| 講演抄録／キーワード |
| 講演名 |
2022-09-22 16:20
特徴量抽出可能なCMOSイメージセンサのためのニューラルネットワークを用いた画像分類
○山本航平・吉田康太・大倉俊介（立命館大） |
| 抄録 |
（和） |
CMOSイメージセンサはディープラーニングを用いたAIとの融合による新たな技術が期待されている．我々の研究グループでは，イベント検知型CMOSイメージセンサに用いる特徴量抽出可能な画素を検討している．これまでの研究で，イベント検知を行うため通常のカラー画像を用いて学習したニューラルネットワークによる特徴量画像の物体検出を実施したが，人の認識率が17%程度と低いことが判明した．本稿では，画像分類のみにフォーカスし，特徴量画像を用いてニューラルネットワークを学習させることで，高い精度で特徴量画像分類を行うことが可能であるか検証した．さらに，特徴量画像に含まれる冗長なデータを削減するため，画像のビット分解能が認識率に与える影響を検証した． |
| （英） |
CMOS image sensors are expected to be integrated with AI using deep learning for new technologies. Our research group has been studying feature-extractable pixels for an event-driven CMOS image sensor. In our previous work, it is found that object detection accuracy of people was low as around 17% in the object detection of feature images using a neural network trained with normal color images. In this work, we focus on the simple classification of feature images, and verified the classification accuracy of feature images with a neural network trained with feature images. Furthermore, to reduce redundant data contained in feature images to reduce the power consumption of the image recognition system, we verified the effect of bit depth of the feature image on the recognition accuracy. |
| キーワード |
（和） |
CMOS / 特徴量抽出 / ニューラルネットワーク / ヒストグラム平坦化 / シグモイド関数 / / / |
| （英） |
CMOS / Feature Extraction / Neural Network / Histogram Equalization / Sigmoid Function / / / |
| 文献情報 |
映情学技報, vol. 46, no. 29, IST2022-39, pp. 21-24, 2022年9月. |
| 資料番号 |
IST2022-39 |
| 発行日 |
2022-09-15 (IST) |
| 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 |
IST |
| 開催期間 |
2022-09-22 - 2022-09-22 |
| 開催地（和） |
機械振興会館 |
| 開催地（英） |
Kikai-Shinko-Kaikan Bldg. |
| テーマ（和） |
イメージセンサ一般（プロセス・デバイス・回路モデリング・実装技術・画像処理アルゴリズム等）完成品に限らず、企画段階の検討についても発表可能です。 |
| テーマ（英） |
|
| 講演論文情報の詳細 |
| 申込み研究会 |
IST |
| 会議コード |
2022-09-IST |
| 本文の言語 |
日本語 |
| タイトル（和） |
特徴量抽出可能なCMOSイメージセンサのためのニューラルネットワークを用いた画像分類 |
| サブタイトル（和） |
|
| タイトル（英） |
Image Classification Using Neural Network for Feature Extractable CMOS Image Sensor |
| サブタイトル（英） |
|
| キーワード(1)（和/英） |
CMOS / CMOS |
| キーワード(2)（和/英） |
特徴量抽出 / Feature Extraction |
| キーワード(3)（和/英） |
ニューラルネットワーク / Neural Network |
| キーワード(4)（和/英） |
ヒストグラム平坦化 / Histogram Equalization |
| キーワード(5)（和/英） |
シグモイド関数 / Sigmoid Function |
| 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） |
山本 航平 / Kohei Yamamoto / ヤマモト コウヘイ |
| 第1著者 所属（和/英） |
立命館大学 (略称： 立命館大)
Ritsumeikan University (略称： Ritsumei Univ) |
| 第2著者 氏名（和/英/ヨミ） |
吉田 康太 / Kota Yoshida / ヨシダ コウタ |
| 第2著者 所属（和/英） |
立命館大学 (略称： 立命館大)
Ritsumeikan University (略称： Ritsumei Univ) |
| 第3著者 氏名（和/英/ヨミ） |
大倉 俊介 / Shunsuke Okura / オオクラ シュンスケ |
| 第3著者 所属（和/英） |
立命館大学 (略称： 立命館大)
Ritsumeikan University (略称： Ritsumei Univ) |
| 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 |
2022-09-22 16:20:00 |
| 発表時間 |
30分 |
| 申込先研究会 |
IST |
| 資料番号 |
IST2022-39 |
| 巻番号（vol） |
vol.46 |
| 号番号（no） |
no.29 |
| ページ範囲 |
pp.21-24 |
| ページ数 |
4 |
| 発行日 |
2022-09-15 (IST) |