| 講演抄録／キーワード |
| 講演名 |
2020-05-28 10:50
［特別講演］畳み込みネットワークによる高次元信号復元と異分野融合への展開 ～ スパースモデリングと畳み込み辞書学習 ～
○村松正吾（新潟大） |
| 抄録 |
（和） |
本講演では，画像やボリュームデータなどの高次元信号の復元処理について概説する．計測技術の発展と共に多様かつ膨大な物理データの取得が可能となった現在，信号復元の高性能化への要求が高まっている．高性能な信号復元の実現には，対象となる物理データを効果的に表現できる生成モデルが必要である．既存の有力な生成モデルの枠組みに畳み込みネットワークモデルがある．同モデルは，信号の局所的な関係性を利用し，画像の認識や復元に著しい性能改善をもたらした．一方，領域知識をネットワーク構造に反映し難く，理論的に裏付けられた系統的・戦略的な構造設定に課題が残されている．特に，未知領域のデータに対してこの問題は顕著となる．そこで本プロジェクトでは，フィルタバンクと最適化理論の成果を畳み込みネットワークに導入することを提案している．物理的に解釈が容易な構造設定を可能とし，設計や実装を効率化することを目的としている．生体断層画像，車載ミリ波レーダ画像，河川観測データなど多様な実データに対して，領域知識を反映する畳み込みネットワークの創出を試みている．本講演では，フィルタバンクを利用した生成モデルの構築とそのパラメトリックな学習設計および非線形拡張について概説する．また，既存の畳み込みニューラルネットワーク（CNN）を利用した手法との比較について解説する． |
| （英） |
This talk outlines a restoration process of high-dimensional signals such as image and volumetric data. With the development of measurement technology, it is now possible to acquire a large amount of physical data, and the demand for high performance signal restoration is increasing. In order to achieve high performance signal restoration, a generative model that can effectively represent the physical data of interest is required. The convolutional network model is one of the most powerful existing generative models. The model exploits the local relationships of signals and provides significant performance improvements in image recognition and restoration. However, it is difficult to reflect domain knowledge in the network structure, and theoretically supported systematic and strategic structure setting remains a challenge. Emergent issues occur particularly for data in unknown fields. Therefore, in this project, it is proposed to introduce the results of filter banks and optimization theory into a convolutional network. The purpose is to enable physically interpretable structural settings and to make the design and implementation efficient. We are attempting to create a convolutional network reflecting domain knowledge for various real data such as biological tomographic images, vehicle-mounted millimeter-wave radar images, and river observation data. In this talk, the construction of generative models using filter banks, their parametric learning designs and nonlinear extensions are reviewed. In addition, a comparison with existing methods based on convolutional neural networks (CNNs) is explained. |
| キーワード |
（和） |
スパースモデリング / 信号復元 / 信号推定 / 辞書学習 / 畳み込み構造 / / / |
| （英） |
Sparse modeling / Signal restoration / Signal estimation / Dictionary learning / Convolutional structure / / / |
| 文献情報 |
映情学技報, vol. 44, no. 12, ME2020-81, pp. 13-13, 2020年5月. |
