| 講演名 | 2022-06-09 交通事故データに基づき地図画像を学習させたCNNの判断根拠の可視化 荒瀬 快斗(岡山大), 呉 志堅(岡山大), 右田 剛史(岡山大), 高橋 規一(岡山大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 著者らは最近，交通事故データに基づき交通事故危険領域か否かのラベルが付けられたOpenStreetMap画像を畳み込みニューラルネットワーク(CNN: Convolutional Neural Network)に学習させる試みを行った．学習済みのCNNは未知地図画像からその領域が危険か否かを高い確率で正しく判別できるが，その理由やCNNの判断根拠は明らかでない．本報告では，上記のように地図画像を学習させたCNNの判断根拠をGrad-CAMとよばれる手法を用いて可視化する．出力結果はGrad-CAMをCNNのどの畳み込み層に適用するかで異なる．出力層に近いほど特徴をうまく捉えることができるが可視化の解像度は低い．逆に，入力層に近いほど可視化の解像度は高いが特徴をうまく捉えることができない．各モデルの各畳み込み層のGrad-CAMによる可視化結果を分析し，可視化に適した畳み込み層が存在することや，CNN が交通事故危険領域か否かを判別する際のいくつかの特徴を明らかにする． |
| 抄録(英) | The authors have recently conducted training of Convolutional Neural Networks (CNNs) on OpenStreetMap images each of which is labeled as ``danger'' or ``safe'' based on traffic accident data. Although the trained CNNs determine whether each area is danger or safe from the map image correctly with a high probability, the reason for this and the basis for their decisions are not clear. In this report, we use a method called Grad-CAM to visualize the basis of CNNs' decisions after learning map images as described above. The visualization result of the Grad-CAM depends on the convolutional layer of the CNN it is applied. The closer the layer is to the output layer, the better the features can be captured, but the resolution of the visualization is lower. Conversely, the closer the layer is to the input layer, the higher the resolution of the visualization, but the less well the features are captured. By analyzing the visualization results of the Grad-CAM for different convolutional layers of different models, we show that there certainly exist convolutional layers suitable for visualization, and clarify some characteristics of the trained CNNs when making their decisions. |
| キーワード(和) | 深層学習 / 地図画像 / OpenStreetMap / Grad-CAM / 交通事故データ |
| キーワード(英) | deep learning / map image / OpenStreetMap / Grad-CAM / traffic accident data |
| 資料番号 | NLP2022-10,CCS2022-10 |
| 発行日 | 2022-06-02 (NLP, CCS) |
| 研究会情報 | |
| 研究会 | CCS / NLP |
|---|---|
| 開催期間 | 2022/6/9(から2日開催) |
| 開催地（和） | 大阪大学 豊中キャンパス シグマホール |
| 開催地（英） | |
| テーマ（和） | 一般 |
| テーマ（英） | |
| 委員長氏名（和） | 赤井 恵(北大) / 常田 明夫(熊本大) |
| 委員長氏名（英） | Megumi Akai(Hokkaido Univ.) / Akio Tsuneda(Kumamoto Univ.) |
| 副委員長氏名（和） | 会田 雅樹(都立大) / 中野 秀洋(東京都市大) / 鳥飼 弘幸(法政大) |
| 副委員長氏名（英） | Masaki Aida(TMU) / Hidehiro Nakano(Tokyo City Univ.) / Hiroyuki Torikai(Hosei Univ.) |
| 幹事氏名（和） | 眞田 耕輔(三重大) / 宮田 純子(芝浦工大) / 吉岡 大三郎(崇城大) / 伊藤 大輔(岐阜大) |
| 幹事氏名（英） | Kosuke Sanada(TDK) / Sumiko Miyata(Shibaura Insti. of Tech.) / Daisaburo Yoshioka(Sojo Univ.) / Daisuke Ito(Gifu Univ.) |
| 幹事補佐氏名（和） | 佐々木 智志(湘南工科大学) / 安東 弘泰(筑波大) / 小林 幹(立正大学) / 安田 裕之(東京大学) / 横井 裕一(長崎大) / 山仲 芳和(宇都宮大) |
| 幹事補佐氏名（英） | Tomoyuki Sasaki(Shonan Instit. of Tech.) / Hiroyasu Ando(Tsukuba Univ.) / Miki Kobayashi(Rissho Univ.) / " Hiroyuki YASUDA(The Univ. of Tokyo) / Yuichi Yokoi(Nagasaki Univ.) / Yoshikazu Yamanaka(Utsunomiya Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Complex Communication Sciences / Technical Committee on Nonlinear Problems |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 交通事故データに基づき地図画像を学習させたCNNの判断根拠の可視化 |
| サブタイトル（和） | |
| タイトル（英） | Visualization of decisions from CNN models trained on OpenStreetMap images labeled based on traffic accident data |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 深層学習 / deep learning |
| キーワード(2)（和/英） | 地図画像 / map image |
| キーワード(3)（和/英） | OpenStreetMap / OpenStreetMap |
| キーワード(4)（和/英） | Grad-CAM / Grad-CAM |
| キーワード(5)（和/英） | 交通事故データ / traffic accident data |
| 第 1 著者 氏名（和/英） | 荒瀬 快斗 / Kaito Arase |
| 第 1 著者 所属（和/英） | 岡山大学(略称：岡山大) Okayama University(略称：Okayama Univ.) |
| 第 2 著者 氏名（和/英） | 呉 志堅 / Zhijian Wu |
| 第 2 著者 所属（和/英） | 岡山大学(略称：岡山大) Okayama University(略称：Okayama Univ.) |
| 第 3 著者 氏名（和/英） | 右田 剛史 / Tsuyoshi Migita |
| 第 3 著者 所属（和/英） | 岡山大学(略称：岡山大) Okayama University(略称：Okayama Univ.) |
| 第 4 著者 氏名（和/英） | 高橋 規一 / Norikazu Takahashi |
| 第 4 著者 所属（和/英） | 岡山大学(略称：岡山大) Okayama University(略称：Okayama Univ.) |
| 発表年月日 | 2022-06-09 |
| 資料番号 | NLP2022-10,CCS2022-10 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | NLP-65,CCS-66 |
| ページ範囲 | pp.46-51(NLP), pp.46-51(CCS), |
| ページ数 | 6 |
| 発行日 | 2022-06-02 (NLP, CCS) |