Image processing networks with low-precision arithmetic

本研究の目的は，画像処理を，IoT機器などの極小規模のエッジデバイス上で実現するために，低精度の計算で実現できる深層ネットワークの構成を提案することである．本年度は，マセマティカルモフォロジを用いた拡散過程の深層展開に基づく雑音除去法，ならびに画像欠損の復元法を提案した．2次元関数のラプラシアンに基づく拡散過程は，熱の拡散の物理モデルとして知られており，画像処理においては反復的に画像の平滑化を実現する．本研究では，拡散過程を，深層展開により1回の反復演算を一つのステージとする深層ネットワークの構成へ展開し，それぞれのステージにおいてラプラシアンをマセマティカルモフォロジによる離散近似で実現した．この離散化においては，乗算を使うことなくラプラシアンの計算が実現されるため，ラプラシアンの計算過程においては，語長が増えることなく8ビット符号無し整数演算の範囲で処理が実現できる．この特性から，SIMD(Single Instruction Multiple Dataset)に基づく並列高速計算を用いることができ，さらに，高速なメモリアクセスから高速処理が実現できることを示した．提案した深層ネットワークをARM社のマイクロプロセッサCortex A7上に実装し，他の畳み込み型ニューラルネットワークと実行時間等で比較を行った．比較から，提案法は，雑音除去性能としてピーク信号雑音比で0.6dB程度低いものの，計算速度で10倍，さらにメモリ使用量で1/64以下，パラメータ数が1/20以下で雑音除去を実行することができた．また，画像補間の問題へ適用した場合においても，畳み込み型ニューラルネットワークの1/8位以下のパラメータ数で同等の精度で画像を補間できることを確認した．

本研究の目的は，画像処理を，IoT機器などの極小規模のエッジデバイス上で実現するために，低精度の計算で実現できる深層ネットワークの構成を提案することである．本年度は，マセマティカルモフォロジを用いた拡散過程の深層展開に基づく雑音除去法，ならびに画像欠損の復元法を提案した．2次元関数のラプラシアンに基づく拡散過程は，熱の拡散の物理モデルとして知られており，画像処理においては反復的に画像の平滑化を実現する．本研究では，拡散過程を，深層展開により1回の反復演算を一つのステージとする深層ネットワークの構成へ展開し，それぞれのステージにおいてラプラシアンをマセマティカルモフォロジによる離散近似で実現した．この離散化においては，乗算を使うことなくラプラシアンの計算が実現されるため，ラプラシアンの計算過程においては，語長が増えることなく8ビット符号無し整数演算の範囲で処理が実現できる．この特性から，SIMD(Single Instruction Multiple Dataset)に基づく並列高速計算を用いることができ，さらに，高速なメモリアクセスから高速処理が実現できることを示した．提案した深層ネットワークをARM社のマイクロプロセッサCortex A7上に実装し，他の畳み込み型ニューラルネットワークと実行時間等で比較を行った．比較から，提案法は，雑音除去性能としてピーク信号雑音比で0.6dB程度低いものの，計算速度で10倍，さらにメモリ使用量で1/64以下，パラメータ数が1/20以下で雑音除去を実行することができた．また，画像補間の問題へ適用した場合においても，畳み込み型ニューラルネットワークの1/8位以下のパラメータ数で同等の精度で画像を補間できることを確認した．