JP2020077158A

JP2020077158A - 画像処理装置及び画像処理方法

Info

Publication number: JP2020077158A
Application number: JP2018209651A
Authority: JP
Inventors: 池田　泰之; Yasuyuki Ikeda; 泰之池田; 真嗣栗田; Masashi Kurita; 藤枝　紫朗; Shiro Fujieda; 紫朗藤枝
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 2018-11-07
Filing date: 2018-11-07
Publication date: 2020-05-21
Anticipated expiration: 2038-11-07
Also published as: JP7123306B2

Abstract

【課題】教示者間のラベル付けの判断のばらつきを考慮して、未知の画像データを実用上十分な精度でクラス分類する。【解決手段】画像処理装置は、既知の画像データ３１と既知の画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０Ａ，４０Ｂ，４０Ｃを教示者毎に生成し、教示者毎に生成された分類器４０Ａ，４０Ｂ，４０Ｃを用いて未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に出力し、教示者毎の分類結果４１Ａ，４１Ｂ，４１Ｃの重み付き多数決に基づいて、未知の画像データ７０をクラス別に分類する分類結果８０を得る。【選択図】図４

Description

本発明は画像処理装置及び画像処理方法に関わる。

工業製品の製造分野においては、画像処理技術を応用した外観検査により、製品の欠陥の有無や程度を評価する検査方法が実用化されている。この種の検査方法の分野においては、機械学習の応用により検査精度を高める試みが検討されている。例えば、良品が分類されるクラスと不良品が分類されるクラスとを予め設定し、検査対象となる製品を撮影して得られる既知の画像データとその画像データが分類されるクラスとの組み合わせを教師付き学習することにより、製品の良否判定の基準を学習するアルゴリズムが知られている。このような画像データのクラス分類は、ラベル付けと呼ばれており、正しいラベル付けがなされた必要十分な量の画像データを用いて機械学習することにより、未知の画像データを高い精度でクラス分類できるものと期待されている。ところが、ラベル付けの判断は、ラベル付けを行う者（以下、「教示者」と呼ぶ）の主観的判断にある程度依存しているため、画像データによっては、教示者間でラベル付けの判断が分かれることがあり得る。このような事情に鑑み、特許文献１は、良否判定が困難なものを「不明」として分類し、再検証する手法を提案している。

特開２０１５−１３７９１９号公報

しかし、「不明」の判定基準も教示者毎に異なり得るため、教示者間でラベル付けの判断が分かれてしまうことに変わりはない。

そこで、本発明は、このような問題を解決し、教示者間のラベル付けの判断のばらつきを考慮して未知の画像データを実用上十分な精度でクラス分類する画像処理装置及び画像処理方法を提案することを課題とする。

上述の課題を解決するため、本発明に関わる画像処理装置は、既知の画像データと既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成する手段と、教示者毎に生成された分類器を用いて、未知の画像データの分類結果を教示者毎に出力する手段と、教示者毎の分類結果の重み付き多数決に基づいて、未知の画像データをクラス別に分類する手段を備える。教示者毎の分類結果の重み付き多数決により、未知の画像データを実用上十分な精度でクラス分類することができる。

本発明に関わる画像処理装置は、既知の画像データと既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成する手段と、教示者毎に生成された分類器を用いて、未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出する手段と、教示者毎に算出されたスコアの重み付け和と閾値との比較に基づいて未知の画像データが特定のクラスに属するか否かを判定する手段を備える。教示者毎に算出されたスコアの重み付け和と閾値との比較により、未知の画像データを実用上十分な精度でクラス分類することができる。

分類器を生成する手段は、教示者の熟練度に応じた重み付けで上述の対応関係を学習してもよい。例えば、熟練度の高い教示者の重み付けを相対的に重くし、熟練度の浅い教示者の重み付けを相対的に軽くしてもよい。これにより、熟練度の高い教示者のラベル付けが相対的に高く評価されるため、未知の画像データを高い信頼性でクラス分類することができる。

未知の画像データが特定のクラスに属するか否かを判定する手段は、教示者毎に算出されたスコアの最大値と最小値との間の範囲を教示者間でクラス分類の判断が分かれる範囲として判定してもよい。これにより、教示者間でクラス分類の判断が分かれる範囲を特定することができる。

教師付き学習は、例えば、ニューラルネットワークの学習アルゴリズムに基づくものでもよい。ニューラルネットワークは、分類器の機械学習に好適である。

本発明に関わる画像処理装置は、複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成する手段と、分類器を用いて未知の画像データの分類結果を教示者毎に出力する手段と、教示者毎の分類結果の重み付き多数決に基づいて未知の画像データをクラス別に分類する手段を備える。このような事前学習及び転移学習によれば、各教示者のラベル付けを個別に学習するよりも、分類器の学習時間を短縮できる。また、教示者毎の分類結果の重み付き多数決により、未知の画像データを実用上十分な精度でクラス分類することができる。

