JP2021064280A - 情報処理装置及びその制御方法及びプログラム - Google Patents
情報処理装置及びその制御方法及びプログラム Download PDFInfo
- Publication number
- JP2021064280A JP2021064280A JP2019189654A JP2019189654A JP2021064280A JP 2021064280 A JP2021064280 A JP 2021064280A JP 2019189654 A JP2019189654 A JP 2019189654A JP 2019189654 A JP2019189654 A JP 2019189654A JP 2021064280 A JP2021064280 A JP 2021064280A
- Authority
- JP
- Japan
- Prior art keywords
- series data
- time
- label
- detection
- change
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
【課題】 新しいクラスが含まれる時系列データにおいても、既存の検知モデルとそのモデルの学習時からの変更情報とに基づいて、新しいクラスへのラベル付与作業を支援する技術を提供する。【解決手段】 複数の動作で表される時系列データに対して、各動作にラベルを付与する情報処理装置であって、時系列データの動作の変更に関する動作変更情報を取得する第1の取得部と、時系列データを取得する第2の取得部と、時系列データを入力すると、該時系列データに含まれる動作のラベルを出力する学習済みモデルを用いて、時系列データに含まれる動作を検知する検知部と、動作の変更によって生じた新たにラベルを付与すべきラベル付与区間を、検知部の検知結果と動作変更情報に基づいて推定する推定部とを備える。【選択図】 図2
Description
本発明は、機械学習を用いて時系列データを分析する技術に関するものである。
近年、機械学習を用いた認識技術が盛んに開発されている。このような機械学習を用いた技術では、学習に用いる十分な量の学習用データを予め用意する必要がある。例えば、クラス分類の学習用データは、画像に対して分類クラスを人手で付与することによって生成される。このようにして生成された学習用データを用いて機械学習における学習処理を行うことで、モデルが生成される。機械学習を用いた認識技術では、新たなデータをモデルに入力することで認識結果を得る。
認識対象のデータが映像(時系列データ)である場合、例えば、システムのユーザは映像を再生しながら目視でそのシーンがどのクラスに分類されるかのラベルを付与することになるため、学習用データの生成には多くのコストを要する。また、学習用データを増やしてモデルを更新する場合においても、同様に新たなデータに対してユーザがラベルを付与する必要がある。
これに対し、特許文献1には、特定の期間においてラベル付きデータとラベルなしデータの描写内容の変化の程度から、ラベルなしデータにラベルを自動的に付与する方法が開示されている。
ここで、特許文献1に開示された技術は、既知の検知モデルが検知可能なクラスに対してラベルを付与できる技術である。このため、特許文献1に開示された技術では、既知の検知モデルが検知することができない新しいクラスの学習用データを生成する場合には、適当なラベル付与を行うことができない。例えば、人間が料理をしているシーンを撮影した映像に対して、「材料を切る」、「材料を炒める」、「皿に盛り付ける」のような3つの動作を検知できる検知モデルがあるとする。このモデルでは、新たに撮影した映像に対して、上記の3つの動作が表れた場合は、検知結果に基づいてラベルを付与することができるが、例えば、新たに「材料をかくはんする」動作が表れた場合は、この検知モデルではラベルを付与することができない。このため、「材料をかくはんする」動作を検知可能なモデルを生成したい場合には、ユーザが新たにラベルを付与する必要があり、依然として多くのコストを要する、という課題は残る。
本発明は以上の課題を鑑みてなされたものであり、新しいクラスが含まれる時系列データにおいても、既存の検知モデルとそのモデルの学習時からの変更情報とに基づいて、新しいクラスへのラベル付与作業を支援する技術を提供しようとするものである。
この課題を解決するため、例えば本発明の情報処理装置は以下の構成を備える。すなわち、
複数の動作で表される時系列データに対して、各動作にラベルを付与する情報処理装置であって、
前記時系列データの動作の変更に関する動作変更情報を取得する第1の取得手段と、
前記時系列データを取得する第2の取得手段と、
前記時系列データを入力すると、該時系列データに含まれる動作のラベルを出力する学習済みモデルを用いて、前記時系列データに含まれる動作を検知する検知手段と、
