構造化ニューラルネットワークのための強化学習に関する研究

Hl3年度では構造化ニューラルネット(NN)と強化学習アルゴリズムの組み合わせに焦点を絞り,NN構造の自動化法を提案し国際会議で発表した.昨年度の報告でも述べたように,今年度は,強化学習をNNのためだけの強化学習に限定せず,強化学習と見做せる進化論的計算(EC)に拡張して研究を展開させた.具体的には,対話型ECを用いた画像強調を取り上げた.システムは,画素の濃度変換を行いカラー化する画像強調フィルタをパラメトリックに設計し,ECで最適化する.その時,人間が処理された画像を評価し,その評価値をECにフィードバックすることによって画像強調フィルタを最適化するものである.ECは最終的な理想解が人間からは与えられないが個々の個体の良し悪しは与えられるので,強化学習と言える.研究成果は3点ある.第1の成果は,モノクロ画像のカラー化フィルタの設計である.画素の濃度値の入出力変換特性を折れ線特性で表現し,折れ線部分の座標値を遺伝的アルゴリズムで最適化する.この入出力変換特性を3種類作成し,それぞれの出力をRGBに対応させることで,モノクロ画像を入力し,濃度変換とカラー化で画像を強調する処理系を構築する.第2の成果は,この処理系を医療画像処理の現場に持ち込み,医療画像診断の専門家を被験者に評価を開始したことである.医療画像診断の専門家は信号処理の専門家ではないので画像強調フィルタを設計することは困難である.しかしこの対話型ECを導入することで可能になる.第1の成果で得られた画像強調フィルタ設計システムを福岡歯科大学の現場での評価に持ち込んだ.第3の成果は,新しい画像強調アルゴリズムの提案である.画像強調フィルタ特性を遺伝的プログラミングで設計する.その時に用いる数式の演算に,通常の四則演算や三角関数,対数などの演算子以外に,画像処理でよく用いられる処理を1つの演算子として遺伝的プログラミングに導入することで,短時間で素性の良い画像強調フィルタを設計しようとするものである.

Hl3年度では構造化ニューラルネット(NN)と強化学習アルゴリズムの組み合わせに焦点を絞り,NN構造の自動化法を提案し国際会議で発表した.昨年度の報告でも述べたように,今年度は,強化学習をNNのためだけの強化学習に限定せず,強化学習と見做せる進化論的計算(EC)に拡張して研究を展開させた.具体的には,対話型ECを用いた画像強調を取り上げた.システムは,画素の濃度変換を行いカラー化する画像強調フィルタをパラメトリックに設計し,ECで最適化する.その時,人間が処理された画像を評価し,その評価値をECにフィードバックすることによって画像強調フィルタを最適化するものである.ECは最終的な理想解が人間からは与えられないが個々の個体の良し悪しは与えられるので,強化学習と言える.研究成果は3点ある.第1の成果は,モノクロ画像のカラー化フィルタの設計である.画素の濃度値の入出力変換特性を折れ線特性で表現し,折れ線部分の座標値を遺伝的アルゴリズムで最適化する.この入出力変換特性を3種類作成し,それぞれの出力をRGBに対応させることで,モノクロ画像を入力し,濃度変換とカラー化で画像を強調する処理系を構築する.第2の成果は,この処理系を医療画像処理の現場に持ち込み,医療画像診断の専門家を被験者に評価を開始したことである.医療画像診断の専門家は信号処理の専門家ではないので画像強調フィルタを設計することは困難である.しかしこの対話型ECを導入することで可能になる.第1の成果で得られた画像強調フィルタ設計システムを福岡歯科大学の現場での評価に持ち込んだ.第3の成果は,新しい画像強調アルゴリズムの提案である.画像強調フィルタ特性を遺伝的プログラミングで設計する.その時に用いる数式の演算に,通常の四則演算や三角関数,対数などの演算子以外に,画像処理でよく用いられる処理を1つの演算子として遺伝的プログラミングに導入することで,短時間で素性の良い画像強調フィルタを設計しようとするものである.