JP2017062713A - 識別器作成装置、識別器作成方法、およびプログラム - Google Patents
識別器作成装置、識別器作成方法、およびプログラム Download PDFInfo
- Publication number
- JP2017062713A JP2017062713A JP2015188365A JP2015188365A JP2017062713A JP 2017062713 A JP2017062713 A JP 2017062713A JP 2015188365 A JP2015188365 A JP 2015188365A JP 2015188365 A JP2015188365 A JP 2015188365A JP 2017062713 A JP2017062713 A JP 2017062713A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- specific category
- data
- pattern
- discriminator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 114
- 230000006870 function Effects 0.000 claims description 129
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 95
- 230000005856 abnormality Effects 0.000 abstract description 26
- 239000013598 vector Substances 0.000 description 60
- 238000011156 evaluation Methods 0.000 description 34
- 238000012545 processing Methods 0.000 description 32
- 238000000605 extraction Methods 0.000 description 26
- 238000012706 support-vector machine Methods 0.000 description 19
- 230000007547 defect Effects 0.000 description 18
- 230000014509 gene expression Effects 0.000 description 16
- 238000010606 normalization Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 11
- 230000035945 sensitivity Effects 0.000 description 11
- 238000002790 cross-validation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 206010000117 Abnormal behaviour Diseases 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007788 roughening Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【解決手段】 識別器のパラメータを学習するに際し、学習用の正常パターン群から相対的に乖離している学習用の正常パターンの特定カテゴリ度を、学習用の正常パターン群から相対的に乖離していない学習用の正常パターンの特定カテゴリ度に対し相対的に低減させると共に、学習用の異常パターンの特定カテゴリ度を、学習用の正常パターン群の特定カテゴリ度に対し相対的に低減させる。
【選択図】 図1
Description
(第1の実施形態)
まず、第1の実施形態を説明する。本実施形態では、監視カメラで撮影された動画像に基づいて、監視エリア内の異常を検出するためのパターン識別器の学習を行う方法を例に挙げて説明する。本実施形態では、異常が発生していない状況、つまり、正常な状況を、特定カテゴリとし、何らかの異常が発生している状況を、非特定カテゴリと定義する。また、本実施形態では、特定カテゴリのデータ、つまり、正常な状況を撮影した監視カメラの動画像を、必要に応じて正常データと記載する。また、非特定カテゴリのデータ、つまり、何らかの異常が発生している状況を撮影した監視カメラの動画像を、必要に応じて異常データと記載する。本実施形態では、入力されたデータが、正常であるか否かを判定する識別器を、予め得られている、多数の正常データと、少なくとも1つの異常データとを用いて学習する方法を示す。
条件1:0≦αi≦1/(νN)
条件2:Σ[i=1〜N]αi=1
総和をとることを意味する。パラメータ初期化部105は、初期化したN個の係数{αi}を、識別器パラメータ106として記録する。
図3は、識別器300の機能的な構成の一例を示す図である。また、図4は、識別器300による処理の一例を説明するフローチャートである。以下、図3および図4を参照しながら、本実施形態のパターン識別方法の一例を説明する。
CPU501は、ROM502やRAM503に格納されたプログラムに従って命令を実行する。
RAM503は、揮発性メモリであり、フレーム画像データや、被写体の同定の結果などの一時的なデータを記憶する。
入力装置505は、キーボードやマウスなどであり、ユーザからの入力を可能とする。
ネットワークI/F507は、モデムやLANなどであり、インターネットやイントラネットなどのネットワークと接続を行う。
バス508は、前述した各要素を相互に通信可能に接続する。各要素は、バス508を介して相互にデータの入出力を行う。
