一般物体認識における学習データセットのサイズ拡張による影響の解析

摘要

一般にパターン認識こおいて，学習データセットの内容は識別性能に大きく影響することが知られている．これまで一般物体認識の分野において用いられてきた多くのデータセットでは，1カテゴリあたりのサンプル数が幾分か少ない場合が多いため，データセットを拡張して内容を充実させることができれば認識性能をさらに上げることができると考えられる．これまでそのようなサンプル数を増やすための手法はいくつか提案されてはいるが，それらの手法で用いられるデータの数は数万程度であり，さらにデータを増やすことで認識性能はより向上すると考えられる．そこで我々はインターネットから数十万枚の画像を集め，それらの画像をフィルタリングしてデータセットに加え，データセットのサイズを大きくした場合とそのままの大きさの場合とで認識性能を比べる．その際識別器を変えた上でも実験を行い，それぞれどのような影響を及ぼすかを解析する．%In the field of pattern recognition, it is well known that the contents of a training dataset affects the recognition performance. Most datasets used in the field of generic object recognition have a somewhat small number of samples per category. Thus, it is reasonable to think that we can acquire higher recognition performance by expanding the dataset. Although several approaches have attempted to increase the number of samples, the amount of these increased samples is about ten thousands which can be increased more to acquire much higher recognition performance. Thus, we collect hundred thousands of images and compare the recognition performance between the dataset with original size and the dataset which is expanded with our dataset expansion method. In addition, we also analyze the impact of using different classifiers for these expanded datasets.