富士通、教師データ数を削減できる深層学習技術を開発
- 2017年02月21日 16:40:00
- テクノロジー
- JCN Newswire
本技術により、中国図書館などに大量に保管されている古文書文字の電子化を促進し、中国古文書の公共利用と歴史研究などの学術の発展に貢献することができます。
本技術の詳細は、1月31日(火曜日)に米国サンフランシスコで開催された国際会議「IS&T International Electronic Imaging Symposium 2017」にて発表しました。
開発の背景
中国には5000万冊以上の古文書が所蔵され、次世代への伝承や研究への活用が期待されています。しかし、これらの文化遺産は、時間の経過や閲覧などにより劣化や破損が進んでいます。
古文書を保管している各図書館において、古文書を電子画像として保存する作業が進められていますが、保全目的だけでなく、古文書のデータをICT技術で利活用していくためには、電子画像中の文字をテキストデータ化する必要があります。現在、この作業はごく一部の古文書について専門家が手作業で行っており、すべての古文書を電子化するためには多大な時間とコストが必要となっています。
課題
深層学習技術による文字認識では、あらかじめ、文字画像と正解とする文字を正しく紐づけた教師データを用いて認識エンジンに学習させます。このとき教師データの数が多いほど認識精度が高くなりますが、古文書文字への適用では十分な数の教師データを用意することに課題がありました。
これに対し、アルファベットなど文字の種類が少ない場合に、同じ文字をまとめた教師データを用いて特徴を学習させることで、少ない学習データで認識精度を高める手法が提案されていますが、多様な書体があり同じ文字でも異なる字形が多数存在する中国古文書には、適用することが困難でした。
開発した技術
今回、中国古文書の文字認識において、教師データが少ない場合でも、高精度な認識が可能となる技術を開発しました。開発した技術の特徴は以下の通りです。
1.限られた数の教師データに加え、教師データとして利用されていなかった文字画像データの活用
学習に利用できるデータを増やすため、これまで、正解の文字と対応づけられておらず教師データとして利用されていなかった大量の文字画像データを、学習
に活用します。図1のように認識エンジンXを利用して、文字画像データに仮の文字ラベルを付与し学習に利用できるようにします。この段階では、認識エンジンXは十分に学習できていないので、正解ではない仮の文字ラベルが付与された画像データが含まれます。
2.同じ文字ラベルを持つ文字画像の特徴パターンと、異なる文字ラベルを持つ文字画像の特徴パターンを比較し、その比較情報を元に認識エンジンを学習
仮の文字ラベルが付与された文字画像からランダムに二つの文字のペアを生成し、認識エンジンXの学習結果を反映させた、同じ構造の二つの認識エンジンY、Zに入力します。このとき、二つの文字が同じ文字か異なる文字かについての結果だけを基に認識エンジンXを学習させます。この手順を繰り返すことで、認識エンジンXの学習が進むに従い、正解ではない仮の文字ラベルの数は減少し、認識精度が向上していきます。十分に学習させた認識エンジンXで認識を実行することで、少ない数の教師データでも、高い認識精度を実現することができます。
効果
本技術を中国古文書文字認識用のデータとして公開されている1000枚の中国敦煌古籍文献画像(注2)を用いたベンチマークに適用しました。その結果、本技術適用前の、教師データのみを用いて学習する従来技術で得られる81%と同じ精度を、一文字当たり約70%少ない教師データ数で達成できました。また、本ベンチマークにおいて、一文字当たり50個の同じ数の教師データを用いて学習させた場合に、これまで報告されている82%に対して、本技術では88%の認識率を達成しました。
今後
FRDCは本技術を、中国各地の図書館や、古文書画像と検索などの利用ができる電子化テキストが一体に保って保管されている古文書データベース向けに、中国古文書電子化ソリューションとして展開していきます。本技術は日本語や韓国語など、認識すべき文字の種類が多い用途に対しても認識精度を高めるのに有効です。また、2018年度に当社のAI技術「Human Centric AI Zinrai(ジンライ)」への活用を目指し、限られた教師データで効果的に深層学習エンジンを学習させる仕組みを、例えば、多数の画像データを認識して分類するような、植物の識別など認識すべき対象が多い用途に適用していきます。