前記動作の変更によって生じた新たにラベルを付与すべきラベル付与区間を、前記検知手段の検知結果と前記動作変更情報に基づいて推定する推定手段とを備える。
複数の動作で表される時系列データに対して、各動作にラベルを付与する情報処理装置であって、
前記時系列データの動作の変更に関する動作変更情報を取得する第1の取得手段と、
前記時系列データを取得する第2の取得手段と、
前記時系列データを入力すると、該時系列データに含まれる動作のラベルを出力する学習済みモデルを用いて、前記時系列データに含まれる動作を検知する検知手段と、
前記動作の変更によって生じた新たにラベルを付与すべきラベル付与区間を、前記検知手段の検知結果と前記動作変更情報に基づいて推定する推定手段とを備える。
本発明によれば、時系列データに対して機械学習による認識処理を行う場合に、新しいクラスが含まれる時系列データにおいても、既存の検知モデルとそのモデルの学習時からの変更情報とに基づいて、新しいクラスへのラベル付与作業を支援することができる。
以下、添付図面を参照して実施形態を詳しく説明する。尚、以下の実施形態は特許請求の範囲に係る発明を限定するものでない。実施形態には複数の特徴が記載されているが、これらの複数の特徴の全てが発明に必須のものとは限らず、また、複数の特徴は任意に組み合わせられてもよい。さらに、添付図面においては、同一若しくは同様の構成に同一の参照番号を付し、重複した説明は省略する。
[第1の実施形態]
以下の実施形態では一例として、生産現場において、作業者が所定の動作群を反復して行う様子を、撮像装置で撮影して得た時系列データを扱う。この時系列データに対して機械学習による動作検知処理を行う場合において、動作群の一部の動作に変更が生じても、変更後の動作群に対してラベルを付与する方法を説明する。本実施形態では、動作群として「工程」を、時系列データとして「映像」を扱う。工程は図1(A)のように作業者が行う所定の複数の動作から構成される動作群である。横軸を時間とし、例えば、動作1(101)、動作2(102)、動作3(103)、動作4(104)の4つの動作が順番に作業者によって実行される。作業者は工程の最後の動作を終えると、工程の最初の動作に戻る。動作検知処理とは、入力された映像に対してどの動作を行っているかを出力する処理であり、事前に学習データから生成された検知モデル(学習済みモデル)によって行われる。本実施形態では、動作検知処理としてはニューラルネットワーク、特に畳み込みニューラルネットワークを用いるが、畳み込みニューラルネットワークに限らず他のモデルでもよく、さらに、ニューラルネットワークに限らず従来の他の機械学習技術でもよい。動作変更とは、工程を構成する一部の動作を追加、削除する組み合わせである。図1(B)はその一例であり、動作1(101)、動作2(102)、新動作1(105)、動作4(104)のように、図1Aの動作3(103)が、図1Bでは新動作1(105)に変更された場面である。ここで、動作変更前に学習した学習済みの検知モデル(以下、動作変更前モデルと呼称する)は事前の学習によって保持しているものとする。なお、本実施形態では、「区間」とは、検知された各動作の開始点および終了点までの間であり、「ラベル」とは、この区間情報とこの区間中にどの動作を行っているかの分類を併せて持つ情報である。
以下の実施形態では一例として、生産現場において、作業者が所定の動作群を反復して行う様子を、撮像装置で撮影して得た時系列データを扱う。この時系列データに対して機械学習による動作検知処理を行う場合において、動作群の一部の動作に変更が生じても、変更後の動作群に対してラベルを付与する方法を説明する。本実施形態では、動作群として「工程」を、時系列データとして「映像」を扱う。工程は図1(A)のように作業者が行う所定の複数の動作から構成される動作群である。横軸を時間とし、例えば、動作1(101)、動作2(102)、動作3(103)、動作4(104)の4つの動作が順番に作業者によって実行される。作業者は工程の最後の動作を終えると、工程の最初の動作に戻る。動作検知処理とは、入力された映像に対してどの動作を行っているかを出力する処理であり、事前に学習データから生成された検知モデル(学習済みモデル)によって行われる。本実施形態では、動作検知処理としてはニューラルネットワーク、特に畳み込みニューラルネットワークを用いるが、畳み込みニューラルネットワークに限らず他のモデルでもよく、さらに、ニューラルネットワークに限らず従来の他の機械学習技術でもよい。動作変更とは、工程を構成する一部の動作を追加、削除する組み合わせである。図1(B)はその一例であり、動作1(101)、動作2(102)、新動作1(105)、動作4(104)のように、図1Aの動作3(103)が、図1Bでは新動作1(105)に変更された場面である。ここで、動作変更前に学習した学習済みの検知モデル(以下、動作変更前モデルと呼称する)は事前の学習によって保持しているものとする。なお、本実施形態では、「区間」とは、検知された各動作の開始点および終了点までの間であり、「ラベル」とは、この区間情報とこの区間中にどの動作を行っているかの分類を併せて持つ情報である。
