CS立体図とディープラーニングによる崩落地形予想について
•
0 likes•2,278 views
FOSS4G 2017 HOKKAIDOで発表した資料になります。 当日発表動画はこちらになります。 https://youtu.be/TYB7_zYgmPo?t=8180
Recommended
More Related Content
What's hot
What's hot (20)
Similar to CS立体図とディープラーニングによる崩落地形予想について
Similar to CS立体図とディープラーニングによる崩落地形予想について (20)
More from Ryousuke Wayama
Recently uploaded
Recently uploaded (8)
CS立体図とディープラーニングによる崩落地形予想について
- 2. 自己紹介 2 • 氏名：小林 知愛（こばやし ちあき） • 会社：（株）ノーザンシステムサービス（入社2年目） • 部署：研究開発部所属 • 主にDeep Learning系の業務を担当 • 日々学習がうまくいくようにニューラルネットのご機嫌取り をしたり、神に祈ったりしています 普段の勤務状況のイメージ図
- 3. AGENDA 1. これまでのCS立体図×Deep Learning 2. Deep Learningで災害予測 3
- 5. 事の発端 5 • pix2pixの検証 • pix2pix - 変換前後の画像を学習させることでDCGANにより画像変換を行なう (https://phillipi.github.io/pix2pix/) • 対の画像さえ用意すれば何でも学習できるのが特徴
- 6. DEEP LEARNING(PIX2PIX)と 地図タイルは相性が良い! 6 地図タイル形式で様々な 大量のデータが公開 例：国土地理院 地理院タイル タイル座標さえあれば同一地点の 異なるデータを取得可能 地図 航空写真 土地利用図 標高図 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)
- 7. 様々な地図タイルを使ってPIX2PIXを検証 7 航空写真⇒地図 標高タイル⇒陰影図 入力 出力 正解 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，一部標高タイルを加工して作成 シームレス標高サービス(https://gsj-seamless.jp/labs/elev/)，OpenStreetMap(http://www.openstreetmap.org/copyright) © OpenStreetMap contributors
- 8. PIX2PIXに学習させるネタを探してると・・・ 8 • 「FOSS4G Advent Calendar 2016 地理院標高タイルと Leaflet でつく るCS立体図」 (http://qiita.com/frogcat/items/b9 aaa3df866a89d46ef5)
- 12. とりあえず学習させてみる 12 • CS立体図を入力、地すべり地形分布図を教師データとしてpix2pixで学習 • CS立体図は地理院標高タイルから作成 • 結果：何かが出てるけど場所がだいぶ違う 入力 出力 教師 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，標高タイルを加工して作成
- 13. 原因を考察 13 • 地すべりの検出には微細地形の特徴が必要？ • 人の目によるCS立体図からの地形判読では1mメッシュを使って判定 • 戸田堅一郎, “ＣＳ立体図を用いた地形判読について”, 第125回日本森林学会大会, 2014.7.16. • メッシュの細かい地形データがないか？ • USGC(アメリカ地質調査所)やNOAA（アメリカ海洋大気庁）で公開されているDEMは あったが対応する崩落地形データがない 地理院標高タイルの10mメッシュでは解像度が足りない？
- 14. 日本国内でデータを探していると・・・ 14 • 「FOSS4G Advent Calendar 2016 地理院標高タイルと Leaflet でつくるCS立 体図」に の記述
- 16. 静岡県CS立体図で学習 16 • 結果： • 入力と教師データを比べると崩落と関係なさそうなところにシェープがある ⇒参照系がずれてる？ • その後10mメッシュに戻して学習しても精度は向上せず・・・ CS立体図（地形の情報）のみでは情報が不十分？ 入力 出力 教師 出典：静岡県CS立体図(https://www.geospatial.jp/ckan/dataset/shizuokakencsmap2)
- 17. 入力する情報を追加してみる 17 • シームレス地質図 • 産業技術総合研究所が公開している日 本全国の地質図 • 産総研地質調査総合センター,20万分の1日 本シームレス地質図(詳細版,データ更新 日:2015年5月29日), https://gbank.gsj.jp/seamless/ • タイルやWMSなどの形式で取得可能 地質から崩落のしやすさなどがわかるのでは？