本発明に関わる画像処理装置は、複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成する手段と、分類器を用いて未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出する手段と、教示者毎に算出されたスコアの重み付け和と閾値との比較に基づいて、未知の画像データが特定のクラスに属するか否かを判定する手段を備える。このような事前学習及び転移学習によれば、各教示者のラベル付けを個別に学習するよりも、分類器の学習時間を短縮できる。また、教示者毎に算出されたスコアの重み付け和と閾値との比較により、未知の画像データを実用上十分な精度でクラス分類することができる。

分類器を生成する手段は、教示者間に共通する撮影条件下で撮影される画像データのクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データのクラス別の分類を転移学習してもよい。共通する撮影条件下で被検査対象を撮影する環境下では、画像データのクラス別の分類が教示者間で一致するものと考えられ、また、異なる撮影条件下で被検査対象を撮影する環境下では、画像データのクラス別の分類も教示者間で一致しないものと考えられる。このため、撮影条件の異同に基づいて事前学習をするのか、或いは転移学習をするのかを決定することができる。

本発明に関わる画像処理方法は、コンピュータシステムが、既知の画像データと既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成するステップと、分類器を用いて、未知の画像データの分類結果を教示者毎に出力するステップと、教示者毎の分類結果の重み付き多数決に基づいて、未知の画像データをクラス別に分類するステップを実行する。教示者毎の分類結果の重み付き多数決により、未知の画像データを実用上十分な精度でクラス分類することができる。

本発明に関わる画像処理方法は、コンピュータシステムが、既知の画像データと既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成するステップと、教示者毎に生成された分類器を用いて、未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出するステップと、教示者毎に算出されたスコアの重み付け和と閾値との比較に基づいて未知の画像データが特定のクラスに属するか否かを判定するステップを実行する。教示者毎に算出されたスコアの重み付け和と閾値との比較により、未知の画像データを実用上十分な精度でクラス分類することができる。

本発明に関わる画像処理方法は、コンピュータシステムが、複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成するステップと、分類器を用いて未知の画像データの分類結果を教示者毎に出力するステップと、教示者毎の分類結果の重み付き多数決に基づいて、未知の画像データをクラス別に分類するステップを実行する。このような事前学習及び転移学習によれば、各教示者のラベル付けを個別に学習するよりも、分類器の学習時間を短縮できる。また、教示者毎の分類結果の重み付き多数決により、未知の画像データを実用上十分な精度でクラス分類することができる。

本発明に関わる画像処理方法は、コンピュータシステムが、複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成するステップと、分類器を用いて未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出するステップと、教示者毎に算出されたスコアの重み付け和と閾値との比較に基づいて未知の画像データが特定のクラスに属するか否かを判定するステップを実行する。このような事前学習及び転移学習によれば、各教示者のラベル付けを個別に学習するよりも、分類器の学習時間を短縮できる。また、教示者毎に算出されたスコアの重み付け和と閾値との比較により、未知の画像データを実用上十分な精度でクラス分類することができる。

本発明によれば、教示者間のラベル付けの判断のばらつきを考慮して、未知の画像データを実用上十分な精度でクラス分類することができる。

本実施形態に関わる教師付き学習に用いられる学習データの一例を示す説明図である。本実施形態に関わる画像処理方法の処理の流れの一例を示すフローチャートである。本実施形態に関わる画像処理装置のハードウェア構成の一例を示す説明図である。本実施形態に関わる第１の画像処理方法の処理の流れの一例を示す説明図である。本実施形態に関わる第１の画像処理方法の処理の流れの一例を示すフローチャートである。本実施形態に関わる第２の画像処理方法の処理の流れの一例を示す説明図である。本実施形態に関わる第２の画像処理方法の処理の流れの一例を示すフローチャートである。本実施形態に関わる第２の画像処理方法の判定処理の一例を示す説明図である。本実施形態に関わる分類器の事前学習の一例を示す説明図である。本実施形態に関わる分類器の転移学習の一例を示す説明図である。本実施形態に関わる第３の画像処理方法の処理の流れの一例を示す説明図である。本実施形態に関わる第３の画像処理方法の処理の流れの一例を示すフローチャートである。本実施形態に関わる第４の画像処理方法の処理の流れの一例を示す説明図である。本実施形態に関わる第４の画像処理方法の処理の流れの一例を示すフローチャートである。

以下、本発明の一側面に関わる実施形態を図面に基づいて説明する。本発明の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更又は改良され得るととともに、本発明には、その等価物も含まれる。なお、同一符号は、同一の構成要素を示すものとし、重複する説明は省略する。

［適用例］
まず、図１乃至図２を参照しながら、本発明の適用例について説明する。
本発明の実施形態では、良品が分類されるクラスと不良品が分類されるクラスとを予め設定し、検査対象となる製品を撮影して得られる既知の画像データとその画像データが分類されるクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための２クラス分類器を生成する。このような教師付き学習では、学習に用いられる画像データから特徴（例えば、エッジ、色ヒストグラム、方向性特徴、ウェーブレット係数など）が特徴量ベクトルとして抽出され、この抽出された特徴と、教示者によりラベル付けされたクラスとの対応関係が学習される。

