AWS DeepLensによるディープラーニング

SiddharthMenon

<\/HEAD>

動機<\/STRONG><\/SPAN><\/P>Amazonは最近、DeepLensというディープラーニング対応カメラをリリースしました（https:\/\/aws.amazon.com\/deeplens\/<\/A>）。DeepLensは開発者がカスタムコンピュータビジョンタスクを実行するためのディープラーニングモデルを構築、トレーニング、デプロイできるようにします。Applications Prototype LabはDeepLensを入手し、その能力と制限を探求し始めました。<\/P>

<\/P>

コンピュータビジョンで最も一般的なタスクの一つは物体検出です。このタスクは画像分類よりも少し複雑で、画像空間内での物体の位置特定が必要です。今年の夏、私たちは物体検出を探求し、それをニーズに合わせて拡張する方法を模索しました。例えば、あるユースケースとして野生動物保護区で異なる動物種を検出・認識することが考えられます。これにより、関連する位置情報を収集し、その情報を使って特定のアクションを実行できます。<\/P>

<\/P>

動物種検出はTensorflowのObject Detection APIを使用してテストされました。これにより、DeepLensに簡単にデプロイ可能なモデルを構築できました。しかし、ESRIキャンパスでのテストを容易にするために検出デモを縮小する必要がありました。そのため、顔検出に注目しました。<\/P>

<\/P>

DeepLensには物体検出や顔検出を行うサンプルプロジェクトが付属しています。実験目的で、顔検出サンプルを拡張して異なる人物を認識・区別できるか試みました。<\/P>

<\/P>

サービスとフレームワーク<\/STRONG><\/SPAN><\/H1>夏の間に、様々なAmazonおよびESRIサービスを使用して顔認識デモを構築しました。これらのサービスには以下が含まれます:<\/P>AWS DeepLens Console（プロジェクトのDeepLensへのデプロイを容易にするため）<\/LI>Amazon Lambda（推論モデルを実行するPython Lambda関数の開発用）<\/LI>Amazon S3（トレーニング済みデータベースおよび推論に必要なモデルの保存用）<\/LI>AWS IoT Console（DeepLensとの通信を容易にするため）<\/LI>ArcGIS上でホストされているフィーチャサービスとウェブマップ（DeepLensの検出データ保存用）<\/LI>Operations Dashboard（各DeepLensごとに関連情報表示用）<\/LI><\/UL><\/P>この実験の推論には以下の機械学習フレームワーク／ツールキットを使用しました:<\/P>MxNet（顔検出用にトレーニングされDeepLens向けに最適化されたデフォルトMxNetモデル）<\/LI>Dlib（顔認識支援のための顔ランドマーク検出機能付きツールキット）<\/LI><\/UL><\/P>ワークフロー<\/STRONG><\/SPAN><\/H1>MxNetとDlibモデルは推論lambda関数と共にDeepLensにデプロイされます。DeepLensはモデルを読み込み、ビデオ入力からフレームを取り込み始めます。これらのフレームは顔検出および認識モデルに通され、Amazon S3バケット内に保存されたデータベースから一致するものが探されます。顔が認識されると、名前、検出時間、DeepLens ID、およびDeepLensの位置など関連情報でフィーチャサービスが更新され、認識処理が続行されます。<\/P><\/P> もしデータベースと一致しない場合や認識モデルが不確かな場合でも、「Unidentified」という名前で一致結果が返されます。この場合、DeepLensでトレーニングがトリガーされます。そのためにダッシュボードと同じデバイス上でローカルアプリケーションが稼働しています。未確認オブジェクトに遭遇すると、そのアプリケーションはトレーニング開始を促します。トレーニングが開始されると、DeepLensは音声指示を再生し、関連する顔ランドマーク情報を取得して自己トレーニングします。最後にS3バケット内のデータベースがこのデータで更新され、認識処理が再開されます。<\/P><\/P>結果<\/STRONG><\/SPAN><\/P>顔認識モデルは推論精度が少なくとも60%の場合に結果を返します。このモデルは約80%のテストで正しい結果（識別済みまたは未識別）を返すことができました。偽陽性や偽陰性もいくつかありましたが、閾値値の厳格化と複数フレームで一貫した検出のみ返すことで大幅に減少しました。さらにモデルパラメータや閾値値の調整によってDeepLens検出精度は向上可能です。<\/P><\/P>モデルは当初4人分の顔ランドマークデータベースでトレーニングおよびテストされました。その後10人分まで増加し、偽陽性発生率が減少しました。より多くの人物がトレーニングされデータベースに保存されているほどモデル精度は高くなります。<\/SPAN><\/P><\/P>十分なデータ（対象物体関連）がトレーニングされたモデルさえあれば、DeepLens上で物体または動物種検出も実装可能です。最高精度には対象物体を含むポジティブ画像と含まないネガティブ画像両方のデータが必要です。モデル準備後、その実行プロセスは顔検出デモと非常によく似ています。<\/P><\/P>制限事項<\/STRONG><\/SPAN><\/H1>現時点でDeepLensはPython 2.7で書かれたLambda関数のみサポートしていますが、AmazonはPython 3.x対応も進めているようです。<\/P><\/P>DeepLens用モデルオプティマイザーは組み込みGPU向けMxNet、Tensorflow、およびCaffeモデルのみ最適化対応しています。他フレームワークやモデルも使用可能ですが推論速度は大幅に低下します。<\/P><\/P>今後の課題<\/STRONG><\/SPAN><\/H1>DeepLensにはシンプルなマイクロフォンも搭載されています。主にコンピュータビジョンタスク向け設計ですが、音声解析テストも興味深く実施できそうです。また他のコンピュータビジョンタスクと並行して動作させることで例えばドア開閉状態把握などにも応用可能かもしれません。<\/P><\/BODY><\/HTML>