JP2018169672A - 教師画像を生成する方法、コンピュータおよびプログラム - Google Patents

Abstract

【課題】機械学習に用いる教師画像の数が不足した場合に、質の良い教師画像を生成する。
【解決手段】機械学習システム１０は、機械学習用の教師画像を生成する。とくに、機械学習システム１０は、複数のパターンに分類された教師画像Ｔ１およびＴ２を取得し、所定の基準に基づき、属する教師画像の個数が少ない不足パターンを特定し、ある教師画像を空間的に反転したり色調を変更したりすることにより、不足パターンに属する新たな教師画像を生成する。
【選択図】図３

Description

本発明は、教師画像を生成する方法に関する。また、本発明は、コンピュータおよびプログラムに関する。

機械学習を用いて画像をラベリングする技術が公知である。機械学習の一方法では、予め正しいラベルが付された画像（教師画像）を用いて、ラベリングモデルを定義するパラメータを機械的に学習しておき、学習されたラベリングモデルを用いて未知画像のラベリングを行う。このような技術の例は、非特許文献１に開示される。

機械学習には多数の画像が必要となるため、画像の数が不足すると効果的な学習を行うことができない。このような問題に対し、画像の数が不足する場合にも比較的効果の高い学習を行う方法の例が、特許文献１に記載されている。

特開２０１４−１７８２２９号公報

岡谷貴之、「ディープラーニングと画像認識―基礎と最近の動向―」、［online］、［平成２８年４月２２日検索］、インターネット＜URL:http://www.orsj.or.jp/archive2/or60-4/or60_4_198.pdf＞

しかしながら、従来の技術では、教師画像の数が不足した場合に、質の良い教師画像を生成することが困難であるという問題があった。

たとえば特許文献１の構成では教師画像そのものを生成することができず、元の画像データとは無関係に特徴量のみに基づいて新たな教師データを作成している。このため、実画像とはかけ離れた教師データが生成されてしまうおそれがある。

この発明は、このような問題点を解決するためになされたものであり、機械学習に用いる教師画像の数が不足した場合に、質の良い教師画像を生成することができる方法、コンピュータおよびプログラムを提供することを目的とする。

上述の問題点を解決するため、この発明に係る方法は、
機械学習用の教師画像を生成する方法であって、
複数のパターンに分類された教師画像を取得するステップと、
所定の基準に基づき、属する教師画像の個数が少ない不足パターンを特定するステップと、
第１の教師画像に基づいて、前記不足パターンに属する新たな教師画像を生成するステップと
を備える。
特定の実施態様によれば、前記新たな教師画像は、前記第１の教師画像を空間的に反転する処理、または、前記第１の教師画像の色調を変更する処理を用いて生成される。
特定の実施態様によれば、前記新たな教師画像は、
前記第１の教師画像を拡大する処理、
前記第１の教師画像を縮小する処理、
前記第１の教師画像を平行移動する処理、
前記第１の教師画像をひずませる処理、または
前記第１の教師画像を別の画像と合成する処理、
を用いて生成される。
特定の実施態様によれば、
前記教師画像は、第１のラベルを持つ教師画像と、第２のラベルを持つ教師画像とを含み、
前記第１の教師画像および前記新たな教師画像は、第１のラベルを持つ教師画像であり、
前記方法は、第２のラベルを持つ比率調整用教師画像を生成するステップをさらに備え、
前記比率調整用教師画像の数は、
前記新たな教師画像の数と、
前記第１のラベルを持つ教師画像（ただし前記新たな教師画像を除く）の数と、
前記第２のラベルを持つ教師画像（ただし前記比率調整用教師画像を除く）の数と、
に基づいて決定される。
また、この発明に係るコンピュータは、上述の方法を実行する。
また、この発明に係るプログラムは、コンピュータに上述の方法を実行させる。

この発明に係る方法、コンピュータおよびプログラムによれば、実際の教師画像に基づいて不足パターンの教師画像を生成するので、質の良い教師画像を生成することができる。

本発明の実施の形態１に係る機械学習システムの構成の例を示す図である。 図１の機械学習システムが実行する処理の流れを説明するフローチャートである。 新たな教師画像を生成する方法の一例を示す図である。 新たな教師画像を生成する様々な加工処理の例を示す図である。 実施の形態２において、機械学習システムが実行する処理の流れを説明するフローチャートである。

