パナソニックHD、AIモデル学習時のデータ構築コストを削減する新技術

今回は「パナソニックHD、AIモデル学習時のデータ構築コストを削減する新技術」についてご紹介します。

関連ワード （ビッグデータ等） についても参考にしながら、ぜひ本記事について議論していってくださいね。

本記事は、ZDNet Japan様で掲載されている内容を参考にしておりますので、より詳しく内容を知りたい方は、ページ下の元記事リンクより参照ください。

　パナソニック ホールディングス（パナソニックHD）は5月23日、AIによる物体検出の精度低下を抑えながら、学習データの構築コストを半減させる技術を開発したと発表した。

　高精度なAIモデルを実現するには、データ収集とアノテーションにより大量の学習データを用意する必要があり、多大な時間とコストを要する。そのため、少数のデータでも高精度なAIモデルを実現する技術に注目が集まっている。

　その一つである「Few-shot Domain Adaptation（少数のラベル付きデータに対するドメイン適応技術）」は、あらかじめ公開されている多数のラベル付きデータ（ソースドメインのデータ）で学習したAIモデルの事前知識を、少数の現場データ（ターゲットドメインのデータ）の学習に利用することで、現場データが少数でもAIモデルを学習できる。

　しかし従来の方法では、例えばソースドメインがRGB画像（赤色、緑色、青色で表現された画像）で、ターゲットドメインが遠赤外線画像のようにデータの“見え方”が大きく異なる場合、両ドメインの知識差「ドメインギャップ」を埋めることができず、高い性能が得られないという課題があった。

　そこで同社は、ドメインギャップが大きい条件下であっても高性能な少数のラベル付きデータに対するドメイン適応技術を実現するため、複数の画像を合成するデータ拡張方法の考え方を応用した手法を開発。同手法では、画像を置き換えるだけではなく、画像に写る自動車や人といった物体の領域情報を利用して同じ種類の物体同士を置き換えることで、画像中の物体位置や存在確率なども考慮した。

　また敵対的学習により、AIモデルが両ドメイン共通の特徴で画像を認識できるようにした。敵対的学習とは、各画素のドメインの識別を行い、わざとドメインの識別を失敗するようにしてAIモデルを更新する学習方法。AIモデルはソースドメインとターゲットドメインの区別ができなくなるため、両ドメイン共通の特徴で画像を認識するようになる。その結果、ソースドメインとターゲットドメインの見え方が大きく異なる場合にも適用可能な少数のラベル付きデータに対するドメイン適応技術を実現した。

　今回開発した少数のラベル付きデータに対するドメイン適応技術は、ドメインギャップが大きい場合においても、従来の方法より圧倒的に少ない学習データで高精度にAIモデルの他現場展開を実現し、暮らしや社会の課題を解決するAI技術の社会実装を加速させる。

　学習データの取得条件をコントロールすることが難しいケースでも、短時間・低コストで高精度なAIモデルを提供するため、例えば導入先ごとに外観やカメラの位置、照明条件などセンシングの対象や状況が異なる現場系ソリューションの導入期間や、赤外線カメラなどを用いた屋外／暗所向け認識技術の開発期間を短縮することが期待される。