AI Playground: Unreal Engineをベースとした深層学習用データ削減ツール

機械学習にはデータが必要ですが、実世界のデータを取得し、ラベリングすることは困難で、費用がかかり、時間がかかるものです。さらに重要なのは、データ取得後には実際のデータを変更することがほぼ不可能（例えば、部屋の照明を変えるなど）であり、特定のデータの特性がパフォーマンスにどのように影響を与えるかを測定することが非常に難しいということです。本論文では、AI Playground (AIP) というオープンソースのツールを紹介します。これはUnreal Engineベースのツールで、仮想画像データの生成とラベリングを行うことができます。AIPを使用することで、異なる条件（忠実度や照明など）や異なる真値（深度や表面法線値など）のもとで同じ画像を簡単にキャプチャすることができます。AIPは拡張性が高く、コードを使用する与否に関わらず利用できます。当社提案のツールを検証するために、8つのデータセットを生成しました。これらは同一であるが異なる照明と忠実度条件を持つものでした。その後、深層ニューラルネットワークを用いて (1) 深度値、(2) 表面法線値、または (3) オブジェクトラベルを予測する訓練を行い、各ネットワークの同一データセット内およびクロスデータセット間でのパフォーマンスを評価しました。その他の洞察とともに、設定に対する感度が問題依存であることを確認しました。セグメンテーションモデルが忠実度に対して非常に敏感であるという他の研究の結果も確認しましたが、同時にそれらが照明にも同様に敏感であることも発見しました。対照的に、深度推定モデルと法線推定モデルは忠実度や照明に対してそれほど敏感ではなく、画像構造に対してより敏感であることがわかりました。最後に、当社で訓練した深度推定ネットワークを2つの実世界データセットでテストし、単独で実世界データでの訓練を行った場合と同等の結果を得ました。これにより、当社の仮想環境が現実的なタスクに十分な現実性を持っていることが確認されました。