次に、第2の実施形態を説明する。第1の実施形態における識別器の学習方法では、係数{αi}以外のパラメータν、σ、λについては、予め設定した値を用いた。パラメータλは、パラメータ初期化部105で使用する条件1に含まれるパラメータである。パラメータσは、(2)式に示したカーネル関数のパラメータσである。パラメータλは、各目的関数Jp({αi})、Jn({αi})の効果のバランスを調整するための正のパラメータである。これに対し、本実施形態では、これらのパラメータについても適切に探索する。このように本実施形態と第1の実施形態とは、パラメータν、σ、λを導出する方法が主として異なる。従って、本実施形態の説明において、第1の実施形態と同一の部分については、図1〜図5に付した符号と同一の符号を付す等して詳細な説明を省略する。以下の説明では、係数{αi}以外のパラメータを必要に応じてハイパーパラメータと記載する。
次に、ステップS702において、特徴抽出部603は、ステップS701で学習データ保持部602に記録された学習データのそれぞれから、特徴データを抽出し、抽出元の学習データと相互に関連づけて学習パターン保持部604に記録する。本実施形態では、特徴抽出部603は、特徴データとして、例えば、特許文献2に記載の立体高次局所自己相関特徴(CHLAC)を抽出する。ステップS702の処理は、図2のステップS202と同じ処理であるので、詳細な説明を省略する。
次に、第3の実施形態を説明する。第1、第2の実施形態では、識別器のパラメータを学習するための目的関数を、1クラスSVMを用いた識別器のパラメータを学習するための目的関数を拡張した目的関数にする場合を例に挙げて説明した。これに対し、本実施形態では、識別器のパラメータを学習するための目的関数を、非特許文献3に記載のKullback−Leibler Importance Estimation Procedure(KLIEP)を拡張した目的関数とする。このように本実施形態と第1の実施形態とでは、識別器と、識別器のパラメータを学習するための目的関数とが異なることによる構成および処理が主として異なる。したがって、本実施形態の説明において、第1、第2の実施形態と同一の部分については、図1〜図7に付した符号と同一の符号を付す等して詳細な説明を省略する。
以上のように、識別器のパラメータの学習に用いる目的関数は、1クラスSVMを用いた識別器のパラメータを学習するための目的関数を拡張したものだけでなく、その他の手法を用いた識別器のパラメータを学習するための目的関数を拡張したものでもよい。
次に、第4の実施形態を説明する。第1〜第3の実施形態では、いわゆる1クラス系の識別器のパラメータの学習に用いる目的関数を拡張する場合を例に挙げて説明した。これに対し、本実施形態では、2クラス識別器のパラメータの学習に用いる目的関数を拡張する場合を例に挙げて説明する。本実施形態では、2クラス識別器として一般的なロジスティック回帰を用いた識別器のパラメータの学習に用いる目的関数を拡張する場合について説明する。このように、本実施形態と第1〜3の実施形態は、識別器が2クラス識別器であることによる構成および処理が主として異なる。したがって、本実施形態の説明において、第1〜第3の実施形態と同一の部分については、図1〜図7に付した符号と同一の符号を付す等して詳細な説明を省略する。
図8は、識別器作成装置800の機能的な構成の一例を示す図である。また、図9は、識別器作成装置800による処理の一例を説明するフローチャートである。以下、図8および図9を参照しながら、本実施形態の識別器学習方法について、第1および第3の実施形態と異なる部分を説明する。
条件1:wi≧0
条件2:Σ[i=1〜N]wi=C
以上のことから本実施形態では、ステップS903において、目的関数設定部805は、(19)式の目的関数J({wi})に、係数{wi}に関する2つの制約条件を付加した、以下の(23)式の目的関数J({wi})を設定する。
このように、本実施形態では、通常のロジスティック回帰の目的関数に対し、基底関数の制限と制約条件の付加とを行ったものを、パターン識別器の係数{wi}を学習するための目的関数とする。(23)式の右辺第1項は、特定カテゴリパターンから相対的に乖離した特定カテゴリパターンの特定カテゴリ度を、特定カテゴリパターンから相対的に乖離していない特定カテゴリパターンの特定カテゴリ度に対して、相対的に下げる効果を持つ項となる。また、(23)式の右辺第2項は、学習に用いる非特定カテゴリパターンに対する特定カテゴリ度を、特定カテゴリパターンの特定カテゴリ度に対して、相対的に下げる効果を持つ項となる。
図10は、識別器1000の機能的な構成の一例を示す図である。また、図11は、識別器1000による処理の一例を説明するフローチャートである。以下、図10および図11を参照しながら、本実施形態のパターン識別方法の一例を説明する。
最後に、ステップS1104において、識別結果出力部1004は、ステップS1103で算出された特定カテゴリ度と閾値とを比較する。そして、特定カテゴリ度が、閾値0.5以上である場合、識別結果出力部1004は、入力された顔画像は、特定の人物の顔画像であると判定し、そうでない場合、識別結果出力部1004は、入力された顔画像は、特定の人物の顔画像ではないと判定する。識別結果出力部1004は、この判定の結果を外部に出力する。尚、本実施形態では、特定カテゴリ度が0.5以上であるか否かにより、特定の人物の顔画像であるか否かを判定した。しかしながら、閾値は、0.5に限るものではない。例えば、特定の人物の顔画像以外を、特定の人物の顔画像であると誤判定する可能性を低くするためには、この閾値を1よりも小さい範囲で大きくすればよい。これにより、本実施形態のパターン識別方法の処理が終了となる。尚、図4のステップS405で説明したのと同様に、判定の結果の出力の形態は、特に限定されない。
