早稻田大學的研究團隊開發出了一項可將既往圖像識別精度提高二成的全新技術。該技術能夠抑制圖像內的空間資訊丟失，捕捉細微特徵。研究團隊力爭將其應用於搭載人工智慧（AI）的自動駕駛汽車攝像頭等。
搭載AI技術的自動駕駛汽車正在推進實際應用（美國南部佐治亞州亞特蘭大市）
這項新技術被命名為「FractalNEXT（碎形下一代）」圖像識別技術，研究團隊已與群馬大學次世代智慧移動社會應用研究中心以自動駕駛卡車搭載為目標展開聯合研究，實現特定條件下的4級（Level 4）完全自動駕駛。
圖像識別技術將按照顯示物體整體輪廓等粗略形狀的低頻成分，以及表示微小物體等精細資訊的高頻成分進行處理。既往技術在資訊傳遞過程中存在用於識別精細資訊的高頻成分會部分丟失的問題。
早稻田大學的鐮田清一郎教授著眼於用於圖像壓縮的「小波轉換」技術。研究團隊設計了一種把能夠儘可能保留資訊的小波轉換技術與相同形狀反覆出現的「碎形」結構相結合的網路。
同時該技術還採用多通路平行傳輸已保存資訊的機制，即便資訊在傳輸途中發生丟失，也能夠經由其他通路補足丟失的資訊，進而提高識別精度。
研究使用圖像識別領域廣泛採用的圖像資料集「ImageNet」驗證精度時，既往主流方法的圖像識別精度為62.3%，而本次開發的方法可達76.8%。對於小字和細線較多的古文書中的「草書體文字」，也能以高精度識別。鐮田教授表示：「達到了世界最高水平的精度。」
如果將該技術嵌入可快速分析小型物體、複雜圖像細微特徵且不丟失細節的AI，就有望應用於自動駕駛與醫學影像診斷領域。相關研究成果已發表於國際學術期刊《Neural Networks》。
原文：《日本經濟新聞》、2026/9/15
翻譯：JST客觀日本編輯部
【論文資訊】
期刊：Neural Networks
論文：FracNeXt: Enhancing visual representation learning in sequence models with fractal wavelets
DOI：doi.org/10.1016/j.neunet.2026.109234
