JP2018190140A - 学習装置、学習方法、及び学習プログラム - Google Patents
学習装置、学習方法、及び学習プログラム Download PDFInfo
- Publication number
- JP2018190140A JP2018190140A JP2017091295A JP2017091295A JP2018190140A JP 2018190140 A JP2018190140 A JP 2018190140A JP 2017091295 A JP2017091295 A JP 2017091295A JP 2017091295 A JP2017091295 A JP 2017091295A JP 2018190140 A JP2018190140 A JP 2018190140A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- learning data
- data group
- ability
- 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 abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 119
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 230000007812 deficiency Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000001747 exhibiting effect Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 171
- 238000007689 inspection Methods 0.000 claims description 50
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 2
- 230000002950 deficient Effects 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 26
- 230000004048 modification Effects 0.000 description 17
- 238000012986 modification Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000010365 information processing Effects 0.000 description 9
- 238000005286 illumination Methods 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 208000019553 vascular disease Diseases 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
Description
まず、図1を用いて、本発明が適用される場面の一例について説明する。図1は、本実施形態に係る学習装置1の適用場面の一例を模式的に例示する。
[ハードウェア構成]
次に、図2を用いて、本実施形態に係る学習装置1のハードウェア構成の一例について説明する。図2は、本実施形態に係る学習装置1のハードウェア構成の一例を模式的に例示する。
次に、図3を用いて、本実施形態に係る学習装置1の機能構成の一例を説明する。図3は、本実施形態に係る学習装置1の機能構成の一例を模式的に例示する。
次に、図5を用いて、学習装置1の動作例を説明する。図5は、学習装置1の処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は、本発明の「学習方法」に相当する。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
ステップS101では、制御部11は、学習データ取得部111として動き、複数件の学習データ123で構成される学習データ群122を取得する。
次のステップS102では、制御部11は、学習処理部112として動き、ステップS101で取得した学習データ群122を利用して、ニューラルネットワーク2の機械学習を実施する。すなわち、各件の学習データ123の画像データ1231を入力すると、入力した画像データ1231と対になっている検品結果データ1232に対応する出力値を出力するようにニューラルネットワーク2を学習させる。これにより、制御部11は、対象物6の検品を行う能力を学習した学習済みのニューラルネットワーク2を構築する。
次のステップS103では、制御部11は、学習処理部112として動き、部分学習データ群124を利用して、ニューラルネットワーク3の機械学習を実施する。これにより、制御部11は、対象物6の検品を行う能力を学習した学習済みのニューラルネットワーク3(第2の学習器)を構築する。
次のステップS104では、制御部11は、対象物6の検品を行う能力をサンプルデータ129に対して発揮するように各学習済みのニューラルネットワーク(2、3)を動作させる。すなわち、制御部11は、各学習済みのニューラルネットワーク(2、3)にサンプルデータ129を入力して、対象物6の検品結果を出力するように各学習済みのニューラルネットワーク(2、3)を動作させる。これにより、制御部11は、構築した各学習済みのニューラルネットワーク(2、3)にサンプルデータ129を適用する。
次のステップS105では、制御部11は、不足件数評価部113として能力し、ステップS104で得られる結果に基づいて、ニューラルネットワーク2の機械学習に利用した学習データ123の不足件数の程度を評価する。
