JP2022095024A - 学習データ生成装置、学習データ生成方法及びコンピュータプログラム - Google Patents

Abstract

【課題】誤検出を効率的に抑制することができる学習データ生成装置を提供する。【解決手段】学習データ生成装置は、教師データを含む学習データを取得するデータ取得手段と、前記学習データと生成条件に基づいて生成学習データを生成する生成手段と、を有し、前記生成手段は、前記生成学習データを生成する際に、正事例の教師データを予め設定されたルールに応じて負事例の教師データに変換することを特徴とする。【選択図】 図１

Description

本発明は、画像から物体検出を行うための学習データ生成装置等に関する。

監視カメラに映る被写体の数をカウントすることを目的として、画像中の被写体を検出することが行われており、その際に、例えば、人物を被写体とする場合には、顔検出や頭部検出、動体検出などが行われている。

物体検出を用いた被写体数のカウントにおいては、可能な限り物体の未検出・誤検出を抑制し、正確な物体数を求めることが望ましい。しかし、被写体に類似する物体（例えば、人物をカウントしたい場合は、マネキンやポスターに印刷された人物）が画像中に存在すると、被写体として誤検出する場合が多い。

物体検出における誤検出を抑制するための取り組みとして、特許文献１や非特許文献１がある。特許文献１では、既存の学習データから被写体領域を抽出し、異なる背景画像に合成した画像を学習データに追加することで、背景変化に対するロバスト性を向上している。また、非特許文献１では、既存の学習データに対して、ランダムパッチを合成し、複数の正解データに拡張することで、見えの変化に対するロバスト性を向上している。

一方、物体領域を検出する技術としては、近年、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を活用した深層学習手法が多数開発されている。非特許文献２には、ＣＮＮを用いた物体検出技術として、物体を内包する矩形と物体の種別を正解とし物体の位置、サイズ、種別を学習させる方法が開示されている。

米国特許１０５４６２１７号明細書

Ｚｈｕｎ Ｚｈｏｎｇ， Ｌｉａｎｇ Ｚｈｅｎｇ， Ｇｕｏｌｉａｎｇ Ｋａｎｇ， Ｓｈａｏｚｉ Ｌｉ， Ｙｉ Ｙａｎｇ， "Ｒａｎｄｏｍ Ｅｒａｓｉｎｇ Ｄａｔａ Ａｕｇｍｅｎｔａｔｉｏｎ"， ＣＶＰＲ２０１７ Ｊｏｓｅｐｈ Ｒｅｄｍｏｎ， Ａｌｉ Ｆａｒｈａｄｉ， "ＹＯＬＯｖ３： Ａｎ Ｉｎｃｒｅｍｅｎｔａｌ Ｉｍｐｒｏｖｅｍｅｎｔ"， ＣＶＰＲ２０１８

特許文献１、非特許文献１のいずれも、既存の学習データを複数の正例データに拡張する手段である。しかしながら、検出を抑制すべき対象が、被写体に類似している場合、多数の非被写体の画像を必要とするため、非被写体の誤検出を抑制することが難しかった。また、非特許文献２においても、同様の問題があった。

本発明は、このような問題点に鑑みなされたものであり、誤検出を効率的に抑制することができる学習データ生成装置を提供することを特徴とする。

上記目的を達成するための一手段として、本発明の学習データ生成装置は、
教師データを含む学習データを取得するデータ取得手段と、
前記学習データと生成条件に基づいて生成学習データを生成する生成手段と、
を有し、
前記生成手段は、前記生成学習データを生成する際に、正事例の教師データを予め設定されたルールに応じて負事例の教師データに変換することを特徴とする。

以上の構成からなる本発明によれば、誤検出を効率的に抑制することができる学習データ生成装置を実現することができる。

本発明の実施例における学習装置の概略構成を示すブロック図である。 実施例の学習装置のハードウェア構成図である。 実施例に係る物体特性管理部で管理するデータの例を示す図である。 実施例に係る学習データの例を示す図である。 実施例に係る深度センサで取得した画像の例を示す図である。 実施例に係る温度センサで取得した画像の例を示す図である。 実施例に係る頭部領域を塗りつぶした画像の例を示す図である。 実施例に係る人物領域の色を変換した画像の例を示す図である。 実施例に係る深度を平面に変換した画像の例を示す図である。 実施例に係る被写体領域の温度を低く変換した画像の例を示す図である。 実施例に係る生成条件を入力、生成結果を確認するＵＩの例を示す図である。 実施例の全体フローチャートである。

以下、添付図面を参照して、本発明の好適な実施の形態について実施例を用いて説明する。また、各図において、同一の部材ないし要素については同一の参照番号を付し、重複する説明は省略ないし簡略化する。
なお、本実施例で説明する学習装置は、物体検出を行うためのモデルを、ＣＮＮを用いて構築するものであり、人物を内包する矩形を検出対象とする例を説明する。

図１は、本実施例における学習装置１００の概略構成を示すブロック図である。１０１は物体特性管理手段、１０２は入力手段、１０３は生成条件決定手段、１０４はデータ取得手段、１０５は生成手段、１０６は学習手段、１０７は評価手段、１０８は表示手段である。

図２は、学習装置１００のハードウェア構成の一例を示す図である。
学習装置１００は、ＣＰＵ２０１、ＲＡＭ２０２、ＲＯＭ２０３、ネットワークＩ／Ｆ部２０４、ＨＤＤ２０５、及びデータバス２０６を備える。ＣＰＵ２０１は、ＲＯＭ２０３に記憶された制御用コンピュータプログラムを読み出してＲＡＭ２０２にロードし、各種制御処理を実行する。ＲＡＭ２０２は、ＣＰＵ２０１の実行するプログラムや、ワークメモリ等の一時記憶領域として用いられる。

ネットワークＩ／Ｆ部２０４は、学習装置１００を、インターネットを介して他の装置との間で各種情報を送受信する。ＨＤＤ２０５は、画像データや特徴量データ、各種プログラム等を格納する。ネットワークＩ／Ｆ部２０４を介して外部装置から受信した画像データ等は、データバス２０６を介してＣＰＵ２０１、ＲＡＭ２０２、及びＲＯＭ２０３に送受信される。

ＣＰＵ２０１がＲＯＭ２０３やＨＤＤ２０５に格納された画像処理プログラムを実行することによって、画像データに対する画像処理が実現される。なお、ＣＰＵとは異なる１又は複数の専用のハードウェアを有し、ＣＰＵによる処理の少なくとも一部を専用のハードウェアが実行してもよい。専用のハードウェアの例としては、ＧＰＵ（グラフィックスプロセッシングユニット）、ＡＳＩＣ（特定用途向け集積回路）、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）、及びＤＳＰ（デジタルシグナルプロセッサ）などがある。

また、ＨＤＤ２０５は、ネットワークＩ／Ｆ部２０４を介して外部装置からデータの入力が可能であり、すでに画像データを含む大量のファイルが格納されているものとする。
なお、入力手段１０２は例えばキーボードやマウスやタッチパネル等であり、表示手段１０８は例えば液晶ディスプレイ等の表示装置を含み、入力手段１０２や表示手段１０８もデータバス２０６に接続されている。

物体特性管理手段１０１は、誤検知を起こしやすい物体、即ちユーザーが検出を抑制したい物体のカテゴリ情報と特性および生成条件を対応付けて管理する。
図３は実施例に係る物体特性管理部で管理するデータの例を示す図である。カテゴリとは、物体の種別を表しており、マネキン、洋服、ポスター、鏡の像、傘を差した人物、などの情報である。また、特性情報とは、部位の有無、部位の色、温度の高低、深度の形状を表しており、頭部がない、肌領域が白い、温度が低い、深度が変面、などの情報である。

生成条件とは、誤検知を起こしやすい（ユーザーが検出を抑制したい）物体の学習データ（教師データ）に適用する画像変換の内容（ルール）を表しており、頭部領域を背景画素で塗りつぶす、などの情報である。図３の物体特性管理テーブル３００では、カテゴリ＝「マネキン」に対して、特性＝「頭部がない、肌の色が白い、温度が低い」と生成条件＝「頭部領域を背景画素で塗りつぶす」とが対応付けて管理されている。

入力手段１０２は、ユーザーから後述の入力情報を取得し、入力情報を生成条件決定手段１０３に提供する。入力情報とは、ユーザーが、例えば物体特性管理テーブル３００のデータを参照しつつ設定したデータである。即ち、例えば、検出を抑制したい物体のカテゴリ情報を表す抑制物体カテゴリ情報、ユーザーが検出を抑制したくない物体のカテゴリ情報を表す非抑制物体カテゴリ情報を含む。更に、ユーザーが検出を抑制したい物体の特性情報を表す抑制物体特性情報、ユーザーが検出を抑制したくない物体の特性情報を表す非抑制物体特性情報、ユーザーが適用したい生成条件を表す生成条件、の少なくとも１つ以上の組み合わせを含む。

なお、入力情報に、生成条件に関するパラメータを含ませてもよい。生成条件に関するパラメータとは、生成条件に応じて画像変換を行う際のパラメータであり、変換を行う領域のサイズ、色、温度、深度の角度、深度の形状、などの情報である。図３に示した生成条件はその一例である。ユーザーは表示手段１０８でプレビュー画像等を確認しながら前述の入力情報を作成することができる。表示手段１０８におけるプレビュー画像等については後述する。

生成条件決定手段１０３は、入力手段１０２から提供されるユーザーによる入力情報および物体特性管理手段１０１で管理されるデータに基づいて、学習データに適用する生成条件を決定し、生成条件リストを作成する。生成条件リストとは、生成条件をリスト化したものである。また、生成条件決定手段１０３は、作成した生成条件リストを生成手段１０５に提供する。

ここで、生成条件リストの作成方法について説明する。まず、入力情報に抑制物体カテゴリ情報または抑制物体特性情報が含まれていた場合、対応する生成条件を物体特性管理手段１０１から取得し、生成条件リストに追加する。
また、入力情報に生成条件そのものが含まれていた場合、その生成条件を生成条件リストに追加する。さらに、入力情報に非抑制物体カテゴリ情報または非抑制物体特性情報が含まれていた場合、対応する生成条件を物体特性管理手段１０１から一旦取得しても、該当する生成条件を生成条件リストから除外する。

データ取得手段１０４は、ＣＮＮの学習に利用する、教師データを含む学習データを取得する。データ取得手段１０４は取得した学習データを生成手段１０５に提供する。図４は、実施例に係る学習データの例を示す図である。画像４００には検出対象４０１が写っており、ＧｒｏｕｎｄＴｒｕｔｈとして矩形情報４０２が対応づいている。矩形情報４０２が存在する場合、正例（正事例）として学習が行われる。

データ取得手段１０４から取得される画像４００は例えばＲＧＢ画像である。しかし、可視光センサで取得できるＲＧＢ画像、深度センサで取得できる深度画像または温度センサで取得できる温度画像の少なくとも１つ以上の組み合わせであればよい。図５は実施例に係る深度センサで取得した画像の例を示す図である。色の濃淡が深度を表しており、色が薄いほど深度が浅いことを表している。深度画像は例えば視差を有する２つの撮像素子の画素からの出力によって得ることができる。

図６は実施例に係る温度センサで取得した画像の例を示す図である。色の濃淡が温度を表しており、色が薄いほど温度が高いことを表している。温度画像は赤外光に感度を有する撮像素子によって取得することができる。なお、可視光センサ、深度センサ、温度センサは一つの撮像素子の撮像面の中に、それぞれ可視光を検出するための画素、深度を検出するための画素、温度を検出するための画素を２次元的に所定のピッチで配置することによって構成したものであっても良い。

或いは可視光センサ、深度センサ、温度センサの少なくとも１つを別の２次元センサとして構成し、それぞれのセンサで同じ被写体を撮像して、それぞれの画像出力を取得しても良い。
なお、データ取得手段１０４はそのような教師データとしての学習データの画像を記憶する画像データベースを含むが、画像を取得するための画像センサを含んでいても良い。また学習データは教師データ以外のデータを含んでいても良い。

生成手段１０５は、生成条件決定手段１０３から提供される生成条件リストにおける生成条件と、データ取得手段１０４から提供される学習データに基づいて生成学習データを生成する。生成手段１０５は生成した生成学習データを学習手段１０６に提供する。次に生成学習データの生成方法について説明する。

まず、生成手段１０５は、取得した学習データを、所定の割合で、通常学習利用、変換学習利用、評価利用に割り当てる。
次に、生成手段１０５は、変換学習利用の学習データに含まれる学習画像について、生成条件決定手段１０３から提供される生成条件リストに含まれる生成条件を適用し、生成学習画像を得る。学習画像がＮ枚かつ生成条件がＭ個のとき、生成する変換学習画像の枚数は、全組み合わせのＮ×Ｍ枚となる。

図７は実施例に係る頭部領域を塗りつぶした画像の例を示す図であり、図４の画像４００について、生成条件「頭部領域を背景画素で塗りつぶす」を適用した画像７００を示している。図８は実施例に係る人物領域の色を変換した画像の例を示す図であり、画像４００について、生成条件「肌領域を白で塗りつぶす」を適用した画像８００を示している。図９は実施例に係る深度を平面に変換した画像の例を示す図であり、図５の深度画像５００について、生成条件「画像全体を平面にする」を適用した画像９００を示している。図１０は実施例に係る被写体領域の温度を低く変換した画像の例を示す図であり、図６の温度画像６００について、「被写体の温度を下げる」を適用した画像１０００を示している。

このように、生成手段は、特定部位を塗りつぶす画像変換、特定部位の色を変更する画像変換、深度情報を特定のパターンに置き換える画像変換、検出対象の温度を変更する画像変換の少なくとも１つを行う。
図７～図１０に示すような生成条件を適用したとき、生成手段１０５は、生成条件を適用した変換学習画像に対応する正例（正事例）のラベルを負例（負事例）に変換したデータを生成する。即ち、生成手段１０５は、生成学習データを生成する際に、正事例の教師データを予め設定されたルールに応じて負事例の教師データに変換する。具体的には、例えば図４の学習データにおける矩形情報４０２を削除する。

さらに、生成手段１０５は、通常学習利用に割り当てた学習データと、変換学習利用に割り当てかつ生成条件を適用して生成された学習データを統合して、生成学習データとして、学習手段１０６に提供する。また、評価利用に割り当てた学習データを評価データとして評価手段１０７に提供する。

学習手段１０６は、一般的な物体検出ＣＮＮの学習における処理と同様の処理を行うものであり、生成手段１０５から提供される学習データを用いて所定のＣＮＮを学習する。学習手段１０６は、学習済みのＣＮＮモデルを評価手段１０７に提供する。
評価手段１０７は、一般的な物体検出ＣＮＮの評価における処理と同様の処理を行うものであり、学習手段１０６から提供される学習済みのＣＮＮモデルと、生成手段１０５から提供される評価用データに基づいて、検出精度の評価を実施する。

具体的には、評価データに含まれるＧｒｏｕｎｄＴｒｕｔｈと学習済みのＣＮＮモデルの推論結果をＩｏＵ（Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）に基づいて、正検出、未検出、誤検出に分類し、ＴＰ（ＴｒｕｅＰｏｓｉｔｖｅ）、ＴＮ（ＴｒｕｅＮｅｇａｔｉｖｅ）、ＦＰ（ＦａｌｓｅＰｏｓｉｔｖｅ）、ＦＮ（ＦａｌｓｅＮｅｇａｔｉｖｅ）の数からＦ値を求める。

また、誤検出および未検出となった例について、被写体の部位の有無、部位の色、深度情報、温度情報を求め、誤検出物体特性および未検出物体特性として生成条件決定手段１０３に提供する。
生成条件決定手段１０３は、評価手段１０７から取得した誤検出物体特性および未検出物体特性に基づいて、生成条件リストを修正する。

生成条件リストを修正方法について説明する。生成条件決定手段１０３は、評価手段１０７から取得した誤検出物体特性に対応する生成条件を物体特性管理手段１０１から取得する。取得した生成条件を生成条件リストに追加する。次に、生成条件決定手段１０３は、評価手段１０７から取得した未検出物体特性に対応する生成条件を物体特性管理手段１０１から取得する。取得した生成条件を生成条件リストから除外する。

表示手段１０８は、ユーザーによる入力情報の生成のサポートを行うために、生成条件の設定内容および生成結果を表示する。
図１１は、実施例に係る生成条件を入力、生成結果を確認するＵＩの例を示す図であり、表示手段１０８上で生成条件を入力、生成結果を確認、生成条件を設定するための生成条件設定ＵＩ１１００の例を示している。ユーザーは表示手段に表示された生成結果に基づき、データ取得手段１０４で取得する学習データを、学習データ展開ボタン１１０１で指定することができる。

また、入力手段１０２によって、指定するカテゴリ、特性、変換条件、パラメータ等の生成条件を生成条件設定テーブル１１０２上で指定し設定することができる。生成条件設定テーブル１１０２は、物体特性管理手段１０１に記憶されている物体特性管理テーブル３００に基づくものである。

ユーザーは、生成条件設定テーブル１１０２の各行をクリックすることで、非設定、抑制条件として設定、非抑制条件として設定、非設定の順にサイクリックに戻すことができ、複数の抑制条件および非抑制条件を設定することが可能である。また、設定完了後、生成ボタン１１０３をクリックすることで生成手段１０５のプロセスが起動する。

表示手段１０８を用いて、ユーザーは生成学習データのプレビューを行うことができる。生成結果確認画面１１０４は、生成ボタン１１０３をクリックした場合に生成手段１０５にて生成された生成学習データを例えば解像度の低い小さな画面サイズで表示する。これによって演算負荷を減らすことができる。ユーザーは生成結果確認画面１１０４に表示される生成した正例と負例を確認し、生成条件を修正することができる。

なお、生成条件設定テーブル１１０２に表示される、物体特性管理手段１０１のカテゴリとは、物体の種別を表す情報であればよく、特定の種別情報に限定されるものではない。また、特性情報とは、物体の特性を表す情報であればよく、図１１に示されるような特定の特性情報に限定するものではない。さらに、生成条件とは、画像変換の内容を表す情報であればよく、図１１に示されるような特定の生成条件に限定するものではない。

生成手段１０５は、学習データを通常学習利用、変換学習利用に割り当てる際に、１つの学習データを通常学習利用、変換学習利用の双方に割り当ててもよい。また、評価利用のデータは不図示の評価データ取得手段から取得し、学習データは評価利用に割り当てなくてもよい。

生成手段１０５の学習画像に適用する生成条件は、少なくとも１つ以上の組み合わせであればよく、複数の生成条件を１枚の画像に適用してもよいし、所定の学習画像に対して適用しない生成条件があってもよい。各生成条件で生成する画像枚数の割合は、入力手段１０２からユーザー入力を取得して決定してもよいし、生成条件決定手段１０３において生成条件リストに追加された頻度に基づき決定してもよい。

生成手段１０５における、生成学習データの一部の正例ラベルから負例ラベルへの変換は、学習手段１０６にて負例として扱われるような変換であればよく、特定の変換方法に限定されない。例えば負例であることを示すフラグを付与するような変換であっても良い。
また、表示手段１０８の生成条件の表示方法は、生成条件ごとにプルダウンを用意して非設定、抑制条件として設定、非抑制条件として設定、を選べるようにしてもよいし、ラジオボタンを用意して選択できるようにしてもよい。

つまり、カテゴリ、物体の特性、生成条件、パラメータを指定できるＵＩであればよく、図１１に示されるような特定のＵＩに限定されない。
表示手段１０８のプレビュー用の生成結果確認画面１１０４は、生成した負例の全画像を並べて表示してもよいし、生成手段１０５の処理前に生成イメージをプレビューしてもよい。つまり、生成手段１０５による生成前に生成イメージをユーザーが目視で確認できる表示方法であればよく、図１１に示されるような特定の方法に限定されるものではない。

次に図１２は、実施例の全体フローチャートであり、図１２を用いて、上述の動作フローを説明する。まず、ステップＳ１２０１で、入力手段１０２を用いて抑制対象物体のカテゴリ情報を入力する。次にステップＳ１２０２で、生成条件決定手段１０３は、抑制対象物体のカテゴリ情報を用いて、物体特性管理手段１０１から対応する生成条件を取得する。

次にステップＳ１２０３で、生成条件決定手段１０３は、取得した生成条件に基づいて、抑制対象物体の画像に所定の変換処理をするための変換ルールを決定することで生成条件リストを生成する。次にステップＳ１２０４で、データ取得手段１０４を用いて学習データを、データ取得手段１０４に含まれる不図示の記憶媒体から取得する。即ち、ステップＳ１２０４は、教師データとしての学習データを取得するデータ取得ステップとして機能している。

次にステップＳ１２０５で、生成手段１０５は、学習データと生成条件リストを用いて学習データを上記の変換ルールに基づいて変換し、生成学習データを生成すると共に評価データを作成する。即ち、ステップＳ１２０５は学習データと生成条件に基づいて生成学習データを生成する生成ステップとして機能している。

次にステップＳ１２０６で生成条件を適用した学習画像についてＧｒｏｕｎｄＴｒｕｔｈのラベルを負例に変換した、即ち、例えば図４の矩形情報４０２を消したデータを生成する。次にステップＳ１２０７で、学習手段１０６は、一部のラベルが負例に変換された生成学習データを用いて物体検出ＣＮＮを学習し、学習済みＣＮＮモデルを生成する。

次にステップＳ１２０８で、評価手段１０７は、学習済みＣＮＮモデルと評価データを用いて、ＣＮＮモデルの推論結果の評価を行う。即ち、ＴＰ（ＴｒｕｅＰｏｓｉｔｖｅ）、ＴＮ（ＴｒｕｅＮｅｇａｔｉｖｅ）、ＦＰ（ＦａｌｓｅＰｏｓｉｔｖｅ）、ＦＮ（ＦａｌｓｅＮｅｇａｔｉｖｅ）の数からＦ値を求める。

次にステップＳ１２０９で、評価結果があらかじめ設定した目標性能（例えばＦ値が所定値以下）を達成していればステップＳ１２１２で処理を終了し、達成していない場合はステップＳ１２１０に進む。次にステップＳ１２１０では評価結果に基づいて、誤検出した物体の特性情報等を分析し、誤検出物体のカテゴリ情報やその特性等を求める。次にステップＳ１２１１で、生成条件決定手段１０３は誤検出物体の特性情報に基づいて、生成条件リストにおける生成条件、即ち、どのカテゴリ情報の物体に対してどのような画像変換をするかという変換ルールを修正する。

以上、本発明をその好適な実施例に基づいて詳述してきたが、本発明は上記実施例に限定されるものではなく、本発明の主旨に基づき種々の変形が可能であり、それらを本発明の範囲から除外するものではない。
また、本発明は例えば、システム、装置、方法、プログラム若しくは記録媒体（記憶媒体）等としての実施態様をとることが可能である。具体的には、複数の機器（例えば、ホストコンピュータ、インタフェース機器、撮像装置、ｗｅｂアプリケーション等）から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。

なお、本実施例における制御の一部または全部を上述した実施例の機能を実現する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学習データ生成装置に供給するようにしてもよい。そしてそのデータ生成装置におけるコンピュータ（又はＣＰＵやＭＰＵ等）がプログラムを読み出して実行するようにしてもよい。その場合、そのプログラム、及び該プログラムを記憶した記憶媒体は本発明を構成することとなる。

１０１ 物体特性管理手段
１０２ 入力手段
１０３ 生成条件決定手段
１０４ データ取得手段
１０５ 生成手段
１０６ 学習手段
１０７ 評価手段
１０８ 表示手段
３００ 物体特性管理テーブル
４００ 画像
４０１ 検出対象
４０２ 矩形情報
５００ 深度画像
６００ 温度画像
７００ 部位塗りつぶし画像
７０１ 頭部領域
８００ 部位色変換画像
９００ 深度変換画像
１０００ 温度変換画像
１１００ 生成条件設定ＵＩ
１１０１ 学習データ展開ボタン
１１０２ 生成条件設定テーブル
１１０３ 生成ボタン
１１０４ 生成結果確認画面

Claims (11)

1. 教師データを含む学習データを取得するデータ取得手段と、
   前記学習データと生成条件に基づいて生成学習データを生成する生成手段と、
   を有し、
   前記生成手段は、前記生成学習データを生成する際に、正事例の教師データを予め設定されたルールに応じて負事例の教師データに変換することを特徴とする学習データ生成装置。
2. 前記生成手段は、前記正事例の教師データを予め設定されたルールに応じて負事例の教師データに変換することによって、前記生成学習データの一部のラベルを前記正事例から負事例に変換することを特徴とする請求項１に記載の学習データ生成装置。
3. 前記生成手段は、特定部位を塗りつぶす画像変換、前記特定部位の色を変更する画像変換、深度情報を特定のパターンに置き換える画像変換、検出対象の温度を変更する画像変換の少なくとも１つを行うことを特徴とする請求項１または２に記載の学習データ生成装置。
4. さらに、抑制物体または非抑制物体のカテゴリ情報を入力する入力手段を有することを特徴とする請求項１～３のいずれか１項に記載の学習データ生成装置。
5. さらに、抑制物体または非抑制物体の特性を入力する入力手段を有することを特徴とする請求項１～４のいずれか１項に記載の学習データ生成方法。
6. さらに、物体のカテゴリ情報および前記生成条件を管理する物体特性管理手段を有することを特徴とする請求項１～５のいずれか１項に記載の学習データ生成装置。
7. さらに、生成した前記学習データを用いてＣＮＮを学習する学習手段と、
   前記学習手段で学習した前記ＣＮＮを評価する評価手段と、
   を有することを特徴とする請求項１～６のいずれか１項に記載の学習データ生成装置。
8. さらに、前記評価手段で誤検出した物体の特性情報に基づいて前記生成条件を修正することを特徴とする請求項７に記載の前記学習データ生成装置。
9. さらに、前記生成条件の設定内容および生成結果を表示する表示手段と、
   前記表示手段に表示された前記生成結果に基づき前記生成条件を設定するためのＵＩを有することを特徴とする請求項１～８のいずれか１項に記載の学習データ生成装置。
10. 教師データとしての学習データを取得するデータ取得ステップと、
    前記学習データと生成条件に基づいて生成学習データを生成する生成ステップと、
    を有し、
    前記生成ステップは、前記生成学習データを生成する際に、正事例の教師データを予め設定されたルールに応じて負事例の教師データに変換することを特徴とする学習データ生成方法。
11. 請求項１～９のいずれか１項に記載の前記学習データ生成装置の各手段をコンピュータにより制御するためのコンピュータプログラム。
    

Images