| 資料番号 |
ME2020-81 |
| 発行日 |
2020-05-21 (IST, ME) |
| ISSN |
Print edition: ISSN 1342-6893 Online edition: ISSN 2424-1970 |
| PDFダウンロード |
|
| 研究会情報 |
| 研究会 |
IEICE-MI IEICE-IE IEICE-SIP IEICE-BioX IST ME |
| 開催期間 |
2020-05-28 - 2020-05-29 |
| 開催地（和） |
オンライン開催 |
| 開催地（英） |
Online |
| テーマ（和） |
映像・信号の処理・解析・AI技術とその多分野応用 |
| テーマ（英） |
Image and signal processing/analysis/AI technology, and their application |
| 講演論文情報の詳細 |
| 申込み研究会 |
ME |
| 会議コード |
2020-05-MI-IE-SIP-BioX-IST-ME |
| 本文の言語 |
日本語 |
| タイトル（和） |
畳み込みネットワークによる高次元信号復元と異分野融合への展開 |
| サブタイトル（和） |
スパースモデリングと畳み込み辞書学習 |
| タイトル（英） |
High-dimensional Signal Restoration by Convolutional Networks Driving Fusion Across Multiple Disciplines |
| サブタイトル（英） |
Sparse Modeling and Convolutional Dictionary Learning |
| キーワード(1)（和/英） |
スパースモデリング / Sparse modeling |
| キーワード(2)（和/英） |
信号復元 / Signal restoration |
| キーワード(3)（和/英） |
信号推定 / Signal estimation |
| キーワード(4)（和/英） |
辞書学習 / Dictionary learning |
| キーワード(5)（和/英） |
畳み込み構造 / Convolutional structure |
| キーワード(6)（和/英） |
/ |
| キーワード(7)（和/英） |
/ |
| キーワード(8)（和/英） |
/ |
| 第1著者 氏名（和/英/ヨミ） |
村松 正吾 / Shogo Muramatsu / ムラマツ ショウゴ |
| 第1著者 所属（和/英） |
新潟大学 (略称： 新潟大)
Niigata University (略称： Niigata Univ.) |
| 第2著者 氏名（和/英/ヨミ） |
/ / |
| 第2著者 所属（和/英） |
(略称： )
(略称： ) |
| 第3著者 氏名（和/英/ヨミ） |
/ / |
| 第3著者 所属（和/英） |
(略称： )
(略称： ) |
| 第4著者 氏名（和/英/ヨミ） |
/ / |
| 第4著者 所属（和/英） |
(略称： )
(略称： ) |
| 第5著者 氏名（和/英/ヨミ） |
/ / |
| 第5著者 所属（和/英） |
(略称： )
(略称： ) |
| 第6著者 氏名（和/英/ヨミ） |
/ / |
| 第6著者 所属（和/英） |
(略称： )
(略称： ) |
| 第7著者 氏名（和/英/ヨミ） |
/ / |
| 第7著者 所属（和/英） |
(略称： )
(略称： ) |
| 第8著者 氏名（和/英/ヨミ） |
/ / |
| 第8著者 所属（和/英） |
(略称： )
(略称： ) |
| 第9著者 氏名（和/英/ヨミ） |
/ / |
| 第9著者 所属（和/英） |
(略称： )
(略称： ) |
| 第10著者 氏名（和/英/ヨミ） |
/ / |
| 第10著者 所属（和/英） |
(略称： )
(略称： ) |
| 第11著者 氏名（和/英/ヨミ） |
/ / |
| 第11著者 所属（和/英） |
(略称： )
(略称： ) |
| 第12著者 氏名（和/英/ヨミ） |
/ / |
| 第12著者 所属（和/英） |
(略称： )
(略称： ) |
| 第13著者 氏名（和/英/ヨミ） |
/ / |
| 第13著者 所属（和/英） |
(略称： )
(略称： ) |
| 第14著者 氏名（和/英/ヨミ） |
/ / |
| 第14著者 所属（和/英） |
(略称： )
(略称： ) |
| 第15著者 氏名（和/英/ヨミ） |
/ / |
| 第15著者 所属（和/英） |
(略称： )
(略称： ) |
| 第16著者 氏名（和/英/ヨミ） |
/ / |
| 第16著者 所属（和/英） |
(略称： )
(略称： ) |
| 第17著者 氏名（和/英/ヨミ） |
/ / |
| 第17著者 所属（和/英） |
(略称： )
(略称： ) |
| 第18著者 氏名（和/英/ヨミ） |
/ / |
| 第18著者 所属（和/英） |
(略称： )
(略称： ) |
| 第19著者 氏名（和/英/ヨミ） |
/ / |
| 第19著者 所属（和/英） |
(略称： )
(略称： ) |
| 第20著者 氏名（和/英/ヨミ） |
/ / |
| 第20著者 所属（和/英） |
(略称： )
(略称： ) |
| 講演者 |
第1著者 |
| 発表日時 |
2020-05-28 10:50:00 |
| 発表時間 |
50分 |
| 申込先研究会 |
ME |
| 資料番号 |
IST2020-30, ME2020-81 |
| 巻番号（vol） |
vol.44 |
| 号番号（no） |
no.12 |
| ページ範囲 |
p.13 |
| ページ数 |
1 |
| 発行日 |
2020-05-21 (IST, ME) |
|