次のステップS106では、制御部11は、ステップS105で行った評価結果を出力する。例えば、制御部11は、ディスプレイ等の出力装置15に学習データ123の不足件数の程度を示すメッセージを出力することで、機械学習に利用する学習データ123の追加を利用者に促すことができる。また、制御部11は、学習データ群122に新たな学習データを追加しても、対象物6の検品を行う能力を十分に発揮可能な学習済みのニューラルネットワークを構築するのは困難であることを示すメッセージを出力装置15に出力することで、機械学習に利用する学習データ群の変更を利用者に促すことができる。更に、制御部11は、学習データ群122と部分学習データ群124との差分となる学習データYが対象物6の検品を行う能力の機械学習に不要なデータであることを示すメッセージを出力装置15に出力することで、当該学習データYの削除を利用者に促すことができる。これにより、制御部11は、本動作例に係る学習処理を終了する。
以上のように、本実施形態に係る学習装置1、ステップS102及びS103の処理により、学習データ群122及び部分学習データ群124をそれぞれ利用して、学習済みのニューラルネットワーク(2、3)を構築する。そして、学習装置1は、ステップS104の処理により、構築した各学習済みのニューラルネットワーク(2、3)の能力の相違に基づいて、機械学習に利用した学習データ123の不足件数の程度を評価する。本実施形態によれば、この評価の結果に基づいて、対象物6の検品を行う能力を十分に発揮可能な学習済みのニューラルネットワークを構築するのに不足している学習データ123の件数の程度を特定することができる。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
上記実施形態では、ニューラルネットワークに学習させる所定の能力として、製造ラインで製造される対象物6の検品を行う能力を例示している。そして、対象物6の検品を行う能力を発揮する際に、学習済みニューラルネットワーク2に入力する入力データは、対象物6を撮影することで得られた画像データであり、学習済みニューラルネットワーク2から出力される出力データは、対象物6の検品結果を示すデータである。しかしながら、ニューラルネットワークに学習させる所定の能力は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。学習データを適宜変更することで、ニューラルネットワークに学習させる所定の能力を適宜変更可能である。
また、上記実施形態では、1種類の部分学習データ群124を利用して、1件の学習済みニューラルネットワーク3を構築している。しかしながら、部分学習データ群124の種類数及び構築する学習済みニューラルネットワーク3の数はそれぞれ、このような例に限定されなくてもよく、複数種類の部分学習データ群124を利用して、複数件の学習済みニューラルネットワーク3を構築してもよい。すなわち、上記実施形態に係る学習装置1の制御部11は、部分学習データ群124を複数パターン用意してもよい。この場合、制御部11は、上記ステップS103において、用意した複数パターンの部分学習データ群124を利用して、複数件の学習済みニューラルネットワーク3を構築する。次に、制御部11は、上記ステップS104において、各学習済みニューラルネットワーク3にサンプルデータ129を適用する。そして、制御部11は、上記ステップS105において、学習済みニューラルネットワーク2及び複数件の学習済みニューラルネットワーク3それぞれにサンプルデータ129を適用した結果に基づいて、機械学習に利用した学習データ123の不足件数の程度を評価する。なお、この場合、各部分学習データ群124は、構成する学習データの件数を相違するようにし、包含関係を有するようにしてもよい。すなわち、学習データ群122から徐々に学習データを減らしていくことで、各部分学習データ群124を作成してもよい。これにより、構成する学習データの件数が最も少ない学習データ群124と学習データ群122との間の状態をその他の部分学習データ群124で表現することができるため、機械学習により習得させる所定の能力に学習データの件数が与える影響を適切に表出させることができる。
また、上記実施形態では、部分学習データ群124により構築した学習済みのニューラルネットワーク3を利用して、機械学習に利用する学習データ123の不足件数の程度を評価している。しかしながら、学習データ123の不足件数の程度を評価する方法は、このような例に限定されなくてもよい。例えば、学習データ群122により構築した学習済みのニューラルネットワーク2による対象物6の検品の正答率のみを評価指標に適用することで、制御部11は、機械学習に利用する学習データ123の不足件数の程度を評価してもよい。すなわち、制御部11は、部分学習データ群124により構築した学習済みのニューラルネットワーク3を利用せずに、機械学習に利用する学習データ123の不足件数の程度を評価してもよい。この場合、上記ステップS103は、省略されてもよい。
また、図7に例示されるように、機械学習に利用する学習データ群に所定の種類に属する学習データを追加することで、機械学習に不足している学習データの種類の評価を行ってもよい。図7は、本変形例に係る学習装置1Aを模式的に例示する。この学習装置1Aでは、学習データ取得部111は、第1の種類に属する複数件の学習データ126で構成された第1の追加学習データ群125と、第1の種類とは異なる第2の種類に属する複数件の学習データ128で構成された第2の追加学習データ群127と、を更に取得する。つまり、本変形例では、学習データ取得部111は、それぞれ異なる種類の学習データで構成される複数の追加学習データ群を取得する。