次に、第5の実施形態を説明する。本実施形態では、複雑なテクスチャパターンを有する製造物の表面を撮影した画像から、その表面上の欠陥を、異常パターンとして検出する方法において用いるパターン識別器のパラメータの学習方法の一例を示す。本実施形態では、複雑なテクスチャパターンを有する製造物が、表面に粗し加工を施したゴム板である場合を例に挙げて説明する。ただし、本実施形態の手法は、その他の製造物等にも適用可能である。また、第1〜第4の実施形態では、所定の基底関数の線形結合で表される形式のパターン識別器を用いる。これに対し、本実施形態では、それとは異なる形式のパターン識別器を用いる。また、第1〜第4の実施形態では、学習に用いる非特定カテゴリのデータに対する特定カテゴリ度を小さくする場合を例に挙げて説明した((4)式、(6)式の右辺第2項等を参照)。これに対し、本実施形態では、学習に用いる非特定カテゴリのデータに対する非特定カテゴリ度を大きくするように、パターン識別器のパラメータの学習のために用いる目的関数を設定する。このように、本実施形態と第1〜第4の実施形態は、識別器と、識別器のパラメータを学習するための目的関数とが異なることによる構成および処理が主として異なる。したがって、本実施形態の説明において、第1〜第4の実施形態と同一の部分については、図1〜図11に付した符号と同一の符号を付す等して詳細な説明を省略する。
タμは、d次元の特徴ベクトルであり、パラメータΣはd×dの行列である。(25)式
に示す関数f(x)の値が大きい程、特定カテゴリではないと判定されやすい。従って、(25)式に示す関数f(x)は、非特定カテゴリ度を表していると言える。第1〜第4の実施形態においては、特定カテゴリ度をベースとして学習を行ったが、非特定カテゴリ度は、特定カテゴリ度の裏返しである。従って、(25)式に示す関数f(x)、すなわち非特定カテゴリ度をベースとしても、特定カテゴリ度をベースとした場合と同様に学習を行うことが可能である。
る。そこで、本実施形態では、特定カテゴリ目的関数設定部1305は、以下の(26)式の目的関数Jp(μ、Σ)を設定する。
関数Jp(μ、Σ)の第1項は、学習に用いる正常パターンに対する、(25)式に示す
関数f(x)(すなわち非特定カテゴリ度)の総和である。したがって、目的関数Jp(μ、Σ)の第1項の値を小さくすることにより、正常パターンに対する平均的な非特定カ
テゴリ度を下げることができる。尚、n番目の正常パターンxnの正常パターンの分布からの乖離度は、(xn−μ)Σ-1(xn−μ)で表される。また、目的関数Jp(μ、Σ
)の第2項は、パラメータΣに関する正則化項である。
形態では、異常パターンに対する非特定カテゴリ度を上げるような目的関数を設定するので、以下の(27)式の目的関数Jn(μ、Σ)を設定する。
学習に用いる異常パターンに対する、非特定カテゴリ度f(x)の総和の符号を反転したものである。そのため、この目的関数Jn(μ、Σ)の値を小さくすることにより、異常
パターンに対する、平均的な非特定カテゴリ度を上げることができる。
8)式に示す目的関数J(μ、Σ)を最小化するパラメータμ、Σを算出する。尚、本実
施形態では、例えば、(28)式の第1項が特定カテゴリ学習項の一例であり、(28)式の第3項が非特定カテゴリ学習項の一例である。また、例えば、(28)式の第1項により、学習用特定カテゴリデータの分布から相対的に乖離している学習用特定カテゴリデータに対する特定のカテゴリらしさを表す値を、相対的に特定のカテゴリらしくないことを示す方向に変更させることができる。また、例えば、(28)式の第3項により、学習用非特定カテゴリデータに対する特定のカテゴリらしさを表す値を、相対的に特定のカテゴリらしくないことを示す方向に変更させることができる。
るための正のパラメータである。パラメータλは、λは、第1、第3の実施形態で説明したパラメータλと同じ意味を持つものである。ただし、本実施形態においては、パラメータ算出部1307は、λ<N/Mとなるようにパラメータλを設定することが好適である。(28)式に示す目的関数J(μ、Σ)の値を最小化するパラメータμ、Σは、第1〜
第4の実施形態とは異なり、解析的に求められる。目的関数J(μ、Σ)の値を最小化す
るパラメータμ、Σは、それぞれ以下の(29)式、(30)式により算出される。
ータ出力部1308に送信する。
最後に、ステップS1406において、識別器データ出力部1308は、ステップS1405で算出されたパラメータμ、Σを、識別器データとして外部に出力する。
器は、検査対象である画像データを入力し、当該画像データから、前述したように、d種類の特徴量を抽出して、それを並べたd次元の特徴ベクトルを生成する。そして、識別器は、入力したパラメータμ、Σを用いて(25)式の計算を行うことにより、そのd次元
の特徴ベクトルに対する非特定カテゴリ度を算出する。識別器は、この非特定カテゴリ度の値が、所定の閾値以下であれば、入力した画像データは、正常なパターンであると判定し、そうでなければ、入力した画像データは、欠陥が存在する異常パターンと判定する。
次に、第6の実施形態を説明する。本実施形態では、製造装置等の装置内に設置した複数のセンサで検出された情報に基づき、その装置に異常が発生しているか否か判定する方法において用いるパターン識別器の学習方法の一例を示す。本実施形態では、製造装置を対象とする場合を例に挙げて説明するが、例えば、車両や印刷機器等を対象にした場合にも適用可能である。また、本実施形態では、識別器として1クラス系のk近傍法を拡張したパターン識別器を用いる。このように、本実施形態と第1〜第5の実施形態は、識別器が異なることによる構成および処理が主として異なる。したがって、本実施形態の説明において、第1〜第5の実施形態と同一の部分については、図1〜図14に付した符号と同一の符号を付す等して詳細な説明を省略する。
