多段階Multiple-Instance Learningを用いたひび割れ抽出モデル構築のためのアノテーション省力化

抄録

画像上のひび割れを高精度に抽出するためにDeep convolutional neural networkの適用にかかる期待は大きい．しかしながら，高性能なモデルの構築には，膨大なデータの収集と，クラスラベルを付与するアノテーションが必要であり，いかにこれらの作業を効率化するかが課題である．中でも，画素単位でひび割れを抽出する領域分割（セマンティックセグメンテーション）モデルを構築するためには，画素単位でのラベル付けが必要であり，その正確性はモデルの性能にも影響を及ぼす．本論文では，弱教師あり学習の一手法であるMultiple-Instance Learningの枠組みにより，広い領域に対してひび割れの有無を教示したデータを用いて，狭域な領域内でのひび割れの有無を分類するDeep convolutional neural networkモデルを構築する方式を提案する．検証実験により，Multiple-Instance Learningを多段階で適用することにより，ラベルを付与する量を増加させず，高精度で詳細な分類が可能になることを示す．