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
【課題】推定精度が高い学習済モデルを効率的に生成する。【解決手段】生成装置（１０）は、生成処理を複数回実行する生成部（１５）を備え、生成部（１５）は、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（Ｍ１、Ｍ２）を用いて擬似ラベルを取得し、擬似ラベルが付されたデータを含む教師データを用いた機械学習により学習済みモデルを生成する。【選択図】図１
Description
本発明は、生成装置、生成方法および生成プログラムに関する。
データを処理するために、教師データを機械学習させて生成した学習済モデルを用いることがある。例えば、対象物が撮像された画像データなどのデータから特定の領域を検出する場合、画像データ中の各領域を特定したラベルを手作業によって付すことにより、アノテーションを行った教師データを機械学習させて生成した学習済モデルを用いる。
通常、学習済モデルから出力される出力結果の精度を向上させるためには、アノテーションが行われたデータを教師データとして大量に必要とする。しかしながら、特に、手作業でのアノテーションを行う場合、アノテーションが行われたデータを大量に取得するのは困難であり、時間や費用などのコストがかかる。また、複数人によりアノテーションを分担する場合、作業者であるユーザがアノテーションを行う際の判断基準が異なるため、最終的に生成される学習済モデルの精度が悪くなる。
機械学習させるために必要なアノテーションが行われたデータを取得する技術として、例えば、特許文献１には、医用に関するデータを取得する取得部と、第１モデルと第２モデルとを用いて生成され、医用に関するデータを入力してラベル付けされたデータを出力する第３モデルを有する処理部と、を備える医用情報処理装置が記載されている。
第１モデルには、ラベル付けされた複数のデータセットを用いて機械学習させている。第２モデルには、第１モデルにラベル付けされていない複数のデータを入力して得られる第１擬似ラベルと、第１モデルに入力されたラベル付けされていない複数のデータと、ラベル付けされた複数のデータセットとを用いて機械学習させている。第３モデルには、第２モデルにラベル付けされていない複数のデータを適用して得られる第２擬似ラベルと、第２モデルに入力されたラベル付けされていない複数のデータと、ラベル付けされた複数のデータセットとを用いて機械学習させている。
しかしながら、特許文献１に記載されているような従来技術は、ラベル付けされたデータに基づいて、ラベルなしデータに付された疑似ラベルが正確であるか否かをユーザが判定しているため、高精度な出力結果を出力できる学習済モデルを効率的に生成することができない。すなわち、特許文献１に記載されているような従来技術は、アノテーションが行われたデータに基づいて、当該学習済モデルを効率的に生成できない。
本発明の一態様に係る生成装置は、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。
本発明の一態様に係る生成方法は、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て用いた機械学習により学習済みモデルを生成する。
＜実施形態１＞
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。
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〕
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。
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〕
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。
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］
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。
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。
第１データおよび第２データとしては、ラベル付け可能なデータであれば特に限定されないが、生成装置１０に効果的に適用できるものとしては、それぞれ、第１対象、および第１対象を包括するか、または第１対象に類似する第２対象に関する画像データ、文字データおよび音データなどが挙げられる。第１データおよび第２データの詳細は後述する。
第１ラベルおよび第２ラベルは、第１データおよび第２データに紐づけられるものであれば特に限定されない。第１データおよび第２データが画像データである場合、第１ラベルおよび第２ラベルとしては、例えば、第１対象および第２対象のそれぞれにおける少なくとも一部の領域を示すラベルなどが挙げられる。第２ラベルは、第１ラベルよりも低い精度でよい。第１ラベルおよび第２ラベルの詳細は後述する。
［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。
［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）
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。
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。
本実施形態では、生成部１５は、第１学習済モデルＭ１を生成する第１学習済モデル生成部１５１と、第２学習済モデルＭ２を生成する第２学習済モデル生成部１５２と、を備えてよい。生成部１５の処理、第１学習済モデルＭ１および第２学習済モデルＭ２の詳細は後述する。
［記憶部１３］
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。
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］
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。
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〕
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。
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］
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。
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］
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。
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）
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。
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］
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。
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］
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。
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。
〔生成方法Ｓ１〕
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。
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。
［取得ステップＳ１１］
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、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が取得する第１データおよび第２データの数は、特に限定されないが、例えば、第１データの数としては、１００以上２００以下、第２データの数としては、２９５０以上３０５０以下が挙げられる。このように、取得部１１が取得する、第１ラベルよりも低い精度の第２ラベルが付された第２データの数は、第１データの数よりも多くてよい。
（取得ステップＳ１１の例）
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。
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。
上述の例のように、第１データおよび第２データが画像データを含む場合、生成装置１０に効果的に適用できる第１対象は、例えば、（１）複数種類の構造物、（２）複数の工場のパイプ、（３）複数種類の通路を有する街および（４）複数種類の口紅を含む化粧品などが挙げられる。この場合、第２対象としては、（１）鉄塔、ガードレール、工場の屋根または歩道橋、（２）特定の工場のパイプ、（３）特定の通路および（４）特定の口紅などが挙げられる。
第１データおよび第２データが文字データを含む場合、生成装置１０に効果的に適用できる第１対象としては、例えば、（１）複数の企業の履歴書、（２）複数のジャンルのニュースの概要および（３）複数の企業のチャットボットなどが挙げられる。この場合、第２対象としては、（１）特定の企業の履歴書、（２）特定のジャンルのニュースの概要および（３）特定の企業のチャットボットなどが挙げられる。
第１データおよび第２データが音データを含む場合、生成装置１０に効果的に適用できる第１対象としては、（１）複数の環境における人の音声、（２）複数の企業向けの合成音声および（３）複数の声質などが挙げられる。この場合、第２対象としては、（１）特定の環境における人の音声、（２）特定の環境における合成音声および（３）特定の声質などが挙げられる。
また、上述の例のように、第１データおよび第２データが画像データを含み、第１ラベルおよび第２ラベルが、第１対象および第２対象のそれぞれの少なくとも一部を示す領域を含む場合、生成装置１０に効果的に適用できる領域としては、例えば、（１）サビ領域、（２）穴領域、（３）物体領域および（４）口紅の適正範囲外領域などが挙げられる。
第１ラベルおよび第２ラベルがそれぞれ第１対象および第２対象のサビ領域を示す場合、これらのラベルは、第１データにおける第１対象および第２データにおける第２対象の各領域がサビているかどうか、ユーザが手作業にてアノテーションすることにより、第１データおよび第２データに付されたものでよい。