図17は、識別器1700の機能的な構成の一例を示す図である。また、図18は、識別器1700による処理の一例を説明するフローチャートである。以下、図17および図18を参照しながら、本実施形態のパターン識別方法の一例を説明する。
次に、ステップS1804において、非特定カテゴリ度算出部1704は、ステップS1801で入力された識別器データと、ステップS1803で生成された正規化後のd次元の特徴ベクトルxを用いて(31)式の計算を行い、非特定カテゴリ度を算出する。
本発明は、以下の処理を実行することによっても実現される。即ち、まず、以上の実施形態の機能を実現するソフトウェア(コンピュータプログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給する。そして、そのシステム或いは装置のコンピュータ(又はCPUやMPU等)が当該コンピュータプログラムを読み出して実行する。
Claims (11)
- 入力されたデータに対する特定のカテゴリらしさを表す値を、所定のパラメータに基づいて計算し、計算した結果に基づいて、前記入力されたデータが前記特定のカテゴリに属するデータであるか否かを識別する識別器を作成する識別器作成装置であって、
前記特定のカテゴリに属することが既知のデータである複数の学習用特定カテゴリデータの分布からの距離に応じて前記学習用特定カテゴリデータの分布に対する乖離度が大きくなるとともに、前記特定のカテゴリに属さないことが既知のデータである少なくとも1つの学習用非特定カテゴリデータの前記学習用特定カテゴリデータの分布に対する乖離度が大きくなるように、前記パラメータを決定する決定手段を有することを特徴とする識別器作成装置。 - 前記決定手段は、前記複数の学習用特定カテゴリデータの分布から乖離している前記学習用特定カテゴリデータであるほど、当該学習用特定カテゴリデータに対する前記特定のカテゴリらしさを表す値を、前記特定のカテゴリらしくないことを示す値にするとともに、前記学習用非特定カテゴリデータに対する前記特定のカテゴリらしさを表す値を、前記学習用特定カテゴリデータに対する前記特定のカテゴリらしさを表す値よりも前記特定のカテゴリらしくないことを示す値にする計算を行った結果に基づいて、前記パラメータを決定することを特徴とする請求項1に記載の識別器作成装置。
- 前記決定手段は、前記複数の学習用特定カテゴリデータの分布から乖離している前記学習用特定カテゴリデータであるほど、当該学習用特定カテゴリデータに対する前記特定のカテゴリらしさを表す値を、前記特定のカテゴリらしくないことを示す値にすることを計算する特定カテゴリ学習項と、前記学習用非特定カテゴリデータに対する前記特定のカテゴリらしさを表す値を、前記学習用特定カテゴリデータに対する前記特定のカテゴリらしさを表す値よりも前記特定のカテゴリらしくないことを示す値にすることを計算する非特定カテゴリ学習項と、を用いた計算の結果に基づいて、前記パラメータを決定することを特徴とする請求項1または2に記載の識別器作成装置。
- 前記特定カテゴリ学習項と前記非特定カテゴリ学習項の少なくとも1つは、前記特定のカテゴリらしさを表す値を計算するための、前記パラメータを含む計算式を含む項であり、
前記決定手段は、前記特定カテゴリ学習項と前記非特定カテゴリ学習項とを含む目的関数であって、前記特定のカテゴリらしさを表す値を最大化または最小化することを目的とする目的関数の値を最大化または最小化する前記パラメータを決定することを特徴とする請求項3に記載の識別器作成装置。 - 前記決定手段は、前記パラメータを初期化する初期化手段と、
前記複数の学習用特定カテゴリデータと、前記少なくとも1つの学習用非特定カテゴリデータとを用いて、前記初期化手段により初期化された前記パラメータを修正する修正手段と、をさらに有し、
前記修正手段は、前記複数の学習用特定カテゴリデータの分布から乖離している前記学習用特定カテゴリデータであるほど、当該学習用特定カテゴリデータに対する前記特定のカテゴリらしさを表す値が、前記特定のカテゴリらしくないことを示す値になるとともに、前記学習用非特定カテゴリデータに対する前記特定のカテゴリらしさを表す値が、前記学習用特定カテゴリデータに対する前記特定のカテゴリらしさを表す値よりも前記特定のカテゴリらしくないことを示す値になるように、前記初期化手段により初期化された前記パラメータを修正することを特徴とする請求項1に記載の識別器作成装置。 - 前記特定のカテゴリらしさを表す値を計算するための、前記パラメータを含む計算式は、当該値を計算する対象となるデータと前記学習用特定カテゴリデータとの差を含む計算式であり、
前記決定手段は、前記学習用非特定カテゴリデータと前記学習用特定カテゴリデータとの差に応じて、前記パラメータを決定することを特徴とする請求項1に記載の識別器作成装置。 - 前記学習用特定カテゴリデータが、前記複数の学習用特定カテゴリデータの分布から乖離するように、前記パラメータが変更されることによって、前記学習用非特定カテゴリデータが、前記複数の学習用特定カテゴリデータの分布から乖離することを特徴とする請求項1〜6の何れか1項に記載の識別器作成装置。
- 前記複数の学習用特定カテゴリデータを複数のセットに分割する分割手段と、
前記複数のセットのうち少なくとも1つを除いたセットであるサブセットと、前記学習用非特定カテゴリデータと、前記パラメータを決定する際に使用されるハイパーパラメータの候補と、に基づいて、前記ハイパーパラメータを導出する導出手段と、をさらに有し、
