section 4

Deep Learning

画像・映像・感性に関する事項を主な対象にして、下記の研究開発をおこなっています。

画像・動画の超解像(Super-Resolution)
低解像度画像・VHSビデオ映像・DVCAMビデオ映像といった2000年前後に撮影された映像の解像度を上げる研究を行っています。
・古い映像の高画質化(解像度・色彩・欠損部位補完)
・不明瞭な画像からの被写体や数字や文字の検出
・動画に含まれる複数の場面の映像を統合的に判断し解像度を上げる
画像・動画の認識(Classification, Recognition)
画像や映像からそのメタ情報を得るプロセスです。
・人物特定(どこの誰か特定 ※中国や日立が進んでいる)
・場所特定(画像から撮影場所を特定)
・物体特定(画像からそれが何か特定 ※自動運転等に利用が盛ん)
・行動特定(何が起こっているかを特定 例:手話翻訳・万引き検知・ジェスチャー)
・思考特定(人間の微表情から思考や感情を推定 例:交渉・尋問での真意の判断)
画像・動画の生成(GANs for Image Generation)
・撮影セットや俳優なしでの映像作成
・文面からそれを象徴するアイキャッチ画像自動生成
・2D画像から3Dモデル(DXF等)を生成
・動画から部分的な画像のつなぎ合わせで大きなひとつの画像を生成
画像・動画を入力とする感性評価(Kansei A.I.)
「好き」「嫌い」という人間自身でも理由が曖昧な感性的評価をモデル化して市場からのマクロ的な感性的評価をシミュレーションできるようにする研究を行っています。
・マーケティング戦略の評価
・工業デザインの評価
・芸術作品の評価
・容姿の評価
・映画や番組の評価
・カラーコーディネーションの評価
感性の時系列変化の再現(Time Series Variation of Kansei)
人間は全く変わらない評価対象(デザイン等)に対しても時間が経つと「飽きる」という評価の変化が発生します。これを人工知能に再現する研究を行っています。
・「飽きる」という特性を再現するモデルの提案
・「目新しさ」という記憶と連携した評価構造の提案
視覚的類似性の定量化(Quantifying Visual Similarity)
人間の視覚的な比較による「似ている」という感覚は不思議なもので、自身でも理由はわからないまま類似性を見出します。この類似性への感覚は人間の潜在意識に多大な影響を及ぼしており、これを定量的に表現する研究をおこなっています。
対AIのセキュリティ対策(Security against A.I.)
Deep Learning技術の進歩と共にこれを悪用した巧妙な犯罪が増加します。これらへの対策を提案すると共に、Deep Learning技術を用いた犯罪への対応策を提案します。
・フェイク画像・動画・音声の判別(CV)
・詐欺メールの検知(NLP)
・オレオレ詐欺の検知(音声からのNLP, 音声の感情分析)
・防犯カメラの機能向上(指名手配犯情報のネットワーク連携等)
・人工知能に検知されにくい特殊迷彩の研究
株価予測(Stock Price Forecast)
ミクロ的な予測ではなく、古典的景気循環(キチン・ジュグラー・クズネッツ・コンドラチェフ循環)によるパターンに対して突発的な事象が変化を及ぼすというマクロ的視点でのパターンが存在すると仮定して予測モデルを研究しています。
・株式市場同士の影響(例 NYSEと東京証券取引所)
・銘柄同士の影響
・主要な指標の影響(例 雇用統計・為替相場)
・政治的判断の影響
メトリクス の可視化(Metrics Visualizations)
・高次元で一般化されてわかりにくいDeep Learning特性情報を可視化する
・学習済みモデルを解析して人間が理解できる「因果関係」を読み解く
モデルのインテグレーション(Integration to Websites)
・ウェブサイトへの学習済みモデルのインテグレーション支援
・インテグレーション済みモデルの追学習や転移学習
English
English