画像認識AIの現場実装作業が10分の1に、パナソニックHDが汎用基盤モデルを開発：人工知能ニュース（1/2 ページ）

パナソニックHDは、画像認識AIを現場実装する際に必要なアノテーションなどの作業負荷を大幅に削減可能な画像認識向けマルチモーダル基盤モデル「HIPIE」を開発した。

[朴尚洙，MONOist]

　パナソニック ホールディングス（パナソニックHD）は2023年11月21日、オンラインで会見を開き、画像認識AI（人工知能）を現場実装する際に必要なアノテーションなどの作業負荷を大幅に削減可能な画像認識向けマルチモーダル基盤モデル「HIPIE（Hierarchical Open-vocabulary Universal Image Segmentation、ヒピエ）」を開発したと発表した。LLM（大規模言語モデル）の活用によりテキストプロンプトを追加するだけで新たな対象を認識可能になるとともに、物体検出やセグメンテーションといったさまざまな認識タスクを高い精度で行えるという。2024年度内にもパナソニックグループ内で実証実験を通した実用化の取り組みを始めたい考えだ。

画像とテキストの入力に応じて階層的な画像セグメンテーションを行う「HIPIE」の出力結果［クリックで拡大］ 出所：パナソニックHD

　HIPIEは、テキスト入力で任意の階層の画像認識やセグメンテーションを行える画像認識AIの汎用基盤モデルである。ここで言う任意の階層とは、人を画像認識の対象とした場合に、人物⇒体／頭／腕⇒髪／顔／目／鼻／口／眉毛／耳といった「階層的な関係性」における各階層のことを指す。

「HIPIE」はテキスト入力で任意の階層の画像認識やセグメンテーションを行える［クリックで拡大］ 出所：パナソニックHD

　これまで画像認識AIモデルを構築する際には、現場で画像データを収集してからアノテーションを行い、それぞれの現場で最適に利用できるようなチューニングを施すのが一般的だった。この場合、現場ごとに異なる画像認識AIモデルを構築することになるため、デジタル技術導入のメリットであるスケールメリットが得られない。

従来の画像認識AIは各現場に合わせてアノテーションとチューニングを行う必要があった［クリックで拡大］ 出所：パナソニックHD

　この課題を解決するために、LLMの事前知識を活用して基盤となる画像認識AIモデルに少量のデータを追加することでアノテーションやチューニングの手間を削減する取り組みが進んでいる。ただし、大規模言語モデルの事前知識を画像に取り込む場合、先述した「階層的な関係性」を無視して認識対象と言語が1対1で対応する形で扱うため、画像認識AIモデルにない未知の言語で学習を行おうとするとうまく扱えなくなるという課題があった。

　HIPIEは、LLMに基づく言語AIと画像認識AIを組み合わせるとともに、これまで無視されてきた「階層的な関係性」を取り入れて異なる粒度の階層的な表現を学習する技術によって開発した画像認識AIの汎用基盤モデルである。これによって、テキストプロンプトを追加するだけで、画像認識AIモデルを再学習することなく新しい認識対象を追加できるようになった。また、階層に応じて複数のモデルを用意する必要があったセグメンテーションや画像認識を1つのモデルで実現できている。

「HIPIE」でどのようなことが可能になるか［クリックで拡大］ 出所：パナソニックHD

「正確に計測したわけではないが、従来型の画像認識AIモデルで新しい現場環境に対応するために行うアノテーションやチューニングの作業量を、HIPIEを用いることでば約10分の1で済ませられるだろう」（パナソニックHD テクノロジー本部　デジタル・AI技術センター AIソリューション部 1課 主任技師の加藤祐介氏）