教師付き学習は、例えば、ニューラルネットワークの学習アルゴリズムに基づいてもよい。この種のニューラルネットワークとして、画像認識に優れている畳み込みニューラルネットワークを用いてもよい。分類器は、このような機械学習による学習済みモデルから構成されてもよい。分類器は、学習済みモデルの複製物又は蒸留物を含んでもよい。学習済みモデルの複製物は、モデルの内部構造を複製したもののみならず、学習が完了した学習済みの学習モジュール又は当該学習済みの学習モジュールの複製物に対して追加学習を行ったものを含む。蒸留物は、いわゆる蒸留によって得られる学習済みモデルを意味する。蒸留は、学習済みモデルの機能を保つように、学習済みモデルと構造が異なる他の学習モデルを学習させ、学習済みの当該他の学習済みモデルを得ることを含む。ここで、当該他の学習済みモデル（蒸留物）は、その基礎となった学習済みモデルよりも内部構造が単純であり、よりディプロイに適したものでもよい。

図１は、このような教師付き学習に用いられる学習データ３０の一例を示している。学習データ３０は、既知の画像データ３１とラベル３２とを組み合わせたものである。図１に示す例では、既知の画像データ３１は、１０枚あり、それぞれの画像データ３１を区別するときは、３１Ａ〜３１Jのように、３１に続けてＡ〜Jの何れかのアルファベットを付した符号を用いるものとする。また、図１に示す例では、既知の画像データ３１をラベル付けする教示者は、３人存在し、これらの教示者を区別するときは、教示者Ａ、教示者Ｂ、又は教示者Ｃと呼ぶ。また、ラベル３２の「良」は、「良品」としてラベル付けされることを意味し、ラベル３２の「不」は、「不良品」としてラベル付けされることを意味している。例えば、既知の画像データ３１Ａは、教示者Ａ、教示者Ｂ及び教示者Ｃの全員によって、「良品」としてラベル付けされている。また、例えば、既知の画像データ３１Ｂは、教示者Ａ及び教示者Ｂによって「良品」としてラベル付けされ、教示者Ｃによって「不良品」としてラベル付けされている。このように、画像データ３１によっては、教示者間でラベル付けの判断が一致することもあれば、異なることもあり得る。

図２は、本実施形態に関わる画像処理方法の処理の流れの一例を示すフローチャートである。
ステップ２０１において、画像処理装置は、学習データ３０を用いて、各教示者のラベル付けを教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を生成する。ステップ２０１で生成される分類器は、未知の画像データの分類結果を教示者毎に区別して出力してもよく、或いは、未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に区別して算出してもよい。ステップ２０１では、画像処理装置は、教示者毎に対応付けられる分類器を生成してもよい。この場合、分類器と教示者とは一対一に対応しており、分類器の数は教示者の人数に一致する。また、ステップ２０１で生成される分類器の数は１つでもよい。この場合、分類器と教示者とは一対多の関係にあり、分類器の数は、教示者の人数に関わらず１つである。

ステップ２０２において、画像処理装置は、分類器に未知の画像データを入力し、分類器から出力を得る。分類器からの出力は、未知の画像データの分類結果でもよく、この分類結果は、教示者毎に区別されて出力される。また、分類器からの出力は、未知の画像データが特定のクラスに所属する確率を示すスコアでもよく、このスコアは、教示者毎に区別されて出力される。

ステップ２０３において、画像処理装置は、分類器からの出力を総合的に評価して、未知の画像データをクラス別に分類する。この総合的な評価では、教示者毎の分類結果の重み付き多数決に基づいて未知の画像データをクラス別に分類してもよく、或いは、教示者毎に算出されたスコアの重み付け和と閾値との比較に基づいて、未知の画像データが特定のクラスに属するか否かを判定してもよい。画像処理装置は、教示者の熟練度に応じて重み付けの軽重を設定してもよい。例えば、熟練度の高い教示者の重み付けを相対的に重くし、熟練度の浅い教示者の重み付けを相対的に軽くしてもよい。これにより、熟練度の高い教示者のラベル付けが相対的に高く評価されるため、未知の画像データを高い信頼性でクラス分類することができる。また、全ての教示者の重み付けを同じにしてもよい。これにより、単純多数決の原理により、未知の画像データを実用的に十分な信頼性でクラス分類することができる。

本発明の実施形態によれば、教示者間のラベル付けの判断のばらつきを考慮して未知の画像データを実用上十分な精度でクラス分類することができる。

［ハードウェア構成］
次に、図３を参照しながら、本実施形態に関わる画像処理装置１０のハードウェア構成の一例について説明する。
画像処理装置１０は、そのハードウェア資源として、プロセッサ１１と、メインメモリ１２と、カメラインタフェース１３と、入出力インタフェース１４と、ディスプレイインタフェース１５と、通信インタフェース１６と、記憶装置１７とを備えるコンピュータシステムである。

記憶装置１７は、ディスク媒体（例えば、磁気記録媒体又は光磁気記録媒体）又は半導体メモリ（例えば、揮発性メモリ又は不揮発性メモリ）などのコンピュータ読み取り可能な記録媒体である。このような記録媒体は、例えば、非一過性の記録媒体と呼ぶこともできる。記憶装置１７には、ソフトウェアプログラム（画像処理プログラム２０及びオペレーティングシステム２１）が記憶されている。画像処理プログラム２０は、本実施形態に関わる画像処理方法をプロセッサ１１に実行させるためのコンピュータプログラムである。これらのソフトウェアプログラムは、記憶装置１７からメインメモリ１２に読み込まれ、プロセッサ１１により解釈及び実行されることにより、本実施形態に関わる画像処理方法が実行される。記憶装置１７には、上述の学習データ３０と、学習データ３０を用いた教師付き学習により生成された分類器４０とが記憶されている。この分類器４０は、未知の画像データの分類結果を教示者毎に区別して出力してもよく、或いは、未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に区別して算出してもよい。分類器４０が教示者毎に対応付けられて生成される場合には、分類器４０と教示者とは一対一に対応しており、分類器４０の数は教示者の人数に一致する。分類器４０の数は１つでもよく、この場合、分類器４０と教示者とは一対多の関係にある。

カメラインタフェース１３には、カメラ５１が接続されている。カメラ５１は、例えば、カラー画像を撮影するイメージセンサを備えてもよい。カメラ５１は、画像処理装置１０に内蔵されているものでもよく、或いは画像処理装置１０に外付けされるものでもよい。カメラ５１は、被検査対象を撮影する。カメラ５１により撮影された被検査対象の画像データは、例えば、分類器４０を生成する学習段階において、既知の画像データ３１として用いることができる。分類器４０が生成された後においては、カメラ５１により撮影された被検査対象の画像データを未知の画像データとして分類器４０に入力し、これをクラス別に分類することもできる。

なお、被検査対象は、例えば、生産ライン上をベルトコンベヤで搬送される仕掛け品又は部品などのワークでもよい。画像処理装置１０は、生産ライン上に設置されていてもよく、或いは生産ラインとは異なる場所に設置されていてもよい。画像処理装置１０が生産ラインとは異なる場所に設置されている場合には、画像処理装置１０は、生産ラインに設置されているカメラによる被検査対象の撮影により得られた画像データを、通信インタフェース１６を通じて有線又は無線のネットワークから受信してもよい。

入出力インタフェース１４には、入力デバイス５２と出力デバイス５３とが接続されている。入力デバイス５２は、教示者による各種設定（例えば、既知の画像データ３１のラベル付け）の入力を受け付けるデバイスである。入力デバイス５２は、例えば、キーボード、マウス、タッチパッドなどである。出力デバイス５３は、各種処理結果（例えば、未知の画像データのクラス分類の結果、未知の画像データが特定のクラスに所属する確率を示すスコアの算出結果、又は教示者間でクラス分類の判断が分かれる範囲の判定結果）などを出力するデバイスである。出力デバイス５３は、例えば、プリンタである。

ディスプレイインタフェース１５には、ディスプレイ５４が接続されている。ディスプレイ５４は、例えば、教示者が既知の画像データ３１をラベル付けするため画面を表示したり、或いは上述の各種処理結果を表示したりする。

［第１の画像処理方法］
次に、図４及び図５を参照しながら、本実施形態に関わる第１の画像処理方法について説明する。
図４は第１の画像処理方法の処理の流れの一例を示す説明図である。
分類器４０Ａは、教示者Ａによりラベル付けされた既知の画像データ３１の教師付き学習により生成されたものである。同様に、分類器４０Ｂは、教示者Ｂによりラベル付けされた既知の画像データ３１の教師付き学習により生成されたものである。また同様に、分類器４０Ｃは、教示者Ｃによりラベル付けされた既知の画像データ３１の教師付き学習により生成されたものである。分類器４０は、分類器４０Ａ，４０Ｂ，４０Ｃを総称するものであり、それぞれの分類器４０Ａ，４０Ｂ，４０Ｃを区別しないときは、分類器４０と呼ぶものとする。

画像処理装置１０は、教示者毎に生成された分類器４０Ａ，４０Ｂ，４０Ｃを用いて、未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に区別して出力する。教示者Ａ、教示者Ｂ、及び教示者Ｃによる既知の画像データ３１のラベル付けは、完全には一致していないため、分類器４０Ａ，４０Ｂ，４０Ｃのモデルパラメータもまた完全には一致していない。このため、同一の未知の画像データ７０の分類結果が分類器４０間で異なることがある。例えば、分類器４０Ａによる未知の画像データ７０の分類結果４１Ａが、「良品」のクラス分類を示すのに対し、分類器４０Ｂによる未知の画像データ７０の分類結果４１Ｂが、「不良品」のクラス分類を示す場合がある。

未知の画像データ７０のクラス分類の結果のばらつきを考慮に入れるため、画像処理装置１０は、教示者毎の分類結果４１Ａ，４１Ｂ，４１Ｃの重み付き多数決に基づいて、未知の画像データ７０をクラス別に分類する分類結果８０を得る。分類結果４１Ａ，４１Ｂ，４１Ｃのそれぞれの重み付けは、異なる値でもよく、或いは同じ値でもよい。例えば、教示者Ａ，Ｂ，Ｃの熟練度に応じて分類結果４１Ａ，４１Ｂ，４１Ｃのそれぞれの重み付けを変えてもよい。これにより、教示者間のラベル付けの判断のばらつきを考慮に入れて、未知の画像データ７０を高い信頼性でクラス分類することができる。

図５は第１の画像処理方法の処理の流れの一例を示すフローチャートである。
ステップ５０１において、画像処理装置１０は、既知の画像データ３１とその画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を教示者毎に生成する。
ステップ５０２において、画像処理装置１０は、教示者毎に生成された分類器４０を用いて、未知の画像データ７０の分類結果を教示者毎に出力する。
ステップ５０３において、画像処理装置１０は、教示者毎の分類結果の重み付き多数決に基づいて、未知の画像データ７０をクラス別に分類する。

［第２の画像処理方法］
次に、図６及び図７を参照しながら、本実施形態に関わる第２の画像処理方法について説明する。
図６は第２の画像処理方法の処理の流れの一例を示す説明図である。
画像処理装置１０は、教示者毎に生成された分類器４０Ａ，４０Ｂ，４０Ｃを用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に算出する。特定のクラスは、例えば、不良品として分類されるクラスでもよく、この場合、スコアは、欠陥（例えば、キズ、打痕、汚れなど）の度合いを定量的に示す値でもよい。教示者Ａ、教示者Ｂ、及び教示者Ｃによる既知の画像データ３１のラベル付けは、完全には一致していないため、分類器４０Ａ，４０Ｂ，４０Ｃのモデルパラメータもまた完全には一致していない。このため、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃが異なることがある。例えば、スコア４２Ａが０．７であるのに対し、スコア４２Ｂが０．６である場合がある。

未知の画像データ７０が特定のクラスに所属する確率のばらつきを考慮に入れるため、画像処理装置１０は、教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの重み付け和と閾値との比較に基づいて未知の画像データ７０が特定のクラスに属するか否かの判定結果９０を得る。例えば、画像処理装置１０は、スコア４２Ａ，４２Ｂ，４２Ｃの重み付け和が閾値を超えている場合には、未知の画像データ７０が特定のクラスに属するものと判定する。一方、画像処理装置１０は、スコア４２Ａ，４２Ｂ，４２Ｃの重み付け和が閾値以下である場合には、未知の画像データ７０が特定のクラスに属さないものと判定する。スコア４２Ａ，４２Ｂ，４２Ｃのそれぞれの重み付けは、異なる値でもよく、或いは同じ値でもよい。例えば、教示者Ａ，Ｂ，Ｃの熟練度に応じてスコア４２Ａ，４２Ｂ，４２Ｃのそれぞれの重み付けを変えてもよい。これにより、教示者間のラベル付けの判断のばらつきを考慮に入れて、未知の画像データ７０を高い信頼性でクラス分類することができる。

図７は第２の画像処理方法の処理の流れの一例を示すフローチャートである。
ステップ７０１において、画像処理装置１０は、既知の画像データ３１とその画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を教示者毎に生成する。画像処理装置１０は、教示者の熟練度に応じた重み付けで対応関係（既知の画像データ３１とその画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係）を学習してもよい。
ステップ７０２において、画像処理装置１０は、教示者毎に生成された分類器４０を用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に算出する。
ステップ７０３において、画像処理装置１０は、教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの重み付け和と閾値との比較に基づいて未知の画像データ７０が特定のクラスに属するか否かを判定する。

なお、ステップ７０３の判定処理では、図８に示すように、画像処理装置１０は、教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの中の最大値と最小値との間の範囲を、教示者間でクラス分類の判断が分かれる範囲として判定してもよい。例えば、図８に示す例では、スコア４２Ａ，４２Ｂ，４２Ｃの中の最大値は、スコア４２Ａであり、スコア４２Ａ，４２Ｂ，４２Ｃの中の最小値は、スコア４２Ｂであるから、スコア４２Ａとスコア４２Ｂとの間の範囲が、教示者間でクラス分類の判断が分かれる範囲として判定される。これにより、教示者間でクラス分類の判断が分かれる範囲を特定することができる。

［第３の画像処理方法］
次に、図９乃至図１２を参照しながら、本実施形態に関わる第３の画像処理方法について説明する。
上述の第１及び第２の画像処理方法においては、分類器４０と教示者とは一対一に対応しており、分類器４０の数は教示者の人数に一致する。これに対し、第３の画像処理方法においては、分類器４０と教示者とは一対多の関係にあり、分類器４０の数は、教示者の人数に関わらず１つである。分類器４０は、未知の画像データ７０の分類結果を教示者毎に区別して出力する。第３の画像処理方法では、例えば、畳み込みニューラルネットワークのアルゴリズムに基づいて分類器４０を生成する。

図１に示す例では、１０枚の画像データ３１のうち、６枚の画像データ３１Ａ，３１Ｄ，３１Ｅ，３１Ｆ，３１Ｈ，３１Ｉについては、教示者間のラベル付けが一致しており、残りの４枚の画像データ３１Ｂ，３１Ｃ，３１Ｇ，３１Ｊについては、教示者間のラベル付けが一致していない。図９に示すように、画像処理装置１０は、複数の既知の画像データ３１のうちクラス別の分類が教示者間で一致している画像データ３１Ａ，３１Ｄ，３１Ｅ，３１Ｆ，３１Ｈ，３１Ｉとその画像データが分類されるクラスとの対応関係を事前学習する。事前学習により得られた分類器４０のモデルパラメータを初期値として、今度は、図１０に示すように、画像処理装置１０は、複数の既知の画像データ３１のうちクラス別の分類が教示者間で異なる画像データ３１Ｂ，３１Ｃ，３１Ｇ，３１Ｊとその画像データが分類されるクラスとの対応関係を転移学習する。画像処理装置１０は、事前学習及び転移学習を通じて、未知の画像データ７０をクラス別に分類するための分類器４０を生成する。このようにして生成された分類器４０は、上述の各分類器４０Ａ，４０Ｂ，４０Ｃの分類機能を備えている。このような事前学習及び転移学習によれば、各教示者のラベル付けを個別に学習するよりも、分類器４０の学習時間を短縮できるという利点を有する。

画像処理装置１０は、教示者間に共通する撮影条件下で撮影される画像データ３１のクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データ３１のクラス別の分類を転移学習してもよい。これは、共通する撮影条件下で被検査対象を撮影する環境下では、画像データのクラス別の分類が教示者間で一致するものと考えられ、また、異なる撮影条件下で被検査対象を撮影する環境下では、画像データのクラス別の分類も教示者間で一致しないものと考えられるためである。ここで、共通する撮影条件は、例えば、同一光源を用いて同一の作業現場で同一の作業工程を行うという撮影条件を含んでもよい。異なる撮影条件は、例えば、光源、作業現場、及び作業工程のうち何れかが異なるという撮影条件を含んでもよい。例えば、各作業現場又は各作業工程において共通して使用できる分類器を事前学習により予め生成しておき、作業現場毎又は作業工程毎に異なる撮影条件に合致する分類器を転移学習により生成することもできる。

なお、図９及び図１０において、中間層は、畳み込み層及びプーリング層を総称するものである。畳み込みニューラルネットワークは、畳み込み処理とプーリング処理とを交互に行ってもよく、或いは、数回の畳み込み処理とそれに続く１回のプーリング処理とを一つの処理単位とし、この処理単位を複数回繰り返し行ってもよい。全結合層は、複数の中間層を通じて抽出された特徴から重み付き和を計算する。

図１１に示すように、画像処理装置１０は、上述の事前学習及び転移学習を通じて生成された分類器４０を用いて、未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に区別して出力する。分類器４０による未知の画像データ７０の分類結果４１Ａは、分類器４０Ａによる未知の画像データ７０の分類結果４１Ａと同じである。同様に、分類器４０による未知の画像データ７０の分類結果４１Ｂは、分類器４０Ｂによる未知の画像データ７０の分類結果４１Ｂと同じである。また同様に、分類器４０による未知の画像データ７０の分類結果４１Ｃは、分類器４０Ｃによる未知の画像データ７０の分類結果４１Ｃと同じである。

図１２は第３の画像処理方法の処理の流れの一例を示すフローチャートである。
ステップ１２０１において、画像処理装置１０は、複数の既知の画像データ３１のうちクラス別の分類が教示者間で一致している画像データ３１Ａ，３１Ｄ，３１Ｅ，３１Ｆ，３１Ｈ，３１Ｉとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ３１のうちクラス別の分類が教示者間で異なる画像データ３１Ｂ，３１Ｃ，３１Ｇ，３１Ｊとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を生成する。
ステップ１２０１において、画像処理装置１０は、教示者間に共通する撮影条件下で撮影される画像データ３１のクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データ３１のクラス別の分類を転移学習してもよい。
ステップ１２０２において、画像処理装置１０は、分類器４０を用いて、未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に出力する。
ステップ１２０３において、画像処理装置１０は、教示者毎の分類結果４１Ａ，４１Ｂ，４１Ｃの重み付き多数決に基づいて未知の画像データ７０をクラス別に分類する。

［第４の画像処理方法］
次に、図１３及び図１４を参照しながら、本実施形態に関わる第４の画像処理方法について説明する。
第４の画像処理方法においても、第３の画像処理方法と同様に、事前学習及び転移学習を通じて分類器４０を生成する。画像処理装置１０は、分類器４０を用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に区別して算出する。特定のクラスは、例えば、不良品として分類されるクラスでもよく、この場合、スコアは、欠陥の度合いを定量的に示す値でもよい。分類器４０による算出結果であるスコア４２Ａは、分類器４０Ａによる算出結果であるスコア４２Ａと同じである。同様に、分類器４０による算出結果であるスコア４２Ｂは、分類器４０Ｂによる算出結果であるスコア４２Ｂと同じである。また同様に、分類器４０による算出結果であるスコア４２Ｃは、分類器４０Ｃによる算出結果であるスコア４２Ｃと同じである。

教示者Ａ、教示者Ｂ、及び教示者Ｃによる既知の画像データ３１のラベル付けは、完全には一致していないため、分類器４０Ａ，４０Ｂ，４０Ｃのモデルパラメータもまた完全には一致していない。このため、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃが異なることがある。例えば、スコア４２Ａが０．７であるのに対し、スコア４２Ｂが０．６である場合がある。

図１４は第４の画像処理方法の処理の流れの一例を示すフローチャートである。
ステップ１４０１において、画像処理装置１０は、複数の既知の画像データ３１のうちクラス別の分類が教示者間で一致している画像データ３１Ａ，３１Ｄ，３１Ｅ，３１Ｆ，３１Ｈ，３１Ｉとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ３１のうちクラス別の分類が教示者間で異なる画像データ３１Ｂ，３１Ｃ，３１Ｇ，３１Ｊとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を生成する。
ステップ１４０１において、画像処理装置１０は、教示者間に共通する撮影条件下で撮影される画像データ３１のクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データ３１のクラス別の分類を転移学習してもよい。
ステップ１４０２において、画像処理装置１０は、分類器４０を用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコアスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に算出する。
ステップ１４０３において、画像処理装置１０は、教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの重み付け和と閾値との比較に基づいて未知の画像データ７０が特定のクラスに属するか否かを判定する。

画像処理装置１０は、上述の画像処理方法（図２のステップ２０１〜２０３、図５のステップ５０１〜５０３、図７のステップ７０１〜７０３、図１２のステップ１２０１〜１２０３、図１４のステップ１４０１〜１４０３）を実行する手段として機能し、斯かる手段は、必ずしも、画像処理装置１０のハードウェア資源と画像処理プログラム２０との協働によって実現される必要はなく、例えば、画像処理装置１０の専用のハードウェア資源（例えば、特定用途向け集積回路（ＡＳＩＣ）、又はフィールドプログラマブルゲートアレイ（ＦＰＧＡ）など）を用いて実現されてもよい。画像処理プログラム２０は、上述の画像処理方法の各ステップ２０１〜２０３，５０１〜５０３，７０１〜７０３，１２０１〜１２０３，１４０１〜１４０３を実行するソフトウェアモジュールを備えてもよい。

また、上述の説明では、本発明の実施形態として、２クラス分類器を例示したが、多クラス分類器にも適用可能である。

上述の実施形態の一部又は全部は、以下の付記のように記載され得るが、以下には限定されない。
（付記１）
既知の画像データ３１と既知の画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０Ａ，４０Ｂ，４０Ｃを教示者毎に生成する手段５０１と、
教示者毎に生成された分類器４０Ａ，４０Ｂ，４０Ｃを用いて、未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に出力する手段５０２と、
教示者毎の分類結果４１Ａ，４１Ｂ，４１Ｃの重み付き多数決に基づいて、未知の画像データ７０をクラス別に分類する手段５０３と、
を備える画像処理装置１０。
（付記２）
既知の画像データ３１と既知の画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０Ａ，４０Ｂ，４０Ｃを教示者毎に生成する手段７０１と、
教示者毎に生成された分類器４０Ａ，４０Ｂ，４０Ｃを用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に算出する手段７０２と、
教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの重み付け和と閾値との比較に基づいて、未知の画像データ７０が特定のクラスに属するか否かを判定する手段７０３と、
を備える画像処理装置１０。
（付記３）
付記２に記載の画像処理装置１０であって、
生成する手段７０１は、教示者の熟練度に応じた重み付けで対応関係を学習する、画像処理装置１０。
（付記４）
付記２又は３に記載の画像処理装置１０であって、
判定する手段７０３は、教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの最大値と最小値との間の範囲を教示者間でクラス分類の判断が分かれる範囲として判定する、画像処理装置１０。
（付記５）
付記１乃至４のうち何れか１項に記載の画像処理装置１０であって、
教師付き学習は、ニューラルネットワークの学習アルゴリズムに基づいている、画像処理装置１０。
（付記６）
複数の既知の画像データ３１のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ３１のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を生成する手段１２０１と、
分類器４０を用いて、未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に出力する手段１２０２と、
教示者毎の分類結果４１Ａ，４１Ｂ，４１Ｃの重み付き多数決に基づいて、未知の画像データ７０をクラス別に分類する手段１２０３と、
を備える画像処理装置１０。
（付記７）
複数の既知の画像データ３１のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ３１のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を生成する手段１４０１と、
分類器４０を用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に算出する手段１４０２と、
教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの重み付け和と閾値との比較に基づいて未知の画像データ７０が特定のクラスに属するか否かを判定する手段１４０３と、
を備える画像処理装置１０。
（付記８）
付記６又は７に記載の画像処理装置１０であって、
生成する手段１２０１，１４０１は、教示者間に共通する撮影条件下で撮影される画像データ３１のクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データ３１のクラス別の分類を転移学習する、画像処理装置１０。
（付記９）
コンピュータシステムが、
既知の画像データ３１と既知の画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０Ａ，４０Ｂ，４０Ｃを教示者毎に生成するステップ５０１と、
教示者毎に生成された分類器４０Ａ，４０Ｂ，４０Ｃを用いて、未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に出力するステップ５０２と、
教示者毎の分類結果４１Ａ，４１Ｂ，４１Ｃの重み付き多数決に基づいて、未知の画像データ７０をクラス別に分類するステップ５０３と、
を実行する画像処理方法。
（付記１０）
コンピュータシステムが、
既知の画像データ３１と既知の画像データ３１が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０Ａ，４０Ｂ，４０Ｃを教示者毎に生成するステップ７０１と、
教示者毎に生成された分類器４０Ａ，４０Ｂ，４０Ｃを用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に算出するステップ７０２と、
教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの重み付け和と閾値との比較に基づいて未知の画像データ７０が特定のクラスに属するか否かを判定するステップ７０３と、
を実行する画像処理方法。
（付記１１）
コンピュータシステムが、
複数の既知の画像データ３１のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ３１のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を生成するステップ１２０１と、
分類器４０を用いて、未知の画像データ７０の分類結果４１Ａ，４１Ｂ，４１Ｃを教示者毎に出力するステップ１２０２と、
教示者毎の分類結果４１Ａ，４１Ｂ，４１Ｃの重み付き多数決に基づいて、未知の画像データ７０をクラス別に分類するステップ１２０３と、
を実行する画像処理方法。
（付記１２）
コンピュータシステムが、
複数の既知の画像データ３１のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ３１のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ７０をクラス別に分類するための分類器４０を生成するステップ１４０１と、
分類器４０を用いて、未知の画像データ７０が特定のクラスに所属する確率を示すスコア４２Ａ，４２Ｂ，４２Ｃを教示者毎に算出するステップ１４０２と、
教示者毎に算出されたスコア４２Ａ，４２Ｂ，４２Ｃの重み付け和と閾値との比較に基づいて未知の画像データ７０が特定のクラスに属するか否かを判定するステップ１４０３と、
を実行する画像処理方法。
（付記１３）
コンピュータシステムに、
付記９乃至１２に記載の画像処理方法を実行させるための画像処理プログラム２０。

