不均衡な雲画像データのクラス分類における精度向上の試みと熱帯低気圧検出への応用

摘要

数値シミュレーションデータや地上?衛星観測データ等，高解像度かつ高品位の気象データの蓄積が進む現在，大量のデータから研究対象となる現象または構造を自動的に抽出する技術の必要性は年々増している．その中でも最もシンプルなタスクの一つは，例えば，画像中の雲の分布が熱帯低気圧なのか，そうでないのかを推定するような2クラス分類である．我々のグループでは，画像認識に用いられる畳み込みニューラルネットワークを用いて，気象データから熱帯低気圧およびそのタマゴを表す雲を検出する手法の開発に成功している[1]．しかし，研究対象となる熱帯低気圧や豪雨のような事例はそもそも数が少ないため，クラス間のデータ数の偏りが大きくなり，分類精度を低下させる原因となっている．本発表では，少数派クラスの オーバーサンプリング（水増し）や多数派クラスのアンダーサンプリング（間引き），コスト考慮型学習，アンサンブル学習等を用いた精度向上の試みについて紹介する．