パッチ単位による評価

パッチ単位でのf値による平均精度を図4.3，表4.1に示す．また，f値のConfusion Matrix を図4.4，図4.5に示す．

図 4.3: f値の平均精度

表 4.1: 実験結果（f値[%]）

評価 手法 grass sky road leaf 平均

夏 STFs 88.4 87.6 94.1 79.0 87.3 提案手法 83.5 60.4 90.5 73.9 77.1 冬 STFs 83.3 93.8 67.1 66.2 77.6 提案手法 77.0 73.0 65.6 60.4 69.0

4.4. 結果

(a) STFs (b)提案手法

図 4.4: パッチ単位でのf値によるConfusion Matrix（評価：夏）

(a) STFs (b)提案手法

図 4.5: パッチ単位でのf値によるConfusion Matrix（評価：冬）

図4.3〜図4.5，表4.1からf値の平均精度ではSTFsが高精度であり，再ラベリングに よる大きな精度の向上は見られなかった．しかし，図4.2に示すように，ラべリング結果 画像だけを目視すると提案手法による再ラベリング後が良い．そこで，入力画像ごとにf 値のConfusion Matrixを図4.6〜図4.9，f値の平均精度を表4.2に示す．

(a) STFs (b)提案手法

図 4.6: 入力画像1のパッチ単位でのf値によるConfusion Matrix

(a) STFs (b)提案手法

図 4.7: 入力画像2のパッチ単位でのf値によるConfusion Matrix

4.4. 結果

(a) STFs (b)提案手法

図 4.8: 入力画像3のパッチ単位でのf値によるConfusion Matrix

(a) STFs (b)提案手法

図 4.9: 入力画像4のパッチ単位でのf値によるConfusion Matrix

表 4.2: f値の平均精度[%]

入力画像 手法

STFs 提案手法

1（夏） 98.5 91.1

2（冬） 91.3 87.6

3（夏） 94.5 85.9

4（冬） 88.1 79.6

図4.6〜図4.9，表4.2に示すようにラベリング結果画像を個別に比較しても，平均精度

ではSTFsが高精度であるがラべリング結果画像は再ラベリング後が良い．正解ラベルの void領域を除いて評価しているため，STFsの誤ラベリングが反映されにくい．また誤ラ ベリングと同じパッチ単位で評価しているため，パッチ単位での誤ラベリングが考慮され にくい．

よって，パッチ単位の評価方法では提案手法の有効性を示すことはできない．

4.4. 結果

4.4.2 セグメント単位による評価

セグメント単位での適合率の平均精度を図4.10，表4.3に示す．

図 4.10: 適合率の平均精度

表 4.3: 実験結果（適合率[%]）

評価 手法 grass sky road leaf 平均

夏 STFs 59.9 55.6 36.5 33.1 46.3 提案手法 91.3 47.1 85.2 62.1 71.4 冬 STFs 74.6 71.1 26.9 26.9 49.9 提案手法 94.4 51.5 39.6 43.1 53.2

図4.10，表4.3より，提案手法はSTFsと比較して多くのラベルの適合率が向上した．

季節の違いを比較すると，夏は25.1%，冬は7.3%向上し，季節の違いによる影響は少な いことがわかる．また，ラベリング結果からもわかるように提案手法による再ラベリング は，パッチ単位での誤ラベリングを抑制し，高精度なセマンティックセグメンテーション を実現した．

 本論文では，STFsにより得られるラベリング結果に対して，CSSを利用した画像全体 の構造を考慮した再ラベリング手法を提案し，高精度なセマンティックセグメンテーショ ンの実現に取り組んだ．各章のまとめは以下の通りである．

1章では，セマンティックセグメンテーション手法の関連研究とSTFsの説明した．

2章では，STFsの評価実験を行い，パッチ単位での評価を行った．評価結果は，f値の 平均は季節の違いに関係なく75%以上の精度を保持し，高精度といえる．しかし，ラべリ ング結果は，突発的な誤ラベリングが生じている．ラべリング結果と評価が一致しない．

3章では，CSSについての説明とCSSを利用して画像全体の構造を考慮した再ラベリ ング手法を提案した．

4章では，提案手法の評価実験を行い，パッチ単位での評価とセグメント単位での評価 で，それぞれでSTFsとの比較を行った．

パッチ単位での評価では，提案手法はSTFsと比較してf値の平均精度ではSTFsが高 精度であり，再ラベリングによる大きな精度の向上は見られなかった．しかし，STFsで の評価実験と同様にラべリング結果画像だけを目視すると，提案手法による再ラベリン グ後が良くため，ラべリング結果と評価が一致しない．入力画像ごとに個別の評価を行っ たが，個別に比較しても同様の結果であった．パッチ単位の評価方法では，正解ラベルの void領域を除いて評価しているため，STFsの誤ラベリングが反映されにくい．また誤ラ ベリングと同じパッチ単位で評価しているため，パッチ単位での誤ラベリングが考慮され にくい．したがって，提案手法の有効性を示すことはできない．

セグメント単位による評価では，提案手法とSTFsを比較すると提案手法の多くのラベ ルの適合率が向上しており，季節の違いを比較すると，夏は25.1%，冬は7.3%向上し，季 節の違いによる影響は少ない．以上より，ラベリング結果からもわかるように提案手法に よる再ラベリングは，パッチ単位での誤ラベリングを抑制し，高精度なセマンティックセ グメンテーションを実現した．

本研究では，CSSを利用した画像全体の構造を考慮した再ラベリング手法を提案し，パッ チ単位での誤ラベリングの抑制とセマンティックセグメンテーションの高精度化を実現し た．今後は，別のシーンに対する提案手法の有効性を調査するつもりである．

本研究を行うにあたり，常に熱心なご指導を頂きました中部大学工学部藤吉弘亘教授に謹 んで感謝します．次に本論文の作成にあたり，有意義な御助言，御指導頂いた中部大学大 学院工学研究科情報工学専攻後藤雄飛氏に心から厚く御礼申し上げます．最後に，本研究 において，アドバイスや相談等に協力していただいた藤吉研究室の皆様に感謝致します．

参考文献

[1] J. Shotton, M. Johnson and R. Cipolla. Semantic Texton Forests for Image Cate-gorization and Segmentation . In Proc. Computer Vision and Pattern Recognition, pp. 1.8, 2008.

[2] S.Walk and N.Majer New Features and Insights for Pedestrian Detection , IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2010.

[3] L.Breiman Random forests , Machine learning, 45, 1, pp. 5.32 2001.

[4] X.He, R.S.Zemel, and M.A. Carreira-Perpinan, Multiscaleconditional random fileds for image labeling, Computer Vision and Pattern Recognition, 2004.

[5] J.Shotton, J.Winn, C. Rother, and A. Criminisi, Textonboost:Joint appearance, shape and context modeling for multi-class object recognition and segmentation, European Conference on Computer Vision, 2006.

[6] J.Tighe, and S.Lazebnik, Superparsing: Scalable nonparametric image parsing with superpixels, European Conference on Computer Vision, 2010.

[7] J.Winn, and J. Shotton, The layout consistent random field for recognizing and segmenting partially occluded objects, Computer Vision and Pattern Recognition, 2006.

[8] Z.Tu, Auto-context and its application to high-level vision tasks, Computer Vision and Pattern Recognition, 2008.

[9] F.Schroff, A.Criminisi, and A.Zisserman, Object class segmentation using random forests, British Machine Vision Conference, 2008.

Pattern Recognition, pp.3249-3256, 2010.