ラベル付けは、人手により、第１データの第１対象および第２データの第２対象の各領域を判定することによって行われてよい。例えば、ラベル付けは、人手により、第１データの第１対象および第２データの第２対象の各領域がサビているかどうかを判定し、サビ領域を抽出することによって行われてよい。
一例として、サビ領域の抽出は、ユーザが、領域選択ツールを用いて、サビていると判定したサビ領域に対応する画素のＲＧＢ値（Ｒ：赤、Ｇ：緑、Ｂ：青）をＨＳＶ値（Ｈ：色相、Ｓ：彩度、Ｖ：明度）に変換し、サビていないと判定した非サビ領域を除外することにより行われてよい。
また、サビの度合いに応じて、サビ領域に対応する画素のＨＳＶ値、すなわち、色相、彩度および明度の少なくとも１つが異なっていてもよい。一例として、サビの度合いは、以下の表１に示すように、サビの度合いと、ＨＳＶ値を構成するＨ値（０以上１８０以下）、Ｓ値（０以上２５５以下）およびＶ値（０以上２５５以下）のそれぞれの値の範囲との対応関係に基づいて決定されてよい。この場合、サビ領域のサビの度合いが強いと、サビ領域に対応する画素の色相は赤色を示し、サビ領域のサビの度合いが弱いと、サビ領域に対応する画素の色相は黄色を示してよい。
サビの度合いを判定することはユーザにとっても難しく、特に、第１データおよび第２データが４Ｋの画像データである場合、ユーザがサビを誤判定した領域や見逃した領域などのノイズもありうる。これに対し、第１学習済モデル生成ステップＳ１２および第２学習済モデル生成ステップＳ１３を行うことにより、ノイズが、人手での修正によらず、効率的に修正されたラベルを出力する学習済モデルを生成しやすくなる。
また、第１ラベルおよび第２ラベルが示す、第１対象および第２対象のそれぞれの少なくとも一部を示す領域が、穴領域、物体領域または口紅の適正範囲外領域である場合でも、これらの領域に該当するか否かの判定は、サビ領域と同様に、人手により行われてよい。当該判定は、ＲＧＢ値が変換されたＨＳＶ値を構成するＨ値、Ｓ値およびＶ値の少なくとも１つに応じて行われてよく、例えば、第１対象および第２対象のそれぞれの少なくとも一部を示す領域が穴領域、物体領域または口紅の適正範囲外領域に該当する可能性の高さに応じて、当該領域の色相、彩度および明度の少なくとも１つが異なっていてもよい。
［第１学習済モデル生成ステップＳ１２］
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。
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。
第１教師データにおける第１ラベルが付された第１データおよび第２ラベルが付された第２データの数は、特に限定されないが、例えば、取得ステップＳ１１において取得される第１データおよび第２データの数と同様でよい。
第１学習済モデル生成部１５１は、汎用的な多種多用の第１対象が撮像された第１データを第１教師データとして用いることにより、第１対象を包括するか、または第１対象に類似する第２対象の範囲を拡大することができる。これにより、第１対象と第２対象とが同一でなくても、第１学習済モデル生成部１５１は、高精度の第１ラベルが付された第１データに基づいて低い精度の第２ラベルが付された第２データを新たに精度よくアノテーションを行うことができる。
また、第１学習済モデル生成部１５１は、第１データを第１教師データとして用いることにより、第１教師データにおける、第１ラベルよりも低い精度の第２ラベルが付された第２データの数が第１データの数よりも多くても、第２データを新たに精度よくアノテーションできる。
例えば、第１データの数が、１００以上２００以下、第２データの数が、２９５０以上３０５０以下など、第２データとの数が第１データの数より大幅に多くても、第１学習済モデル生成部１５１は、第２データをアノテーションできる。
この場合、第２学習済モデル生成部１５２が、第１学習済モデルＭ１から出力される大量の疑似第１データを第２データに付して教師データとして使用することより、結果的に、第１学習済モデル生成部１５１は、第２データをアノテーションできる。
第１学習済モデル生成部１５１は、サビ領域に対応する画素の色相、彩度および明度の少なくとも１つに基づき、機械学習に教師データとして用いるデータを決定してよい。
これにより、第１学習済モデル生成部１５１は、サビの度合いが強い領域を示すラベルが付されたデータを教師データに決定し、サビ領域と非サビ領域とが明確に分かれているデータにアノテーションを行うことができる。また、当該データに付されたラベルに、サビの度合いが弱い領域が含まれていても、第１学習済モデル生成部１５１は、人手によるラベルの修正なしに、当該データを自動的にアノテーションすることができる。後述の第２学習済モデル生成部１５２、第３学習済モデル生成部１５３および第４学習済モデル生成部１５４も、上述の例と同様に、教師データとして用いるデータを決定してよい。
（第１学習済モデル生成ステップＳ１２の例１）
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。
（第１学習済モデル生成ステップＳ１２の例２）
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。
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学習済モデル生成ステップＳ１３］
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。
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。
第２教師データにおける第１データおよび第２データの数は、特に限定されないが、例えば、第１教師データにおける第１データおよび第２データの数と同様でよい。一例として、第１教師データにおける第１データの数が１００、第２データの数が３０００である場合、第２教師データにおける第１データの数は１００、第２データの数は３０００でよい。また、第２教師データにおける第２ラベルが付された第２データの割合は、第１教師データにおける第２ラベルが付された第２データの割合よりも低くてよい。
第２教師データにおける第１疑似ラベルが付された第２データの数は特に限定されないが、一例として、第１教師データにおける第２ラベルが付された第２データの割合を「１０」、第１疑似ラベルが付された第２データの割合を「０」、第２教師データにおける第２ラベルが付された第２データの割合を「７」とすると、第２教師データにおける第１疑似ラベルが付された第２データの割合は「３」でよい。
この場合、第２教師データでは、第１教師データにおける第２データに付された第２ラベルの一部が第１疑似ラベルに置き換えられていてもよい。これにより、第２学習済モデル生成部１５２は、第２データに付された低い精度の第２ラベルを段階的に修正できる。
一例として、第２教師データにおける第２データの数が３０００であり、第１学習済モデルＭ１から出力される第１疑似ラベルの数が３０００である場合について説明する。この場合、第２教師データにおける第２ラベルが付された第２データの割合が「７」、第１疑似ラベルが付された第２データの割合が「３」、かつ、これらの第２データの合計の数が３０００となるように、第２学習済モデル生成部１５２は、３０００個の第２ラベルが付された第２データと、３０００個の第１疑似ラベルが付された第２データとの中から第２教師データとして用いる第２データを決定してよい。
第１疑似ラベルは、取得部１１が取得した第２データに付されたラベルに比べて低い精度から高精度なものまでばらつきがあるが、ラベルが付されていない第２データを第１学習済モデルＭ１に入力するだけで効率的に大量に出力される。そのため、第２学習済モデル生成部１５２は、ラベルが付されていない第２データに第１疑似ラベルを付すだけで、第２教師データを効率的かつ大量に生成することができる。
また、第２学習済モデル生成部１５２が、ラベルが付されていない第２データに第１疑似ラベルを付すことは、第２データに付された第２ラベルを第１疑似ラベルに更新することでもある。そのため、第２学習済モデル生成部１５２は、ラベルが付されていない第２データに第１疑似ラベルを付すだけで、人手によるラベルの修正なしに、第２データに対して自動的にアノテーションを行うことができる。これにより、第２学習済モデル生成部１５２は、第１疑似ラベルよりも高精度な第２疑似ラベルを大量に出力する第２学習済モデルＭ２を効率的に生成することができる。
（第２学習済モデル生成ステップＳ１３の例１）
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。
これにより、第２学習済モデル生成部１５２は、第１データおよび第２データを両方活用しながら、人手での修正が難しい、低い精度のラベルが付された大量の第２データを自動的かつ効率的に修正することができる。その結果、第２教師データが高精度となるため、第２学習済モデル生成部１５２は、より高精度な出力結果を出力可能な第２学習済モデルＭ２を生成することができる。
例えば、図３の第２データＤ３に付された第２疑似ラベルＬ１’およびＬ２’は、第２データＤ２に付された第１疑似ラベルＬ１およびＬ２よりもサビ領域が少ない。このように、第１学習済モデル生成部１５１と、第２学習済モデル生成部１５２とを備える生成部１５は、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことによりノイズを減らすことができる。
（第２学習済モデル生成ステップＳ１３の例２）
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。
図４に示すように、第２データＤ１３に付された第２疑似ラベルＬ１１’およびＬ１２’のほうが、第２データＤ１２に付された第１疑似ラベルＬ１１およびＬ１２よりもサビ領域が少ない。このように、生成部１５は、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことにより、ノイズを減らすことができる。
〔推定方法Ｓ２〕
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。
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。
［取得ステップＳ２１］
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。
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。
（取得ステップＳ２１の例１）
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。
（取得ステップＳ２１の例２）
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。
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。
［推定ステップＳ２２］
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。
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。
