![15
畳み込み層
入力 縦横 𝑆 × 𝑆画素
持 ー 数 、例え 、一般的 画像
RGBA 持
, , ∈ , 𝑆 − × [ , 𝑆 − ] × [ , ]
× 画素
, , ∈ , − × [ , − ] × [ , ]
畳 込 層 1 対 出力 𝑆′ × 𝑆′画素
, ∈ , 𝑆′ − × [ , 𝑆′ − ]](https://image.slidesharecdn.com/dl5-1-170619143630/85/-15-320.jpg)
![36
ッチ学習
誤差 平均 学習 ー 詳解
=
,
⋮
,
入力 対
最終層 出力
𝒕 =
,
⋮
,
正解 ー
𝑬 = 𝒕 −
m番目 入力
対 誤差
𝑬 =
𝐸𝑀
=
= ⋮
𝑬 =
, − ,
⋮
, − ,
平均二乗誤差とシグモイド関数
を使っている場合
, ← , + ∆ ,
∆ , = 𝜂 ∙
−
=
= − ∙ ∙ −
< [省略]
: ー 数, : ー 何番目 , : ー 個数](https://image.slidesharecdn.com/dl5-1-170619143630/85/-36-320.jpg)
深層学習 - 画像認識のための深層学習 ①
- 1. 1 画像認識 深層学習 深層学習 (人工知能学会) 第 章
- 2. 2 担当範囲 1. 階層 ュー ワー 深層学習(田代) 2. 深層 ン ン(扱わ い) 3. 事前学習 周辺(高橋) 4. 大規模深層学習 実現技術(山内) 5. 画像認識 た 深層学習
- 3. 3 発表 目標 1. 画像認識 深層学習 背景 知 2. 畳 込 ュー ワー (CNN) 理解 3. CNN 用い 画像認識 や 方 理解 4. CNN 知 5. 教師 学習 画像認識 手段 知
- 5. 5 深層学習 画像認識 Krizhevsky 多層NN 一般物体認識 ン 他 圧倒的差 勝利 一般物体認識 1枚 画像 映 物体 答え 分類(Classifier) Youtube 動画 無作為 切 出 画像1000万枚 使 学習 多層NN 中間層 お あさん細胞 再現
- 6. 6 ばあ 細胞 人間 何 認識 際 事象 対 専用 ュー ン あ 、 活性化 事象 あ 認識 い い ？ いう仮説
- 7. 7 畳み込みニュー ネッ ワー 再発見 深層学習 画像認識 ン ー 畳み込みニュー ワー (CNN) 重要 80年代末 LeCun 多層CNN 学習 成功 文字認識 適用 高い性能 挙 い Krizhevsky 利用 多層NN 代表 現在 CNN 構造 び 学習方法 80年代 CNN ほ 変わ い CNN 改 注目 う 、 いう 正 い
- 8. 8 後 研究 研究 方向性 1. CNN 適用範囲 拡大 画像分野以外 成果 ？ 2. 学習 大規模化 訓練 ー 等 用い 、 多層 3. 高性能 理由 探求 CNN い ？
- 9. 9 畳み込みニュー ネッ ワー 画像認識 骨幹 成
- 10. 10 基本構造 畳 込 NN = Convolution Neural Network CNN 特徴 畳み込み層 びプー ン 層 呼ぶ特殊 層 交互 接続 構造 持 特徴 除 CNN 普通 ィー ワー 型 NN 何 変わ い
- 11. 11 ー ーワー ニュー ネッ ワー 日本語 順伝播型ニュー ワー 単一方向 信号 伝搬 入力 出力
- 12. 12 畳み込みニュー ネッ ワー 例 ⋮ 畳 込 プー ン 畳込 プー ン 繰 返 全結合 S N S 𝑆 画素 大 × 𝑆 × 数
- 13. 13 畳み込みニュー ネッ ワー 例 最終層 出力 以下 ソ 関数 処理 𝑝 = ⋮ 𝑝 , 𝑝 , … , 𝑝 𝑝 個 分類 際 番目 分類 確率 ソ 関数
- 14. 14 ニュー ネッ ワー 見 入力( ー ー ) 縦 × 横 × 数 × × = 入力層 ー 数 : 1024 32 32 畳 込 層 ー 数 : 900 × 畳 込 プー ン 層 ー 数 : 450 全結合層 ー 数 : 100 プー ン