(本資料は、富士通研究開発中心有限公司が発行したプレスリリースの抄訳です。)
本リリースの詳細は下記URLをご参照ください。
http://pr.fujitsu.com/jp/news/2017/02/21.html
注釈
注1 富士通研究開発中心有限公司:本社 北京市、董事長 佐々木繁。
注2 中国敦煌古籍文献画像:中国国立図書館が公共・学術利用を目的にインターネット上で公開している古文書の画像と電子化テキストのセット。アクセス制限がなく幅広く利用できることから、古文書文字認識技術の認識精度ベンチマークで良く利用されている。
概要:富士通株式会社
詳細は http://jp.fujitsu.com/ をご覧ください。
Copyright 2017 JCN Newswire. All rights reserved. www.jcnnewswire.com
小倉優子、不自然な“二重ライン”にネット騒然「やっぱり整形?」
大分妻子殺害の被告、身勝手な動機 遺族は傍聴席の柵越え憤慨
植村あかり4冊目の写真集発売「夢のような1冊」6月の卒コンへ「曲数は“23”にしたい」
東京・品川の住宅で母子4人死亡、首や胸に刃物の傷 父は煙吸い込む
【ヤクルト】今季ワースト5連敗 高津監督バッサリ「解説しようがない」高橋奎二5回途中4失点
【阪神】大山悠輔2戦連続V打点もその後好機に凡退反省「追加点取れるチャンスいっぱいあった」
【阪神】岡田監督「やられるパターンやけどな」1万試合目「岡田の野球」で貯金今季最多の7に
【阪神】森下翔太「見ながら追えた」大飛球フェンスギリギリ好捕「大山さんにつなぐ意識」で犠飛
本田圭佑がFIFA総会で「アーセン」と指導者ライセンスを語り合う「賛同してくれていたと思う」
自称「カトパン」似の100キロ女芸人、ブラトップ姿でダンス「躍動する脂肪、頼りない足首」
何があった!?「エアコン」が想定外の壊れ具合!投稿者に話を聞いた
TikTokを賑わす「フエラムネごめんなサイダー味」がセブンイレブンで再販!じゅるるマスカットも買うなら今!
小倉優子、不自然な“二重ライン”にネット騒然「やっぱり整形?」
ユーチューバーもこう氏、元彼女・成海瑠奈について赤裸々告白
元めちゃイケメンバーの三中元克(32)現在は何をしているのか調べてみた!
玉置浩二の妻、青田典子(53)の現在がとんでもない事になっていると話題に
吉住、なぜかR-1グランプリの大爆笑ネタが炎上させられてしまう事態に
藤田ニコル「初めてした日」ゆうちゃみ「体位とかも全部」親に明かしたギャル的「性事情」に騒然
ガーシーが綾野剛のLINE公開でネット騒然「ショック」「すごいエンタメ」
俳優の中尾彬さんが死去、81歳 幅広く活躍 トレードマークは「ねじねじ」 妻は池波志乃
何があった!?「エアコン」が想定外の壊れ具合!投稿者に話を聞いた
岡本夏生(56)、1600日ぶりにブログを更新した現在が衝撃
玉置浩二の妻、青田典子(53)の現在がとんでもない事になっていると話題に
ユーチューバーもこう氏、元彼女・成海瑠奈について赤裸々告白
元めちゃイケメンバーの三中元克(32)現在は何をしているのか調べてみた!
TikTokを賑わす「フエラムネごめんなサイダー味」がセブンイレブンで再販!じゅるるマスカットも買うなら今!
ヒカル、浮気相手とのLINE流出にドン引きの声「キモすぎる」「吐きそう」
ガーシー、またも綾野剛の暴露写真でネット歓喜「この写真見て笑っちゃう」
完全にダマされた! 『ラヴィット!』あのちゃん“事故レベル”大暴走は『水ダウ』遠隔操作のしわざだった ネットも納得
小倉優子、不自然な“二重ライン”にネット騒然「やっぱり整形?」
大分妻子殺害の被告、身勝手な動機 遺族は傍聴席の柵越え憤慨
植村あかり4冊目の写真集発売「夢のような1冊」6月の卒コンへ「曲数は“23”にしたい」
【ヤクルト】今季ワースト5連敗 高津監督バッサリ「解説しようがない」高橋奎二5回途中4失点
東京・品川の住宅で母子4人死亡、首や胸に刃物の傷 父は煙吸い込む
【阪神】大山悠輔2戦連続V打点もその後好機に凡退反省「追加点取れるチャンスいっぱいあった」
【阪神】岡田監督「やられるパターンやけどな」1万試合目「岡田の野球」で貯金今季最多の7に
【阪神】森下翔太「見ながら追えた」大飛球フェンスギリギリ好捕「大山さんにつなぐ意識」で犠飛
本田圭佑がFIFA総会で「アーセン」と指導者ライセンスを語り合う「賛同してくれていたと思う」
自称「カトパン」似の100キロ女芸人、ブラトップ姿でダンス「躍動する脂肪、頼りない足首」
父は元広島投手、19歳美女タレントが始球式登板に感謝 九里亜蓮とのツーショットも公開