AIによる画像解析・動作解析入門

AIによる画像解析・動作解析の基盤技術を、卒論テーマを考える学部生向けにまとめた入門スライドです。

本資料は、卒業研究のテーマを検討している学部生への紹介資料として作成しました。
AI・画像解析・動作解析に興味はあるものの、

どのような技術が使われているのか分からない
研究テーマとして何ができるのかイメージできない
画像解析・姿勢推定・深層学習の関係が整理できていない

といった初学者が、基盤技術の全体像を俯瞰できることを目的としています。

本スライドでは、

画像処理
深層学習
人検出
姿勢推定
学習済みモデル
社会実装

という流れに沿って、AIによる動作解析がどのような技術の積み重ねで成り立っているのかを体系的に整理しています。

数式や実装の詳細には踏み込まず、
研究テーマを考えるために必要な「基盤技術の全貌を理解すること」に重点を置いて構成しています。

想定読者：

卒業研究テーマを検討している学部生
AI・画像解析・動作解析に興味がある学生
スポーツ・医療・健康・リハビリ分野の研究を考えている人
姿勢推定やコンピュータビジョンの入口を知りたい人
動作解析研究の全体像を短時間で把握したい人

卒論テーマを考える際の技術理解の入り口として活用してもらえることを目的に公開しています。

Transcript

1. AIによる画像解析・動作解析入門 -基盤技術とその応用- 順天堂大学 健康データサイエンス研究科 博士前期課程1年 石井太晴 2026/3/30
2. 目次 目標： 基盤となる技術要素の存在と解析の全体像を理解する ➢ 導入 - 画像による動作解析の重要性 - 解析の全体像 ➢ 技術基盤 - 画像処理基礎 - 深層学習基礎 - 人検出基礎 - 姿勢推定基礎 ➢ 社会実装例 ➢ まとめ
3. 自己紹介 石井太晴 Taisei ISHII - 2002年5月21日生まれ, 神奈川県川崎市出身, 左利きAB型 - 2025年3月 順天堂大学 スポーツ健康科学部卒業 学士(スポーツ健康科学) - 在学中: 順天堂大学 健康データサイエンス研究科 博士前期課程1年 - 競技歴: 陸上競技(短距離), 趣味: 散歩・温泉・DJ - Profile: here, X(Twitter): @taisei_ds - 研究キーワード: 傷害予防, 機械学習, XAI(説明可能なAI), 動作解析 関心領域 Sports&Health Data Science Injury Prevetntion Personalized Fitness Performance Optimization 研究イメージ 1 / 12
4. 導入 ➢ 画像による動作解析の重要性 - 古来は計測・記述・分析・評価を全て手動で行っており、解析に時間・費用ともに膨大なコストを要していた - 近年はAIをはじめとする技術の発達によって、自動化が進み、効率よく解析を行えるようになってきた （※効率化に伴う精度の担保にはまだ課題が残っている） 2 / 12
5. 導入 ➢ 画像による動作解析の全体像 - 画像処理→深層学習→人検出→姿勢推定→力学解析が主要な技術の流れである - 今回はそれぞれの技術要素について広く浅く触れていく 3 / 12
6. 画像処理基礎 ➢ コンピュータはデジタル画像をどう理解しているか？ - 画像は０〜２５５の数値(RGBごと)を持つ画素が並んだ巨大な行列（テンソル）である - この膨大な数値データから関節の動きなどを抽出するため、パターン認識に長けた深層学習が不可欠となる https://medium.com/advanced-deep-learning/decoding-image-representation-understanding-the-structure-of-rgb-images-6a211eb8800d 4 / 12
7. 画像処理基礎 ➢ コンピュータはビデオ（動画）をどう理解しているか？ - ビデオは画像(フレーム)が時間軸に沿って高速に連続した次元配列のストリームである - この膨大な数値の連続によって物体と、その動きの軌跡(動作)という高次の意味情報を理解できる （パラパラ漫画のようなイメージ） 5 / 12