- 15. 15 畳み込み層 入力 縦横 𝑆 × 𝑆画素 持 ー 数 、例え 、一般的 画像 RGBA 持 , , ∈ , 𝑆 − × [ , 𝑆 − ] × [ , ] × 画素 , , ∈ , − × [ , − ] × [ , ] 畳 込 層 1 対 出力 𝑆′ × 𝑆′画素 , ∈ , 𝑆′ − × [ , 𝑆′ − ]
- 16. 16 畳み込み層 け タ１つ 対 計算 入力 畳 込 演算結果 = ∙ − , − , , ∈𝒫= + 𝒫 ={画素( , ) 頂点 × 領 域} 各 毎 全出力 ー 同一( = ) 畳 込 S S N N L L 1 S’ S’
- 17. 17 畳み込み層 け タ１つ 対 計算 畳 込 演算 計算結果 活性化関数 経 畳 込 層 出力 CNN い 活性化関数 一般 的 ReLU関数 用い ReLU関数 : = max , 1 S’ S’ 1 S’ S’ ∙
- 18. 18 畳み込み層 出力 前述 対 演算 数 行 結果 畳 込 層 出力 、出力 数 枚数 等 い 畳 込 ′枚 出力 : 𝑆′ × 𝑆′ × ′
- 19. 19 (参考)画像 タ 畳み込 み − − − − ー ープ ・ ー ( 歳)ー ( 歳)
- 20. 20 画像 チャネ 数 透明 部分 い画像( 撮 写真 ) 基本的 RGB 持 赤 緑 青
- 21. 21 畳込み １ セ 処理 − − − − 周囲８ 関係性 新 い値 決 ( 計算 行う)
- 22. 22 様々 ター 畳込み − − . . . . . . . . . − : 128
- 23. 23 畳み込み層 単層ネッ ワー 計算 特殊 形 層間 ー 結 単層 ワー 表現 特殊 形 結合 上位層 各 ー 下位層 ー 一部 結合 結合 重 各 ー 間 共通 あ
- 24. 24 受容 局所的 上位層 各 ー 下位層 ー 一部 結合 上位層 対応 影響範囲 赤色 領域 ー 結合 、 え 領域 以外 部分 変わ 部 分 影響 い！ 上位層 下位層
- 25. 25 み共通 結合 重 各 ー 間 共通 重 あ 、 共通 画像全体 − − − − 共通 画像全体 ！
- 26. 26 プー ン 層 畳 込 層 対 使わ 、畳 込 層 出力 層 入力 プー ン 層 目的 プー ン 行う 堅牢性(Robustness) 高 、画像内 現 特徴 微小 位置変化 対 応答 不変性 実現
- 27. 27 全 画素 対 演算 行う 、 置 演算 行う 場合 あ 、 いう 紹介 畳 込 演算 全 暗黙的 1 置 演算 行う 、出力層 ー 数 倍 𝑆 × 𝑆 × = 𝑆 × 𝑆 ×
- 28. 28 プー ン 処理 プー ン 以上 値 設定 、縦横方向 間引 = 出力画像 縦横 長 半分 長 プー ン 縦横 長 半分 出力 ー 数 倍 ！
- 29. 29 プー ン 手法 1. 平均プー ン (average pooling) 受容野 値 平均値 出力 2. 最大プー ン (max pooling) 一番大 い値 出力 3. プー ン ( pooling) = 𝒫 𝑃 𝒫 𝑃 従 出力
- 30. 30 プー ン 層 単層ネッ ワー プー ン 層 学習 よっ 変化す 重み 存在し い 平均プー ン 以外 通常 ー 入出力関係 表現 い ∵ 重 表現 い 初期 CNN 平均プー ン 用い 、最近 一般的 最大プー ン 使用
- 31. 31 CNN 学習 教師あ 学習 学習 行う 標準的 ー ワー 型 NN 学習 変わ い 事前学習 プー ン 存在 一般的 い 学習 ー ベ 付 ンプ 集合 対象 、各 ンプ 分類誤差 最小化 う 学習 行う
