AlexNet前夜 オムロンサイニックエックス株式会社 牛久 祥孝

自己紹介 2013.6～2013.8 Microsoft Research Intern 2014.3 博士(情報理工学)、東京大学 2014.4～2016.3 NTT CS研 研究員 2016.4～2018.9 東京大学 講師 (原田牛久研究室) 2018.10～ オムロンサイニックエックス株式会社 Principal Investigator 2019.1～ 株式会社 Ridge-i Chief Research Officer 2022.1～ 合同会社ナインブルズ 代表 主な研究プロジェクト 2021-2025 マテリアル探索空間拡張プラットフォームの構築 JST 未来社会創造事業（代表:長藤圭介） 2017-2020 多様なデータへのキャプションを自動で生成する技術の創出 JST ACT-I（代表:牛久祥孝） 2017-2021 機械可読時代における文字科学の創成と応用展開 JSPS 基盤研究(S)（代表:内田誠一） [Ushiku+, ACMMM 2012] [Ushiku+, ICCV 2015] 画像キャプション生成 料理動画からの レシピ生成 [Nishimura+, ACMMM 2021] Add flour, eggs, baking soda, salt, and pepper to the bowl and stir. A yellow train on the tracks near a train station.

2011 2012 2014 電話音声認識のエラー率が 30%程度→20%以下に 大規模画像分類のエラー率が 25%程度→15%程度に 英仏翻訳の精度が 複雑なシステムと同等に

No content

「AlexNetについて話します」 確実に全員知っている [Krizhevsky+, NIPS 2012]

では何を話すか 1. 線画の認識 [Clowes, 1971] 2. ルール/モデルの導入 [Ohta, 1985][Basri, IJCV 1996] 3. 機械学習 [Duygulu+, ECCV 2002][Csurka+, 2004] 4. 大規模機械学習 [Perronnin+, ECCV 2010] 5. 畳込み演算による深層学習 [Krizhevsky+, NIPS 2012] 6. Transformer&MLP [Dosovitskiy+, ICLR 2021]

AlexNet前夜 オムロンサイニックエックス株式会社 牛久 祥孝

AlexNet前夜 オムロンサイニックエックス株式会社 牛久 祥孝

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

自然言語処理からインスピレーションを受けた流れ 2000年代：画像認識へ統計的機械学習を適用 • 領域ベース – word-image-translation model [Duygulu+, ECCV 2002] – 画像の各領域とラベルとの対応を学習 – 機械翻訳における自動対応付けから着想 機械翻訳における単語の対応（[永田ら、2008]より） sun, sea, sky sun, sea, sky

自然言語処理からインスピレーションを受けた流れ 2000年代：画像認識へ統計的機械学習を適用 • 局所特徴量ベース Bag of Visual Words [Csurka+, 2004][Fei-Fei+Perona, CVPR 2005] – 文書分類における Bag of Words モデルから着想 – 似た局所特徴を同一の単語とみなす

AlexNet前夜の特徴量計算 1. 特徴点を検出 2. 局所特徴量を計算 3. 局所特徴量の分布を教師なし学習 4. 画像全体の特徴量（大域的特徴量）を計算

特徴点検出 • 特徴的な点の検出…？ • 目的によって異なる – 画像同士でマッチングをとりたい： コーナー検出（cf. Harris、DoG） – 物体の名前を認識したい：格子状に検出（複数のベクトル） ステレオマッチング [Martull+, 2012] 𝒅𝒅𝑖𝑖 𝒅𝒅𝑘𝑘 𝒅𝒅𝑗𝑗 𝒅𝒅𝑖𝑖 𝒅𝒅𝑘𝑘 𝒅𝒅𝑗𝑗 𝒙𝒙 局所特徴 抽出 統合

局所特徴量の計算（SIFTの場合） • キーポイントの勾配向き(オリエンテーション) • 特徴量記述 矢印の向き：勾配方向 矢印の長さ：勾配強度 キーポイント 勾配方向(36bin) オリエンテーション キーポイント ガウス窓 (半径=スケール) [藤吉 08] キーポイント 8方向 4分割 4分割

局所特徴量の分布を学習（コードブックの作成） Bag of Visual Wordsによる画像分類 [Csurka+, 2004][Fei-Fei+Perona, CVPR 2005] • 自然言語における「単語」に相当するものが必要 • データセットから局所特徴量を収集してクラスタリング • Spatial Pyramid [Lazebnik+, CVPR 2006] – ピラミッド状に領域を設定 – 領域ごとに平均値プーリング – 領域ごとの Bag of Visual Words (BoVW) を直列

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

元祖Bag of Visual Words表現を用いた機械学習 • [Csurka+, 2004] – Naïve Bayes – カーネルSVM • [Fei-Fei+Perona, CVPR 2005] – トピックモデル ✓ 同様のアプローチの画像認識を用いた研究が流行した × そのうち精度が頭打ちになった × カーネルSVMはスケーラビリティが課題だった

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

Bag of Visual Words表現を考え直す 一つのクラスタに割当（ハードアサイメント） 𝐶𝐶1 𝐶𝐶2 𝐶𝐶3 𝐶𝐶4 𝐶𝐶5 0 0 1 0 0 0/1でよいのか？ BoVW=