（推定ステップＳ２２の例１）
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。
（推定ステップＳ２２の例２）
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。
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。
＜実施形態２＞
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。
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。
〔情報処理システム１Ｘ〕
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。
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〕
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。
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］
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。
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］
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。
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〕
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。
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］
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。
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。
〔生成方法Ｓ３〕
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。
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。
取得ステップＳ３１、第１学習済モデル生成ステップＳ３２および第２学習済モデル生成ステップＳ３３は、実施形態１における取得ステップＳ１１、第１学習済モデル生成ステップＳ１２および第２学習済モデル生成ステップＳ１３と同様である。
［第３学習済モデル生成ステップＳ３４］
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。
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。
第３教師データにおける第１データおよび第２データの数は、特に限定されないが、例えば、第２教師データにおける第１データおよび第２データの数と同様でよい。一例として、第２教師データにおける第１データの数が１００、第２データの数が３０００である場合、第３教師データにおける第１データの数は１００、第２データの数は３０００でよい。また、第３教師データにおける第２データの割合は、第２教師データにおける第２データの割合よりも低くてよい。
第３教師データにおける第２疑似ラベルが付された第２データの数は特に限定されないが、一例として、第１教師データにおける第２ラベルが付された第２データの割合を「１０」、第１疑似ラベルが付された第２データの割合を「０」、第２教師データにおける第２ラベルが付された第２データの割合を「７」、第１疑似ラベルが付された第２データの割合を「３」とすると、第３教師データにおける第２ラベルが付された第２データの割合は「５」、第２疑似ラベルが付された第２データの割合は「５」でよい。
この場合、第３教師データでは、第２教師データにおける第２データに付された第２ラベルの一部が第２疑似ラベルに置き換えられていてもよい。これにより、第３学習済モデル生成部１５３は、第２データに付された低い精度の第２ラベルを段階的に修正できる。
一例として、第３教師データにおける第２データの数が３０００であり、第２学習済モデルＭ２から出力される第２疑似ラベルの数が３０００である場合について説明する。この場合、第３教師データにおける第２ラベルが付された第２データの割合が「５」、第２疑似ラベルが付された第２データの割合が「５」、かつ、これらの第２データの合計の数が３０００となるように、第２学習済モデル生成部１５２は、３０００個の第２ラベルが付された第２データと、３０００個の第２疑似ラベルが付された第２データとの中から第３教師データとして用いる第２データを決定してよい。
第３学習済モデル生成部１５３は、ラベルが付されていない第２データに第２疑似ラベルを付すだけで、第３教師データを大量に生成することができる。また、第３学習済モデル生成部１５３は、ラベルが付されていない第２データに第２疑似ラベルを付すだけで、第２データに対して自動的にアノテーションを行うことができる。これにより、第３学習済モデル生成部１５３は、第２疑似ラベルよりも高精度な第３疑似ラベルを大量に出力する第３学習済モデルＭ３を効率的に生成できる。
（第３学習済モデル生成ステップＳ３４の例１）
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。
これにより、第３学習済モデル生成部１５３は、第１データおよび第２データを両方活用しながら、人手での修正が難しい、低い精度のラベルが付された大量の第２データを自動的かつ効率的に修正することができる。その結果、第３教師データが高精度となるため、第３学習済モデル生成部１５３は、より高精度な出力結果を出力可能な第３学習済モデルＭ３を生成することができる。
例えば、図８の第２データＤ４に付された第３疑似ラベルＬ１’’およびＬ２’’は、第２データＤ３に付された第２疑似ラベルＬ１’およびＬ２’よりサビ領域が少ない。このように、第１学習済モデル生成部１５１と、第２学習済モデル生成部１５２と、第３学習済モデル生成部１５３とを備える生成部１５Ｘは、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことによりノイズを減らすことができる。
（第３学習済モデル生成ステップＳ３４の例２）
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９に示すように、第２データＤ１４に付された第３疑似ラベルＬ１１’’およびＬ１２’’は、第２データＤ１３に付された第２疑似ラベルＬ１１’およびＬ１２’よりもサビ領域が少ない。このように、生成部１５Ｘは、教師データにおける第２ラベルが付された第２データの割合が段階的に減り、疑似ラベルが付された第２データの割合が増えることにより、ノイズを減らすことができる。
〔推定方法Ｓ４〕
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。
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。
［推定ステップＳ４２］
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。
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。
（推定ステップＳ４２の例１）
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。
（推定ステップＳ４２の例２）
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。
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。
＜実施形態３＞
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。
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。
〔情報処理システム１Ｙ〕
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。
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〕
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。
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］
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。
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］
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。
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〕
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。
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］
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。
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。
〔生成方法Ｓ５〕
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。
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。
図１２は、生成方法の一例を示すフローチャートである。図１２に示すように、生成方法Ｓ５は、取得ステップＳ５１と、第１学習済モデル生成ステップＳ５２と、第２学習済モデル生成ステップＳ５３と、第３学習済モデル生成ステップＳ５４と、第４学習済モデル生成ステップＳ５５と、を含んでよい。
取得ステップＳ５１、第１学習済モデル生成ステップＳ５２、第２学習済モデル生成ステップＳ５３および第３学習済モデル生成ステップＳ５４は、実施形態２における取得ステップＳ３１、第１学習済モデル生成ステップＳ３２、第２学習済モデル生成ステップＳ３３および第３学習済モデル生成ステップＳ３４と同様である。
［第４学習済モデル生成ステップＳ５５］
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。
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。
