JP2023143197A - 生成装置、生成方法および生成プログラム - Google Patents
生成装置、生成方法および生成プログラム Download PDFInfo
- Publication number
- JP2023143197A JP2023143197A JP2022050447A JP2022050447A JP2023143197A JP 2023143197 A JP2023143197 A JP 2023143197A JP 2022050447 A JP2022050447 A JP 2022050447A JP 2022050447 A JP2022050447 A JP 2022050447A JP 2023143197 A JP2023143197 A JP 2023143197A
- Authority
- JP
- Japan
- Prior art keywords
- data
- label
- trained model
- generation
- pseudo
- 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 description 124
- 238000010801 machine learning Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 16
- 241001342895 Chorus Species 0.000 description 78
- HAORKNGNJCEJBX-UHFFFAOYSA-N cyprodinil Chemical compound N=1C(C)=CC(C2CC2)=NC=1NC1=CC=CC=C1 HAORKNGNJCEJBX-UHFFFAOYSA-N 0.000 description 78
- 230000010365 information processing Effects 0.000 description 58
- 238000004891 communication Methods 0.000 description 42
- 229910000831 Steel Inorganic materials 0.000 description 34
- 239000010959 steel Substances 0.000 description 34
- 238000010586 diagram Methods 0.000 description 28
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 28
- 238000005516 engineering process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
Images
Landscapes
- Image Analysis (AREA)
- Machine Translation (AREA)
Abstract
Description
以下、図1~5を用いて、実施形態1に係る情報処理システム1について説明する。
情報処理システム1は、教師データを機械学習させて学習済モデルを生成し、当該学習済モデルを用いて推定を行うことにより、各種データを処理するものでよい。図1は、実施形態1に係る情報処理システムの構成の一例を示すブロック図である。図1に示す情報処理システム1は、生成装置10と、推定装置20とを備えてよい。
生成装置10は、各種データを処理し、推定を行うために用いられる学習済モデルを生成するものでよい。図1に示すように、生成装置10は、取得部11と、制御部12と、記憶部13と、通信部14と、を備えてよい。
取得部11は、第1ラベルが付された複数の第1データおよび第2ラベルが付された複数の第2データなどの各種データを取得するものでよい。
[制御部12]
制御部12は、生成装置10の処理を制御するものでよい。図1に示すように、制御部12は、生成部15を備えてよい。
生成部15は、学習済みモデルを生成する生成処理を複数回実行する。生成部15は、1回目の生成処理では、第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成する。生成した学習済みモデルに対して対象に関するデータを入力することによって疑似ラベルが得られる。生成部15は、2回目以降の生成処理では、第1ラベルが付された第1データ、第2ラベルが付された第2データ、および、擬似ラベルが付された第2データを教師データとして用いた機械学習により学習済みモデルを生成する。このとき、第2データに付される疑似ラベルは、前の回の生成処理において生成した学習済みモデルに対して第2データを入力することによって取得されたラベルであってよい。疑似ラベルの詳細は後述する。
記憶部13は、第1データおよび第2データなどの各種データならびに第1学習済モデルM1および第2学習済モデルM2などの学習済モデルを記憶するものでよい。
通信部14は、ネットワークNを介して、推定装置20の通信部24と通信を行うものでよい。図1に示す例では、生成装置10は通信部14を備えているが、本実施形態では、生成装置10は、通信部14を備える代わりに推定装置20と一体化していてもよい。
推定装置20は、生成装置10が生成した第2学習済モデルM2などの学習済モデルを用いて各種データを処理し、推定するものでよい。図1に示すように、推定装置20は、取得部21と、制御部22と、記憶部23と、通信部24とを備えてよい。
取得部21は、ラベル付けされていない複数の第2データなどの各種データを取得するものでよい。
制御部22は、推定装置20の処理を制御するものでよい。図1に示すように、制御部22は、推定部25を備えてよい。
推定部25は、第2学習済モデルM2などの学習済モデルを用いて推定を行うものでよい。推定部25の処理の詳細は後述する。
記憶部23は、取得部21が取得した第2データおよび生成装置10の通信部14から送信された第2学習済モデルM2などの学習済モデルを記憶するものでよい。
通信部24は、ネットワークNを介して、生成装置10の通信部14と通信を行うものでよい。図1に示す例では、推定装置20は通信部24を備えているが、本実施形態では、推定装置20は、通信部24を備える代わりに生成装置10と一体化していてもよい。
以下、図2~4を用いて、実施形態1に係る生成装置10による生成方法S1について説明する。図2は、生成方法の一例を示すフローチャートである。図2に示すように、生成方法S1は、取得ステップS11と、第1学習済モデル生成ステップS12と、第2学習済モデル生成ステップS13とを含んでよい。
取得部11は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、を取得してよい。
取得部11は、鉄塔、ガードレール、工場の屋根および歩道橋などの汎用的な複数種類の構造物を含む第1対象が撮像され、第1対象のサビ領域を示すラベルが付された複数の画像データを第1データとして取得してよい。また、取得部11は、鉄塔を含む、第2対象が撮像され、第2対象のサビ領域を示すラベルが付された複数の画像データを第2データとして取得してよい。
第1学習済モデル生成部151は、取得ステップS11において取得された、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データとを第1教師データとして機械学習させ、第1学習済モデルM1を生成してよい。第1学習済モデルM1は、ラベル付けされていない第2データを入力すると、複数の第1疑似ラベルを出力するものでよい。
