・顔画像・人物画像の検出・識別・分類、その実現方法は？

ディープラーニングによる顔画像・

人物画像認識技術の基礎と実際

【提携セミナー】

主催：株式会社情報機構

講師より
ビデオカメラ映像を処理して人の顔を見分けたり、人の姿を見つけ出したりする顔画像・人物画像認識技術は、これまでは主に犯罪捜査や防犯の分野で活用されてきました。しかし、近年では、ディープラーニングの活用により飛躍的な進化を遂げて、より身近な分野での活用が進んでいます。例えば、顔画像認識技術は、スマホのロック解除手段などとして既に身近な存在であり、社会インフラとしても、ICパスポートに記録されている顔画像と出帰国審査場のビデオカメラで捉えた顔画像との自動照合による「顔パス」などに活かされています。また、人物画像認識技術は、車載カメラによる夜間の歩行者の確実な検知や、交通規制中の警察官を検知してその手信号に従うなど、車の自動運転に活かされています。他にも、人物画像認識技術は、監視カメラによる対象人物のリアルタイムな追跡などに活かされているところです。
そこで、本セミナーでは、顔画像・人物画像認識に用いるディープラーニングについての基礎的な話から始めて、ディープラーニングによる顔画像・人物画像の検出・識別・分類それぞれの実現方法や精度向上方策、具体的な活用方策などについて分かりやすく説明します。

◆受講後、習得できること

以下の内容についての具体的な知識が修得できます。

• ディープラーニングによる顔画像・人物画像認識の仕組みや活用方法
• 顔識別技術や人物識別技術の最新動向
• 顔認証による「顔パス」の仕組みと活用方法
• 顔画像による性別、年齢層、表情などの推定の仕組みと活用方法
• 中国や米国で運用されている「監視カメラライブ映像による指名手配犯発見システム」の仕組み
• わが国や諸外国で運用されている「防犯カメラ録画映像による被疑者写真検索システム」の仕組み
• 自動運転における車載カメラによる夜間の歩行者検知や交通規制中の警察官検知の仕組み
• 監視カメラの人物画像による対象人物のリアルタイムな追跡の仕組みと活用方法
• 人物画像による性別、年齢層、職業などの推定の仕組みと活用方法、など

◆受講対象者

• ディープラーニングによる顔画像・人物画像認識の仕組みや活用方法に関心のある方
• 顔識別技術や人物識別技術の最新動向に関心のある方
• 顔認証による「顔パス」に関心のある方
• 顔画像による性別、年齢層、表情などの推定に関心のある方
• 中国や米国で運用されている「監視カメラライブ映像による指名手配犯発見システム」に関心のある方
• わが国や諸外国で運用されている「防犯カメラ録画映像による被疑者写真検索システム」に関心のある方
• 自動運転における車載カメラによる夜間の歩行者検知や交通規制中の警察官検知に関心のある方
• 監視カメラの人物画像による対象人物のリアルタイムな追跡に関心のある方
• 人物画像による性別、年齢層、職業などの推定に関心のある方、など

※民間企業・公的団体の別を問いません。

担当講師

澤田雅之技術士事務所 所長　 澤田 雅之 先生

1978年に京都大学(院)工学研究科修士課程を修了し、警察庁入庁。警察情報通信研究センター所長を退職後に技術士資格を取得して、2015年に技術士事務所を開業。警察では通算10年間にわたって、顔画像識別技術の警察活動への応用研究に従事。技術士事務所開業後は、「同一人物映像に対する顔画像間欠切出し制御機構を用いたターゲット発見システム」の特許を2018年に取得した他、次の4本の論文を執筆
・ AIで飛躍的に進化する顔画像識別技術 : 警察政策第23巻、2021年
・ 警察情報通信の発注者エンジニアリング ターゲット発見システムの実現に向けて：警察政策第19巻、2017年
・ 顔画像識別技術と監視カメラが産み出す機械の目の特性：月刊技術士3月号、2016年
・ 顔画像識別における人の目の特性と機械の目の特性：警察政策第17巻、2015年

セミナープログラム（予定）

1 「人の目」を遥かに凌駕する顔識別技術
1.1 整形手術や長期経年変化で別人の印象となった顔画像との照合事例
1.2 検索・照合速度は超高速
1.3 顔画像品質と識別精度との関係
1.4 顔識別技術の動作原理
1.4.1 ディープラーニングを用いない場合
1.4.2 ディープラーニングを用いた場合

2 顔画像・人物画像認識に用いるディープラーニングの基礎
2.1 ニューラルネットワークのディープラーニング
2.1.1 ニューラルネットワークとは？
2.1.2 ディープラーニングとは？
2.1.3 ディープラーニングの「学習フェーズ」と「推論フェーズ」
2.2 CNN（畳み込みニューラルネットワーク）とRNN（再帰型ニューラルネットワーク）
2.2.1 CNNは、2次元静止画像を入力して対象物の分類などが可能
2.2.2 RNNは、時系列のベクトルデータを入力して予測などが可能
2.3 ニューラルネットワーク・アーキテクチャ　進化の系譜
2.3.1 CNNの系譜:ネオコグニトロン → CNN → R-CNN（領域提案できる畳み込みニューラルネットワーク）
2.3.2 RNNの系譜:RNN → LSTM → Transformer
2.4 ディープラーニングにおける一般的な学習方法
2.4.1 ディープラーニングではどのように学習するのか？
2.4.2 ディープラーニングの学習が目指すのは「汎化」
2.4.3 「汎化したアルゴリズム」の生成方法
2.4.4 AIフレームワークの利用が効果的かつ効率的