本第1の実施形態によれば、動作変更前モデルと動作変更情報に基づいて、動作変更後の映像に対しても動作検知およびラベル付与を行うことができる。
図2は、本第1の実施形態に係る情報処理装置200のモジュール構成を示す図である。図示において、制御部250は、CPU、CPUが実行するプログラムを格納するため、並びに、ワークエリアとしても使用するメモリで構成される。操作部261は、ユーザからの指示入力を受け付けるものであり、代表的には、キーボード、マウス、或いはタッチパネルである。表示部262は、画像や各種メニューを始め、各種情報をユーザに提示する。時系列データ記憶部202は、ハードディスクなどの記憶装置であり、ローカル、ネットワーク上のファイルサーバの種類は問わない。また、時系列データ記憶部202以外のモジュールは、制御部250におけるCPUが対応するプログラムを実行することで実現しても構わない。
時系列データ取得部201は、生産現場で撮影した映像を時系列データ記憶部202から、時系列データとして取得する。動作検知実行部203は、時系列データ取得部201から検知対象とする映像を抽出し、動作変更前の検知モデルに入力することで動作検知処理を実行する。
動作変更情報取得部204は、動作変更前後の各種情報を取得する。ここで、動作変更前とは保持している検知モデルを生成したときの工程であり、動作変更後とは一部の動作に追加、削除が生じた工程である。動作変更情報取得部204が取得する情報を図3に示す。動作順序301では、変更前後の工程を構成する動作を行う順序情報を保持する。動作名302では、変更前後の工程を構成する動作名を保持する。標準動作時間303では、過去のデータやユーザの入力等に基づいて設定される各動作の標準的な動作時間を保持する。変更情報304では、各動作の変更ステータス「追加、削除」を保持する。工程を構成する一部の動作に変更が生じており、工程が変更されたことと同義である。
ラベル付与区間推定部205は、動作検知実行部203が出力する検知結果と動作変更情報取得部204が取得した動作変更情報に基づいて、動作変更後の新しい動作区間を推定する。図3の例では、動作順序「3」の動作の動作区間を推定する。
ラベル表示部206は、動作検知実行部203およびラベル付与区間推定部205で得られる区間をユーザに提示する。
修正操作入力部207は、ラベル付与区間推定部205が出力する推定区間の長さの修正をユーザから受け付ける。
以下、上記のように構成された本実施形態における情報処理装置200の動作について、図4に例示するフローチャートに沿って説明する。
S401にて、時系列データ取得部201は、時系列データ記憶部202から映像を取得する。S402にて、動作検知実行部203は、S401で取得した映像を動作変更前モデルに入力することで動作検知処理を実行する。動作検知実行部203は、動作変更前モデル生成時に定義された各動作が映像中から検出された区間を表す情報を、検知処理結果として出力する。図3の例では、「動作1」を行っている区間に「動作1」という検知処理結果が得られる。
S403にて、動作変更情報取得部204は、動作変更前モデル生成時からの変更情報(図3および図3の説明を参照)を取得する。S404にて、ラベル付与区間推定部205は、動作変更後に追加された動作の区間を推定する。
以下、図1(A)の工程が、図1(B)のように変更した例を用いて説明する。動作変更後の工程で撮影された映像に対するS402の検知結果は、動作1(101)、動作2(102)、動作4(104)の区間が含まれるが、新動作1(105)の区間は動作変更前にはない動作のために含まれない。また、動作変更情報によって動作変更前にない映像が入力される区間が、動作2(102)と動作4(104)の間であるという情報は既知である。そのため、動作2(102)として推定された区間の終了フレームと、動作4(104)として推定された区間の開始フレームの間の区間を新動作1(105)の区間として推定できる。ここで、新しい動作(図1の例では「新動作1」)が定義されている前後の動作区間(図1の例では「動作2」、「動作4」)が検知結果として出力されなかった場合は「ラベル付与区間なし」とする。新しくラベルを付与する区間を推定できないからである。また、ここでは任意の動作が新しい動作に置き換わった例で説明したが、変更前の動作群に変化はなく、任意の動作間に新しい動作が追加された場合においても同様に、直前の動作の終了フレームと直後の動作の開始フレームから推定できる。
S405にて、制御部250、S404で推定したラベル付与区間が存在するかしないかを判定し、存在すればS406に進み、存在しなければS408までスキップする。
