画像認識入門（シリーズ機械学習の数理:3月）

2021年度3月開講分、お申込受付中です。こちらからお申込みいただけます。

講座の概要

この講座はシリーズ機械学習の数理の3月分です。

画像認識は、画像のなかに写っているものをコンピュータで識別できるようにする技術です。この作業は人間にとっては難しくありませんが、それは無意識のうちに画像から、その文脈を読み取ることができるからです。画像認識の本質的な難しさは、コンピュータにこの文脈をどう把握させるかということにあり、それは「セマンティックギャップ」とよばれています。

参考：Nicolò Valigi, A review of deep learning models for semantic segmentation

一言で画像認識といっても、さまざまなタスクに細分化することができます。例えば、以下のようなものがあります。

・クラス認識 : 写っている物体のクラスを推定する
・物体検出 : 写っている物体のクラスを推定し、その領域を枠で囲む
・セマンティックセグメンテーション : 写っている物体のクラスを推定し、その領域を他の領域と細かく塗り分ける

機械学習は画像認識技術の大きな貢献を与えてきましたが、畳み込みニューラルネットワーク（CNN）の貢献は特に無視できないものでしょう。この講座では、クラス認識・物体検出・セマンティックセグメンテーションについてCNNを応用した代表的な手法を紹介します。

受講にあたって

受講する上で必要な知識

・畳み込みニューラルネットワークの基本的な知識（c.f. Deep Learning入門）

・keras, PyTorchいずれかの使用経験（授業ではkerasを用います。）

※畳み込みニューラルネットワークについては、授業中に短い復習をおこないます。

カリキュラム

1日目 :

A. 画像認識とは何か
画像認識の歴史、画像認識の難しさ、画像認識のさまざまなタスクについて説明します。また、画像認識の機械学習においてよく用いられる前処理として、PCA白色化やZCA白色化を紹介します。

B. クラス分類
CNNによるクラス分類を復習し、ImageNetによる転移学習・ファインチューニングを紹介し、kerasを用いた実装の方法を解説します。また、畳み込みニューラルネットワークの説明可能性の話題から古典的な手法であるGrad-CAMを解説します。

2日目 :

C. 物体検出
物体検出のモデルの評価の方法を紹介します。また、物体検出におけるCNNの応用のなかから、Faster RCNNとYOLOを紹介します。YOLOについてはkerasを用いた実装の方法を解説します。

D. セマンティックセグメンテーション
セマンティックセグメンテーションにおけるCNNの応用のなかから、U-Netを解説し、kerasを用いた実装の方法を解説します。また、Oxford-IIIT ペット・データセットを用いたデモを行います。

お申込み

お申し込みは、以下のお申込フォームからお願いします。

※お手数ですが、件名について『画像認識入門（シリーズ機械学習の数理:3月）』を選択のうえ送信をお願いします。