Fukuoka University Repository / 福岡大学機関リポジトリ

application/pdfdepartmental bulletin pape

Honda, Yasuo

本多, 康生

Japanese

熊本地震被災地の民生委員による要援護者支援

Cho, Kanako

長, 加奈子

日本語母語英語学習者の時制の誤用から見える : 日本語の事態把握の影響

Ishibashi, Shoji

Takeyasu, Hajime

石橋, 頌仁

竹安, 大

母語における音声知覚の安定性に関する一考察 : 閉鎖持続時間に基づく促音判断の場合

Tomishige, Junko

冨重, 純子

手と世界 : 映画『ビヨンド・サイレンス』と『失くした体』

Xie, Ping

謝, 平

中国語の名詞性成分における定性と不定性に関する研究の概観

Kishine, Toshiyuki

岸根, 敏幸

古事記神話における天降る統治者の決定

Nakano, Kazunori

中野, 和典

終わりなき終末 : 村上春樹「青が消える（Losing Blue）」論

Iwasaki, Masayuki

岩崎, 雅之

E. M. Forster をめぐるバイオフィクションの実態解明

La, Euikyu

羅, 義圭

韓国ドラマから見るジェンダー意識の向上

福岡大学博士（理学）2023doctoral thesi

中村, 凌

ナカムラ, リョウ

 
氏 名 
なかむら りょう 
中村 凌 
学 位 の 種 類 博士（理学） 
報 告 番 号 甲第 2008 号 
学位授与の日付 令和 6 年 3 月 14 日 
学位授与の要件 学位規則第 4 条第 1 項該当（課程博士） 
学 位 論 文 題 目 
A study on the effectiveness of data augmentation for deep 
learning with limited datasets 
【画像データセットが限られた場合に深層学習を行うためのデ
ータ拡張の有効性に関する研究】 
論 文 審 査 委 員 （主 査） 福岡大学 教授  藤木 淳 
 （副 査） 福岡大学 准教授 天羽 隆史 
  広島大学 教授  栗田 多喜夫 
  産業技術総合研究所 上級主任研
究員 
 片岡 裕雄 
     
 
 