S406にて、ラベル表示部206がS404で推定したラベル付与区間を表示部262に表示し、ユーザに提示する。図5のグラフィカルユーザインタフェース(GUI)500は、この一例である。フレーム表示部501は、現在のフレーム画像を表示する領域である。動作定義表示部502は、編集対象動作の開始フレームおよび終了フレームの定義を表示する領域である。後退ボタン503は、現在のフレームを後退させる。前進ボタン504、現在のフレームを前進させる。ラベル確定ボタン505は、編集中のラベルを確定させる。ラベルスキップボタン506は、編集中のラベルを不採用として次のラベルへスキップする。なお、これらのボタンへの操作は、操作部261を介して受け付けられる。タイムライン表示部507は、ラベルを時系列で表示する領域である。タイムライン現在位置表示部508は、フレーム表示部501に表示されている現在フレームの位置を表す。各動作ラベル(動作1ラベル509、動作2ラベル510、新動作1ラベル511、動作4ラベル512)は、タイムライン表示部507に表示される。標準動作定義表示部513は、動作変更情報取得部204によって取得された情報を表示する。また、編集作業を行うラベルはクリック操作等で指定でき、編集中のラベルは新動作1ラベル511のように枠線の変化によって示される。
S407にて、修正操作入力部207がS406で表示されたラベルの修正操作をユーザから受け付ける。具体的には以下のような操作を行う。ユーザはフレーム表示部501に表示されている画像が、動作定義表示部502に表示されている画像に一致しているかを確認する。この作業のために、ユーザは後退ボタン503、または前進ボタン504を押下して、タイムライン現在位置表示部508をフレーム単位で後退または前進させる。この操作によって、フレーム表示部501に表示されるフレームの画像が変化し、動作定義表示部502と一致するかを確認することができる。ここで、ラベル付与区間(新動作1ラベル511)は修正を要すると判断された場合は、例えば、ユーザは新動作1のラベル511を選択し、ドラッグ操作等によって開始点または終了点をフレーム単位で調整することで、動作定義表示部502と一致させる。このとき、例えば、新動作1のラベル511の開始点を動作2のラベル510側に1フレーム伸ばすと、動作2のラベル510は自動で1フレーム縮む。ラベル付与区間推定結果が正しく編集不要、または編集完了時は、ラベル確定ボタン505を押下することによって確定させる。確定操作後は、ユーザインタフェース画面500は推定した次のラベル付与区間を表示する。また、ユーザがユーザインタフェース画面500によってラベルを確認した結果、ラベル付与区間として適切ではないと判断した場合は、ラベルスキップボタン506を押下し、「ラベル付与区間なし」と変更して、次のラベル付与区間を表示してもよい。
S408にて、制御部250は、次に表示するラベル付与区間が存在するかを判定し、存在すれば処理をS405に戻り、存在しなければプロセスを終了する。
以上に説明した処理を情報処理装置200においてコンピュータプログラムとして実行することで、新しい動作に対する検知処理およびラベル付与を、既存の検知モデルとそのモデルの学習時との変更情報に基づいて行うことができる。
本実施形態によれば、映像中で動作が行われるタイミングが不定期であっても、工程の動作が所定の順序で行われているという制約内であれば、新しい動作を検知することができる。例えば、作業者が工程の最後の動作を終えて工程の最初の動作を行う間に、休憩や部品交換等の動作を行った場合を考える。このような学習データに含まれていない動作が含まれていても、動作変更前モデルでは変更なし動作を検知することができるため、動作順序情報に基づいて新しい動作を検知することが可能となる。標準動作時間の情報だけしか使わないとすると、休憩などの動作を行っている場合には、新しくラベルを付与すべき動作がいつから開始されたか、推定を誤ってしまう。
本実施形態において、工程を構成する動作間の区切りにおいて間隙があってもよい。この場合、間隙の標準動作時間303も保持しておく必要がある。こうすることで、ラベル付けの対象となる動作区間を限定したい場面においても、新しい動作に対する検知処理およびラベル付与を行うことができる。
本実施形態において、入力する時系列データは映像以外のセンサ信号(例えば、RFID)等でもよい。この場合、例えば、フレーム表示部501は、グラフのような時系列データを可視化するような表示を行うことになる。
本実施形態のS407において、推定したラベル付与区間をユーザが確認、修正を行っていたが、この操作は省略してもよい。つまり、ユーザ操作は介さずラベル付与区間を決定することでユーザ負荷をさらに軽減することができる。
[第2の実施形態]