以下、この発明の実施の形態を添付図面に基づいて説明する。
実施の形態１．
図１に、本発明の実施の形態１に係る機械学習システム１０の構成の例を示す。機械学習システム１０は、本発明に係る方法に従って画像を生成する、画像生成システムとして機能する。また、機械学習システム１０は、データに対するラベリングを行うためのラベリングモデルを機械学習によって作成する、機械学習方法を実行するシステムとしても機能する。機械学習システム１０は、本明細書に記載される様々な方法を実行するコンピュータである。

「ラベリング」とは、各データについて何らかの判定を実行し、データに応じて異なり得る結果を得ることをいう。データはたとえば画像データである。画像データの表現形式はどのようなものであってもよいが、たとえばビットマップ形式であってもよく、他の形式であってもよい。

画像データに対するラベリングは、たとえば、各画像データが何を表す画像であるか（ベビーカーであるか、白杖であるか、その他の物であるか、等）を判定する処理として実現することができる。判定はラベリングモデルに基づいて行われる。ラベリングモデルは、機械学習によって作成されるものであり、たとえば１つ以上のパラメータを用いて表現することができる。

本実施形態では、ニューラルネットワークを用いて学習を実現する。たとえば、本実施形態におけるラベリングモデルは、複数のニューロン層を備えるニューラルネットワークにおいて、異なる層のニューロンを結合する重みを用いて定義される。このようなニューラルネットワークおよびラベリングモデルの具体例は、たとえば非特許文献１に開示される。非特許文献１には、ディープラーニングに係るラベリングモデルが開示されている。

図１に示すように、機械学習システム１０は公知のコンピュータとしての構成を有し、演算を行う演算手段１１と、情報を格納する記憶手段１２とを備える。演算手段１１はたとえばＣＰＵ（中央処理装置）を含み、記憶手段１２はたとえば半導体メモリおよびＨＤＤ（ハードディスクドライブ）を含む。記憶手段１２は、図１に示すように教師画像データを格納する。機械学習システム１０は、これらの教師画像データを用いて、本実施形態に係る機械学習方法を実行する。

記憶手段１２はプログラム（図示せず）も格納しており、演算手段１１がこのプログラムを実行することによって、機械学習システム１０は本明細書に記載される機能を実現する。すなわち、このプログラムは、コンピュータに本明細書に記載の方法を実行させることにより、そのコンピュータを機械学習システム１０として機能させる。

また、機械学習システム１０は、公知のコンピュータが通常備える他の構成要素を備えてもよい。たとえば、出力装置であるディスプレイおよびプリンタ、入力装置であるキーボードおよびマウス、通信ネットワークに対する入力装置と出力装置とを兼ねるネットワークインタフェース、等を備えてもよい。

図１に示すように、画像データは教師画像を表す。教師画像とは、ラベリングモデルを学習するために用いられるものである。なお、画像データは教師画像以外の画像を含んでもよい。たとえば、学習によって作成されたラベリングモデルの精度を評価するために用いられるテスト画像を含んでもよい。

教師画像は、特定のラベルを持つものを少なくとも１つ含む。たとえば、教師画像は、ベビーカーを表す教師画像Ｔ１を含む。教師画像Ｔ１は、「ベビーカー」というラベル（第１のラベル）を持つ画像データである。また、教師画像は、「ベビーカー」というラベルを持たない画像データを含んでもよい。本実施形態では、「ベビーカー」というラベルを持たない画像データの例として、別のラベル（第２のラベル）である「白杖」を持つ教師画像Ｔ２を用いる。これらのラベルは事前に教師画像に付与されている。なお、教師画像は、いかなるラベルも持たないことを表す特定のラベル（たとえば「ベビーカーではない」や「ベビーカーでも白杖でもない」といったラベル）を持つ教師画像を含んでもよく、さらに別のラベルを持つ教師データを含んでもよい。

教師画像は複数のパターンに分類されている。図１の例では、ベビーカーを表す教師画像Ｔ１は、色調に基づき、「青ベース」「赤ベース」「モノクロベース」および「他の色ベース」という４つのパターンに分類されている。「青ベース」には４つ、「赤ベース」には３つ、「モノクロベース」には２つ、「その他の色ベース」には４つの画像が属している。

パターン分類は、他の基準に基づいて行われてもよい。たとえば、角度（撮影のアングル）に基づいて分類してもよい。その場合には、「正面撮影」パターン、「右側面撮影」パターン、等のようにパターン分類が行われる。

