2/9 AI時代のノイズ・雑音除去技術

AI時代のノイズ・雑音除去技術

～ディジタルフィルタ・適応信号処理からWavelet、Deep Learningまで～

講師

埼玉大学　大学院理工学研究科　数理電子情報部門
／　工学部　情報工学科　教授　博士（工学）　島村 徹也　氏

■略歴
1991年慶應義塾大学大学院理工学研究科博士後期課程電気工学専攻修了、工学博士。同年埼玉大学工学部助手。同大学助教授、准教授を経て、2007年より教授、現在に至る。この間、1995年ラフバラ大学（イギリス）客員研究員、1996年ベルファースト・クイーンズ大学（イギリス）客員研究員を経て、2007年および2008年埼玉大学情報メディア基盤センター長を務める。専門はディジタル信号処理とその音声、画像、通信への応用など。論文・著書多数。これまで20社を超える企業との共同研究を実施するなど、産学連携に力を入れている。2019年より「AI時代の画像処理技術研究会（埼玉大学産学官連携協議会）」の代表を務め、年に複数回の研究発表会を主導している。
■専門
ディジタル信号処理とその音声、画像、通信などへの応用

セミナー趣旨

計測信号、音・音声、生体信号、画像、センサデータなど、実際に取得されるデータにはさまざまなノイズ・雑音が含まれます。AI・機械学習の利用が急速に広がる現在においても、入力データに含まれるノイズを適切に除去し、必要な情報をできるだけ損なわずに抽出することは、解析精度やAIの性能を左右する重要な技術です。
　ノイズ除去には、FIR/IIRディジタルフィルタ、適応フィルタ、スペクトル処理、Waveletなど従来から用いられてきた信号処理技術に加え、近年ではCNN、AutoencoderなどのDeep Learningを利用した手法も活用されています。しかし、すべてのノイズに有効な万能な手法が存在するわけではなく、対象信号やノイズの性質を理解したうえで適切な方法を選択することが重要です。
　本セミナーでは、まずノイズ・雑音の種類と性質、周波数解析などの基礎から解説し、FIR/IIRフィルタ、適応信号処理、スペクトル減算法、Waveletによるノイズ除去へと段階的に説明します。さらに、Deep Learningを用いた最新のノイズ除去技術についても紹介します。　音・音声、生体信号、画像、各種センサデータなどの具体例を取り上げながら、「どのようなノイズに、どの手法を使うべきか」「従来型信号処理とAIをどのように使い分けるべきか」という実務上重要なポイントを分かりやすく解説します。

セミナー講演内容

1．ノイズ・雑音除去の基礎
　1.1　ノイズ・雑音とは何か
　1.2　信号とノイズをどのように区別するか
　1.3　ノイズの種類と性質
　　・白色雑音
　　・有色雑音
　　・周期性雑音
　　・インパルス性雑音
　　・非定常雑音
　1.4　SNR（Signal-to-Noise Ratio）の考え方
　1.5　時間領域と周波数領域からノイズを見る
　1.6　FFTとパワースペクトル
　1.7　実データにおけるノイズ除去の難しさ
　1.8　AI時代にも信号処理の知識が必要な理由

2．ディジタルフィルタによるノイズ除去
　2.1　ディジタルフィルタの基本
　2.2　ローパス・ハイパス・バンドパス・バンドストップフィルタ
　2.3　FIRフィルタの特徴
　2.4　IIRフィルタの特徴
　2.5　FIRとIIRをどう使い分けるか
　2.6　カットオフ周波数とフィルタ次数の決め方
　2.7　位相特性と波形歪み
　2.8　ゼロ位相フィルタリング
　2.9　電源雑音・高周波雑音・基線変動の除去
　2.10　フィルタをかけすぎることで生じる問題
　2.11　実測データに対するフィルタ設計のポイント

3．適応信号処理によるノイズ除去
　3.1　なぜ適応フィルタが必要なのか
　3.2　固定フィルタと適応フィルタの違い
　3.3　適応ノイズキャンセラの基本構成
　3.4　LMSアルゴリズム
　3.5　NLMSアルゴリズム
　3.6　RLSアルゴリズム
　3.7　ステップサイズと収束特性
　3.8　非定常雑音への対応
　3.9　音響エコーキャンセリング
　3.10　Active Noise Controlへの応用
　3.11　生体信号・センサ信号への適用例
　3.12　適応フィルタが有効な場合／有効でない場合

4．周波数・時間周波数領域におけるノイズ除去
　4.1　周波数領域で考えるノイズ除去
　4.2　スペクトル減算法
　4.3　Wiener Filter
　4.4　STFT（Short-Time Fourier Transform）
　4.5　非定常信号の時間周波数解析
　4.6　Wavelet Transformの基本
　4.7　多重解像度解析
　4.8　Wavelet Thresholding
　4.9　Soft Threshold / Hard Threshold
　4.10　Waveletによるノイズ除去の特徴
　4.11　FFT・STFT・Waveletの使い分け

5．Deep Learningによるノイズ除去
　5.1　AIによるノイズ除去とは
　5.2　従来型信号処理とDeep Learningの違い
　5.3　CNNを用いたノイズ除去
　5.4　Autoencoder / Denoising Autoencoder
　5.5　時系列信号に対するDeep Learning
　5.6　画像Denoisingへの応用
　5.7　音・音声Denoisingへの応用
　5.8　生体信号Denoisingへの応用
　5.9　学習データをどのように準備するか
　5.10　Clean Dataが得られない場合の問題
　5.11　学習データと実環境のミスマッチ
　5.12　Deep Learningによるノイズ除去の長所と限界

6．信号処理とAIを組み合わせたノイズ除去
　6.1 「すべてAIに任せる」ことの問題点
　6.2　信号処理をAIの前処理として利用する
　6.3　フィルタリング＋Deep Learning
　6.4　Wavelet＋Deep Learning
　6.5　特徴抽出＋機械学習
　6.6　Signal Processing-Informed AIという考え方
　6.7　ノイズ除去がAI認識精度に与える影響
　6.8　ノイズ除去前後の性能をどう評価するか
　6.9　SNRだけでは評価できないケース
　6.10　信号保存とノイズ除去のトレードオフ

7．対象別に考えるノイズ除去と手法選択
　7.1　音・音声信号
　7.2　振動・設備センサ信号
　7.3　ECG・EEG・EMG等の生体信号
　7.4　画像データ
　7.5　IoT・ウェアラブルセンサ
　7.6　定常ノイズ／非定常ノイズでの手法選択
　7.7　ノイズの事前情報がある場合／ない場合
　7.8　データ量が少ない場合
　7.9　リアルタイム処理が必要な場合
　7.10　従来型信号処理とAIの使い分け
　7.11　実務におけるノイズ除去手法選択の指針
　7.12　今後のノイズ・雑音除去技術

質疑応答

※満席・日程終了などで参加が難しい場合は、下記「お問い合わせ」ボタンより再開催のリクエストを承っております