次に第2の実施形態を説明する。なお、上記の第1の実施形態と同一構成部分については同じ参照符号を付し、その説明は省略する。第1の実施形態では、新しい動作に対する検知処理およびラベル付与を、動作変更前モデルとそのモデルの学習時からの変更情報とに基づいて行うことができた。しかし、動作変更が複数行われる場面を想定すると、既存の検知モデルが検知可能な動作が少なくなってしまうため、動作変更後の検知モデル(以下、動作変更後モデルと呼称する)を生成できることが望ましい場面がある。本実施形態では、ラベル付与区間推定部205で推定された区間を新たに学習データとして、再度学習処理を行うことで既存の検知モデルを更新する。新しい動作について学習データを生成し、検知モデルを更新することで、学習のためのラベル付与に係るコストを削減することができる。
次に第2の実施形態を説明する。なお、上記の第1の実施形態と同一構成部分については同じ参照符号を付し、その説明は省略する。第1の実施形態では、新しい動作に対する検知処理およびラベル付与を、動作変更前モデルとそのモデルの学習時からの変更情報とに基づいて行うことができた。しかし、動作変更が複数行われる場面を想定すると、既存の検知モデルが検知可能な動作が少なくなってしまうため、動作変更後の検知モデル(以下、動作変更後モデルと呼称する)を生成できることが望ましい場面がある。本実施形態では、ラベル付与区間推定部205で推定された区間を新たに学習データとして、再度学習処理を行うことで既存の検知モデルを更新する。新しい動作について学習データを生成し、検知モデルを更新することで、学習のためのラベル付与に係るコストを削減することができる。
本第2の実施形態では、推定したラベル付与区間が標準動作時間303で構成される標準的な工程と比較して、どの程度差があるかを評価する指標をラベル付与区間の「適合度」と呼称する。具体的には、図6のように推定した工程601と標準的な工程602を比較するとき、まず各動作のラベルを動作順序に並べたラベル群の始端を揃える。次に、適合度を算出する推定した新動作1のラベル603と、標準動作時間の新動作1のラベル604の両ラベルのいずれかが含まれる区間の長さと、両ラベルとも含まれる区間の長さを求める。両ラベルのいずれかが含まれる区間の長さのうち、両ラベルとも含まれる区間の長さの割合を工程に対する適合度として定める。次に、同様の計算を動作ラベル単体に対しても行う。新動作1のラベル603と、標準動作時間の新動作1のラベル604の始端を揃え、両ラベルのいずれかが含まれる区間の長さのうち、両ラベルとも含まれる区間の長さの割合を動作に対する適合度として定める。例えば、標準動作時間の新動作1のラベル604が12秒で設定されているとき、推定した新動作1のラベル603が18秒だったとすると、動作に対する適合度は66.6%となる。最後に、工程に対する適合度と、動作に対する適合度を平均した値を最終的な適合度と定める。
図7は、本実施形態に係る情報処理装置200のモジュール構成を示す図である。
適合度評価部701は、ラベル付与区間推定部205が推定したラベル付与区間の適合度を評価する。
適合度表示部702は、適合度評価部701が評価した適合度をユーザに表示する。なお、適合度表示部702はラベル表示部206に構成されてもよい。
学習処理実行部703は、動作検知実行部203で検知された動作変更なし区間のラベル、ラベル付与区間推定部205で推定された動作変更あり区間のラベル、および時系列データ取得部201から取得されたこれら区間に対する映像を用いて学習処理を行う。こうすることで、動作変更後モデルが生成される。
以下、上記のように構成された本実施形態における情報処理装置200の動作について、図8に例示するフローチャートに沿って説明する。フローチャート内のS401からS405、S407、S408は、第1の実施形態の図4で説明した各ステップと同様である。ここでは、第1の実施形態とは異なるS801からS804について説明する。
S801にて、適合度評価部701は、S404で推定したラベル付与区間の適合度を評価する。
S802にて、適合度表示部702がS801で評価した適合度をユーザに旨、表示部262に表示する。例えば、図9のユーザインタフェース500を表示する。このユーザインタフェース500には適合度901をラベルと併せて表示する。ここで、適合度は動作変更あり区間のラベル(新動作1のラベル511)についてだけではなく、動作変更なし区間のラベル(動作1ラベルの509、動作2のラベル510、動作4のラベル512)についても評価して表示してよい。また、S801で算出した適合度を、閾値を与えることで高いか低いかを判定して、その結果をユーザに表示してもよい。例えば、閾値を0.90としたとき、適合度が0.95であれば新動作1のラベル511の適合度が高いと判断する。逆に適合度が0.80であれば新動作1のラベル511は適合度が低いと判断する。
S803にて、学習処理実行部703は、まずS402の検知結果から生成された動作変更なし区間のラベル、およびS407で確定した動作変更あり区間のラベルから動作変更後の学習データを生成する。そして、これら区間に対応する映像を用いて学習処理を行う。
S804にて、制御部250は、動作変更前モデルをS803が生成した動作変更後モデルに更新する。
以上より、本第2の実施形態によって、動作変更前モデルとそのモデルの学習時からの変更情報とに基づいて、新しい動作に対する検知処理およびラベル付与だけでなく、効率的に動作変更後の検知モデルを生成することができる。
本第2の実施形態によれば、新しい動作が2つ以上連続しても情報処理装置の運用を継続することができる。新しい動作間の境界を標準動作時間等で仮推定し、ユーザがその境界のみを数回修正して学習処理を行えば、小さいユーザ負荷で対応することができる。
本第2の実施形態のS802において、評価した適合度に応じてラベル表示方法を調整するようなユーザインタフェースにしてもよい。例えば、適合度が高いと判断されたラベルは濃い色で表示し、低いと判断されたラベルは薄い色で表示する。こうすることで、ユーザに適合度の度合いを視覚的に提示することができる。
本第2の実施形態のS802において、適合度が低いと判断したらユーザ判断を待つことなく、学習データとして不採用としてS408までスキップしてもよい。こうすることで、ユーザ負荷をさらに軽減するようにできる。
また、第2の実施形態では、S803おいて、動作変更なし区間のラベルとして、S802の検知結果から生成されたラベルを用いたが、動作変更前の学習データを保持していればそのデータと併せて学習データとしても本発明の実施は可能である。こうすることで、動作変更なし区間に対しては汎用的な検知モデルを生成することができる。
[第3の実施形態]
次に、第3の実施形態を説明する。なお、第1および第2の実施形態と同一構成部分に同参照符号を付し、その説明は省略する。第1および第2の実施形態では、修正操作入力部207による操作は、動作変更あり区間のラベルに対してのみ行っていた。しかし、工程の一部の動作変更が動作変更なし区間の検知に影響を与える可能性がある。特に、動作変更あり区間の直近の動作についてはその境界部の動作の傾向も変化しやすい。本第3の実施形態では、適合度評価部701で動作変更なし区間に対しても適合度を評価し、適合度が低いと判断された場合は標準動作時間303の情報に基づいて補正を行う。
次に、第3の実施形態を説明する。なお、第1および第2の実施形態と同一構成部分に同参照符号を付し、その説明は省略する。第1および第2の実施形態では、修正操作入力部207による操作は、動作変更あり区間のラベルに対してのみ行っていた。しかし、工程の一部の動作変更が動作変更なし区間の検知に影響を与える可能性がある。特に、動作変更あり区間の直近の動作についてはその境界部の動作の傾向も変化しやすい。本第3の実施形態では、適合度評価部701で動作変更なし区間に対しても適合度を評価し、適合度が低いと判断された場合は標準動作時間303の情報に基づいて補正を行う。
以下、上記のように構成された本実施形態における情報処理装置200の動作について、図10および図11に例示するフローチャートに沿って説明する。フローチャート内のS401〜S405、S407、S408、及び、S801〜S804は第2の実施形態の図8で説明した各ステップと同様である。ここでは、図10に追加されたS1001の検知結果補正処理の詳細を、図11のS1101〜S1105を参照して説明する。
S1101にて、制御部250は、S402で検知した結果に対して、S801で評価した適合度を、S802と同様に、閾値を与えることで高いか低いかを判定する。
S1102にて、制御部250は、S402で検知した結果を標準動作時間303の情報に基づいて補正を行う。具体的には、例えば、検知結果のラベルの長さが、標準動作時間よりも閾値以上に小さい場合は、標準動作時間の長さまで大きくするように補正する。 S1103にて、制御部250は、S404で推定したラベル付与区間に対して、S801で評価した適合度が、S1102で行った補正処理によって向上したか低下したかを判定する。ラベル付与区間の適合度が向上したと判断したと判定した場合は、この補正処理の結果を採用する。
S1104にて、制御部250は、S1103でラベル付与区間の適合度が低下したと判断した場合に補正処理の結果を不採用とし、検知結果のラベルを元に戻す。
S1105にて、制御部250は、次に補正する検知結果が存在するかを判定する。存在すると判定した場合。制御部250は処理をS1101に戻り、存在しないと判定した場合は本プロセスを終了する。
以上より、本第3の実施形態によって、一部の動作変更が動作変更なし区間の検知結果に影響を与える場合においても、その区間を補正して適当なラベルを付与することができる。
