![Unsupervised Learning Methods
● 人手による教師データは、有用だが高コスト
→教師なし学習の手法が検討されてきた
○ 教師データがなくても、 Deep Learningネットワーク内部の「特徴量」は学習できる
● Self Supervision/ natural supervision
○ 自然に得られる/付随して得られる信号を教師データとして、予測問題を学習し、
画像特徴量を得る
○ 例1)egomotion[1]
■ スマホのジャイロセンサー等で記録できる
カメラ自身の動きを、連続して撮影した
2枚の画像から予測
5](https://image.slidesharecdn.com/cveccv2016-161203040027/85/Ambient-Sound-Provides-Supervision-for-Visual-Learning-CV-ECCV2016-5-320.jpg)
![Unsupervised Learning Methods
● 例2)Patch base[4]
○ 画像から切り取ったパッチ間の
位置関係を予測する
6
● 例3)Tracking[35]
○ 教師なしのトラッキング手法でビデオ内の
オブジェクトをトラッキング
○ 同じビデオ内のブジェクトと、
他のビデオから得られたオブジェクト
前者の方が距離が近くなるようにCNNを学習](https://image.slidesharecdn.com/cveccv2016-161203040027/85/Ambient-Sound-Provides-Supervision-for-Visual-Learning-CV-ECCV2016-6-320.jpg)
![音声x画像(動画)の先行研究
● 動画から、直接音声を予測する先行研究[30]
○ ドラムスティックで叩いている映像から、叩く音を予測する
○ これは、視覚的に予測できる音だけを予測することに特化している
○ https://youtu.be/JpZUZ9ZDECE
○
● 音源の定位
● 画像と音声の同期
9](https://image.slidesharecdn.com/cveccv2016-161203040027/85/Ambient-Sound-Provides-Supervision-for-Visual-Learning-CV-ECCV2016-9-320.jpg)
論文紹介:Ambient Sound Provides Supervision for Visual Learning(CV勉強会ECCV2016読み会)
- 1. 論文紹介 Ambient Sound Provides Supervision for Visual Learning 2016/12/3 @CV勉強会 酒井 俊樹
- 2. 自己紹介 名前：酒井 俊樹 所属：NTTドコモ サービスイノベーション部 仕事：画像認識API/サービスの研究開発 ● 局所特徴量を用いた画像認識 https://www.nttdocomo.co.jp/binary/pdf/corporate/technology/rd/technical_journal/bn/vol23_1/vol23_1_004jp.pdf ● Deep Learningを用いた画像認識 https://www.nttdocomo.co.jp/binary/pdf/corporate/technology/rd/technical_journal/bn/vol24_1/vol24_1_007jp.pdf ● 画像認識API https://dev.smt.docomo.ne.jp 本発表は個人で行うものであり、所属組織とは関係ありません。 2
- 3. 論文概要 Ambient Sound Provides Supervision for Visual Learning ● 著者：Andrew Owens et al.(MIT) 概要 ● 画像データを収集する際の”教師ラベル作成”の手間を軽減したい ● 動画データに付いている音声情報を教師信号の代わりに利用 ○ 画像中のオブジェクトやシーンに反応するようなニューロンが学習された ○ 他の教師なし学習手法と同程度もしくは上の Performanceの学習が可能に 3
- 4. 画像認識におけるDeep Learning ● Deep Learning ○ 2012年以降、画像認識分野で用いられる機械学習技術 ○ 画像＋教師ラベルを入力として画像分類、回帰、物体検出などのタスクを学習 ○ 学習データから、タスク遂行のための特徴量抽出もデータから学習 ○ ?学習に多量のデータが必要 ● Deep Learningベースの画像特徴量 ○ 学習したDeep Learningのネットワークの中間層の活性を画像特徴量として用いる事ができる (http://deeplearning.net/tutorial/lenet.htmlより) (A tutorial on deep learning at icml 2013より) 4