- 18. CS立体図＋地質図 18 • CS立体図のRGB＋地質図のRGBで、合計6チャンネルの入力データで学習 • データセットの範囲は東北～関東くらいまで • 結果： • pix2pixはデータセットのドメインに特化する傾向がある 入力 出力 教師 広範囲のデータセットでは拡散？ 入力 出力 教師 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，標高タイルを加工して作成
- 19. CS立体図＋地質図 19 • データセットの範囲を秋田付近に変更 • 結果： 入力 出力 教師 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，標高タイルを加工して作成
- 22. 近年異常気象による災害が増加傾向 22 • 2016年8月末 台風10号 • 岩手県岩泉町、久慈市、宮古市などの沿岸地域、北海道でも大きな被害 • 想定以上の雨量による土砂崩れや土石流 出典：岩手県, http://www.pref.iwate.jp/kasensabou/sabou/050721.html
- 23. 異常気象による災害の予測は難しい 23 • 突発的な災害も多く予測が困難 • これまで観測されたことのない雨量 • 対処が遅れたり適切な処置ができなかったり 従来の防災計画の想定外 Deep Learningで予測できないか？
- 24. DEEP LEARNINGで災害予測 24 • CS立体図から地すべりの検出はある程度できるようになった • これまではすでに起こった地すべりの跡を検出 • 地質などの情報をチャンネルに加えることで精度が向上 地形や地質、植生など土地の情報と雨量を学習 その土地の限界雨量による崩壊予測ができるのでは？
- 25. PIX2PIXによる崩落予測 25 • 雨量などの情報を入力し豪雨による崩落を予測する • 国土地理院が台風10号のデータを公開 • 専門家が判別した崩落箇所のシェープデータも公開 教師データとして使用 出典：国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html)
- 27. データセットの作成～雨量編～ 27 • 気象庁のデータをもとに作成されたNetCDF形式のデータを使用 • 京都大学生存圏研究所 生存圏データベースから取得 （http://database.rish.kyoto-u.ac.jp/arch/jmadata/gpv-netcdf.html） • 台風が通過したあたりの8/28～8/30の期間の合計雨量を計算 • GMTを用いて画像化しタイルを作成
- 28. 雨量タイルの作成手順 28 • PythonでnetCDFファイルを読み込んで3日間の合計雨量を計算、netCDFファ イルに出力 • netCDFファイルからタイルを作成するプログラム（Python）を作成して実行 • GMTに渡す1タイルの範囲の経緯度を計算 • GMTのgrdimageで合計雨量のnetCDFファイルから計算した経緯度の範囲のカラー図 を作成、ps2rasterで画像化（GMTコマンドはPythonから実行） • Pythonの画像ライブラリPillowを使ってカラー図画像を256x256にリサイズ • 以上の処理を指定したタイルの分だけ繰り返す
- 30. より細かいメッシュデータで作成することに 30 • 雨量データを気象業務支援センター（http://www.jmbsc.or.jp/jp/）から購入 • 前のデータが約5kmメッシュに対して、こちらのデータは1kmメッシュ • 雨量データはGrib2形式なので変換ツールwgrib2でNetCDFに変換 • 後は同様にGMTを使用してタイル作成
- 32. データセットの作成～教師データ編～ 32 • 教師データは台風10号の岩泉地域の 崩落箇所 • 国土地理院が公開 • GeoJSON形式のみ取得可能 タイル化する必要がある 出典：国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html)，加工して作成
- 33. GEOJSON-VT 33 • GeoJSONからタイルを作成してくれる JavaScriptのライブラリ (https://github.com/mapbox/geojson-vt) 「FOSS4G 2016 Hokkaido Cesiumマニアックス」でも紹介 • 藤村さんのQiitaから発見 • geojson-vtはキャンバスに表示するだけで 画像にはしてくれないので、端末上で JavaScriptを実行するNode.jsを使ってタイ ルを出力
- 34. 作成手順 34 • geojson-vtでGeoJSONを読み込み • タイルを取得 var gvt = require('./geojson-vt/geojson-vt-dev’); fs.readFile(file, 'utf8', function (err, text) { var data = JSON.parse(text); var tileIndex = gvt(data, options); geojson-vtのモジュールを読み込み ・・・ GeoJSONを読み込み 最大ズームレベルなどはoptionsで設定 var tile = tileIndex.getTile(z, x, y); タイル座標を指定するだけで取得可能
- 35. 作成手順 35 • タイルをcanvasに描画 var Canvas = require('canvas’); canvas = new Canvas(256, 256), ctx = canvas.getContext('2d'), ・・・ Node.jsではcanvasモジュールによって canvas要素を扱える canvasへの描画を行なうコンテキスト これと取得したタイル情報を用いてタイルを canvasに描画 geojson-vtのデモを参考にするとわかりやすい
- 36. 作成手順 36 • canvasを画像として出力 var canvas_saver = require('./canvas_saver.js’); canvas_saver.save(canvas, filepath, function(){ console.log("tile save."); }); ・・・ Node.jsでのcanvasの画像保存を行なうモ ジュールのコードが公開されていたので そちらを使わせていただきました 「Node.jsでCanvas(ImageData)を使った簡単な 画像処理」 (http://qiita.com/EafT/items/d5afef6508 1b7fdf60cc)
- 38. 学習して検出してみると・・・ 38 • 結果： 入力 出力 教師 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，標高タイルを加工して作成 国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html)，土砂崩壊・堆積地等分布図を加工して作成
- 39. 原因を考察① 39 • 雨量の解像度がまだ低すぎる？ • GMTのsurfaceを使ってメッシュを補間し解像度を高くする 補間前（メッシュ幅1km） 補間後（メッシュ幅0.25km）
- 40. 原因を考察② 40 • 教師データの崩落箇所の色分けで混乱する？ • 青：土砂崩落・堆積地、赤：道路・建物に影響のある土砂崩壊・堆積地 ⇒雨量による直接的な被害 • 緑：道路損壊⇒雨量による間接的な被害（今回検出するのは難しい？） 青と赤の土砂崩落・堆積地はまとめて同じ色（青）で描画 緑の道路損壊は除外 出典：国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html)，土砂崩壊・堆積地等分布図を加工して作成
- 41. 再度学習して検出してみる 41 • 結果： 最初の真っ白からは大きな進歩 入力 出力 教師 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，標高タイルを加工して作成 国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html)，土砂崩壊・堆積地等分布図を加工して作成
- 42. 精度を上げるためさらに学習を進めると・・・ 42 • 結果：むしろ検出されなくなる • おそらく過学習が原因 • pix2pixではほどほどの学習回数でとどめたほうが良い 入力 出力 教師 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，標高タイルを加工して作成 国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html)，土砂崩壊・堆積地等分布図を加工して作成
- 43. 精度を向上させるには？① 43 • データセット数を増やす • 今回の学習データ数は150程度と非常に少ない • 広域の様々なデータでの学習が必要 • pix2pixに新しい技術を取り入れる • BEGAN、Fisher GANなど pix2pix+BEGAN(https://github.com/taey16/pix2pixBEGAN.pytorch)
- 44. 精度を向上させるには？② 44 • pix2pixではない専門のディープニューラルネットワーク(DNN)で学習する • pix2pixは汎用性は高いが専門のドメインに特化したDNNには劣ってしまう • pix2pixはデータセット数、学習回数が少なくてもそこそこ結果が出せるのが利点 専門のDNNでの大規模な学習をする前に、 pix2pixの小規模な学習で検証を行なう手法 じゃあpix2pixはあまり使えないの？
- 45. 感想 45 • 結果として、なんとなくそれっぽいのは出たが、どういったデータや手法が 寄与したのかはよくわからない • こういった研究はデータの粒度、精度、数が大切 • データの収集や計算資源、マンパワーなどの問題で一社で研究するのは 限界がある 満足なデータがない現状では精度の向上は難しい
- 47. DEEP LEARNINGの今後の展望 47 • Deep Learningは内容がブラックボックス化してしまっているため、どのよう な処理をしているかわからない • AI業界では黒魔術と呼ばれることも • NHK解説アーカイブス 「人工知能と黒魔術」(http://www.nhk.or.jp/kaisetsu- blog/400/273618.html) • ちょっと前にTwitterでトレンドになってました 帰納的に説明ができない黒魔術も 使い方によっては情報の解析に使える可能性がある
- 49. DNNが抽出している特徴を見る 49 • 中間層の出力を可視化 • 災害予測のpix2pixの1層目の出力を可視化 • CS立体図の特徴がよく表れている気がする ⇒予測の精度に寄与しているのでは？ • 専門家がみれば何かわかる特徴が表れ ている・・・かも？ 中間層 入力 出力 教師 出典：国土地理院(http://maps.gsi.go.jp/development/ichiran.html)，標高タイルを加工して作成 国土地理院(http://www.gsi.go.jp/BOUSAI/H28.taihuu10gou.html)，土砂崩壊・堆積地等分布図を加工して作成
Editor's Notes
- CS立体図とディープラーニングによる崩落地形予想についてと題しまして、 ノーザンシステムサービスの小林が発表させていただきます。
- まず自己紹介ですが、名前が小林知愛と申します。 岩手県の盛岡市にあるノーザンシステムサービスという会社に去年入社しまして、今年2年目になります。 研究開発部という部署で主にDeep Learning系の業務を担当させていただいておりまして、学習がうまくいくようにニューラルネットのご機嫌取りをしたり神に祈ったりしつつ仕事をしています。
- 今回の内容ですが、弊社の研究開発部では去年あたりからAI技術の一つであるDeep Learningに力を入れて取り組んでおり、その中で先ほど発表がありましたCS立体図を使った取り組みも行なっておりました。 そこで、まずこれまでのDeepLearningとcs立体図を用いた取り組みを説明し、次に今回行なった災害予測について話させていただきたいと思います。
- ではまずこれまでに弊社が行なってきたCS立体図とDeepLearningを用いた取り組みについて説明します。
- まず、取り組み始めた発端ですが、当時、画像変換を行なうDeepLearning技術であるpix2pixの検証を行なっていました。 このpix2pixは対の画像さえあればなんでも学習可能である特徴を持っています。
- そのような特徴をもつpix2pixは、データ量が豊富で様々なデータの取得が容易であるという利点をもつ地図タイルと非常に相性が良いことから、
- 以下のように様々な地図タイルでpix2pixの検証を行なっていました。
- そんななか、pix2pixに学習させるネタを探しているところに、去年のFOSS4G Advent Calendar でCS立体図を取り上げた記事が公開されているのを発見しました。
- 面白そうだからとりあえず使ってみようということでpix2pixで標高タイルからCS立体図へ変換を行なったところ、このようにほぼ完璧に再現できました。 ここで割りと満足していたのですが、
- 某農研機構のI氏から崩壊地形の抽出という入れ知恵をいただきました。
- じゃあ、崩壊地形って何かデータがあるのかというところで探してみると、地震ハザードステーションで地すべりのデータが公開されておりました。 そこで、このデータを使ってCS立体図からの地滑り検出に取り組み始めました。
- で、とりあえずpix2pixに学習させてみたところ、何か出てはいるけれど場所がだいぶ異なる結果となりました。
- 原因として、微細地形の特徴が必要であり、CS立体図の作成に使用した地理院標高タイルの10mメッシュでは解像度が足りないのではと考え、メッシュの細かいデータをさがしました。 アメリカで公開されているデータもありましたが対応する崩壊地形のデータがないということで、
- 日本国内のデータを探していると、CS立体図を知った先ほどのAdvent Calendar の記事で静岡県CS立体図なるものを発見しました。
- こちらの静岡県CS立体図は静岡県の1mメッシュの標高データから作成したCS立体図を公開しており、使うしかないということで
- 学習させてみたところ、ご覧の通り驚きの白さという結果になりました。 CS立体図と地すべり分布図を見比べると関係なさそうなところにシェープがあるのでもしかしたら参照系がずれてるのかもと思い、 10mメッシュのほうに戻して学習しても精度は向上しませんでした。 ここでCS立体図という地形の情報のみでは情報が不十分ではないかと考えました。
- そこで、地質から崩落のしやすさがわかるのではとこちらの産総研が公開している地質図を入力する情報に加えて学習してみました。
- データセットの範囲は東北から関東までで学習させてみたのですが、いまいち検出されていません。 Pix2pixはデータセットのドメインに特化する傾向があるのでこういった広範囲のデータセットでは拡散してしまうのではと考え、
- 次はデータセットの範囲を秋田付近と狭めて学習してみたところ、見事正解に近い領域の検出ができました。
- このように、地形情報のみでは地すべりの検出ができませんでしたが、地質という情報を入力に加えることで精度を向上させることができました。 このことから適切な情報を追加することで精度の向上が見込めるのではないかという知見をこれまでの取り組みで得ることができました。
- そして、ここまでの経験を踏まえて、今回DeepLearningでの災害予測に取り組みました。
- 近年異常気象による災害が増加傾向にあり、昨年も台風10号により、弊社がある岩手県も含めた様々な地域で想定以上の雨量による大きな被害がありました。
- こういった異常気象による災害の予測は突発的なものが多く、予測が困難であり、結果として従来の防災計画の想定外となってしまい適切な対処ができないという問題が予想されます。 そこでDeepLearningでこのように人間では難しい災害の予測をできないかと考えました。
- CS立体図からの地すべり検出での複数の情報を加えることで精度が向上するという知見から、地形や地質、植生などの土地の情報と雨量を入力として学習することでその土地の限界雨量による崩壊予測ができるのではと今回取り組みを行ないました。
- 今回もpix2pixを使い、雨量などの情報から豪雨による崩落予測を行ないました。 国土地理院が公開している台風10号のデータでは専門家が判別した崩落箇所のデータがあるということで、こちらを教師データに使用しました。
- 実際にデータセットに使用したデータですが、CS立体図と地質図に加えて、森の有無などが限界雨量に影響するのではと考え、災害前の航空写真、また、台風が通った期間の合計雨量を入力データとしました。
- 雨量のデータについては気象庁のデータを基に作成されたNetCDF形式のデータが公開されているので、そのデータから台風が通過した8/28～8/30の合計雨量を計算し、GMTを用いてタイルを作成しました。
- 作成手順についてはざっくりとこちらにまとめてみたので気になる方は後で参照していただければと思います。
- そうやって作成したズームレベル14のタイルがこちらになりますが、ご覧の通りドットどころの話じゃない解像度です。
- さすがに解像度が低すぎるので、より細かいメッシュデータを気象業務支援センターから購入しました。 こちらのデータはGrib2形式だったのでwgrib2という変換ツールでNetCDFに変換し、後は同様の手順でタイルを作成しました。
- そのタイルがこちらになりますが、まあ、さっきよりはまだましかなという感じですね。
- 次に教師データですが、国土地理院が公開している台風10号の岩泉地域の崩落箇所のシェイプデータを使用しました。 このデータですがGeoJSON形式しか見つけられなかったので、こちらをこれまでのデータに合わせてタイル化する必要があります。 今日はベクトルタイルに関する発表が幾つかありましたが、こちらはベクトルからラスタタイルを作成する作業になります。
- そこで使用したのが去年のFOSS4G Cesiumマニアックスで弊社の中洞が紹介したgeojson-vtという、GeoJSONからタイルを作成してくれるJavascriptのライブラリです。 Geojson-vtは作成したタイルをキャンバスへ表示できるのですが画像化まではできないので、端末上でJavascriptを実行するNode.jsを使用してタイルを出力しました。
- 作成手順はざっくりですがこちらにまとめたので気になる方は後で見ていただければと思います。
- そしてタイル化した画像がこちらになります。 描画時に色や塗りつぶしの設定が可能なので、今回はわかりやすいようにシェイプの中を塗りつぶすように設定しました。
- そしてこれらのデータを学習して検出した結果が、こちらになります。 また、驚きの白さですね。
- そこで原因を考察し、データセットの改善を行ないました。 まず、雨量の解像度が低すぎるのではないかということで、GMTのsurfaceを使用してメッシュを補完しこのように解像度を上げました。
- また、教師データの崩落箇所の色分けで混乱しているのではないかと考えました。 このデータでは青と赤が土砂崩壊・堆積地ということで雨量による直接的な被害なのに対し、緑の道路損壊はどちらかというと間接的な被害で今回検出するのは難しいと考え、 緑のデータは除外し、赤と青のデータもまとめて同じ青色で描画することにしました。
- 改善したデータセットで再度学習し検出したところ、左上にそれらしいのがうっすら検出されるようになりました。 うっすらではありますが最初の真っ白な結果からは大きな進歩です。
