高速＆高精度、Laboro.AI顔検出エンジンを開発！
Laboro.AI CTO藤原・エンジニアQuangによる研究開発、国際会議IEEE FG2019にて成果発表
オーダーメイドのAI・人工知能ソリューション『カスタムAI』の開発・コンサルティングを行う株式会社Laboro.AIは、この度、精度と処理速度を高めた顔検出エンジンを開発しましたことを発表いたします。なおこの研究開発は、当社CTO藤原弘将とエンジニアQuangによるもので、研究論文の投稿時点では世界第２位※の精度を誇っており、先般5月16日、フランスで開催された顔・ジェスチャー検出の国際会議、IEEEが主催するFG2019 でその内容を報告いたしました。（※当論文を投稿した時点で、国際会議・論文誌で発表済みの査読有り論文との比較の結果。）
- 概要
この度、当社CTO藤原弘将とエンジニアNguyen Van Quangにより、これまでと比較しても極めて高い精度と高速性を持った顔検出エンジンの開発に成功いたしました。当エンジン（以下、「Laboro.AI顔検出エンジン」）は、処理速度を重視したSingle-Stageというアルゴリズムをベースに精度を高める改善を施したものであり、研究論文の投稿時点で世界第２位※の精度を実現しております。
（※当論文を投稿した時点で、国際会議・論文誌で発表済みの査読有り論文との比較の結果。）
また、研究論文『Revisiting a single-stage method for face detection（顔検出におけるシングルステージ法の再考）』を、IEEEが開催する顔・ジェスチャー検出の国際会議FG 2019（IEEE International Conference on Automatic Face and Gesture Recognition）に投稿、本年2月に採録が決定し、先般5月16日、フランス リールで開催された国際会議の場でその内容を報告いたしました。
当社では、多業界で活用が見込まれるAI顔検出の分野において、Laboro.AI顔検出エンジンを活用したオーダーメイド型ソリューション「カスタムAI」のご提供に引き続き尽力してまいります。
- 顔検出AIで一般的に用いられるアルゴリズム、そのメリット・デメリット
「顔検出」は、人が映った画像の中から顔部分をAIが見つけ出すテクノロジーであり、特定の人物を推定する「顔認識」のベースとなる技術です。顔検出は、様々な物を検出することを目指す「物体検出」のひとつの分野で、用いられるアルゴリズムは基本的に同様のものであり、現在は、ディープラーニングのアルゴリズムのひとつCNN（畳み込みニューラルネットワーク）を用いたものが主流となっています。
これらのアルゴリズムは、Two-Stage法とSingle-Stage法の２つに大別されます。Two-Stage法は、その名の通り２段階の処理で構成されたアルゴリズムで、①入力された画像の中からチェックすべき領域の候補をピックアップするネットワークと、②ピックアップされた候補の領域をスクリーニングして顔だと特定するネットワークから成っています。Two-Stage法は、複数のネットワークが働くことから検出する精度の高さが特徴である一方、その分、検出時間がかかることがデメリットとされています。そのため、リアルタイムさが求められる自動運転などの分野では用いられにくいと考えられています。
一方、Single-stage法とは、一つのネットワーク内で上記両方の処理を行おうとするもので、検出精度ではTwo-Stage法に劣るものの、処理スピードが早いというメリットがあります。現在、顔検出の分野で代表的なアルゴリズムとして知られる、YOLO（You Look Only Once）やSSD（Single Shot Multibox Detector）は、Single-Stage法の弱点である精度面の改善が重ねられたものして、注目を集めています。
- 今般開発したLaboro.AI顔検出エンジンの特徴
たとえば、顔検出エンジンの実際の活用シーンとして自動運転車への搭載を想定した場合、走行中の車が道路上に通行人を検出したら、正確かつスピーディーにそれを認識してブレーキを作動させる必要があります。また、街頭の防犯カメラに搭載する場合には、より早く、正確に特定の人物を検出し、犯罪防止につなげることが重要でしょう。さらに、介護施設など建物からの無断外出などに役立てる場合も同様に、精度高く施設内の方を検出し、一刻も早く状況を把握することが安心安全の面でもキーとなります。
