北原 格 教授

計算情報学研究部門 計算メディア分野

北原教授は、我々人間と同等の視覚機能をコンピュータで実現することを目的としたコンピュータビジョン（Computer Vison）^注1)の研究者です。研究成果を使って、内視鏡で撮影した医療画像をもとに手術のナビゲーションを行なったり、観光客の記念撮影写真から世界遺産などの保全状態を把握したりと、様々な場面で人間活動をサポートする応用研究も進めています。

（2020.8.21 公開）

知識・経験に基づく画像判定で意味のある情報を引き出す

北原教授は、コンピュータビジョンを用いて現実世界の様々な課題に挑戦しています。ここでは、災害現場での活用例について紹介します。

近年の災害現場では、被災状況調査に加え、その場にいる人がスマホで撮影した映像やドローンによる空撮映像など、現場の状況を伝える画像をたくさん得ることが可能となってきました。しかし、何万枚という写真を並べられても、一度に見きれるものではありません。一方、災害現場が3次元的に再現され、被災箇所やその程度がラベルされていたら、救助などにすぐ役立てることができます（図１）。 

たくさんの現場写真からこのような被災地マップを作るには、難しいポイントが二つあります。

一つは、カメラが動きまわりながら、変動する被写体を撮影している点です。固定カメラで静止した被写体を撮る場合とは違い、カメラも被写体も動く場合、画像上のある点が他のカメラから撮影したどの点に対応するのかを解析的に調べて統合する方法では、３次元形状を正確に構築することができません。

もう一つは、画像を観察する人にとって意味のある情報を推定して提示することが求められる点です。先程の例なら、被災地マップに「全壊」「無傷」のようなラベルをつける必要があります。

この二つのポイントを解決するために、北原教授は人工知能処理の一つである深層学習（Deep Learning）^注2)によって画像から必要な情報を効率的に獲得する研究を進めています。人間が一枚の写真から奥行きや位置関係、状況などを把握できるように、コンピュータにも知識・経験に基づいて画像を判定してもらおうというものです。

人間の知識も、スパコンも活用

コンピュータによる判定を実現するためには、正解・不正解が分かっているデータ（教師データ）を用いて“学習”する必要があります。北原教授の参加する研究プロジェクト『CRESTサイボーグクラウド』では、教師データを作るためにクラウドソーシング ^注3)でたくさんの人に画像判定をしてもらう試みを導入しました。これにより、効率的に多くの「人間の知識・経験に基づく教師データ」を集めることが可能になりました（図２）。

こうして集めた教師データをもとに、無数の場合わけのパターンに対する適切な判定を学習し、「このデータの場合はこの判定」という識別パターンのセットを作ります。この識別パターンを参照することで、入力データ（画像）に含まれる色や明るさの情報を変換した数字（数値情報）から３次元形状復元や状況判定を高速かつ正確に計算できるようになります。

識別パターンの作成には膨大な計算が必要なため、計算科学研究センターのスーパーコンピュータ（以下、スパコン）Cygnusも活用しています。このCygnusは、メモリ容量が大きく並列処理が得意なため、画像処理の研究にも高いパフォーマンスを発揮するスパコンです。

画像処理に強いCygnusが加わったことで、より多様で大量のデータを高速かつ高精度に検証することが可能になりました。

【用語】
1) コンピュータビジョン（Computer Vision）：人間が有する高度な視覚機能をコンピュータ上で実現することを目的とした研究分野。 “ロボットの目”の実現を目指していることからロボットビジョンやマシンビジョンと呼ばれることもある。
2) 深層学習（Deep Learning）：生物の神経回路を模した人工ニューラルネットワークを多層（入力層＋２つ以上の中間層＋出力層）に結合し、学習能力を高めた機械学習の手法の一つ。
3) クラウドソーシング： crowd（群集）+ sourcing（業務委託）= crowdsourcing という造語。インターネットを通じて不特定多数のユーザが手分けして作業した成果を持ち寄ることで、大きなプロジェクトを進めることが可能。