以下、図3を用いて、第1学習済モデル生成ステップS12の例1について説明する。図3は、第2データの一例を示す図である。第1学習済モデル生成部151は、取得ステップS11の例に記載の第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データとを第1教師データとして機械学習させ、第1学習済モデルM1を生成してよい。当該第1学習済モデルM1は、ラベル付けされていない第2データD1を入力すると、鉄塔(第2対象)O1のサビ領域に対応する画素の領域を示す複数の第1疑似ラベルL1およびL2を出力するものでよい。
以下、図4を用いて、第1学習済モデル生成ステップS12の例2について説明する。図4は、第2データの一例を示す図である。第1学習済モデル生成部151は、取得ステップS11の例に記載の第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データとを第1教師データとして機械学習させ、第1学習済モデルM1を生成してよい。当該第1学習済モデルM1は、ラベル付けされていない第2データD11を入力すると、鉄塔(第2対象)O11のサビ領域に対応する画素の領域を示す複数の第1疑似ラベルL11およびL12を出力するものでよい。
第2学習済モデル生成部152は、第1学習済モデル生成ステップS12において生成された第1学習済モデルM1に対して第2データを入力することによって、第2データに付す第1擬似ラベルを取得し、第1ラベルが付された第1データ、第2ラベルが付された第2データ、および、第1擬似ラベルが付された第2データを第2教師データとして用いた機械学習により第2学習済みモデルM2を生成する。第2学習済モデルMは、ラベル付けされていない第2データを入力すると複数の第2疑似ラベルを出力するものでよい。
以下、図3を用いて、第2学習済モデル生成ステップS13の例1について説明する。第2学習済モデル生成部152は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD1に第1疑似ラベルL1およびL2が付された複数の第2データD2とを第2教師データとして機械学習させ、第2学習済モデルM2を生成してよい。当該第2学習済モデルM2は、ラベル付けされていない第2データD1を入力すると、鉄塔O1のサビ領域に対応する画素の領域を示す複数の第2疑似ラベルL1’およびL2’を出力するものでよい。
以下、図4を用いて、第2学習済モデル生成ステップS13の例2について説明する。第2学習済モデル生成部152は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD11に第1疑似ラベルL11およびL12が付された複数の第2データD12とを第2教師データとして機械学習させ、第2学習済モデルM2を生成してよい。当該第2学習済モデルM2は、ラベル付けされていない第2データD11を入力すると鉄塔O11のサビ領域に対応する画素の領域を示す複数の第2疑似ラベルL11’およびL12’を出力するものでよい。
以下、図5を用いて、実施形態1に係る推定装置20による推定方法S2について説明する。図5は、実施形態1に係る推定方法の一例を示すフローチャートである。図5に示すように、推定方法S2は、取得ステップS21と、推定ステップS22と、を含んでよい。推定方法S2では、あらかじめ、生成装置10の通信部14が第2学習済モデルM2を推定装置20の通信部24に送信し、推定装置20の記憶部23が第2学習済モデルM2を記憶しているものとする。
取得部11は、ラベル付けされていない複数の第2データを取得する。
以下、図3を用いて、取得ステップS21の例1について説明する。取得部11は、図3の第2データD1のようなラベル付けされていない複数の第2データを取得する。
以下、図4を用いて、取得ステップS21の例2について説明する。取得部11は、図4の第2データD11のようなラベル付けされていない複数の第2データを取得する。
推定部25は、取得ステップS21において取得された、ラベル付けされていない複数の第2データを、記憶部23に記憶されている第2学習済モデルM2に入力し、第2学習済モデルM2から出力される第2疑似ラベルに基づいて推定を行ってよい。推定部25は、第2学習済モデルM2を用いて推定を行うことにより、第1学習済モデルM1を用いて推定を行う場合に比べて、より高精度に推定を行うことができる。
以下、図3を用いて、推定ステップS22の例1について説明する。推定部25は、ラベル付けされていない複数の第2データD1を第2学習済モデルM2に入力する。続いて、推定部25は、第2学習済モデルM2から出力される複数の第2疑似ラベルL1’およびL2’を、ラベル付けされていない第2データD1に付すことにより、第2データD1における鉄塔O1のサビ領域の推定(検出)を行ってよい。これにより、推定部25は、図3の第1疑似ラベルL1およびL2よりもノイズが少ない第2疑似ラベルL1’およびL2’に対応する領域がサビ領域であると推定できる。
以下、図4を用いて、推定ステップS22の例2について説明する。推定部25は、ラベル付けされていない複数の第2データD11を第2学習済モデルM2に入力する。続いて、推定部25は、第2学習済モデルM2から出力される第2疑似ラベルL11’およびL12’を、ラベル付けされていない第2データD11に付すことにより、第2データD11における鉄塔O11のサビ領域の推定を行ってよい。これにより、推定部25は、図4の第1疑似ラベルL11およびL12よりもノイズが少ない第2疑似ラベルL11’およびL12’に対応する領域がサビ領域であると推定できる。
本発明に係る情報処理システムは、実施形態2に係る情報処理システム1Xのように、生成装置10Xが、第3学習済モデルM3をさらに生成してよい。以下、図6~11を用いて、実施形態2に係る情報処理システム1Xについて説明する。説明の便宜上、上述の実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を省略する。
図6は、実施形態2に係る情報処理システムの構成の一例を示すブロック図である。情報処理システム1Xは、実施形態1に係る生成装置10と、推定装置20との代わりに、生成装置10Xと、推定装置20Xと、を備えてよい。
生成装置10Xは、実施形態1における制御部12と記憶部13との代わりに、制御部12Xと記憶部13Xとを備えてよい。この点以外、実施形態2に係る生成装置10Xは、実施形態1に係る生成装置10と同様の構成でよい。
制御部12Xは、実施形態1における生成部15の代わりに生成部15Xを備え、生成部15Xは、第3学習済モデルM3を生成する第3学習済モデル生成部153をさらに備えてよい。この点以外、制御部12Xは、実施形態1における制御部12と同様の構成でよい。生成部15Xの情報処理および第3学習済モデルM3の詳細は後述する。
記憶部13Xは、第3学習済モデルM3をさらに記憶するものでよい。この点以外、記憶部13Xは、実施形態1における記憶部13と同様の構成でよい。
推定装置20Xは、実施形態1における制御部22の代わりに、制御部22Xを備えてよい。この点以外、実施形態2に係る推定装置20Xは、実施形態1に係る推定装置20と同様の構成でよい。
制御部22Xは、実施形態1における推定部25の代わりに推定部25Xを備え、推定部25Xは、第3学習済モデルM3を用いて推定を行うものでよい。この点以外、制御部22Xは、実施形態1における制御部22と同様の構成でよい。推定部25Xの情報処理の詳細は後述する。
図7~9を用いて、実施形態2に係る生成装置10Xによる生成方法S3について説明する。図7は、生成方法の一例を示すフローチャートである。図7に示すように、生成方法S3は、取得ステップS31と、第1学習済モデル生成ステップS32と、第2学習済モデル生成ステップS33と、第3学習済モデル生成ステップS34と、を含んでよい。
第3学習済モデル生成部153は、取得ステップS31において取得された、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、第2学習済モデル生成ステップS33において生成された、第2疑似ラベルが付された複数の第2データとを第3教師データとして機械学習させ、第3学習済モデルM3を生成してよい。第3学習済モデルM3は、ラベル付けされていない第2データを入力すると複数の第3疑似ラベルを出力するものでよい。