１０…画像処理装置１１…プロセッサ１２…メインメモリ１３…カメラインタフェース１４…入出力インタフェース１５…ディスプレイインタフェース１６…通信インタフェース１７…記憶装置２０…画像処理プログラム２１…オペレーティングシステム３０…学習データ３１…画像データ３２…ラベル４０…分類器５１…カメラ５２…入力インタフェース５３…出力インタフェース５４…ディスプレイ７０…画像データ

Claims

既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成する手段と、
前記教示者毎に生成された分類器を用いて前記未知の画像データの分類結果を教示者毎に出力する手段と、
前記教示者毎の分類結果の重み付き多数決に基づいて前記未知の画像データをクラス別に分類する手段と、
を備える画像処理装置。
既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成する手段と、
前記教示者毎に生成された分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出する手段と、
前記教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定する手段と、
を備える画像処理装置。
請求項２に記載の画像処理装置であって、
前記生成する手段は、前記教示者の熟練度に応じた重み付けで前記対応関係を学習する、画像処理装置。
請求項２又は３に記載の画像処理装置であって、
前記判定する手段は、教示者毎に算出された前記スコアの最大値と最小値との間の範囲を教示者間でクラス分類の判断が分かれる範囲として判定する、画像処理装置。
請求項１乃至４のうち何れか１項に記載の画像処理装置であって、
前記教師付き学習は、ニューラルネットワークの学習アルゴリズムに基づいている、画像処理装置。
複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成する手段と、
前記分類器を用いて前記未知の画像データの分類結果を教示者毎に出力する手段と、
前記教示者毎の分類結果の重み付き多数決に基づいて、前記未知の画像データをクラス別に分類する手段と、
を備える画像処理装置。
複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成する手段と、
前記分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出する手段と、
教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定する手段と、
を備える画像処理装置。
請求項６又は７に記載の画像処理装置であって、
前記生成する手段は、教示者間に共通する撮影条件下で撮影される画像データのクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データのクラス別の分類を転移学習する、画像処理装置。
コンピュータシステムが、
既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成するステップと、
前記分類器を用いて、前記未知の画像データの分類結果を教示者毎に出力するステップと、
前記教示者毎の分類結果の重み付き多数決に基づいて前記未知の画像データをクラス別に分類するステップと、
を実行する画像処理方法。
コンピュータシステムが、
既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成するステップと、
前記教示者毎に生成された分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出するステップと、
教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定するステップと、
を実行する画像処理方法。
コンピュータシステムが、
複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成するステップと、
前記分類器を用いて前記未知の画像データの分類結果を教示者毎に出力するステップと、
前記教示者毎の分類結果の重み付き多数決に基づいて前記未知の画像データをクラス別に分類するステップと、
を実行する画像処理方法。
コンピュータシステムが、
複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成するステップと、
前記分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出するステップと、
教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定するステップと、
を実行する画像処理方法。