☆☆☆Web配信セミナー☆☆☆
～CNN：Convolutional Neural Network～
『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実際』
S211026AW
☆☆☆本セミナーは、Zoomを使用して、行います。☆☆☆
開催日時：2022年1月20日（木）13:00-17:00
受 講 料：お1人様受講の場合 50,600円[税込]／1名
1口でお申込の場合 62,700円[税込]／1口（3名まで受講可能）
★本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、
お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。
★インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。
講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。
★受講中の録音・撮影等は固くお断りいたします。
澤田雅之（さわだまさゆき） 氏
澤田技術士事務所 所長
| ＜略歴、等＞ |
1978年に警察庁に入庁し、2013年に警察情報通信研究センター所長を退職するまでの通算10年間にわたり、顔画像識別技術の警察活動への応用研究に従事。
2015年に技術士事務所を開業し、顔画像識別技術等に関するコンサルティング、執筆、講演を実施中。
2018年に「同一人物映像に対する顔画像間欠切出し制御機構を用いたターゲット発見システム」の特許を取得。
本セミナーに関係する主な著作は、以下の通りです。
＊「AIで飛躍的に進化する顔画像識別技術」：警察政策第23巻、2021年3月。
＊「警察情報通信の発注者エンジニアリング〜ターゲット発見システムの実現に向けて」：警察政策第19巻、2017年3月。
＊「顔画像識別技術と監視カメラが産み出す機械の目の特性」：月刊技術士3月号、2016年。
＊「顔画像識別における人の目の特性と機械の目の特性」:警察政策第17巻、2015年3月。 |
|
| |
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、CNNの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CNNのディープラーニングについての基礎的な話から始めて、CNNの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分かりやすく説明します。
〈本セミナーで修得できること〉
以下の内容についての具体的な知識が修得できます。
・CNNの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
・顔識別技術や人物識別技術の最新動向
・顔認証による「顔パス」の仕組みと活用方法
・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
・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システム」の仕組み
・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システム」の仕組み
・自動運転における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検知の仕組み
・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
・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、など
|
1 「人の目」を遥かに凌駕する顔識別技術
1.1 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
1.2 検索・照合速度は超高速
1.3 顔画像品質と識別精度との関係
1.4 顔識別技術の動作原理
①ディープラーニングを用いない場合
②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
2.1 ニューラルネットワークのディープラーニング
①ニューラルネットワークとは？
②ディープラーニングとは？
③ディープラーニングの「学習フェーズ」と「推論フェーズ」
2.2 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）
①CNNは、2次元静止画像を入力して対象物の分類などが可能
②RNNは、時系列のベクトルデータを入力して予測などが可能
2.3 ニューラルネットワーク・アーキテクチャ 進化の系譜
①CNN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）
②RNNの系譜 : RNN → LSTM → Transformer
2.4 ディープラーニングにおける一般的な学習方法
①ディープラーニングではどのように学習するのか？
②ディープラーニングの学習が目指すのは「汎化」
③「汎化したアルゴリズム」の生成方法
④AI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、表情）に向けたディープラーニング
3.1 CNNの全体構成とR-CNNへの拡張
3.2 顔画像の検出に向けたR-CNNのディープラーニング
①R-CNNで顔画像を検出する「推論フェーズ」
②R-CNNで顔画像を検出するための「学習フェーズ」
3.3 顔画像の識別に向けたCNNのディープラーニング
①CNNで顔特徴ベクトルを生成する「推論フェーズ」
②CNNで顔特徴ベクトルを生成するための「学習フェーズ」
3.4 顔画像の分類に向けたCNNのディープラーニング
①CNNで顔画像を分類する「推論フェーズ」
②CNN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）
4.1 2013年のFRVTと2018年のFRVT
①2013年FRVTと2018年FRVTそれぞれの参加企業等
②2013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
③2013年FRVTと2018年FRVTで用いられた識別精度評価方法
4.2 2013年FRVT→2018年FRVT ディープラーニングが識別性能を飛躍的に向上
4.3 2018年FRVT 品質の劣る顔画像に対する識別特性
4.4 2018年FRVT 顔の長期経年変化に対する識別特性
4.5 2018年FRVT 真横顔に対する識別特性
4.6 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
5.1 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
5.2 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）に向けたディープラーニング
6.1 人物画像の検出に向けたR-CNNのディープラーニング
①R-CNNで人物画像を検出する「推論フェーズ」
②R-CNNで人物画像を検出するための「学習フェーズ」
6.2 人物画像の識別に向けたCNNのディープラーニング
①CNNで人物特徴ベクトルを生成する「推論フェーズ」
②CNNで人物特徴ベクトルを生成するための「学習フェーズ」
6.3 人物画像の分類に向けたCNNのディープラーニング
①CNNで人物画像を分類する「推論フェーズ」
②CNN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
7.1 自動運転における車載カメラによる夜間の歩行者検知
①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
②R-CNNで夜間の歩行者を含めた人物画像を検出
7.2 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
①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
②R-CNNで人物画像を検出して、CNNで警察官か否かに分類
7.3 監視カメラによる対象人物の追跡
①顔の特徴は用いずに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
②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
③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
④前記③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
⑤前記②で生成した対象人物の人物特徴ベクトルで前記④のデータベースを検索し、該当した人物画像を表示