または、パターン分類は、対象物の絶対的な大きさに基づいて行われてもよい。たとえば、画像のファイルサイズや画素数に関わらず、撮影されたベビーカーの寸法に基づき、「大」「中」「小」等のようにパターン分類が行われる。

または、パターン分類は、対象物の形状に基づいて行われてもよい。たとえば、様々な形状を有し得る対象物については、「円形」、「四角」等のようにパターン分類が行われてもよい。

この分類は、たとえば人間が事前に行うものであるが、機械学習システム１０または他のコンピュータによって自動的に行われてもよい。人間が分類を行う場合には、たとえば、画像全体が青みがかっているものを「青ベース」に分類し、画像全体が赤みがかっているものを「赤ベース」に分類し、モノクロ画像や色彩が乏しい画像を「モノクロベース」に分類し、これらのいずれにも該当しないものは「他の色ベース」に分類する、というようにして行うことができる。また、機械学習システム１０または他のコンピュータが自動的に行う場合には、たとえば、すべての画素の色値をＲＧＢ別に積算し、Ｒ値がＧ値およびＢ値に比べて高い画像は「赤ベース」に分類する、というようにして行うことができる。

このような分類は、少なくとも１つのラベルを持つ教師画像について行われればよいが、図１の例では、ベビーカーを表す教師画像Ｔ１および白杖を表す教師画像Ｔ２の双方について同様の分類が行われている。

以上のような構成を備える機械学習システム１０の動作を、以下に説明する。
図２は、機械学習システム１０（より厳密には、演算手段１１。以下同じ）が実行する処理の流れを説明するフローチャートである。この動作は、機械学習用の教師画像を生成する方法に係るものである。

機械学習システム１０は、まず、複数のパターンに分類された教師画像を取得する（ステップＳ１）。たとえば図１のように、ベビーカーを表す教師画像Ｔ１と、白杖を表す教師画像Ｔ２とであって、それぞれ４つのパターンに分類されたものを取得する。

次に、機械学習システム１０は、所定の基準に基づき、属する教師画像の個数が少ないパターン（以下「不足パターン」と呼ぶ）を特定する（ステップＳ２）。この基準は、当業者が任意に設計可能である。

たとえば、最も画像の数が少ないパターン（または、画像の数が少ない順に所定数のパターン）を不足パターンとしてもよい。または、あるパターンに属する画像の数が所定の閾値未満である場合に、そのパターンを不足パターンであると判定してもよい。この閾値は固定であってもよく、相対的に決定されてもよい。たとえば、最も画像の数が多いパターンに属する画像の数に一定の比率（ただし０を超え１未満）を乗算して閾値を算出してもよい。

次に、機械学習システム１０は、不足パターンのそれぞれについて、その不足パターンに属する新たな教師画像を生成する（ステップＳ３）。この新たな教師画像は、既存の教師画像のうちいずれか（第１の教師画像）を元画像とし、この元画像に基づいて生成される。

どの教師画像を元画像とするかの選択基準は、当業者が任意に設計することができる。たとえば、新たな教師画像が属すべき不足パターンのうちから選択してもよいし、新たな教師画像が属すべき不足パターンとは異なるパターンいずれかのうちから選択してもよいし、全パターンのうちから選択してもよい。また、当該パターン内での選択は、ランダムに行ってもよいし、何らかの基準に基づいて行ってもよい。

元画像に基づいて新たな教師画像を生成するための具体的方法は、当業者が任意に設計することができる。たとえば、不足パターンのうちから元画像を選択した場合に、その元画像と同一の画像を（すなわちコピーして）新たな教師画像とすることができる。

図３に、新たな教師画像を生成する方法の一例を示す。この例では、元画像を空間的に反転する処理を用いて生成された画像を、新たな教師画像としている。空間的な反転は、上下反転であってもよいし、左右反転（すなわち鏡像の生成）であってもよい。空間的な反転に加え、他の処理が行われてもよい。図３の例では、不足パターン（この例ではモノクロベース画像）のうちから元画像を選択し、その元画像を左右反転することにより新たな画像を生成し、この新たな画像を不足パターンに追加している。

この場合において、たとえばパターン分類が角度（撮影のアングル）に基づいて行われている場合には、不足パターンごとに、どのパターンから元画像を選択してどのように新たな教師画像を生成するかを、事前に決定しておいてもよい。たとえば、不足パターンが「右側面撮影」である場合には、「左側面撮影」パターンのいずれかから元画像を選択し、その元画像を左右反転することにより新たな画像を生成し、この新たな画像を「右側面撮影」パターンに追加してもよい。または、不足パターンが「正面撮影」である場合には、当該「正面撮影」パターンのうちから元画像を選択し、その元画像を左右反転することにより新たな画像を生成し、この新たな画像を「正面撮影」パターンに追加してもよい。

図４に、新たな教師画像を生成する様々な加工処理の例を示す。図４（ａ）は画像の左右を反転させる処理であり、図３の例に対応する。

図４（ｂ）は画像のサイズを拡大する処理の例を表す。この処理は、たとえば、画像中に表れる対象物（この場合にはベビーカー）の画像全体に占める範囲を拡大する処理として実現することができる。画像における対象物の範囲は、あらかじめ画像に関連付けて記憶されていてもよいし、加工処理の際に機械学習システム１０が認識してもよい。具体的な認識処理は当業者が適宜設計可能である。

図４（ｃ）は画像のサイズを縮小する処理の例を表す。この処理は、たとえば、画像中に表れる対象物の画像全体に占める範囲を縮小する処理として実現することができる。このような処理は、画像中に表れる対象物を特定せず行うことも可能である。縮小によって空いた部分（縁等）には任意の処理を行うことができるが、たとえば予め指定された背景色によって塗りつぶしてもよい。また、縮小した後に画像全体における位置を変更してもよい。

図４（ｄ）は画像を平行移動する処理の例を表す。この処理は、たとえば、画像中に表れる対象物の画像内での位置を変更する処理として実現することができる。画像における対象物の範囲は、あらかじめ画像に関連付けて記憶されていてもよいし、加工処理の際に機械学習システム１０が認識してもよい。具体的な認識処理は当業者が適宜設計可能である。移動によって空いた部分（元の場所等）には任意の処理を行うことができるが、たとえば予め指定された背景色によって塗りつぶしてもよい。

図４（ｅ）は画像をひずませる処理の例を表す。たとえば、長方形をなす範囲（たとえば画像全体または画像中に表れる対象物の画像）を、台形に写像する処理である。図４（ｅ）の例では、ベビーカーが横方向に縮小されてひずんでいる。縮小の度合いは画像の上側では強く、画像の下側では弱く、縦方向の位置に応じて縮小の度合いが線形に変化するようになっており、結果として長方形が台形として写像されるようになっている。なお具体的にひずませる方法はこれに限らず、また線形の写像に限らない。

図４（ｆ）は画像を別の画像と合成する処理の例を表す。この例では、ベビーカーの取っ手および車輪が、別のベビーカーのものと合成され置き換えられている。画像において合成の対象となる部分および合成に用いる画像は、あらかじめ画像に関連付けて記憶されていてもよいし、加工処理の際に機械学習システム１０が生成または取得してもよい。具体的な合成処理は当業者が適宜設計可能である。

または、図４には示さないが、元画像の色調を変更する処理を用いて生成された画像を、新たな教師画像としてもよい。色調の変更に加え、他の処理が行われてもよい。本実施形態のようにパターン分類が色調に基づいて行われている場合には、不足パターンごとに、どのパターンから元画像を選択してどのように新たな教師画像を生成するかを、事前に決定しておいてもよい。たとえば、不足パターンが「モノクロベース」である場合には、それ以外のパターンのいずれかから元画像を選択し、その画像をモノクロ画像（すなわちグレースケール画像）に変換することにより新たな画像を生成し、この新たな画像を「モノクロベース」に追加してもよい。または、不足パターンが「青ベース」である場合には、「モノクロベース」のうちから元画像を選択し、その元画像の色調を青寄りに変換することにより新たな画像を生成し、この新たな画像を「青ベース」に追加してもよい。このような色調の変換は、公知のフィルタプログラムを用いて行うことができる。

この場合において、たとえばパターン分類が角度（撮影のアングル）に基づいて行われている場合には、不足パターンのうちから元画像を選択し、その元画像の色調を変換することにより新たな画像を生成し、この新たな画像を不足パターンに追加してもよい。

上記の方法を組み合わせて新たな教師画像を生成してもよい。

このようにして、実施の形態１に係る機械学習システム１０は、不足パターンの教師画像を補完する。ここで、機械学習システム１０は、実際の教師画像に基づいて不足パターンの教師画像を生成するので、質の良い教師画像を生成することができる。