前記導出手段は、前記サブセットと、前記学習用非特定カテゴリデータと、前記ハイパーパラメータの候補とに基づいて、前記決定手段により前記パラメータを決定する方法と同じ方法を用いて、前記パラメータを決定し、決定した結果を、前記複数のセットのうち前記サブセットと異なるセットと、前記学習用非特定カテゴリデータとに基づいて評価し、評価した結果に基づいて、前記ハイパーパラメータを導出することを特徴とする請求項1〜7の何れか1項に記載の識別器作成装置。 - 請求項1〜8の何れか1項に記載の識別器作成装置により決定されたパラメータを用いて、入力されたデータに対する特定のカテゴリらしさを表す値を計算する計算手段と、
前記計算手段により計算された値に基づいて、前記入力されたデータが前記特定のカテゴリに属するデータであるか否かを識別する識別手段と、を有することを特徴とする識別器。 - 入力されたデータに対する特定のカテゴリらしさを表す値を、所定のパラメータに基づいて計算し、計算した結果に基づいて、前記入力されたデータが前記特定のカテゴリに属するデータであるか否かを識別する識別器を作成する識別器作成方法であって、
前記特定のカテゴリに属することが既知のデータである複数の学習用特定カテゴリデータの分布からの距離に応じて前記学習用特定カテゴリデータの分布に対する乖離度が大きくなるとともに、前記特定のカテゴリに属さないことが既知のデータである少なくとも1つの学習用非特定カテゴリデータの前記学習用特定カテゴリデータの分布に対する乖離度が大きくなるように、前記パラメータを決定する決定工程を有することを特徴とする識別器作成方法。 - 請求項1〜8の何れか1項に記載の識別器作成装置の各手段としてコンピュータを機能させることを特徴とするプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015188365A JP6708385B2 (ja) | 2015-09-25 | 2015-09-25 | 識別器作成装置、識別器作成方法、およびプログラム |
US15/273,221 US11023822B2 (en) | 2015-09-25 | 2016-09-22 | Classifier generation apparatus for generating a classifier identifying whether input data is included in a specific category based on machine learning, classifier generation method, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015188365A JP6708385B2 (ja) | 2015-09-25 | 2015-09-25 | 識別器作成装置、識別器作成方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017062713A true JP2017062713A (ja) | 2017-03-30 |
JP6708385B2 JP6708385B2 (ja) | 2020-06-10 |
Family
ID=58409656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015188365A Active JP6708385B2 (ja) | 2015-09-25 | 2015-09-25 | 識別器作成装置、識別器作成方法、およびプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11023822B2 (ja) |
JP (1) | JP6708385B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018205994A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム |
JP2019003408A (ja) * | 2017-06-15 | 2019-01-10 | 株式会社日立製作所 | ハイパーパラメータの評価方法、計算機及びプログラム |
WO2019049688A1 (ja) * | 2017-09-06 | 2019-03-14 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
JP2019067270A (ja) * | 2017-10-03 | 2019-04-25 | 富士通株式会社 | 分類プログラム、分類方法、および分類装置 |
JP2019067272A (ja) * | 2017-10-04 | 2019-04-25 | 富士通株式会社 | 学習プログラム、学習装置及び学習方法 |
JP6765555B1 (ja) * | 2019-09-06 | 2020-10-07 | 三菱電機株式会社 | 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法 |
CN112639844A (zh) * | 2018-10-23 | 2021-04-09 | 欧姆龙株式会社 | 控制系统以及控制方法 |
JP7293988B2 (ja) | 2019-08-27 | 2023-06-20 | 富士通株式会社 | 学習プログラム、判定処理プログラム、学習装置、判定処理装置、学習方法および判定処理方法 |
JP7483146B2 (ja) | 2020-10-26 | 2024-05-14 | 三菱電機株式会社 | 相補的分類器を使用して異常を検出するための異常検出器 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10055882B2 (en) * | 2016-08-15 | 2018-08-21 | Aquifi, Inc. | System and method for three-dimensional scanning and for capturing a bidirectional reflectance distribution function |
