膨大な画像データを扱うAI処理を高速化「領域選択エンコード技術」を開発

　日立は、膨大な画像データをAIで扱う際の処理を高速化する「領域選択エンコード技術」を開発した。

　画像データの特徴量をエンコードする際に用いられている画像を扱うAIモデルの基本構造の一つであるVision Transformer（ViT）は、エンコード時に画像全体を細かく分けた各領域に対応する膨大なトークンを処理するため、処理時間やGPUなどの計算資源の増大が課題となっている。

　同社では、画像のどの領域が精度維持に寄与するかを分析し、対象物が写る領域に対応するトークンが精度維持に寄与していることに加え、多くの画像でAIモデルが注目する特定の位置 (固定領域) があり、それに対応するトークンが精度維持に寄与することを特定。これに基づき、対象物が検出された領域と固定領域に対応するトークンのみを処理対象とすることで、処理量の削減に成功した。

　同技術により、検索精度を維持したまま、特徴量生成に必要な平均処理時間を、従来の画像全体を処理する方式と比べて半減できたという。これにより、膨大な画像データを扱うAIの処理高速化に加え、GPUなどの計算資源の削減も期待できるとしている。

　今後、画像や動画データの利活用を支える既存のAI基盤への適用を検討するとともに、膨大な画像や動画データを扱う業務の効率化の支援を進める。さらに、Lumada 3.0の強化を支える技術の一つとして、AI向けデータインフラの高度化に貢献していくとしている。