| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2022-06-09 17:15 交通事故データに基づき地図画像を学習させたCNNの判断根拠の可視化 ○荒瀬快斗・呉 志堅・右田剛史・高橋規一（岡山大）  NLP2022-10 CCS2022-10 |
|
| 抄録 | （和） | 著者らは最近，交通事故データに基づき交通事故危険領域か否かのラベルが付けられたOpenStreetMap画像を畳み込みニューラルネットワーク(CNN: Convolutional Neural Network)に学習させる試みを行った．学習済みのCNNは未知地図画像からその領域が危険か否かを高い確率で正しく判別できるが，その理由やCNNの判断根拠は明らかでない．本報告では，上記のように地図画像を学習させたCNNの判断根拠をGrad-CAMとよばれる手法を用いて可視化する．出力結果はGrad-CAMをCNNのどの畳み込み層に適用するかで異なる．出力層に近いほど特徴をうまく捉えることができるが可視化の解像度は低い．逆に，入力層に近いほど可視化の解像度は高いが特徴をうまく捉えることができない．各モデルの各畳み込み層のGrad-CAMによる可視化結果を分析し，可視化に適した畳み込み層が存在することや，CNN が交通事故危険領域か否かを判別する際のいくつかの特徴を明らかにする． |
| （英） | The authors have recently conducted training of Convolutional Neural Networks (CNNs) on OpenStreetMap images each of which is labeled as ``danger'' or ``safe'' based on traffic accident data. Although the trained CNNs determine whether each area is danger or safe from the map image correctly with a high probability, the reason for this and the basis for their decisions are not clear. In this report, we use a method called Grad-CAM to visualize the basis of CNNs' decisions after learning map images as described above. The visualization result of the Grad-CAM depends on the convolutional layer of the CNN it is applied. The closer the layer is to the output layer, the better the features can be captured, but the resolution of the visualization is lower. Conversely, the closer the layer is to the input layer, the higher the resolution of the visualization, but the less well the features are captured. By analyzing the visualization results of the Grad-CAM for different convolutional layers of different models, we show that there certainly exist convolutional layers suitable for visualization, and clarify some characteristics of the trained CNNs when making their decisions. | |
| キーワード | （和） | 深層学習 / 地図画像 / OpenStreetMap / Grad-CAM / 交通事故データ / / / |
| （英） | deep learning / map image / OpenStreetMap / Grad-CAM / traffic accident data / / / | |
| 文献情報 | 信学技報, vol. 122, no. 65, NLP2022-10, pp. 46-51, 2022年6月. | |
| 資料番号 | NLP2022-10 | |
| 発行日 | 2022-06-02 (NLP, CCS) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NLP2022-10 CCS2022-10 |
|
| 研究会情報 | |
| 研究会 | CCS NLP |
| 開催期間 | 2022-06-09 - 2022-06-10 |
| 開催地（和） | 大阪大学 豊中キャンパス シグマホール |
| 開催地（英） | |
| テーマ（和） | 一般 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | NLP |
| 会議コード | 2022-06-CCS-NLP |
| 本文の言語 | 日本語 |
| タイトル（和） | 交通事故データに基づき地図画像を学習させたCNNの判断根拠の可視化 |
| サブタイトル（和） | |
| タイトル（英） | Visualization of decisions from CNN models trained on OpenStreetMap images labeled based on traffic accident data |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 深層学習 / deep learning |
| キーワード(2)（和/英） | 地図画像 / map image |
| キーワード(3)（和/英） | OpenStreetMap / OpenStreetMap |
| キーワード(4)（和/英） | Grad-CAM / Grad-CAM |
| キーワード(5)（和/英） | 交通事故データ / traffic accident data |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 荒瀬 快斗 / Kaito Arase / アラセ カイト |
| 第1著者 所属（和/英） | 岡山大学 (略称： 岡山大) Okayama University (略称： Okayama Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 呉 志堅 / Zhijian Wu / Zhijian Wu |
| 第2著者 所属（和/英） | 岡山大学 (略称： 岡山大) Okayama University (略称： Okayama Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 右田 剛史 / Tsuyoshi Migita / ミギタ ツヨシ |
| 第3著者 所属（和/英） | 岡山大学 (略称： 岡山大) Okayama University (略称： Okayama Univ.) |
| 第4著者 氏名（和/英/ヨミ） | 高橋 規一 / Norikazu Takahashi / タカハシ ノリカズ |
| 第4著者 所属（和/英） | 岡山大学 (略称： 岡山大) Okayama University (略称： Okayama Univ.) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2022-06-09 17:15:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NLP |
| 資料番号 | NLP2022-10, CCS2022-10 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | no.65(NLP), no.66(CCS) |
| ページ範囲 | pp.46-51 |
| ページ数 | 6 |
| 発行日 | 2022-06-02 (NLP, CCS) |
[研究会発表申込システムのトップページに戻る]