- 5. Unsupervised Learning Methods ● 人手による教師データは、有用だが高コスト →教師なし学習の手法が検討されてきた ○ 教師データがなくても、 Deep Learningネットワーク内部の「特徴量」は学習できる ● Self Supervision/ natural supervision ○ 自然に得られる/付随して得られる信号を教師データとして、予測問題を学習し、 画像特徴量を得る ○ 例1)egomotion[1] ■ スマホのジャイロセンサー等で記録できる カメラ自身の動きを、連続して撮影した 2枚の画像から予測 5
- 6. Unsupervised Learning Methods ● 例2)Patch base[4] ○ 画像から切り取ったパッチ間の 位置関係を予測する 6 ● 例3)Tracking[35] ○ 教師なしのトラッキング手法でビデオ内の オブジェクトをトラッキング ○ 同じビデオ内のブジェクトと、 他のビデオから得られたオブジェクト 前者の方が距離が近くなるようにCNNを学習
- 7. 本論文のアイディア ● 音声情報をnatural supervisionの教師データとして用いる ○ 画像が撮影された際の音声は、画像に関連する情報を持っている ■ 車の騒音→車がいることがわかる ■ 話し声→人がいっぱいいる場所 /カフェ ○ 画像から音声を予測する学習器は、内部的に オブジェクトやシーンを構成する要素を学習していると考えられる ○ 画像のTransformationに対して、音声信号は独立している ■ 照明条件の変化や、カメラの角度などに影響を受けない 音声情報はYouTubeのビデオ等、動画データを集めれば、 自然に付いているもの 人の話し声 →人がいる 波の音/風の音 →海沿いの外 7
- 8. 目標 ● 以下を示す ○ 画像を入力として音声信号の予測タスクで得られた 特徴量が、物体/シーンの認識に有用であること ○ 学習された特徴量が、特に画像中の物体に 特異的に反応すること ■ シーン認識の学習をした networkのニューロンが、 object detectorになっていることを 先行研究が示している 8 特徴量として 用いる
- 9. 音声x画像(動画)の先行研究 ● 動画から、直接音声を予測する先行研究[30] ○ ドラムスティックで叩いている映像から、叩く音を予測する ○ これは、視覚的に予測できる音だけを予測することに特化している ○ https://youtu.be/JpZUZ9ZDECE ○ ● 音源の定位 ● 画像と音声の同期 9
- 10. 音声信号を利用する上での課題 ● 視覚情報と音声情報はルーズにしか関係してない ○ 画像上に写っていないものが音源の可能性がある ○ 画像と音声のタイミングを取ることが難しい (音声信号のサンプルをhttp://www.ykw.elec.keio.ac.jp/suuri.htmlより) ? 10
- 11. 音声信号の特徴量化 ● Sound Textureを利用(McDermott and Simoncelli, 2011) ○ 数秒間の音声の要約情報 (今回は3.75sec) 11 ３つの特徴量
- 12. 音声信号の特徴量化 1. バンドパスフィルタにかける ○ バンドパスフィルタ ■ 特定の周波数帯の信号だけを取り出す filter ○ 周波数帯の異なる32個のバンドパスフィルタを利用 ○ ヒトの蝸牛管の受容体のレスポンスを模す (https://ja.wikipedia.org/wiki/耳より) 12 (http://anasynth.ircam.fr/home/system/files/attachment_uploads/lagrange/private/mcdermott Casa11.pdfより) バンドパスフィルタ
- 14. 音声信号の特徴量化 2. 各フィルタの包絡線(envelope)を求める ○ 特定の周波数帯の信号だけを取り出す filter ○ 振幅変調の逆を行うイメージ ○ ヒルベルト変換で求める 14(https://ja.wikipedia.org/wiki/振幅変調より) 振 幅 変 調 (http://anasynth.ircam.fr/home/system/files/attachment_uploads/lagrange/privat e/mcdermottCasa11.pdfより)
- 15. 音声信号の特徴量化 15
- 16. 音声信号の特徴量化 3. 以下の4つの特徴量を求め、結合 a. 各周波数チャネルのenvelopeごとに もう一度バンドパスフィルタ (modulation filter)をかける ○ 包絡線の変調の周波数成分を取り出す ○ modulation filterは0.5to200Hzの間で 10個(logスケール上で均等な幅に ) ○ envelope数 x modulation filter数の出力 ○ それぞれ二乗平均を取る (modulation power) 16