 
内 容 の 要 旨 
 
 
 本博士論文の目的は画像データセットが限られている場合であっても効率の良い深層
学習を行うために提案されたデータ拡張と呼ばれる手法の有効性を理解することにあ
る．データ拡張とは深層学習を含めたパターン認識において必要なデータ量を確保する
ために用いられる手法であり，それぞれのデータを視覚的にそれが何かが変わらない程
度に変形することによってデータ量を増やす手法であり，このデータ拡張により十分な
データ量を得ることによって円滑に深層学習を行うことができるようになる．そこでデ
ータ拡張の有効性を検討するために三つの手法を提案した．第一の手法は画像データを
変形せずにデータ量を増やす o u t p u t a u g m e n t a t i o n ( O A )，第二の
手法は画像データをパッチに分割することによってデータ量を増やす背景学習による識
別誘導，第三の手法は転移学習のための事前学習モデルを構築する際に用いるぼう大な
フラクタルデータセットの全体を用いずに一部分を抜き出してデータ拡張を行うことに
よって同等の性能を実現する o n e – i n s t a c e  F r a c t a l D a t a B a s 
e ( O F D B )である． 
第一の提案手法である O A は通常のデータ拡張である画像データ（入力信号）を変形
するのではなく，最終層の一層前の信号にランダムな摂動を加えることによって擬似的
に入力信号の変形と同等の効果を得ることを目的としている．このことによって一つの
入力信号から多数の誤差伝搬の信号を生成することができ，それら生成された信号は入
力信号を擬似的に変形した信号と解釈することができる．そのため，O A を用いた学習
は，通常のデータ拡張と同等の効果をもたらすと考えられ， 公開画像データセットを用
いた実験から確かに通常のデータ拡張と同等の効果を持つことが確認された．しかし，
既に通常のデータ拡張済みの画像データにさらに O A を適用した場合には汎化性能が低
下する場合があることが確認された．これは摂動により識別境界を超えてしまったため
と考えられる． 
 第二の提案手法である背景学習による識別誘導は限られた画像データセットをより小
さい複数のパッチ画像に分解してデータ量を増やしてより小さい画像に関する 2 クラス
判別問題を解くことによって画像中にある特定物体の領域を特定することを目的として
いる．このパッチ画像への分解は特定物体の画像を多数の局所領域に分割してデータを
増やしているため一種のデータ拡張とみなせる．このデータ拡張においてパッチ画像が
特定物体を含まない場合にその画像が背景であることを学習させるために特定物体の画
像を用意するのではなく背景画像を用意する．これにより背景画像に似た特定物体の局
所画像を背景画像であると識別結果を誘導することにより特定物体の局所領域か背景か
の認識精度を向上させて特定物体の領域を特定している．この際，背景画像は入手し易
くそのデータ量を簡単に増やせるため背景データの拡張にもなっている．特定物体と背
景からなる２クラス画像データセットを用いた実験から確かに背景画像を増やすことに
より識別誘導が起こり特定物体の領域の抽出精度が高くなり画像サイズを小さくするこ
とによってデータ量を増やす効果が確認できた．しかしパッチ画像のサイズが小さ過ぎ
ると特定物体のテクスチャが背景画像と似かよってしまうために領域の抽出精度が上が
らないことが確認された．このことから特定物体と背景の違いがはっきりするパッチの
大きさを選ぶ必要があると考えられる． 
 第三の提案手法である o n e - i n s t a c e F r a c t a l D a t a B a s e ( O 
F D B ) はぼう大なフラクタルデータセットの一部分をデータ拡張によって補完するこ
とを目的としている．転移学習のための事前学習モデルの構築に用いられるフラクタル
データセットは 1 0 0 万枚の画像データからなるぼう大なデータセットであるが，その
中から 1 0 0 0 枚の画像を抜き出しデータ拡張によりデータ量を増やすことによって 1 0 
0 万枚のフラクタルデータセットを用いた事前学習モデルと遜色のない事前学習モデルを
構築することができた．このことから事前学習モデルの構築に重要なデータとそうでな
いでデータがあることが示唆され，重要なデータをデータ拡張すれば十分な学習を行う
ことができると考えられる． 
 以上三つの提案手法を用いた検討の結果，画像データが限られている場合にはデータ
拡張が有効であることがわかったが，無闇にデータ拡張を行うのではなくデータの変形
には限度があり，限度を超えてしまうと却って性能が低下してしまうこと，及びデータ
拡張に効果的なデータとそうでないデータがあることがわかった． 
 
 
審査の結果の要旨 
 
 
本博士学位申請論文は，画像分類問題においてデータセットが限られている場合
に深層学習を効率的に行うために用いられる手法であるデータ拡張が有効に働くため
にはどのようなデータを用いるべきかという問題を実画像実験によって検討した重要
な成果を含むものである。 
2012 年に深層学習を用いた機械学習が再評価されて以来，深層学習を用いて画像
に写っている物体を高精度で分類する手法が研究されており，そのためには学習デー
タ，すなわち解きたい問題に対する入力とその入力に対して望まれる出力の組を十分
な数だけ与える必要がある。しかしながら十分に多い学習データを集めるためには集
めるデータの個数に比例した時間や金銭が必要であり，その制約から，十分な数の学
習データを集めるのには非常に困難をともない，データセットが限られた上で画像分
類を行わなければならない場合がある。そこで，例えば文字を少し斜めに書いても同
じ文字であると認識されるように，入力を微小変形しても出力である分類結果が変化
しないことに着目し，現在得ている入力と出力の組を利用して，入力を微小変形する
ことによって新しい学習データを人工的に作成して，十分な数だけの学習データを得
ようとする試み，すなわちデータ拡張が行われてきた。 
本論文では 3 つの観点からデータ拡張について検討した。1 つ目の観点は深層学習
で用いるニューラルネットワークが入力から出力への写像であることから，データ拡
張のために行う入力の微小変形が出力の微小変形として伝達されることに着目し，出
力の微小変形による不変性を利用して，通常のデータ拡張のように学習データの数を
実際に増やすことはせずに，あたかも学習データの数が増えたのと同じ働きをさせる
出力拡張という考え方を実際の画像分類問題に適用することによって出力拡張がデー
タ拡張と同等の能力を持つことを明らかにし，変形が大きすぎると本来あるべき分類
のための識別境界を超えてしまうために識別性能が低下することも示した。 
2 つ目の観点は画像中にある特定物体の存在する領域を定める Object localization 
と呼ばれる問題を，特定物体の存在する領域（前景）と背景の画像分類問題として捉
えた。つまり画像データセットをより小さい複数のパッチ画像に分解して，背景学習
による識別誘導，すなわち，それぞれのパッチ画像が前景か背景かを予め用意された
背景であることがわかっている画像に類似しているか否かで分類させる問題として捉
えることを提案した。この際，画像データセットをパッチ画像に分解することにより
データ数を増やした形で解くこととなり一種のデータ拡張を行っていると考えること
ができ，また背景画像を増やすにはコストがほとんどかからないため，ある意味背景
データ拡張を行っていると見做すことができる。この手法を実際の画像分類問題に適
用することにより有効性を示し，またパッチ画像への分解が細かすぎると前景のテク
スチャから前景らしさが失われ領域を定める能力が低下することも確認し，適切なサ
イズへの分解を行うことの重要性を示した。 
3 つ目の観点は画像分類問題のためのニューラルネットの事前学習に用いる 100 万
枚という膨大なフラクタル画像からなるデータセットを，その一部の 1000 枚のフラ
クタル画像にデータ拡張を行うことによって補完した One-instance Fractal 
Databases と呼ぶデータセットである。提案された手法によって事前学習されたニ
ューラルネットを用いて実際の画像分類問題に適用した結果，100 万枚のフラクタル
画像から事前学習させたニューラルネットを用いた分類性能と遜色のないニューラル
ネットを得ることができ，データには重要なものがあり，重要なデータの拡張により
補完可能なデータを削減しても遜色のない学習を行うことができることが示された。 
以上の 3 つの観点からデータ拡張について検討した結果，画像データが限られて
いる場合にはデータ拡張が有効であるが，無闇にデータ拡張を行うのではなくデータ
の変形には限度があり，限度を超えてしまうと却って性能が低下してしまうこと，及
びデータ拡張に効果的なデータとそうでないデータがあることが示された。 
本論文の構成は次の通りである。第 1 章に研究の分野と提案した 3 つの観点に関
する手法について概説して機械学習における本論文の位置付けを明確にし，第 2 章
で既存のデータ拡張手法について概観した。第 3 章～第 5 章それぞれにおいて 3 つ
の観点である出力拡張，背景学習による識別誘導，One-instance Fractal Databases 
について説明し，それぞれの章において実画像実験によって検討した結果を述べた。
そして第 6 章で本論文の結論を述べた。 
上述のように，本論文では，画像分類問題においてデータセットが限られている
場合に深層学習を効率的に行うために必要なデータ拡張が有効に働くためにはどのよ
うなデータを用いるべきかについて実画像実験によって検討した重要な成果を述べて
いる点が評価できる。 
本審査の内容は，令和 6 年 2 月 1 日午後 1 時より，理学部 9 号館 941 教室
において原則対面形式にて発表された。但し副査の片岡裕雄氏は諸般の事情から 
Webex での参加となった。公聴会の参加者は 24 名であり，参加者によって質疑応答
が行われた。質疑においては，「入力と出力の augmentation それぞれの利点と欠点
は何か」などの本論文の内容を中心とした試問を行なったが，試問に対して適切に答
えることができ，研究分野およびその周辺分野に関する知識や理解を十分に有するこ
とが認められた。 
最終的には，主査 1 名および副査 3 名により審査され，全員一致で合格とし，
本論文を学位論文に値するものと認め，博士(理学)の学位を授与するに値するものと
認められた。 


English

A study on the effectiveness of data augmentation for deep learning with limited datasets

Not a member yet