| 講演名 | 2020-03-05 Self-Play深層強化学習を用いた画像の高速非線形リサイズ 梶浦 信勝(東大), 小杉 哲(東大), 汪 雪?(東大), 山崎 俊彦(東大), 相澤 清晴(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) | 本研究は入力画像を任意のアスペクト比にリサイズする画像リターゲティングについて扱う．従来のマルチオペレータを用いた手法では，オペレータを組み合わせて複数の画像を実際に生成し，入力画像との距離を最小化するオペレータの組み合わせを探索することでリターゲット画像が生成されていた．本研究では，最適なオペレータの組み合わせを高速に探索するために強化学習エージェントにより段階的に適切なオペレータを予測する手法を提案する．本手法の利点はオペレータの数が計算量にあまり影響しない点である．しかしながら，入力画像とリターゲット画像の距離は画像によって大きく異なるため，従来手法の評価関数をそのまま報酬として利用することは困難である．この問題を解決するため，自己対戦による勝敗を報酬として与えることで，評価関数の値の変化を吸収することを提案する．提案手法による実験を行ったところ，従来手法の数万分の1の演算時間での高速なマルチオペレータ画像リターゲティングが可能となった．また，主観評価実験により従来手法と比べ性能差が非有意で同程度のリターゲット結果が得られることが示された． |
| 抄録(英) | We address image retargeting, which is a task of adjusting input images into arbitrary sizes. In a previous method, they combine multiple operators and generate multiple retargeted images to find the optimal combination, which minimizes the distance between the original and the retargeted images. In this paper, to find the optimal combination more quickly, we propose a method of predicting the optimal operator step by step using a reinforcement learning agent. The advantage of this method is that it is hardly affected even if the number of operators increases. Since the distance between the input image and the retargeted image varies greatly depending on the image, it is difficult to use the evaluation function of the conventional method as a reward. In order to solve this problem, we propose that a reward based on self-play can be insensitive to changes in the value of the evaluation function. We conduct experiments, which show that our method achieves multi-operator image retargeting that is faster by four orders of magnitude and has the same performance as the previous method. |
| キーワード(和) | 画像リターゲティング / マルチオペレータ / 深層強化学習 / 自己対戦 |
| キーワード(英) | image retargeting / multi-operator / deep reinforcement learning / self-play |
| 資料番号 | IMQ2019-40,IE2019-122,MVE2019-61 |
| 発行日 | 2020-02-27 (IMQ, IE, MVE) |
| 研究会情報 | |
| 研究会 | IE / IMQ / MVE / CQ |
|---|---|
| 開催期間 | 2020/3/5(から2日開催) |
| 開催地（和） | 九州工業大学 戸畑キャンパス |
| 開催地（英） | Kyushu Institute of Technology |
| テーマ（和） | 五感メディア，マルチメディア，メディアエクスペリエンス， 映像符号化，イメージメディアの品質，ネットワークの品質 および信頼性，一般 （魅力工学（AC）研究会協賛） |
| テーマ（英） | |
| 委員長氏名（和） | 木全 英明(NTT) / 中口 俊哉(千葉大) / 間瀬 健二(名大) / 下西 英之(NEC) |
| 委員長氏名（英） | Hideaki Kimata(NTT) / Toshiya Nakaguchi(Chiba Univ.) / Kenji Mase(Nagoya Univ.) / Hideyuki Shimonishi(NEC) |
| 副委員長氏名（和） | 児玉 和也(NII) / 高橋 桂太(名大) / 前田 充(キヤノン) / 魚森 謙也(阪大) / 井原 雅行(NTT) / 岡本 淳(NTT) / 平栗 健史(日本工大) |
