特徴チャネルに対する不変性を持つ空間基底に基づく畳み込みネットの注意機構

令和3年度に行った実験の精度向上と基本モデルの高度化を行った. 前年度までに用いたPersonX, TUDデータベースに加え，最大規模の人物姿勢推定データベースであるMEBOWや車両の方向推定データベースであるEPFLも用いた. 実験を各条件に対して3回実行し，評価精度を向上させた. 学習データ数の変化とテスト画像のドメイン変化へのロバスト性も評価した. ドメイン変化に関しては, 学習と評価に用いるカメラと画風を変化させることで行った.方向推定部位を線形層から，3層多層パーセプトロンへ変更し, ベースライン性能を向上させた. 空間基底の構築方法として用いている特異値分解(SVD)の計算量が高いという問題があった. 計算量削減のため, 提案法を提案する前に1x1畳込層で特徴チャネル次元を圧縮することも検討した. 提案手法と同様のチャネル不変性を持つベースラインとして, チャネルの平均，最大値，標準偏差とそれらの連結を評価した.提案手法は, これらの実験において，同様のチャネル不変性を持つベースラインよりも高い性能が得られることを確認した.また, 提案層を適用する前に1x1畳込層を入力特徴マップへ適用し，特徴チャネル次元を削減することで，学習速度と推定性能が向上することを明らかとした. また，この1x1畳込層と提案層を複数並列で用いることで, 性能が向上することを確認した.

令和3年度に行った実験の精度向上と基本モデルの高度化を行った. 前年度までに用いたPersonX, TUDデータベースに加え，最大規模の人物姿勢推定データベースであるMEBOWや車両の方向推定データベースであるEPFLも用いた. 実験を各条件に対して3回実行し，評価精度を向上させた. 学習データ数の変化とテスト画像のドメイン変化へのロバスト性も評価した. ドメイン変化に関しては, 学習と評価に用いるカメラと画風を変化させることで行った.方向推定部位を線形層から，3層多層パーセプトロンへ変更し, ベースライン性能を向上させた. 空間基底の構築方法として用いている特異値分解(SVD)の計算量が高いという問題があった. 計算量削減のため, 提案法を提案する前に1x1畳込層で特徴チャネル次元を圧縮することも検討した. 提案手法と同様のチャネル不変性を持つベースラインとして, チャネルの平均，最大値，標準偏差とそれらの連結を評価した.提案手法は, これらの実験において，同様のチャネル不変性を持つベースラインよりも高い性能が得られることを確認した.また, 提案層を適用する前に1x1畳込層を入力特徴マップへ適用し，特徴チャネル次元を削減することで，学習速度と推定性能が向上することを明らかとした. また，この1x1畳込層と提案層を複数並列で用いることで, 性能が向上することを確認した.