US11182804B2 (en) * | 2016-11-17 | 2021-11-23 | Adobe Inc. | Segment valuation in a digital medium environment |
US11132620B2 (en) * | 2017-04-20 | 2021-09-28 | Cisco Technology, Inc. | Root cause discovery engine |
CN107220710B (zh) * | 2017-05-22 | 2020-05-19 | 陕西科技大学 | 稀缺样本数据集条件下bn模型参数的计算方法 |
US10592147B2 (en) * | 2017-07-26 | 2020-03-17 | International Business Machines Corporation | Dataset relevance estimation in storage systems |
US10444442B2 (en) * | 2017-11-03 | 2019-10-15 | Senko Advanced Components, Inc. | MPO optical fiber connector |
CN108123487B (zh) * | 2017-11-28 | 2019-10-18 | 广州供电局有限公司 | 分布式电源分类方法及系统 |
US11041993B2 (en) | 2018-04-19 | 2021-06-22 | Senko Advanced Components, Inc. | Fiber optic adapter with removable insert for polarity change and removal tool for the same |
US10921528B2 (en) | 2018-06-07 | 2021-02-16 | Senko Advanced Components, Inc. | Dual spring multi-fiber optic connector |
JP6989450B2 (ja) * | 2018-06-21 | 2022-01-05 | 株式会社東芝 | 画像解析装置、画像解析方法及びプログラム |
WO2020223963A1 (en) * | 2019-05-09 | 2020-11-12 | Boe Technology Group Co., Ltd. | Computer-implemented method of detecting foreign object on background object in image, apparatus for detecting foreign object on background object in image, and computer-program product |
US11353664B1 (en) | 2019-08-21 | 2022-06-07 | Senko Advanced Components, Inc. | Fiber optic connector |
WO2021070505A1 (ja) * | 2019-10-07 | 2021-04-15 | パナソニックIpマネジメント株式会社 | 分類システム、分類方法、及びプログラム |
WO2021097304A1 (en) | 2019-11-13 | 2021-05-20 | Senko Advanced Components, Inc. | Fiber optic connector |
US20230068418A1 (en) * | 2021-08-31 | 2023-03-02 | Hewlett-Packard Development Company, L.P. | Machine learning model classifying data set distribution type from minimum number of samples |
TWI807536B (zh) * | 2021-12-15 | 2023-07-01 | 國立高雄師範大學 | 檢測系統與其參數設定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007327937A (ja) * | 2006-05-09 | 2007-12-20 | Omron Corp | 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体 |
JP2014081767A (ja) * | 2012-10-16 | 2014-05-08 | Mitsubishi Aircraft Corp | 状態診断方法、および、状態診断装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5666157A (en) * | 1995-01-03 | 1997-09-09 | Arc Incorporated | Abnormality detection and surveillance system |
JP2002358523A (ja) * | 2001-05-31 | 2002-12-13 | Canon Inc | パターン認識処理装置及びその方法、画像入力装置 |
JP4368767B2 (ja) | 2004-09-08 | 2009-11-18 | 独立行政法人産業技術総合研究所 | 異常動作検出装置および異常動作検出方法 |
JP4757116B2 (ja) * | 2006-06-30 | 2011-08-24 | キヤノン株式会社 | パラメータ学習方法及びその装置、パターン識別方法及びその装置、プログラム |
JP4369961B2 (ja) | 2007-03-23 | 2009-11-25 | 株式会社日立製作所 | 異常検知装置及び異常検知プログラム |
JP5335536B2 (ja) * | 2009-04-23 | 2013-11-06 | キヤノン株式会社 | 情報処理装置及び情報処理方法 |
JP5675214B2 (ja) * | 2010-08-18 | 2015-02-25 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP5706647B2 (ja) * | 2010-09-03 | 2015-04-22 | キヤノン株式会社 | 情報処理装置、およびその処理方法 |
-
2015
- 2015-09-25 JP JP2015188365A patent/JP6708385B2/ja active Active
-
2016
- 2016-09-22 US US15/273,221 patent/US11023822B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007327937A (ja) * | 2006-05-09 | 2007-12-20 | Omron Corp | 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体 |
JP2014081767A (ja) * | 2012-10-16 | 2014-05-08 | Mitsubishi Aircraft Corp | 状態診断方法、および、状態診断装置 |
Non-Patent Citations (1)
Title |
---|
数藤 恭子 外3名: "「長時間の監視映像からの非定常シーケンスの検出」", 情報処理学会研究報告, vol. 第2005巻, 第112号, JPN6019037259, 18 November 2005 (2005-11-18), pages 77 - 82, ISSN: 0004123581 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018205994A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 時系列データ分析装置、時系列データ分析方法およびコンピュータプログラム |
JP2019003408A (ja) * | 2017-06-15 | 2019-01-10 | 株式会社日立製作所 | ハイパーパラメータの評価方法、計算機及びプログラム |
JPWO2019049688A1 (ja) * | 2017-09-06 | 2020-10-01 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
WO2019049688A1 (ja) * | 2017-09-06 | 2019-03-14 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
US11467570B2 (en) | 2017-09-06 | 2022-10-11 | Nippon Telegraph And Telephone Corporation | Anomalous sound detection apparatus, anomaly model learning apparatus, anomaly detection apparatus, anomalous sound detection method, anomalous sound generation apparatus, anomalous data generation apparatus, anomalous sound generation method and program |
JP2019067270A (ja) * | 2017-10-03 | 2019-04-25 | 富士通株式会社 | 分類プログラム、分類方法、および分類装置 |
JP2019067272A (ja) * | 2017-10-04 | 2019-04-25 | 富士通株式会社 | 学習プログラム、学習装置及び学習方法 |
CN112639844A (zh) * | 2018-10-23 | 2021-04-09 | 欧姆龙株式会社 | 控制系统以及控制方法 |
US12008072B2 (en) | 2018-10-23 | 2024-06-11 | Omron Corporation | Control system and control method |
JP7293988B2 (ja) | 2019-08-27 | 2023-06-20 | 富士通株式会社 | 学習プログラム、判定処理プログラム、学習装置、判定処理装置、学習方法および判定処理方法 |
JP6765555B1 (ja) * | 2019-09-06 | 2020-10-07 | 三菱電機株式会社 | 学習装置、学習方法、学習データ生成装置、学習データ生成方法、推論装置、及び、推論方法 |
KR20220027282A (ko) * | 2019-09-06 | 2022-03-07 | 미쓰비시덴키 가부시키가이샤 | 학습 장치, 학습 방법, 학습 데이터 생성 장치, 학습 데이터 생성 방법, 추론 장치, 및, 추론 방법 |