本第3の実施形態のS802において、図12のユーザインタフェースのように、適合度表示部702で検知結果補正後のラベルをユーザに提示するようなユーザインタフェース画面500にしてもよい。例えば、補正ラベル表示ボタン1201を押下することで、検知結果補正前ラベルと検知結果補正後ラベルの表示を切り替えられるような機能を追加する。こうすることで、ユーザは検知結果の補正による効果を視覚的に確認することができる。
(その他の実施例)
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
本発明は、上記実施形態に制限されるものではなく、発明の精神及び範囲から離脱することなく、様々な変更及び変形が可能である。従って、発明の範囲を公にするために請求項を添付する。
201…時系列データ取得部、202…時系列データ記憶部、203…動作検知実行部、204…動作変更情報取得部、205…ラベル付与区間推定部、206…ラベル表示部、207…修正操作入力部
Claims (10)
- 複数の動作で表される時系列データに対して、各動作にラベルを付与する情報処理装置であって、
前記時系列データの動作の変更に関する動作変更情報を取得する第1の取得手段と、
前記時系列データを取得する第2の取得手段と、
前記時系列データを入力すると、該時系列データに含まれる動作のラベルを出力する学習済みモデルを用いて、前記時系列データに含まれる動作を検知する検知手段と、
前記動作の変更によって生じた新たにラベルを付与すべきラベル付与区間を、前記検知手段の検知結果と前記動作変更情報に基づいて推定する推定手段と、
を備えることを特徴とする情報処理装置。 - 前記動作変更情報は、少なくとも動作変更前後の各動作が行われる所定の順序、あるいは、各動作が行われる標準的な動作時間の少なくともいずれかを含むことを特徴とする請求項1に記載の情報処理装置。
- 前記ラベル付与区間、前記検知手段による検知結果、及び、前記動作変更情報の少なくとも1つを表示する表示手段を更に有することを特徴とする請求項1に記載の情報処理装置。
- 前記ラベル付与区間および前記検知手段の検知結果による各動作の推定区間の修正する修正手段を有し、
前記修正手段は前記ラベル付与区間の長さを、ユーザからの指示に従って修正する
ことを特徴とする請求項3に記載の情報処理装置。 - 前記ラベル付与区間および前記検知手段の検知結果に基づいて、学習処理を実行して動作変更後の検知モデルを生成する学習手段を更に有することを特徴とする請求項1に記載の情報処理装置。
- 前記検知手段の検知結果と前記動作変更情報に基づいて、前記ラベル付与区間の適合度を、所定の閾値と比較することで評価する評価手段を更に有し、
前記適合度が高いと判断された区間をラベル付与区間として採用することを特徴とする請求項5に記載の情報処理装置。 - 前記評価手段により得た適合度を表示する表示手段を更に有することを特徴とする請求項6に記載の情報処理装置。
- 前記評価手段により得た適合度に基づいて、前記検知手段の検知結果の補正する手段を更にすることを特徴とする請求項6に記載の情報処理装置。
- 複数の動作で表される時系列データに対して、各動作にラベルを付与する情報処理装置の制御方法であって、
前記時系列データの動作の変更に関する動作変更情報を取得する第1の取得工程と、
前記時系列データを取得する第2の取得工程と、
前記時系列データを入力すると、該時系列データに含まれる動作のラベルを出力する学習済みモデルを用いて、前記時系列データに含まれる動作を検知する検知工程と、
前記動作の変更によって生じた新たにラベルを付与すべきラベル付与区間を、前記検知工程の検知結果と前記動作変更情報に基づいて推定する推定工程と、
を備えることを特徴とする情報処理装置の制御方法。 - コンピュータが読み込み実行することで、前記コンピュータに、請求項9に記載の方法の各工程を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019189654A JP2021064280A (ja) | 2019-10-16 | 2019-10-16 | 情報処理装置及びその制御方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019189654A JP2021064280A (ja) | 2019-10-16 | 2019-10-16 | 情報処理装置及びその制御方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021064280A true JP2021064280A (ja) | 2021-04-22 |
Family
