モルフォ35時間ルール

※この記事は、2021年５月25日に投稿した「Morpho's 35-hour Projects」の日本語版です。

　こんにちは。CTO室のシニアリサーチャーの茶民と申します。今回の記事では、各社員が業務時間中に自身の好きなプロジェクトを行えるモルフォの取り組みについてご紹介します。

　モルフォでの就業時間は一日平均7時間であり、月の合計で約161時間となります。モルフォでは、このうち20%の時間を各々の好きなプロジェクトの進行に割くことができます。プロジェクトの内容は、モルフォの業務に関係することであればなんでも構いません。月35時間の範囲内なら何をしても良いため、「35時間ルール」と呼ばれています。本業に影響しなければ会社のリソースを利用することもできます。弊社では2018年からこのルールを開始し、初めはエンジニアとリサーチャーのみのルールでしたが、今では全社員がこの35時間ルールで自分のプロジェクトを行うことができます。

　読者のみなさんは、「あれ、これってGoogleの20%ルールと同じじゃない？」と思ったかもしれません。そうです。Googleも社員に労働時間の20%までを各々のプロジェクトに割けるようルールを設けました。しかし元々は、あのポストイットの発明で有名な3Mが始めたものでした。1948年から、3Mは労働時間の15%を独立したプロジェクトに割くよう従業員に強いています。他の会社でも似たようなルールを設けているところもあります。マイクロソフトの「Garage」、ヤフーの「Hack Day」、アトラシアンの「20%プロジェクト」、アップルの「Blue Sky」などです。

　なんだか似たようなものがたくさんありそうですね。このような企業の取り組みについて書かれた本もありますので、もっと知りたい方はぜひ読んでみてください。

OJT2021：Vieureka を用いた三密判定と性格行動診断の同時推論「密カッター」

こんにちは、リサーチャーの鈴木です。今年度の新人研修で、私達のグループは「密カッター」というシステムを開発しました。本記事では、このシステムの開発の目的、および、本システムで実装されている要素技術についてご紹介いたします。

本研修ではPanasonic様の提供するIoTカメラ「Vieureka*1」を使用しました。

「密カッター」による三密判定＋性格行動診断

新型コロナウイルスの感染防止対策として「三密防止」が重要であることは言うまでもありません。「人が多数集まる密集状態」「換気が悪い密閉空間」「間近で会話や発声をする密接場面」を常時監視することは、店舗運営等において望ましい環境作りとなります。さらに、今後はワクチン接種後に戻ってくる顧客の傾向をいち早く掴んでマーケティングに活用するチャンスと考えることもできます。心理学の分野では人の行動傾向が姿勢に表れるという示唆があります。このような心理学的研究をうまく活用することで、カメラの映像から適切なマーケティングにつなげられる可能性があります。

私達は、これらの課題に対して、「密集検知」「密閉検知」「密接検知」「性格行動診断」の４つの機能を、ＡＩ搭載の監視カメラVieureka上に実装しました。そして、新人研修の成果物として、これら４つの機能を備える監視システム「密カッター」を開発しました。

*1:「Vieureka」および「Vieureka」ロゴはパナソニック株式会社の登録商標です。

OJT 2021 : Vieurekaを用いた駐車可能位置案内システム

　はじめまして、リサーチャーの木村と申します。私は本年4月に新卒としてモルフォに入社しました。

　今年の新人研修（OJT）において、私たちのチームは2ヶ月にわたってPanasonic様が提供するVieureka[^*1]というエッジデバイスを用いたアプリケーション開発を行いました。私たちのチームは、Vieureka を使った駐車可能位置案内システム ( Camera based Parking Guidance System ) を開発しました。この駐車可能位置案内システムは、Vieureka で撮影した駐車場の画像から車両検出により駐車場の空き状況を分析してWeb 上に簡易駐車場マップを表示し、駐車可能な位置の情報を提供するというものです。