また、図8に例示されるように、上記ステップS105における学習データの不足件数の評価に、ニューラルネットワーク等の評価用学習器を利用してもよい。図8は、本変形例に係る学習装置1Bを模式的に例示する。本変形例に係る学習装置1Bは、学習データの不足件数の評価にニューラルネットワーク7を用いる点を除き、上記学習装置1と同様に構成される。この場合、制御部11は、上記ステップS105において、不足件数評価部113として動き、ニューラルネットワーク7を用いて、学習データ123の不足件数を評価する。
また、上記実施形態及び変形例では、各ニューラルネットワーク(2、3、40、41、7)として、多層構造を有する一般的な順伝播型ニューラルネットワークを用いている。しかしながら、各ニューラルネットワーク(2、3、40、41、7)の種類は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、各ニューラルネットワーク(2、3、40、41、7)には、畳み込み層及びプーリング層を備える畳み込みニューラルネットワークを用いてもよい。また、例えば、入力データとして時系列データを用いる場合、各ニューラルネットワーク(2、3、40、41、7)には、中間層から入力層等のように出力側から入力側に再帰する結合を有する再帰型ニューラルネットワークが用いられてもよい。なお、各ニューラルネットワーク(2、3、40、41、7)の層数、各層におけるニューロンの個数、ニューロン同士の結合関係、及び各ニューロンの伝達関数は、実施の形態に応じて適宜決定されてよい。
また、上記実施形態及び変形例では、各学習器及び評価用学習器は、ニューラルネットワークにより構成されている。しかしながら、各学習器及び評価用学習器の種類は、ニューラルネットワークに限られなくてもよく、実施の形態に応じて適宜選択されてよい。各学習器及び評価用学習器には、例えば、サポートベクターマシン、自己組織化マップ、強化学習により学習を行う学習器等が用いられてもよい。
ハードウェアプロセッサと、
前記ハードウェアプロセッサで実行するプログラムを保持するメモリと、
を備える学習装置であって、
前記ハードウェアプロセッサは、前記プログラムを実行することにより、
複数件の学習データで構成され、所定の能力を学習器に機械学習させるための第1の学習データ群を取得するステップと、
取得した前記第1の学習データ群を利用して、前記学習器の機械学習を実施することで、前記所定の能力を学習した第1の学習器を構築するステップと、
サンプルデータに対して前記所定の能力を発揮するように前記第1の学習器を動作させるステップと、
前記第1の学習器が前記サンプルデータに対して前記所定の能力を発揮した結果に基づいて、前記機械学習に利用した学習データの不足件数の程度を評価するステップと、
を実行するように構成される、
学習装置。
ハードウェアプロセッサにより、複数件の学習データで構成され、所定の能力を学習器に機械学習させるための第1の学習データ群を取得するステップと、
ハードウェアプロセッサにより、取得した前記第1の学習データ群を利用して、前記学習器の機械学習を実施することで、前記所定の能力を学習した第1の学習器を構築するステップと、
ハードウェアプロセッサにより、サンプルデータに対して前記所定の能力を発揮するように前記第1の学習器を動作させるステップと、
ハードウェアプロセッサにより、前記第1の学習器が前記サンプルデータに対して前記所定の能力を発揮した結果に基づいて、前記機械学習に利用した学習データの不足件数の程度を評価するステップと、
を備える、
学習方法。
11…制御部、12…記憶部、13…外部インタフェース、
14…入力装置、15…出力装置、16…ドライブ、
111…学習データ取得部、112…学習処理部、
113…不足件数評価部、
121…学習プログラム、
122…学習データ群、123…学習データ、
1231…画像データ、1232…検品結果データ、
124…部分学習データ群、
125…第1の追加学習データ群、126…(追加の)学習データ、
1261…画像データ、1262…検品結果データ、
127…第2の追加学習データ群、128…(追加の)学習データ、
1281…画像データ、1282…検品結果データ、
129…サンプルデータ、
1291…画像データ、1292…検品結果データ、
2…ニューラルネットワーク、
21…入力層、22……中間層(隠れ層)、23…出力層、
3…ニューラルネットワーク、
31…入力層、32……中間層(隠れ層)、33…出力層、
40・41…ニューラルネットワーク、
5…カメラ、6…対象物、
7…評価用ニューラルネットワーク(評価用学習器)
9…記憶媒体
Claims (14)
- 複数件の学習データで構成され、所定の能力を学習器に機械学習させるための第1の学習データ群を取得する学習データ取得部と、
前記第1の学習データ群を利用して、前記学習器の機械学習を実施することで、前記所定の能力を学習した第1の学習器を構築する学習処理部と、
前記第1の学習器がサンプルデータに対して前記所定の能力を発揮した結果に基づいて、前記第1の学習器の機械学習に利用した学習データの不足件数の程度を評価する不足件数評価部と、
を備える、
学習装置。 - 前記学習処理部は、前記第1の学習器の機械学習に利用した前記第1の学習データ群を構成する複数件の学習データのうちの一部で構成された第2の学習データ群を利用して、前記所定の能力を学習した、第2の学習器を更に構築し、
前記不足件数評価部は、前記第1の学習データ群及び前記第2の学習データ群それぞれに含まれる学習データの件数の相違と、前記第1の学習器及び前記第2の学習器それぞれが前記サンプルデータに対して前記所定の能力を発揮した結果の相違具合とに基づいて、前記第1の学習器の機械学習に利用した学習データの不足件数の程度を評価する、
請求項1に記載の学習装置。 - 前記不足件数評価部は、学習データの件数と学習済み学習器が前記所定の能力を発揮する程度との関係を示す指標に、前記第1の学習データ群及び前記第2の学習データ群それぞれに含まれる学習データの件数の相違と、前記第1の学習器及び前記第2の学習器それぞれが前記サンプルデータに対して前記所定の能力を発揮した結果の相違具合とを適用することで、前記第1の学習器の機械学習に利用した学習データの不足件数の程度を評価する、
請求項2に記載の学習装置。 - 前記不足件数評価部は、前記第1の学習器及び前記第2の学習器それぞれが前記サンプルデータに対して前記所定の能力を発揮した結果の相違具合が所定以下である場合に、前記第1の学習データ群と前記第2の学習データ群との差分となる学習データは前記学習器の機械学習に不要なデータであると評価する、
請求項2又は3に記載の学習装置。 - 前記学習データ取得部は、第1の種類に属する複数件の学習データで構成された第1の追加学習データ群と、前記第1の種類とは異なる第2の種類に属する複数件の学習データで構成された第2の追加学習データ群と、を更に取得し、
前記学習処理部は、
前記学習データ群及び前記第1の追加学習データ群を利用して、前記所定の能力を学習した第3の学習器を更に構築し、
前記学習データ群及び前記第2の追加学習データ群を利用して、前記所定の能力を学習した第4の学習器を更に構築し、
前記不足件数評価部は、前記第3の学習器及び前記第4の学習器それぞれが前記サンプルデータに対して前記所定の能力を発揮した結果の相違具合に基づいて、前記学習済み学習器の機械学習に不足している学習データの種類を特定する、
請求項1から4のいずれか1項に記載の学習装置。 - 前記学習器は、ニューラルネットワークにより構成される、
請求項1から5のいずれか1項に記載の学習装置。 - 前記不足件数評価部は、前記学習データ群を構成する学習データの件数及び種類を示す情報を入力すると、前記機械学習に利用する学習データの不足件数の程度を示す情報を出力するように学習を行った学習済みの評価用学習器を用いて、前記機械学習に利用する学習データの不足件数の程度を評価する、
請求項1に記載の学習装置。 - 前記評価用学習器は、前記機械学習に不足している学習データの種類を更に出力するように学習済みである、
請求項7に記載の学習装置。 - 前記所定の能力を発揮する際に、前記第1の学習器に入力する入力データは、画像データ及び生体データの少なくともいずれかであり、前記第1の学習器から出力される出力データは、対象物又は対象人物の状態の推定結果を示すデータである、
請求項1から8のいずれか1項に記載の学習装置。 - 前記所定の能力は、製造ラインで製造される対象物の検品を行う能力であり、
前記第1の学習器に入力する入力データは、前記対象物を撮影することで得られた画像データであり、
前記第1の学習器から出力される出力データは、前記対象物の検品結果を示すデータである、
請求項9に記載の学習装置。 - 前記所定の能力は、車両のドライバの状態を推定する能力であり、
前記第1の学習器に入力する入力データは、前記ドライバを撮影することで得られた画像データ及び前記ドライバから得られた生体データの少なくともいずれかであり、
前記第1の学習器から出力される出力データは、前記ドライバの状態を示すデータである、
請求項9に記載の学習装置。 - 前記所定の能力は、対象人物の健康状態を推定する能力であり、
前記第1の学習器に入力する入力データは、前記対象人物から得られた生体データであり、
前記第1の学習器から出力される出力データは、前記対象人物の健康状態を示すデータである、
請求項9に記載の学習装置。 - コンピュータが、
複数件の学習データで構成され、所定の能力を学習器に機械学習させるための第1の学習データ群を取得するステップと、
前記第1の学習データ群を利用して、前記学習器の機械学習を実施することで、前記所定の能力を学習した第1の学習器を構築するステップと、
サンプルデータに対して前記所定の能力を発揮するように前記第1の学習器を動作させるステップと、
前記第1の学習器が前記サンプルデータに対して前記所定の能力を発揮した結果に基づいて、前記機械学習に利用した学習データの不足件数の程度を評価するステップと、
を実行する、
学習方法。 - コンピュータに、
複数件の学習データで構成され、所定の能力を学習器に機械学習させるための第1の学習データ群を取得するステップと、
前記第1の学習データ群を利用して、前記学習器の機械学習を実施することで、前記所定の能力を学習した第1の学習器を構築するステップと、
サンプルデータに対して前記所定の能力を発揮するように前記第1の学習器を動作させるステップと、
前記第1の学習器が前記サンプルデータに対して前記所定の能力を発揮した結果に基づいて、前記機械学習に利用した学習データの不足件数の程度を評価するステップと、
を実行させるための学習プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017091295A JP6911498B2 (ja) | 2017-05-01 | 2017-05-01 | 学習装置、学習方法、及び学習プログラム |
PCT/JP2018/015636 WO2018203470A1 (en) | 2017-05-01 | 2018-04-16 | Learning apparatus, learning method, and learning program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017091295A JP6911498B2 (ja) | 2017-05-01 | 2017-05-01 | 学習装置、学習方法、及び学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018190140A true JP2018190140A (ja) | 2018-11-29 |
