実践 機械学習システム

10.5

 まとめ

211

図10-14

10.5

　まとめ

本章では、画像を対象とした機械学習の問題において、古典的な特徴量ベースのアプローチを用い

ました。特徴量ベースのアプローチでは、何百万のピクセルからなる画像を、わずかな次元からなる

数値ベクトルに削減します。このおかげで、これまでの章で学んだ技術を、画像を扱う問題にも適用

することができます。これまで学んだ技術とはクラス分類（画像の場合「パター認識」と呼ばれます）、

クラスタリング、次元削減などです。トピックモデルでさえ、画像に対して行うことは可能であり、興

味深い結果になります。

また、私たちはクラス分類のためにbag-of-wordsモデルにおける局所特徴量の使い方について学

びました。これはコンピュータビジョン分野において最近の手法であり、照明の変化や画像内の照明

の不均一さなど、本来の画像の中身とは関係ない要素に対してロバストであり、非常に良い結果にな

ることが多くあります。また、

bag-of-wordsモデルでは途中でクラスタリングを用いました。

ここではPythonのコンピュータビジョン・ライブラリの中で、メジャーなライブラリであるmahotas

に焦点を当てました。他にも良くメンテナンスされているライブラリはいくつか存在します。Skimage

（scikit-image）はmahotasと似ていますが、用意されている特徴量は異なります。OpenCVはC++で

実装されているライブラリであり（とても優れたライブラリです）、Pythonのイ