AIエンジニアを目指す皆さん、こんにちは。今回は『コンピュータビジョンの基礎』に焦点を当て、深堀りしていきます。画像処理、パターン認識、そして機械学習の観点から、コンピュータビジョンの基本概念について一緒に学んでいきましょう。準備はいいですか？それでは、はじめましょう！
画像処理の基本原理と応用
画像処理の基本原理と応用について、まず基礎的な概念から始めましょう。画像処理は、デジタル画像を取得し、変更し、分析するための手法を指します。その基本原理は、ピクセルと呼ばれる画像の最小単位に焦点を当てます。各ピクセルは、色や明るさなどの情報を持っており、これを操作することで様々な処理が可能です。
1. ピクセルと色の表現:
画像は通常、RGB (Red, Green, Blue) と呼ばれる色モデルで表現されます。各ピクセルはこれらの基本色成分の組み合わせで色を表現します。例えば、赤いピクセルはR成分が強く、他の成分が弱い状態です。
2. フィルタリングと畳み込み:
画像処理では、畳み込みと呼ばれる操作がよく使われます。畳み込みは、画像に対して畳み込むカーネル（フィルタ）を用いて新しい画像を生成する操作です。これにより、ぼかし、エッジ検出、シャープネスなどの効果が得られます。
3. ヒストグラムとコントラスト:
ヒストグラムは画像の色や明るさの分布を示すグラフで、コントラストの評価や調整に利用されます。ヒストグラムを分析することで、画像全体の特性を把握し、適切な調整が可能です。
4. 画像変換と幾何学的変換:
画像処理では、画像のサイズ変更、回転、反転などの変換が頻繁に行われます。これにより、異なる視点からの情報を取得したり、画像を修正したりすることができます。
5. ノイズの除去:
デジタル画像にはさまざまな種類のノイズが存在します。画像処理の一環として、ノイズを検出し、適切な手法で取り除くことが求められます。
これらの基本原理を理解することで、画像処理の応用にも進むことができます。例えば、物体検出、顔認識、画像セグメンテーションなど、機械学習やディープラーニングと組み合わせることで、高度な画像処理タスクに取り組むことが可能です。
ニューラルネットワークを活用した物体検出の仕組み
物体検出は、画像やビデオ内の特定の物体や領域を検知し、それに境界ボックスを割り当てるタスクです。このタスクにおいて、ニューラルネットワークは優れた結果を生み出すため、以下ではその基本的な仕組みに焦点を当てます。
1. 畳み込みニューラルネットワーク (CNN) の利用:
物体検出の多くのモデルは、畳み込みニューラルネットワーク（CNN）を基盤にしています。CNNは画像の特徴を抽出するために畳み込み層を使用し、これによって物体の一般的なパターンや特徴を捉えることができます。
畳み込みニューラルネットワーク (CNN) の利用－日立ソリューションズ・クリエイト
2. アンカーボックスの生成:
物体検出では、画像内の異なる領域にアンカーボックス（Anchor Box）と呼ばれる枠を配置します。これらのアンカーボックスは、様々なアスペクト比やサイズを持ち、物体の異なる形状やサイズに対応します。
3. 領域提案ネットワーク (RPN):
RPNは、畳み込みニューラルネットワークを使用して画像内の領域提案を生成します。これにより、候補のアンカーボックスが物体を包含するかどうかを評価します。
4. 物体の分類と境界ボックスの回帰:
検出されたアンカーボックスに対して、それがどのクラスに属するか（例: 車、人、犬）と、物体の正確な位置を示す境界ボックスの座標を予測します。これは通常、クラス分類と座標回帰の2つの出力層によって行われます。
5. 損失関数と学習:
検出モデルは、クラス分類と座標回帰の両方に対する損失関数を最小化するように学習されます。これにより、モデルは正確で頑健な物体検出を実現するためのパラメータを調整します。
6. 非最大値抑制 (NMS):
学習されたモデルは、同じ物体に対して重複した検出を行うことがあります。NMSは、これらの冗長な検出を削除し、信頼性の高い物体検出結果を得るための手法です。
これらのステップにより、ニューラルネットワークを活用した物体検出が実現されます。物体検出は、自動運転、監視システム、画像検索などさまざまな領域で応用され、その高度な性能は機械学習技術の進歩に裏打ちされています。
フィーチャー抽出とディープラーニングの関係