JP6911498B2 JP6911498B2 (ja) | 2021-07-28 |
Family
ID=62092213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017091295A Active JP6911498B2 (ja) | 2017-05-01 | 2017-05-01 | 学習装置、学習方法、及び学習プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6911498B2 (ja) |
WO (1) | WO2018203470A1 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020095448A (ja) * | 2018-12-12 | 2020-06-18 | 株式会社日立ソリューションズ | データ処理システム、方法、およびプログラム |
JP2020155063A (ja) * | 2019-03-22 | 2020-09-24 | キヤノン株式会社 | 情報処理装置、及びその制御方法、プログラム、記憶媒体 |
JP2020187654A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社キーエンス | 画像検査装置 |
JP2021005340A (ja) * | 2019-06-27 | 2021-01-14 | キヤノン株式会社 | 画像処理装置及びその方法、画像入力装置、画像処理システム、プログラム |
WO2021014823A1 (ja) * | 2019-07-24 | 2021-01-28 | ソニー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
WO2021085188A1 (ja) * | 2019-10-29 | 2021-05-06 | ソニー株式会社 | バイアス調整装置、情報処理装置、情報処理方法及び情報処理プログラム |
US20210295182A1 (en) * | 2020-03-23 | 2021-09-23 | Hitachi, Ltd. | Machine learning system and machine learning method |
JPWO2021053780A1 (ja) * | 2019-09-19 | 2021-11-18 | 三菱電機株式会社 | 認知機能推定装置、学習装置、および、認知機能推定方法 |
WO2021260979A1 (ja) * | 2020-06-22 | 2021-12-30 | 株式会社日立ソリューションズ | データ収集システム |
EP4050521A1 (en) | 2021-02-26 | 2022-08-31 | Fujitsu Limited | Machine learning program, machine learning method, and information processing device |
JP2022547758A (ja) * | 2019-11-27 | 2022-11-16 | オラクル・インターナショナル・コーポレイション | 機械学習および処理された訓練データを用いた非侵入型負荷監視 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI791949B (zh) * | 2019-03-15 | 2023-02-11 | 日商住友重機械工業股份有限公司 | 監視裝置、顯示裝置、監視方法及監視程式 |
CN111493850A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的血压测量方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6269351B1 (en) * | 1999-03-31 | 2001-07-31 | Dryken Technologies, Inc. | Method and system for training an artificial neural network |
JP2005100122A (ja) * | 2003-09-25 | 2005-04-14 | Fuji Photo Film Co Ltd | 識別処理に用いる特徴量の種類と識別条件を決定する装置、プログラムならびにプログラムを記録した記録媒体、および特定内容のデータを選別する装置 |
US20170061329A1 (en) * | 2015-08-31 | 2017-03-02 | Fujitsu Limited | Machine learning management apparatus and method |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6435581B2 (ja) | 2015-01-29 | 2018-12-12 | パナソニックIpマネジメント株式会社 | 転移学習装置、転移学習システム、転移学習方法およびプログラム |
-
2017
- 2017-05-01 JP JP2017091295A patent/JP6911498B2/ja active Active
-
2018
- 2018-04-16 WO PCT/JP2018/015636 patent/WO2018203470A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6269351B1 (en) * | 1999-03-31 | 2001-07-31 | Dryken Technologies, Inc. | Method and system for training an artificial neural network |
JP2005100122A (ja) * | 2003-09-25 | 2005-04-14 | Fuji Photo Film Co Ltd | 識別処理に用いる特徴量の種類と識別条件を決定する装置、プログラムならびにプログラムを記録した記録媒体、および特定内容のデータを選別する装置 |
US20170061329A1 (en) * | 2015-08-31 | 2017-03-02 | Fujitsu Limited | Machine learning management apparatus and method |
JP2017049677A (ja) * | 2015-08-31 | 2017-03-09 | 富士通株式会社 | 機械学習管理プログラム、機械学習管理装置および機械学習管理方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020095448A (ja) * | 2018-12-12 | 2020-06-18 | 株式会社日立ソリューションズ | データ処理システム、方法、およびプログラム |
JP2020155063A (ja) * | 2019-03-22 | 2020-09-24 | キヤノン株式会社 | 情報処理装置、及びその制御方法、プログラム、記憶媒体 |
JP7263074B2 (ja) | 2019-03-22 | 2023-04-24 | キヤノン株式会社 | 情報処理装置、及びその制御方法、プログラム、記憶媒体 |
JP2020187654A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社キーエンス | 画像検査装置 |
JP7248496B2 (ja) | 2019-05-16 | 2023-03-29 | 株式会社キーエンス | 画像検査装置 |
JP2021005340A (ja) * | 2019-06-27 | 2021-01-14 | キヤノン株式会社 | 画像処理装置及びその方法、画像入力装置、画像処理システム、プログラム |
JP7353825B2 (ja) | 2019-06-27 | 2023-10-02 | キヤノン株式会社 | 画像処理装置及びその方法、画像入力装置、画像処理システム、プログラム |
WO2021014823A1 (ja) * | 2019-07-24 | 2021-01-28 | ソニー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
JP7505495B2 (ja) | 2019-07-24 | 2024-06-25 | ソニーグループ株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
CN114175082A (zh) * | 2019-07-24 | 2022-03-11 | 索尼集团公司 | 信息处理设备、信息处理方法和信息处理程序 |
JP7031072B2 (ja) | 2019-09-19 | 2022-03-07 | 三菱電機株式会社 | 認知機能推定装置、学習装置、および、認知機能推定方法 |
JPWO2021053780A1 (ja) * | 2019-09-19 | 2021-11-18 | 三菱電機株式会社 | 認知機能推定装置、学習装置、および、認知機能推定方法 |
US11810373B2 (en) | 2019-09-19 | 2023-11-07 | Mitsubishi Electric Corporation | Cognitive function estimation device, learning device, and cognitive function estimation method |
WO2021085188A1 (ja) * | 2019-10-29 | 2021-05-06 | ソニー株式会社 | バイアス調整装置、情報処理装置、情報処理方法及び情報処理プログラム |
JP2022547758A (ja) * | 2019-11-27 | 2022-11-16 | オラクル・インターナショナル・コーポレイション | 機械学習および処理された訓練データを用いた非侵入型負荷監視 |
US11636356B2 (en) | 2019-11-27 | 2023-04-25 | Oracle International Corporation | Non-intrusive load monitoring using machine learning and processed training data |
JP7395605B2 (ja) | 2019-11-27 | 2023-12-11 | オラクル・インターナショナル・コーポレイション | 機械学習および処理された訓練データを用いた非侵入型負荷監視 |
US11989668B2 (en) | 2019-11-27 | 2024-05-21 | Oracle International Corporation | Non-intrusive load monitoring using machine learning and processed training data |
US20210295182A1 (en) * | 2020-03-23 | 2021-09-23 | Hitachi, Ltd. | Machine learning system and machine learning method |
JP2022002058A (ja) * | 2020-06-22 | 2022-01-06 | 株式会社日立ソリューションズ | データ収集システム |
JP7241718B2 (ja) | 2020-06-22 | 2023-03-17 | 株式会社日立ソリューションズ | データ収集システム |
WO2021260979A1 (ja) * | 2020-06-22 | 2021-12-30 | 株式会社日立ソリューションズ | データ収集システム |
EP4050521A1 (en) | 2021-02-26 | 2022-08-31 | Fujitsu Limited | Machine learning program, machine learning method, and information processing device |
Also Published As
Publication number | Publication date |
---|---|
JP6911498B2 (ja) | 2021-07-28 |
WO2018203470A1 (en) | 2018-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6911498B2 (ja) | 学習装置、学習方法、及び学習プログラム | |
WO2019176993A1 (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
US20190156474A1 (en) | Appearance inspection device | |
JP2018147474A (ja) | 学習装置、学習結果利用装置、学習方法及び学習プログラム | |
WO2021056914A1 (zh) | 一种目标检测模型的自动建模方法及装置 | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
WO2019176989A1 (ja) | 検査システム、識別システム、及び学習データ生成装置 | |
Patel | Diabetic retinopathy detection and classification using pre-trained convolutional neural networks | |
CN110458791A (zh) | 质量缺陷检测方法和检测设备 | |
CN114864105A (zh) | 一种基于社交图网络的动物疾病的预警方法和系统 | |
CN115210724A (zh) | 模型生成装置、推断装置、模型生成方法及模型生成程序 | |
CN114730392A (zh) | 解析装置、解析方法以及解析程序 | |
CN112869697A (zh) | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 | |
CN114882014A (zh) | 基于双模型的眼底图像质量评价方法、装置及相关介质 | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
KR101878359B1 (ko) | 정보기술을 이용한 다중지능 검사 장치 및 방법 | |
WO2019156254A1 (ja) | 検査対象の複雑系の状態を推定するシステム | |
Xu et al. | Inception‐LSTM Human Motion Recognition with Channel Attention Mechanism | |
CN113469977B (zh) | 一种基于蒸馏学习机制的瑕疵检测装置、方法、存储介质 | |
Hu et al. | The effects of different parameters on the accuracy of deep learning models for predicting US citizen’s life expectancy | |
JP7429036B2 (ja) | 判定装置、モデル生成装置、判定方法及び判定プログラム | |
JP6326264B2 (ja) | 肺疾患判別プログラム、記録媒体及び肺疾患判別方法 | |
Borgli | Hyperparameter optimization using Bayesian optimization on transfer learning for medical image classification | |
JP2003050631A (ja) | 異常診断システムの学習データ生成方法、異常診断システムの構築プログラム、異常診断プログラム、異常診断システムの構築装置および異常診断システム | |
Alodat | Analysing and predicting COVID-19 AI tracking using artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200305 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210216 |
|
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: 20210608 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210621 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6911498 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |