後編ではニューラルネットワーク（Neural Network、以下「NN」という。） を中心に紹介します。既に広く知られ、深層学習には不可欠なツールではありますが、NNは生物学的な神経回路網を模倣した機械学習の手法です。脳の仕組みを参考に、多層のニューロンで構成され、情報を処理・学習します。この仕組みを理解することで、機械学習の基本原理を把握し、実際の問題に適用できるようになります。

利用するライブラリ

深層学習を学ぶ上で、Kerasは高い柔軟性と使いやすさを兼ね備え、初学者から上級者まで幅広い層に支持されているライブラリです。

パフォーマンスではTensorFlow には劣るものの、ニューラルネットワークの構築や訓練を効率的かつ直感的に行うことができるので、講座ではそこまで大きなデータを扱わない点からも、Kerasを活用しています。

MNISTデータの学習

講座では、手書き数字認識の代表的なデータセットであるMNIST(Mixed Natural Institute of Standards and Technology database)を使用し、NNの学習プロセスを学びます。Kerasを用いたネットワークの構築、トレーニング、評価までの一連の流れを通じて、実践的なスキルを習得します。

畳み込みニューラルネットワーク（CNN）を用いた演習

CNN(Convolutional Neural Network、以下「CNN」という。 ）は、画像処理において特に威力を発揮するアーキテクチャです。講座では、画像の特徴を階層的に抽出するCNNの仕組みを詳しく解説します。畳み込み層やプーリング層などの構成要素を通じて、なぜCNNが画像関連の課題に効果的なのかを理解します。

実際のデータに基づいた演習は、学習の定着において不可欠です。講座ではCNNを用いて、穀物画像データやポケモン画像データを使用した分類問題に取り組みます。

これらのオープンデータはkaggle（https://www.kaggle.com/） から取得可能ですが、現実の課題に対処するスキルを身につけ、実務でも応用可能な深層学習の知識を磨くためのきっかけにもなるでしょう。

画像処理講座を通じて、画像に対する基礎知識からはじまり、CNNの理解、実践的な演習まで、深層学習における幅広いスキルを身につけることができます。

技術の進化が著しい現代において、深層学習の知識はますます重要となります。本講座がその一助となるよう、社員のフィードバックを反映しつつ、社内教育の充実にもつなげたいと思います。

今回は簡単ではありますが、ChatGPTの活用事例としてLangChainによるRAGの実装方法についてご紹介しました。当社では最先端技術の研究・調査を行っており、最新の調査結果を随時公開していきます。

関連記事

・画像処理の基礎【前編】

関連分析技術

・畳み込みニューラルネットワーク

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測モデル・AIモデルの提供を行っています。

・商品の画像分類モデル構築
・画像生成
・商品レコメンドモデル構築
もっと見る　

The post 画像処理の基礎【後編】 first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.

画像処理について

まず初めに、画像処理の概要について説明します。画像は通常、ピクセルと呼ばれる小さなドットの集まりで構成された行列として表現されます。
この行列はNumPy配列としても知られ、深層学習においても頻繁に使用されます。各ピクセルには色や明るさなどの情報が含まれ、カラー画像であればR(赤)、G(緑)、B(青)の3つの値で表現されますし、白黒画像であれば色の濃淡を表す1つの値のみを用います。
これらを適切に処理することで様々な情報を抽出できます。

画像処理の基本的な手法

画像処理にはさまざまな基本的な手法が存在します。例えば、グレースケールは画像を白黒に変換する手法であり、2値化は画像を二値（完全な白と黒）に変換します。
大津の方法を用いた2値化は、画像全体のヒストグラムを解析して最適な閾値を自動的に決定します。HSV変換は、色相（Hue）、彩度（Saturation）、明度（Value）の3つの要素に画像を変換し、RGB形式よりもカラーレベルの変更が容易になります。
目的によっては、画像の色数を減らして単純化する減色処理がありますし、画像のコントラストを調整してより鮮明な画像を得るためのヒストグラム均一化という手法もあります。モルフォロジー演算は画像の形状や構造を変更するための操作であり、膨張や収縮などが含まれます。

画像処理の演習

こうした基本的な手法を理解するためには、やはり演習が重要です。実際に手を動かして画像処理を行うことで、理論だけでは得られない実践的な知識を得ることができます。演習では、上記で紹介した手法を用いて、与えられた画像に対して処理を行い、その効果を確認することが期待されます。一例ですが、以下のような手法について理解し、実際の画像の変化について確認することができます。

・ヒストグラム均一化：画像のコントラストを向上させ、より自然な視覚効果を生む手法です。暗い領域と明るい領域の差を縮小させ、画像全体の情報をより均等に分布させます。

・モルフォロジー演算：画像の形状を変更するための操作で、膨張や収縮などがあります。物体の境界を強調するのに有用です。

・画像の畳み込み：畳み込みニューラルネットワーク（CNN）で広く使用される手法で、画像フィルターを用いて画像の特徴を抽出します。

・エッジ検出：画像中の物体のエッジを検出する手法で、明るい部分と暗い部分の境界となるエッジの強調や検出を行います。Sobelフィルタ、ラプラシアンフィルタ、Canny法などの手法があります。

これらの手法を理解し、実践することで、深層学習における画像処理の基礎について学びます。このような知識は、機械学習モデルの開発や画像認識の分野で重要な役割を果たします。深層学習教育においては、理論と実践を組み合わせたアプローチが成功への近道となります。

次回

今回は画像処理の概要についてお伝えしました。次回はニューラルネットワークについてお伝えします。

今回は簡単ではありますが、ChatGPTの活用事例としてLangChainによるRAGの実装方法についてご紹介しました。当社では最先端技術の研究・調査を行っており、最新の調査結果を随時公開していきます。

関連記事

・画像処理の基礎【後編】

関連分析技術

・畳み込みニューラルネットワーク

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測モデル・AIモデルの提供を行っています。

・商品の画像分類モデル構築
・画像生成
・商品レコメンドモデル構築
もっと見る　

The post 画像処理の基礎【前編】 first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.