- 32. 32 交差 ン ロ ー 分類誤差 測 手段 入力 ンプ 対 理想的 出力 , … , 実際 CNN 出力 𝑝 , … , 𝑝 乖離 以下 交差 ン ロ ー 測 = − log 𝑝 = F = log
- 33. 33 学習 メータ 交差 ン ー 小 う 以下 値 調整 各畳込 層 係数 各畳 込 層各 ー 全結合層 重
- 34. 34 学習 流 交差 ン ー 最小化 確率的勾配降下法 用い 重 や 関 誤差勾配 誤差逆伝搬法 計算 普通 NN 変わ い 最大プー ン 逆伝搬計算 例外 順伝搬時 ー 選 記憶 、逆伝搬時 選 ー 結合 い う 重 ベ 使う CNN ニ チ 学習 行う
- 35. 35 誤差 計算 み 更新 手段 学習 前学習 ー 用い 、誤差 平均 一気 重 更新 ン ン学習 ー 毎 逐次更新 行う 学習 全学習 ー 中 個 幾 ンプ 取 出 ー 対 更新 行う
- 36. 36 ッチ学習 誤差 平均 学習 ー 詳解 = , ⋮ , 入力 対 最終層 出力 𝒕 = , ⋮ , 正解 ー 𝑬 = 𝒕 − m番目 入力 対 誤差 𝑬 = 𝐸𝑀 = = ⋮ 𝑬 = , − , ⋮ , − , 平均二乗誤差とシグモイド関数 を使っている場合 , ← , + ∆ , ∆ , = 𝜂 ∙ − = = − ∙ ∙ − < [省略] : ー 数, : ー 何番目 , : ー 個数
- 37. 37 CNN け み 更新 重 更新 , ← , − + ∆ , , : 回更新 あ 上位層 番目 ー 下位層 番目 ー 重 更新量 ∆ , 次 う 決定 ∆ , = − , − + ∆ , − − 𝜆 , − ∆ , − : ン … ー 更新 慣性的 ※前回 更新量 あ 程度加算 慣性的 − 𝜆 , − : 重 減衰 … 重 過剰 大 い う
- 38. 38 ータ 正規化 一般的 CNN 入力 入力画像 学習 ンプ 平均 減算 使用 事 多い(正規化) 入力画像 、プー ン 層 出力 途中経過 対象 行う場合 あ う 処理 最 一般性 持 局所コン 正規化(local contrast normalization)
- 39. 39 減算正規化(subtractive normalization) 畳 込 層やプー ン 層 出力 = − ℎ ∙ + , + , あ 画素 , 周 小領域𝒫 全 渡 平均 差 引 ℎ ℎ = 満 重 × 小領域 単純平均(Pinto+) , ー 減衰 ウ 関数(Jarrett+) / / / / / / / / / Pinto Pinto Jarrett
- 40. 40 標準偏差 求 求 同 画像 範囲 標準偏差 𝜎 以下 う 表 𝜎 = ℎ ∙ + , + , = − ℎ ∙ + , + , ー 平均値 あ 点 値 平均 差 乗 平均 求 手法 ※単純平均 、加重平均 式 複雑 、分散 各 点 い 異 値 取
- 41. 41 除算正規化(divisive normalization) 求 標準偏差𝜎 用い 更 正規化 求 = / max , 𝜎 処理 除算正規化 呼ぶ ※画像 ー 分散 画像 ン 意味 定数 画像 小 変動 影響 抑え 上記 式以外 + 𝜎 いう関数 使う場合 あ 𝜎 十分大 い 分散1 正規化 、小 何 い いう点 同
- 42. 42 + 𝜎 or max , 𝜎 ? 青い直線 : max , 𝜎 赤い直線 : + 𝜎 ン 𝜎 中間 値 取 、 + 𝜎 ほう 滑 切 替わ
- 43. 43 局所コン 正規化 処理 流 局所コン 正規化 元来 処理 哺乳流 初期視覚野 ュー ン 示 振 舞い 説明 考案 大 範囲 値 扱う際 値 飽和 い う 正規化 行う 画像認識 多層NN 局所 ン 正規化 用い い 、単純 適応的局所 ン調整以上 効果 あ う い
- 44. 44 学習サンプ 集合 対 正規化 学習 ンプ 何 変換 施 全 ンプ 共分散行列 単位行列 う (白色化) 入力値 連続値 取 場合 ウ ーベ ー 型RBM 、学習 ンプ 想定 確率 見合 分布 持 う 平均 分散 補正