3 顔画像の検出、識別、分類（性別、年齢層など）に向けたディープラーニング
3.1 CNNの全体構成とR-CNNへの拡張
3.2 顔画像の検出に向けたR-CNNのディープラーニング
3.2.1 R-CNNで顔画像を検出する「推論フェーズ」
3.2.2 R-CNNで顔画像を検出するための「学習フェーズ」
3.3 顔画像の識別に向けたCNNのディープラーニング
3.3.1 CNNで顔特徴ベクトルを生成する「推論フェーズ」
3.3.2 CNNで顔特徴ベクトルを生成するための「学習フェーズ」
3.4 顔画像の分類に向けたCNNのディープラーニング
3.4.1 CNNで顔画像を分類する「推論フェーズ」
3.4.2 CNNで顔画像を分類するための「学習フェーズ」

4 米国立標準技術研究所の顔認識技術に係るベンダーテスト（FRVT）
4.1 2013年のFRVTと2018年のFRVT
4.1.1 2013年FRVTと2018年FRVTそれぞれの参加企業等
4.1.2 2013年FRVTと2018年FRVTで用いられた品質の異なる２種類の顔画像（MUGSHOT画像とWEBカメラ画像）
4.1.3 2013年FRVTと2018年FRVTで用いられた識別精度評価方法
4.2 2013年FRVT→2018年FRVT　ディープラーニングが識別性能を飛躍的に向上
4.3 2018年FRVT 品質の劣る顔画像（WEBカメラ画像）に対する識別特性
4.4 2018年FRVT 顔の長期経年変化に対する識別特性
4.5 2018年FRVT 真横顔に対する識別特性
4.6 2018年FRVT 同一人物の複数ショット照合による識別精度の向上

5 顔識別技術におけるディープラーニングの効能・効果
5.1 顔識別技術の精度向上は、ディープラーニングの適用による工夫次第
5.2 顔識別技術における人種バイアスの問題とその解決方法

6 人物画像の検出、識別、分類（性別、年齢層、職業など）に向けたディープラーニング
6.1 人物画像の検出に向けたR-CNNのディープラーニング
6.1.1 R-CNNで人物画像を検出する「推論フェーズ」
6.1.2 R-CNNで人物画像を検出するための「学習フェーズ」
6.2 人物画像の識別に向けたCNNのディープラーニング
6.2.1 CNNで人物特徴ベクトルを生成する「推論フェーズ」
6.2.2 CNNで人物特徴ベクトルを生成するための「学習フェーズ」
6.3 人物画像の分類に向けたCNNのディープラーニング
6.3.1 CNNで人物画像を分類する「推論フェーズ」
6.3.2 CNNで人物画像を分類するための「学習フェーズ」

7 人物画像のディープラーニングの実際の応用例
7.1 自動運転における車載カメラによる夜間の歩行者検知
7.1.1 自動運転車は、ロービームのヘッドライト、街路灯など様々な照明下での歩行者の確実な検知が必要
7.1.2 R-CNNで夜間の歩行者を含めた人物画像を検出
7.2 自動運転における車載カメラによる交通規制中の警察官の検知
7.2.1 自動運転車は、交通規制中の警察官を確実に見分けてその手信号に従がうことが必要
7.2.2 R-CNNで人物画像を検出して、CNNで警察官か否かに分類
7.3 監視カメラによる対象人物の追跡
7.3.1 顔の特徴は用いずに人物全体の特徴を用いて、多数の監視カメラでリアルタイムに追跡
7.3.2 監視カメラ映像で特定した対象人物について、CNNで人物特徴ベクトルを生成
7.3.3 多数の監視カメラ映像内の人物画像をR-CNNで検出し、CNNで人物特徴ベクトルをリアルタイムに生成
7.3.4 前記7.3.3の人物画像と人物特徴ベクトルを、監視カメラ番号・撮影時刻とセットにしてデータベースに記録
7.3.5 前記7.3.2で生成した対象人物の人物特徴ベクトルで前記7.3.4のデータベースを検索し、該当した人物画像を表示

＜質疑応答＞

＊Zoomウェビナーの機能「Q＆A」をご利用いただけます。
＊またお話できる方は、口頭質問も可能です。適宜ミュートを解除致します。
＊セミナー後の講師へのメール質問も可能です。（量や内容次第では回答しかねることもございます。ご了承くださいませ。）

公開セミナーの次回開催予定

開催日

2022年3月17日（木）　10:30-16:30

開催場所

Zoomによるオンラインセミナー

受講料

【オンラインセミナー（見逃し視聴なし）】：1名47,300円(税込、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円
【オンラインセミナー（見逃し視聴あり）】：1名52,800円(税込、資料付)
＊1社2名以上同時申込の場合、1名につき41,800円

※学校法人割引；学生、教員のご参加は受講料50％割引

オンライン配信のご案内

★　Zoomによるオンライン配信

については、こちらをご参照ください

備考

配布資料・講師への質問等について
●配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
（開催1週前～前日までには送付致します）。
＊準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
（土、日、祝日は営業日としてカウント致しません。）

●当日、可能な範囲で質疑応答も対応致します。
（全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
●本講座で使用する資料や配信動画は著作物であり
無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

お申し込み方法

★下のセミナー参加申込ボタンより、必要事項をご記入の上お申し込みください。

★【オンラインセミナー（見逃し視聴なし）】、【オンラインセミナー（見逃し視聴あり）】のいずれかから、ご希望される受講形態をメッセージ欄に明記してください。