第４教師データにおける第１データおよび第２データの数は、特に限定されないが、例えば、第３教師データにおける第１データおよび第２データの数と同様でよい。一例として、第３教師データにおける第１データの数が１００、第２データの数が３０００である場合、第４教師データにおける第１データの数は１００、第２データの数は３０００でよい。また、第４教師データにおける第２データの割合は、第３教師データにおける第２データの割合よりも低くてよい。
第４教師データにおける第３疑似ラベルが付された第２データの数は特に限定されないが、一例として、第１教師データにおける第２ラベルが付された第２データの割合を「１０」、第１疑似ラベルが付された第２データの割合を「０」、第２教師データにおける第２ラベルが付された第２データの割合を「７」、第１疑似ラベルが付された第２データの割合を「３」、第３教師データにおける第２ラベルが付された第２データの割合を「５」、第２疑似ラベルが付された第２データの割合を「５」とすると、第４教師データにおける第２ラベルが付された第２データの割合は「３」、第２疑似ラベルが付された第２データの割合は「７」でよい。
このように、一例において、第１教師データにおける第２ラベルが付された第２データと第１疑似ラベルが付された第２データとの割合は１０：０、第２教師データにおける第２ラベルが付された第２データと第１疑似ラベルが付された第２データとの割合は８：２～６：４、第３教師データにおける第２ラベルが付された第２データと第２疑似ラベルが付された第２データとの割合は６：４～４：６、第４教師データにおける第２ラベルが付された第２データと第３疑似ラベルが付された第２データとの割合は４：６～２：８でよい。これにより、第２ラベルが付された第２データの割合が段階的に少なくなり、疑似ラベルが付された第２データの割合が段階的に多くなるとともに、疑似ラベルの精度が段階的に高くなる。その結果、生成部１５Ｙが学習済モデルを生成するごとに、学習済モデルから出力される出力結果の精度を向上させることができる。
この場合、第４教師データでは、第３教師データにおける第２データに付された第２ラベルの一部が第３疑似ラベルに置き換えられていてもよい。これにより、第４学習済モデル生成部１５４は、第２データに付された低い精度の第２ラベルを段階的に修正できる。
一例として、第４教師データにおける第２データの数が３０００であり、第３学習済モデルＭ３から出力される第３疑似ラベルの数が３０００である場合について説明する。この場合、第４教師データにおける第２ラベルが付された第２データの割合が「３」、第３疑似ラベルが付された第２データの割合が「７」、かつ、これらの第２データの合計の数が３０００となるように、第４学習済モデル生成部１５４は、３０００個の第２ラベルが付された第２データと、３０００個の第３疑似ラベルが付された第２データとの中から第３教師データとして用いる第２データを決定してよい。
第４学習済モデル生成部１５４は、ラベルが付されていない第２データに第３疑似ラベルを付すだけで、第４教師データを大量に生成することができる。また、第４学習済モデル生成部１５４は、ラベルが付されていない第２データに第３疑似ラベルを付すことにより、第２データに対して自動的にアノテーションを行うことができる。これにより、第４学習済モデル生成部１５４は、第３疑似ラベルよりも高精度な第４疑似ラベルを大量に出力する第４学習済モデルＭ４を効率的に生成できる。
（第４学習済モデル生成ステップＳ５５の例１）
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。
これにより、第４学習済モデル生成部１５４は、第１データおよび第２データを両方活用しながら、人手での修正が難しい、低い精度のラベルが付された大量の第２データを自動的かつ効率的に修正することができる。その結果、第４教師データが高精度となるため、第４学習済モデル生成部１５４は、より高精度な出力結果を出力可能な第４学習済モデルＭ４を生成することができる。
例えば、図１３の第２データＤ５に付された第４疑似ラベルＬ１’’’およびＬ２’’’は、第２データＤ４に付された第３疑似ラベルＬ１’’およびＬ２’’よりもサビ領域が少ない。このように、第１学習済モデル生成部１５１と、第２学習済モデル生成部１５２と、第３学習済モデル生成部１５３と、第４学習済モデル生成部１５４とを備える生成部１５Ｙは、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことにより、ノイズを減らすことができる。
（第４学習済モデル生成ステップＳ５５の例２）
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１４に示すように、第２データＤ１５に付された第４疑似ラベルＬ１１’’’およびＬ１２’’’は、第２データＤ１４に付された第３疑似ラベルＬ１１’’およびＬ１２’’よりもサビ領域が少ない。このように、生成部１５Ｙは、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合が段階的に増やすことにより、ノイズを減らすことができる。
〔推定方法Ｓ６〕
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。
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。
［推定ステップＳ６２］
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。
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。
（推定ステップＳ６２の例１）
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。
（推定ステップＳ６２の例２）
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。
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。
〔ハードウェア構成およびソフトウェアによる実現例〕
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。
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。
図１６は、情報処理システム１、１Ｘおよび１Ｙとして利用可能なコンピュータ９１０の構成を例示したブロック図である。コンピュータ９１０は、バス９１１を介して互いに接続された演算装置９１２と、主記憶装置９１３と、補助記憶装置９１４と、入出力インターフェース９１５とを備えている。演算装置９１２、主記憶装置９１３、および補助記憶装置９１４は、それぞれ、例えばＣＰＵ、ＲＡＭ（random access memory）、ハードディスクドライブであってもよい。入出力インターフェース９１５には、ユーザがコンピュータ９１０に各種情報を入力するための入力装置９２０、および、コンピュータ９１０がユーザに各種情報を出力するための出力装置９３０が接続される。入力装置９２０および出力装置９３０は、コンピュータ９１０に内蔵されたものであってもよいし、コンピュータ９１０に接続された（外付けされた）ものであってもよい。例えば、入力装置９２０は、キーボード、マウス、タッチセンサなどであってもよく、出力装置９３０は、ディスプレイ、プリンタ、スピーカなどであってもよい。また、タッチセンサとディスプレイとが一体化されたタッチパネルのような、入力装置９２０および出力装置９３０の双方の機能を有する装置を適用してもよい。そして、通信インターフェース９１６は、コンピュータ９１０が外部の装置と通信するためのインターフェースである。
補助記憶装置９１４には、コンピュータ９１０を、情報処理システム１、１Ｘおよび１Ｙとして動作させるための生成プログラムおよび推定プログラムが格納されている。そして、演算装置９１２は、補助記憶装置９１４に格納された上記生成プログラムおよび推定プログラムを主記憶装置９１３上に展開して当該生成プログラムおよび推定プログラムに含まれる命令を実行する。これにより、演算装置９１２は、コンピュータ９１０を、情報処理システム１、１Ｘおよび１Ｙが備える各部として機能させる。補助記憶装置９１４が生成プログラムおよび推定プログラムなどの情報の記録に用いる記録媒体は、コンピュータ読み取り可能な「一時的でない有形の媒体」であればよい。当該記録媒体は、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路などでもよい。
また、コンピュータ９１０の外部の記録媒体に記録されている生成プログラムおよび推定プログラム、または任意の伝送媒体（通信ネットワークや放送波など）を介してコンピュータ９１０に供給されたプログラムを用いてコンピュータ９１０を機能させる構成を採用してもよい。そして、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
〔付記事項〕
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。
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。
（付記１）
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。
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。
（付記２）
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。
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。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
また、上述した実施形態では、５回目以降の生成処理について説明されていないが、生成処理は５回以上行われてもよい。例えば、５回目の生成処理を行う場合、生成装置は、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、第４疑似ラベルが付された複数の第２データとを第５教師データとして機械学習させ、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５疑似ラベルを出力する第５学習済モデルを生成する第５学習済モデル生成部をさらに備えてよい。この場合、第５教師データにおける第２ラベルが付された第２データの割合は、第４学習済モデルの機械学習に用いられた第４教師データにおける第２ラベルが付された第２データの割合よりも低くてよい。この場合、一例として、第５教師データにおける第２ラベルが付された第２データと第４疑似ラベルが付された第２データとの割合は、１：９～０：１０でよい。
また、本発明は、アノテーションされたデータに基づき、高精度な出力結果を出力できる学習済モデルを効率的に生成できるため、持続可能な開発目標（ＳＤＧｓ）の目標９「産業と技術革新の基盤をつくろう」の達成に貢献できる。