フィーチャー抽出とディープラーニングの関係は、画像処理や機械学習において重要な要素です。これらの概念の基本から始め、ディープラーニングにおけるフィーチャー抽出の進化について詳しく説明します。
1. フィーチャー抽出の基本:
フィーチャー（特徴）は、データの重要な側面やパターンを表す情報です。画像においては、エッジ、色、形状などが典型的なフィーチャとして挙げられます。これらのフィーチャは、画像から情報を抽出するプロセスによって得られます。
2. 手動でのフィーチャエンジニアリング:
以前のアプローチでは、エキスパートが手動でフィーチャを設計する手法が一般的でした。例えば、エッジ検出フィルタやテクスチャ特徴抽出器を使って、画像から重要な情報を取り出していました。しかし、これはタスクごとに異なるフィーチャを設計する必要があり、複雑なタスクに対応するのが難しかったです。
3. ディープラーニングの登場:
ディープラーニングは、階層的な構造を持つニューラルネットワークを使用して、データから自動的に特徴を学習する手法です。これにより、手動でのフィーチャエンジニアリングの必要性が低減し、大規模で複雑なデータセットに対応できるようになりました。
4. 畳み込みニューラルネットワーク (CNN) とフィーチャ抽出:
CNNは画像認識のタスクにおいて強力なフィーチャ抽出機構として機能します。畳み込み層は画像内の異なる位置のフィーチャを同時に学習し、これによりエッジ、テクスチャ、およびより抽象的な特徴も抽出できます。これにより、低レベルから高レベルの特徴まで階層的に表現できます。
5. 転移学習とフィーチャ転移:
転移学習では、事前に学習されたディープラーニングモデルの一部を新しいタスクに再利用します。これにより、大規模なデータセットで学習された豊富な特徴が、新しいタスクにおいても有効に活用されます。
6. 自己教師学習とフィーチャ学習の進化:
自己教師学習では、ラベルのないデータから自動的に学習する手法が進化しています。これにより、フィーチャの抽出だけでなく、データの表現力を向上させることも可能となっています。
フィーチャ抽出とディープラーニングの進化は、様々な分野で効果的な情報処理を可能にし、特に画像処理やパターン認識において顕著な進歩を遂げています。
コンピュータビジョンの発展と未来展望
コンピュータビジョンの発展と未来展望は、技術の進歩や新たなアプローチの探求によって驚異的なものとなっています。コンピュータビジョンの歩み、現在の状況、そして将来の展望について詳しく説明します。
1. 歴史的な進化:
コンピュータビジョンは、1950年代から数十年にわたり進化してきました。初期の段階では限定的なタスクに対応していましたが、1980年代から1990年代にかけては手動で設計された特徴と機械学習が組み合わさり、顔認識や文字認識などの実用的なアプリケーションが登場しました。
2. ディープラーニングの台頭:
2010年代以降、ディープラーニングの発展によりコンピュータビジョンの領域においても大きな変革が生まれました。特に畳み込みニューラルネットワーク（CNN）を用いた深層学習は、画像分類、物体検出、セグメンテーションなどのタスクにおいて驚異的な成果を上げました。
3. 物体検出とセマンティックセグメンテーション:
物体検出やセマンティックセグメンテーションなど、コンピュータビジョンのタスクにおいては、ディープラーニングによるアプローチが非常に成功しています。これにより、リアルタイムでの物体検出や高精度な画像セグメンテーションが可能になり、自動運転車両やロボティクス、医療画像処理など幅広い分野で利用されています。
4. ドメイン適応と転移学習:
コンピュータビジョンの発展において、新しい環境やドメインにおいてもモデルを効果的に利用するための研究が進んでいます。ドメイン適応や転移学習により、モデルの柔軟性と拡張性が向上し、実世界の様々な状況に対応できるようになりつつあります。
5. 3Dコンピュータビジョンと拡張現実 (AR):
最近の進展では、3Dコンピュータビジョンの研究が注目を集めています。これにより、物体の三次元的な理解やAR（拡張現実）アプリケーションの開発が進み、新たなユーザーエクスペリエンスの可能性が広がっています。
6. エシカルな課題とプライバシーの重要性:
コンピュータビジョンの拡大に伴い、データの利用やモデルの挙動に関するエシカルな問題やプライバシーの懸念が浮上しています。これらの問題への対処が今後ますます重要となるでしょう。
7. 未来展望:
未来では、コンピュータビジョンはますます精度が向上し、リアルタイムで環境を理解し、直感的な対話が可能なレベルに発展すると考えられます。同時に、エシカルなガイドラインやプライバシー保護の仕組みが進化し、技術の進歩が社会に持つ影響に対処することも期待されます。
コンピュータビジョンの未来は非常に興味深く、様々な分野において革新的な進展が期待されています。
OpenCVを使った実践的なプロジェクト例
OpenCVは、コンピュータビジョンや画像処理のためのオープンソースのライブラリであり、実践的なプロジェクトの構築に広く使用されています。OpenCVを使用した具体的なプロジェクト例に焦点を当てて詳しく説明します。
1. 顔検出と認識:
OpenCVを使用して、静止画や動画から顔を検出し、さらには顔認識を行うプロジェクトがあります。Haar Cascade分類器を利用して顔検出を行い、その後、顔領域に対して機械学習モデルを組み合わせて個々の顔を認識することが可能です。
2. 物体検出とトラッキング:
OpenCVを使用して物体検出とトラッキングを組み合わせることで、動画内の特定の物体を追跡するアプリケーションが作成できます。これは、セキュリティ監視やロボティクスなどの分野で広く利用されています。
3. 手のジェスチャ認識:
カメラからの映像を取得し、OpenCVを使って手のジェスチャを認識するプロジェクトがあります。これにより、例えばコンピュータに対してジェスチャで命令を送るなど、直感的なユーザーインタフェースを構築できます。
4. 画像フィルタリングと加工:
OpenCVは画像処理の強力なツールを提供しており、ぼかし、エッジ検出、色の変換などの様々な画像フィルタリングや加工のプロジェクトがあります。これは、写真編集アプリケーションや画像処理パイプラインの一部として使用されます。
5. 光学文字認識 (OCR):
OpenCVとTesseract OCRを組み合わせて、印刷されたテキストや手書きの文字を読み取るプロジェクトがあります。これは、自動文書処理やデジタルアーカイブ作成のために広く利用されています。
6. カメラキャリブレーション:
カメラの歪みを補正するためのキャリブレーションプロジェクトがあります。これにより、正確な画像の座標系を取得し、3D空間での計測やARアプリケーションなどで使用できます。
7. 顔表情分析:
カメラで取得した顔の映像から、表情の変化を分析するプロジェクトがあります。これは感情認識やユーザーエクスペリエンスの向上に役立ちます。
8. パノラマ画像生成:
複数の画像を取得し、OpenCVを使用してパノラマ画像を生成するプロジェクトがあります。これにより、360度の景色を記録するアプリケーションや、仮想ツアーの作成が可能です。
これらのプロジェクト例は、OpenCVが様々なアプリケーションで有用であることを示しています。開発者はOpenCVの多彩な機能を活用して、画像処理やコンピュータビジョンのプロジェクトを構築できます。
ファッションAI: 画像分類を用いたスタイル推薦の仕組み
ファッションAIは、画像分類技術を利用してユーザーに対して適切なスタイルやアイテムを推薦する仕組みです。ファッションAIの仕組みや応用、その技術的な背景について詳しく説明します。
1. データ収集とラベリング:
ファッションAIの開発には大規模で多様なファッション画像のデータセットが必要です。これらの画像は、異なるスタイルやブランド、季節などのラベルが付いていることが一般的です。データセットは、ファッションアイテムの多様性を学習し、適切な推薦を行うために必要です。
2. 畳み込みニューラルネットワーク (CNN) の使用:
画像分類においては、畳み込みニューラルネットワーク（CNN）が強力なツールとして使用されます。ファッションAIでは、これらのネットワークをトレーニングして、異なるファッションアイテムやスタイルを識別する能力を獲得します。
3. 埋め込みベクトルとアイテムの表現:
CNNを通して学習されたモデルは、各ファッションアイテムに対する特定の特徴を捉えた埋め込みベクトルを生成します。これにより、アイテムの類似性を評価し、スタイルのマッチングが可能となります。
4. ユーザー履歴の考慮:
ファッションAIは、ユーザーが過去に閲覧したアイテムや購入履歴を考慮することがあります。これにより、ユーザーの好みやスタイルに合致したアイテムをより精緻に推薦できます。
5. リアルタイムのトレンド分析:
ファッションは常に変化しています。ファッションAIはリアルタイムでトレンドや季節の変化を分析し、それに合わせたスタイルの提案を行います。これにより、ユーザーに最新のファッショントレンドを提供できます。
6. 解釈可能性と説明可能性:
ファッションAIが提案するスタイルやアイテムに対して、その理由や根拠をユーザーに説明できることが求められます。解釈可能性や説明可能性は、ユーザーの信頼を得るために重要です。
7. ユーザーのフィードバックの統合:
ユーザーが提案されたアイテムにフィードバックを提供することで、ファッションAIはユーザーの好みや嗜好をより正確に理解し、次回の推薦を最適化します。
8. オムニチャネル対応:
ファッションAIは、オンラインショッピングプラットフォームや実店舗のデジタルサイネージなど、様々なチャネルで利用されることがあります。これにより、顧客体験をオムニチャネルで統一し、一貫性のあるファッション体験を提供します。
ファッションAIは、個別のユーザーに合わせたスタイリングの提案から、大規模なトレンド予測まで様々なアプリケーションで利用され、ファッション産業において個性的で効果的なサービスを提供しています。
コンピュータビジョンにおける畳み込みニューラルネットワークの役割
畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）は、コンピュータビジョンにおいて非常に重要な役割を果たしています。CNNの基本的な仕組みや役割、応用分野について詳しく説明します。
1. 画像特徴の抽出:
CNNの主な役割は、画像内の重要な特徴を抽出することです。これは畳み込み層とプーリング層によって行われます。畳み込み層は画像内の異なる位置に対してフィルタを適用し、異なる特徴マップを生成します。これにより、エッジ、色、テクスチャなどの低レベルから高レベルな特徴までを捉えることができます。
2. 階層的な特徴表現:
CNNは複数の畳み込み層とプーリング層から構成され、これにより階層的な特徴表現を学習します。初めの層はエッジや色などの基本的な特徴を抽出し、後の層はこれらの特徴を組み合わせてより複雑な概念を表現します。これにより、最終的な分類や検出に役立つ高位な表現が得られます。
3. 局所的な情報の保持:
CNNは畳み込み操作により、画像内の局所的な情報を保持します。これにより、位置に対する変動に頑健な特徴抽出が可能となり、物体の位置や姿勢の変化に対して頑健なモデルを構築できます。
4. 重みの共有とパラメータの削減:
CNNでは畳み込み層においてフィルタを共有することで、画像全体で同じ特徴を検出できます。これにより、学習すべきパラメータが削減され、モデルが効率的に学習できるようになります。
5. プーリングによるダウンサンプリング:
プーリング層は畳み込み層から得られた特徴マップを縮小するために使用されます。これにより、計算の効率向上と位置の微小な変動に対するロバスト性が得られます。
6. 物体検出と分類:
CNNは物体検出や分類に優れた性能を発揮します。畳み込み層による特徴抽出と、その後の全結合層による組み合わせにより、画像内の物体やパターンを識別し、分類や検出を実現します。
7. 転移学習の利用:
CNNは転移学習にも適しています。事前に大規模なデータセットで学習されたモデルを、新しいタスクに転用することができます。これにより、少ないデータで効果的なモデルを構築できます。
8. 画像生成への応用:
CNNは画像生成にも利用されており、例えば敵対的生成ネットワーク（GAN）を用いて新しい画像の生成が可能です。これは、芸術的な創造性やデザインへの応用にも繋がっています。
コンピュータビジョンにおいて畳み込みニューラルネットワークは、画像処理や分類、物体検出などの幅広いタスクにおいて、高い性能と柔軟性を発揮しています。
顔認識技術の進化とプライバシーへの影響
顔認識技術は過去数十年で飛躍的に進化し、様々な分野で広く利用されています。一方で、この技術の進化は個人のプライバシーに影響を与える問題も浮き彫りにしています。顔認識技術の進化とそのプライバシーへの影響について詳しく説明します。
1. 技術の進化:
– 精度向上: 初期の顔認識技術は限定的な条件下でしか機能しなかったが、深層学習や畳み込みニューラルネットワークの進歩により、非常に複雑な環境や大規模なデータセットにおいても高い精度が実現された。
– リアルタイム処理: リアルタイムでの顔認識が可能となり、セキュリティ、監視、自動運転車両、スマートデバイスなど多岐にわたる領域での応用が進んでいる。
2. セキュリティと監視:
– アクセス制御: 企業や政府機関では、顔認識技術を使用して建物へのアクセス制御を行ったり、機密情報にアクセスする際に本人確認を行ったりしている。
– 犯罪捜査: 警察機関は犯罪者の特定や行方不明者の捜索に顔認識技術を利用しており、これにより犯罪の防止や解決に寄与している。
3. 商業利用:
– 顧客サービス: 一部の企業は、顔認識技術を利用して顧客を識別し、パーソナライズされたサービスを提供している。例えば、店舗での買い物体験やホテルのチェックインなど。
– 広告ターゲティング: 一部のデジタル広告プラットフォームでは、顔認識技術を使用して広告を特定の人々に向けてターゲティングすることがあり、これにより広告のパフォーマンスが向上することが期待されている。
4. 個人のプライバシーへの懸念:
– トラッキング: 顔認識技術を使用したトラッキングが懸念されており、個人がどこにいるかやどのような活動をしているかが容易に把握される可能性がある。
– 無断での使用: 商業利用や監視カメラなどでの顔認識が無断で行われると、個人の同意なしに情報が収集される可能性があり、これがプライバシー侵害となることがある。
5. 誤認識とバイアス:
– 性別や人種のバイアス: 顔認識技術は、性別や人種に対してバイアスを持つことがあり、特に訓練データが不均衡な場合、誤った判断が行われる可能性がある。これは公平性や差別の懸念を引き起こす。
6. 法規制と規制の必要性:
– 個人情報保護法: 一部の国や地域では、個人情報保護法の改正や新たな法令の導入により、顔認識技術の使用に制約がかかるケースが増えている。
– 透明性と説明責任: 顔認識技術の開発・利用者は透明性と説明責任を持つべきであり、技術の使用が倫理的かつ法的に正当であることを保証するための手段が求められている。
顔認識技術は多岐にわたる利点がありますが、その進化には慎重な取り扱いが必要です。特にプライバシーへの配慮や公平性、透明性が重要な観点となり、法規制や技術の開発者・利用者の倫理的な責任が強調されています。
コンピュータビジョンにおける教師あり学習と教師なし学習の比較
コンピュータビジョンにおいては、主に教師あり学習と教師なし学習の2つのアプローチが用いられています。これらのアプローチの比較に焦点を当て、それぞれの特徴や適用例について詳しく説明します。
教師あり学習 (Supervised Learning):
1. 基本原則:
– ラベル付きデータ: 教師あり学習では、トレーニングデータには入力データと対応するラベル（目標値）が与えられます。モデルはこのラベル情報を使用して学習を進めます。
– 目的: モデルは、新しい未知のデータに対して、正確な予測や分類を行うことが求められます。
2. 適用例:
– 画像分類: 手書き数字認識や犬と猫の分類など、入力画像に対して適切なクラスを予測するタスクに使用されます。
– 物体検出: 画像内の物体の位置や境界を特定するタスクにおいても、教師あり学習が適用されます。
– 言語翻訳: 文章やセンテンスの翻訳など、自然言語処理のタスクにも利用されます。
3. 利点:
– 高精度: ラベル付きデータを使用するため、高い精度での予測が可能。
– 明示的な目標: ラベル情報を通じてモデルが明示的な目標を学習しやすい。
4. 課題:
– データラベルのコスト: ラベル付きデータの収集が手間と費用がかかる。
– 未知のクラスへの対処: 新しいクラスやラベルが登場した場合、対処が難しい。
教師なし学習 (Unsupervised Learning):
1. 基本原則:
– ラベルなしデータ: 教師なし学習では、データにはラベルが付いておらず、アルゴリズムはデータの構造やパターンを自動的に抽出しようとします。
– 目的: データ内の隠れた構造やパターンを発見し、クラスタリングや次元削減などのタスクを達成します。
2. 適用例:
– クラスタリング: 似た特性を持つデータポイントをグループ化するためにクラスタリングが利用されます。