さらに詳しく知りたい人へ

• 北原研究室　研究紹介ページ　(2021.12.15 リンク更新）
  （防災研究のほか、手術ナビゲーション技術、自由視点映像による児童発達支援などの研究紹介動画を見ることができます）

塩川 浩昭 准教授

計算情報学研究部門 データ基盤分野

膨大な量のデータを扱うビッグデータ解析では、解析にかかる時間がネックになります。塩川准教授は、限られた計算資源でビッグデータ解析を実現するための研究を進めています。

（2020.6.8 公開）

「普通のPCでビッグデータ解析」への挑戦

大量のデータ（ビッグデータ）から有用な情報を引き出す技術。それが、ビッグデータ解析です。例えば、大量のSNS上の情報からユーザーが欲しいと感じているサービスを把握したり、無数の実験や観測のデータから共通の法則を見出したりと、ビジネスでも学術研究の場面でも、ビッグデータ解析は広く活用されています。あなたのスマホ画面に興味のある広告が表示されたら、それもビッグデータ解析の結果かもしれません。

こうしたビッグデータ解析では、より大量のデータを扱うことが重要です。しかし、データ量が増えるということは、解析にかかる計算の量が増えるということであり、計算にかかる時間が増えることにつながります。「知りたいのは明日の天気なのに、予報のための計算に一週間かかる」というのでは困りますよね。

この課題の解決には、より賢く計算することで計算の高速化を進めることが必要です。

また、計算の高速化だけでなく省メモリ化もできれば、スーパーコンピュータ（スパコン）のような高性能の計算機がなくても、ビッグデータ解析が可能になります。

塩川准教授の研究では、普通のパソコンのような限られた計算資源で、大規模なデータ解析ができるようにするための賢い計算方法（アルゴリズム）の開発を行っています。

データ内のモチーフのくり返しに着目

ビッグデータ解析の中でも、複数の点と点をつないだネットワークを分析して、関連の強いものをグループ化していくことを、グラフデータ分析といいます。

グラフデータ分析のアルゴリズムを賢くするために、塩川准教授の研究では、“データの中に同じモチーフ（基調構造）が繰り返し現れ、その出現頻度には偏りがある”という現象（Data Skewness）に着目しました。実際のデータは、一見複雑なネットワーク構造に見えても、triangle、tree、path、などの特定のモチーフが繰り返し現れています（図１）。これまでの方法では、こうした繰り返し部分も全て計算していましたが、同じ構造に同じ計算を繰り返していては時間がかかります。そこで、繰り返し構造が出てきたら一つの塊とみなして中まで細かく計算しない、というように余計な計算を減らし、本当に計算しなくてはいけないところに絞ったアルゴリズムを作ることで、精度を落とさずに計算を高速化することに成功しました。

新しく開発した方法では、デスクトップパソコンで30億件のTwitterデータを6.7秒で解析することに成功し、これまでの方法より約1,000倍の高速化を実現しました。計算が速くなったことで、これまでデスクトップパソコンでは計算できなかったようなデータ量を計算することも可能になりました。

ビッグデータ解析のアルゴリズムが高性能になることで、産業・医療・学術などさまざまな場面で、従来スパコンが必要だったような計算を誰もができるようになります。

例えば、たくさんのタンパク質を点、その相互作用を線とみなしたタンパク質相互作用ネットワークを分析することで、高効率に性質の似たタンパク質の探索ができるようになります。それによって、薬の候補や病気の原因となるタンパク質の探索が進み、創薬などの場面で活用されることが期待されます。こうした分析をより高効率にするために、塩川准教授の研究が役立てられています。

さらに詳しく知りたい人へ

• ACT-I成果発表会　（第２部に塩川先生の講演映像とポスターがあります）
• 基調構造を利用したグラフクラスタリングの高速化（和文論文）