畳み込みニューラルネットワークは画像の分類タスクにおいて高い認識率を実現した。これを３次元空間データに応用し物体の認識に応用してみた。

1. ROS,GAZEBOとCHAINER
を用いた畳込みニューラル
ネットワークによる３次元
形状の学習
ROS Japan UG #19 機械学習・AI勉強会

2. 自己紹介 金田浩明（かねだひろあき）
➤ 株式会社ブリリアントサービス勤務
➤ ソフトウェアエンジニア
➤ Android技術者
➤ 移動型ロボット、ROS、センサー
➤ https://www.facebook.com/hiroaki.kaneda

3. ROS入門記事なども書いてます
➤ 詳しい内容は
http://bril-tech.blogspot.jp

4. 3次元畳み込みニューラルネットワーク

5. 3次元畳み込みニューラルネットワーク
➤ 入力データの前処理(PCL)
➤ PointCloud
➤ 32 x 32 x 32の3次元格子空間voxcelに分割
➤ 各voxcelの占有率を求め閾値により1または0を決定
➤ 正規化したデータは3次元畳み込みニューラルネットワークへ
の入力

6. 3次元畳み込みニューラルネットワーク
➤ 入力層
➤ S×S×Sのvoxcelの固定サイズ配列を受け入れ。S = 32
➤ 畳み込み層C1
➤ チャネル数Nは1となりますので、SxSxSxN。LxLxLxN'の3次元フィルタで畳み込む
➤ N'個の特徴マップを作成、ReLU活性化関数使用
➤ プーリング層P1
➤ 最大プーリング（ダウンサンプリング）
➤ 畳み込み層C2
➤ 再び3次元フィルタで畳み込みN’'個の特徴マップを作成します。
➤ プーリング層P2
➤ 畳み込み層C2の出力に対し同様にプーリングを行います。
➤ 全結合層
➤ 隣接層間のノードすべてを結合した層を2層配置
➤ 最終層は通常のニューラルネットと同様の設計（クラス分類）

7. 3次元畳み込みニューラルネットワーク
➤ ネットワーク構成 重みの可視化
畳み込み層C1で学習されたフィルタwを可視化。

8. データセット作成
➤ 実データ収集は難しい
➤ 実用的な認識率を出すには大量のデータセットが必要
➤ ロボットシミュレータgazebo
➤ Gazebo内で仮想ToFセンサーを搭載した仮想ロボットを稼働
させ、ToFセンサーデータを集める

9. データセット作成
➤ ロボットシミュレータgazebo

10. データセット作成

11. データセット作成

12. 学習結果
➤ 人、テーブル、バイク、自転車、ポスト、犬、パイロンとい
った１０クラスを分類

13. 利用

14. VOXCEL CHAIN
➤ https://github.com/hiroaki-kaneda/voxcelchain

15. ご静聴ありがとうございました