たとえば、特徴量のような抽象的な量に基づく方法と比較すると、現実的な画像のデータを生成することができる。または、必ずしも現実に存在し得る画像でなくとも、より現実的な画像のデータを生成することができる。

このようにして生成される、新たな教師画像は、様々な用途に用いることができる。たとえば、新たな教師画像を含むすべての教師画像に基づいて機械学習を行えば、より多数の教師画像に基づいて精度の高いラベリングモデルを作成できる可能性がある。

実施の形態２．
実施の形態２は、実施の形態１において、異なるラベルを持つ教師画像の数を調整するための処理を追加するものである。以下、実施の形態１との相違を説明する。

機械学習システム１０は、図３または図４に示すようにして不足パターンの教師画像を新たに生成する場合に、その不足パターンとは異なるラベルを持つ教師画像も新たに生成する。すなわち、教師画像は、（実施の形態１で説明したように）第１のラベル「ベビーカー」を持つ教師画像と、第２のラベル「白杖」を持つ教師画像とを含み、元画像および新たな教師画像は、第１のラベル「ベビーカー」を持つ教師画像であるが、これに加えて実施の形態２では、第２のラベル「白杖」を持つ追加の教師画像がさらに生成される。このような処理は、たとえばステップＳ３の後に実行することが可能である。

この追加の教師画像は、「ベビーカー」のラベルを持つ教師画像と、「白杖」のラベルを持つ教師画像の数との比率を調整するための教師画像（比率調整用教師画像）である。比率の調整は、たとえば、教師画像を追加した後の各ラベルを持つ教師画像の比率をあわせるように実行される。

実施の形態１のように、特定のラベル（たとえば「ベビーカー」）を持つ教師画像のみを追加すると、そのラベルを持つ教師画像と、他のラベル（たとえば「白杖」）を持つ教師画像との比率が変動するので、機械学習の方式によっては、学習結果（たとえば学習したモデルの質を表す精度）に無視できない影響を与える場合がある。そこで、本実施形態のように、他のラベルを持つ比率調整用教師画像も新たに生成して追加すれば、比率の変動をより小さくし、学習結果への影響を抑制することができる。

追加される比率調整用教師画像の数Ｙは、たとえば、「ベビーカー」のラベルを持つ教師画像の数Ａと、新たな教師画像の数Ｘと、「白杖」のラベルを持つ教師画像の数Ｂとに基づいて決定される。なお、ここでは、Ａは新たな教師画像を除いた数とするが、これを含むと定義しても本質的には同じである。同様に、ここではＢは比率調整用教師画像を除いた数とするが、これを含むと定義しても本質的には同じである。

具体例として、次の式１を用い、これをＹについて解いてもよい。
Ａ／（Ａ＋Ｘ）＝Ｂ／（Ｂ＋Ｙ） …… （式１）
小数点以下の処理は任意であり、切り上げてもよいし、切り捨ててもよいし、四捨五入してもよいし、厳密な解の値に最も近い整数を選択してもよい。

比率調整用教師画像の生成方法は任意である。たとえば、事前に適切な動画を記憶させておき、この動画から所定時間間隔で画像（静止画）を抽出して比率調整用教師画像としてもよい。このような方法は、第２のラベルが特定の対象物を表さない場合（たとえば「ベビーカーではない」ことを表すラベルである等）に効率的である。別の方法として、実施の形態１のように、第２のラベルを持つ教師画像のうちから元画像を選択して反転等により比率調整用教師画像を生成してもよい。

教師画像にさらに他のラベルが定義されている場合には、他の各ラベル（ただし「ベビーカー」を除く）についても同様に比率調整用教師画像を生成して追加してもよい。たとえば、比率調整用教師画像の数は、ラベルごとに上記式１に基づいて決定してもよい。

実施の形態３．
実施の形態３は、実施の形態１および２において生成される新たな教師画像を用いる応用例である。なお、実施の形態３では、図１には示さないテスト画像を用いて処理を行う。
図５は、実施の形態３において、機械学習システム１０が実行する処理の流れを説明するフローチャートである。

まず機械学習システム１０は、未知画像のラベリングを行うためのラベリングモデルを作成する（ステップＳ１１）。この処理は、ベビーカーを表す教師画像Ｔ１と、白杖を表す教師画像Ｔ２とに基づいて行われる。

ステップＳ１１におけるラベリングモデルの作成は、任意の機械学習方法で行うことができるが、たとえばイテレーション上限を定めて収束を待つ方法とすることができる。すなわち、１つ以上の教師画像に基づき、学習によってラベリングモデルを修正するステップと、ラベリングモデルの修正が収束するか否か（収束したか否か）を判定するステップとを、反復して実行することを含む方法である。この反復は、たとえば修正回数が所定の上限値に達するまで行われる。

ラベリングモデルの修正処理は、たとえば非特許文献１に開示される技術を用いて実現することができる。修正が収束するか否かの判定は、たとえば修正前のラベリングモデルと修正後のラベリングモデルとを比較して変化度を取得し、変化度が所定の収束基準を超えていれば収束しないと判定し、収束基準未満であれば収束すると判定する（等しい場合はいずれでもよい）、というようにして実現可能である。

変化度の取得は任意の方法で行うことができるが、たとえば精度の指標の差分として変化度を算出してもよい。精度の指標はたとえば、学習に用いた教師画像そのものをすべて対象としてラベルの予測を行い、その予測に係る正答率と非見逃し率との関数として算出することができる。この関数は、たとえば交差検証（cross validation）に係る対角線の値（たとえば正答でしかも見逃していない画像の数）を与えるものとしてもよい。また、収束基準は、たとえば指数関数を用いて定義することができる。

機械学習システム１０は、ステップＳ１１において学習による修正が収束したか否かに応じ、以降の処理を分岐させる（ステップＳ１２）。収束した場合には、機械学習システム１０は、ラベリングモデルに基づき、複数のテスト画像について、ラベルを予測する（ステップＳ１３）。すなわち、ラベリングモデルを適用することにより、そのテスト画像がベビーカーを表すものであるか否か（すなわち、「ベビーカー」というラベルを持つか否か）、および、そのテスト画像が白杖を表すものであるか否か（すなわち、「白杖」というラベルを持つか否か）を予測する。このテスト画像は、たとえば教師画像とは異なる画像として事前に準備される。

次に、機械学習システム１０は、ステップＳ１３における予測結果の精度（予測精度）を取得し、この予測精度に応じて以降の処理を分岐させる（ステップＳ１４）。この分岐は、たとえば予測精度と所定の精度基準との比較結果に応じて行われる。予測精度の評価は、任意の方法で行うことができるが、たとえば予測に係る正答率と非見逃し率との関数として算出することができる。この関数は、たとえば交差検証（cross validation）に係る対角線の値（たとえば正答でしかも見逃していない画像の数）を与えるものとしてもよい。

予測精度が所定の精度基準以上である場合には、機械学習システム１０は処理を終了する。これは、たとえば、教師画像の組が良好なものであり、追加の必要がない場合に相当する。

上述のステップＳ１２において、学習によるラベリングモデルの修正が収束しない場合、および、上述のステップＳ１４において、予測精度が所定の精度基準より低い場合には、機械学習システム１０は、新たな教師画像を生成して追加する（ステップＳ１５）。この処理は、たとえば実施の形態１または２に従って実行される。

ここで、ラベリングモデルの修正が収束しない場合や、予測精度が低い場合には、教師画像の質または量に改善の余地があると考えることができるので、実施の形態１または２に係る方法によって教師画像を追加することで改善される可能性があると言える。

なお、ステップＳ１５において、教師画像の質または量を変更する他の処理を行ってもよい。たとえば、教師画像のうち学習に悪影響を及ぼすと考えられるものを目視によって特定し、それらを教師画像から除外してもよい。

ステップＳ１５の後、機械学習システム１０は処理をステップＳ１１に戻す。すなわち、新たな教師画像が追加された教師画像の組を用いて、新たなラベリングモデルを作成する。この新たなラベリングモデルは、新たに生成された質の良い教師画像を用いて作成されるので、収束可能性が向上するか、または、予測精度が向上する可能性がある。

このように、実施の形態３に係る機械学習システム１０は、教師画像の質または量に改善の余地がある場合に教師画像を追加し、これによって学習の収束可能性または予測精度を向上させることができる。

上述の実施の形態１〜３において、次のような変形を施すことができる。
実施の形態１〜３では、データはすべて画像データであるが、機械学習によってラベリングを行うことが可能なデータであれば、任意の他の種類のデータ（文書データ、数値データ等）を用いてもよい。

