階層化ふるい分けSOMによる画像認識システムに関する研究

階層化ふるい分け自己組織化マップ（Self-organizing map: SOM）を提案している．SOM を使った認識システムとして，複数の SOM を使った Class-SOM の研究も行っているが，これに用いる個別の SOM にふるい分けSOM を用いた認識システム（Class-ふるい分けSOM とする）では学習時間を大幅に短縮することができた．しかし，認識率の向上は頭打ちで，あまり向上しなかった．そこで，令和４年度は，これらの認識のベースとなる SOM の認識率を上げる方法の模索を行った．その方法として，画像認識に対して前処理の導入，学習時におけるベクトル要素ごとの重みづけ，等の効果を調べた． Fashion-MNIST （FMNIST）による実験を行った．その結果，前処理に画像の二値化，画像の切り出し（画像の一部のみを認識に使用），さらに切り出し画像に含まれる周波数成分を認識に使用することが有効であることがわかった．また，画像の二値化を導入することで Class-SOM の認識率を改善させることができた．SOM の学習するために多数のプロセッサによる並列処理を行うハードウェア SOM の開発を進めている．プロセッサの配置を単純な2次元配置から，入れ子構造にしたアーキテクチャを前年度までに提案している．この入れ子構造アーキテクチャは，ハードウェア記述言語である VHDL を用いて論理合成を行うと，より小さな回路規模，高速な回路が生成できることが分かった．この成果を国内研究会で発表するとともに，国際ジャーナルに投稿中である．

階層化ふるい分け自己組織化マップ（Self-organizing map: SOM）を提案している．SOM を使った認識システムとして，複数の SOM を使った Class-SOM の研究も行っているが，これに用いる個別の SOM にふるい分けSOM を用いた認識システム（Class-ふるい分けSOM とする）では学習時間を大幅に短縮することができた．しかし，認識率の向上は頭打ちで，あまり向上しなかった．そこで，令和４年度は，これらの認識のベースとなる SOM の認識率を上げる方法の模索を行った．その方法として，画像認識に対して前処理の導入，学習時におけるベクトル要素ごとの重みづけ，等の効果を調べた． Fashion-MNIST （FMNIST）による実験を行った．その結果，前処理に画像の二値化，画像の切り出し（画像の一部のみを認識に使用），さらに切り出し画像に含まれる周波数成分を認識に使用することが有効であることがわかった．また，画像の二値化を導入することで Class-SOM の認識率を改善させることができた．SOM の学習するために多数のプロセッサによる並列処理を行うハードウェア SOM の開発を進めている．プロセッサの配置を単純な2次元配置から，入れ子構造にしたアーキテクチャを前年度までに提案している．この入れ子構造アーキテクチャは，ハードウェア記述言語である VHDL を用いて論理合成を行うと，より小さな回路規模，高速な回路が生成できることが分かった．この成果を国内研究会で発表するとともに，国際ジャーナルに投稿中である．