CNNのディープラーニングによる顔画像・人物画像認識技術の基礎と応用

セミナー趣旨

ビデオカメラ映像を処理して人の顔を見分けたり、人の姿を見つけ出したりする顔画像・人物画像認識技術は、これまでは主に犯罪捜査や防犯の分野で活用されてきました。しかし、近年では、ディープラーニングの活用により飛躍的な進化を遂げて、より身近な分野での活用が進んでいます。例えば、顔画像認識技術は、スマホのロック解除手段などとして既に身近な存在であり、社会インフラとしても、ICパスポートに記録されている顔画像と出帰国審査場のビデオカメラで捉えた顔画像との自動照合による、「顔パス」などに活かされています。また、人物画像認識技術は、車載カメラによる夜間の歩行者の確実な検知や、交通規制中の警察官を検知してその手信号に従うなど、車の自動運転に活かされています。他にも、人物画像認識技術は、監視カメラによる対象人物のリアルタイムな追跡などに活かされているところです。

そこで、本セミナーでは、顔画像・人物画像認識に用いるディープラーニングについての基礎的な話から始めて、ディープラーニングによる顔画像・人物画像の検出・識別・分類それぞれの実現方法や精度向上方策、具体的な活用方策などについて、わかりやすく説明します。

受講対象・レベル

• ディープラーニングによる顔画像・人物画像認識の仕組みや活用方法に関心のある方
• 顔識別技術や人物識別技術の最新動向に関心のある方
• 顔画像による性別、年齢層、表情などの推定に関心のある方
• 中国や米国で運用されている「監視カメラライブ映像による指名手配犯発見」に関心のある方
• わが国や諸外国で運用されている「防犯カメラ録画映像による被疑者写真検索」に関心のある方
• 人物画像による性別、年齢層、職業などの推定に関心のある方
• 車載カメラによる夜間の歩行者検知や交通規制中の警察官の手信号判別に関心のある方
• 複数の監視カメラの人物画像による対象人物のリアルタイムな追跡に関心のある方

習得できる知識

• ディープラーニングによる顔画像・人物画像認識の仕組みや活用方法が理解できます。
• 顔識別技術や人物識別技術の最新動向が理解できます。
• 顔画像による性別、年齢層、表情などの推定の仕組みと活用方法が理解できます。
• 中国や米国で運用されている「監視カメラライブ映像による指名手配犯発見」の仕組みが理解できます。
• わが国や諸外国で運用されている「防犯カメラ録画映像による被疑者写真検索」の仕組みが理解できます。
• 人物画像による性別、年齢層、職業などの推定の仕組みと活用方法が理解できます。
• 車載カメラによる夜間の歩行者検知や交通規制中の警察官の手信号判別の仕組みが理解できます。
• 複数の監視カメラの人物画像による対象人物のリアルタイムな追跡の仕組みと、活用方法が理解できます。