- 45. 45 CNN 強い 従来法 圧倒 結果 生
- 46. 46 一般物体認識 難 一般物体認識 = general object recognition 研究自体 90年代 遡 当時 難 解決 相当 時間 思わ 難 い？ 画像 映 無視 要素 不変 特徴 抜 出 必要性 類似 区別 識別力
- 47. 47 従来 一般物体認識 方法 分類 いう問題 特徴抽出 分類 段階 分離 捉え 後半 分類 ー ベ ン ベ 付 ンプ 用い 教師あ 学習 処理 特徴 手動設計 取 出 難 特徴抽出 (手動設計) 分類 (教師あ ) 特徴
- 48. 48 局所特徴 大域特徴 局所特徴(local feature)画像 局所的 小領域 考え、 濃 淡 特徴量 取 出 言う 画像上 選 多数 小領域 対 別々 局所特徴 抽出 、 符号化 びプー ン 上 、入力画像 枚全 体 特徴量 得 特徴量 大域特徴(global feature) 呼ぶ
- 49. 49 局所特徴(SIFT 抽出) SIFT(Scale Invariant Feature Transform) 最 古 、 一番良 使わ い 手法 、2 プ 構成 1. 画像内 ほ 特別 や い顕著 特徴 持 点 選び出 、同時 周囲 局所的 濃淡構造 大 従 見 領域 大 向 決定 * 2. 領域内部 濃淡構造 表 特徴量 取 出 *物体認識 局所領域 位置・大 ・向 格子状 機械的 取 多い
- 50. 50 他 局所特徴 抽出方法 SIFT 変わ 数多 局所特徴 提案 、 性能向上 度合い そ ほ 大き い 提案 中 わ い 段階 経 特徴 抽出 必要 あ あ 局所領域 対 、複数 並列 適用 、 結果 何 非線形関数 適用 、 後プー ン 行う いう構造
- 51. 51 符号化 抽出 局所特徴 対 符号化(Encode) 、 付 行う ュ ワー 自然画像 多様性 極 大 い 、 局所部分 多様性 ほ 、有限(数百〜数千) 典型例 類型化 仮定 典型例 ュ ワー 名付 多数 画像 多数 点 取 出 特徴量 集合 対 、 ン 実行 、得 数百〜数千程度 中心 得 代 表ベ ュ ワー
- 52. 52 Bag of Features 予 用意 い ュ ワー 用い 画像 枚全体 表現 得 方法 い あ 、最 基本 bag-of-features 用い 各点 局所特徴 同 特徴空間 代表点 あ ュ ワー う 最近傍 置 換え 量子化 犬 猫 う ュ ワー 局所特徴 う い
- 53. 53 プー ン 符号化 画像 特徴 帯域特徴 得 局所特徴 大域特徴局所特徴 局所特徴 う う 局所特徴 抽出 符号化 プー ン
- 54. 54 従来法 成功 理由 以上 方法 一般物体認識 対 、 以前 予想 覆 成功 収 理由 プー ン い 、局所特徴 位置情報 潔 捨 あ 同一 見 目 変動 対 不変性 実現 、識別力 局所特徴 依存 為、明 限界 あ
- 55. 55 従来法 CNN 比較 従来法 CNN 共通点 従来法 局所特徴 抽出→プー ン いう手順 CNN 畳 込 層→プー ン 層 いう手順 極 似 い 従来法 CNN 相違点 従来法 局所特徴 抽出 際 設計 決 、 CNN ( ) 学習 決定 、CNN 第 層 学習 経験的 設計 従来法 大 違わ い
- 56. 56 CNN 学習 タ 上 図 MNIST 学習 CNN 段階目 自然画像 入力 場合 学習 ガボー ィ タ 類似 無色 色や色 変化 関 分 事 多い
- 57. 57 ガ ー タ ガボー ィ タ 向 概念 持 、 あ 画像中 向 線 含 い 抽出 あ 具体的 次元 ン波 次元 ウ 関数 積 生成 ー 例 ー 適用例
