AIモデルの「見落とし」に着目
高精度な物体検出で多現場展開を加速

既存環境で学習させた画像認識AIを他の環境で展開しようとした場合、見え方の違いにより認識精度が低下するという課題がありました。例えば、カメラの特性や撮影場所の違い、撮影時の天候や時間帯の変化などの要因により、新しい環境ではAIモデルが上手く認識できなくなることが起こります。従来は環境ごとに大量のデータを収集して新たに正解データであるラベル付けをせざるを得ず、データ構築に要する工数とコストの増加が事業への展開を阻んでいました。

そこで認識精度を担保したうえで、データ構築コストを低減できる能動ドメイン適応という新手法に着目。当時まだ学術界でも前例がない研究テーマであったことから、AIモデル開発に向けて一から仮説、検証を繰り返し、安定したプロセスを構築する必要がありました。

中村さん： 新しい環境ごとの収集データから、わずか5％のラベル付けだけで全データをラベル付けした場合と同等精度の物体検出を実現しました。これまで課題となっていた天候や時間帯の変化などによる見え方の差に依存せず、さまざまな環境に展開可能な汎用性の高い画像認識AIと言えます。

中村さん： 始まりは2022年の秋です。本格的にAI技術研究を始めたのは2021年からで、1日でも早く技術を高めようと、石井さんがチームリーダーを務める研究グループREAL-AI*に参画しました。REAL-AIでの活動に触発され、数年のうちに必ずトップレベルの国際学会で論文採択を果たすという目標を設定していました。入社以来長らくエンジニア畑だった私が、国内研究会、次に採択難易度の高い国際学会と階段を上るように一段ずつ着実にステップアップをできたのは、時に厳しく時に背中を押してくれた石井さんのおかげです。

*REAL-AI：先端技術の素早い事業展開と価値創出を行うトップ人材を育成して、パナソニックグループの先端AI研究開発を牽引するべく、グループ横断で組織された社内研究グループ。若手からエキスパートまで多くのメンバーがトップカンファレンスへ挑戦し、これまで多数の研究が採択されている。

物体検出向け能動ドメイン適応の枠組みは固まりつつあったものの、肝になるのはデータの選定方法の改善にあると考え、地道に筋道を立てて分析を行いました。現状の手法は、学習に有効なデータを効果的に選定できていないため、AIモデルによる疑似ラベルの推定精度が低下していることが分かりました。

認識エラーの内訳を細かく分析した結果、モデルが誤って学習に有効なデータを見落としているケースが多いことが判明しました。さらに突き詰めると、こうしたデータの見落としは見え方の異なる環境下で特に顕著となって現れ、精度低下の支配的要因であることを突き止めました。