Bag of Visual Words表現を考え直す 𝐺𝐺1 𝐺𝐺2 𝐺𝐺3 𝐺𝐺4 𝐺𝐺5 3番目のクラスタだけでなく、 4/5番目のクラスタにも近い。 だが、これをどう表現するか？ 複数のクラスタに割当（ソフトアサイメント）

多様体学習的な表現方法 本質的に局所特徴量は多様体を形成するはず • Sparse Coding [Yang+, CVPR 2009] – スパース正則化を活用してソフトアサイメントを計算 – 平均値プーリング→最大値プーリング（その後の主流に） • Local Coordinate Coding [Yu+, NIPS 2009] / Locality-constrained Linear Coding [Wang+, CVPR 2010] – 多様体上の近傍での線形性を仮定してソフトアサイメントを計算

混合分布モデル的な表現方法 局所特徴量を混合分布モデルで表現してパラメータを利用 • Super Vector Coding – 局所特徴量と各クラスタで ①負担率②クラスタ中心からの差 を計算 • Fisher Vector – 情報幾何学による定式化 – 局所特徴量と各クラスタで ①負担率②クラスタ中心からの差③ その分散 を計算 𝐺𝐺1 𝐺𝐺2 𝐺𝐺3 𝐺𝐺4 𝐺𝐺5

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

AlexNet前夜の画像認識 • 特徴量計算（人が設計）＋識別器学習（機械が学習） • 深層学習では – End-to-end学習（特徴量抽出と識別器の学習を同時に実行） – 事前学習/転移学習（特徴量抽出の学習と識別器の学習が別） 𝒚𝒚 = 𝑓𝑓(𝒙𝒙) Cat Camera 特徴量 計算 識別器 学習 Cat Camera 𝒙𝒙𝑘𝑘 𝒙𝒙𝑗𝑗 𝒙𝒙𝑖𝑖

識別器の学習方法 • BoVWが改善された結果 – BoVW + カーネルSVM < 改良されたBoVW + 線形分類器 – 線形分類器なら大量の画像でも学習可能！ • これで解決…と思いきや – 大域的特徴量が巨大すぎてメモリに収まらない問題 • Fisher Vectorの典型的な設定例だと26万次元のベクトルになる • もちろん、精度向上を狙って複数の特徴量を直列することもある →100万次元の特徴量？！ – 100万枚の画像の100万次元の特徴量をメモリ上にロード＝無理

オンライン学習による線形分類器の獲得 • オンライン学習 – バッチ学習と異なり、データを1つ1つロードして推論＋学習 – 学習データ全体をロードする必要がない • オンライン学習手法の改良 – 線形SVMを確率的勾配降下で学習 – 学習率を自動で決定できるオンライン学習 • 1次統計量に基づく手法 [Crammer+, JMLR 2006] • 2次統計量に基づく手法 [Wang+, ICML 2012] • ついにやったか…？！ – まだI/Oの課題がある – ストレージから学習データを都度読み込む＝とても遅い

直積量子化による特徴量の圧縮 • 直積量子化 (Product Quantization) [Jegou+, TPAMI 2010] – ベクトルを分割 – それぞれの分割されたベクトルをk-meansなどでクラスタリング – ベクトルの値をクラスタのIDに置き換え • オンライン学習への利用 – 量子化済みのデータセットをロード – クラスタIDをクラスタ中心に変換 × 量子化誤差が生じる ✓ メモリにデータセットが載る [https://miro.medium.com/max/922/1*B4IILxmKmtOAyJrqz5Pg_g.png]

ここまでのまとめ 1. 線画の認識 [Clowes, 1971] 2. ルール/モデルの導入 [Ohta, 1985][Basri, IJCV 1996] 3. 機械学習 [Duygulu+, ECCV 2002][Csurka+, 2004] 4. 大規模機械学習 [Perronnin+, ECCV 2010] 5. 畳込み演算による深層学習 [Krizhevsky+, NIPS 2012] 6. Transformer&MLP [Dosovitskiy+, ICLR 2021] • SIFT • BoVW • カーネルSVM • SIFT • Fisher Vector • 直積量子化 • 線形識別器の オンライン学習

そして、AlexNet（とその後のCNN）に席巻される

AlexNet前夜の画像認識技術は死んだのか モジュールごとに生きているものも多い • 局所特徴量 • 局所特徴量のCoding – Fisher Vectorと深層学習の融合 [Perronnin+Larlus, CVPR 2015] • 直積量子化 – もともと検索用途 – 最近ではPQVAEやPQGANも活躍中 • オンライン学習 – そもそも深層学習もオンライン学習（ミニバッチ学習）

実は… 我々もAlexNet前夜にGPUの活用を検討していた

実は… 我々もAlexNet前夜にGPUの活用を検討していた [濱口 2009]

おわりに • 本講演：AlexNet前夜のお話 – 機械学習による画像認識のごく簡単な紹介 – AlexNetの次のお話はTransformerチュートリアルなどを参照 • いくつかのポイント – 有名な話として：AlexNetがイノベーションを起こしたのは • 深層学習そのものの進歩だけでなく • データ（ImageNet）と計算機（GPU）が揃ったという時代背景が大きい – 過去の技術だからと言って聞き流していると、時代背景の変化に よってなし得たイノベーションを逃すかも • 例：（AlexNet前夜の）ニューラルネットワーク – 現時点のアプローチにとらわれ過ず未来を想うのが大事