- 58. 58 従来法(SIFT) 採用 い 計算 SIFT ８方向 勾配方向 計算 行 い CNN 学習 用い 畳 込 行う 同様 働 考え CNN 色 関 同時 得 、従来法 SIFT 別 色 特徴 抽出 使用 い 従 、 段階目 計算 従来法 CNN 大 差 い 思え
- 59. 59 従来法 大 壁 局所特徴 抽出 う 入力 近い層 工学的 設計 、CNN 学習 発見 中〜上位層 特徴 同 う 設計 従来法 CNN 性能 分 理由 あ 言え
- 60. 60 ネッ ワー 構造 認識性能 CNN 高い性能 示 理由 従来法 違い 求 CNN 多層性 CNN 構造 (画像 取 出 特徴 学習 獲得 柔軟性 持 ) う 本質的 う ？
- 61. 61 CNN 構造 理由 あ 考え Jarrett 畳 込 層 ン 値 、 全結合層 学習 多項 回帰 場合 十分 認識率 達成 事 示 全結合層 学習 場合 : 53.3% 学習 場合 : 54.8% ※ 、 学習サンプ 数 少 い場合 み あ 、 学習サンプ 十分 あ 場合 、 タ 学習 効果 発揮
- 62. 62 CNN 部表現 CNN 内部 一体何 表現 い
- 63. 63 CNN 謎 迫 CNN 成功 鍵 多層構造 、 畳 込 層 プー ン 層 繰 返 構造 有用 、説得力 あ 説明 見 い い 第 層 SIFT 似 い 、働 理解 、 以降 全体 ういう働 い わ い CNN 入力 ー 何 、 う 表現 い う ？
- 64. 64 可視化 学習後 CNN 角層 何 い 可視化 試 単純 各層 画像 見 多い 、何 読 取 難 い
- 65. 65 逆畳込みネッ ワー Zeiler 逆畳込 ワー いう独自 考え CNN 中間層 各 ー 何 見 い 可視化 入力画像 成分 注目 ー 出力値 決定 取 出 表示 結果 ワー 層構造 対応 階層性 示
- 66. 66 階層性 階層 深 連 活性化 ーン 複雑化 斜 線 縦 線 縦 線 横 線 耳 胴体 目 胴体 う 耳 う 胴体 う 目 胴体 楕 五角形 長方形
- 67. 67 脳神経系 関係 高次視覚野 脳皮質 多点電極 刺 、 状態 自 然画像 見 電極 神経細胞 活性 ーン 記録 学習済 CNN 同 画像 入力 、上位層 ー 活性 ーン 記録 CNN 取 出 活性 ーン 用い 神経細胞 振 舞い 回帰 高い精度 予測 可能
- 68. 68 転移学習 CNN 含 多層NN 魅力 学習 通 入力 ー 良い特徴 取 出 う 多層NN 学習 魅力的 性質 う あ あ 程度異 認識 間 学習 特徴 共通性 あ
- 69. 69 多層NN 階層性 逆CNN 項 述 う 多層NN 学習 特徴 層構造 対応 階層性 持 下位層 特徴 普遍性 持 異 間 共有 上位層 特徴 依存性 高い 従 、下位層 NN 転移学習 利用 可能性
- 70. 70 下位層 普遍性 利点 CNN 学習自体 一般物体認識 目的 、 学習 ー 規模 大 新 い認識 学習 う 学習 CNN 取 出 特徴 ー ベ ン等 分類 ー 自由度 減少 、必要 学習 ー 規模 小 い 方法 達成 認識精度 数多 認識 い 従来法 凌 高い わ い
- 71. 71 教師 学習 画像認識 自己符号化器 多層 ワー
- 72. 72 単層自己符号化器 局所特徴 学習 学習 局所領域( チ) 対象 行う 局所領域 特徴 学習 ー ソウ 3 特徴抽出
- 73. 73 自己符号化器 い 得 入力 ー 次元削減(Dimensional Reduction) 目標 教師 学習 次元縮退 要 、入力 特徴 適切 抜 出 主 目的 い 順方向 逆 方向 伝搬 元 信号 近 う 重 学習 行う
- 74. 74 単層自己符号化器 局所特徴 学習 具体的 方法 ー ー ン 独立成分分析 再構成型TICA(Topographic Independent Component Analysis) ー 自己符号化器 ー RBA(Restricted Boltzmann Machine) 名前 紹介 、具体的内容 割愛…
