文献

J-GLOBAL ID：202202227717116285   整理番号：22A2080279

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

Visualization of Decisions of CNN Models Trained on Map Images Labeled Based on Traffic Accident Data

著者 (4件)： 荒瀬快斗 (岡山大 大学院自然科学研究科) ,  WU Zhijian (岡山大 大学院自然科学研究科) ,  右田剛史 (岡山大 大学院自然科学研究科) ,  高橋規一 (岡山大 大学院自然科学研究科)
資料名： 電子情報通信学会技術研究報告(Web)  (IEICE Technical Report (Web))
巻： 122  号： 65(NLP2022 1-25)  ページ： 46-51 (WEB ONLY)  発行年： 2022年06月02日 
JST資料番号： U2030A  ISSN： 2432-6380  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 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.(著者抄録)

シソーラス用語： 地図 ,  *交通事故 ,  ニューラルネットワーク ,  *機械学習 ,  *危険区域 ,  可視化 ,  データ ,  判定基準 ,  世界 ,  プロジェクト ,  地図作成 ,  特徴抽出 ,  交通データ ,  *深層学習
準シソーラス用語： CNN ,  OpenStreetMap ,  世界地図 ,  判断基準

分類 (2件)： 自動車事故,交通安全  (TB01050G) ,  人工知能  (JE08000Z)

引用文献 (9件)：

• 中央交通安全対策会議, 第11次交通安全基本計画, 2021.
• 呉志堅, 右田剛史, 高橋規一, “交通事故危険箇所予測のための地図画像の深層学習,”2021年度(第72回)電気・情報関連学会中国支部連合大会講演論文集, 2 pages, 2021.
• K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv:1409.1556, 2014.
• R. R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh and D. Batra, “Grad-CAM: Visual explanations from deep networks via gradient-based localization,” Proceedings of the IEEE International Conference on Computer Vision, pp.618-626, 2017.
• H. Panwar, P. K. Gupta, M. K. Siddiqui, R. Morales-Menendes, P. Bhardwaj and V. Singh, “A deep learning and grad-CAM based color visualization approach for fast detection of COVID-19 cases using chest X-ray and CT-Scan images,” Chaos, Solitons and Fractals, vol.140, 110190, 12 pages, 2020.

タイトルに関連する用語 (6件)： 交通事故 ,  地図画像 ,  学習 ,  CNN ,  根拠 ,  可視化