– 次元削減: 特徴量を減らすことでデータの構造を簡潔に表現し、可視化や計算の効率を向上させます。
– 異常検知: 正常なデータのパターンを学習し、異常なデータを検知するタスクに使用されます。
3. 利点:
– ラベル不要: ラベルの付与が不要であり、データの構造を抽出する柔軟性がある。
– 新しいパターンの発見: 未知のパターンやクラスを発見する能力がある。
4. 課題:
– 評価が難しい: 教師なし学習の結果を評価するのが難しく、主観的な判断が求められることがある。
– 目標が不明確: 目標がラベルなしのため、どのような構造やパターンが期待されているか事前にわかりにくい。
教師あり学習と教師なし学習の選択:
– タスクの性質: タスクがクラス分類や回帰などの予測が必要な場合は教師あり学習が適している。一方で、データの構造を理解しグループ分けたり、特徴を抽出したい場合は教師なし学習が選択されることがある。
– データの入手可能性: ラベル付きデータが充分にある場合は教師あり学習が利用されるが、データのラベル付けが難しいか不可能な場合は教師なし学習が選択されることがある。
コンピュータビジョンにおいては、教師あり学習と教師なし学習が相補的に使用され、データの特性や解決すべき課題に応じて最適なアプローチが選択されます。
ロボティクスとの融合: コンピュータビジョンがもたらす可能性
ロボティクスとコンピュータビジョンの融合は、革新的な進展と未来の可能性を切り拓いています。この融合がもたらす潜在的な影響について詳しく説明します。
1. 自律ロボットの進化:
– センサーフュージョン: コンピュータビジョンは他のセンサーデータと組み合わせられ、ロボットが環境をリアルタイムに理解し、適切な行動を選択できるようになります。
– 障害物回避: コンピュータビジョンを使用してロボットが周囲の状況を認識し、障害物を検知して適切な動きを取ることが可能です。
2. 産業用途での効率向上:
– 自動検査: 製造業では、コンピュータビジョンが製品の欠陥や品質の問題を検出し、自動的に品質管理を行います。
– 物流と倉庫管理: ロボティクスとコンピュータビジョンの統合は、倉庫内の自動化や効率的な物流管理に貢献しています。
3. 医療分野への応用:
– 手術支援: コンピュータビジョンが手術中に使用され、外科医にリアルタイムの情報や補助を提供し、精度の向上を図ります。
– 診断支援: 医療画像の解析や病変の検出において、コンピュータビジョンが医師を支援する役割が拡大しています。
4. 農業と環境モニタリング:
– 農作業の自動化: ロボットとコンピュータビジョンを組み合わせて、農作業の自動化が進み、作物の状態や収穫のタイミングの最適化が可能です。
– 環境調査: 環境モニタリングにおいて、コンピュータビジョンは動植物の観察や生態系の変化をリアルタイムで追跡します。
5. 交通と移動の革新:
– 自動運転技術: 車両に搭載されたコンピュータビジョン技術が、自動運転車の安全性向上や周囲の交通状況の把握に寄与しています。
– 歩行者認識: コンピュータビジョンは歩行者や自転車の検知にも利用され、交通安全性の向上に寄与します。
6. 拡張現実 (AR) とバーチャル現実 (VR):
– ARアプリケーション: コンピュータビジョンはARを補完し、現実世界にデジタル情報をオーバーレイするアプリケーションで活用されます。
– VR体験: VR空間内での手の動きや表情の認識において、コンピュータビジョンは没入型体験を向上させます。
7. セキュリティと監視:
– 顔認識: セキュリティや監視システムにおいて、コンピュータビジョンが不正アクセスの検知や許可制御に利用されています。
– 行動解析: コンピュータビジョンは不審な行動や異常なパターンの検知にも応用され、セキュリティ向上に寄与しています。
8. 人間との共生:
– 共感性の向上: ロボットが人間の感情や行動をコンピュータビジョンで認識し、より共感的な反応や対話を可能にすることが期待されています。
– 高度な協働: コンピュータビジョンによってロボットは周囲の状況を把握し、人間との安全で効果的な協働が可能となります。
ロボティクスとコンピュータビジョンの融合は、様々な領域で生活の質を向上させ、効率的なソリューションを提供する可能性を秘めています。技術の進歩と倫理的な配慮が共に進んでいくことで、これらの技術の実用化が進んでいくことが期待されます。
