦(東京都市大) |
| 委員長氏名（英） | Takehiro Nagai(Tokyo Inst. of Tech.) / / / Norihiko Ishii(NHK) / Norio Tagawa(Tokyo Metropolitan Univ.) / Nobuhiko Mukai(Tokyo Cisy Univ.) |
| 副委員長氏名（和） | / / / / 新井 啓之(日本工業大) / 名手 久貴(東京工芸大) |
| 副委員長氏名（英） | / / / / Hiroyuki Arai(Nippon Institute of Technology) / Hisaki Nate(Tokyo Polytechnic Univ.) |
| 幹事氏名（和） | 磯貝 愛(NTT) / / / 文仙 正俊(福岡大) / 船橋 信彦(NHK) / 望月 貴裕(NHK) / 小川 貴弘(北海道大) / 城 堅誠(ソニーセミコンダクタソリューションズ) |
| 幹事氏名（英） | Megumi Isogai(NTT) / / / Masatoshi Bunsen(Fukuoka Univ.) / Nobuhiko Funabashi(NHK) / Takahiro Mochizuki(NHK) / Takahiro Ogawa(Hokkaido Univ.) / Kensei Jo(Sony Semiconductor Solutions) |
| 幹事補佐氏名（和） | |
| 幹事補佐氏名（英） | |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Group on Human Inormation / Technical Committee on Image Engineering / Technical Committee on Intelligent Transport Systems Technology / Technical Group on Multi-media Storage / Technical Group on Media Engineering / Technical Group on Artistic Image Technology |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | ［特別講演］近傍を考慮した画素ラベリング |
| サブタイトル（和） | |
| タイトル（英） | [Special Talk] Neighbor-Aware Approaches for Pixel Labeling |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 画素ラベリング / Pixel labeling |
| キーワード(2)（和/英） | マルコフ確率場 / Markov random field |
| キーワード(3)（和/英） | 条件付き確率場 / conditional random field |
| キーワード(4)（和/英） | 強化学習 / reinforcement learning |
| 第 1 著者 氏名（和/英） | 古田 諒佑 / Ryosuke Furuta |
| 第 1 著者 所属（和/英） | 東京理科大学(略称：東京理科大) Tokyo University of Science(略称：TUS) |
| 第 2 著者 氏名（和/英） | 井上 直人 / Naoto Inoue |
| 第 2 著者 所属（和/英） | 東京大学(略称：東大) The University of Tokyo(略称：UT) |
| 第 3 著者 氏名（和/英） | 山崎 俊彦 / Toshihiko Yamasaki |
| 第 3 著者 所属（和/英） | 東京大学(略称：東大) The University of Tokyo(略称：UT) |
| 発表年月日 | 2020-02-27 |
| 資料番号 | ITS2019-45,IE2019-83 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | ITS-421,IE-422 |
| ページ範囲 | pp.239-239(ITS), pp.239-239(IE), |
| ページ数 | 1 |
| 発行日 | 2020-02-20 (ITS, IE) |