化学品の市場調査、研究開発の支援、マーケット情報の出版

~ PSNR(リファレンス型)から最新の畳み込みニューラルネットワーク法(ノンリファレンス型)まで ~
 
☆☆☆ Web配信セミナー ☆☆☆
☆☆☆ 本セミナーは、Zoom/ウェビナーを使用して、行います。☆☆☆

トリケップスセミナー

 開催日時:2022年2月1日(火)10:00~16:30
 参 加 費:お1人様受講の場合 51,700円(税込/1名)
     1口(1社3名まで受講可能)でお申し込みの場合 62,700円(税込/1口)

 ★ 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング(http://zoom.us/test)にアクセスできることをご確認下さい。

 ★ インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。

 ★ 受講中の録音・撮影等は固くお断りいたします。

講 師

島村 徹也(しまむらてつや)氏  
埼玉大学大学院 理工学研究科 教授(工学博士)

<経歴>
 1986年 慶應義塾大学 理工学部 卒業。
 1991年 慶應義塾大学大学院 理工学研究科 博士課程修了、工学博士。
 1991年 埼玉大学 工学部 情報工学科 助手。
 1995年 ラフバラ大学(イギリス) 客員研究員。
 1996年 ベルファーストクイーンズ大学(イギリス) 客員研究員
 1998年 埼玉大学 助教授。
 2007年 埼玉大学 教授。

<学会、等>
 IEEE, アメリカ音響学会、日本音響学会、電子情報通信学会、信号処理学会、電気学会 会員。現在、信号処理学会編集長。

<専 門>
 ディジタル信号処理とその音声、画像、通信への応用など。論文・著書多数。これまで20社を超える企業との共同研究を実施するなど、産学連携に力を入れている。2019年より「AI時代の画像処理技術研究会(埼玉大学産学官連携協議会)」の代表を務め、年に複数回の研究発表会を主導している。

セミナーの概要

 今、産業界で、画像の品質を高精度に計測する方法が求められております。これまでの、多くの人に評価値を求め、それらを集計していく主観的評価方法から、コンピュータに自動的に評価値を算出してもらう客観的評価法へとシフトして行っています。しかしながら、特に国内では、客観的評価方法の中のPSNRなどのごく限られた評価方法しか用いられていないことがよくありますが、現在では様々な方法が存在してします。本セミナーでは、その基礎から最先端の方法までを丁寧に解説し、どのような利用の仕方があるのかをご紹介致します。
 画像品質評価を行うためのデータベースがいくつか存在します。そこには、それぞれの画質においての主観評価値が付けられますが、その方法をまず解説します。講師の研究室で取り組んでいるデータベース構築についても言及する予定です。
 画像品質の客観的評価方法は、元画像を利用するスタイルによって、リファレンス型、低減リファレンス型、ノンリファレンス型に区分できます。それぞれに特徴があり、それらを解説していきます。また、1枚の画像のみが与えられたときに、1000人分の主観評価値とほぼ同じ値を算出する、ノンリファレンス型の畳み込みニューラルネットワーク法を講師の研究室で開発したのですが、その内容をご紹介致します。デモもお見せする予定です。このような方法を用いると、大量の画像の中から、高品質な画像のみを自動抽出したり、画像の品質の順位付けを自動に行ったりすることができるようになります。また、動画への利用についても言及する予定です。
 画像処理手法の開発などにも出力画像の評価が必要です。場合によると、特定の劣化パターンに対応する評価が必要かもしれません。OCRとの兼ね合いも最近重要視されています。比較的軽視されがちな画像の品質評価について、その重要性と将来性をお伝えできればと考えております。

講義項目

 1 はじめに
  1.1 最近の画像処理技術の動向
  1.2 画像品質評価の位置付け
  
 2 画像の品質評価
  2.1 主観評価
  2.2 客観的評価
  
 3 客観的評価方法
  3.1 フルリファレンス型
  3.2 低減リファレンス型
  3.3 ノンリファレンス型
  
 4 画像データベース
  4.1 代表的な画像データベース
  4.2 劣化の種類と程度
  4.3 主観値の付与
  
 5 フルリファレンス型
  5.1 PSNR(Peak Signal to Noise Ratio)
  5.2 SSIM(Structural Similarity)
  5.3 FSIM(Feature Similarity)
  5.4 組み合わせ法
  5.5 その他
  
 6 低減リファレンス法
  
 7 ノンリファレンス型

  7.1 畳み込みニューラルネットワーク法(CNN)
  7.2 最近の方法
  
 8 応用例
  8.1 高品質な画像のみを自動選択
  8.2 画像品質の自動順位付け
  8.3 フェイク画像の発見
  8.4 車載などの動画へ利用
  8.5 その他各種
  
 9 今後の発展