- ここから精度を上げるために学習を進めたところ、むしろ検出されなくなりました。 おそらく過学習が原因と考えられ、pix2pixだと同様のことがこれまでにもあったので、pix2pixではほどほどの学習回数でとどめるのが良いと思われます。
- ではここから精度を向上させるにはどうすればよいかですが、 まず、今回の学習データは150程度と非常に少なかったので広域の様々なデータを増やして学習する必要があると思われます。 また、BEGANやFsherGANなどの新しい技術も発表されているのでそれらを取り入れることで精度が向上する可能性があります。
- また、そもそもpix2pixではなく専門のDNNを作成して学習する方法もあります。 というのも、pix2pixは汎用性は高いのですが専門のドメインに特化したDNNにはどうしても性能が劣ってしまうためです。 じゃあpix2pixでやる意味なんてないんじゃないかと思うかもしれませんが、pix2pixはデータセット数、学習回数が少なくてもそこそこ結果を出せるという利点があります。 そこで、専門のDNNでの大規模な学習をする前に、pix2pixで小規模な学習を行いデータセットの作成手法が適切であるかなどの検証を行なうといった手法に使えるのではと考えております。
- 今回の災害予測に取り組んでみての感想です。 結果としては贔屓目に見てなんとなーくそれっぽいのが出ましたが、どういったデータや手法が寄与したのかは具体的にはわかりませんでした。 また、こういった研究はデータの粒度や精度、数が大切になってくるため、満足なデータがそろえられない現状ではこれ以上の精度の向上は難しく感じます。 こういったデータの収集や計算資源、マンパワーなどの問題で弊社だけで研究を行なっていくのは限界があります。 そのため、弊社では一緒に研究していただける企業や機関を随時募集しておりますので、興味をもたれましたらお気軽にご連絡していただけたらと思います。 結果としてはあまり精度は良くありませんでしたが、
- 「俺たちのディープラーニングはこれからだ！」ということで、ノーザンシステムサービスの次回作にご期待していただけたらと思います。 なお、完って書いていますがもうちょっとだけ続きます。
- ここからはDeepLearningの今後の展望について述べさせていただきたいと思います。 DeepLearningは内容がブラックボックス化してしまっているため中でどのような処理をしているのかわからないことが欠点であり、この欠点をAI業界では黒魔術と呼ぶこともあるそうです。 このブラックボックス化についてNHKが記事を公開していまして、真面目な内容で面白いんですがタイトルの「人工知能と黒魔術」という厨二病感あふれるパワーワードでちょっとまえにTwitterで話題になっていました。 このようにDeepLearningは帰納的に説明ができない黒魔術ではありますが、この黒魔術も使い方によっては情報の解析ができるのではと考えております。
- まずは与える情報と結果から重要な情報を推測するということです。 上の図のように3つの情報をDNNに入力し適切な結果が得られたのに対して、下の図のように1つの情報を抜いて2つの情報をDNNに入力すると適切な結果が得られなかった場合、 抜いた情報が重要な情報ではないかという推測ができるのではと考えています。
- また、DNNが抽出している特徴を見るという手法もあります。 一般的な手法ではDNNの中間層を可視化して特徴を見てみるというものがあります。 今回の災害予測のpix2pixの1層目の出力を可視化したものが右の図になります。 これを見ることでなんとなく入力されたCS立体図の特徴が表れていることから、CS立体図が予測の精度に寄与しているのではといった仮説を立てることができます。 これだけ見ても素人にはよくわかりませんが、専門家の方であれば何か重要な特徴を見つけることができるかもしれません。
- でも、正直こんなの見ても何がなんだかわからないのが本音です。 もっと人間が見てわかりやすく可視化したいです。
- ということでDNNが何に注目しているのかを顕著性マップとして出力する研究が行なわれています。 例えばこの犬が映った画像について、右の顕著性マップを見ると犬の部分が白くなっており、DNNがちゃんと犬の映っている箇所に注目しているということがわかります。
- そして、この顕著性マップを推測した重要な情報に照らし合わせてみることで、重要な情報の中でも特に注目すべき特徴が検出できる可能性があります。 このようにブラックボックスからの逆アセンブルによって今まで人間が知らなかった特徴を検出できるかもしれません。
- 以上のようにDeepLearningとGISの組み合わせによって、これまでにはなかった新しい視点での情報解析が可能となります。 これは今回のテーマであるReprojectionといえるのではないでしょうか。 そしてこのReprojectionによって今後、GISとDeepLearning双方の分野が発展していくことを期待しております。
- 以上で発表を終わらせていただきます。 ご清聴ありがとうございました。