図8を用いて、第3学習済モデル生成ステップS34の例1について説明する。図8は、第2データの一例を示す図である。第3学習済モデル生成部153は、第1ラベルが付された複数の第1データと、第2ラベル付された複数の第2データと、ラベル付けされていない第2データD1に第2疑似ラベルL1’およびL2’が付された複数の第2データD3とを第3教師データとして機械学習させ、第3学習済モデルM3を生成してよい。当該第3学習済モデルM3は、ラベル付けされていない第2データD1を入力すると、鉄塔O1のサビ領域に対応する画素の領域を示す複数の第3疑似ラベルL1’’およびL2’’を出力するものでよい。
図9を用いて、第3学習済モデル生成ステップS34の例2について説明する。図9は、第2データの一例を示す図である。第3学習済モデル生成部153は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD11に第2疑似ラベルL11’およびL12’が付された複数の第2データD13とを第3教師データとして機械学習させ、第3学習済モデルM3を生成してよい。第3学習済モデルM3は、ラベル付けされていない第2データD11を入力すると、鉄塔O11のサビ領域に対応する画素の領域を示す複数の第3疑似ラベルL11’’およびL12’’を出力してよい。
図10を用いて、実施形態2に係る推定装置20Xによる推定方法S4について説明する。図10は、実施形態2に係る推定方法の一例を示すフローチャートである。図10に示すように、推定方法S4は、取得ステップS41と、推定ステップS42と、を含んでよい。取得ステップS41は、実施形態1における取得ステップS11と同様である。推定方法S4では、あらかじめ、生成装置10Xの通信部14が第3学習済モデルM3を推定装置20Xの通信部24に送信し、推定装置20Xの記憶部23が第3学習済モデルM3を記憶しているものとする。
推定部25Xは、取得ステップS41において取得された、ラベル付けされていない複数の第2データを、記憶部23に記憶されている第3学習済モデルM3に入力し、第3学習済モデルM3から出力される第3疑似ラベルに基づいて推定を行ってよい。推定部25Xは、第3学習済モデルM3を用いて推定を行うことにより、第2学習済モデルM2を用いて推定を行う場合に比べて、より高精度に推定を行うことができる。
図8を用いて、推定ステップS42の例1について説明する。推定部25Xは、ラベル付けされていない複数の第2データD1を第3学習済モデルM3に入力する。続いて、推定部25Xは、第3学習済モデルM3から出力される複数の第2疑似ラベルL1’’およびL2’’を、ラベル付けされていない第2データD1に付すことにより、第2データD1における鉄塔O1のサビ領域の推定を行ってよい。これにより、推定部25Xは、第2疑似ラベルL1’およびL2’よりもノイズが少ない第3疑似ラベルL1’’およびL2’’に対応する領域がサビ領域であると推定できる。
図9を用いて、推定ステップS42の例2について説明する。推定部25Xは、ラベル付けされていない複数の第2データD11を第3学習済モデルM3に入力する。推定部25Xは、第3学習済モデルM3から出力される第3疑似ラベルL11’’およびL12’’を、ラベル付けされていない第2データD11に付すことにより、第2データD11における鉄塔O11のサビ領域の推定を行ってよい。これにより、推定部25Xは、第2疑似ラベルL11’およびL12’よりノイズが少ない第3疑似ラベルL11’’およびL12’’に対応する領域がサビ領域であると推定できる。
本発明に係る情報処理システムは、実施形態2に係る情報処理システム1Yのように、生成装置10Yが、第4学習済モデルM4をさらに生成してよい。以下、図11~15を用いて、実施形態3に係る情報処理システム1Yについて説明する。説明の便宜上、上述の実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を省略する。
図11は、実施形態3に係る情報処理システムの構成の一例を示すブロック図である。情報処理システム1Yは、実施形態2に係る生成装置10Xと、推定装置20Xとの代わりに、生成装置10Yと、推定装置20Yと、を備えてよい。
生成装置10Yは、実施形態2における制御部12Xと記憶部13Xとの代わりに、制御部12Yと記憶部13Yとを備えてよい。この点以外、実施形態3に係る生成装置10Yは、実施形態2に係る生成装置10Xと同様の構成でよい。
制御部12Yは、実施形態2における生成部15Xの代わりに生成部15Yを備え、生成部15Yは、第4学習済モデルM4を生成する第4学習済モデル生成部154をさらに備えてよい。この点以外、制御部12Yは、実施形態2における制御部12Xと同様の構成でよい。生成部15Yの情報処理および第4学習済モデルM4の詳細は後述する。
記憶部13Yは、第4学習済モデルM4をさらに記憶するものでよい。この点以外、記憶部13Yは、実施形態2に係る記憶部13と同様の構成でよい。
推定装置20Yは、実施形態2における制御部22Xの代わりに、制御部22Yを備えてよい。この点以外、実施形態3に係る推定装置20Yは、実施形態2に係る推定装置20Xと同様の構成でよい。
制御部22Yは、実施形態2における推定部25Xの代わりに推定部25Yを備え、推定部25Yは、第4学習済モデルM4を用いて推定を行うものでよい。推定部25Xの情報処理の詳細は後述する。
図12~15を用いて、実施形態3に係る生成装置10Yによる生成方法S5について説明する。
第4学習済モデル生成部154は、取得ステップS51において取得された、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、第3学習済モデル生成ステップS54において生成された、第3疑似ラベルが付された複数の第2データとを第4教師データとして機械学習させ、第4学習済モデルM4を生成してよい。第4学習済モデルM4は、ラベル付けされていない第2データを入力すると複数の第4疑似ラベルを出力するものでよい。
図13を用いて、第4学習済モデル生成ステップS55の例1について説明する。図13は、第2データの一例を示す図である。第4学習済モデル生成部154は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD1に第3疑似ラベルL1’’およびL2’’が付された複数の第2データD4とを第4教師データとして機械学習させ、第4学習済モデルM4を生成してよい。当該第4学習済モデルM4は、ラベル付けされていない第2データD1を入力すると鉄塔O1のサビ領域に対応する画素の領域を示す複数の第4疑似ラベルL1’’’およびL2’’’を出力するものでよい。
図14を用いて、第4学習済モデル生成ステップS55の例2について説明する。図14は、第2データの一例を示す図である。第4学習済モデル生成部154は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD11に第3疑似ラベルL11’’およびL12’’が付された複数の第2データD13とを第3教師データとして機械学習させ、第4学習済モデルM4を生成してよい。当該第4学習済モデルM4は、ラベル付けされていない第2データD11を入力すると、複数の第4疑似ラベルL11’’’およびL12’’’’を出力するものでよい。
図15を用いて、実施形態3に係る推定装置20Yによる推定方法S2Yについて説明する。図15は、実施形態3に係る推定方法の一例を示すフローチャートである。図15に示すように、推定方法S6は、取得ステップS61と、推定ステップS62と、を含んでよい。取得ステップS61は、実施形態2における取得ステップS41と同様である。推定方法S6では、あらかじめ、生成装置10Yの通信部14が第4学習済モデルM4を推定装置20Yの通信部24に送信し、推定装置20Yの記憶部23が第4学習済モデルM4を記憶しているものとする。
推定部25Yは、取得ステップS61において取得された、ラベル付けされていない複数の第2データを、記憶部23に記憶されている第4学習済モデルM4に入力し、第4学習済モデルM4から出力される第4疑似ラベルに基づいて推定を行ってよい。推定部25Yは、第4学習済モデルM4を用いて推定を行うことにより、第3学習済モデルM3を用いて推定を行う場合に比べて、より高精度に推定できる。
図13を用いて、推定ステップS62の例1について説明する。推定部25Yは、ラベル付けされていない複数の第2データD1を第4学習済モデルM4に入力する。続いて、推定部25Yは、第4学習済モデルM4から出力される複数の第4疑似ラベルL1’’’およびL2’’’を、ラベル付けされていない第2データD1に付すことにより、第2データD1における鉄塔O1のサビ領域の推定を行ってよい。これにより、推定部25Yは、第3疑似ラベルL1’’およびL2’’よりもノイズが少ない第4疑似ラベルL1’’’およびL2’’’に対応する領域がサビ領域であると推定できる。
図14を用いて、推定ステップS62の例2について説明する。推定部25Yは、ラベル付けされていない複数の第2データD11を第4学習済モデルM4に入力する。続いて、推定部25Yは、第4学習済モデルM4から出力される第4疑似ラベルL11’’’およびL12’’’を、ラベル付けされていない第2データD11に付すことにより、第2データD11における鉄塔O11のサビ領域の推定を行ってよい。これにより、推定部25Yは、第3疑似ラベルL11’’およびL12’’よりもノイズが少ない第4疑似ラベルL11’’’およびL12’’’に対応する領域がサビ領域であると推定できる。
情報処理システム1、1Xおよび1Y(生成装置10、10X、10Yならびに推定装置20、20Xおよび20Y)の制御ブロックは、集積回路(ICチップ)などに形成された論理回路(ハードウェア)によって実現してもよいし、CPU(Central Processing Unit)を用いてソフトウェアによって実現してもよい。後者の場合、情報処理システム1、1Xおよび1Yを、図16に示すようなコンピュータ(電子計算機)を用いて構成することができる。
本発明の一態様は、以下の付記のようにも記載されうるが、以下には限られない。
学習済みモデルを生成する生成処理を複数回実行する生成部を備え、
前記生成部は、
1回目の生成処理では、
第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成し、
2回目以降の生成処理では、
前の回の生成処理において生成した学習済みモデルに対して前記第2データを入力することによって、前記第2データに付す擬似ラベルを取得し、
前記第1ラベルが付された前記第1データ、前記第2ラベルが付された前記第2データ、および、前記擬似ラベルが付された前記第2データを教師データとして用いた機械学習により学習済みモデルを生成する、生成装置。
コンピュータが、
学習済みモデルを生成する生成処理を複数回実行し、
1回目の生成処理では、
第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成し、
2回目以降の生成処理では、
前の回の生成処理において生成した学習済みモデルに対して前記第2データを入力することによって、前記第2データに付す擬似ラベルを取得し、
前記第1ラベルが付された前記第1データ、前記第2ラベルが付された前記第2データ、および、前記擬似ラベルが付された前記第2データを教師データとした機械学習により用いて学習済みモデルを生成する、生成方法。
15、15X、15Y 生成部
151 第1学習済モデル生成部
152 第2学習済モデル生成部
153 第3学習済モデル生成部
154 第4学習済モデル生成部
D1、D2、D3、D4、D5、D11、D12、D13、D14、D15 第2データ
L1、L2、L11、L12 第1疑似ラベル
L1’、L2’、L11’、L12’ 第2疑似ラベル
L1’’、L2’’、L11’’、L12’’ 第3疑似ラベル
L1’’’、L2’’’、L11’’’、L12’’’ 第4疑似ラベル
M1 第1学習済モデル
M2 第2学習済モデル
M3 第3学習済モデル
M4 第4学習済モデル
O1、O11 鉄塔(第2対象)
S1、S3、S5 生成方法
S12、S32、S52 第1学習済モデル生成ステップ
S13、S33、S53 第2学習済モデル生成ステップ
S34、S54 第3学習済モデル生成ステップ
S55 第4学習済モデル生成ステップ
以下、図1~5を用いて、実施形態1に係る情報処理システム1について説明する。
情報処理システム1は、教師データを機械学習させて学習済モデルを生成し、当該学習済モデルを用いて推定を行うことにより、各種データを処理するものでよい。図1は、実施形態1に係る情報処理システムの構成の一例を示すブロック図である。図1に示す情報処理システム1は、生成装置10と、推定装置20とを備えてよい。
生成装置10は、各種データを処理し、推定を行うために用いられる学習済モデルを生成するものでよい。図1に示すように、生成装置10は、取得部11と、制御部12と、記憶部13と、通信部14と、を備えてよい。
取得部11は、第1ラベルが付された複数の第1データおよび第2ラベルが付された複数の第2データなどの各種データを取得するものでよい。
[制御部12]
制御部12は、生成装置10の処理を制御するものでよい。図1に示すように、制御部12は、生成部15を備えてよい。
生成部15は、学習済みモデルを生成する生成処理を複数回実行する。生成部15は、1回目の生成処理では、第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成する。生成した学習済みモデルに対して対象に関するデータを入力することによって疑似ラベルが得られる。生成部15は、2回目以降の生成処理では、第1ラベルが付された第1データ、第2ラベルが付された第2データ、および、擬似ラベルが付された第2データを教師データとして用いた機械学習により学習済みモデルを生成する。このとき、第2データに付される疑似ラベルは、前の回の生成処理において生成した学習済みモデルに対して第2データを入力することによって取得されたラベルであってよい。疑似ラベルの詳細は後述する。
記憶部13は、第1データおよび第2データなどの各種データならびに第1学習済モデルM1および第2学習済モデルM2などの学習済モデルを記憶するものでよい。
通信部14は、ネットワークNを介して、推定装置20の通信部24と通信を行うものでよい。図1に示す例では、生成装置10は通信部14を備えているが、本実施形態では、生成装置10は、通信部14を備える代わりに推定装置20と一体化していてもよい。
推定装置20は、生成装置10が生成した第2学習済モデルM2などの学習済モデルを用いて各種データを処理し、推定するものでよい。図1に示すように、推定装置20は、取得部21と、制御部22と、記憶部23と、通信部24とを備えてよい。
取得部21は、ラベル付けされていない複数の第2データなどの各種データを取得するものでよい。
制御部22は、推定装置20の処理を制御するものでよい。図1に示すように、制御部22は、推定部25を備えてよい。
推定部25は、第2学習済モデルM2などの学習済モデルを用いて推定を行うものでよい。推定部25の処理の詳細は後述する。
記憶部23は、取得部21が取得した第2データおよび生成装置10の通信部14から送信された第2学習済モデルM2などの学習済モデルを記憶するものでよい。
通信部24は、ネットワークNを介して、生成装置10の通信部14と通信を行うものでよい。図1に示す例では、推定装置20は通信部24を備えているが、本実施形態では、推定装置20は、通信部24を備える代わりに生成装置10と一体化していてもよい。
以下、図2~4を用いて、実施形態1に係る生成装置10による生成方法S1について説明する。図2は、生成方法の一例を示すフローチャートである。図2に示すように、生成方法S1は、取得ステップS11と、第1学習済モデル生成ステップS12と、第2学習済モデル生成ステップS13とを含んでよい。
取得部11は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、を取得してよい。
取得部11は、鉄塔、ガードレール、工場の屋根および歩道橋などの汎用的な複数種類の構造物を含む第1対象が撮像され、第1対象のサビ領域を示すラベルが付された複数の画像データを第1データとして取得してよい。また、取得部11は、鉄塔を含む、第2対象が撮像され、第2対象のサビ領域を示すラベルが付された複数の画像データを第2データとして取得してよい。
第1学習済モデル生成部151は、取得ステップS11において取得された、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データとを第1教師データとして機械学習させ、第1学習済モデルM1を生成してよい。第1学習済モデルM1は、ラベル付けされていない第2データを入力すると、複数の第1疑似ラベルを出力するものでよい。
以下、図3を用いて、第1学習済モデル生成ステップS12の例1について説明する。図3は、第2データの一例を示す図である。第1学習済モデル生成部151は、取得ステップS11の例に記載の第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データとを第1教師データとして機械学習させ、第1学習済モデルM1を生成してよい。当該第1学習済モデルM1は、ラベル付けされていない第2データD1を入力すると、鉄塔(第2対象)O1のサビ領域に対応する画素の領域を示す複数の第1疑似ラベルL1およびL2を出力するものでよい。
以下、図4を用いて、第1学習済モデル生成ステップS12の例2について説明する。図4は、第2データの一例を示す図である。第1学習済モデル生成部151は、取得ステップS11の例に記載の第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データとを第1教師データとして機械学習させ、第1学習済モデルM1を生成してよい。当該第1学習済モデルM1は、ラベル付けされていない第2データD11を入力すると、鉄塔(第2対象)O11のサビ領域に対応する画素の領域を示す複数の第1疑似ラベルL11およびL12を出力するものでよい。
第2学習済モデル生成部152は、第1学習済モデル生成ステップS12において生成された第1学習済モデルM1に対して第2データを入力することによって、第2データに付す第1擬似ラベルを取得し、第1ラベルが付された第1データ、第2ラベルが付された第2データ、および、第1擬似ラベルが付された第2データを第2教師データとして用いた機械学習により第2学習済みモデルM2を生成する。第2学習済モデルMは、ラベル付けされていない第2データを入力すると複数の第2疑似ラベルを出力するものでよい。
以下、図3を用いて、第2学習済モデル生成ステップS13の例1について説明する。第2学習済モデル生成部152は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD1に第1疑似ラベルL1およびL2が付された複数の第2データD2とを第2教師データとして機械学習させ、第2学習済モデルM2を生成してよい。当該第2学習済モデルM2は、ラベル付けされていない第2データD1を入力すると、鉄塔O1のサビ領域に対応する画素の領域を示す複数の第2疑似ラベルL1’およびL2’を出力するものでよい。
以下、図4を用いて、第2学習済モデル生成ステップS13の例2について説明する。第2学習済モデル生成部152は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD11に第1疑似ラベルL11およびL12が付された複数の第2データD12とを第2教師データとして機械学習させ、第2学習済モデルM2を生成してよい。当該第2学習済モデルM2は、ラベル付けされていない第2データD11を入力すると鉄塔O11のサビ領域に対応する画素の領域を示す複数の第2疑似ラベルL11’およびL12’を出力するものでよい。
以下、図5を用いて、実施形態1に係る推定装置20による推定方法S2について説明する。図5は、実施形態1に係る推定方法の一例を示すフローチャートである。図5に示すように、推定方法S2は、取得ステップS21と、推定ステップS22と、を含んでよい。推定方法S2では、あらかじめ、生成装置10の通信部14が第2学習済モデルM2を推定装置20の通信部24に送信し、推定装置20の記憶部23が第2学習済モデルM2を記憶しているものとする。
取得部11は、ラベル付けされていない複数の第2データを取得する。
以下、図3を用いて、取得ステップS21の例1について説明する。取得部11は、図3の第2データD1のようなラベル付けされていない複数の第2データを取得する。
以下、図4を用いて、取得ステップS21の例2について説明する。取得部11は、図4の第2データD11のようなラベル付けされていない複数の第2データを取得する。
推定部25は、取得ステップS21において取得された、ラベル付けされていない複数の第2データを、記憶部23に記憶されている第2学習済モデルM2に入力し、第2学習済モデルM2から出力される第2疑似ラベルに基づいて推定を行ってよい。推定部25は、第2学習済モデルM2を用いて推定を行うことにより、第1学習済モデルM1を用いて推定を行う場合に比べて、より高精度に推定を行うことができる。
以下、図3を用いて、推定ステップS22の例1について説明する。推定部25は、ラベル付けされていない複数の第2データD1を第2学習済モデルM2に入力する。続いて、推定部25は、第2学習済モデルM2から出力される複数の第2疑似ラベルL1’およびL2’を、ラベル付けされていない第2データD1に付すことにより、第2データD1における鉄塔O1のサビ領域の推定(検出)を行ってよい。これにより、推定部25は、図3の第1疑似ラベルL1およびL2よりもノイズが少ない第2疑似ラベルL1’およびL2’に対応する領域がサビ領域であると推定できる。
以下、図4を用いて、推定ステップS22の例2について説明する。推定部25は、ラベル付けされていない複数の第2データD11を第2学習済モデルM2に入力する。続いて、推定部25は、第2学習済モデルM2から出力される第2疑似ラベルL11’およびL12’を、ラベル付けされていない第2データD11に付すことにより、第2データD11における鉄塔O11のサビ領域の推定を行ってよい。これにより、推定部25は、図4の第1疑似ラベルL11およびL12よりもノイズが少ない第2疑似ラベルL11’およびL12’に対応する領域がサビ領域であると推定できる。
本発明に係る情報処理システムは、実施形態2に係る情報処理システム1Xのように、生成装置10Xが、第3学習済モデルM3をさらに生成してよい。以下、図6~11を用いて、実施形態2に係る情報処理システム1Xについて説明する。説明の便宜上、上述の実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を省略する。
図6は、実施形態2に係る情報処理システムの構成の一例を示すブロック図である。情報処理システム1Xは、実施形態1に係る生成装置10と、推定装置20との代わりに、生成装置10Xと、推定装置20Xと、を備えてよい。
生成装置10Xは、実施形態1における制御部12と記憶部13との代わりに、制御部12Xと記憶部13Xとを備えてよい。この点以外、実施形態2に係る生成装置10Xは、実施形態1に係る生成装置10と同様の構成でよい。
制御部12Xは、実施形態1における生成部15の代わりに生成部15Xを備え、生成部15Xは、第3学習済モデルM3を生成する第3学習済モデル生成部153をさらに備えてよい。この点以外、制御部12Xは、実施形態1における制御部12と同様の構成でよい。生成部15Xの情報処理および第3学習済モデルM3の詳細は後述する。
記憶部13Xは、第3学習済モデルM3をさらに記憶するものでよい。この点以外、記憶部13Xは、実施形態1における記憶部13と同様の構成でよい。
推定装置20Xは、実施形態1における制御部22の代わりに、制御部22Xを備えてよい。この点以外、実施形態2に係る推定装置20Xは、実施形態1に係る推定装置20と同様の構成でよい。
制御部22Xは、実施形態1における推定部25の代わりに推定部25Xを備え、推定部25Xは、第3学習済モデルM3を用いて推定を行うものでよい。この点以外、制御部22Xは、実施形態1における制御部22と同様の構成でよい。推定部25Xの情報処理の詳細は後述する。
図7~9を用いて、実施形態2に係る生成装置10Xによる生成方法S3について説明する。図7は、生成方法の一例を示すフローチャートである。図7に示すように、生成方法S3は、取得ステップS31と、第1学習済モデル生成ステップS32と、第2学習済モデル生成ステップS33と、第3学習済モデル生成ステップS34と、を含んでよい。
第3学習済モデル生成部153は、取得ステップS31において取得された、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、第2学習済モデル生成ステップS33において生成された、第2疑似ラベルが付された複数の第2データとを第3教師データとして機械学習させ、第3学習済モデルM3を生成してよい。第3学習済モデルM3は、ラベル付けされていない第2データを入力すると複数の第3疑似ラベルを出力するものでよい。
図8を用いて、第3学習済モデル生成ステップS34の例1について説明する。図8は、第2データの一例を示す図である。第3学習済モデル生成部153は、第1ラベルが付された複数の第1データと、第2ラベル付された複数の第2データと、ラベル付けされていない第2データD1に第2疑似ラベルL1’およびL2’が付された複数の第2データD3とを第3教師データとして機械学習させ、第3学習済モデルM3を生成してよい。当該第3学習済モデルM3は、ラベル付けされていない第2データD1を入力すると、鉄塔O1のサビ領域に対応する画素の領域を示す複数の第3疑似ラベルL1’’およびL2’’を出力するものでよい。
図9を用いて、第3学習済モデル生成ステップS34の例2について説明する。図9は、第2データの一例を示す図である。第3学習済モデル生成部153は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD11に第2疑似ラベルL11’およびL12’が付された複数の第2データD13とを第3教師データとして機械学習させ、第3学習済モデルM3を生成してよい。第3学習済モデルM3は、ラベル付けされていない第2データD11を入力すると、鉄塔O11のサビ領域に対応する画素の領域を示す複数の第3疑似ラベルL11’’およびL12’’を出力してよい。
図10を用いて、実施形態2に係る推定装置20Xによる推定方法S4について説明する。図10は、実施形態2に係る推定方法の一例を示すフローチャートである。図10に示すように、推定方法S4は、取得ステップS41と、推定ステップS42と、を含んでよい。取得ステップS41は、実施形態1における取得ステップS11と同様である。推定方法S4では、あらかじめ、生成装置10Xの通信部14が第3学習済モデルM3を推定装置20Xの通信部24に送信し、推定装置20Xの記憶部23が第3学習済モデルM3を記憶しているものとする。
推定部25Xは、取得ステップS41において取得された、ラベル付けされていない複数の第2データを、記憶部23に記憶されている第3学習済モデルM3に入力し、第3学習済モデルM3から出力される第3疑似ラベルに基づいて推定を行ってよい。推定部25Xは、第3学習済モデルM3を用いて推定を行うことにより、第2学習済モデルM2を用いて推定を行う場合に比べて、より高精度に推定を行うことができる。
図8を用いて、推定ステップS42の例1について説明する。推定部25Xは、ラベル付けされていない複数の第2データD1を第3学習済モデルM3に入力する。続いて、推定部25Xは、第3学習済モデルM3から出力される複数の第2疑似ラベルL1’’およびL2’’を、ラベル付けされていない第2データD1に付すことにより、第2データD1における鉄塔O1のサビ領域の推定を行ってよい。これにより、推定部25Xは、第2疑似ラベルL1’およびL2’よりもノイズが少ない第3疑似ラベルL1’’およびL2’’に対応する領域がサビ領域であると推定できる。
図9を用いて、推定ステップS42の例2について説明する。推定部25Xは、ラベル付けされていない複数の第2データD11を第3学習済モデルM3に入力する。推定部25Xは、第3学習済モデルM3から出力される第3疑似ラベルL11’’およびL12’’を、ラベル付けされていない第2データD11に付すことにより、第2データD11における鉄塔O11のサビ領域の推定を行ってよい。これにより、推定部25Xは、第2疑似ラベルL11’およびL12’よりノイズが少ない第3疑似ラベルL11’’およびL12’’に対応する領域がサビ領域であると推定できる。
本発明に係る情報処理システムは、実施形態2に係る情報処理システム1Yのように、生成装置10Yが、第4学習済モデルM4をさらに生成してよい。以下、図11~15を用いて、実施形態3に係る情報処理システム1Yについて説明する。説明の便宜上、上述の実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を省略する。
図11は、実施形態3に係る情報処理システムの構成の一例を示すブロック図である。情報処理システム1Yは、実施形態2に係る生成装置10Xと、推定装置20Xとの代わりに、生成装置10Yと、推定装置20Yと、を備えてよい。
生成装置10Yは、実施形態2における制御部12Xと記憶部13Xとの代わりに、制御部12Yと記憶部13Yとを備えてよい。この点以外、実施形態3に係る生成装置10Yは、実施形態2に係る生成装置10Xと同様の構成でよい。
制御部12Yは、実施形態2における生成部15Xの代わりに生成部15Yを備え、生成部15Yは、第4学習済モデルM4を生成する第4学習済モデル生成部154をさらに備えてよい。この点以外、制御部12Yは、実施形態2における制御部12Xと同様の構成でよい。生成部15Yの情報処理および第4学習済モデルM4の詳細は後述する。
記憶部13Yは、第4学習済モデルM4をさらに記憶するものでよい。この点以外、記憶部13Yは、実施形態2に係る記憶部13と同様の構成でよい。
推定装置20Yは、実施形態2における制御部22Xの代わりに、制御部22Yを備えてよい。この点以外、実施形態3に係る推定装置20Yは、実施形態2に係る推定装置20Xと同様の構成でよい。
制御部22Yは、実施形態2における推定部25Xの代わりに推定部25Yを備え、推定部25Yは、第4学習済モデルM4を用いて推定を行うものでよい。推定部25Xの情報処理の詳細は後述する。
図12~15を用いて、実施形態3に係る生成装置10Yによる生成方法S5について説明する。
第4学習済モデル生成部154は、取得ステップS51において取得された、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、第3学習済モデル生成ステップS54において生成された、第3疑似ラベルが付された複数の第2データとを第4教師データとして機械学習させ、第4学習済モデルM4を生成してよい。第4学習済モデルM4は、ラベル付けされていない第2データを入力すると複数の第4疑似ラベルを出力するものでよい。
図13を用いて、第4学習済モデル生成ステップS55の例1について説明する。図13は、第2データの一例を示す図である。第4学習済モデル生成部154は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD1に第3疑似ラベルL1’’およびL2’’が付された複数の第2データD4とを第4教師データとして機械学習させ、第4学習済モデルM4を生成してよい。当該第4学習済モデルM4は、ラベル付けされていない第2データD1を入力すると鉄塔O1のサビ領域に対応する画素の領域を示す複数の第4疑似ラベルL1’’’およびL2’’’を出力するものでよい。
図14を用いて、第4学習済モデル生成ステップS55の例2について説明する。図14は、第2データの一例を示す図である。第4学習済モデル生成部154は、第1ラベルが付された複数の第1データと、第2ラベルが付された複数の第2データと、ラベル付けされていない第2データD11に第3疑似ラベルL11’’およびL12’’が付された複数の第2データD13とを第3教師データとして機械学習させ、第4学習済モデルM4を生成してよい。当該第4学習済モデルM4は、ラベル付けされていない第2データD11を入力すると、複数の第4疑似ラベルL11’’’およびL12’’’’を出力するものでよい。
図15を用いて、実施形態3に係る推定装置20Yによる推定方法S2Yについて説明する。図15は、実施形態3に係る推定方法の一例を示すフローチャートである。図15に示すように、推定方法S6は、取得ステップS61と、推定ステップS62と、を含んでよい。取得ステップS61は、実施形態2における取得ステップS41と同様である。推定方法S6では、あらかじめ、生成装置10Yの通信部14が第4学習済モデルM4を推定装置20Yの通信部24に送信し、推定装置20Yの記憶部23が第4学習済モデルM4を記憶しているものとする。
推定部25Yは、取得ステップS61において取得された、ラベル付けされていない複数の第2データを、記憶部23に記憶されている第4学習済モデルM4に入力し、第4学習済モデルM4から出力される第4疑似ラベルに基づいて推定を行ってよい。推定部25Yは、第4学習済モデルM4を用いて推定を行うことにより、第3学習済モデルM3を用いて推定を行う場合に比べて、より高精度に推定できる。
図13を用いて、推定ステップS62の例1について説明する。推定部25Yは、ラベル付けされていない複数の第2データD1を第4学習済モデルM4に入力する。続いて、推定部25Yは、第4学習済モデルM4から出力される複数の第4疑似ラベルL1’’’およびL2’’’を、ラベル付けされていない第2データD1に付すことにより、第2データD1における鉄塔O1のサビ領域の推定を行ってよい。これにより、推定部25Yは、第3疑似ラベルL1’’およびL2’’よりもノイズが少ない第4疑似ラベルL1’’’およびL2’’’に対応する領域がサビ領域であると推定できる。
図14を用いて、推定ステップS62の例2について説明する。推定部25Yは、ラベル付けされていない複数の第2データD11を第4学習済モデルM4に入力する。続いて、推定部25Yは、第4学習済モデルM4から出力される第4疑似ラベルL11’’’およびL12’’’を、ラベル付けされていない第2データD11に付すことにより、第2データD11における鉄塔O11のサビ領域の推定を行ってよい。これにより、推定部25Yは、第3疑似ラベルL11’’およびL12’’よりもノイズが少ない第4疑似ラベルL11’’’およびL12’’’に対応する領域がサビ領域であると推定できる。
情報処理システム1、1Xおよび1Y(生成装置10、10X、10Yならびに推定装置20、20Xおよび20Y)の制御ブロックは、集積回路(ICチップ)などに形成された論理回路(ハードウェア)によって実現してもよいし、CPU(Central Processing Unit)を用いてソフトウェアによって実現してもよい。後者の場合、情報処理システム1、1Xおよび1Yを、図16に示すようなコンピュータ(電子計算機)を用いて構成することができる。
本発明の一態様は、以下の付記のようにも記載されうるが、以下には限られない。
学習済みモデルを生成する生成処理を複数回実行する生成部を備え、
前記生成部は、
1回目の生成処理では、
第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成し、
2回目以降の生成処理では、
前の回の生成処理において生成した学習済みモデルに対して前記第2データを入力することによって、前記第2データに付す擬似ラベルを取得し、
前記第1ラベルが付された前記第1データ、前記第2ラベルが付された前記第2データ、および、前記擬似ラベルが付された前記第2データを教師データとして用いた機械学習により学習済みモデルを生成する、生成装置。
コンピュータが、
学習済みモデルを生成する生成処理を複数回実行し、
1回目の生成処理では、
第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成し、
2回目以降の生成処理では、
前の回の生成処理において生成した学習済みモデルに対して前記第2データを入力することによって、前記第2データに付す擬似ラベルを取得し、
前記第1ラベルが付された前記第1データ、前記第2ラベルが付された前記第2データ、および、前記擬似ラベルが付された前記第2データを教師データとした機械学習により用いて学習済みモデルを生成する、生成方法。
15、15X、15Y 生成部
151 第1学習済モデル生成部
152 第2学習済モデル生成部
153 第3学習済モデル生成部
154 第4学習済モデル生成部
D1、D2、D3、D4、D5、D11、D12、D13、D14、D15 第2データL1、L2、L11、L12 第1疑似ラベル
L1’、L2’、L11’、L12’ 第2疑似ラベル
L1’’、L2’’、L11’’、L12’’ 第3疑似ラベル
L1’’’、L2’’’、L11’’’、L12’’’ 第4疑似ラベル
M1 第1学習済モデル
M2 第2学習済モデル
M3 第3学習済モデル
M4 第4学習済モデル
O1、O11 鉄塔(第2対象)
S1、S3、S5 生成方法
S12、S32、S52 第1学習済モデル生成ステップ
S13、S33、S53 第2学習済モデル生成ステップ
S34、S54 第3学習済モデル生成ステップ
S55 第4学習済モデル生成ステップ
Claims (5)
- 学習済みモデルを生成する生成処理を複数回実行する生成部を備え、
前記生成部は、
1回目の生成処理では、
第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成し、
2回目以降の生成処理では、
前の回の生成処理において生成した学習済みモデルに対して前記第2データを入力することによって、前記第2データに付す擬似ラベルを取得し、
前記第1ラベルが付された前記第1データ、前記第2ラベルが付された前記第2データ、および、前記擬似ラベルが付された前記第2データを教師データとして用いた機械学習により学習済みモデルを生成する、生成装置。 - 前記生成部は、2回目以降の生成処理において、教師データとして用いる前記第2ラベルが付された前記第2データと、前記擬似ラベルが付された前記第2データとの割合を、回が進むにつれて、前記擬似ラベルが付された前記第2データの割合が高くなるように変更する、請求項1に記載の生成装置。
- 前記第1対象は、前記第2対象を包括する対象、または、前記第2対象に類似する対象である、請求項1または2に記載の生成装置。
- 請求項1に記載の生成装置としてコンピュータを機能させるための生成プログラムであって、前記生成部としてコンピュータを機能させるための生成プログラム。
- コンピュータが、
学習済みモデルを生成する生成処理を複数回実行し、
1回目の生成処理では、
第1対象に関する複数の第1データであって、各々に第1ラベルが付された複数の第1データ、および、第1対象とは異なる第2対象に関する第2データであって、各々に第2ラベルが付された複数の第2データを教師データとして用いた機械学習により学習済みモデルを生成し、
2回目以降の生成処理では、
前の回の生成処理において生成した学習済みモデルに対して前記第2データを入力することによって、前記第2データに付す擬似ラベルを取得し、
前記第1ラベルが付された前記第1データ、前記第2ラベルが付された前記第2データ、および、前記擬似ラベルが付された前記第2データを教師データとした機械学習により用いて学習済みモデルを生成する、生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022050447A JP7280993B1 (ja) | 2022-03-25 | 2022-03-25 | 生成装置、生成方法および生成プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022050447A JP7280993B1 (ja) | 2022-03-25 | 2022-03-25 | 生成装置、生成方法および生成プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7280993B1 JP7280993B1 (ja) | 2023-05-24 |
JP2023143197A true JP2023143197A (ja) | 2023-10-06 |
Family
ID=86395945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022050447A Active JP7280993B1 (ja) | 2022-03-25 | 2022-03-25 | 生成装置、生成方法および生成プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7280993B1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019016298A (ja) * | 2017-07-10 | 2019-01-31 | キヤノン株式会社 | 画像処理装置、画像処理方法 |
WO2019176407A1 (ja) * | 2018-03-16 | 2019-09-19 | 富士フイルム株式会社 | 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル |
-
2022
- 2022-03-25 JP JP2022050447A patent/JP7280993B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019016298A (ja) * | 2017-07-10 | 2019-01-31 | キヤノン株式会社 | 画像処理装置、画像処理方法 |
WO2019176407A1 (ja) * | 2018-03-16 | 2019-09-19 | 富士フイルム株式会社 | 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル |
Also Published As
Publication number | Publication date |
---|---|
JP7280993B1 (ja) | 2023-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Assimakopoulos et al. | The theta model: a decomposition approach to forecasting | |
US20210056351A1 (en) | Multi-scale aware pedestrian detection method based on improved full convolutional network | |
JP5682569B2 (ja) | 色彩解析装置、色彩解析方法、及び色彩解析プログラム | |
CN109146912A (zh) | 一种基于目标性分析的视觉目标跟踪方法 | |
WO2020240808A1 (ja) | 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム | |
US8001061B2 (en) | First and second unsupervised learning processes combined using a supervised learning apparatus | |
CN114429577A (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
JP2023143197A (ja) | 生成装置、生成方法および生成プログラム | |
CN117516937A (zh) | 基于多模态特征融合增强的滚动轴承未知故障检测方法 | |
JP2002082985A (ja) | 画像検索装置及び方法並びに画像検索プログラムを記録した記憶媒体 | |
Zarepisheh et al. | Determination of returns to scale by CCR formulation without chasing down alternative optimal solutions | |
TW202109388A (zh) | 依據同目標求職者履歷產生履歷修改建議之系統及方法 | |
Huang et al. | A harmonic means pooling strategy for structural similarity index measurement in image quality assessment | |
JP2023069083A (ja) | 学習装置、学習方法、学習プログラム、物体検出装置、物体検出方法、物体検出プログラム、学習支援システム、学習支援方法及び学習支援プログラム | |
JPH08263522A (ja) | 画像検索方法 | |
JPH04182860A (ja) | 画像セグメンテーション方法 | |
JP2004094379A (ja) | 類似画像検索装置 | |
JP2011141664A (ja) | 文書比較装置、文書比較方法、及びプログラム | |
JP4821116B2 (ja) | 表示制御装置、表示制御処理のプログラム | |
CN111539490B (zh) | 一种业务模型训练方法和装置 | |
US20220350826A1 (en) | Question answering apparatus and method | |
WO2023053365A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
US12002254B2 (en) | Method and apparatus of training object detection network and object detection method and apparatus | |
JP7265690B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN112581528B (zh) | 一种基于主动学习的衣物关键点辅助标注及预测优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220325 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230213 |
|
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: 20230425 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230512 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7280993 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |