地理空間情報技術で自治体、企業にイノベーションを。地域社会の新たな未来を切り拓くカナエジオマチックス

技術紹介

AI(人工知能)の取り組み

AIとは、Artificial Intelligenceの略語で「人工知能」と訳されています。 AIはコンピューターによる人間と同様の知能を実現するための基礎技術で、音声・画像認識、自然言語処理、エキスパートシステムなどで利用されています。 近年、機械学習や深層学習(ディープラーニング)といったアルゴリズムによって人工知能技術にブレークスルーをもたらし、人工知能を搭載したサービスが実際に登場するようになりました。とりわけディープラーニングは脳の視覚野を模倣しており、認識や判断といった従来コンピュータが苦手としてきた技術が飛躍的に向上しました。

また、検索エンジンの言語処理能力の向上やSNSの普及などによって、インターネットの膨大な情報ストックが"意味のある情報"として活用できるようになり、学習用データの質・量ともに充実したことが、機械学習や深層学習の精度を上げる要因になっています。

弊社はこの潮流に乗り遅れることがないよう、人工知能利活用分野を設定し、検証を進めています。

1.AI×機械学習に関する取り組み

正誤各1000枚程度の画像をもとに機械学習して客体分類器を作成。OpenCVを使用して構築したスマートフォンアプリに搭載し、客体のリアルタイム検出を実現しました。

また、検出範囲を画像として切り出してライブラリ化するスマートフォンアプリを作成しています。

検出範囲のライブラリ化アプリ

2.AI×深層学習(ディープラーニング)

深層学習(ディープラーニング)は学習用のデータサンプル量が重要になります。
現在のところ、MNIST(数字画像)やCIFAR-10(物体画像)、ImageNet1000(物体画像)など、 一般公開されているラベル付データセットを用いて学習やテスト実施しています。

ディープ・ニューラル・ネットワークによる境界決定
□D.L.フレームワーク:H2O
・XORデータを使用して深層学習
・入力層=2ユニット、出力層=2ユニット
・隠れ層=26ユニット×3層
・活性化関数=tahh
・学習回数=3000回
ディープニューラルネットワークによる境界決定

 

畳み込み・ニューラル・ネットワークによる客体分類1
□ D.L.フレームワーク:MXNet
・CIFAR-10 データセット 60,000枚のサンプルをもとに深層学習
・学習手法=畳み込み・ニューラル・ネットワーク(CNN)
・入力層=28×28×1、出力層=10
・Convolution Pooling層 各2レイヤー
・Fully-Connected 500
CXNetによる数字認識


畳み込み・ニューラル・ネットワークによる客体分類2
□ D.L.フレームワーク:Chainer
画像認識技術のコンテスト、Large Scale Visual Recognition Challenge 2014 (ILSVRC2014)の分類問題で優勝した学習モデルなどをChainerに読み込み、新たな画像を与え分類するアプリを作成。
Chainerを使用した客体判定

トップへ