Recommandé
Contenu connexe
Tendances
Tendances (20)
Dernier
Dernier (8)
DeepLearningとWord2Vecを用いた画像レコメンドの考察
- 2. 2 • produce(農産物) • strawberry • fruit • food • plant 画像 判定結果 ⇒ 精度もかなり高く判定できるように ※Google Cloud Vision API使用 DeepLearningを使った画像のカテゴリ分析
- 4. 4 でも課題あり・・・
- 5. 5 類似画像判定:課題(1) – 複数カテゴリ 机? ギター? 人? 椅子? ⇒ 実際の写真は複数カテゴリの組み合わせ なので、これを全て加味する必要がある
- 6. 6 類似画像判定:課題(2) – 類似のニュアンス ⇒ 「なんとなく似ている」という人間的な ニュアンスを判定しなくてはいけない 類似？
- 10. 10 類似画像検索 – 検証結果(1) 検索画像 結果
- 11. 11 類似画像検索 – 検証結果(2) 検索画像 結果
- 13. 13 類似画像検索ロジック 画像αに おける 物体Aの スコア Deep Learningが 物体Aとして返した Score Max(＝ ☓ 物体候補のPixel数 画像全体のPixel数 ） ⇒画像内における物体の重要度 画像 ベクトル ＝ 各物体の 単語ベクトル ☓ 物体のスコアSum( ） ⇒ 単語ベクトルと重要度を用いて画像をベクトル化 画像内物体数 1 ☓
- 14. 14 類似画像検索ロジック 類似画像 ＝ 画像αの 画像ベクトル - 画像≠αの 画像ベクトル Min(Sqrt(Sum( )**2))) ⇒ ユークリッド距離が最も⼩さいものを類似とする
- 15. 15 類似画像検索ロジック 画像αに おける 物体Aの スコア Deep Learningが 物体Aとして返した Score Max(＝ ☓ 物体候補のPixel数 画像全体のPixel数 ） ⇒画像内における物体の重要度 画像 ベクトル ＝ 各物体の 単語ベクトル ☓ 物体のスコアSum( ） ⇒ 単語ベクトルと重要度を用いて画像をベクトル化 画像内物体数 1 ☓
- 16. 16 Girshick, R., Donahue, J., Darrell, T., & Malik, J. “Rich feature hierarchies for accurate object detection and semantic segmentation”. CVPR2014. R-CNN: 複数カテゴリへの対応 物体候補を抜き出しそれぞれをCNNにかける CNNの結果（Score）を元にオブジェクトを判別 （元はSVMで判定. 今回は前述のロジックで判別）
- 17. 17 Jasper R. R. Uijlings, Koen E. A. van de Sande, Theo Gevers, Arnold W. M. Smeulders “Selective Search for Object Recognition” Selective Search:物体候補の抜き出し 類似した領域をグルーピングして物体候補を抽出す るアルゴリズム DeepLearningと違って学習の必要がない
- 19. 19 R-CNN: 複数カテゴリの抜き出しロジック 物体候補 候補Pixel /全体Pixel 0.1 0.05 0.07 DLによる 物体検知 Person: 95.0 Person: 70.0 Person: 80.0 ☓ ☓ ☓ 0.095 0.035 0.056 ＝ ＝ ＝ ⇒ 最も値の大きい0.095をPersonのスコアとする
- 20. 20 類似画像検索ロジック 画像αに おける 物体Aの スコア Deep Learningが 物体Aとして返した Score Max(＝ ☓ 物体候補のPixel数 画像全体のPixel数 ） ⇒画像内における物体の重要度 画像 ベクトル ＝ 各物体の 単語ベクトル ☓ 物体のスコアSum( ） ⇒ 単語ベクトルと重要度を用いて画像をベクトル化 画像内物体数 1 ☓
- 21. 21 単語ベクトルとは？ King + Woman = QUEEN • 単語をベクトル(数値配列)にする技術 • 距離が近い単語は意味が似ており、遠いと似ていない ＝＞なんとなく類似というニュアンスが表現できる • ベクトルになっているので単語の演算が可能になる
- 22. 22 単語ベクトル（Word2Vec）: ニュアンスを表現 • ベクトル化しているので重要度を乗じることが可能 • また平均をとることも可能 ⇒ 画像内の物体ベクトル＊スコアの平均を取れば画 像のベクトルとして扱える（はず） factory steel sea 画像ベクトル
- 23. 23 単語ベクトル（Word2Vec）: ニュアンスを表現 物体 単語ベクトル (0.1,0.2) (0.8,0.7) (0.01,0.01) 物体スコア 0.8 0.95 0.5 ☓ ☓ ☓ ＝ ＝ ＝ ⇒ 平均である(0.281,0.276）を画像ベクトルとする 実際は40次元 (0.08,0.16) (0.76,0.665) (0.005,0.005) ( 0.281 ,0.276 )
- 24. 24 類似画像検索ロジック 類似画像 ＝ 画像αの 画像ベクトル - 画像≠αの 画像ベクトル Min(Sqrt(Sum(( )**2))) ⇒ ユークリッド距離が最も⼩さいものを類似とする ⇒ 画像毎に算出ベクトル間の距離を測れば推薦可能
- 25. 25 効果検証 検索画像 結果 • helicopter • vehicle • boeing ch 47 • aircraft • rotorcraft • tank • military • weapon • vehicle • combat vehicle ⇒ ⽂字列で一致したのはvehicleだけ
- 27. 27 Pros/Cons
- 28. 28 • 複数カテゴリの組合せの考慮 • 強調したい部分（大きさ、位置）の考慮 • なんとなく似ているというニュアンスの考慮 今回手法のメリット
- 29. 29 今回手法の苦手な部分 • 芸能人やアニメなど固有名詞が重要な場合には対応が厳しい • 上記例は全て”anime”となってしまう • 同じ作品、キャラを類似として扱うことができない 削除
- 30. 30 先⾏研究: Illustartion2vec http://demo.illustration2vec.net/ • 個別の固有名詞がわかるような識別器を作れば解決できる • ただし難易度は若⼲高め 削除
- 31. 31 結論 （感想？）