- 17. 音声信号の特徴量化 3. 以下の4つの特徴量を求め、結合 b. 各周波数チャネルのenvelopeごとに平均と分散を計算 ?marginal moment ?各周波数成分の強度と変化の大きさ c. 各周波数チャネルごとにピアソンの相関係数を求める ?各周波数成分間の相関 d. 各envelopeの強度のmedianを取る→normを取る 17
- 18. 画像から音声を予測する ● 入力は「動画」ではなく「画像」 ○ 学習した特徴量を、「画像」認識タスクに転用することを目指して ● 音声特徴量そのものを予測するのではなく、分類課題として学習 ○ 既存のオブジェクト分類やシーン分類のモデルと比較するため 18 ● clustering audio features ○ 音声情報でクラスタリング →クラスタの番号を予測する分類 ● Binary coding model ○ 各sound特徴量を30の主成分に分解 ○ 主成分の値を、binary codeに変換 ○ 複数のカテゴリに属しているような状 態 (https://ja.wikipedia.org /wiki/主成分分析より)
- 19. 実験 ● 学習データ ○ 360,000 video from flickr dataset ○ 各ビデオから10frameずつ取り出す→1.8M traing images ● Deep Learningのネットワーク ○ Caffenet (AlexNetの変形) ○ mini batch: 256 ○ 320,000 iter 19
- 20. 結果：conv層のニューロンの可視化 ● conv5層の出力を元に、receptive fieldを可視化 ○ receptive field: 各ニューロンが画像上のどこに反応しているか 20
- 21. 21
- 22. 22
- 23. 結果：conv層のニューロンの可視化 ● conv5 layerの出力を元に、receptive fieldを可視化 ○ receptive field: 各ニューロンが画像上のどこに反応しているか ○ 利用した手法: synthetic visualization ■ 200,000枚の画像をテストセットして利用 ■ 各neuronが最も反応する画像を 60枚ずつ抽出 ■ 60枚中60%について、同じobjectに反応していたら、object detectorとする ○ 提案手法では91/256がobject detectorだった 23
- 25. 結果：conv層のニューロンの可視化 ● 実際にオブジェクトに関連する音声が入っている事を確認 ○ 各object detectorについて、 ■ ニューロンが反応する動画、 30clipを視聴 ■ そのニューロンがselectiveなオブジェクトの音がしているかを調べた 25
- 26. 結果：学習した特徴量の利用 ● 物体認識 ○ データ:PASCAL VOC ○ CNNのpool5, fc6, fc7を特徴量として利用 ○ global max poolingも実施 (全conv layerについて、画像上の位置の同じ ニューロンをmax poolingした特徴量) ○ 特徴量をLinear SVMにかけて予測 26 ● シーン認識 ○ データ:SUN397 ○ Soundのmodel間の差異は縮小 ?教師あり>教師なし ?(Sound)binary > cluster > spect ※spectは、画像撮影時の音声 スペクトラムを直接学習した場合 →特徴量化の効果が示せた ?(教師なし)sound>他の手法
- 27. 27
- 28. 結果：学習した特徴量の利用 ● Fast R-CNNの事前学習に使ってみた ○ 教師ありの手法が最も良かった ○ 教師なし学習の中では ■ Tracking(Motion)とは同程度の精度 ■ Patch baseが最も良かった ● 音声ベースのクラスタと画像ベースのクラスタ、教師データとして 優れているのはどちらか(p.25の図中Texton-CNN) ○ visual texton histogramsを使ってクラスタリング ○ 音声ベースの方がシーン認識精度、オブジェクト認識精度が上 ■ 画像ベースのtextonではlow lavelなlabelingしか学習できない？ ■ 音声を使うと、visual transformationに関係ない教師信号になる 28
- 29. まとめと所感 ● 画像と音声信号を元に、CNNを学習する方法を提案 ● 動画データであれば、音声信号は多くの場合付いているという点で、 利用できる場面が多い ● やはり教師あり学習で行った特徴量表現とは差がある 29