NO IMAGE

画像認識、動画認識、行動認識における「背景」の過密問題

派生問題:背景の過密状態 時系列自己符号化器をはじめとした生成モデル系の深層学習を前提とした場合、その特徴表現は「動いている群衆(Moving Crowds)」から異常を検知する場合と等価な問題を招く。 「生成モデルに準拠した一般的な異常検知の深層ニューラルネットワークの能力...

NO IMAGE

ベースラインモデルの設計と性能改善のプロセス

問題設定:ベースラインモデルの必要性 性能指標の妥当な水準を決定した後は、どのようなソフトウェア要求を達成する場合であれ、機能要求全般を一通り満たす妥当なシステムを可能な限り早期に完成させることが求められる。問題設定によっては、深層学習の技術を利用せずに開発を進めることもできる...

NO IMAGE

映像データを対象とした異常検知問題における画像認識、動画認識、行動認識の機能

派生問題:映像データを対象とした異常検知問題の枠組み 分類モデルの応用によって異常検知モデルを組み立てる発想はありふれている。しかし、監視対象が時系列的な信号データや映像データである場合、分類モデルの設計者は次の三つの問題と向き合わなければならなくなる。 1. 教師データ...

NO IMAGE

異常検知問題におけるAuto-Encoderの機能

問題設定:異常検知モデルのラベル付けコスト 異常検知モデルの設計は長らく分類モデルや統計学的な手法によって実施されてきた。だがこれらの方法では、多数の課題に人手で対処しなければならなかった。教師あり学習のアノテーションは、従来の方法の「人間」に対する依存を示す最たる例である。 ...

NO IMAGE

機械学習モデルの性能評価方法

問題設定:機械学習モデルの性能評価 深層学習の研究開発では、比較的初期の段階で、誤差やコストに関する性能指標を決定しておかなければならない。その後の研究開発の意思決定過程は、こうした性能指標に依存して方向付けられていく。 問題解決策:精度の区別 機械学習のモデル性能を評価す...

NO IMAGE

異常検知問題における近傍法の機能

問題再設定:異常検知モデルの設計は如何にして可能になるのか 異常検知のモデル設計における主導的差異は「正常(Normally)」と「異常(Anomaly)」の区別によって構成されている。だがこの区別は極めて形式的に導入される傾向がある。単に「異常」と述べても、 「疑わ...