KR102485542B1 (ko) | 2019-09-06 | 2023-01-06 | 미쓰비시덴키 가부시키가이샤 | 학습 장치, 학습 방법, 학습 데이터 생성 장치, 학습 데이터 생성 방법, 추론 장치, 및, 추론 방법 |
JP7483146B2 (ja) | 2020-10-26 | 2024-05-14 | 三菱電機株式会社 | 相補的分類器を使用して異常を検出するための異常検出器 |
Also Published As
Publication number | Publication date |
---|---|
US20170091671A1 (en) | 2017-03-30 |
JP6708385B2 (ja) | 2020-06-10 |
US11023822B2 (en) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6708385B2 (ja) | 識別器作成装置、識別器作成方法、およびプログラム | |
US10937141B2 (en) | Deep learning based image comparison device, method and computer program stored in computer readable medium | |
US10896351B2 (en) | Active machine learning for training an event classification | |
JP7058941B2 (ja) | 辞書生成装置、辞書生成方法、及びプログラム | |
US10395136B2 (en) | Image processing apparatus, image processing method, and recording medium | |
KR20210122855A (ko) | 검출 모델 훈련 방법과 장치, 컴퓨터 장치, 및 저장 매체 | |
CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
JP5214760B2 (ja) | 学習装置、方法及びプログラム | |
JP2015087903A (ja) | 情報処理装置及び情報処理方法 | |
JP2016085704A (ja) | 情報処理システム、情報処理装置、情報処理方法、及びプログラム | |
JP2017224156A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2017102906A (ja) | 情報処理装置、情報処理方法及びプログラム | |
KR102036957B1 (ko) | 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법 | |
WO2019026134A1 (ja) | 情報処理装置および情報処理方法 | |
CN114862811B (zh) | 一种基于变分自动编码器的缺陷检测方法 | |
KR102488789B1 (ko) | 인공지능 기반 단일 클래스 이상 탐지 모델을 이용한 예측 분류 방법, 장치 및 프로그램 | |
JP7150918B2 (ja) | 試料の検査のためのアルゴリズムモジュールの自動選択 | |
US20230134508A1 (en) | Electronic device and method with machine learning training | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN112529025A (zh) | 一种数据处理方法及装置 | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
JP6590477B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
US20180218487A1 (en) | Model generation apparatus, evaluation apparatus, model generation method, evaluation method, and storage medium | |
US20230260259A1 (en) | Method and device for training a neural network | |
Eldho et al. | Lung Cancer Detection and Severity Analysis with a 3D Deep Learning CNN Model Using CT-DICOM Clinical Dataset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180919 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190925 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191001 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191127 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200421 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200521 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6708385 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |