物流倉庫内の未知物品に対する認識性能を向上する多様性スコアに基づいたFew-shot学習

抄録

物流倉庫では，EC市場の拡大や労働人口減少に対応するため，深層学習をピッキングロボットに導入した作業の自動化が期待されている．ピッキング能力を向上させるには，多種多様な物品の高性能な認識が重要である．しかし，深層学習モデルは未知物品の認識にて誤認識がおこり，大量の学習データを用いた追加学習なしでは認識性能が高まらない．学習データ量を減らすためにFew-shot学習が注目されているが，物流倉庫で保管されている複雑な形状の物品や，物品が部分的に他の物品に隠れている場合の認識性能が低い．そこで本稿は，これらの問題を解決するためのfew-shot学習のフレームワークを提案する．未知画像の多様性スコアを計算し，物品ごとに適切な画像数を決定することで，認識性能の低い画像から学習することを可能とする．さらに，追加学習前にデータ拡張手法を新たに組み合わせることで，既存の教師あり学習モデルであっても認識性能を向上させられることを示す．6種類の未知物品での検証結果，1物品あたり5枚の画像で追加学習を行い，認識性能76.1%（mAP@0.75）を達成し，先行研究と比較して32ポイントの性能向上を達成した．