１０、１０Ｘ、１０Ｙ 生成装置
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
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
本発明は、生成装置、生成方法および生成プログラムに関する。
データを処理するために、教師データを機械学習させて生成した学習済モデルを用いることがある。例えば、対象物が撮像された画像データなどのデータから特定の領域を検出する場合、画像データ中の各領域を特定したラベルを手作業によって付すことにより、アノテーションを行った教師データを機械学習させて生成した学習済モデルを用いる。
通常、学習済モデルから出力される出力結果の精度を向上させるためには、アノテーションが行われたデータを教師データとして大量に必要とする。しかしながら、特に、手作業でのアノテーションを行う場合、アノテーションが行われたデータを大量に取得するのは困難であり、時間や費用などのコストがかかる。また、複数人によりアノテーションを分担する場合、作業者であるユーザがアノテーションを行う際の判断基準が異なるため、最終的に生成される学習済モデルの精度が悪くなる。
機械学習させるために必要なアノテーションが行われたデータを取得する技術として、例えば、特許文献１には、医用に関するデータを取得する取得部と、第１モデルと第２モデルとを用いて生成され、医用に関するデータを入力してラベル付けされたデータを出力する第３モデルを有する処理部と、を備える医用情報処理装置が記載されている。
第１モデルには、ラベル付けされた複数のデータセットを用いて機械学習させている。第２モデルには、第１モデルにラベル付けされていない複数のデータを入力して得られる第１擬似ラベルと、第１モデルに入力されたラベル付けされていない複数のデータと、ラベル付けされた複数のデータセットとを用いて機械学習させている。第３モデルには、第２モデルにラベル付けされていない複数のデータを適用して得られる第２擬似ラベルと、第２モデルに入力されたラベル付けされていない複数のデータと、ラベル付けされた複数のデータセットとを用いて機械学習させている。
しかしながら、特許文献１に記載されているような従来技術は、ラベル付けされたデータに基づいて、ラベルなしデータに付された疑似ラベルが正確であるか否かをユーザが判定しているため、高精度な出力結果を出力できる学習済モデルを効率的に生成することができない。すなわち、特許文献１に記載されているような従来技術は、アノテーションが行われたデータに基づいて、当該学習済モデルを効率的に生成できない。
本発明の一態様に係る生成装置は、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。
本発明の一態様に係る生成方法は、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て用いた機械学習により学習済みモデルを生成する。
＜実施形態１＞
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。
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〕
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。
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〕
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。
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］
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。
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。
第１データおよび第２データとしては、ラベル付け可能なデータであれば特に限定されないが、生成装置１０に効果的に適用できるものとしては、それぞれ、第１対象、および第１対象に包括されるか、または第１対象に類似する第２対象に関する画像データ、文字データおよび音データなどが挙げられる。第１データおよび第２データの詳細は後述する。
第１ラベルおよび第２ラベルは、第１データおよび第２データに紐づけられるものであれば特に限定されない。第１データおよび第２データが画像データである場合、第１ラベルおよび第２ラベルとしては、例えば、第１対象および第２対象のそれぞれにおける少なくとも一部の領域を示すラベルなどが挙げられる。第２ラベルは、第１ラベルよりも低い精度でよい。第１ラベルおよび第２ラベルの詳細は後述する。
［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。
［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）
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。
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。
本実施形態では、生成部１５は、第１学習済モデルＭ１を生成する第１学習済モデル生成部１５１と、第２学習済モデルＭ２を生成する第２学習済モデル生成部１５２と、を備えてよい。生成部１５の処理、第１学習済モデルＭ１および第２学習済モデルＭ２の詳細は後述する。
［記憶部１３］
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。
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］
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。
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〕
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。
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］
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。
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］
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。
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）
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。
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］
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。
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］
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。
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。
〔生成方法Ｓ１〕
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。
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。
［取得ステップＳ１１］
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、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が取得する第１データおよび第２データの数は、特に限定されないが、例えば、第１データの数としては、１００以上２００以下、第２データの数としては、２９５０以上３０５０以下が挙げられる。このように、取得部１１が取得する、第１ラベルよりも低い精度の第２ラベルが付された第２データの数は、第１データの数よりも多くてよい。
（取得ステップＳ１１の例）
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。
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。
上述の例のように、第１データおよび第２データが画像データを含む場合、生成装置１０に効果的に適用できる第１対象は、例えば、（１）複数種類の構造物、（２）複数の工場のパイプ、（３）複数種類の通路を有する街および（４）複数種類の口紅を含む化粧品などが挙げられる。この場合、第２対象としては、（１）鉄塔、ガードレール、工場の屋根または歩道橋、（２）特定の工場のパイプ、（３）特定の通路および（４）特定の口紅などが挙げられる。
第１データおよび第２データが文字データを含む場合、生成装置１０に効果的に適用できる第１対象としては、例えば、（１）複数の企業の履歴書、（２）複数のジャンルのニュースの概要および（３）複数の企業のチャットボットなどが挙げられる。この場合、第２対象としては、（１）特定の企業の履歴書、（２）特定のジャンルのニュースの概要および（３）特定の企業のチャットボットなどが挙げられる。
第１データおよび第２データが音データを含む場合、生成装置１０に効果的に適用できる第１対象としては、（１）複数の環境における人の音声、（２）複数の企業向けの合成音声および（３）複数の声質などが挙げられる。この場合、第２対象としては、（１）特定の環境における人の音声、（２）特定の環境における合成音声および（３）特定の声質などが挙げられる。
また、上述の例のように、第１データおよび第２データが画像データを含み、第１ラベルおよび第２ラベルが、第１対象および第２対象のそれぞれの少なくとも一部を示す領域を含む場合、生成装置１０に効果的に適用できる領域としては、例えば、（１）サビ領域、（２）穴領域、（３）物体領域および（４）口紅の適正範囲外領域などが挙げられる。
第１ラベルおよび第２ラベルがそれぞれ第１対象および第２対象のサビ領域を示す場合、これらのラベルは、第１データにおける第１対象および第２データにおける第２対象の各領域がサビているかどうか、ユーザが手作業にてアノテーションすることにより、第１データおよび第２データに付されたものでよい。
ラベル付けは、人手により、第１データの第１対象および第２データの第２対象の各領域を判定することによって行われてよい。例えば、ラベル付けは、人手により、第１データの第１対象および第２データの第２対象の各領域がサビているかどうかを判定し、サビ領域を抽出することによって行われてよい。
一例として、サビ領域の抽出は、ユーザが、領域選択ツールを用いて、サビていると判定したサビ領域に対応する画素のＲＧＢ値（Ｒ：赤、Ｇ：緑、Ｂ：青）をＨＳＶ値（Ｈ：色相、Ｓ：彩度、Ｖ：明度）に変換し、サビていないと判定した非サビ領域を除外することにより行われてよい。
また、サビの度合いに応じて、サビ領域に対応する画素のＨＳＶ値、すなわち、色相、彩度および明度の少なくとも１つが異なっていてもよい。一例として、サビの度合いは、以下の表１に示すように、サビの度合いと、ＨＳＶ値を構成するＨ値（０以上１８０以下）、Ｓ値（０以上２５５以下）およびＶ値（０以上２５５以下）のそれぞれの値の範囲との対応関係に基づいて決定されてよい。この場合、サビ領域のサビの度合いが強いと、サビ領域に対応する画素の色相は赤色を示し、サビ領域のサビの度合いが弱いと、サビ領域に対応する画素の色相は黄色を示してよい。
サビの度合いを判定することはユーザにとっても難しく、特に、第１データおよび第２データが４Ｋの画像データである場合、ユーザがサビを誤判定した領域や見逃した領域などのノイズもありうる。これに対し、第１学習済モデル生成ステップＳ１２および第２学習済モデル生成ステップＳ１３を行うことにより、ノイズが、人手での修正によらず、効率的に修正されたラベルを出力する学習済モデルを生成しやすくなる。
また、第１ラベルおよび第２ラベルが示す、第１対象および第２対象のそれぞれの少なくとも一部を示す領域が、穴領域、物体領域または口紅の適正範囲外領域である場合でも、これらの領域に該当するか否かの判定は、サビ領域と同様に、人手により行われてよい。当該判定は、ＲＧＢ値が変換されたＨＳＶ値を構成するＨ値、Ｓ値およびＶ値の少なくとも１つに応じて行われてよく、例えば、第１対象および第２対象のそれぞれの少なくとも一部を示す領域が穴領域、物体領域または口紅の適正範囲外領域に該当する可能性の高さに応じて、当該領域の色相、彩度および明度の少なくとも１つが異なっていてもよい。
［第１学習済モデル生成ステップＳ１２］
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。
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。
第１教師データにおける第１ラベルが付された第１データおよび第２ラベルが付された第２データの数は、特に限定されないが、例えば、取得ステップＳ１１において取得される第１データおよび第２データの数と同様でよい。
第１学習済モデル生成部１５１は、汎用的な多種多用の第１対象が撮像された第１データを第１教師データとして用いることにより、第１対象に包括されるか、または第１対象に類似する第２対象の範囲を拡大することができる。これにより、第１対象と第２対象とが同一でなくても、第１学習済モデル生成部１５１は、高精度の第１ラベルが付された第１データに基づいて低い精度の第２ラベルが付された第２データを新たに精度よくアノテーションを行うことができる。
また、第１学習済モデル生成部１５１は、第１データを第１教師データとして用いることにより、第１教師データにおける、第１ラベルよりも低い精度の第２ラベルが付された第２データの数が第１データの数よりも多くても、第２データを新たに精度よくアノテーションできる。
例えば、第１データの数が、１００以上２００以下、第２データの数が、２９５０以上３０５０以下など、第２データとの数が第１データの数より大幅に多くても、第１学習済モデル生成部１５１は、第２データをアノテーションできる。
この場合、第２学習済モデル生成部１５２が、第１学習済モデルＭ１から出力される大量の疑似第１データを第２データに付して教師データとして使用することより、結果的に、第１学習済モデル生成部１５１は、第２データをアノテーションできる。
第１学習済モデル生成部１５１は、サビ領域に対応する画素の色相、彩度および明度の少なくとも１つに基づき、機械学習に教師データとして用いるデータを決定してよい。
これにより、第１学習済モデル生成部１５１は、サビの度合いが強い領域を示すラベルが付されたデータを教師データに決定し、サビ領域と非サビ領域とが明確に分かれているデータにアノテーションを行うことができる。また、当該データに付されたラベルに、サビの度合いが弱い領域が含まれていても、第１学習済モデル生成部１５１は、人手によるラベルの修正なしに、当該データを自動的にアノテーションすることができる。後述の第２学習済モデル生成部１５２、第３学習済モデル生成部１５３および第４学習済モデル生成部１５４も、上述の例と同様に、教師データとして用いるデータを決定してよい。
（第１学習済モデル生成ステップＳ１２の例１）
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。
（第１学習済モデル生成ステップＳ１２の例２）
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。
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学習済モデル生成ステップＳ１３］
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。
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。
第２教師データにおける第１データおよび第２データの数は、特に限定されないが、例えば、第１教師データにおける第１データおよび第２データの数と同様でよい。一例として、第１教師データにおける第１データの数が１００、第２データの数が３０００である場合、第２教師データにおける第１データの数は１００、第２データの数は３０００でよい。また、第２教師データにおける第２ラベルが付された第２データの割合は、第１教師データにおける第２ラベルが付された第２データの割合よりも低くてよい。
第２教師データにおける第１疑似ラベルが付された第２データの数は特に限定されないが、一例として、第１教師データにおける第２ラベルが付された第２データの割合を「１０」、第１疑似ラベルが付された第２データの割合を「０」、第２教師データにおける第２ラベルが付された第２データの割合を「７」とすると、第２教師データにおける第１疑似ラベルが付された第２データの割合は「３」でよい。
この場合、第２教師データでは、第１教師データにおける第２データに付された第２ラベルの一部が第１疑似ラベルに置き換えられていてもよい。これにより、第２学習済モデル生成部１５２は、第２データに付された低い精度の第２ラベルを段階的に修正できる。
一例として、第２教師データにおける第２データの数が３０００であり、第１学習済モデルＭ１から出力される第１疑似ラベルの数が３０００である場合について説明する。この場合、第２教師データにおける第２ラベルが付された第２データの割合が「７」、第１疑似ラベルが付された第２データの割合が「３」、かつ、これらの第２データの合計の数が３０００となるように、第２学習済モデル生成部１５２は、３０００個の第２ラベルが付された第２データと、３０００個の第１疑似ラベルが付された第２データとの中から第２教師データとして用いる第２データを決定してよい。
第１疑似ラベルは、取得部１１が取得した第２データに付されたラベルに比べて低い精度から高精度なものまでばらつきがあるが、ラベルが付されていない第２データを第１学習済モデルＭ１に入力するだけで効率的に大量に出力される。そのため、第２学習済モデル生成部１５２は、ラベルが付されていない第２データに第１疑似ラベルを付すだけで、第２教師データを効率的かつ大量に生成することができる。
また、第２学習済モデル生成部１５２が、ラベルが付されていない第２データに第１疑似ラベルを付すことは、第２データに付された第２ラベルを第１疑似ラベルに更新することでもある。そのため、第２学習済モデル生成部１５２は、ラベルが付されていない第２データに第１疑似ラベルを付すだけで、人手によるラベルの修正なしに、第２データに対して自動的にアノテーションを行うことができる。これにより、第２学習済モデル生成部１５２は、第１疑似ラベルよりも高精度な第２疑似ラベルを大量に出力する第２学習済モデルＭ２を効率的に生成することができる。
（第２学習済モデル生成ステップＳ１３の例１）
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。
これにより、第２学習済モデル生成部１５２は、第１データおよび第２データを両方活用しながら、人手での修正が難しい、低い精度のラベルが付された大量の第２データを自動的かつ効率的に修正することができる。その結果、第２教師データが高精度となるため、第２学習済モデル生成部１５２は、より高精度な出力結果を出力可能な第２学習済モデルＭ２を生成することができる。
例えば、図３の第２データＤ３に付された第２疑似ラベルＬ１’およびＬ２’は、第２データＤ２に付された第１疑似ラベルＬ１およびＬ２よりもサビ領域が少ない。このように、第１学習済モデル生成部１５１と、第２学習済モデル生成部１５２とを備える生成部１５は、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことによりノイズを減らすことができる。
（第２学習済モデル生成ステップＳ１３の例２）
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。
図４に示すように、第２データＤ１３に付された第２疑似ラベルＬ１１’およびＬ１２’のほうが、第２データＤ１２に付された第１疑似ラベルＬ１１およびＬ１２よりもサビ領域が少ない。このように、生成部１５は、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことにより、ノイズを減らすことができる。
〔推定方法Ｓ２〕
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。
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。
［取得ステップＳ２１］
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。
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。
（取得ステップＳ２１の例１）
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。
（取得ステップＳ２１の例２）
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。
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。
［推定ステップＳ２２］
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。
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。
（推定ステップＳ２２の例１）
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。
（推定ステップＳ２２の例２）
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。
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。
＜実施形態２＞
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。
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。
〔情報処理システム１Ｘ〕
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。
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〕
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。
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］
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。
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］
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。
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〕
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。
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］
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。
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。
〔生成方法Ｓ３〕
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。
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。
取得ステップＳ３１、第１学習済モデル生成ステップＳ３２および第２学習済モデル生成ステップＳ３３は、実施形態１における取得ステップＳ１１、第１学習済モデル生成ステップＳ１２および第２学習済モデル生成ステップＳ１３と同様である。
［第３学習済モデル生成ステップＳ３４］
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。
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。
第３教師データにおける第１データおよび第２データの数は、特に限定されないが、例えば、第２教師データにおける第１データおよび第２データの数と同様でよい。一例として、第２教師データにおける第１データの数が１００、第２データの数が３０００である場合、第３教師データにおける第１データの数は１００、第２データの数は３０００でよい。また、第３教師データにおける第２データの割合は、第２教師データにおける第２データの割合よりも低くてよい。
第３教師データにおける第２疑似ラベルが付された第２データの数は特に限定されないが、一例として、第１教師データにおける第２ラベルが付された第２データの割合を「１０」、第１疑似ラベルが付された第２データの割合を「０」、第２教師データにおける第２ラベルが付された第２データの割合を「７」、第１疑似ラベルが付された第２データの割合を「３」とすると、第３教師データにおける第２ラベルが付された第２データの割合は「５」、第２疑似ラベルが付された第２データの割合は「５」でよい。
この場合、第３教師データでは、第２教師データにおける第２データに付された第２ラベルの一部が第２疑似ラベルに置き換えられていてもよい。これにより、第３学習済モデル生成部１５３は、第２データに付された低い精度の第２ラベルを段階的に修正できる。
一例として、第３教師データにおける第２データの数が３０００であり、第２学習済モデルＭ２から出力される第２疑似ラベルの数が３０００である場合について説明する。この場合、第３教師データにおける第２ラベルが付された第２データの割合が「５」、第２疑似ラベルが付された第２データの割合が「５」、かつ、これらの第２データの合計の数が３０００となるように、第２学習済モデル生成部１５２は、３０００個の第２ラベルが付された第２データと、３０００個の第２疑似ラベルが付された第２データとの中から第３教師データとして用いる第２データを決定してよい。
第３学習済モデル生成部１５３は、ラベルが付されていない第２データに第２疑似ラベルを付すだけで、第３教師データを大量に生成することができる。また、第３学習済モデル生成部１５３は、ラベルが付されていない第２データに第２疑似ラベルを付すだけで、第２データに対して自動的にアノテーションを行うことができる。これにより、第３学習済モデル生成部１５３は、第２疑似ラベルよりも高精度な第３疑似ラベルを大量に出力する第３学習済モデルＭ３を効率的に生成できる。
（第３学習済モデル生成ステップＳ３４の例１）
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。
これにより、第３学習済モデル生成部１５３は、第１データおよび第２データを両方活用しながら、人手での修正が難しい、低い精度のラベルが付された大量の第２データを自動的かつ効率的に修正することができる。その結果、第３教師データが高精度となるため、第３学習済モデル生成部１５３は、より高精度な出力結果を出力可能な第３学習済モデルＭ３を生成することができる。
例えば、図８の第２データＤ４に付された第３疑似ラベルＬ１’’およびＬ２’’は、第２データＤ３に付された第２疑似ラベルＬ１’およびＬ２’よりサビ領域が少ない。このように、第１学習済モデル生成部１５１と、第２学習済モデル生成部１５２と、第３学習済モデル生成部１５３とを備える生成部１５Ｘは、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことによりノイズを減らすことができる。
（第３学習済モデル生成ステップＳ３４の例２）
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９に示すように、第２データＤ１４に付された第３疑似ラベルＬ１１’’およびＬ１２’’は、第２データＤ１３に付された第２疑似ラベルＬ１１’およびＬ１２’よりもサビ領域が少ない。このように、生成部１５Ｘは、教師データにおける第２ラベルが付された第２データの割合が段階的に減り、疑似ラベルが付された第２データの割合が増えることにより、ノイズを減らすことができる。
〔推定方法Ｓ４〕
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。
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。
［推定ステップＳ４２］
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。
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。
（推定ステップＳ４２の例１）
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。
（推定ステップＳ４２の例２）
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。
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。
＜実施形態３＞
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。
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。
〔情報処理システム１Ｙ〕
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。
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〕
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。
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］
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。
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］
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。
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〕
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。
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］
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。
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。
〔生成方法Ｓ５〕
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。
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。
図１２は、生成方法の一例を示すフローチャートである。図１２に示すように、生成方法Ｓ５は、取得ステップＳ５１と、第１学習済モデル生成ステップＳ５２と、第２学習済モデル生成ステップＳ５３と、第３学習済モデル生成ステップＳ５４と、第４学習済モデル生成ステップＳ５５と、を含んでよい。
取得ステップＳ５１、第１学習済モデル生成ステップＳ５２、第２学習済モデル生成ステップＳ５３および第３学習済モデル生成ステップＳ５４は、実施形態２における取得ステップＳ３１、第１学習済モデル生成ステップＳ３２、第２学習済モデル生成ステップＳ３３および第３学習済モデル生成ステップＳ３４と同様である。
［第４学習済モデル生成ステップＳ５５］
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。
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。
第４教師データにおける第１データおよび第２データの数は、特に限定されないが、例えば、第３教師データにおける第１データおよび第２データの数と同様でよい。一例として、第３教師データにおける第１データの数が１００、第２データの数が３０００である場合、第４教師データにおける第１データの数は１００、第２データの数は３０００でよい。また、第４教師データにおける第２データの割合は、第３教師データにおける第２データの割合よりも低くてよい。
第４教師データにおける第３疑似ラベルが付された第２データの数は特に限定されないが、一例として、第１教師データにおける第２ラベルが付された第２データの割合を「１０」、第１疑似ラベルが付された第２データの割合を「０」、第２教師データにおける第２ラベルが付された第２データの割合を「７」、第１疑似ラベルが付された第２データの割合を「３」、第３教師データにおける第２ラベルが付された第２データの割合を「５」、第２疑似ラベルが付された第２データの割合を「５」とすると、第４教師データにおける第２ラベルが付された第２データの割合は「３」、第２疑似ラベルが付された第２データの割合は「７」でよい。
このように、一例において、第１教師データにおける第２ラベルが付された第２データと第１疑似ラベルが付された第２データとの割合は１０：０、第２教師データにおける第２ラベルが付された第２データと第１疑似ラベルが付された第２データとの割合は８：２～６：４、第３教師データにおける第２ラベルが付された第２データと第２疑似ラベルが付された第２データとの割合は６：４～４：６、第４教師データにおける第２ラベルが付された第２データと第３疑似ラベルが付された第２データとの割合は４：６～２：８でよい。これにより、第２ラベルが付された第２データの割合が段階的に少なくなり、疑似ラベルが付された第２データの割合が段階的に多くなるとともに、疑似ラベルの精度が段階的に高くなる。その結果、生成部１５Ｙが学習済モデルを生成するごとに、学習済モデルから出力される出力結果の精度を向上させることができる。
この場合、第４教師データでは、第３教師データにおける第２データに付された第２ラベルの一部が第３疑似ラベルに置き換えられていてもよい。これにより、第４学習済モデル生成部１５４は、第２データに付された低い精度の第２ラベルを段階的に修正できる。
一例として、第４教師データにおける第２データの数が３０００であり、第３学習済モデルＭ３から出力される第３疑似ラベルの数が３０００である場合について説明する。この場合、第４教師データにおける第２ラベルが付された第２データの割合が「３」、第３疑似ラベルが付された第２データの割合が「７」、かつ、これらの第２データの合計の数が３０００となるように、第４学習済モデル生成部１５４は、３０００個の第２ラベルが付された第２データと、３０００個の第３疑似ラベルが付された第２データとの中から第３教師データとして用いる第２データを決定してよい。
第４学習済モデル生成部１５４は、ラベルが付されていない第２データに第３疑似ラベルを付すだけで、第４教師データを大量に生成することができる。また、第４学習済モデル生成部１５４は、ラベルが付されていない第２データに第３疑似ラベルを付すことにより、第２データに対して自動的にアノテーションを行うことができる。これにより、第４学習済モデル生成部１５４は、第３疑似ラベルよりも高精度な第４疑似ラベルを大量に出力する第４学習済モデルＭ４を効率的に生成できる。
（第４学習済モデル生成ステップＳ５５の例１）
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。
これにより、第４学習済モデル生成部１５４は、第１データおよび第２データを両方活用しながら、人手での修正が難しい、低い精度のラベルが付された大量の第２データを自動的かつ効率的に修正することができる。その結果、第４教師データが高精度となるため、第４学習済モデル生成部１５４は、より高精度な出力結果を出力可能な第４学習済モデルＭ４を生成することができる。
例えば、図１３の第２データＤ５に付された第４疑似ラベルＬ１’’’およびＬ２’’’は、第２データＤ４に付された第３疑似ラベルＬ１’’およびＬ２’’よりもサビ領域が少ない。このように、第１学習済モデル生成部１５１と、第２学習済モデル生成部１５２と、第３学習済モデル生成部１５３と、第４学習済モデル生成部１５４とを備える生成部１５Ｙは、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合を段階的に増やすことにより、ノイズを減らすことができる。
（第４学習済モデル生成ステップＳ５５の例２）
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１４に示すように、第２データＤ１５に付された第４疑似ラベルＬ１１’’’およびＬ１２’’’は、第２データＤ１４に付された第３疑似ラベルＬ１１’’およびＬ１２’’よりもサビ領域が少ない。このように、生成部１５Ｙは、教師データにおける第２ラベルが付された第２データの割合を段階的に減らし、疑似ラベルが付された第２データの割合が段階的に増やすことにより、ノイズを減らすことができる。
〔推定方法Ｓ６〕
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。
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。
［推定ステップＳ６２］
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。
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。
（推定ステップＳ６２の例１）
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。
（推定ステップＳ６２の例２）
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。
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。
〔ハードウェア構成およびソフトウェアによる実現例〕
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。
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。
図１６は、情報処理システム１、１Ｘおよび１Ｙとして利用可能なコンピュータ９１０の構成を例示したブロック図である。コンピュータ９１０は、バス９１１を介して互いに接続された演算装置９１２と、主記憶装置９１３と、補助記憶装置９１４と、入出力インターフェース９１５とを備えている。演算装置９１２、主記憶装置９１３、および補助記憶装置９１４は、それぞれ、例えばＣＰＵ、ＲＡＭ（random access memory）、ハードディスクドライブであってもよい。入出力インターフェース９１５には、ユーザがコンピュータ９１０に各種情報を入力するための入力装置９２０、および、コンピュータ９１０がユーザに各種情報を出力するための出力装置９３０が接続される。入力装置９２０および出力装置９３０は、コンピュータ９１０に内蔵されたものであってもよいし、コンピュータ９１０に接続された（外付けされた）ものであってもよい。例えば、入力装置９２０は、キーボード、マウス、タッチセンサなどであってもよく、出力装置９３０は、ディスプレイ、プリンタ、スピーカなどであってもよい。また、タッチセンサとディスプレイとが一体化されたタッチパネルのような、入力装置９２０および出力装置９３０の双方の機能を有する装置を適用してもよい。そして、通信インターフェース９１６は、コンピュータ９１０が外部の装置と通信するためのインターフェースである。
補助記憶装置９１４には、コンピュータ９１０を、情報処理システム１、１Ｘおよび１Ｙとして動作させるための生成プログラムおよび推定プログラムが格納されている。そして、演算装置９１２は、補助記憶装置９１４に格納された上記生成プログラムおよび推定プログラムを主記憶装置９１３上に展開して当該生成プログラムおよび推定プログラムに含まれる命令を実行する。これにより、演算装置９１２は、コンピュータ９１０を、情報処理システム１、１Ｘおよび１Ｙが備える各部として機能させる。補助記憶装置９１４が生成プログラムおよび推定プログラムなどの情報の記録に用いる記録媒体は、コンピュータ読み取り可能な「一時的でない有形の媒体」であればよい。当該記録媒体は、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路などでもよい。
また、コンピュータ９１０の外部の記録媒体に記録されている生成プログラムおよび推定プログラム、または任意の伝送媒体（通信ネットワークや放送波など）を介してコンピュータ９１０に供給されたプログラムを用いてコンピュータ９１０を機能させる構成を採用してもよい。そして、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
〔付記事項〕
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。
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。
（付記１）
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。
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。
（付記２）
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。
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。
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
また、上述した実施形態では、５回目以降の生成処理について説明されていないが、生成処理は５回以上行われてもよい。例えば、５回目の生成処理を行う場合、生成装置は、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、第４疑似ラベルが付された複数の第２データとを第５教師データとして機械学習させ、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５疑似ラベルを出力する第５学習済モデルを生成する第５学習済モデル生成部をさらに備えてよい。この場合、第５教師データにおける第２ラベルが付された第２データの割合は、第４学習済モデルの機械学習に用いられた第４教師データにおける第２ラベルが付された第２データの割合よりも低くてよい。この場合、一例として、第５教師データにおける第２ラベルが付された第２データと第４疑似ラベルが付された第２データとの割合は、１：９～０：１０でよい。
また、本発明は、アノテーションされたデータに基づき、高精度な出力結果を出力できる学習済モデルを効率的に生成できるため、持続可能な開発目標（ＳＤＧｓ）の目標９「産業と技術革新の基盤をつくろう」の達成に貢献できる。
１０、１０Ｘ、１０Ｙ 生成装置
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
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 |