熊澤 宏之

高精細なカメラを搭載したドローンが安価に入手可能になり、新たな情報獲得手段として注目されている。本稿では、農園の上空をドローンで飛行して撮像した画像から、農園に植えられている果樹や地上の構造物の識別を行うことを検討する。既報告では、ドローンで農園を局所的に撮像した複数の画像から、広域の画像を作成し、その広域画像に対して深層学習の一つであるCNN (Convolutional Neural Network)をベースにしたセマンティックセグメンテーションを用いて画素ごとの果樹識別を行った。その際、広域画像は画素数が多いため、複数のブロックに分割し、そのブロックを学習単位としてネットワークの学習を行なったが、ブロックの大きさ、重なりなどが分類精度に与える影響を検討できておらず、十分な評価が行えていなかった。そこで、本稿ではブロック分割の様々なパラメータが分類精度に与える影響について評価を行った結果について報告する。

高精細なカメラを搭載したドローンが安価に入手可能になり、新たな情報獲得手段として注目されている。本稿では、農園の上空をドローンで飛行して撮像した画像から、農園に植えられている果樹や地上の構造物の識別を行うことを検討する。既報告では、果樹の識別には深層学習の一つであるCNN (Convolutional Neural Network)を用い、一定の大きさの画像を入力としてブロック単位に識別を行うと共に、ブロックをずらしながら画素単位での識別結果のVotingにより、より精細な識別を試みた。本報告では、画素単位で識別の学習を行うセマンティックセグメンテーションを用い、画素単位に果樹や地上の構造物の識別を行う。本稿では、まず、画像の取得方法、取得した画像の応用例について紹介し、セグメンテーションの単位となる画像のサイズを調整し、識別精度の評価を行う。

スマートフォンに搭載されている種々センサの情報を利用し、機械学習により移動モード（歩行、自動車、鉄道など、どのような手段で移動しているか）を検知することを試みている。既報告では、取得した加速度データ・ジャイロデータから、決定木、ランダムフォレストなどの機械学習を用いてセンサデータを分類することによる移動モード検知と、移動モード検知の後処理として、検知エラーを補正する重み付き多数決補正による検知精度の改善方式を提案した。 本報告では、後処理を機械学習に組み込む検討の第一歩として、深層学習の中でも時系列データに対応できるLSTM (Long Short Term Memory)を用いた移動モード検知について検討する。現時点では、その精度は既報告の補正方式による精度を超えるものではないが、LSTMでは最適化すべきパラメータが多いことから、その最適化については今後の検討課題としたい。

本研究では、指文字の自動翻訳を目的にRGB-Dカメラとマルチモーダル畳み込みニューラルネットワーク（MMCNN）を使い、カラー画像とデプス画像の両方を用いた指文字認識の手法を提案する。提案手法では、デプス画像の前処理として、距離の正規化と1m以上の背景除去の2つの処理を行う。実験の結果、提案手法による認識率は前処理なしの場合やどちらか片方の処理を行った場合と比べて上回る結果となることが分かった。

高精細なカメラを搭載したドローンが安価に入手可能になり、新たな情報獲得手段として注目されている。本稿では、農園の上空をドローンで飛行して撮像した画像から、農園に植えられている農園の果樹の識別を行うことを試みる。果樹の識別には深層学習に一つであるCNN (Convolutional Neural Network)を用いる。CNNではある一定の大きさの画像を入力としてブロック単位に識別を行うが、実験的に、その識別の精度を示すと共に、画素単位での識別を試みた結果についても述べる。

スマートフォンに搭載されている種々センサの情報を利用し、機械学習により移動モード（歩行、自動車、鉄道など、どのような手段で移動しているか）を検知することを試みている。既報告では、取得した加速度データ・ジャイロデータ・GPSから計算した速度データを基に、機械学習の一手法である決定木を設計し、移動モード検知を行うこと、そして、移動モード検知の後処理として、検知エラーを補正する重み付き多数決補正方式を提案し、検知精度を向上できることを示した。 しかしながら、GPSを用いることは、GPSを受信できない場所や誤差の大きい場所での本方式の活用を制限することになる。そこで、本報告では、GPSを用いない方式を検討する。そのために、GPSを用いない（＝速度情報を用いない）ことによる機械学習の検知精度低下に対処すると共に、GPS代替による後処理方式を提案し、その効果を示す。

本研究では、Webサービスによる機械学習・顔認識APIと、近年入手が容易になってきている360°カメラを利用し、研究室での顔認識システムを構築することを試みている。本システムは、研究室のパーティションで区切られた座席の中央に360°カメラを設置し、取得画像から顔領域を切り出し、Webサービスを利用して切り出した顔画像とデータベースに登録されたデータとの照合により、研究室に所属する10名程度を同時に認識する。本システムの試作により、画像の画角・解像度・先鋭度などの取得画像に起因する課題、データの転送及び処理時間の問題などが明らかになった。 本報告では、処理の高速化について検討した結果について述べる。

本研究では、Webサービスによる機械学習・顔認識APIと、近年入手が容易になってきている360°カメラを利用し、研究室での顔認識システムを構築することを試みている。本システムは、研究室のパーティションで区切られた座席の中央に360°カメラを設置し、取得画像から顔領域を切り出し、Webサービスを利用して切り出した顔画像とデータベースに登録されたデータとの照合により、研究室に所属する10名程度を同時に認識する。本システムの試作により、画像の画角・解像度・先鋭度などの取得画像に起因する課題、データの転送及び処理時間の問題などが明らかになった。 本報告では、処理の高速化について検討した結果について述べる。

Recent deployment of smartphones and car navigations makes it possible for mobile entities such as people and vehicles to have sensors and communication capabilities, and to send their sensor data by themselves during moving. To make these collected data valuable, how to analyze these sensor data is an important issue. We have been considering methods to detect transportation modes using sensor data such as GPS, acceleration, and gyroscope data collected from smartphones. Our methods use machine learning such as decision tree and k-nearest neighbour algorithms to design classifiers, which classify feature values calculated from the collected data into one of the transportation modes. However, the classification errors are inevitable for machine learning, which leads to increasing the detection error rate. Considering the moving processes of travellers, we assume that the transportation mode doesn’t change frequently in a short period of time. Under this assumption, the method for correcting the classification errors is proposed and its improvement of the accuracy of the detection is shown.

