Share
Embed
AlexNet前夜
画像の認識・理解シンポジウム (MIRU) 30周年&25回記念 特別企画
「過去を知り、未来を想う」で、AlexNetについて語るというお題で行った講演の資料です。
AlexNet自体は多くの方々が良くご存じだと思ったので、AlexNetが席巻する直前の様子を振り返り、未来を想うためのポイントを少しお伝えできればと思います。
Yoshitaka Ushiku PRO
July 28, 2022
Transcript
36 slides
-
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. -
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 -
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 -
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) -
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