- 75. 75 ー 自己符号化器 ワー 構成 入力層 ー 数 : 𝑆 × 𝑆個 S S 入力画像 切 出 出力層 ー 数 : < 𝑆 × 𝑆 個 𝑾 𝒏𝒆𝒕 𝒏𝒆𝒕 = 𝑾 + 𝒃 ロ ティ 関数 𝒃
- 76. 76 ロ ッ 関数 = + 𝑥 −𝑥 関数 種 = , = , = 左図 ー 適当 設定 関数
- 77. 77 ー 自己符号化器 自己符号化器 以下 う 表 𝒊 − 𝟐 𝒊 最小化 = 𝑾 + 𝒃 = 𝑾 + 𝒃 自己符号化器 ー 正則化 加え ー 性 : 0 い値 事 少 う 出力層 ー 入力毎 活性化 う 制約
- 78. 78 ー 自己符号化器 𝒊 − 𝟐 𝒊 + 𝜌 ||𝜌 #ofunits = ー 正規化項 𝜌 ||𝜌 = 𝜌 log 𝜌 𝜌 + − 𝜌 log −𝜌 −𝜌 𝜌 : 全学習 ンプ 渡 ー 平均活性度 𝜌 = 𝜌 : 平均活性度 目標値
- 79. 79 ー 自己符号化器 使用例 CIFAR-10* 対象 局所特徴 抜 出 特徴 教師あ 学習 組 合わ 目的 実行 *一般物体認識 ー (http://www.cs.tronto.edu/~kriz/cifar.html)
- 80. 80 多層ネッ ワー 特徴学習 先ほ ー 自己符号化器 例 単層 ワー 単層 ワー 何層 積 上 積層自己符号化器 使 同様 教師 特徴学習 行う 考え 視覚野 V2領域 ュー ン 取 出 言わ い ー ーや ン ョン上 画像特徴 層 深層信念 ワー 学習 獲得 いう報告 RBM 、 個積 上 深層 ン ン(DBM) 使 特 徴学習 行 結果MNIST 当時最高水準 認識性能
- 81. 81 深層 学習…？ 先ほ 例 う 学習 高々 ， 層程度 ワー あ 、層数 増や 性能差 対 認 い場合や 層 方 性能 高い場合 多層性 効果 示 い い
- 82. 82 畳み込み層 プー ン 層 持 べ 教師 学習 興味深い結果 CNN同様 畳 込 層 プー ン 層 持 ワー 使 得 1. 畳み込み深層信念 ワー 2. 再構成型トポ ラフィッ 独立成分分析
- 83. 83 畳み込み深層信念ネッ ワー 畳 込 深層信念 ワー = Convolutional deep belief network CNN同様 畳 込 層 プー ン 層 交互積 重 構造 持 ワー 持 ボ ン ン 畳 込 層 ー 間結合 疎 ー 間 重 共有 形 特殊 RBM ー 正則化 適用 各 ー 振 舞い 確率的 記述 確率的最大プー ン 新 導入 自然画像 対象 教師 学習 行 階層的 特徴 学習
- 84. 84 ッ 独立成分分析 入力層、中間層、出力層 層 構造 NN 用い 特徴学習 出力層 ー ー 活性化 う 𝑊 最適化 𝑊 以下 制約 加え 𝑊𝑊 𝑇 = 𝐼 入力層 𝑾 中間層 出力層 プー ン 層
- 85. 85 ッ 独立成分分析 TICA 以下 う 表 min 𝑊 + + 局所 ン 正規化 時 出 関数 、 小 値 無視 大 値 正規化 事
- 86. 86 再構成型 ッ 独立成分分析 標準的 TICA 𝑊𝑊 𝑇 = 𝐼 制約 中間層 ー 数 入 力層 小 い 前提 あ TICA 冗長 特徴 表現 い 再構成型TICA(reconstruction TICA) 自己符号化器同様 再構成誤差 最小化 TICA 組 込 方法 TICA 重 対 直交性 制約 再構成誤差 最小化 置 換え 形→冗長 基底 学習 可能
- 87. 87 教師 学習 畳込み プー ン 必要性 前述 、教師 学習 畳 込 層やプー ン 層 構造 埋 込 良い結果 得 うい 構造 持 い場合 大 画像 扱う場合 ワー 規模 大 いう欠点 あ 、 畳 込 層 構造 必要 理由 無い う 思わ