「Deep Learning×画像解析」ライトニングトークイベント

以下自分用のメモです。

概要

画像解析技術に特化した情報を発信している専門サイトLP-techが主催する、Deep Learning×画像解析に関するLTイベント。

三好裕之氏 (LP-tech編集長, 東京大学計数工学科4年)

クラスタリング
- 特徴量から項目ごとに分類する分類器を作成する手法
- Traning ⇒ Test
クラスタリング応用
- 音声認識
  - 入力音声特徴量からクラスへのクラス分類ととらえる
- 顔認識
- 医用画像判別
- 細胞認識
DeepLearning×クラスタリング
- 古典的なクラスタリング手法：SVM, K-means ・・・一種の特徴量の設定を行わなければならない
- DeepLeaningによる手法・・・特徴量の設定必要なし
Kaggle competition
- 多種多様なデータセットが用意されている
- DICOM画像からどれが危険かを判別するような問題のデータセットも用意されている
LP-academy
- 機械学習の基本について勉強会をやっている

望月優輝氏 (LP-techライター, 九州大学理学部生物学科)
　「OpenCV画像解析入門」を運営してます

柏崎広美氏 (LP-techライター)

ライフサイエンスの研究でもDeppLearningが注目されている
- 従来手法では、、、
  - データ解析に多大な時間がかかる
  - 解析者により解析結果が変わる
ライフサイエンス
- 動物実験 (in vivo) と免疫組織化学 (in vitro)
- 画像データを解析することによって結果が得られる
例1: DeepLearning×動物の行動実験
- わずか1分間のマウスの行動を人が解析するのにかかる時間が行動実験の障害となっている
- 行動試験で得られた画像データをDeepLearningにより分類⇒各行動が全体の何%観察されたかが分かる
例2: DeepLearning×神経活動測定
- 14種類の薬剤を添加後の脳の神経活動を測定
- 副作用を起こす可能性をDeepLearningを用いて予測する
例3: DeepLearning×免疫組織化学
- 免疫染色した組織画像⇒組織における免疫細胞の画像からがんの診断を行う
- DeepLearningで解析した結果と人が主導で解析した結果を比較⇒DeepLearningでの解析結果が人の手動解析の結果が一致した

鈴木雅大氏 (東京大学工学系研究科松尾研究室博士2年)
　東大でDeepLearningの講義を担当している

画像を「生成」するには？
- 新しい「ネコ」の画像を生成したい
  - データの生成源をモデル化
  - 生成モデル
生成モデルでできること
- 欠損値補完
- ノイズ除去
- 異常値検出
DeepLearning＋生成モデルの代表的アプローチ
- VAE（変分AE）系
  - 推論分布（エンコーダ）と生成分布（デコーダ）を学習する
  - 画像がぼやける
- GAN系
  - 生成器と識別器を敵対的に学習させる
  - はっきりした画像を生成できるが、学習のパラメータ調整が難しい
画像から画像の生成
- GANを使って、ある画像から同じピクセル数の別の画像を生成
- image-to-image Demoが流行中
マルチモーダルな画像生成
- 文章から画像の生成
- 画像と属性の双方向の生成
  - 顔から属性、属性から顔が一つのモデルで生成できる
  - 属性を変化させることで、対応する様々な顔を生成できる

@argon 氏