活用が進む画像処理・解析

AI・コグニティブ技術の進展に伴い、画像処理・解析に関するニーズは近年、益々高まっています。既に、画像解析機能が小売、医療画像処理、ロボット工学といった領域の課題に応用され、成果をあげています。

画像処理・解析では、大きく、以下の流れで行います。

• 画像読込：大量データの読込
• 画像フィルタリング／画像検出：バイラテラルフィルタ、グレイスケール化、２値化、エッジ検出、輪郭検出、輪郭直線近似、ノイズ削減等
• 特徴量抽出・モデル作成：ディープ・ラーニング、CNN（畳込みニューラル・ネットワーク）
• 結果の表示・マッチング：機械学習、データマイニング

膨大なデータ量となる画像を高速に読み込み、画像データの前処理としてノイズ削減や2値化、画像検出処理を行います。モデル精度の向上には画像フィルタリング作業が非常に重要となります。そして、CNN（Convolutional Neural Network：畳込みニューラル・ネットワーク）などのディープ・ラーニング手法により、画像の認識、高い精度での分類／推論を行います。
 

ディープ・ラーニングの活用

ディープ・ラーニングとは、画像識別を始め、音声認識や予測など、人間が行うようなタスクを実行できるようにコンピューターに学習させることを目的とした機械学習の一種です。人間が特徴抽出などのデータ加工を行った後に決められた数式にかける従来の機械学習とは異なり、ディープ・ラーニングでは、人間はデータに関する基本的なパラメータ設定のみを行い、その後は何層もの処理を用いた特徴抽出・パターン認識をコンピューター自体が自動的に学習することができます。

顔認識や画像質問応答システム、シーンのラベリング、特定の画像セグメンテーション・タスクなどの用途には、畳み込みニューラル・ネットワーク（CNN）が使われます。特に画像分類に関しては、CNNはそのモデルの可搬性と分類器の学習能力の高さのおかげで大規模なデータセットを使う場合に優れた分類精度を実現します。CNNは画像分析タスクで広く使われています。同じニューロンの同一のレプリカを数多く使用するのが特長であり、1つのニューロンが学習した結果を他の多くの場所で利用できます。これには、モデルの学習プロセスを簡素化し、エラーを削減する効果があります。従来のニューラル・ネットワークと異なり、CNNは重みとバイアスを共有するニューロン群で構成されます（言い換えると、同じ層内の全ての隠れニューロンが、重みとバイアスの組のパターンを共有します）。そのため、学習すべきパラメータが少なくて済み、与えられた画像における物体の位置や歪みの影響を受けない設計となっています。詳細は、こちらのホワイトペーパーをご覧ください。