株式会社 日立製作所は、Vision Transformerを用いた画像AIの特徴量生成を効率化する「領域選択エンコード技術」を開発しました。画像全体を一律処理せず、対象物が写る領域とAIモデルが高い注目を示す固定領域のみを処理対象とすることで、トークン数を削減します。画像内の文字検索を想定した評価では、検索精度を維持したまま平均処理時間を従来比で半減したとしています。これにより、膨大な画像データを扱う現場でのAI処理の高速化と、GPUなど計算資源の削減が期待されます。背景には、製造や保守の現場で増え続ける画像や動画の活用拡大があり、精度を落とさず処理量を抑えるニーズに応えた形です。今後は実ユースケースでの価値検証とAI基盤への適用を進め、Lumada 3.0の強化を支える技術として業務効率化やデータインフラ高度化への貢献を目指します。
対象領域と固定領域に絞る選択処理でViTのボトルネックを解消、OT分野での利活用に期待
本技術は、用途に応じた対象物の検出結果に基づき必要領域を判定し、その領域のトークンのみでエンコードを実施します。さらに、モデル分析から多くの画像で高い注目が集まる固定領域を特定し、そのトークンも残す方式を採用しました。対象領域のみでは生じやすい精度低下を抑えつつ、処理データ量を削減できる点が特長です。評価にはTextOCRデータセットを用い、効果は対象物の種類や写り方、使用GPUなどの条件に依存するとしています。製品や設備、文字など特定対象に着目するOT分野を中心に、処理高速化と計算資源の抑制が見込まれます。日立は顧客との協創を通じて適用を広げ、膨大な画像や動画データの利活用を支えるAI基盤への展開を検討します。なお、本成果の一部はIEICE Transactions on Information and Systemsに掲載されたとしています。
詳しくは「株式会社 日立製作所」の公式ページまで。レポート／DXマガジン編集部