機械技術の進展とコモディティー化が進んでいる。様々なフレームワークに加えて、Webサービスの登場で、誰もが最新技術を活用できるようになりつつある。本研究では、このようなWebサービスによる機械学習・顔認識APIと、近年入手が容易になってきている360°カメラを利用し、研究室での顔認識システムを構築することを試みている。本報告では、システムを試作した第1段階の結果について述べる。システムは、研究室のパーティションで区切られた座席の中央にカメラを設置し、取得画像からWebサービスを利用して顔領域の切り出し、切り出した顔画像とデータベースに登録されたデータとの照合により、研究室に所属する10名程度を同時に認識する。本システムの試作により、画像の画角・解像度・先鋭度などの取得画像に起因する課題、データの転送及び処理時間の問題などが明らかになった。本報告では、これらの課題に対するいくつかの解決策についても述べる。

スマートフォンに搭載されている種々センサの情報を利用し、機械学習により移動モード（歩行、自動車、鉄道など、どのような手段で移動しているか）を検知することを試みている。本稿では、取得した加速度データ、速度データを基に、機械学習の一手法である決定木を設計し、移動モード検知を行う。そして、移動モード検知の後処理として、検知エラーを補正する重み付き多数決補正方式を提案し、検知精度を向上できることを示す。

We have been considering methods to detect transportation modes using sensor data such as GPS, acceleration, and gyroscope data collected from smartphones. Our methods use machine learning such as decision tree and k-nearest neighbour algorithms to design classifiers, which classify feature values calculated from the collected data into one of the transportation modes. When the machine learning classifiers classify the feature values into the specific transportation mode, the classification errors are inevitable. Considering the moving processes of travellers, we assume that the transportation mode doesn’t change frequently in a short period of time. Under this assumption, the method for correcting the classification errors is proposed and its improvement of the accuracy of the detection is shown. Furthermore, we observe the occurrence tendency of the detection errors and what kind of changes occur before and after the correction processing. As the result, the characteristics of the detection errors and how the correction processing works in the detection are shown.

スマートフォンに搭載されている種々センサの情報を利用し、移動モード（歩行、自動車、鉄道など、どのような手段で移動しているか）を検知することを試みている。本稿では、取得した加速度データ、速度データを基に、機械学習の一手法である決定木を設計し、決定木を端末に実装するための検討を行った結果について述べる。次に、人の移動過程を考慮することで、不可避である検知エラーを補正する方式について検討を行う。 更に、検知エラーの発生傾向を確認し、補正処理の前後において、どのような変化があったかを解析することで、補正処理がどのように機能したかを明らかにする。

スマートフォンを用いて車向けのプローブ情報システムを構築した。本システムでは、スマートフォンで取得した車のCAN (Controller Area Network)情報に加えて、スマートフォンの持つセンサ情報、カメラ情報などをプローブ情報としてサーバに伝送し、データベース化、あるいはサーバを介してリアルタイムでWeb上の端末にPush型配信をすることが可能である。また、データベースの情報に対してはWeb APIを介したアクセスが可能である。

スマートフォンに搭載されている種々センサの情報を利用し、移動モード（歩行、自動車、鉄道など、どのような手段で移動しているか）を検知することを試みている。本稿では、取得した加速度データ、速度データを基に、機械学習の一手法である決定木を設計し、移動モード検知の精度評価を行う。更に、設計した決定木を用いて交通モードを検知する際に生じる検知エラーを補正する方法を提案し、検知精度を向上できることを示す。

The processing of sensor data such as GPS, acceleration, and gyroscope data collected from smartphones are shown to detect transportation modes. Transportation modes are the means which travellers use, that is, trains, cars, buses, bikes, walking, and so on. First, the compensation method of the orientation of a smartphone is described, because the orientation of a smartphone affects sensor data, especially acceleration data. The compensation method transforms the coordinate system of a smartphone to the reference coordinate system whose coordinate axes are vertical and horizontal to the ground. As the result, sensor data along the vertical and horizontal directions are always acquired. Then, machine learning such as decision tree and k-nearest neighbour algorithms is applied to the feature values calculated from the collected data and their evaluation results of detecting the transportation modes are shown.

スマートフォンは、GPS、加速度、ジャイロスコープなど、種々センサを搭載しており、それらを利用することで、ユーザの位置のみならず、移動や動作の状況を把握することが可能になると考えられる。本稿では、スマートフォンを所持したユーザからこれらのセンサ情報を取得し、処理することで、ユーザの移動モード（歩行、自転車、バス、鉄道など、どのような手段で移動しているか）を検知することを試みた結果について述べる。 本研究では、端末の姿勢（保持状態）を考慮して、まず前処理として、端末の座標系で取得した加速度データを固定した座標系（地面に水平な座標系と、垂直な座標からなる参照座標系）に変換する。そして、前処理後のデータを用いて、種々移動モードで取得した加速度データ、GPSから計測した速度データを基に機械学習を行うことにより、移動モードの検知を行い、検知精度の評価を行う。