機械学習の具体的実現方法は、任意に設計可能である。実施の形態３では、ニューラルネットワークを用いたディープラーニングを用いたが、他の機械学習方法を用いてもよい。

複数のラベルについてパターン分類が行われる場合には、各ラベルについてパターンの定義を異ならせてもよい。たとえば、ベビーカーを表す教師画像Ｔ１については色調に基づくパターン定義を用い、白杖を表す教師画像Ｔ２については角度に基づくパターン定義を用いてもよい。

実施の形態３における学習の収束判定（ステップＳ１２）と、精度判定（ステップＳ１４）のうちいずれかを省略してもよい。たとえば、ステップＳ１１の後、収束したか否かに関わらずステップＳ１３以降を実行するよう構成してもよい。または、ステップＳ１２において収束したと判定された場合において、ステップＳ１３およびＳ１４を省略して処理を終了してもよい。

１０ 機械学習システム（コンピュータ）、Ｔ１，Ｔ２ 教師画像。

上述の問題点を解決するため、この発明に係る方法は、
機械学習用の教師画像を生成する方法であって、
複数のパターンに分類された教師画像を取得するステップと、
所定の基準に基づき、属する教師画像の個数が少ない不足パターンを特定するステップと、
第１の教師画像に基づいて、前記不足パターンに属する新たな教師画像を生成するステップと
を備え、
前記教師画像は、第１のラベルを持つ教師画像と、第２のラベルを持つ教師画像とを含み、
前記第１の教師画像および前記新たな教師画像は、第１のラベルを持つ教師画像であり、
前記方法は、第２のラベルを持つ比率調整用教師画像を生成するステップをさらに備え、
前記比率調整用教師画像の数は、
前記新たな教師画像の数と、
前記第１のラベルを持つ教師画像（ただし前記新たな教師画像を除く）の数と、
前記第２のラベルを持つ教師画像（ただし前記比率調整用教師画像を除く）の数と、
に基づいて決定される。
特定の実施態様によれば、前記新たな教師画像は、前記第１の教師画像を空間的に反転する処理、または、前記第１の教師画像の色調を変更する処理を用いて生成される。
特定の実施態様によれば、前記新たな教師画像は、
前記第１の教師画像を拡大する処理、
前記第１の教師画像を縮小する処理、
前記第１の教師画像を平行移動する処理、
前記第１の教師画像をひずませる処理、または
前記第１の教師画像を別の画像と合成する処理、
を用いて生成される。
また、この発明に係るコンピュータは、上述の方法を実行する。
また、この発明に係るプログラムは、コンピュータに上述の方法を実行させる。

Claims (6)

1. 機械学習用の教師画像を生成する方法であって、
   複数のパターンに分類された教師画像を取得するステップと、
   所定の基準に基づき、属する教師画像の個数が少ない不足パターンを特定するステップと、
   第１の教師画像に基づいて、前記不足パターンに属する新たな教師画像を生成するステップと
   を備える方法。
2. 前記新たな教師画像は、前記第１の教師画像を空間的に反転する処理、または、前記第１の教師画像の色調を変更する処理を用いて生成される、請求項１に記載の方法。
3. 前記新たな教師画像は、
   前記第１の教師画像を拡大する処理、
   前記第１の教師画像を縮小する処理、
   前記第１の教師画像を平行移動する処理、
   前記第１の教師画像をひずませる処理、または
   前記第１の教師画像を別の画像と合成する処理、
   を用いて生成される、請求項１または２に記載の方法。
4. 前記教師画像は、第１のラベルを持つ教師画像と、第２のラベルを持つ教師画像とを含み、
   前記第１の教師画像および前記新たな教師画像は、第１のラベルを持つ教師画像であり、
   前記方法は、第２のラベルを持つ比率調整用教師画像を生成するステップをさらに備え、
   前記比率調整用教師画像の数は、
   前記新たな教師画像の数と、
   前記第１のラベルを持つ教師画像（ただし前記新たな教師画像を除く）の数と、
   前記第２のラベルを持つ教師画像（ただし前記比率調整用教師画像を除く）の数と、
   に基づいて決定される、
   請求項１〜３のいずれか一項に記載の方法。
5. 請求項１〜４のいずれか一項に記載の方法を実行するコンピュータ。
6. コンピュータに請求項１〜４のいずれか一項に記載の方法を実行させるプログラム。

Images