8. 深層学習基礎 ➢ なぜ深層学習(ディープラーニング)が必要なのか？ - ルールベース（ex. 赤くて丸いならりんご）で人間の知識を学習させるには限界がある - ならば大量のデータと正解をセットでモデルに与えて、予測誤差を埋めること（学習）で特徴を自動発見 - アルゴリズムの改良を重ね、複雑なモデルでも学習が進むようになり、多少条件が異なっても頑健に特徴認識 6 / 12
9. 深層学習基礎 ➢ AIはどのように人間を認識し、解析するのか？ - 人間の脳を模倣したニューラルネットワークによって高度な概念を表現可能に - 直線→図形→全身のように階層的な特徴抽出 - 画像→人検出→姿勢推定の自動化をAIは可能にする https://www.youtube.com/watch?v=CHx6uHnWErY https://www.youtube.com/watch?v=tc8RTtwvd5U 7 / 12
10. 物体（人）検出基礎 ➢ なぜ最初に人検出をするのか？ - 広大な画像から人間が領域を切り出すことで、背景など姿勢推定に不要なピクセルを除外可能 - 人間である確率（確信度）も同時に算出し、明るさなどのノイズに応じて誤検知を制御する https://medium.com/data-science/enhanced-object-detection-how-to-effectively-implement-yolov8-afd1bf6132ae 8 / 12
11. 姿勢推定基礎 ➢ AIはピクセルの羅列からどのように人の姿勢を見出すのか？ - 関節点の抽出: 画像からキーポイント(肩・肘・手首など)を抽出し、結び合わせることで関節を生成 - 精度に課題はあるが２Dビデオデータから3次元姿勢推定を行えるモデルも存在する https://github.com/cmu-perceptual-computing-lab/openpose 9 / 12
12. 学習済みモデル ➢ 高精度なAIを作るには膨大なデータが必要… - 学習済みモデル: 膨大なデータで基本的特徴を習得済みの公開モデル→開発コストを大幅に削減 - ファインチューニング： 少量の追加データで再学習させ、タスクに最適化する手法 - 例）人検出モデル（YOLO）を「暗所の画像」で再学習し、低照度環境でも高精度に予測できるように グ ラ フ ィ カ ル ユ ー ザ ー イ ン タ ー フ ェ イ ス , テ キ ス ト AI 生 成 コ ン テ ン ツ は 誤 り を 含 む 可 能 性 が あ り ま す 。 https://github.com/ultralytics/ultralytics 10 / 12
13. 社会実装例 ➢ 動作解析AIは現場にどのような革新をもたらしているか？ - 専用機材からの解放と解析の圧倒的時短 - 目に見えない生体力学情報の予測と予防 - パーソナライズ化された解析の実現 [1]OpenCapデモ動画: https://www.youtube.com/watch?v=Bo4OUckAn7g [2]Theiaデモ動画: https://youtu.be/2lGQU-rKiLg?si=FqFxQVXYdvKwVkWn&t=24 [3] SPLYZA Motionデモ動画: https://vimeo.com/1166195303?fl=pl&fe=sh 11 / 12
14. まとめ 目標： 基盤となる技術要素の存在と解析の全体像を理解する ➢ 導入 - 画像による動作解析の重要性：技術の進化によって、高精度な自動解析を簡便に行えるように - 解析の全体像：画像処理→深層学習→人検出→姿勢推定→力学解析 ➢ 技術基盤 - 画像処理基礎：コンピュータは画像をテンソルデータの集合として理解 - 深層学習基礎：AI自身が大量のデータから特徴や法則性を見つけられるようになった - 人検出基礎：不要な情報を除外して計算コスト大幅削減 - 姿勢推定基礎：キーポイント（肩・肘など）を結んで関節位置を推定 - 学習済みモデル：すでに一般的な特徴を学習したモデルを利用して高精度システムを短時間で構築 ➢ 社会実装例 - 医療・スポーツ科学・人間工学など多岐にわたる現場で革新を起こしている 12 / 12