パナソニックホールディングスは5月23日、AIモデルの学習データ構築コストを半減できる新技術を開発したと発表した。これは物体検出の精度を維持しつつ、AIの学習データ構築に必要なコストを削減するための手法だ。画像から人や自動車を高精度に検出するAIモデルの開発では、大量の学習データが必要となる。しかし、一度開発したAIモデルを条件が異なる現場や環境に適用する場合、その都度、新たな学習データの取得とアノテーションが必要となる。

同社が開発した新技術「少数のラベル付きデータに対するドメイン適応技術(Few-shot Domain Adaptation)」は、これに対応するためのものだ。環境が大きく異なる現場でも、従来法より少ない学習データでAIモデルの適応を可能にするとのこと。

これは、あらかじめ公開されている多数のラベル付きデータ（ソースドメインのデータ）で学習したAIモデルの事前知識を、少数の現場データ（ターゲットドメインのデータ）の学習に利用することで、現場データが少数でもAIモデルを学習できるという仕組みだ。

さらに、データの種類が大きく異なる場合でも対応可能としている。同社は、複数の画像を合成するデータ拡張手法を応用し、同じ種類の物体同士を置き換えることで画像中の物体位置や存在確率も考慮し、敵対的学習により、AIモデルが両ドメイン共通の特徴で画像を認識できるようにしたという。

この新技術により、学習データの取得条件が難しいケースでも、短時間・低コストで高精度なAIモデルの提供が可能となる。現場ごとに異なるセンシング対象・状況に対応したソリューションの導入期間の短縮や、赤外線カメラなどを用いた屋外/暗所向け認識技術の開発期間の短縮につながるとみられる。

同研究は、パナソニックHD テクノロジー本部の中村譲と石井育規の共同主著論文で、中部大学 山下教授との連携による研究成果とのこと。

＞＞ニュースリリース