セミナープログラム

1. 「人の目」を遥かに凌駕する顔識別技術
   1. 整形手術や長期経年変化で別人の印象となった顔画像との照合事例
   2. 検索・照合速度は超高速
   3. 顔画像品質と識別精度との関係
   4. 顔識別技術の動作原理
      a. ディープラーニングを用いない場合
      b. ディープラーニングを用いた場合
2. 顔画像・人物画像認識に用いるディープラーニングの基礎
   1. ニューラルネットワークのディープラーニング
      a. ニューラルネットワークとは？
      b. ディープラーニングとは？
      c. ディープラーニングの「学習フェーズ」と「推論フェーズ」
   2. CNN（畳み込みニューラルネットワーク）とRNN（再帰型ニューラルネットワーク）が基本
      a. CNNは、２次元静止画像を入力して対象物の分類などが可能
      b. RNNは、時系列のベクトルデータを入力して予測などが可能
   3. ニューラルネットワーク・アーキテクチャ　進化の系譜
      a. CNNの系譜：ネオコグニトロン→CNN→R-CNN（領域提案できる畳み込みニューラルネットワーク）
      b. RNNの系譜：RNN→LSTM→Transformer
   4. ディープラーニングにおける一般的な学習方法
      a. ディープラーニングではどのように学習するのか？
      b. ディープラーニングの学習が目指すのは「汎化」
      c. 「汎化したアルゴリズム」の生成方法
      d. AIフレームワークの利用が効果的かつ効率的
3. 顔画像の検出、識別、分類（性別、年齢層など）に向けたディープラーニング
   1. CNNの全体構成とR-CNNへの拡張
   2. 顔画像の検出に向けたR-CNNのディープラーニング
      a. R-CNNで顔画像を検出する「推論フェーズ」
      b. R-CNNで顔画像を検出するための「学習フェーズ」
   3. 顔画像の識別に向けたCNNのディープラーニング
      a. CNNで顔特徴ベクトルを生成する「推論フェーズ」
      b. CNNで顔特徴ベクトルを生成するための「学習フェーズ」
   4. 顔画像の分類に向けたCNNのディープラーニング
      a. CNNで顔画像を分類する「推論フェーズ」
      b. CNNで顔画像を分類するための「学習フェーズ」
4. 米国立標準技術研究所の顔認識技術に係るベンダーテスト（FRVT）
   1. 2013年のFRVTと2018年のFRVT
      a. 2013年FRVTと2018年FRVTそれぞれの参加企業等
      b. 2013年FRVTと2018年FRVTで用いられた品質の異なる２種類の顔画像
      c. 2013年FRVTと2018年FRVTで用いられた識別精度評価方法
   2. 2013年FRVT→2018年FRVT　ディープラーニングにより識別性能が飛躍的に向上
   3. 2018年FRVT 品質の劣る顔画像に対する識別特性
   4. 2018年FRVT 顔の長期経年変化に対する識別特性
   5. 2018年FRVT 真横顔に対する識別特性
   6. 2018年FRVT 同一人物の複数ショット照合による識別精度の向上
5. 顔識別技術におけるディープラーニングの効能・効果
   1. 顔識別技術の精度向上は、ディープラーニングの適用による工夫次第
   2. 顔識別技術における人種バイアスの問題とその解決方法
6. 人物画像の検出、識別、分類（性別、年齢層、職業など）に向けたディープラーニング
   1. 人物画像の検出に向けたR-CNNのディープラーニング
      a. R-CNNで人物画像を検出する「推論フェーズ」
      b. R-CNNで人物画像を検出するための「学習フェーズ」
   2. 人物画像の識別に向けたCNNのディープラーニング
      a. CNNで人物特徴ベクトルを生成する「推論フェーズ」
      b. CNNで人物特徴ベクトルを生成するための「学習フェーズ」
   3. 人物画像の分類に向けたCNNのディープラーニング
      a. CNNで人物画像を分類する「推論フェーズ」
      b. CNNで人物画像を分類するための「学習フェーズ」
7. 人物画像のディープラーニングの実際の応用例
   1. 自動運転における車載カメラによる夜間の歩行者検知
      a. 自動運転車は、ロービームのヘッドライト、街路灯など様々な照明下での歩行者の確実な検知が必要
      b. R-CNNで夜間の歩行者を含めた人物画像を検出
   2. 自動運転における車載カメラによる交通規制中の警察官の検知
      a. 自動運転車は、交通規制中の警察官を確実に見分けてその手信号に従うことが必要
      b. R-CNNで人物画像を検出して、CNNで警察官か否かを分類し、CNNで手信号を分類
   3. 監視カメラによる対象人物の追跡
      a. 顔の特徴は用いずに服装等を含めた人物全体の特徴を用いて、多数の監視カメラでリアルタイムに追跡
      b. 監視カメラ映像で特定した対象人物について、CNNで人物特徴ベクトルを生成
      c. 多数の監視カメラ映像内の人物画像をR-CNNで検出し、CNNで人物特徴ベクトルをリアルタイムに生成
      d. 前記ｃ.の人物画像と人物特徴ベクトルを、監視カメラ番号・撮影時刻とセットにしてデータベースに記録
      e. 前記ｂ.で生成した対象人物の人物特徴ベクトルで前記ｄ.のデータベースを検索し、該当した人物画像を表示

◎　質疑応答

セミナー講師

澤田 雅之 氏
澤田雅之技術士事務所 所長
技術士（電気電子部門）

セミナー受講料

35,000円（消費税込）※テキスト代を含みます。