| 副委員長氏名（英） | Kazuya Kodama(NII) / Keita Takahashi(Nagoya Univ.) / Mitsuru Maeda(Canon) / Kenya Uomori(Osaka Univ.) / Masayuki Ihara(NTT) / Jun Okamoto(NTT) / Takefumi Hiraguri(Nippon Inst. of Tech.) |
| 幹事氏名（和） | 早瀬 和也(NTT) / 松尾 康孝(NHK) / 大橋 剛介(静岡大) / 齊藤 新一郎(ソニーセミコンダクタソリューションズ) / 平山 高嗣(名大) / 青木 良輔(NTT) / 大田 健紘(日本工大) / 木村 共孝(同志社大) / 山中 広明(NICT) |
| 幹事氏名（英） | Kazuya Hayase(NTT) / Yasutaka Matsuo(NHK) / Gosuke Ohashi(Shizuoka Univ.) / Shinichiro Saito(Sony Semiconductor Solutions) / Takatsugu Hirayama(Nagoya Univ.) / Ryosuke Aoki(NTT) / Kenko Ota(Nippon Inst. of Tech.) / Tomotaka Kimura(Doshisha Univ.) / Hiroaki Yamanaka(NICT) |
| 幹事補佐氏名（和） | 海野 恭平(KDDI総合研究所) / 福嶋 慶繁(名工大) / 工藤 博章(名大) / 土田 勝(NTT) / 平井 経太(千葉大) / 西口 敏司(阪工大) / 横山 正典(NTT) / 福嶋 政期(東大) / 佐々木 力(KDDI総合研究所) / 西川 由明(NEC) / 木村 拓人(NTT) |
| 幹事補佐氏名（英） | Kyohei Unno(KDDI Research) / Norishige Fukushima(Nagoya Inst. of Tech.) / Hiroaki Kudo(Nagoya Univ.) / Masaru Tsuchida(NTT) / Keita Hirai(Chiba Univ.) / Satoshi Nishiguchi(Oosaka Inst. of Tech.) / Masanori Yokoyama(NTT) / Shogo Fukushima(Univ. of ToKyo) / Chikara Sasaki(KDDI Research) / Yoshiaki Nishikawa(NEC) / Takuto Kimura(NTT) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Image Engineering / Technical Committee on Image Media Quality / Technical Committee on Media Experience and Virtual Environment / Technical Committee on Communication Quality |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | Self-Play深層強化学習を用いた画像の高速非線形リサイズ |
| サブタイトル（和） | |
| タイトル（英） | Self-Play Reinforcement Learning for Fast Image Retargeting |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 画像リターゲティング / image retargeting |
| キーワード(2)（和/英） | マルチオペレータ / multi-operator |
| キーワード(3)（和/英） | 深層強化学習 / deep reinforcement learning |
| キーワード(4)（和/英） | 自己対戦 / self-play |
| 第 1 著者 氏名（和/英） | 梶浦 信勝 / Nobukatsu Kajiura |
| 第 1 著者 所属（和/英） | 東京大学(略称：東大) The University of Tokyo(略称：UTokyo) |
| 第 2 著者 氏名（和/英） | 小杉 哲 / Satoshi Kosugi |
| 第 2 著者 所属（和/英） | 東京大学(略称：東大) The University of Tokyo(略称：UTokyo) |
| 第 3 著者 氏名（和/英） | 汪 雪? / Xueting Wang |
| 第 3 著者 所属（和/英） | 東京大学(略称：東大) The University of Tokyo(略称：UTokyo) |
| 第 4 著者 氏名（和/英） | 山崎 俊彦 / Toshihiko Yamasaki |
| 第 4 著者 所属（和/英） | 東京大学(略称：東大) The University of Tokyo(略称：UTokyo) |
| 第 5 著者 氏名（和/英） | 相澤 清晴 / Kiyoharu Aizawa |
| 第 5 著者 所属（和/英） | 東京大学(略称：東大) The University of Tokyo(略称：UTokyo) |
| 発表年月日 | 2020-03-05 |
| 資料番号 | IMQ2019-40,IE2019-122,MVE2019-61 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | IMQ-454,IE-456,MVE-457 |
| ページ範囲 | pp.127-131(IMQ), pp.127-131(IE), pp.127-131(MVE), |
| ページ数 | 5 |
| 発行日 | 2020-02-27 (IMQ, IE, MVE) |