ID=75488046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019189654A Pending JP2021064280A (ja) | 2019-10-16 | 2019-10-16 | 情報処理装置及びその制御方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021064280A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022234692A1 (ja) * | 2021-05-06 | 2022-11-10 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理方法、情報処理装置およびプログラム |
-
2019
- 2019-10-16 JP JP2019189654A patent/JP2021064280A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022234692A1 (ja) * | 2021-05-06 | 2022-11-10 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理方法、情報処理装置およびプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20140189576A1 (en) | System and method for visual matching of application screenshots | |
US20140218385A1 (en) | System and method for visual segmentation of application screenshots | |
CN104956339B (zh) | 从视频生成软件测试脚本 | |
JP2018535459A (ja) | ロボットによるプロセス自動化 | |
JP2019212073A (ja) | 画像判別装置および方法 | |
CN104731446B (zh) | 基于提示的斑点修复技术 | |
US20160054981A1 (en) | Programming interface | |
CN111344800A (zh) | 训练模型 | |
CN109324864B (zh) | 一种人机交互操作信息的获取方法及装置 | |
JP6617041B2 (ja) | プログラム、作業分析装置及び作業分析方法 | |
CN110942447A (zh) | Oct图像分割方法、装置、设备及存储介质 | |
JP2021064280A (ja) | 情報処理装置及びその制御方法及びプログラム | |
CN112799656B (zh) | 自动化操作的脚本文件配置方法、装置、设备和存储介质 | |
CN106155740A (zh) | 用于进行卸载控制的方法和装置 | |
US10884711B2 (en) | Code management system and code management method using a visual programming tool | |
EP2600312A1 (en) | Method and apparatus for visualizing a data set | |
CN111158842A (zh) | 操作流程检测方法、设备及存储介质 | |
JP2014085814A (ja) | 情報処理装置及びその制御方法、プログラム | |
JP7315022B2 (ja) | 機械学習装置、機械学習方法、及び、機械学習プログラム | |
CN111078785A (zh) | 一种数据可视化展示的方法、装置、电子设备及存储介质 | |
JP2022068012A (ja) | 情報処理装置、情報処理方法 | |
JP2017033288A (ja) | 文書作成装置、方法およびプログラム | |
US20150160836A1 (en) | Extracting demonstrations from in-situ video content | |
Omoronyia et al. | Use case to source code traceability: The developer navigation view point | |
US11397850B2 (en) | Information processing apparatus and non-transitory computer readable medium for arranging and displaying images representing data in accordance with a chronological order represented by an operation history |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20210103 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210113 |