研究背景と研究意義 近年、ビデオ理解分野における弱教師ありオンライン活動検出（Weakly Supervised Online Activity Detection, WS-OAD）は、高度なビデオ理解の重要な課題として広く注目されています。この課題の主な目標は、安価なビデオレベルのアノテーションのみを利用して、ストリーミングビデオ内で進行中の活動をフレーム単位で検出することです。このタスクは、自動運転、公共安全監視、ロボットナビゲーション、拡張現実など、多くの実用的な応用分野で重要な価値を持っています。 完全教師あり手法（Fully Supervised Methods）はオンライン活動検出（OAD）で顕著な進展を遂げましたが、フレームレベルの密なアノテーション（Frame-level A...
深層顔認識におけるモデル盗用検出と保護：サンプル相関に基づく革新研究 背景と研究課題 近年、深層学習技術の急速な発展により、顔認識分野は飛躍的な進歩を遂げています。しかし、同時に商用顔認識モデルは知的財産権の侵害リスクに直面しています。モデル盗用攻撃は、モデルのブラックボックスまたはホワイトボックスアクセスを通じて、同等の機能を持つモデルを複製することを可能にし、モデル所有者の検出を回避します。このような攻撃は、知的財産権の侵害だけでなく、商業利益やプライバシーの安全性にも深刻な脅威をもたらします。 この課題に対応するために、モデル指紋法が重要な盗用検出手段として注目されています。従来の方法は主に可搬性のある対抗サンプルを利用してモデル指紋を生成しますが、これらの方法は対抗学習や転移学習に対...
非侵入性胶質腫瘤の等級分類に関する研究概要：知識蒸留に基づく軽量な畳み込みニューラルネットワーク 背景紹介 膠質腫瘍は中枢神経系の主要な腫瘍であり、早期検出が非常に重要です。世界保健機関（WHO）は膠質腫瘍をⅠ級からⅣ級に分類しており、Ⅰ級とⅡ級は低級膠質腫瘍（LGG）、Ⅲ級とⅣ級は高級膠質腫瘍（HGG）です。膠質腫瘍を正確に分類することは生存率の評価にとって非常に重要です。 磁気共鳴画像法（MRI）は医学の分野で膠質腫瘍の診断と治療によく使用される方法です。現在、多くの研究者が機械学習や深層学習の方法で膠質腫瘍を分類しています。例えば、Zacharakiらはサポートベクターマシン（SVM）アルゴリズムをMRI画像に適用して膠質腫瘍を分類することに成功しました。一方、Fatemehらは畳み込...
プロトタイプに基づくサンプル加重ディスティレーション統一フレームワークの欠損モダリティ感情分析への応用 研究背景 感情分析は自然言語処理(NLP)における重要な分野であり、ソーシャルメディアプラットフォームの発展と共に、人々は短いビデオクリップを通じて感情を表現する傾向が強まっています。これによりマルチモーダルデータが急速に増加しています。しかし、現実生活ではモダリティ欠損の状況がよく発生します。たとえば、音声が失われたり、カメラが遮られたり、音声の転記ミスなどが原因です。このような状況では、欠損モダリティの感情分析が重要であり、かつ困難な課題となります。マルチモーダルの異質性は、すべてのモダリティをマルチモーダルネットワーク上で同じ目標に最適化しようとするときに、特にモダリティ欠損の場合に...
合成支援の事前学習とパッチレベルの特徴アライメントによる多カテゴリ子宮頸部病変細胞検出の知識蒸留 背景と研究の意義 子宮頸癌は女性の生命と健康を深刻に脅かす疾患である。国際がん研究機関（IARC）のデータによると、2020年には世界で新たに約60.4万件の子宮頸癌の症例があり、約34.2万件の死亡例があった（Sung et al., 2021）。早期診断とスクリーニングは子宮頸癌を効果的に予防し、治療することができるが、診断の遅れは深刻な合併症や生命の危険のリスクを増加させる（Schiffman, Castle, Jeronimo, Rodriguez, & Wacholder, 2007）。現在、世界各地の健康組織は、子宮頸癌予防と治療の有効な方法として早期スクリーニングを推奨している（A...
医学画像分割のためのモデル異質半教師付きフェデレーテッドラーニング 背景紹介 医学画像分割は臨床診断において非常に重要な役割を果たし、医師が病状を識別し分析するのを助けます。しかし、このタスクは通常、敏感なデータ、プライバシー問題、高価なアノテーションコストなどの課題に直面しています。現在の研究は主に個別の協力訓練医療分割システムに焦点を当てていますが、分割アノテーションを取得することが時間がかかり労力を要するという点を見落としています。どのようにしてローカルモデルの個別化を維持しながら、アノテーションコストと分割性能をバランスさせるかが重要な研究方向となっています。そこで、本研究は新たなモデル異質半教師付きフェデレーテッドラーニングフレームワークを提案します。 論文出典 この論文は「Mod...
バランス特性の対応と均一性による少数ショット分類問題の解決 背景と動機 少数ショット学習（Few-Shot Learning, FSL）の目標は、少数の新しいカテゴリ（novel classes）サンプルの条件下で、新しいサンプルを正確に認識することです。既存の少数ショット学習方法は、主に特徴表現とその対応するラベルとの情報を最大化することで、基礎カテゴリ（base classes）から転移可能な知識を学習します。しかし、この方法は「監督の崩壊」（supervision collapse）という問題が発生する可能性があり、基礎カテゴリに対して偏りが生じることがあります。本論文では、データの内在構造を保ち、新しいカテゴリに適した一般化モデルを学習することで、これを解決する方法を提案します。本研...
代替二重教師自己調整学習による弱監督セマンティック画像分割実現 背景紹介 コンピュータビジョンの分野の発展に伴い、セマンティック分割はその中で重要かつ活発な研究方向の一つとなっています。従来のセマンティック分割方法は手動でラベリングされたピクセルレベルのラベルに依存していますが、これらの精密なアノテーションの取得には通常多大な人力と時間コストがかかります。この問題を解決するために、近年、弱監督セマンティック分割（Weakly Supervised Semantic Segmentation, WSSS）が提案され、これは人工アノテーションを最小限に抑えつつ、弱いアノテーション情報（画像ラベル、バウンディングボックス、塗りつぶしなど）を利用して効率的なセマンティック分割を実現することを目指して...