@article{oai:rekihaku.repo.nii.ac.jp:00002560,
 author = {濱上, 知樹 and Hamagami, Tomoki},
 journal = {国立歴史民俗博物館研究報告, Bulletin of the National Museum of Japanese History},
 month = {Mar},
 note = {application/pdf, 近年，高度な画像分類を用いた様々なアプリケーションが開発され，その学習精度の向上が期待されている。分類精度向上のために画像特徴の抽出法や分類器の学習等の改善[6]がなされてきた。特に画像特徴の抽出と分類において高い精度が得られている手法として深層学習[1][2][3]が注目されている。
画像に対する深層学習においては畳み込みニューラルネットワークが広く用いられ，分類カテゴリのラベルを有する教師あり画像を大量に用いて学習するのが一般的である。しかし，教師あり画像のサンプル数が十分でない場合，画像空間全体の学習が不完全となり，未知の画像の分類に失敗する。画像に対して分類カテゴリのラベルを付与することは非常に労力を要するため，教師あり画像の数は教師なし画像と比べて非常に少ない。さらに，ラベル付与に専門家の知識が必要な医療や人文系のデータでは，十分な数の教師ありデータが揃わず，大規模な学習は困難である。そのため，少数の教師あり画像から画像分類を高い精度で行える手法が求められている。
そこで本研究では，少数の教師あり画像の近傍空間を用いた学習方法を提案する。提案手法では，分類カテゴリに属する代表画像をもとに，一般画像空間中における近傍サンプルを収集し，これを用いて近傍空間の学習を行う。この方法を用いることにより，少数の教師あり画像から学習に必要なクラスタを構成し，クラスタの特徴を抽出することで分類を可能にする。提案手法の有効性を確認するため，ラベルが付与された画像が少ない事例として小袖屛風画像におけるモチーフの分類を行い，従来手法では困難であった分類が可能となったことを示す。, With the development of advanced image classification applications, the improvement of learning accuracy is more required. Recently, the feature extraction and learning methods for improving classification accuracy are progressing. In especially, deep learning approaches attract significant attention.
The CNN (convolutional neural network) is widely used in deep learning for image data. When learning, it needs to use a massive number of image data with labels as a supervisor. However, if the number of labeled data is not sufficient, it fails to classify unknown data because it cannot cover the whole space of data. Especially the labeling works which require specialist skill takes high cost; it cannot expect to prepare an enough dataset. To overcome the limitation, a high-precision classification method from the small dataset is required.
This study proposes a new learning method with small labeled data and its neighbor space. This method collects the neighbor samples with representative data in labeled data and learn its neighbor space as a cluster. The experiment results show the technique enables to learn sparse space as a cluster space effectively and can allow classification of the motif of Kosode byobu image.},
 pages = {77--102},
 title = {屛風画像のスパース性緩和のための類似画像を用いた近傍学習},
 volume = {220},
 year = {2020},
 yomi = {ハマガミ, トモキ}
}