Laboro.AI顔検出エンジン開発のポイントは、Single-Stage法で検出精度が上がりにくい原因となっていた２つの点に改善を施したことです。まず、Single-Stage法では、画像から顔を検出する場合、小さい顔を検出するレイヤーから大きい顔を検出するレイヤーへと徐々にその検出範囲を拡げていく階層構造になっています。言い換えれば、細かい画素範囲から広い画素範囲へとその検出範囲を変えて処理が実行されます。（図１）
図１ 一般的なSingle-Stage法による顔検出の流れ（Single-Stage法では細かいレイヤーから粗いレイヤーへと段階的に検出を行う）
この際、とくに小さな顔を検出する段階では顔単体で判別することが難しく、顔周辺の情報（たとえば、体や背景など）も参考にする必要があり、結果として精度に影響をもたらしていました。（図２）
図２ 顔検出のイメージ（小さい顔を検出するには周辺情報が必要になる）（出典：WIDER FACE）
図３ Laboro.AI顔検出エンジン①（１つ上の粗いレイヤーの情報を統合し、小さい顔を検出しやすくする）
図４ Laboro.AI顔検出エンジン②（識別・回帰の段階で分岐させるレイヤーを挿入）
- Laboro.AI顔検出エンジンの精度とスピード
テストの結果、今回開発の顔検出エンジン（表１のOurs）は、Easy、Normal、Hardのいずれのレベルでも第2位となる精度を誇ることが実証されました。
表１ その他顔検出モデルとの精度比較
表２ Detectorとの速度比較
- Laboro.AI顔検出エンジンの活用シーン
当社Laboro.AIは、オーダーメイドのAIモデル「カスタムAI」の開発・コンサルティング・導入支援を事業としており、業種・業界に隔たりなくソリューションを提供しております。今般のLaboro.AI顔検出エンジンのほか、各現場特有の課題にジャストフィットするAIソリューションを、多くの企業・業界の皆様にご提供できるよう、今後も尽力してまいります。
- ご参考
https://arxiv.org/abs/1902.01559
・FG 2019（IEEE International Conference on Automatic Face and Gesture Recognition）
http://fg2019.org
・当社ホームページ
https://laboro.ai
・研究者（代表取締役CTO 藤原弘将）プロフィール
京都大学大学院情報学研究科博士課程修了。博士（情報学）。
大学院修士課程修了後、2007年に独立行政法人（現 国立研究開発法人）産業技術総合研究所 情報技術研究部門にパーマネント型（任期無し）研究員として入所。機械学習を用いた音声/音楽の自動理解の研究に従事。機械学習・音響信号処理・自然言語処理を専門とする。技術の実用化にも積極的に関わり、開発した特許技術を様々な企業にライセンス提供し、ライセンス先企業の技術顧問も務める。
在職中の2008年に京都大学大学院博士課程に社会人学生として入学し、2009年に博士(情報学) を取得。2011年〜2012年の間、在外研究員としてQueen Mary University of London客員研究員を兼任。
2012年にボストンコンサルティンググループに入社し、ビッグデータ関連を中心に様々な業界・テーマのプロジェクトに従事する。特にデータ分析に基づく経営戦略/マーケティング戦略立案を得意とする。また、社内のビッグデータ活用チームに所属し、社内のデータアナリティクスに関する研修の講師も務める。
その後、AI系のスタートアップ企業を経て、2016年に株式会社Laboro.AIを創業。代表取締役CTOとして技術開発全般をリードする。
情報処理学会山下記念研究賞、船井情報科学振興財団FFIT研究奨励賞、各受賞。IEEE、情報処理学会、人工知能学会、日本音響学会、各会員。
- 当社Laboro.AIについて
＜会社概要＞
社 名：株式会社Laboro.AI（ラボロ エーアイ）
事 業：機械学習を活用したカスタムメイドのアルゴリズム開発、およびその導入のためのコンサルティング
所在地：〒104-0061 東京都中央区銀座8丁目11-1GINZA GS BLD.2 3F
代表者：椎橋徹夫（代表取締役CEO）、藤原弘将（代表取締役CTO）
設 立：2016年4月1日
U R L : https://laboro.ai/
このプレスリリースには、メディア関係者向けの情報があります
メディアユーザーログイン既に登録済みの方はこちら
メディアユーザー登録を行うと、企業担当者の連絡先や、イベント・記者会見の情報など様々な特記情報を閲覧できます。※内容はプレスリリースにより異なります。
すべての画像
