畳み込みニューラルネットワークMobileNetV2を用いた統計ポスターのデザイン自動評価に関する研究

• Item type: SIG Technical Reports(1)
• 公開日: 2024-11-30
• タイトル: 畳み込みニューラルネットワークMobileNetV2を用いた統計ポスターのデザイン自動評価に関する研究
• タイトル / 言語: en
• タイトル: Automatic Evaluation of Statistical Poster Designs Using Convolutional Neural Network MobileNetV2
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: CE学生セッション(2)
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 電気通信大学
• 著者所属: 電気通信大学
• 著者所属: 兵庫県立大学大学院情報科学研究所／雲雀丘学園中学校・高等学校
• 著者所属(英): en
• 著者所属(英): The University of Electro-Communications
• 著者所属(英): en
• 著者所属(英): The University of Electro-Communications
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science, University of Hyogo / Hibarigaoka Gakuen Junior & High School
• 著者名: 奈田, 青葉; 渡辺, 博芳; 林, 宏樹
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 高等学校の「情報 I 」の科目において，授業の成果物として統計ポスターが作成されることがある．統計ポスターの評価には，データの活用の観点での評価と，情報デザインの観点での評価が必要である．近年，多くの分野において CNN を利用した画像識別が行われていることから，情報デザインの観点での評価は CNN によって自動化できるのではないかと考えた．本研究では CNN を利用した画像識別により，統計ポスターのデザインを自動的に評価する手法を検討した．「近接」「整列」「反復」「対比」「余白」「背景色」「色数」「色の組合せ」の 8 つの評価項目を設定し，562 枚のポスター画像を基準に従い二値分類し，MobileNetV2 の転移学習を用いて各評価項目ごとにモデルを作成した．その結果，視覚的に明確な基準を持つ項目では高い精度が得られ，モデルが比較的正確に学習できたが，複雑な基準を持つ項目では課題が残った．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In high school “Information I” classes, students sometimes create statistical posters as part of their coursework. Evaluating these posters requires assessment from both data utilization and information design perspectives. In recent years, Convolutional Neural Networks (CNNs) have been widely used for image recognition across various fields, leading to the consideration that information design evaluation could be automated using CNNs. This study explores a method for automatically evaluating statistical poster designs using CNN-based image recognition. Eight assessment criteria were defined: “proximity,” “alignment,” “repetition,” “contrast,” “margin,” “background color,” “number of colors,” and “color combinations.” A total of 562 poster images were binarily classified based on these criteria, and models were created for each assessment item using transfer learning with MobileNetV2. As a result, items with visually clear standards achieved high accuracy, indicating that the model was able to learn relatively accurately; however, challenges remain with assessment items involving more complex criteria.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10096193
• 書誌情報: 研究報告コンピュータと教育（CE）; 巻 2024-CE-177, 号 14, p. 1-8, 発行日 2024-11-30
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8930
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会