　この記事では、このシステムを開発するに至った動機やシステムに使用している技術などについて紹介します。

(文献紹介) Google の COVID-19 感染予測

こんにちは、CTO室リサーチャーの富田です。 モルフォでは論文紹介を持ち回りで行うジャーナルクラブという活動がありますが、画像処理に関する論文に限らず、担当者が興味を持ったテーマについて紹介することもあります。Google Cloudが昨年公開した COVID-19 感染予測(US版、日本版) は大きな話題になりました。そのホワイトペーパーである "Interpretable Sequence Learning for COVID-19 Forecasting" についてこのジャーナルクラブで発表したので、こちらでもご紹介します。感染者などの時系列推移を学習するだけでなく、疫学の専門家や意思決定者による学習結果の解釈のしやすさを重視した手法となっています。

このホワイトペーパーは機械学習のトップカンファレンスとして知られる NeurIPS 2020 にacceptされていますが、疫学における感染症の数理モデルを大枠としており、意外にも？機械学習的な部分は非常に簡素な作りです。そのため本記事・スライドの前半はその疫学の数理モデルの紹介*1、後半が本論文の手法の紹介となっています。

*1:この部分についてはなるべく元の文献に沿う形にした上で他の文献にもいくつか当たるなどして正確を期す努力はしていますが、私は疫学のバックグラウンドはない(物理が専門でした)ことをお断りしておきます。

Morpho's 35-hour Projects

Hi everyone! I am Chamin, a senior boffin research engineer from Morpho's CTO Office. In this post, I will introduce Morpho's way of letting its members do their own fun projects during work time.

At Morpho, our designated work time is seven hours a day (averaged over the month). Depending on the number of working days in a month, this can result in up to 161 hours a month. Any full-time worker at Morpho is allowed to use up to 20% of this time on a personal project. So long as the project is somehow related to Morpho's business scope, any project idea is fine. If the project needs a bit more time, additional time can be used so long as the total does not exceed 35 hours a month (hence the name, the 35-hour project). Using company resources is fine, as long as it does not delay actual business work. We launched this initiative in 2018 for only the technical staff, and later expanded it to include all regular staff.

This is not exactly a new idea. I am sure most of you are going to say "Oh, like Google's 20% Project". At the turn of the century, Google allowed its workers to pursue personal projects using up to 20% of their paid work time. However, the concept has its origins at 3M, the company that is well-known for inventing the post-it note. Since 1948, 3M has made it mandatory for employees to use 15% of their work time for independent projects. Several other companies ran, or still have similar projects. Microsoft's Garage, Yahoo's Hack Day, Atlassian's 20% projects, and Apple's Blue Sky are some examples.

This is getting crowded, isn't it? There is even a book written about this kind of initiatives, if you want to read more about them.

（文献紹介）デブラー手法の紹介

こんにちは、CTO 室リサーチャーの三宅と申します。 モルフォでは、学術論文の輪講を行う「ジャーナルクラブ」という有志による活動があります。今回は、このジャーナルクラブで発表した内容をご紹介いたします。

イメージセンサーの露光中にカメラが動くことで、写真がボケてしまうことをモーションブラーといいます。モーションブラーは、スマホを手持ち撮影すると日常的に生じてしまう現象です。光学的な解決策のひとつとして、シャッタースピードを速くして露光時間を短くするというのがありますが、露光量が減るため今度はノイズが目立ってしまうというトレードオフがあります。したがって、画像処理によってモーションブラーを除去（デブラー）し、写真をきれいにする手法が必要になります。今回紹介するのは、古典的なモーションブラーモデルを変分ベイズによって解くことで、１枚の入力画像からデブラーを実現する手法 [1] 、そして、複数フレーム画像（動画）を入力として、より精度よくデブラーする深層学習モデルを使った手法 [2] です。

[1] Fergus, Rob, et al. "Removing camera shake from a single photograph." ACM SIGGRAPH 2006 Papers. 2006. 787-794.

[2] Zhong, Zhihang, et al. "Efficient spatio-temporal recurrent neural network for video deblurring." European Conference on Computer Vision. Springer, Cham, 2020.

画像分類タスクにおける半教師有り学習 第2回

こんにちは、モルフォリサーチャーの芳賀です。

1回目の記事では半教師有り学習の概要に始まり、ラベル有りデータとラベル無しデータを一度に学習に組み込むone-stage学習に焦点を当て、基本コンセプトである「consistency regularization」「entropy minimization」について具体的な手法を交えて紹介しました。

techblog.morphoinc.com

2回目の記事では最近に至るまでの数々の手法について紹介します。