山添 大丈

従来の深層学習の多くは，与えられた入出力データに対して推定誤差を最小化するend-to-endの学習過程を採用している．そのため，学習後のネットワークが機能するメカニズムを理解することは困難であった．一方で，我々は対象タスクに関するパラメータ間の関係（例えば，物体の運動やカメラ投影など）について事前に十分な知識をもつ場合が少なくない．本論文では，このような対象タスクに関する既知の関係を，事前定義された計算モジュールとしてニューラルネットワークに統合する方法を提案する．統合されたネットワークは，従来と同様のend-to-endの学習を可能としながら，その学習過程では，組み込まれた計算モジュールが必要とする隠れパラメータを推定するネットワークが自動的に誘導される．実験では，提案手法を顔画像から2次元眼球位置を推定するタスクに適用し，透視投影の幾何学的計算を行う計算モジュールをニューラルネットワークに組み込んだ．実験の結果，計算モジュールの組込みによって2次元眼球位置推定精度が向上すること，統合されたネットワークが隠れパラメータである3次元眼球位置の推定機能を獲得していることを確認した．

Abstract Gait analysis has been studied for a long time and applied to fields such as security, sport, and medicine. In particular, clinical gait analysis has played a significant role in improving the quality of healthcare. With the growth of machine learning technology in recent years, deep learning-based approaches to gait analysis have become popular. However, a large number of samples are required for training models when using deep learning, where the amount of available gait-related data may be limited for several reasons. This paper discusses certain techniques that can be applied to enable the use of deep learning for gait analysis in case of limited availability of data. Recent studies on the clinical applications of deep learning for gait analysis are also reviewed, and the compatibility between these applications and sensing modalities is determined. This article also provides a broad overview of publicly available gait databases for different sensing modalities.