JP2024515532A - 1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法 - Google Patents
1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法 Download PDFInfo
- Publication number
- JP2024515532A JP2024515532A JP2023561022A JP2023561022A JP2024515532A JP 2024515532 A JP2024515532 A JP 2024515532A JP 2023561022 A JP2023561022 A JP 2023561022A JP 2023561022 A JP2023561022 A JP 2023561022A JP 2024515532 A JP2024515532 A JP 2024515532A
- Authority
- JP
- Japan
- Prior art keywords
- scalp
- user
- image
- region
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004761 scalp Anatomy 0.000 title claims abstract description 853
- 238000003384 imaging method Methods 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 48
- 210000003491 skin Anatomy 0.000 claims description 74
- 210000003780 hair follicle Anatomy 0.000 claims description 61
- 208000002874 Acne Vulgaris Diseases 0.000 claims description 46
- 206010000496 acne Diseases 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 28
- 238000013473 artificial intelligence Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000037303 wrinkles Effects 0.000 claims description 12
- 210000002374 sebum Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005406 washing Methods 0.000 claims description 9
- 230000001054 cortical effect Effects 0.000 claims description 4
- 210000003128 head Anatomy 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000010801 machine learning Methods 0.000 description 25
- 230000006872 improvement Effects 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 15
- 238000009877 rendering Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 210000004209 hair Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000002453 shampoo Substances 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 241001635598 Enicostema Species 0.000 description 3
- 206010027626 Milia Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000005200 frontal scalp Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003020 moisturizing effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 208000001840 Dandruff Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 241000669298 Pseudaulacaspis pentagona Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 206010039793 Seborrhoeic dermatitis Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 235000019864 coconut oil Nutrition 0.000 description 1
- 239000003240 coconut oil Substances 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003646 hair health Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 208000008742 seborrheic dermatitis Diseases 0.000 description 1
- 229940095673 shampoo product Drugs 0.000 description 1
- 230000036559 skin health Effects 0.000 description 1
- 230000036555 skin type Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法が説明されている。ユーザのデジタル画像が、撮像アプリケーション(アプリ)で受信され、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む。それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練される頭皮ベースの学習モデルは、ユーザの頭皮領域の少なくとも1つの画像分類を決定するために画像を分析する。撮像アプリは、少なくとも1つの画像分類に基づいて、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成する。
Description
本開示は、概して、デジタル撮像及び学習システム並びに方法に関し、より具体的には、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法に関する。
一般に、皮脂及び汗などのヒトの毛髪及び皮膚の複数の内因性要因は、ユーザの頭皮の全体的な健康に対して現実世界の影響を有し、それは、頭皮皮膚の健康(例えば、白色皮脂残留物、頭皮皮膚の裂皮/しわ)及び毛包/毛髪の健康(例えば、ざ瘡、頭皮栓)を含み得る。風、湿度、及び/又は様々な毛髪関連製品の使用などの追加の外因性要因もまた、ユーザの頭皮の健康に影響を及ぼす場合がある。更に、頭皮関連問題のユーザ知覚は、典型的には、そのような基礎となる内因性及び/又は外因性要因を反映しない。
したがって、特に、各々が異なる人口統計、人種、及び民族と関連付けられ得る異なるユーザにわたって考慮されるとき、頭皮及び毛髪タイプの複雑さと併せて内因性及び/又は外因性要因の数を考慮すると、問題が生じる。これは、様々な人間の頭皮の状態及び特徴の診断及び処置において問題を生じさせる。例えば、個人消費者製品試験を含む従来技術の方法は、時間がかかるか、又はエラーを起こしやすい(かつ、おそらく否定的である)可能性がある。加えて、ユーザは、様々な製品又は技法を用いて経験的に実験しようと試みる場合があるが、満足のいく結果を達成することなく、かつ/又は起こり得る負の副作用を引き起こし、ユーザの頭皮の健康若しくはそうでなければ視覚的外観に影響を及ぼす。
前述の理由から、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法に対する必要性が存在する。
概して、本明細書に記載されるように、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システムが説明される。そのようなデジタル撮像及び学習システムは、人間の頭皮の健康に影響を与える様々な内因性及び/又は外因性の要因若しくは属性を識別及び処理する際の困難性から生じる問題を克服するためのデジタル撮像及び人工知能(artificial intelligence、AI)ベースの解決策を提供する。
本明細書に記載されるようなデジタル撮像及び学習システムは、ユーザが、特定のユーザ画像を撮像サーバ(例えば、その1つ以上のプロセッサを含む)、又はそうでなければコンピューティングデバイス(例えば、ユーザのモバイルデバイス上にローカルになど)に提出することを可能にし、撮像サーバ又はユーザコンピューティングデバイスは、それぞれの個人の頭皮の頭皮領域を描写する潜在的に10,000個(以上)の画像の画素データを用いて訓練された人工知能ベースの頭皮ベースの学習モデルを実装又は実行する。頭皮ベースの学習モデルは、ユーザの頭皮領域の画像分類に基づいて、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計された少なくとも1つのユーザ固有の頭皮分類を生成し得る。例えば、ユーザの頭皮の頭皮領域の少なくとも一部分は、特定のユーザの頭皮皮膚又は毛包領域の白色皮脂、炎症、ざ瘡、頭皮栓、及び/又は他の属性/状態を示す画素又は画素データを含むことができる。いくつかの実施形態では、ユーザ固有の頭皮分類(及び/又は製品固有の頭皮分類)は、ディスプレイ画面上でレンダリングするために、コンピュータネットワークを介してユーザのユーザコンピューティングデバイスに伝送され得る。他の実施形態では、ユーザの固有の画像の撮像サーバへの伝送は行われず、ユーザ固有の頭皮分類(及び/又は製品固有の頭皮分類)は、代わりに、頭皮ベースの学習モデルによって生成され、ユーザのモバイルデバイス上でローカルに実行及び/又は実装され、モバイルデバイスのプロセッサによって、モバイルデバイスのディスプレイ画面上でレンダリングされ得る。様々な実施形態では、そのようなレンダリングは、画素データ内の特徴に対処するためのグラフィック表現、オーバーレイ、注釈などを含み得る。
より具体的には、本明細書に記載されるように、デジタル撮像及び学習システムが開示される。デジタル撮像及び学習システムは、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するように構成されている。デジタル撮像及び学習システムは、1つ以上のプロセッサ、及び1つ以上のプロセッサ上で実行されるように構成されたコンピューティング命令を含む撮像アプリケーション(アプリ)を含み得る。デジタル撮像及び学習システムは、撮像アプリによってアクセス可能であり、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練された頭皮ベースの学習モデルを更に備え得る。頭皮ベースの学習モデルは、それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように構成され得る。なおも更に、様々な実施形態では、撮像アプリのコンピューティング命令は、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、ユーザの画像を受信することを行わせ得る。画像は、撮像デバイスによってキャプチャされたデジタル画像を含み得る。画像は、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含み得る。撮像アプリのコンピューティング命令は、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、頭皮ベースの学習モデルによって、ユーザの頭皮領域の少なくとも1つの画像分類を決定するために、撮像デバイスによってキャプチャされた画像を分析することを更に行わせ得る。少なくとも1つの画像分類は、頭皮ベースの学習モデルの1つ以上の画像分類から選択され得る。撮像アプリのコンピューティング命令は、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、ユーザの頭皮領域の少なくとも1つの画像分類に基づいて、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することを更に行わせ得る。
加えて、本明細書に記載されるように、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するためのデジタル撮像及び学習方法が開示される。デジタル撮像及び学習方法は、1つ以上のプロセッサ上で実行される撮像アプリケーション(アプリ)で、ユーザの画像を受信することを含む。画像は、撮像デバイスによってキャプチャされたデジタル画像であり得る。加えて、画像は、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含み得る。デジタル撮像及び学習方法は、撮像アプリによってアクセス可能な頭皮ベースの学習モデルによって、ユーザの頭皮領域の少なくとも1つの画像分類を決定するために、撮像デバイスによってキャプチャされた画像を分析することを更に含み得る。少なくとも1つの画像分類は、頭皮ベースの学習モデルの1つ以上の画像分類から選択され得る。加えて、頭皮ベースの学習モデルは、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練され得る。なおも更に、頭皮ベースの学習モデルは、それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように動作可能であり得る。デジタル撮像及び学習方法は、ユーザの頭皮領域の少なくとも1つの画像分類に基づく撮像アプリによって、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することを更に含む。
更に、本明細書に記載されるように、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するための命令を格納する有形の非一時的コンピュータ可読媒体が開示される。命令は、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、撮像アプリケーション(アプリ)で、ユーザの画像を受信することを行わせ得る。画像は、撮像デバイスによってキャプチャされたデジタル画像を含み得る。画像は、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含み得る。命令は、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、撮像アプリによってアクセス可能な頭皮ベースの学習モデルによって、ユーザの頭皮領域の少なくとも1つの画像分類を決定するために、撮像デバイスによってキャプチャされた画像を分析することを更に行わせ得る。少なくとも1つの画像分類は、頭皮ベースの学習モデルの1つ以上の画像分類から選択され得る。頭皮ベースの学習モデルは、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練され得る。加えて、頭皮ベースの学習モデルは、それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように動作可能であり得る。命令は、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、ユーザの頭皮領域の少なくとも1つの画像分類に基づく撮像アプリによって、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することを更に行わせ得る。
上記及び本明細書の開示によれば、本開示は、撮像サーバ、又はコンピューティングデバイスの知能又は予測能力が、訓練された(例えば、機械学習訓練された)頭皮ベースの学習モデルによって強化される場合に、例えば、撮像サーバ、又はそうでなければコンピューティングデバイス(例えば、ユーザコンピュータデバイス)が改善されることを説明しているので、コンピュータ機能における改善、又は少なくとも他の技術に対する改善を含む。撮像サーバ又はコンピューティングデバイス上で実行される頭皮ベースの学習モデルは、他の個人の画素データに基づいて、ユーザ固有の頭皮皮膚若しくは毛包領域の特徴、ユーザの頭皮領域の画像分類、及び/又はユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類のうちの1つ以上をより正確に識別することができる。すなわち、本開示は、撮像サーバ又はユーザコンピューティングデバイスが、新たに提供された顧客画像などのユーザ固有の画像の画素データを正確に予測、検出、又は決定するために、複数の訓練画像(例えば、10,000個の訓練画像及び特徴データとしての関連する画素データ)を用いて強化されるので、コンピュータ自体又は「任意の他の技術又は技術分野」の機能の改善を説明する。これは、少なくとも、既存のシステムがそのような予測又は分類機能を欠き、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するために、予測結果を出力するためにユーザ固有の画像を正確に分析することが単純にできないので、従来技術よりも改善している。
同様の理由で、少なくとも、本開示は、頭皮皮膚/毛包ケアの分野及び頭皮ケア/毛包製品の分野におけるコンピューティングデバイスに対する改善を説明又は導入し、それによって、撮像デバイス又はコンピューティングデバイス上で実行される訓練された頭皮ベースの学習モデルが、ユーザ又は個々の画像のデジタル及び/又は人工知能ベースの分析を用いて、頭皮皮膚及び毛包領域のケア、並びに化学製剤及びその頭皮分類の分野を改善し、予測結果を出力して、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴のユーザ固有画素データに対処するので、他の技術又は技術分野に対する改善に関する。
加えて、本開示は、少なくとも、本開示が、頭皮皮膚/毛包ケアの分野及び頭皮ケア/毛包製品の分野におけるコンピューティングデバイスに対する改善を説明又は導入し、それによって、撮像デバイス又はコンピューティングデバイス上で実行される訓練された頭皮ベースの学習モデルが、基礎となるコンピュータデバイス(例えば、撮像サーバ及び/又はユーザコンピューティングデバイス)を改善し、そのようなコンピュータデバイスが、所与の機械学習ネットワークアーキテクチャの構成、調整、又は適合によってより効率的にされるので、他の技術又は技術分野に対する改善に関する。例えば、いくつかの実施形態では、深度、幅、画像サイズ、又は他の機械学習ベースの次元要件を低減することを含む、画像を分析するために必要とされる機械学習ネットワークアーキテクチャを減少させることによって、計算リソースを減少させることによって使用され得る機械リソース(例えば、処理サイクル又はメモリストレージ)がより少なくなっている。そのような低減は、基礎となるコンピューティングシステムの計算リソースを解放し、それによって、それをより効率的にする。
なおも更に、本開示は、少なくとも、ユーザの個人識別可能情報(personal identifiable information、PII)を描写することなくユーザの抽出又は描写された頭皮領域を画定するために、ユーザの画像が前処理される(例えば、トリミングされるか、又はそうでなければ修正される)セキュリティの分野におけるコンピューティングデバイスに対する改善を説明又は導入するので、他の技術又は技術分野に対する改善に関する。例えば、ユーザの画像の単純なトリミング又は編成された部分が、本明細書に記載される頭皮ベースの学習モデルによって使用され得、これは、コンピュータネットワークにわたるユーザのプライベート写真の伝送の必要性を排除する(そのような画像は、第三者による傍受の影響を受けやすい場合がある)。そのような特徴は、トリミング又は編成された画像、特に、ネットワーク(例えば、インターネット)を介して伝送され得る画像が、ユーザのPII情報を含まずによりセキュアであるため、セキュリティの改善を提供し、すなわち、PII(例えば、顔の特徴)の除去が、従来のシステムを上回る改善を提供する。したがって、本明細書に記載されるシステム及び方法は、そのような本質的でない情報を必要とせずに動作し、これは、従来のシステムを上回る改善、例えば、セキュリティ改善を提供する。加えて、トリミングされた画像の使用は、少なくともいくつかの実施形態では、基礎となるシステムが、より小さいデータサイズの画像を記憶及び/又は処理することを可能にし、それは、より小さいデータサイズの画像が、基礎となるコンピュータシステムによって記憶、処理、及び/又はそうでなければ操作するためにより少ない記憶メモリ及び/又は処理リソースを必要とするため、全体として基礎となるシステムの性能増加をもたらす。
加えて、本開示は、頭皮ベースの学習モデルを訓練するために使用され、ユーザの頭皮領域の1つ以上の特徴に対応する画像分類を決定するために使用される画像をキャプチャする、特定の機械、例えば、撮像デバイスと共に、又はそれを使用することによって、請求項要素のうちのいくつかを適用することを含む。
加えて、本開示は、当該分野においてよく理解されている、日常的な、従来の活動以外の特定の特徴、又は特許請求の範囲を特定の有用な用途に限定する非従来的なステップ、例えば、1つ以上のユーザ固有の頭皮分類を生成するためにユーザの頭皮の頭皮領域の画像の画素データを分析すること、を追加することを含む。
例解を介して図示及び説明されている好ましい実施形態に関する以下の説明から、利点が、当業者に対してより明らかになるであろう。理解されるように、本実施形態は、他の及び異なる実施形態が可能であり得、それらの詳細は、様々な態様において修正が可能である。したがって、図面及び説明は、本質的に例解的であるとしてみなされるべきであり、限定的であるとしてみなされるべきではない。
以下に説明される図は、本明細書に開示されるシステム及び方法の様々な態様を描写する。各図は、開示されるシステム及び方法の特定の態様の実施形態を描写すること、並びに、図の各々は、それらの可能性のある実施形態に合致することを意図したものであることを理解されたい。更に、可能な限り、以下の説明は、以下の図に含まれる参照番号を参照しており、その中で、複数の図に描写されている特徴は、首尾一貫した参照番号を用いて指定される。
図面には、現在考察されている配置が示されているが、その現在の実施形態は、示されている厳密な配置及び手段に限定されないことを理解されたい。
本明細書に開示される様々な実施形態による、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するように構成された例示的なデジタル撮像及び学習システムを例解する。
本明細書で開示される様々な実施形態による、頭皮ベースの学習モデルを訓練及び/又は実装するために使用され得る例示的な画像及びその関連する画素データを例解する。
本明細書で開示される様々な実施形態による、それぞれの個人の頭皮皮膚又は毛包領域の特徴に対応する画像分類を有する頭皮画像の例示的なセットを例解する。
本明細書に開示される様々な実施形態による、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するためのデジタル撮像及び学習方法を例解する。
本明細書に開示される様々な実施形態による、ユーザコンピューティングデバイスのディスプレイ画面上でレンダリングされた例示的なユーザインターフェースを例解する。
これらの図は、例解のみを目的として、好ましい実施形態を描写している。本明細書に例解されるシステム及び方法の代替的な実施形態は、本明細書に記載の発明の原理から逸脱することなく採用され得る。
図1は、本明細書に開示される様々な実施形態による、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像(例えば、画像202a、202b、及び/又は202cのうちのいずれか1つ以上)の画素データを分析するように構成された例示的なデジタル撮像及び学習システム100を例解する。概して、本明細書で言及されるように、ユーザの頭皮の頭皮領域は、所与のユーザの頭皮の前頭皮領域、後頭皮領域、側頭皮領域、上部頭皮領域、全頭皮領域、部分的頭皮領域、又はカスタム画定された頭皮領域(例えば、カスタム遠近領域)のうちの1つ以上を指し得る。図1の例示的な実施形態では、デジタル撮像及び学習システム100は、サーバ102を含み、このサーバは、1つ以上のコンピュータサーバを含み得る。様々な実施形態では、サーバ102は、複数のサーバを含み、これらのサーバは、サーバファームの部分として、複数の冗長な又は複製されたサーバを含み得る。なおも更なる実施形態では、サーバ102は、クラウドベースのコンピューティングプラットフォームなどのクラウドベースのサーバとして実装され得る。例えば、撮像サーバ102は、MICROSOFT AZURE、AMAZON AWSなどの任意の1つ以上のクラウドベースのプラットフォームであり得る。サーバ102は、1つ以上のプロセッサ104、及び1つ以上のコンピュータメモリ106を含むことができる。様々な実施形態では、サーバ102は、本明細書では、「撮像サーバ」と称される場合がある。
メモリ106には、読み取り専用メモリ(read-only memory、ROM)、電子プログラマブル読み取り専用メモリ(electronic programmable read-only memory、EPROM)、ランダムアクセスメモリ(random access memory、RAM)、消去可能電子プログラマブル読み取り専用メモリ(erasable electronic programmable read-only memory、EEPROM)、及び/又は他のハードドライブ、フラッシュメモリ、MicroSDカードなどの、1つ以上の形態の揮発性及び/又は不揮発性の固定及び/又は取り外し可能なメモリが含まれ得る。メモリ106は、本明細書で考察されるように、機能、アプリ、方法、又は他のソフトウェアを容易にすることができるオペレーティングシステム(operating system、OS)(例えば、Microsoft Windows、Linux、UNIX等)を格納し得る。メモリ106はまた、頭皮ベースの学習モデル108を格納し得、頭皮ベースの学習モデルは、本明細書に記載されるように、様々な画像(例えば、画像202a、202b、及び/又は202c)に対して訓練された機械学習モデルなどの人工知能ベースのモデルであり得る。追加的、又は代替的に、頭皮ベースの学習モデル108はまた、データベース105内にも格納され得、このデータベースは、撮像サーバ102にアクセス可能であるか、又はそうでなければ通信可能に結合される。加えて、メモリ106はまた、機械可読命令も格納し得、この機械可読命令は、1つ以上のアプリケーション(例えば、本明細書に記載されるような撮像アプリケーション)、1つ以上のソフトウェアコンポーネント、及び/又は1つ以上のアプリケーションプログラミングインターフェース(application programming interfaces、API)のうちのいずれかを含み、それらは、本明細書内の様々なフロー図、例解図、略図、図、及び/又は他の開示について例解、描写、又は説明されているように、任意の方法、プロセス、要素、又は制限などの、本明細書に記載の特徴、機能、又は他の開示を容易にするか又は実行するように実装され得る。例えば、アプリケーション、ソフトウェアコンポーネント、又はAPIのうちの少なくともいくつかは、頭皮ベースの学習モデル108などの撮像ベースの機械学習モデル又はコンポーネントであり得、それらを含み得、そうでなければそれらの部分であり得、この場合、各々は、本明細書で考察されるそれらの様々な機能を容易にするように構成され得る。1つ以上の他のアプリケーションが想定され得、プロセッサ104によって実行されることを理解されたい。
プロセッサ104は、プロセッサ104及びメモリ106との間で、電子データ、データパケット、又はそうでなければ電子信号を伝送することを担うコンピュータバスを介してメモリ106に接続されて、本明細書内の様々なフロー図、例解図、略図、図、及び/又は他の開示について例解、描写、又は説明されているように、機械可読命令、方法、プロセス、要素、又は制限を実装又は実行し得る。
プロセッサ104は、コンピュータバスを介してメモリ106とインターフェース接続して、オペレーティングシステム(OS)を実行し得る。プロセッサ104はまた、コンピュータバスを介してメモリ106ともインターフェース接続して、メモリ106及び/又はデータベース104(例えば、Oracle、DB2、MySQLなどのリレーショナルデータベース、又はMongoDBなどのNoSQLベースのデータベース)に格納されるデータを作成、読み取り、更新、削除、又はそうでなければそのデータにアクセスするか若しくはそれと対話し得る。メモリ106及び/又はデータベース105に格納されたデータは、例えば、訓練画像及び/若しくはユーザ画像(例えば、画像202a、202b、及び/又は202cのうちのいずれか1つ以上を含む、頭皮画像(例えば、302l、302m、302h、312l、312m、312h、322l、322m、及び322h)、並びに/又は、人口統計、年齢、人種、肌のタイプ、髪のタイプ、髪型、などを含むユーザの他の画像及び/又は情報、又は本明細書に他に記載されたようなもの、を含む、本明細書に記載されたデータ又は情報の全て又は一部を含み得る。
撮像サーバ102は、1つ以上の外部/ネットワークポートを介して、本明細書に記載のコンピュータネットワーク120及び/又は端末109(レンダリング又は視覚化するための)などの1つ以上のネットワーク又はローカル端末にデータを通信(例えば、送信及び受信)するように構成された通信コンポーネントを更に含むことができる。いくつかの実施形態では、撮像サーバ102は、電子リクエストを受信及び応答することを担うASP.NET、Java J2EE、Ruby on Rails、Node.js、ウェブサービス、又はオンラインAPIなどのクライアントサーバプラットフォーム技術を含むことができる。撮像サーバ102は、コンピュータバスを介して、メモリ106(その中に格納されたアプリケーション、コンポーネント、API、データ等を含む)及び/又はデータベース105と対話し得るクライアントサーバプラットフォーム技術を実装して、本明細書内の様々なフロー図、例解図、略図、図、及び/又は他の開示について例解、描写、又は説明されているように、機械可読命令、方法、プロセス、要素、又は制限を実装又は実行し得る。
様々な実施形態では、撮像サーバ102は、IEEE標準規格、3GPP標準規格、又は他の標準規格に従って機能し、コンピュータネットワーク120に接続された外部/ネットワークポートを介してデータの受信及び伝送に使用され得る1つ以上の送受信機(例えば、WWAN、WLAN、及び/若しくはWPAN送受信機)を含むか、又はそれと対話し得る。いくつかの実施形態では、コンピュータネットワーク120は、プライベートネットワーク又はローカルエリアネットワーク(local area network、LAN)を含み得る。追加的、又は代替的に、コンピュータネットワーク120は、インターネットなどの公衆ネットワークを含み得る。
撮像サーバ102は、管理者若しくはオペレータに情報を提示し、かつ/又は管理者若しくはオペレータから入力を受信するように構成されたオペレータインターフェースを更に含むか、又は実装し得る。図1に示されるように、オペレータインターフェースは、ディスプレイ画面を提供し得る(例えば、端末109を介して)。撮像サーバ102はまた、I/Oコンポーネント(例えば、ポート、容量性又は抵抗性タッチセンシティブ入力パネル、キー、ボタン、照明、LED)も提供し得、それらは、撮像サーバ102を介して直接アクセス可能であり得、若しくはそのサーバに取り付けられ得るか、又は端末109を介して間接的にアクセス可能であり得るか、若しくはその端末に取り付けられ得る。いくつかの実施形態によれば、管理者又はオペレータは、端末109を介してサーバ102にアクセスして、情報を再調査し、変更を行い、訓練データ若しくは画像を入力し、毛髪ベースの学習モデル108の訓練を開始し、かつ/又は他の機能を実行し得る。
本明細書に記載されるように、いくつかの実施形態では、撮像サーバ102は、「クラウド」ネットワークの部分として本明細書で考察されたような機能を実行し得るか、又はそうでなければクラウド内の他のハードウェア又はソフトウェアコンポーネントと通信して、本明細書に記載のデータ又は情報を送信し、取り出し、又はそうでなければ分析し得る。
通常、コンピュータプログラム若しくはコンピュータベース製品、アプリケーション、又はコード(例えば、本明細書に記載のAIモデルなどのモデル若しくは他のコンピューティング命令)は、内部に具現化されたそのようなコンピュータ可読プログラムコード若しくはコンピュータ命令を有するコンピュータ使用可能記憶媒体、又は有形の非一時的コンピュータ可読媒体(例えば、標準的なランダムアクセスメモリ(RAM)、光ディスク、ユニバーサルシリアルバス(universal serial bus、USB)ドライブなど)上に格納され得、コンピュータ可読プログラムコード又はコンピュータ命令は、プロセッサ104(例えば、メモリ106内のそれぞれのオペレーティングシステムに関連して作業する)上にインストールされ得るか、又はそうでなければそのプロセッサによって実行されるように適合され得、本明細書内の様々なフロー図、例解図、略図、図、及び/又は他の開示について例解、描写、又は説明されているように、機械可読命令、方法、プロセス、要素、又は制限を容易にし、実装し、又は実行し得る。これに関して、プログラムコードは、任意の所望のプログラム言語で実装され得、機械コード、アセンブリコード、バイトコード、インタープリット型ソースコードなどとして(例えば、Golang、Python、C、C++、C#、Objective-C、Java、Scala、ActionScript、JavaScript、HTML、CSS、XML等を介して)実装され得る。
図1に示されるように、撮像サーバ102は、コンピュータネットワーク120を介して1つ以上のユーザコンピューティングデバイス111c1~111c3に、かつ/又は、基地局111b及び112bを介して112c1~112c4に、通信可能に接続されている。いくつかの実施形態では、基地局111b及び112bは、セルタワーなどのセルラー基地局を含むことができ、それらは、NMT、GSM、CDMA、UMMTS、LTE、5Gなどを含む、様々なモバイル電話標準規格のうちの任意の1つ以上に基づいて、無線通信121を介して、1つ以上のユーザコンピューティングデバイス111c1~111c3、及び112c1~112c4と通信する。追加的、又は代替的に、基地局111b及び112bは、非限定的な例によってIEEE802.11a/b/c/g(WIFI)、BLUETOOTH標準規格などを含む、様々な無線標準規格のうちの任意の1つ以上に基づいて、無線通信122を介して1つ以上のユーザコンピューティングデバイス111c1~111c3、及び112c1~112c4と通信するルータ、無線スイッチ、又は他のそのような無線接続ポイントを含み得る。
1つ以上のユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c4のうちのいずれかは、撮像サーバ102にアクセスし、かつ/若しくはそれと通信するためのモバイルデバイス及び/又はクライアントデバイスを備え得る。そのようなモバイルデバイスは、本明細書に記載されるような画像(例えば、画像202a、202b、及び/又は202cのうちのいずれか1つ以上)などの画像をキャプチャするための1つ以上のモバイルプロセッサ及び/又は撮像デバイスを備え得る。様々な実施形態では、ユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c3は、非限定的な例によって、APPLE iPhone若しくはiPadデバイス、又はGOOGLE ANDROIDベースのモバイル電話若しくはテーブルを含む、モバイル電話(例えば、セルラー電話)、タブレットデバイス、パーソナルデータアシスタンス(personal data assistance、PDA)などを含み得る。
追加の実施形態では、ユーザコンピューティングデバイス112c4は、ユーザがユーザの頭皮の詳細な画像をキャプチャするために使用し得るポータブル顕微鏡デバイスであり得る。具体的には、ポータブル顕微鏡デバイス112c4は、ユーザの頭皮の頭皮領域のほぼ微視的レベルで画像(例えば、画像202a、202b、及び/又は202cのうちのいずれか1つ以上)をキャプチャするように構成された顕微鏡カメラを含み得る。例えば、ユーザコンピューティングデバイス111c1~111c3及び112c1~112c3のいずれとも異なり、ポータブル顕微鏡デバイス112c4は、ユーザの頭皮との身体的接触を維持しながら、ユーザの頭皮の詳細な高倍率(例えば、60~200倍の倍率に対して2メガピクセル)画像をキャプチャし得る。特定の例として、ポータブル顕微鏡デバイス112c4は、ARAM HUVISによって開発されたAPI 202 HAIR SCALP ANALYSIS DEVICEであってもよい。特定の実施形態では、ポータブル顕微鏡デバイス112c4はまた、キャプチャされた画像及び/又は画像分析の結果をユーザに表示するように構成されたディスプレイ又はユーザインターフェースを含み得る。
追加的、又は代替的に、ポータブル顕微鏡デバイス112c4は、WiFi接続、BLUETOOTH接続、及び/又は任意の他の好適な無線接続を介して、ユーザコンピューティングデバイス112c1(例えば、ユーザのモバイル電話)に通信可能に結合され得、ポータブル顕微鏡デバイス112c4は、種々のオペレーティングプラットフォーム(例えば、Windows、iOS、Android等)と互換性があり得る。したがって、ポータブル顕微鏡デバイス112c4は、分析及び/又はユーザへの表示のために、キャプチャされた画像をユーザコンピューティングデバイス112c1に送信し得る。更に、ポータブル顕微鏡デバイス112c4は、ユーザの頭皮の高品質ビデオをキャプチャするように構成され得、ポータブル顕微鏡デバイス112c4及び/又は通信可能に結合されたユーザコンピューティングデバイス112c1(例えば、ユーザのモバイル電話)のディスプレイにユーザの頭皮の高品質ビデオをストリーミングし得る。特定の追加の実施形態では、ポータブル顕微鏡デバイス112c4及び通信可能に接続されたユーザコンピューティングデバイス112c1の各々のコンポーネントは、単一のデバイスに組み込まれ得る。
追加の実施形態では、ユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c3は、小売コンピューティングデバイスを備え得る。小売コンピューティングデバイスは、本明細書に記載されるような頭皮ベースの学習モデル108を実装するための、又は(例えば、サーバ102を介して)頭皮ベースの学習モデル108と通信するためのプロセッサ及びメモリを有することを含む、例えば、ユーザコンピューティングデバイス111c1~111c3に関して本明細書に記載されるようなモバイルデバイスと同じ又は同様の様式で構成されたユーザコンピュータデバイスを備え得る。追加的、又は代替的に、小売コンピューティングデバイスは、小売環境のユーザ及び/又は顧客が、小売環境内の現場でデジタル撮像及び学習システム並びに方法を利用することを可能にするように、小売環境内に位置し、設置され、又はそうでなければ位置決めされ得る。例えば、小売コンピューティングデバイスは、ユーザによるアクセスのためにキオスク内に設置され得る。ユーザは、次いで、本明細書に記載されるデジタル撮像及び学習システム並びに方法を実装するために、画像を(例えば、ユーザモバイルデバイスから)キオスクにアップロード又は転送し得る。追加的、又は代替的に、キオスクは、ユーザがアップロード及び転送のために自身の新しい画像を(例えば、保証される場合、プライベート様式で)撮影することを可能にするようにカメラを伴って構成され得る。そのような実施形態では、ユーザ又は消費者自身が、小売コンピューティングデバイスを使用して、本明細書に記載されるように、小売コンピューティングデバイスのディスプレイ画面上でユーザ固有の電子頭皮分類を受信し、かつ/又はレンダリングすることができる。
追加的、又は代替的に、小売コンピューティングデバイスは、現場でユーザ又は消費者と対話するために小売環境の従業員又は他の人員によって携行されるような(本明細書に記載されるような)モバイルデバイスであり得る。そのような実施形態では、ユーザ又は消費者は、小売コンピューティングデバイスを介して(例えば、ユーザのモバイルデバイスから小売コンピューティングデバイスに画像を転送することによって、又は小売コンピューティングデバイスのカメラによって新しい画像をキャプチャすることによって)、小売環境の従業員又はそうでなければ人員と対話して、本明細書に記載されるように、小売コンピューティングデバイスのディスプレイ画面上でユーザ固有の電子頭皮分類を受信及び/又はレンダリングすることが可能であり得る。
様々な実施形態では、1つ以上のユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c4は、AppleのiOS及び/若しくはGoogleのAndroidオペレーションシステムなどのオペレーティングシステム(OS)又はモバイルプラットフォームを実装又は実行し得る。1つ以上のユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c4のうちのいずれも、本明細書の様々な実施形態に記載されているように、コンピューティング命令又はコード、例えば、モバイルアプリケーション又はホーム若しくはパーソナルアシスタントアプリケーションを格納、実装、又は実行するための1つ以上のプロセッサ及び/又は1つ以上のメモリを含み得る。図1に示されるように、本明細書に記載される頭皮ベースの学習モデル108及び/若しくは撮像アプリケーション、又はそれらの少なくとも一部分はまた、ユーザコンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)のメモリ上にローカルに格納され得る。
ユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c4は、基地局111b及び/又は112bとの間で無線通信121及び/又は122を受信及び伝送するための無線送受信機を備え得る。様々な実施形態では、画素ベースの画像(例えば、画像202a、202b、及び/又は202c)は、モデル(例えば、頭皮ベースの学習モデル108)の訓練及び/又は本明細書に記載される画像分析のために、コンピュータネットワーク120を介して、撮像サーバ102に伝送され得る。
加えて、1つ以上のユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c4は、デジタル画像及び/又はフレーム(例えば、画像202a、202b、及び/又は202cのうちのいずれか1つ以上であり得る)をキャプチャ又は撮影するための撮像デバイス及び/又はデジタルビデオカメラを含み得る。各デジタル画像は、本明細書に記載されるように、AI又は機械学習モデルなどのモデルを訓練又は実装するための画素データを含み得る。例えば、ユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c4のうちのいずれかの撮像デバイス及び/又はデジタルビデオカメラは、デジタル画像(例えば、画素ベースの画像202a、202b、及び/又は202c)を撮影、キャプチャ、又はそうでなければ生成するように構成され得、少なくともいくつかの実施形態では、そのような画像をそれぞれのユーザコンピューティングデバイスのメモリに格納し得る。追加的、又は代替的に、そのようなデジタル画像はまた、サーバ102のメモリ106及び/又はデータベース105に伝送及び/又は格納され得る。
なおも更に、1つ以上のユーザコンピュータデバイス111c1~111c3及び/又は112c1~112c4の各々は、グラフィック、画像、テキスト、製品頭皮分類、データ、画素、特徴、及び/又は本明細書に記載されるような他のそのような視覚化若しくは情報を表示するためのディスプレイ画面を含み得る。様々な実施形態では、グラフィック、画像、テキスト、製品頭皮分類、データ、画素、特徴、及び/又は他のそのような視覚化若しくは情報は、ユーザコンピュータデバイス111c1~111c3及び/又は112c1~112c4のうちのいずれか1つ以上のディスプレイ画面上に表示するために、撮像サーバ102から受信され得る。追加的、又は代替的に、ユーザコンピューティングデバイスは、少なくとも部分的に、ディスプレイ画面上にテキスト及び/又は画像を表示するためのガイド付きユーザインターフェース(guided user interface、GUI)を含み得るか、実装し得るか、それへのアクセスを有し得るか、レンダリングし得るか、又はそうでなければ露出させ得る。
いくつかの実施形態では、サーバ(例えば、サーバ102)及び/又はモバイルデバイス(例えば、モバイルデバイス111c1)で実行されるコンピューティング命令及び/又はアプリケーションは、本明細書に記載されるように、1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するために、通信可能に接続され得る。例えば、サーバ102の1つ以上のプロセッサ(例えば、プロセッサ104)は、コンピュータネットワーク(例えば、コンピュータネットワーク120)を介して、モバイルデバイスに通信可能に結合され得る。そのような実施形態では、撮像アプリは、サーバ(例えば、サーバ102)の1つ以上のプロセッサ上で実行されるように構成されたサーバアプリ部分と、モバイルデバイス(例えば、1つ以上のユーザコンピューティングデバイス111c1~111c3及び/又は112c1~112c3のうちのいずれか)及び/又はスタンドアロンの撮像デバイス(例えば、ユーザコンピューティングデバイス112c4)の1つ以上のプロセッサ上で実行されるように構成されたモバイルアプリ部分と、を備え得る。そのような実施形態では、サーバアプリ部分は、モバイルアプリ部分と通信するように構成される。サーバアプリ部分又はモバイルアプリ部分は各々、(1)撮像デバイスによってキャプチャされた画像を受信すること、(2)ユーザの頭皮の画像分類を決定すること、(3)ユーザ固有の頭皮分類を生成すること、及び/又は(4)1つのユーザ固有の頭皮分類をモバイルアプリ部分に伝送すること、のうちの1つ以上を実装又は部分的に実装するように構成され得る。
図2は、本明細書で開示される様々な実施形態による、頭皮ベースの学習モデルを訓練及び/又は実装するために使用され得る例示的な画像202a及びその関連する画素データを例解する。様々な実施形態では、図1に示されるように、画像202aは、ユーザ(例えば、ユーザ202au)によってキャプチャされた画像であり得る。画像202a(並びにユーザ202bu及びユーザ202cuそれぞれの画像202b及び/又は202c)は、図1に示されるように、コンピュータネットワーク120を介してサーバ102に伝送され得る。そのような画像は、ユーザ自身によって、又は、追加的に若しくは代替的に、そのような画像がユーザの代わりに使用及び/若しくは伝送される小売業者等の他者によってキャプチャされ得ることを理解されたい。
より一般的には、例示的な画像202a、202b、及び202cなどのデジタル画像は、撮像サーバ102で収集又は集約され得、頭皮ベースの学習モデル(例えば、本明細書に記載されるような機械学習撮像モデルなどのAIモデル)によって分析され、かつ/又はそれを訓練するために使用され得る。これらの画像の各々は、特徴データを含み、かつそれぞれの画像内のそれぞれのユーザの頭皮領域に対応する画素データ(例えば、RGBデータ)を含み得る。画素データは、ユーザコンピューティングデバイス(例えば、1つ以上のユーザコンピュータデバイス111c1~111c3及び/又は112c1~112c4)のうちの1つの撮像デバイスによってキャプチャされ得る。
本明細書に記載されるようなデジタル画像に関して、画素データ(例えば、図2の画素データ202ap)は、画像内のデータの個々の点又は正方形を含み、各点又は正方形は、画像内の単一の画素(例えば、画素202ap1、画素202ap2、及び画素202ap3の各々)を表す。各画素は、画像内の特定の場所にあり得る。加えて、各画素は、特定の色(又はその欠如)を有し得る。画素色は、所与の画素と関連付けられた色フォーマット及び関連するチャネルデータによって決定され得る。例えば、一般的な色フォーマットは、人間の色知覚を模倣するように構成される1976 CIELAB(本明細書では「CIE L*-a*-b*」又は単に「L*a*b*」色フォーマットとも参照される)色フォーマットである。すなわち、L*a*b*色フォーマットは、L*a*b*色フォーマットを表す3つの値(例えば、L*、a*、及びb*)の数値変化量が、人間による視覚的に知覚される変化量と略同じ量に対応するように設計されている。この色フォーマットは、例えば、L*a*b*色域(例えば、色フォーマットの一部として含まれる色の完全なサブセット)が、赤(R)、緑(G)、及び青(B)(まとめてRGB)の色域と、シアン(C)、マゼンタ(M)、黄(Y)、及び黒(K)(まとめてCMYK)の色域の両方を含むため、有利である。
L*a*b*色フォーマットでは、色は、三次元座標系(L*、a*、b*)によって定義されるように、三次元空間内の点として見られ、L*データ、a*データ、及びb*データの各々は、個々の色チャネルに対応し得、したがって、チャネルデータとして参照され得る。この三次元座標系において、L*軸は、0(黒)から100(白)までの値を有する色の明るさ(輝度)を説明する。a*軸は、赤色の色相を示す正のa*値(+a*)及び緑色の色相を示す負のa*値(-a*)を有する色の緑色又は赤色の比率を説明する。b*軸は、黄色の色相を示す正のb*値(+b*)及び青色の色相を示す負のb*値(-b*)を有する色の青色又は黄色の比率を説明する。一般に、a*軸及びb*軸に対応する値は、a*軸及びb*軸が任意の好適な数値を含んで軸境界を表し得るように、無制限であってもよい。しかしながら、a*軸及びb*軸は、典型的には、約150~-150の範囲の下限及び上限を含み得る。したがって、このようにして、各画素色値は、L*、a*、及びb*値の3タプルとして表されて、所与の画素の最終的な色を作成し得る。
別の例として、一般的な色フォーマットは、赤、緑、及び青のチャネルを有する赤-緑-青(red-green-blue、RGB)フォーマットを含む。すなわち、RGBフォーマットでは、画素のデータは、画像内の画素のエリアの色を操作するために、チャネルデータと称され得る3つの数値RGB成分(赤、緑、青)によって表される。いくつかの実装形態では、3つのRGB成分は、画素ごとに3つの8ビット数として表され得る。3つの8ビットバイト(RGBの各々に対して1バイト)を使用して、24ビット色を生成し得る。各8ビットRGB成分は、0~255の範囲の256個の可能な値を有することができる(すなわち、基数2の2進システムでは、8ビットバイトは、0~255の範囲の256個の数値のうちの1つを含むことができる)。このチャネルデータ(R、G、及びB)は、画素の色を設定するために使用され得る、0~255までの値を割り当てられ得る。例えば、(赤=250、緑=165、青=0)を意味する(250、165、0)のような3つの値は、1つのオレンジ画素を表すことができる。更なる例として、(赤=255、緑=255、青=0)は、赤及び緑を意味し、各々完全に飽和され(255は8ビットが可能な明るさである)、青がなく(ゼロ)、結果として生じる色は黄色である。なおも更なる例として、黒色は、(赤=0、緑=0、青=0)のRGB値を有し、白は、(赤=255、緑=255、青=255)のRGB値を有する。グレーは、等しい又は同様のRGB値を有する特性を有し、例えば、(赤=220、緑=220、青=220)は、明るいグレー(白に近い)であり、(赤=40、緑=40、青=40)は、暗いグレー(黒に近い)である。
このようにして、3つのRGB値の合成は、所与の画素に対する最終的な色を生成する。色を定義するために3バイトを使用する24ビットRGB色画像では、256階調の赤、256階調の緑、及び256階調の青が存在し得る。これは、256×256×256、すなわち、24ビットRGB色画像に対して1670万の可能な組み合わせ又は色を提供する。したがって、画素のRGBデータ値は、赤、緑、及び青画素の各々からなる色又は光の程度を示す。3つの色及びそれらの強度レベルは、その画像画素において、すなわち、ディスプレイ画面上のその画素位置において組み合わされて、その位置においてその色でディスプレイ画面を照明する。しかしながら、より少ない又はより多いビット、例えば、10ビットを有する他のビットサイズが、より少ない又はより多い全体的な色及び範囲をもたらすために使用され得ることが理解されるべきである。
全体として、グリッドパターン(例えば、画素データ202ap)内に一緒に位置決めされた様々な画素は、デジタル画像又はその一部分を形成する。単一のデジタル画像は、数千又は数百万の画素を含むことができる。画像は、JPEG、TIFF、PNG、及びGIFなどのいくつかのフォーマットでキャプチャ、生成、格納、及び/又は伝送することができる。これらのフォーマットは、画像を格納又は表現するために画素を使用する。
図2を参照すると、例示的な画像202aは、ユーザ又は個人の頭皮領域を例解する。より具体的には、画像202aは、ユーザ又は個人の頭皮の頭皮領域を画定する画素データ202apを含む、画素データを含む。画素データ202apは、画素202ap1、画素202ap2、及び画素202ap3を含む複数の画素を含む。例示的な画像202aでは、画素202ap1、画素202ap2、及び画素202ap3の各々は、頭皮領域の画像分類に対応する頭皮皮膚又は毛包領域の特徴を各々表す。概して、様々な実施形態では、ユーザの頭皮皮膚又は毛包領域の特徴は、以下のうちの1つ以上を含み得る:(1)白色皮脂残留物、(2)頭皮皮膚の1つ以上のしわ、(3)頭皮皮膚の1つ以上の裂皮、(4)1つ以上の頭皮栓、及び/又は(5)頭皮ざ瘡。これらの特徴の各々は、デジタル画像(例えば、画像202a)における1つ以上の画素から決定され得るか、又はそうでなければそれに基づき得る。例えば、画像202aに関して、画素202ap1、202ap2、及び202ap3の各々は、ユーザの頭皮の頭皮領域における画素データ202ap内に位置する比較的明るい画素(例えば、比較的高いL*値を有する画素)及び/又は比較的黄色の画素(例えば、比較的高い又は正のb*値を有する画素)であり得る。画素202ap1、202ap2、及び202ap3の各々は、より暗い及び/又はより青い(例えば、負又はより低い相対b*値)画素によって囲まれ得、画素202ap1、202ap2、及び202ap3の各々が、画像202aにおける画素202ap1、202ap2、及び202ap3の各々によって表された場所における頭皮栓を表すことを示す。したがって、画像202aは、表された頭皮領域をユーザの頭皮上に1つ以上の頭皮栓を有するものとして分類する頭皮栓画像分類を受信し得る。
画素202ap1、202ap2、及び202ap3に加えて、画素データ202apは、モデルの訓練、及び/又は本明細書に記載されるような頭皮ベースの学習モデル108などのすでに訓練されたモデルの使用による分析のために分析及び/又は使用され得る、様々な他の頭皮領域及び/又は頭皮皮膚又は毛包領域の部分を含む、ユーザの頭皮の残りの部分を含む、様々な他の画素を含む。例えば、画素データ202apは、(1)(例えば、画素データ202ap内の1つ以上の画素の相対輝度(例えば、白色度又はL*値)に基づく)白色残留物画像分類、(2)(例えば、画素202ap1、202ap2、及び202ap3の各々について説明されるような)頭皮栓画像分類、及び/又は(3)(例えば、画素データ202ap内の1つ以上の画素の赤み(例えば、a*値)に基づく)頭皮ざ瘡画像分類、並びに図2に示されるような他の分類及び/又は特徴を含むが、それらに限定されない、様々な画像分類に対応する頭皮皮膚又は毛包領域の特徴を表す画素を更に含む。
訓練画像、ユーザによって提出された画像、又はそうでなければデジタル画像(例えば、画像202a、202b、及び/又は202cのいずれか)などのデジタル画像は、トリミングされた画像であり得るか、又はトリミングされた画像を含み得る。概して、トリミングされた画像は、元々キャプチャされた画像から1つ以上の画素が除去され、削除され、又は隠された画像である。例えば、図2を参照すると、画像202aは元の画像を表す。トリミングされた部分202ac1は、容易に識別可能な頭皮皮膚又は毛包領域特徴を含まない可能性があるユーザの頭皮の部分(トリミングされた部分202ac1の外側)を除去する、画像202aの第1のトリミングされた部分を表す。更なる例として、トリミングされた部分202ac2は、トリミングされた部分202ac2に含まれる特徴と同じくらい容易に識別可能であり、したがって訓練データとしてあまり有用でない可能性がある頭皮皮膚又は毛包領域特徴を含まない可能性がある画像の部分(トリミングされた部分202ac2の外側)を除去する、画像202aの第2のトリミングされた部分を表す。様々な実施形態では、訓練のためにトリミングされた画像を分析及び/又は使用することは、頭皮ベースの学習モデルの改善された正確度をもたらす。それはまた、そのようなシステムがより小さいサイズのデジタル画像を処理、格納、及び/又は転送するという点で、基礎となるコンピュータシステムの効率及び性能を改善する。
図2の画像202aに関する開示は、例えば、画像202b及び202cを含む、本明細書に記載される他のデジタル画像にも同じ又は同様に適用され、そのような画像はまた、本明細書に記載されるように、モデルの訓練のために分析及び/又は使用され得る画素を含むことを理解されたい。
加えて、ユーザの頭皮の頭皮領域のデジタル画像は、本明細書に記載されるように、様々な頭皮皮膚及び毛包領域の特徴を描写し得、それは、様々な異なる頭皮皮膚及び毛包領域の特徴を有する様々な異なるユーザにわたって頭皮ベースの学習モデルを訓練するために使用され得る。例えば、画像202a、202b、及び202cに関して例解されるように、これらの画像のユーザの頭皮領域は、それぞれの画像の画素データで識別可能なユーザの頭皮の頭皮皮膚及び毛包領域の特徴を含む。これらの頭皮皮膚及び毛包領域の特徴は、例えば、1つ以上の頭皮栓(例えば、画像202aに描写される)、頭皮皮膚の白色皮脂残留物及び1つ以上のしわ/裂皮(例えば、画像202bに描写されるような)、並びに頭皮ざ瘡(例えば、画像202cに描写される)を含む。
様々な実施形態では、デジタル画像(例えば、画像202a、202b、及び202c)は、個人を描写する訓練画像として使用されるか、又は分析及び/若しくは頭皮分類のためにユーザ若しくは個人を描写する画像として使用されるかにかかわらず、それぞれの個人又はユーザの各々の頭皮領域を描写する複数の角度又は視点を含み得る。複数の角度又は視点は、異なるビュー、位置、ユーザ及び/若しくは背景の近さ、照明条件、又はそうでなければユーザが所与の画像において位置決めされる環境を含み得る。例えば、図3は、それぞれの個人及び/又はユーザの頭皮領域を描写し、異なる照明条件(例えば、可視、UV)を使用してキャプチャされる、頭皮画像(例えば、302l、302m、302h、312l、312m、312h、322l、322m、及び322h)を含む。より具体的には、図3は、本明細書に開示される様々な実施形態による、それぞれの個人の頭皮皮膚及び/又は毛包領域の特徴に対応する画像分類(例えば、300a、300b、及び300c)を有する頭皮画像(302l、302m、302h、312l、312m、312h、322l、322m、及び322h)の例示的なセット300を例解する。そのような画像は、本明細書に記載されるように、頭皮ベースの学習モデルを訓練するために、又は分析及び/若しくはユーザ固有の頭皮分類のために使用され得る。
図3に示されるように、頭皮画像(302l、302m、302h、312l、312m、312h、322l、322m、及び322h)は、頭皮のトリミングされた画像、すなわち、ユーザ又は個人の頭皮部分を含むようにトリミングされた画像(例えば、画像202aのトリミングされた部分202ac2について本明細書で説明したように)を含み得る。いくつかの実施形態では、訓練画像及び/又はユーザ若しくはその他によって提供される画像(例えば、画像202a、202b、及び/又は202cのうちのいずれか)などのデジタル画像は、少なくとも1つ以上の特徴が除去された頭皮皮膚及び/又は毛包領域を描写するトリミングされた画像であり得るか、又はそれを含み得る。追加的、又は代替的に、画像は、ユーザの個人識別可能情報(PII)を描写することなく、ユーザの抽出又は描写された頭皮領域をトリミングされたものとして、又はそうでなければ含むものとして送信され得る。そのような特徴は、トリミング又は編成された画像、特に、ネットワーク(例えば、インターネット)を介して伝送され得る画像が、ユーザのPII情報を含まずによりセキュアであるため、セキュリティの改善を提供し、すなわち、PIIの除去が、従来のシステムを上回る改善を提供する。重要なことに、本明細書に記載されるシステム及び方法は、そのような本質的でない情報を必要とせずに動作し得、これは、慣習的なシステムを上回る改善、例えば、セキュリティ及び性能改善を提供する。
更に、図3は、トリミングされた画像を描写及び記載し得るが、しかしながら、元のトリミングされていない画像(例えば、元の画像202a)及び/又は他のタイプ/サイズのトリミングされた画像(例えば、画像202aのトリミングされた部分202ac1)を含むが、これらに限定されない他の画像タイプが同様に使用又は置換され得ることを理解されたい。
図3を参照すると、画像セット302の画像の各々は、白色残留物画像分類300aを有するものとして分類され、割り当てられ、又は別様に識別される。「白色残留物」画像分類は、ユーザの頭皮皮膚又は毛包領域が、例えば、脂漏性皮膚炎、フケ、及び/又はユーザの頭皮の頭皮皮膚又は毛包領域上の他の白色鱗屑、薄片、若しくは外皮を示す特徴(例えば、所与の画像の画素データ内で識別可能)を有することを示す。所与の画像を白色残留物画像分類として分類することを決定することは、白色光照明源を使用してキャプチャされた画像(及びその関連する画素データ)を分析することを含み得る。追加的に又は代替的に、任意の好適な照明源が使用され得、白色残留物画像分類を決定するために、頭皮領域の1つを超える画像又はユーザの頭皮の1つを超える頭皮領域が同様に分析され得ることが理解されるべきである。
頭皮皮膚及び毛包領域の1つ以上の特徴に対応する分類を含む、本明細書に記載される分類の各々はまた、所与の分類に対する所与の特徴(例えば、白色残留物、頭皮栓、頭皮ざ瘡等)の下位分類又は異なる程度を含み得る。例えば、画像セット302に関して、頭皮画像302lは、それぞれの画素データ(例えば、画像領域302laの一部として含まれる画素データのL*値)から決定される頭皮画像302lが、頭皮画像302lに描写されるように、ユーザの頭皮上に白色残留物が少ない又はないことを示すことを示す「低白色残留物」(1に対応する白色残留物のグレード又は値を有する)の下位分類又は程度を有するものとして、分類され、割り当てられ、又は別様に識別されている。同様に、頭皮画像302mは、それぞれの画素データ(例えば、「302ma」として集合的に参照される画像領域の一部として含まれる画素データのL*値)から決定される頭皮画像302mが、頭皮画像302mに描写されるように、ユーザの頭皮上に中程度の量の白色残留物を示すことを示す、「中白色残留物」(2に対応する白色残留物のグレード又は値を有する)の下位分類又は程度を有するものとして、分類され、割り当てられ、又は別様に識別されている。最後に、頭皮画像302hは、それぞれの画素データ(例えば、「302ha」として集合的に参照される画像領域の一部として含まれる画素データのL*値)から決定される頭皮画像302hが、頭皮画像302hに描写されるように、ユーザの頭皮上に多量の白色残留物を示すことを示す、「高白色残留物」(3に対応する白色残留物のグレード又は値を有する)の下位分類又は程度を有するものとして、分類され、割り当てられ、又は別様に識別されている。特定の分類(例えば、白色残留物画像分類)及び関連する下位分類又は程度を示すそれぞれの特徴を有する画像セット302の画像の各々は、頭皮ベースの学習モデルに提供される画像(例えば、ユーザ画像202a、202b、及び/又は202c)における分類及び/又は白色残留物ベースの特徴(及び、様々な実施形態では、その程度)を検出、決定、又は予測する際に頭皮ベースの学習モデルをより正確にするために、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)を訓練又は再訓練するために使用され得る。
図3を更に参照すると、画像セット312の画像の各々は、頭皮栓画像分類300bを有するものとして分類され、割り当てられ、又は別様に識別されている。「頭皮栓」画像分類は、ユーザの頭皮皮膚又は毛包領域が、ユーザの頭皮の頭皮皮膚又は毛包領域上の頭皮栓(例えば、過剰な皮脂堆積物)を示す特徴(例えば、所与の画像の画素データ内で識別可能)を有することを示す。所与の画像を頭皮栓画像分類として分類することを決定することは、自己蛍光材料(例えば、頭皮栓)をキャプチャするために紫外線(ultraviolet、UV)照明源を使用してキャプチャされた画像(及びその関連する画素データ、例えば、画像202aの画素202ap1~3)を分析することを含み得る。例えば、頭皮栓は、画像がUV照明源を使用してキャプチャされる場合、ユーザの頭皮の頭皮領域のキャプチャされた画像において黄色がかって見える場合がある(例えば、頭皮画素は、正のb*値を有し得る)。追加的に又は代替的に、他の好適な照明源が使用されてもよく、頭皮栓画像分類を決定するために、頭皮領域の1つを超える画像又はユーザの頭皮の1つを超える頭皮領域が同様に分析されてもよいことが理解されるべきである。
画像セット312に関して、頭皮画像312lは、頭皮画像312lに描写されるように、それぞれの画素データから決定される頭皮画像312lが、ユーザの頭皮上に頭皮栓が少ない又はないことを示す「低頭皮栓」(1に対応する頭皮栓のグレード又は値を有する)の下位分類又は程度を有するものとして、分類され、割り当てられ、又は別様に識別されている。同様に、頭皮画像312mは、それぞれの画素データ(例えば、「312ma」として集合的に参照される画像領域の一部として含まれる画素データのb*値)から決定される頭皮画像312mが、頭皮画像312mに描写されるように、ユーザの頭皮上に中程度の量の頭皮栓を示すことを示す、「中頭皮栓」(2に対応する頭皮栓のグレード又は値を有する)の下位分類又は程度を有するものとして分類され、割り当てられ、又は別様に識別されている。最後に、頭皮画像312hは、それぞれの画素データ(例えば、「312ha」として集合的に参照される画像領域の一部として含まれる画素データのb*値)から決定される頭皮画像312hが、頭皮画像312hに描写されるように、ユーザの頭皮上に多量の頭皮栓を示すことを示す、「高頭皮栓」(3に対応する頭皮栓のグレード又は値を有する)の下位分類又は程度を有するものとして分類され、割り当てられ、又は別様に識別されている。特定の分類(例えば、頭皮栓画像分類)及び関連する下位分類又は程度を示すそれぞれの特徴を有する画像セット312の画像の各々は、頭皮ベースの学習モデルに提供される画像(例えば、ユーザ画像202a、202b、及び/又は202c)における分類及び/又は頭皮栓ベースの特徴(及び、様々な実施形態では、その程度)を検出、決定、又は予測する際に頭皮ベースの学習モデルをより正確にするために、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)を訓練又は再訓練するために使用され得る。
引き続き図3を参照すると、画像セット322の画像は、頭皮ざ瘡画像分類300cを有するものとして分類され、割り当てられ、又は別様に識別されている。「頭皮ざ瘡」画像分類は、ユーザの頭皮皮膚又は毛包領域が、ユーザの頭皮の頭皮皮膚又は毛包領域上の頭皮ざ瘡を示す特徴(例えば、所与の画像の画素データ内で識別可能)を有することを示す。所与の画像を頭皮ざ瘡画像分類として分類することを決定することは、自己蛍光材料(例えば、頭皮ざ瘡)をキャプチャするためにUV照明源を使用してキャプチャされた画像(及びその関連画素データ)を分析することを含み得る。例えば、頭皮ざ瘡は、画像がUV照明源を使用してキャプチャされる場合、ユーザの頭皮の頭皮領域のキャプチャされた画像において赤みがかって見える場合がある(例えば、頭皮ざ瘡画素は、正のa*値を有し得る)。追加的に又は代替的に、他の好適な照明源が使用されてもよく、頭皮栓画像分類を決定するために、頭皮領域の1つを超える画像又はユーザの頭皮の1つを超える頭皮領域が同様に分析されてもよいことが理解されるべきである。
画像セット322に関して、頭皮画像322lは、それぞれの画素データから決定される頭皮画像322lが、頭皮画像322lに描写されるように、ユーザの頭皮上に頭皮ざ瘡が少ないか又はないことを示すことを示す、「低頭皮ざ瘡」(1に対応する頭皮ざ瘡のグレード又は値を有する)の下位分類又は程度を有するものとして分類され、割り当てられ、又は別様に識別されている。同様に、頭皮画像322mは、それぞれの画素データ(例えば、「322ma」として集合的に参照される画像領域の一部として含まれる画素データのa*値)から決定される頭皮画像322mが、頭皮画像322mに描写されるように、ユーザの頭皮上に中程度の量の頭皮ざ瘡を示すことを示す、「中頭皮ざ瘡」(2に対応する頭皮ざ瘡のグレード又は値を有する)の下位分類又は程度を有するものとして分類され、割り当てられ、又は別様に識別されている。最後に、頭皮画像322hは、それぞれの画素データ(例えば、「322ha」として集合的に参照される画像領域の一部として含まれる画素データのa*値)から決定される頭皮画像322hが、頭皮画像322hに描写されるように、ユーザの頭皮上に多量の頭皮ざ瘡を示すことを示す、「高頭皮ざ瘡」(3に対応する頭皮ざ瘡のグレード又は値を有する)の下位分類又は程度を有するものとして分類され、割り当てられ、又は別様に識別されている。特定の分類(例えば、頭皮ざ瘡画像分類)及び関連する下位分類又は程度を示すそれぞれの特徴を有する画像セット322の画像の各々は、頭皮ベースの学習モデルに提供される画像(例えば、ユーザ画像202a、202b、及び/又は202c)における分類及び/又は頭皮ざ瘡ベースの特徴(及び、様々な実施形態では、その程度)を検出、決定、又は予測する際に頭皮ベースの学習モデルをより正確にするために、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)を訓練又は再訓練するために使用され得る。
図3は、白色残留物、頭皮栓、及び頭皮ざ瘡を含む画像特徴についての3つの画像分類を例解するが、追加の分類(例えば、頭皮皮膚の裂皮/しわなど)が本明細書で同様に企図されることを理解されたい。加えて、様々な分類が一緒に使用され得、単一の画像が、複数の画像分類を有するものとして分類され得るか、又はそうでなければ複数の画像分類と共に識別され得る。例えば、様々な実施形態では、コンピューティング命令は、(例えば、サーバ102及び/又はユーザコンピューティングデバイスの)1つ以上のプロセッサに、頭皮ベースの学習モデルの1つ以上の画像分類から選択されたユーザの頭皮領域の第2の画像分類を決定するために、頭皮ベースの学習モデルによって、撮像デバイスによってキャプチャされた画像を更に分析させ得る。本明細書に記載されるようなユーザ固有の頭皮分類は、ユーザの頭皮領域の第2の画像分類に更に基づき得る。第3、第4等の画像分類はまた、所与の画像に対して割り当てられ、かつ/又は使用され得る。
図4は、本明細書に開示される様々な実施形態による、1つ以上のユーザ固有の頭皮分類を生成するためにユーザの頭皮の頭皮領域の画像(例えば、画像202a、202b、及び/若しくは202cのいずれか、並びに/又は頭皮画像(302l、302m、302h、312l、312m、312h、322l、322m、及び/若しくは322h))の画素データを分析するためのデジタル撮像及び学習方法400を例解する。方法400で使用されるような、かつより一般的に本明細書に記載されるような画像は、撮像デバイス(例えば、ユーザコンピューティングデバイス111c1の撮像デバイス)によってキャプチャされた画素ベースの画像である。いくつかの実施形態では、画像は、デジタルビデオカメラを使用して収集された複数の画像(例えば、フレーム)などの複数の画像を含むか、又はそれらを指し得る。フレームは、動きを定義する連続画像を含み、動画、ビデオなどを含むことができる。
ブロック402で、方法400は、1つ以上のプロセッサ(例えば、サーバ102の1つ以上のプロセッサ104及び/又はモバイルデバイスなどのコンピュータユーザデバイスのプロセッサ)上で実行される撮像アプリケーション(アプリ)で、ユーザの画像を受信することを含む。画像は、撮像デバイス(例えば、ユーザコンピューティングデバイス111c1又は112c4の撮像デバイス)によってキャプチャされたデジタル画像を含み得る。画像は、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含み得る。特に、特定の態様では、ユーザの頭皮の頭皮領域は、(i)正面頭皮領域、(ii)中央頭皮領域、(iii)カスタム画定された頭皮領域、及び/若しくは他の好適な頭皮領域、又はこれらの組み合わせのうちの少なくとも1つを含み得る。
いくつかの態様では、1つ以上のプロセッサは、ハンドヘルドデバイス(例えば、ユーザコンピューティングデバイス111c1)又はポータブル顕微鏡(例えば、ポータブル顕微鏡デバイス112c4)のうちの少なくとも1つを含み得るモバイルデバイスのプロセッサを備え得る。したがって、これらの態様では、撮像デバイスは、モバイルデバイスのデジタルカメラを備え得る。例えば、撮像デバイスがポータブル顕微鏡(例えば、ポータブル顕微鏡デバイス112c4)である場合、ユーザは、ポータブル顕微鏡のカメラを使用してユーザの頭皮領域の画像をキャプチャしてもよく、ポータブル顕微鏡は、本明細書に説明される方法400の動作に従って、ポータブル顕微鏡の1つ以上のプロセッサを使用して、キャプチャされた画像を処理/分析してもよく、及び/又は処理/分析のために、接続されたモバイルデバイス(例えば、ユーザコンピューティングデバイス112c1)にキャプチャされた画像を伝送してもよい。
ブロック404で、方法400は、ユーザの頭皮領域の少なくとも1つの画像分類を決定するために、撮像アプリによってアクセス可能な頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)によって、撮像デバイスによってキャプチャされた画像を分析することを含む。少なくとも1つの画像分類は、頭皮ベースの学習モデルの1つ以上の画像分類(例えば、白色残留物画像分類300a、頭皮栓画像分類300b、及び/又は頭皮ざ瘡画像分類300cのうちのいずれか1つ以上)から選択される。
様々な実施形態において本明細書で言及される頭皮ベースの学習モデル(例えば、訓練頭皮ベースの学習モデル108)は、それぞれの個人の頭皮の頭皮領域を描写する、複数の訓練画像(例えば、画像202a、202b、及び/又は202cのうちのいずれか、後部頭皮画像(302l、302m、302h、312l、312m、312h、322l、322m、及び/又は322h、並びに/又は、前部頭皮画像(352l、352m、352h、362l、362m、362h、372l、372m、及び/若しくは372h)の画素データを用いて訓練される。頭皮ベースの学習モデルは、それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように構成されるか、又はそうでなければ動作可能である。様々な実施形態では、複数の訓練画像のうちの1つ以上、又はユーザの少なくとも1つの画像は各々、頭皮皮膚特徴又は毛包特徴の単一インスタンスを有する頭皮を描写する少なくとも1つのトリミングされた画像を含む。更に、様々な実施形態では、複数の訓練画像のうちの1つ以上、又はユーザの少なくとも1つの画像は、それぞれの個人又はユーザの頭皮領域を描写する複数の角度又は視点を備える。
様々な実施形態では、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)によって決定された1つ以上の画像分類は、(1)白色残留物画像分類、(2)頭皮栓画像分類、及び/又は(3)頭皮ざ瘡画像分類のうちの1つ以上を含み得る。様々な実施形態では、ユーザの頭皮領域は、画素データ内で識別可能な1つ以上の頭皮皮膚特徴を有する頭皮皮膚を含み、1つ以上の頭皮皮膚特徴は、(1)白色皮脂残留物、(2)頭皮皮膚の1つ以上のしわ、及び/又は(3)頭皮皮膚の1つ以上の裂皮、のうちの1つ以上を含み得る。様々な実施形態では、ユーザの頭皮領域は、画素データ内で識別可能な1つ以上の毛包特徴を有する毛包領域を含み、1つ以上の毛包特徴は、(1)1つ以上の頭皮栓、及び/又は(2)頭皮ざ瘡のうちの1つ以上を含み得る。
様々な実施形態では、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)は、少なくとも1つの人工知能(AI)アルゴリズムで訓練されたAIベースのモデルである。頭皮ベースの学習モデル108の訓練は、頭皮ベースの学習モデル108の重みを構成するための訓練画像の画像分析、並びに将来の画像を予測及び/又は分類するために使用されるその基礎となるアルゴリズム(例えば、機械学習又は人工知能アルゴリズム)を伴う。例えば、本明細書の様々な実施形態では、頭皮ベースの学習モデル108の生成は、複数の個人の複数の訓練画像を用いて頭皮ベースの学習モデル108を訓練することを伴い、訓練画像の各々は、画素データを含み、それぞれの個人の頭皮の頭皮領域を描写する。いくつかの実施形態では、サーバ又はクラウドベースのコンピューティングプラットフォーム(例えば、撮像サーバ102)の1つ以上のプロセッサは、コンピュータネットワーク(例えば、コンピュータネットワーク120)を介して、複数の個人の複数の訓練画像を受信し得る。そのような実施形態では、サーバ及び/又はクラウドベースのコンピューティングプラットフォームは、複数の訓練画像の画素データを用いて頭皮ベースの学習モデルを訓練し得る。
様々な実施形態では、本明細書に記載される機械学習撮像モデル(例えば、頭皮ベースの学習モデル108)は、教師あり又は教師なしの機械学習プログラム又はアルゴリズムを使用して訓練され得る。機械学習プログラム又はアルゴリズムは、ニューラルネットワークを採用し得、そのニューラルネットワークは、畳み込みニューラルネットワーク、深層学習ニューラルネットワーク、又は特定の関心エリア内での2つ以上の特徴若しくは特徴データセット(例えば、画素データ)を学習する混合学習モジュール若しくはプログラムであり得る。これらの機械学習プログラム又はアルゴリズムには、自然言語処理、意味解析、自動推論、回帰分析、サポートベクタマシン(support vector machine、SVM)分析、決定樹解析、ランダムフォレスト分析、K近傍法分析、単純ベイズ分析、クラスタリング、強化学習、並びに/又は他の機械学習アルゴリズム及び/若しくは技術もまた含まれ得る。いくつかの実施形態では、人工知能及び/又は機械学習ベースのアルゴリズムは、撮像サーバ102上で実行されるライブラリ又はパッケージとして含まれ得る。例えば、ライブラリは、TENSORFLOWベースのライブラリ、PYTORCHライブラリ、及び/又はSCIKIT-LEARN Pythonライブラリを含み得る。
機械学習は、後続のデータの予測又は識別を容易にするために、(新しい画像の新しい画素データに対してモデルを使用して、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を決定又は生成するなどのために)、既存データ内のパターンを識別及び認識すること(本明細書に記載されるように、画像の画素データにおける頭皮皮膚、毛包領域、及び/又は他の頭皮関連特徴の特徴を識別することなど)を伴い得る。
いくつかの実施形態について本明細書に記載の頭皮ベースの学習モデルなどの機械学習モデルは、例示的なデータ(例えば、「訓練データ」及び関連する画素データ)入力又はデータ(「特徴」及び「ラベル」と呼ばれ得る)に基づいて作成及び訓練されて、試験レベル又は生産レベルのデータ又は入力などの新しい入力についての有効かつ信頼できる予測を行うことができる。教師あり機械学習では、サーバ、コンピューティングデバイス、又はそうでなければプロセッサ上で動作する機械学習プログラムは、例示的な入力(例えば、「特徴」)、及びそれらの関連する又は観察される出力(例えば、「ラベル」)を提供されて、機械学習プログラム又はアルゴリズムは、例えば、モデルの様々な特徴カテゴリにわたって重み付け若しくは他の測定項目をそのモデルに対して決定すること及び/又は割り当てることによって、出力(例えば、ラベル)に対してそのような入力(例えば、「特徴」)をマッピングする規則、関係、パターン、又はそうでなければ機械学習「モデル」を決定又は発見し得る。次いで、そのような規則、関係、又はそうでなければモデルは、後続の入力が提供されて、そのモデルがサーバ、コンピューティングデバイス、又はそうでなければプロセッサ上で実行され、発見された規則、関係、又はモデルに基づいて、予想される出力を予測し得る。
教師なし機械学習では、サーバ、コンピューティングデバイス、又はそうでなければプロセッサは、ラベル付けされていない例示的な入力において、それ自体の構造を見出すことが必要とされ得、この場合、例えば、複数の訓練反復が、サーバ、コンピューティングデバイス、又はそうでなければプロセッサによって実行されて、満足なモデル、例えば、試験レベル又は生産レベルのデータ又は入力が与えられたときに、十分な予測正確度を提供するモデルが生成されるまで、複数世代のモデルを訓練する。
教師あり学習及び/又は教師なし機械学習はまた、新しい又は異なる情報を用いてモデルを再訓練、再学習、又はそうでなければ更新することを含み得、新しい又は異なる情報は、経時的に受信、摂取、生成、又はそうでなければ使用される情報を含み得る。本明細書の開示は、そのような教師あり又は教師なし機械学習技術のうちの一方又は両方を使用し得る。
様々な実施形態では、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)は、1つ以上のプロセッサ(例えば、サーバ102の1つ以上のプロセッサ104及び/又はモバイルデバイスなどのコンピュータユーザデバイスのプロセッサ)によって、複数の訓練画像(例えば、画像202a、202b、及び/若しくは202cのうちのいずれか、並びに/又は頭皮画像302l、302m、302h、312l、312m、312h、322l、322m、及び/又は322h)の画素データを用いて訓練され得る。様々な実施形態では、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)は、複数の訓練画像の各々について頭皮皮膚又は毛包領域の1つ以上の特徴を出力するように構成される。これらの実施形態では、頭皮皮膚又は毛包領域の1つ以上の特徴は、例えば、典型的には、そのような人口統計及び/又は民族性と関連付けられた異なる人種、ゲノム、及び/又は地理的場所と関連付けられた、又はそうでなければそれに対して自然に発生するような、それぞれの訓練画像に表されるそれぞれの個人の1つ以上のユーザ人口統計及び/又は民族性に基づいて異なり得る。なおも更に、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)は、それぞれの個人の民族性及び/又は人口統計値に基づいて、それぞれの訓練画像に表された各それぞれの個人のユーザ固有の頭皮分類を生成し得る。
様々な実施形態では、画像分析は、それぞれの個人の頭皮の頭皮領域を描写する画像の画素データに対して機械学習ベースのモデル(例えば、頭皮ベースの学習モデル108)を訓練することを含み得る。追加的、又は代替的に、画像分析は、以前に訓練されたような、機械学習撮像モデルを使用して、画素データ(例えば、それらのL*、a*、及びb*値を含む)に基づいて、個人の1つ以上の画像、ユーザの頭皮領域の画像分類を決定することを含み得る。モデルの重みは、所与の画像の個々の画素の様々なL*a*b*値の分析を介して訓練され得る。例えば、暗い又は低いL*値(例えば、50未満のL*値を有する画素)は、毛髪が存在するか又は頭皮のしわ/裂皮が存在する画像の領域を示し得る。同様に、わずかに明るいL*値(例えば、50より大きいL*値を有する画素)は、ユーザの頭皮上に白色残留物の存在を示し得る。なおも更に、高い/低いa*値は、より多くの/より少ない頭皮ざ瘡を含む頭皮のエリアを示し得、高い/低いb*値は、より多くの/より少ない頭皮栓を含む頭皮のエリアを示し得る。同時に、頭皮の色調L*a*b*値を有する画素が所与の画像内に位置決めされるか、又はそうでなければ頭皮/毛髪色調色を有する画素のグループ又はセットによって取り囲まれると、その時に頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)は、所与の画像内で識別されるように、ユーザの頭皮領域の画像分類を決定することができる。このようにして、(例えば、それぞれの個人の頭皮の頭皮領域を詳述する)10,000個の訓練画像の画素データが、ユーザの頭皮領域の画像分類を決定するために、機械学習撮像モデルを訓練又は使用するために使用され得る。
様々な実施形態では、頭皮ベースの学習モデル108は、一緒に動作するように構成されている複数のモデル又は下位モデルを含むアンサンブルモデルであり得る。例えば、いくつかの実施形態では、各頭皮モデルは、所与の画像に対する画像分類を識別又は予測するように訓練され、各頭皮モデルは、所与の画像が1つ以上の画像分類で識別、割り当て、決定、又は分類され得るように、画像に対する分類を出力又は決定し得る。つまり、頭皮ベースの学習モデル108は、白色残留物画像分類を決定するように構成された第1の頭皮モデル、頭皮栓画像分類を決定するように構成された第2の頭皮モデル、頭皮ざ瘡画像分類を決定するように構成された第3の頭皮モデル、及び/又は任意の好適な追加の画像分類又はこれらの組み合わせを決定するように構成された任意の他の好適な頭皮モデルを含み得る。これらの実施形態では、ユーザ固有の頭皮分類は、本明細書で更に考察されるように、ユーザの頭皮領域の所与の画像に対して決定された画像分類の各々に基づくことができる。
上記の例を続けると、アンサンブルモデルの一部として含まれる各頭皮モデルは、Efficient Netアーキテクチャを含むネットワークアーキテクチャを有し得る。概して、Efficient Netは、複合係数を使用して画像の全ての次元(例えば、デジタル画像の深度、幅、解像度)を均一にスケーリングするスケーリングアルゴリズムを含む畳み込みニューラルネットワーク(convolutional neural network、CNN)アーキテクチャである。すなわち、Efficient Netスケーリングアルゴリズムは、固定スケーリング係数のセットを用いて、モデルの幅、深度、及び解像度値などのモデルのネットワーク値(例えば、モデルの重み値)を均一にスケーリングする。係数は、所与のネットワークアーキテクチャの効率、したがって、基礎となるコンピューティングシステム(例えば、撮像サーバ102及び/又はユーザコンピューティングデバイス、例えば、111c1)の効率又は影響を適合させるように調整され得る。例えば、基礎となるコンピューティングシステムによって使用されるように、計算リソースを2Nだけ減少させるために、ネットワークアーキテクチャの深度は、αNだけ減少され得、その幅は、βNだけ減少され得、その画像サイズは、γNだけ減少され得、α、β、及びγの各々は、ネットワークアーキテクチャに適用された定数係数であり、例えば、元のモデルのグリッド検索又はレビューによって決定され得る。
様々な実施形態では、(例えば、アンサンブルモデルの一部として含まれるモデルのいずれかの)Efficient Netアーキテクチャは、複合係数φを使用して、ネットワーク幅、深度、及び解像度の各々を原理的に均一にスケーリングし得る。そのような実施形態では、複合スケーリングは、画像サイズに基づいて使用され得、例えば、より大きい画像は、モデルのネットワークが、受容野を増大させるためにより多くの層を有し、より多くのチャネル(例えば、画素のL*a*b*チャネル)が、より多くの画素を含むより大きい画像内の細粒パターンをキャプチャすることを必要とし得る。
いずれにしても、頭皮モデルは、頭皮皮膚及び/又は毛包領域属性(例えば、白色残留物、頭皮栓、及び頭皮ざ瘡)のマルチクラス分類(例えば、アンサンブルモデル)を提供することができる。この例では、アンサンブルモデルは、数百の頭皮画像(例えば、画像302l、302m、302h、312l、312m、312h、322l、322m、及び/又は322h)を用いて訓練され得る。更に、訓練に続いて、頭皮モデルの各々は、各対応する属性/特徴を識別するときに高い精度を達成し得る。例えば、白色残留物頭皮モデルは、白色残留物画像分類を識別、分類、決定、及び/又は割り当てるとき、約77%の精度を達成し得る。頭皮栓頭皮モデルは、頭皮栓画像分類を識別、分類、決定、及び/又は割り当てるときに、約70%の精度を達成し得る。頭皮ざ瘡頭皮モデルは、頭皮ざ瘡画像分類を識別、分類、決定、及び/又は割り当てるとき、約79%の精度を達成し得る。
従来の例は、Efficient Netモデル及びアーキテクチャを使用するが、しかしながら、他のタイプのCNNアーキテクチャなど、他のAIモデルアーキテクチャ及び/又はタイプがEfficient Netアーキテクチャの代わりに使用され得ることを理解されたい。加えて、アンサンブルモデル又はマルチクラスモデルが示されているが、単一のEfficient Netニューラルネットワークアーキテクチャ又は他のAIアルゴリズムなど、単一のAIモデルに基づく単一のモデルを含む、1つ以上のモデルが使用され得ることを理解されたい。
ブロック406で、方法400は、撮像アプリによって、ユーザの頭皮領域の画像分類に基づいて、少なくとも1つのユーザ固有の頭皮分類を生成することを含む。ユーザ固有の頭皮分類は、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように生成又は設計される。様々な実施形態において、撮像アプリのコンピューティング命令は、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類に基づいて決定された頭皮質コードを生成させ得る。これらの頭皮質コードは、LAPベースのコード、美容コード、及び/又は任意の他の好適なコードを含み得る。例えば、これらの実施形態では、ユーザ固有の頭皮分類は、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)の一部として分析された各特徴/属性と関連付けられたそれぞれのスコア/値に対応する平均値/合計値を含み得る。
例解するために、ユーザが、白色残留物画像分類、頭皮栓画像分類、及び/又は頭皮ざ瘡画像分類の各々について低いスコア(例えば、各画像分類について1)を受信する場合、ユーザは、「良好」又は「健康」というユーザ固有の頭皮分類を受信し得る。対照的に、ユーザが、白色残留物画像分類、頭皮栓画像分類、及び/又は頭皮ざ瘡画像分類の各々について高いスコア(例えば、各画像分類に対して3)を受信する場合、ユーザは、「悪い」又は「不健康」というユーザ固有の頭皮分類を受信し得る。
様々な実施形態では、撮像アプリのコンピューティング命令は、1つ以上のプロセッサに、ユーザの頭皮領域に対する経時的な変化を追跡するために、第1の時間に撮像デバイスによってキャプチャされたユーザの画像を更に記録させ得る。コンピューティング命令はまた、1つ以上のプロセッサに、ユーザの画像を1つ以上のプロセッサに通信可能に結合された1つ以上のメモリに記録させ得る。更に、コンピューティング命令は、1つ以上のプロセッサに、第2の時間に撮像デバイスによってキャプチャされたユーザの第2の画像を受信させ得る。第2の画像は、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含み得る。コンピューティング命令はまた、1つ以上のプロセッサに、頭皮ベースの学習モデルによって、第2の時間に、頭皮ベースの学習モデルの1つ以上の画像分類から選択されたユーザの頭皮領域の第2の画像分類を決定するために、撮像デバイスによってキャプチャされた第2の画像を分析させ得る。コンピューティング命令はまた、1つ以上のプロセッサに、ユーザの頭皮領域の画像及び第2の画像又は分類若しくは第2の分類の比較に基づいて、ユーザの頭皮の頭皮領域の少なくとも一部分を含む第2の画像の画素データ内で識別可能な少なくとも1つの特徴に関する新しいユーザ固有の頭皮分類を生成させ得る。
様々な実施形態において、撮像アプリを含むコンピューティング命令を実行するように構成された1つ以上のプロセッサは、サーバのサーバプロセッサを含んでもよい。サーバは、コンピュータネットワークを介してコンピューティングデバイスに通信可能に結合され得、撮像アプリは、サーバの1つ以上のプロセッサ上で実行するように構成されたサーバアプリ部分と、コンピューティングデバイスの1つ以上のプロセッサ上で実行するように構成されたコンピューティングデバイスアプリ部分とを備え得る。サーバアプリ部分は、コンピューティングデバイスアプリ部分と通信するように構成され得、サーバアプリ部分は、以下のうちの1つ以上を実施するように構成され得る。(1)撮像デバイスによってキャプチャされた画像を受信すること、(2)ユーザの頭皮領域の少なくとも1つの画像分類を決定すること、(3)ユーザ固有の頭皮分類を生成すること、又は(4)ユーザ固有の推奨をコンピューティングデバイスアプリ部分に伝送すること。
図4を参照すると、ブロック408で、方法400は、撮像アプリによって、ユーザ固有の頭皮分類に基づいている少なくとも1つのユーザ固有の頭皮推奨をコンピューティングデバイス(例えばユーザコンピューティングデバイス111c1)のディスプレイ画面上でレンダリングすることを含む。様々な実施形態において、少なくとも1つのユーザ固有の頭皮推奨が、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データにおいて識別可能な少なくとも1つの特徴を処理するための命令と共に、コンピューティングデバイスのディスプレイ画面上に表示される。
ユーザ特有の頭皮推奨は、ユーザコンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)によって、かつ/又はサーバ(例えば、撮像サーバ102)によって生成され得る。例えば、いくつかの実施形態では、撮像サーバ102は、図1に関して本明細書に記載されるように、ユーザの頭皮領域の画像分類を決定するためにユーザコンピューティングデバイスからの遠隔のユーザ画像を分析し得、ユーザ固有の頭皮分類は、ユーザの頭皮の頭皮領域の少なくとも一部分、及び/若しくはユーザ固有の頭皮推奨を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されている。例えば、そのような実施形態では、撮像サーバ又はクラウドベースのコンピューティングプラットフォーム(例えば、撮像サーバ102)は、コンピュータネットワーク120にわたってユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、少なくとも1つの画像を受信する。次いで、サーバ又はクラウドベースのコンピューティングプラットフォームは、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)を実行し、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)の出力に基づいて、ユーザ固有の頭皮推奨を生成し得る。次いで、サーバ又はクラウドベースのコンピューティングプラットフォームは、ユーザコンピューティングデバイスのディスプレイ画面上でレンダリングするために、コンピュータネットワーク(例えば、コンピュータネットワーク120)を介して、ユーザ固有の頭皮推奨をユーザコンピューティングデバイスに伝送し得る。例えば、様々な実施形態では、少なくとも1つのユーザ固有の頭皮推奨は、ユーザの頭皮の頭皮領域を有する画像の受信中又は受信後に、リアルタイム又はほぼリアルタイムでユーザコンピューティングデバイスのディスプレイ画面上でレンダリングされ得る。
例として、様々な実施形態では、ユーザ固有の頭皮推奨は、ユーザ固有の推奨される洗浄頻度を含み得る。推奨される洗浄頻度は、洗浄する回数、1日、1週等にわたって洗浄する1回以上の回数又は期間、洗浄方法に関する提案等を含み得る。更に、様々な実施形態では、ユーザ固有の頭皮推奨は、例えば、ユーザコンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)のディスプレイ画面上に表示される、テキスト推奨、視覚/画像ベースの推奨、及び/又はユーザの頭皮の頭皮領域の少なくとも一部分の仮想レンダリングを含み得る。そのような頭皮分類は、ユーザ固有の属性(例えば、白色残留物、頭皮栓、頭皮ざ瘡等)に対応する1つ以上のグラフィック又はテキストレンダリングで注釈を付けられたユーザの頭皮のグラフィック表現を含み得る。
更に、新しいユーザ固有の頭皮分類を含む実施形態では、1つ以上のプロセッサ(例えば、撮像サーバ102及び/又はユーザコンピューティングデバイス111c1などのユーザコンピューティングデバイス)は、コンピューティングデバイスのディスプレイ画面上に、新しいユーザ固有の頭皮分類及び/又は新しいユーザ固有の頭皮推奨をレンダリングし得る。例えば、新しいユーザ固有の分類が、第1の画像キャプチャと第2の画像キャプチャとの間の時間にユーザの頭皮の健康が改善したことを示す場合、1つ以上のプロセッサは、第2の画像内の改善の特定のエリア(例えば、白色残留物、頭皮栓、及び/又は頭皮ざ瘡を含むものとして第1の画像内で以前に識別された特定のエリア)を強調表示するか、又は他の方法で示すことができ、新しいユーザ固有の頭皮分類は、「改善された」及び/又は任意の好適な指示を示すことができる。更に、1つ以上のプロセッサは、新しいユーザ固有の頭皮分類に基づいて、ユーザの頭皮の健康を改善するための推奨を含む新しいユーザ固有の頭皮推奨をレンダリングし得る。
追加の実施形態では、少なくとも1つのユーザ固有の頭皮分類は、製造された製品についての製品推奨を含み得る。追加的、又は代替的に、いくつかの実施形態では、少なくとも1つのユーザ固有の頭皮分類は、製造された製品で、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データにおいて識別可能な少なくとも1つの特徴を処理するための命令(例えば、メッセージ)と共に、コンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)のディスプレイ画面上に表示され得る。なおも更なる実施形態では、ユーザコンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)及び/又は撮像サーバのいずれかのプロセッサ上で実行されるコンピューティング命令は、少なくとも1つのユーザ固有の頭皮推奨に基づいて、製造された製品のユーザへの出荷を開始し得る。
製造された製品の推奨に関して、いくつかの実施形態では、1つ以上のプロセッサ(例えば、撮像サーバ102及び/又はユーザコンピューティングデバイス111c1などのユーザコンピューティングデバイス)は、例えば、元々受信されたユーザの少なくとも1つの画像に基づいて、修正された画像を生成し得る。そのような実施形態では、修正された画像は、少なくとも1つの特徴を製造された製品で処理した後にユーザの頭皮皮膚又は毛包領域がどのように見えると予測されるかのレンダリングを描写し得る。例えば、修正された画像は、画素データ内の少なくとも1つの特徴を製造された製品で処理した後の可能な又は予測される変化を表すために、画像の画素の色を更新、平滑化、又は変更することによって修正され得る。修正された画像は、次いで、ユーザコンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)のディスプレイ画面上でレンダリングされ得る。
図5は、本明細書で開示される様々な実施形態による、ユーザコンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)のディスプレイ画面500上でレンダリングされた例示的なユーザインターフェース502を例解する。例えば、図5の例に示されるように、ユーザインターフェース502は、ユーザコンピューティングデバイス111c1上で実行されるアプリケーション(アプリ)を介して、実装又はレンダリングされ得る。例えば、図5の例に示されるように、ユーザインターフェース502は、ユーザコンピューティングデバイス111c1上で実行されるネイティブアプリを介して、実装又はレンダリングされ得る。図5の例では、ユーザコンピューティングデバイス111c1は、図1について記載されたユーザコンピュータデバイスであり、例えば、111c1は、APPLE iOSオペレーティングシステムを実装し、ディスプレイ画面500を有するAPPLE iPhoneとして例解されている。ユーザコンピューティングデバイス111c1は、例えば、本明細書に記載される撮像アプリを含む、1つ以上のネイティブアプリケーション(アプリ)をそのオペレーティングシステム上で実行し得る。そのようなネイティブアプリは、ユーザコンピューティングデバイス111c1のプロセッサによって、ユーザコンピューティングデバイスオペレーティングシステム(例えば、APPLE iOS)によって実行可能なコンピューティング言語(例えば、SWIFT)で実装又はコード化され得る(例えば、コンピューティング命令として)。
追加的、又は代替的に、ユーザインターフェース502は、ウェブインターフェースを介して、例えば、ウェブブラウザアプリケーション、例えば、Safari及び/若しくはGoogle Chromeアプリ、又は他のそのようなウェブブラウザなどを介して、実装又はレンダリングされ得る。
図5の例に示されるように、ユーザインターフェース502は、ユーザ頭皮の(例えば、画像202aの)グラフィック表現を含む。画像202aは、本明細書に記載されるように、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データ(例えば、画素データ202ap)を含む、ユーザの画像(又はそのグラフィック表現)を含み得る。図5の例では、ユーザのグラフィック表現(例えば、画像202a)は、ユーザの頭皮の頭皮領域の一部分を含む画素データ内で識別可能な様々な特徴に対応する1つ以上のグラフィック(例えば、画素データ202apのエリア)又はテキストレンダリング(例えば、テキスト202at)で注釈が付けられる。例えば、画素データ202apのエリアは、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)によって画素データ(例えば、特徴データ及び/又は生画素データ)内で識別されたエリア又は特徴を強調するために、ユーザの画像(例えば、画像202a)上に注釈を付けられるか又はオーバーレイされ得る。図5の例では、画素データ202apのエリアは、(例えば、画素202ap1~3の)頭皮栓を含む、画素データ202apにおいて画定される特徴を示し、本明細書で説明するように、画素データ202apのエリアにおいて示される他の特徴(例えば、白色残留物、頭皮ざ瘡、頭皮皮膚のしわ/裂皮等)を示し得る。様々な実施形態では、特定の特徴として識別された画素(例えば、画素202ap1~3)は、ディスプレイ画面500上にレンダリングされるときに強調表示されるか、又は他の方法で注釈を付けられ得る。
テキストレンダリング(例えば、テキスト202at)は、ユーザが頭皮栓に対して(3の)頭皮質スコアを有することを示す、ユーザ固有の属性又は特徴(例えば、画素202ap1~3に対する3)を示す。3スコアは、ユーザが、頭皮の健康/質を改善する(例えば、頭皮栓の数を低減する)ために、マイルドなシャンプーで頭皮を洗浄することから利益を得る可能性が高いように、ユーザが高い頭皮栓頭皮質スコアを有することを示す。他のテキストレンダリングタイプ又は値が本明細書において企図され、テキストレンダリングタイプ又は値は、例えば、白色残留物、頭皮栓、頭皮ざ瘡、頭皮皮膚のしわ/裂皮などのための頭皮質スコアなどがレンダリングされ得ることを理解されたい。追加的、又は代替的に、色値は、例えば、3の高いスコア又は1の低いスコア(例えば、図3に示されるようなスコア)などの所与の頭皮質スコアの程度又は質を示すために、ユーザインターフェース502(例えば、画像202a)上に示されるグラフィック表現に使用及び/又はオーバーレイされ得る。スコアは、生スコア、絶対スコア、パーセンテージベースのスコアとして提供され得る。追加的、又は代替的に、そのようなスコアは、スコアが肯定的な結果(良好な頭皮洗浄頻度)、否定的な結果(不良な頭皮洗浄頻度)、又は許容可能な結果(平均又は許容可能な頭皮洗浄頻度)を表すか否かを示すテキスト又はグラフィックインジケータと共に提示され得る。
ユーザインターフェース502はまた、ユーザ固有の頭皮分類510を含むか、又はレンダリングし得る。図5の実施形態において、ユーザ固有の頭皮分類510は、ユーザ固有の頭皮分類をユーザに示すように設計されたユーザへのメッセージ510mを、ユーザ固有の頭皮分類をもたらす任意の理由の簡単な説明と共に含む。図5の例に示すように、メッセージ512mは、ユーザ固有の頭皮分類が「悪い」であることをユーザに示し、更に、ユーザ固有の頭皮分類が、「過剰な皮脂栓」を含むユーザの頭皮の頭皮領域に起因することをユーザに示す。
ユーザインターフェース502はまた、ユーザ固有の頭皮推奨512を含むか、又はレンダリングし得る。図5の実施形態では、ユーザ固有の頭皮推奨512は、ユーザの頭皮の頭皮領域の一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計された、ユーザへのメッセージ512mを含む。図5の例に示されるように、メッセージ512mは、過剰な皮脂の蓄積を低減することによって頭皮の健康/質を改善するために頭皮を洗浄することをユーザに推奨する。
メッセージ512mは、過剰な皮脂の蓄積を低減するのを助けるためにマイルドなシャンプーの使用を更に推奨している。マイルドなシャンプーの推奨は、頭皮栓に対する高い頭皮質スコア(例えば、3)に基づいて行われ、ユーザの画像が高い数の頭皮栓を描写することを示唆することができ、マイルドなシャンプー製品は、画像202aの画素データにおいて検出又は分類されるか、又はそうでなければ頭皮栓に対する高い頭皮質スコア又は分類に基づいて想定される頭皮栓に対処するように設計されている。製品推奨は、画素データ内の識別された特徴と相関させられ得、ユーザコンピューティングデバイス111c1及び/又はサーバ102は、特徴(例えば、過度の皮脂(頭皮)栓)が識別又は分類されるとき(例えば、頭皮栓画像分類300b)、製品推奨を出力するように命令され得る。
ユーザインターフェース502はまた、製造された製品524r(例えば、上述のようなマイルドシャンプー)に対する製品推奨522のためのセクションを含むか、又はレンダリングし得る。製品推奨522は、上述したように、ユーザ固有の頭皮推奨512に対応し得る。例えば、図5の例では、ユーザ固有の頭皮推奨512は、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む画素データ(例えば、画素データ202ap)において識別可能な少なくとも1つの特徴(例えば、画素202ap1~3での頭皮栓に関連する3の高い頭皮質スコア)を製造された製品(製造された製品524r(例えば、マイルドシャンプー))で処理するための命令(例えば、メッセージ512m)と共に、ユーザコンピューティングデバイス111c1のディスプレイ画面500上に表示され得る。
図5に示されるように、ユーザインターフェース502は、ユーザ固有の頭皮推奨512に基づいて製品(例えば、製造された製品524r(例えば、マイルドシャンプー))を推奨する。図5の例において、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)の画像(例えば、画像202a)の出力又は分析、例えば、ユーザ固有の頭皮分類510、並びに/又はその関連する値(例えば、3頭皮栓質スコア)若しくは関連する画素データ(例えば、202ap1、202ap2、及び/又は202ap3)並びに/又はユーザ固有の頭皮推奨512は、対応する製品の推奨を生成又は識別するために使用され得る。そのような推奨は、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)によって画素データ内で検出されたユーザ固有の問題に対処するための、シャンプー、コンディショナ、毛髪ジェル、保湿トリートメントなどのような製品を含み得る。
図5の例において、ユーザインターフェース502は、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)によって決定された推奨される製品(例えば、製造された製品524r)、並びに画像202a及びその画素データ及び様々な特徴のその関連する画像分析をレンダリング又は提供する。図5の例において、これは、ユーザインターフェース502上に示され、注釈が付けられる(524p)。
ユーザインターフェース502は、ユーザ(例えば、画像202aのユーザ)が、対応する製品(例えば、製造された製品524r)を購入又は出荷するために選択することを可能にする、選択可能UIなボタン524sを更に含み得る。いくつかの実施形態では、選択可能なUIボタン524sの選択により、推奨製品をユーザ(例えば、ユーザ202au)に出荷させ得、かつ/又はその個人がその製品に関心があることを第三者に通知し得る。例えば、ユーザコンピューティングデバイス111c1及び/又は撮像サーバ102のいずれかは、ユーザ固有の頭皮分類510及び/又はユーザ固有の頭皮推奨512に基づいて、製造された製品524r(例えば、マイルドシャンプー)のユーザへの出荷を開始し得る。そのような実施形態では、製品は包装され、ユーザに出荷され得る。
様々な実施形態では、グラフィック注釈(例えば、画素データ202apのエリア)、テキスト注釈(例えば、テキスト202at)、及びユーザ固有の頭皮分類510並びにユーザ固有の頭皮推奨512を有するグラフィック表現(例えば、画像202a)は、ディスプレイ画面500上でレンダリングするために、コンピュータネットワークを介して(例えば、撮像サーバ102及び/又は1つ以上のプロセッサから)ユーザコンピューティングデバイス111c1に伝送され得る。他の実施形態では、ユーザの固有の画像の撮像サーバへの伝送は行われず、ユーザ固有の頭皮分類510並びにユーザ固有の頭皮推奨512(及び/又は製品固有の推奨)は、代わりに、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)によってローカルに生成され、ユーザのモバイルデバイス(例えば、ユーザコンピューティングデバイス111c1)上で実行及び/又は実装され、モバイルデバイスのプロセッサによって、モバイルデバイス(例えば、ユーザコンピューティングデバイス111c1)のディスプレイ画面500上でレンダリングされ得る。
いくつかの実施形態では、グラフィック注釈(例えば、画素データ202apのエリア)、テキスト注釈(例えば、テキスト202at)、ユーザ固有の頭皮分類510、ユーザ固有の頭皮推奨512、及び/又は製品推奨522を有するグラフィック表現(例えば、画像202a)のうちの任意の1つ以上は、ユーザの頭皮の頭皮領域を有する画像をリアルタイム又はほぼリアルタイムで、受信中又は受信後にレンダリングされ得る(例えば、ディスプレイ画面500上にローカルにレンダリングされ得る)。画像が撮像サーバ102によって分析される実施形態では、画像は、撮像サーバ102によってリアルタイム又はほぼリアルタイムで伝送及び分析され得る。
いくつかの実施形態では、ユーザは、頭皮ベースの学習モデル108による更新、再訓練、又は再分析のために撮像サーバ102に伝送され得る新しい画像を提供し得る。他の実施形態では、新しい画像は、コンピューティングデバイス111c1上でローカルに受信され、頭皮ベースの学習モデル108によって、コンピューティングデバイス111c1上で分析され得る。
加えて、図5の例に示されるように、ユーザは、新しい画像を(例えば、コンピューティングデバイス111c1でローカルに、又は撮像サーバ102で遠隔に)再分析するために、選択可能なボタン512iを選択し得る。選択可能なボタン512iは、ユーザインターフェース502に、新しい画像を分析するために添付するようにユーザに促し得る。撮像サーバ102及び/又はユーザコンピューティングデバイス111c1などのユーザコンピューティングデバイスは、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む新しい画像を受信し得る。新しい画像は、撮像デバイスによってキャプチャされ得る。新しい画像(例えば、画像202aと同様の)は、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含み得る。コンピューティングデバイス(例えば、撮像サーバ102)のメモリ上で実行される頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)は、ユーザの頭皮領域の画像分類を決定するために、撮像デバイスによってキャプチャされた新しい画像を分析し得る。コンピューティングデバイス(例えば、撮像サーバ102)は、画像と第2の画像との比較又はユーザの頭皮領域の分類及び第2の分類に基づいて、新しい画像の画素データ内で識別可能な少なくとも1つの特徴に関する新しいユーザ固有の頭皮分類及び/又は新しいユーザ固有の頭皮推奨を生成し得る。例えば、新しいユーザ固有の頭皮分類は、グラフィック及び/又はテキストを含む新しいグラフィック表現(例えば、ユーザが毛髪を洗浄した後、新しい頭皮質スコア値、例えば1、を示す)を含み得る。新しいユーザ固有の頭皮分類は、例えば、ユーザが自分の毛髪を首尾よく洗浄して新しい画像の画素データで検出されるような白色残留物及び/又は頭皮ざ瘡を低減したという、追加の頭皮分類を含み得る。コメントは、ユーザが、追加の製品、例えば、保湿シャンプー又はココナッツオイルを塗布することによって、画素データ内で検出された追加の特徴、例えば、頭皮のしわ/裂皮を補正する必要があることを含み得る。
様々な実施形態では、新しいユーザ固有の頭皮分類及び/又は新しいユーザ固有の頭皮推奨は、ユーザコンピューティングデバイス(例えば、ユーザコンピューティングデバイス111c1)のディスプレイ画面500上でレンダリングするために、サーバ102からユーザのユーザコンピューティングデバイスにコンピュータネットワークを介して伝送され得る。
他の実施形態では、ユーザの新しい画像の撮像サーバへの伝送は行われず、新しいユーザ固有の頭皮分類及び/又は新しいユーザ固有の頭皮推奨(及び/又は製品固有の推奨)は、代わりに、頭皮ベースの学習モデル(例えば、頭皮ベースの学習モデル108)によってローカルに生成され、ユーザのモバイルデバイス(例えば、ユーザコンピューティングデバイス111c1)上で実行及び/又は実装され、モバイルデバイスのプロセッサによって、モバイルデバイス(例えば、ユーザコンピューティングデバイス111c1)のディスプレイ画面上でレンダリングされ得る。
本開示の態様
以下の態様は、本明細書の開示による例として提供されるものであり、本開示の範囲を限定することを意図するものではない。
以下の態様は、本明細書の開示による例として提供されるものであり、本開示の範囲を限定することを意図するものではない。
1.1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するように構成されたデジタル撮像及び学習システムであって、1つ以上のプロセッサと、1つ以上のプロセッサ上で実行されるように構成されたコンピューティング命令を含む撮像アプリケーション(アプリ)と、撮像アプリによってアクセス可能であり、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練された頭皮ベースの学習モデルであって、それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように構成されている、頭皮ベースの学習モデルと、を備え、撮像アプリのコンピューティング命令が、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、ユーザの画像を受信することであって、画像が、撮像デバイスによってキャプチャされたデジタル画像を含み、画像が、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、受信することと、頭皮ベースの学習モデルによって、ユーザの頭皮領域の少なくとも1つの画像分類を決定するために、撮像デバイスによってキャプチャされた画像を分析することであって、少なくとも1つの画像分類が、頭皮ベースの学習モデルの1つ以上の画像分類から選択される、分析することと、ユーザの頭皮領域の少なくとも1つ画像分類に基づいて、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することと、行わせる、デジタル撮像及び学習システム。
2.1つ以上の画像分類が、(1)白色残留物分類、(2)頭皮栓画像分類、又は(3)頭皮ざ瘡画像分類、のうちの1つ以上を含む、態様1に記載のデジタル撮像及び学習システム。
3.コンピューティング命令が、1つ以上のプロセッサに、頭皮ベースの学習モデルによって、頭皮ベースの学習モデルの1つ以上の画像分類から選択されたユーザの頭皮領域の第2の画像分類を決定するために、撮像デバイスによってキャプチャされた画像を分析することを更に行わせ、ユーザ固有の頭皮分類が、ユーザの頭皮領域の第2の画像分類に更に基づいている、態様1又は2に記載のデジタル撮像及び学習システム。
4.ユーザの頭皮領域が、画素データ内で識別可能な1つ以上の頭皮皮膚特徴を有する頭皮皮膚を含み、1つ以上の頭皮皮膚特徴が、(1)白色皮脂残留物、(2)頭皮皮膚の1つ以上のしわ、又は(3)頭皮皮膚の1つ以上の裂皮、のうちの1つ以上を含む、態様1~3のいずれか1つに記載のデジタル撮像及び学習システム。
5.ユーザの頭皮領域が、画素データ内で識別可能な1つ以上の毛包特徴を有する毛包領域を含み、1つ以上の毛包特徴が、(1)1つ以上の頭皮栓、又は(2)頭皮ざ瘡、のうちの1つ以上を含む、態様1~4のいずれか1つに記載のデジタル撮像及び学習システム。
6.ユーザの頭皮領域が、正面頭皮領域、中央頭皮領域、又はカスタム画定された頭皮領域のうちの少なくとも1つを含む、態様1~5のいずれか1つに記載のデジタル撮像及び学習システム。
7.複数の訓練画像のうちの1つ以上又はユーザの少なくとも1つの画像が各々、頭皮皮膚特徴又は毛包特徴の単一インスタンスを有する頭皮領域を描写する少なくとも1つのトリミングされた画像を含む、態様1~6のいずれか1つに記載のデジタル撮像及び学習システム。
8.複数の訓練画像のうちの1つ以上又はユーザの少なくとも1つの画像が、それぞれの個人又はユーザの頭皮領域を描写する複数の角度又は視点を含む、態様1~7のいずれか1つに記載のデジタル撮像及び学習システム。
9.撮像アプリのコンピューティング命令が、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、コンピューティングデバイスのディスプレイ画面上で、ユーザ固有の頭皮分類に基づいて少なくとも1つのユーザ固有の頭皮推奨をレンダリングすることを更に行わせる、態様1~8のいずれか1つに記載のデジタル撮像及び学習システム。
10.少なくとも1つのユーザ固有の頭皮推奨が、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データにおいて識別可能な少なくとも1つの特徴を処理するための命令と共に、コンピューティングデバイスのディスプレイ画面上に表示される、態様9に記載のデジタル撮像及び学習システム。
11.少なくとも1つのユーザ固有の頭皮推奨が、ユーザに固有の推奨される洗浄頻度を含む、態様9又は10に記載のデジタル撮像及び学習システム。
12.少なくとも1つのユーザ固有の頭皮推奨が、ユーザの頭皮の頭皮領域の少なくとも一部分のテキスト推奨、画像ベースの推奨、又は仮想レンダリングを含む、態様9~11のいずれか1つに記載のデジタル撮像及び学習システム。
13.少なくとも1つのユーザ固有の頭皮推奨が、ユーザの頭皮の頭皮領域を有する画像をリアルタイム又はほぼリアルタイムで、受信中又は受信後にディスプレイ上でレンダリングされる、態様9~12のいずれか1つに記載のデジタル撮像及び学習システム。
14.少なくとも1つのユーザ固有の頭皮推奨が、製造された製品についての製品推奨を含む、態様9~13のいずれか1つに記載のデジタル撮像及び学習システム。
15.少なくとも1つのユーザ固有の頭皮推奨が、製造された製品で、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データにおいて識別可能な少なくとも1つの特徴を処理するための命令と共に、コンピューティングデバイスのディスプレイ画面上に表示される、態様14に記載のデジタル撮像及び学習システム。
16.コンピューティング命令が、1つ以上のプロセッサに、少なくとも1つのユーザ固有の頭皮推奨に基づいて、製造された製品のユーザへの出荷を開始することを更に行わせる、態様14又は15に記載のデジタル撮像及び学習システム。
17.コンピューティング命令が、1つ以上のプロセッサに、画像に基づいて修正された画像を生成することであって、修正された画像が、少なくとも1つの特徴を製造された製品で処理した後に、ユーザの頭皮皮膚又は毛包領域がどのように見えると予測されるかを描写する、生成することと、コンピューティングデバイスのディスプレイ画面上で、修正された画像をレンダリングすることと、を更に行わせる、態様14~16のいずれか1つに記載のデジタル撮像及び学習システム。
18.撮像アプリのコンピューティング命令が、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類に基づいて決定された頭皮質コードを更に生成することを更に行わせる、態様1~17のいずれか1つに記載のデジタル撮像及び学習システム。
19.コンピューティング命令が、1つ以上のプロセッサに、1つ以上のプロセッサに通信可能に結合された1つ以上のメモリ内に、ユーザの頭皮領域の経時的な変化を追跡するために、第1の時間に撮像デバイスによってキャプチャされたユーザの画像を記録することと、ユーザの第2の画像を受信することであって、第2の画像が、第2の時間に撮像デバイスによってキャプチャされ、第2の画像が、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、受信することと、頭皮ベースの学習モデルによって、第2の時間に、頭皮ベースの学習モデルの1つ以上の画像分類から選択されたユーザの頭皮領域の第2の画像分類を決定するために、撮像デバイスによってキャプチャされた第2の画像を分析することと、ユーザの頭皮領域の画像及び第2の画像又は分類若しくは第2の分類の比較に基づいて、ユーザの頭皮の頭皮領域の少なくとも一部分を含む第2の画像の画素データ内で識別可能な少なくとも1つの特徴に関する新しいユーザ固有の頭皮分類を生成することと、を更に行わせる、態様1~18のいずれか1つに記載のデジタル撮像及び学習システム。
20.頭皮ベースの学習モデルが、少なくとも1つの人工知能(AI)アルゴリズムを用いて訓練されたAIベースのモデルである、態様1~19のいずれか1つに記載のデジタル撮像及び学習システム。
21.複数の訓練画像の頭皮皮膚又は毛包領域の1つ以上の特徴が、それぞれの個人の1つ以上のユーザ人口統計又は民族性に基づいて異なり、ユーザのユーザ固有の頭皮分類が、頭皮ベースの学習モデルによって、ユーザの民族性又は人口統計値に基づいて生成される、態様20に記載のデジタル撮像及び学習システム。
22.1つ以上のプロセッサのうちの少なくとも1つが、モバイルデバイスのプロセッサを含み、撮像デバイスが、モバイルデバイスのデジタルカメラを含む、態様1~21のいずれか1つに記載のデジタル撮像及び学習システム。
23.モバイルデバイスが、ハンドヘルドデバイス又はポータブル顕微鏡のうちの少なくとも1つを備える、態様22に記載のデジタル撮像及び学習システム。
24.1つ以上のプロセッサが、サーバのサーバプロセッサを備え、サーバが、コンピュータネットワークを介してコンピューティングデバイスに通信可能に結合され、撮像アプリが、サーバの1つ以上のプロセッサ上で実行されるように構成されたサーバアプリ部分と、コンピューティングデバイスの1つ以上のプロセッサ上で実行するように構成されたコンピューティンデバイスグアプリ部分と、を備え、サーバアプリ部分が、コンピューティンデバイスアプリ部分と通信するように構成され、サーバアプリ部分が、(1)撮像デバイスによってキャプチャされた画像を受信すること、(2)ユーザの頭皮領域の少なくとも1つの画像分類を決定すること、(3)ユーザ固有の頭皮分類を生成すること、又は(4)ユーザ固有の推奨をコンピューティングデバイスアプリ部分に伝送すること、のうちの1つ以上を実装するように構成されている、態様1~23のいずれか1つに記載のデジタル撮像及び学習システム。
25.1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するためのデジタル撮像及び学習方法であって、1つ以上のプロセッサ上で実行される撮像アプリケーション(アプリ)で、ユーザの画像を受信することであって、画像が、撮像デバイスによってキャプチャされたデジタル画像を含み、画像が、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、受信することと、撮像アプリによってアクセス可能な頭皮ベースの学習モデルによって、ユーザの頭皮領域の少なくとも1つの画像分類、頭皮ベースの学習モデルの1つ以上の画像分類から選択された少なくとも1つの画像分類、を決定するために、撮像デバイスによってキャプチャされた画像を分析することであって、頭皮ベースの学習モデルが、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練され、頭皮ベースの学習モデルが、それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように動作可能である、分析することと、ユーザの頭皮領域の少なくとも1つの画像分類に基づく画像アプリによって、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することと、を含む、デジタル撮像及び学習方法。
26.1つ以上の画像分類が、(1)白色残留物画像分類、(2)頭皮栓画像分類、又は(3)頭皮ざ瘡画像分類、のうちの1つ以上を含む、態様25に記載のデジタル撮像及び学習方法。
27.方法が、頭皮ベースの学習モデルによって、頭皮ベースの学習モデルの1つ以上の画像分類から選択されたユーザの頭皮領域の第2の画像分類を決定するために、撮像デバイスによってキャプチャされた画像を分析することを更に含み、ユーザ固有の頭皮分類が、ユーザの頭皮領域の第2の画像分類に更に基づく、態様25又は26に記載のデジタル撮像及び学習方法。
28.ユーザの頭皮領域が、画素データ内で識別可能な1つ以上の頭皮皮膚特徴を有する頭皮皮膚を含み、1つ以上の頭皮皮膚特徴が、(1)白色皮脂残留物、(2)頭皮皮膚の1つ以上のしわ、又は(3)頭皮皮膚の1つ以上の裂皮、のうちの1つ以上を含む、態様25~27のいずれか1つに記載のデジタル撮像及び学習方法。
29.ユーザの頭皮領域が、画素データ内で識別可能な1つ以上の毛包特徴を有する毛包領域を含み、1つ以上の毛包特徴が、(1)1つ以上の頭皮栓、又は(2)頭皮ざ瘡、のうちの1つ以上を含む、態様25~28のいずれか1つに記載のデジタル撮像及び学習方法。
30.ユーザの頭皮領域が、正面頭皮領域、中央頭皮領域、又はカスタム画定された頭皮領域のうちの少なくとも1つを含む、態様25~29のいずれか1つに記載のデジタル撮像及び学習方法。
31.1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するための命令を格納する有形の非一時的コンピュータ可読媒体であって、命令が、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、1つ以上のプロセッサ上で実行される撮像アプリケーション (アプリ)で、ユーザの画像を受信することであって、画像が、撮像デバイスによってキャプチャされたデジタル画像を含み、画像が、ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、受信することと、撮像アプリによってアクセス可能な頭皮ベースの学習モデルによって、ユーザの頭皮領域の少なくとも1つの画像分類、頭皮ベースの学習モデルの1つ以上の画像分類から選択された少なくとも1つの画像分類、を決定するために、撮像デバイスによってキャプチャされた画像を分析することであって、頭皮ベースの学習モデルが、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練され、頭皮ベースの学習モデルが、それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように動作可能である、分析することと、ユーザの頭皮領域の少なくとも1つの画像分類に基づく画像アプリによって、ユーザの頭皮の頭皮領域の少なくとも一部分を含む画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することと、を行わせる、有形の非一時的コンピュータ可読媒体。
追加の考慮事項
本明細書の開示は、多数の異なる実施形態の詳細な説明を記載するものであるが、本明細書の法的範囲は、本特許及び均等物の最後に記載された特許請求の範囲の語句によって定義されることを理解されたい。この詳細な説明は例示的なものとしてのみ解釈されるべきであり、全ての可能な実施形態を説明することは非現実的であるので、全ての可能な実施形態を説明するものではない。現在の技術か、又は本特許の出願日以降に開発された技術のいずれかを使用して、多数の代替の実施形態が実装され得るが、このような実施形態は、依然として、特許請求の範囲の範囲内に収まることになる。
本明細書の開示は、多数の異なる実施形態の詳細な説明を記載するものであるが、本明細書の法的範囲は、本特許及び均等物の最後に記載された特許請求の範囲の語句によって定義されることを理解されたい。この詳細な説明は例示的なものとしてのみ解釈されるべきであり、全ての可能な実施形態を説明することは非現実的であるので、全ての可能な実施形態を説明するものではない。現在の技術か、又は本特許の出願日以降に開発された技術のいずれかを使用して、多数の代替の実施形態が実装され得るが、このような実施形態は、依然として、特許請求の範囲の範囲内に収まることになる。
以下の追加の考慮事項は、前述の考察に適用される。本明細書全体を通して、複数の実例が、単一の実例として説明される構成要素、動作、又は構造を実装し得る。1つ以上の方法の個々の動作が別個の動作として例解及び説明されているが、個々の動作のうちの1つ以上が同時に実施され得、また動作が例解されている順序で実施される必要はない。例示的な構成における別個の構成要素として提示される構造及び機能は、組み合わされた構造又は構成要素として実装され得る。同様に、単一の構成要素として提示される構造及び機能は、別個の構成要素としても実装され得る。これら及び他の変形、修正、追加、及び改善も本明細書の本主題の範囲内に含まれる。
加えて、特定の実施形態は、論理又はいくつかのルーチン、サブルーチン、アプリケーション、又は命令を含むものとして本明細書に記載されている。これらは、ソフトウェア(例えば、機械可読媒体上に若しくは送信信号内に具現化されたコード)又はハードウェアのいずれかを構築し得る。ハードウェアでは、ルーチンなどは、特定の動作を実施することが可能な有形のユニットであり、特定の様式で構成又は配置され得る。例示的な実施形態では、1つ以上のコンピュータシステム(例えば、スタンドアロン、クライアント若しくはサーバコンピュータシステム)又はコンピュータシステムの1つ以上のハードウェアモジュール(例えば、プロセッサ若しくはプロセッサのグループ)が、本明細書に記載されるような特定の動作を実施するように動作するハードウェアモジュールとしてソフトウェア(例えば、アプリケーション若しくはアプリケーション部分)によって構成され得る。
本明細書に記載される例示的方法の様々な動作は、少なくとも部分的に、関連する動作を実施するように一時的に構成されたか(例えば、ソフトウェアによって)又は恒久的に構成された1つ以上のプロセッサによって実施され得る。一時的に構成されたか、又は恒久的に構成されたかにかかわらず、このようなプロセッサは、1つ以上の動作若しくは機能を実施するように動作するプロセッサ実装モジュールを形成し得る。本明細書で言及されるモジュールは、いくつかの例示的な実施形態では、プロセッサ実装モジュールを含み得る。
同様に、本明細書に記載される方法又はルーチンは、少なくとも部分的にプロセッサ実装され得る。例えば、ある方法の動作のうちの少なくともいくつかは、1つ以上のプロセッサ又はプロセッサ実装ハードウェアモジュールによって実施され得る。それらの動作の特定の性能は、1つ以上のプロセッサに分散され得、単一のマシン内に存在するだけでなく、多数のマシンにわたって展開され得る。いくつかの例示的な実施形態では、プロセッサ(単数又は複数)は、単一の場所に配置され得、これに対して、他の実施形態では、プロセッサは、いくつかの場所にわたって分散され得る。
それらの動作の特定の性能は、1つ以上のプロセッサに分散され得、単一のマシン内に存在するだけでなく、多数のマシンにわたって展開され得る。いくつかの例示的な実施形態では、1つ以上のプロセッサ又はプロセッサ実装モジュールが、単一の地理的場所(例えば、家庭環境、オフィス環境、又はサーバファーム内)に配置され得る。他の実施形態では、1つ以上のプロセッサ又はプロセッサ実装モジュールは、多数の地理的場所にわたって分散され得る。
この詳細な説明は例示的なものとしてのみ解釈されるべきであり、また、全ての可能な実施形態を説明することは不可能ではないとしても非現実的であるので、全ての可能な実施形態を説明するものではない。当業者は、現在の技術か、又は本出願の出願日後に開発される技術のいずれかを使用して、多数の代替的な実施形態を実装し得る。
当業者は、本発明の範囲から逸脱することなく、上記の実施形態に関して多種多様な修正、変更、及び組み合わせを行うことができ、そのような修正、変更、及び組み合わせが、本発明の概念の周囲内にあるとみなされ得ることを認識するであろう。
本特許出願の最後にある特許請求の範囲は、「のための手段」又は「のためのステップ」という文言などの、従来の手段プラス機能文言が明示的に列挙されていない限り、米国特許法第112条(f)の下で解釈されることを意図するものではない。本明細書に記載のシステム及び方法は、コンピュータ機能の改善を対象とし、従来のコンピュータの機能を改善する。
本明細書に開示される寸法及び値は、列挙された正確な数値に厳密に限定されるものとして理解されるべきではない。その代わりに、特に指示されない限り、そのような寸法は各々、列挙された値とその値を囲む機能的に同等な範囲との両方を意味することが意図される。例えば、「40mm」と開示された寸法は、「約40mm」を意味することが意図される。
相互参照される又は関連するあらゆる特許又は特許出願、及び本願が優先権又はその利益を主張する任意の特許出願又は特許を含む、本明細書に引用される全ての文書は、除外又は限定することが明言されない限りにおいて、参照によりその全体が本明細書に組み込まれる。いずれの文献の引用も、本明細書中で開示又は特許請求されるいずれの発明に対する先行技術であるともみなされず、あるいはそれを単独で又は他の任意の参考文献又は複数の参考文献と組み合わせたときに、そのようないずれの発明も教示、示唆又は開示するとはみなされない。更に、本文書における用語のいずれの意味又は定義も、参照により組み込まれた文書内の同じ用語の任意の意味又は定義と矛盾する場合、本文書においてその用語に与えられた意味又は定義が適用されるものとする。
本発明の特定の実施形態を例示及び説明してきたが、本発明の趣旨及び範囲から逸脱することなく様々な他の変更及び修正を行うことができる点は当業者には明白であろう。したがって、本発明の範囲内にある全てのそのような変更及び修正を添付の特許請求の範囲に網羅することが意図される。
Claims (15)
- 1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するように構成されたデジタル撮像及び学習システムであって、1つ以上のプロセッサと、前記1つ以上のプロセッサ上で実行されるように構成されたコンピューティング命令を含む撮像アプリケーション(アプリ)と、任意選択的に、少なくとも1つの人工知能(AI)アルゴリズムで訓練されたAIベースのモデルであり、前記撮像アプリによってアクセス可能であり、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練された、頭皮ベースの学習モデルであって、前記それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する1つ以上の画像分類を出力するように構成されている、頭皮ベースの学習モデルと、を備え、前記撮像アプリの前記コンピューティング命令が、前記1つ以上のプロセッサによって実行されると、前記1つ以上のプロセッサに、ユーザの画像を受信することであって、前記画像が、撮像デバイスによってキャプチャされたデジタル画像を含み、前記画像が、前記ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、受信することと、前記頭皮ベースの学習モデルによって、前記ユーザの頭皮領域の少なくとも1つの画像分類を決定するために、前記撮像デバイスによってキャプチャされた前記画像を分析することであって、前記少なくとも1つの画像分類が、前記頭皮ベースの学習モデルの前記1つ以上の画像分類から選択される、分析することと、前記ユーザの頭皮領域の前記少なくとも1つの画像分類に基づいて、前記ユーザの頭皮の頭皮領域の前記少なくとも前記一部分を含む前記画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することと、を行わせる、デジタル撮像及び学習システム。
- 前記1つ以上の画像分類が、(1)白色残留物画像分類、(2)頭皮栓画像分類、又は(3)頭皮ざ瘡画像分類、のうちの1つ以上を含む、請求項1に記載のデジタル撮像及び学習システム。
- 前記コンピューティング命令が、前記1つ以上のプロセッサに、前記頭皮ベースの学習モデルによって、前記頭皮ベースの学習モデルの前記1つ以上の画像分類から選択された前記ユーザの頭皮領域の第2の画像分類を決定するために、前記撮像デバイスによってキャプチャされた前記画像を分析することを更に行わせ、前記ユーザ固有の頭皮分類が、前記ユーザの頭皮領域の前記第2の画像分類に更に基づいている、請求項1又は2に記載のデジタル撮像及び学習システム。
- 前記ユーザの前記頭皮領域が、1)前記画素データ内で識別可能な1つ以上の頭皮皮膚特徴を有する頭皮皮膚であって、前記1つ以上の頭皮皮膚特徴が、白色皮脂残留物、前記頭皮皮膚の1つ以上のしわ、若しくは前記頭皮皮膚の1つ以上の裂皮、のうちの1つ以上を含む、頭皮皮膚、及び/又は、2)前記画素データ内で識別可能な1つ以上の毛包特徴を有する毛包領域であって、前記1つ以上の毛包特徴が、1つ以上の頭皮栓、若しくは頭皮ざ瘡、のうちの1つ以上を含む、毛包領域、を含む、請求項1~3のいずれか一項に記載のデジタル撮像及び学習システム。
- 前記複数の訓練画像のうちの1つ以上又は前記ユーザの前記少なくとも1つの画像が各々、頭皮皮膚特徴又は毛包特徴の単一インスタンスを有する前記頭皮領域を描写する少なくとも1つのトリミングされた画像を含む、請求項1~4のいずれか一項に記載のデジタル撮像及び学習システム。
- 前記複数の訓練画像のうちの1つ以上又は前記ユーザの前記少なくとも1つの画像が、前記それぞれの個人又は前記ユーザの頭皮領域を描写する複数の角度又は視点を含む、請求項1~5のいずれか一項に記載のデジタル撮像及び学習システム。
- 前記撮像アプリの前記コンピューティング命令が、前記1つ以上のプロセッサによって実行されると、前記1つ以上のプロセッサに、コンピューティングデバイスのディスプレイ画面上で、前記ユーザ固有の頭皮分類に基づいて少なくとも1つのユーザ固有の頭皮推奨をレンダリングすることを更に行わせ、好ましくは、前記少なくとも1つのユーザ固有の頭皮推奨が、以下:前記ユーザの頭皮の前記頭皮領域の前記少なくとも前記一部分を含む前記画素データにおいて識別可能な前記少なくとも1つの特徴を処理するための命令、前記ユーザに固有の推奨される洗浄頻度、テキスト推奨、画像ベースの推奨、前記ユーザの頭皮の前記頭皮領域の前記少なくとも前記一部分の仮想レンダリング、及び/又は製造された製品についての製品推奨、のうちの1つ以上を含む、請求項1~6のいずれか一項に記載のデジタル撮像及び学習システム。
- 前記コンピューティング命令が、前記1つ以上のプロセッサに、前記少なくとも1つのユーザ固有の頭皮推奨に基づいて、製造された製品の前記ユーザへの出荷を開始することを更に行わせる、請求項7に記載のデジタル撮像及び学習システム。
- 前記コンピューティング命令が、前記1つ以上のプロセッサに、前記画像に基づいて修正された画像を生成することであって、前記修正された画像が、前記ユーザ固有の頭皮推奨に従った後に、前記ユーザの頭皮皮膚又は毛包領域がどのように見えると予測されるかを描写する、生成することと、前記コンピューティングデバイスの前記ディスプレイ画面上で、前記修正された画像をレンダリングすることと、を更に行わせる、請求項7又は8に記載のデジタル撮像及び学習システム。
- 前記撮像アプリの前記コンピューティング命令が、前記1つ以上のプロセッサによって実行されると、前記1つ以上のプロセッサに、前記ユーザの頭皮の頭皮領域の前記少なくとも前記一部分を含む前記画素データ内で識別可能な前記少なくとも1つの特徴に対処するように設計された前記ユーザ固有の頭皮分類に基づいて決定された頭皮質コードを生成することを更に行わせる、請求項1~9のいずれか一項に記載のデジタル撮像及び学習システム。
- 前記コンピューティング命令が、前記1つ以上のプロセッサに、前記1つ以上のプロセッサに通信可能に結合された1つ以上のメモリ内に、ユーザの頭皮領域の経時的な変化を追跡するために、第1の時間に前記撮像デバイスによってキャプチャされた前記ユーザの前記画像を記録することと、前記ユーザの第2の画像を受信することであって、前記第2の画像が、第2の時間に前記撮像デバイスによってキャプチャされ、前記第2の画像が、前記ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、受信することと、前記頭皮ベースの学習モデルによって、前記第2の時間に、前記頭皮ベースの学習モデルの前記1つ以上の画像分類から選択された前記ユーザの頭皮領域の第2の画像分類を決定するために、前記撮像デバイスによってキャプチャされた前記第2の画像を分析することと、前記ユーザの頭皮領域の前記画像及び前記第2の画像又は前記分類若しくは前記第2の分類の比較に基づいて、前記ユーザの頭皮の頭皮領域の前記少なくとも前記一部分を含む前記第2の画像の前記画素データ内で識別可能な少なくとも1つの特徴に関する新しいユーザ固有の頭皮分類を生成することと、を更に行わせる、請求項1~10のいずれか一項に記載のデジタル撮像及び学習システム。
- 前記複数の訓練画像の頭皮皮膚又は毛包領域の前記1つ以上の特徴が、前記それぞれの個人の1つ以上のユーザ人口統計又は民族性に基づいて異なり、前記ユーザの前記ユーザ固有の頭皮分類が、前記頭皮ベースの学習モデルによって、前記ユーザの民族性又は人口統計値に基づいて生成される、請求項1~11のいずれか一項に記載のデジタル撮像及び学習システム。
- 前記1つ以上のプロセッサが、サーバのサーバプロセッサを備え、前記サーバが、コンピュータネットワークを介してコンピューティングデバイスに通信可能に結合され、前記撮像アプリが、前記サーバの前記1つ以上のプロセッサ上で実行されるように構成されたサーバアプリ部分と、前記コンピューティングデバイスの1つ以上のプロセッサ上で実行するように構成されたコンピューティンデバイスグアプリ部分と、を備え、前記サーバアプリ部分が、前記コンピューティンデバイスアプリ部分と通信するように構成され、前記サーバアプリ部分が、(1)前記撮像デバイスによってキャプチャされた前記画像を受信すること、(2)前記ユーザの頭皮領域の前記少なくとも1つの画像分類を決定すること、(3)前記ユーザ固有の頭皮分類を生成すること、又は(4)ユーザ固有の推奨を前記コンピューティングデバイスアプリ部分に伝送すること、のうちの1つ以上を実装するように構成されている、請求項1~12のいずれか一項に記載のデジタル撮像及び学習システム。
- 1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画像の画素データを分析するための命令を格納する有形の非一時的コンピュータ可読媒体であって、前記命令が、1つ以上のプロセッサによって実行されると、前記1つ以上のプロセッサに、1つ以上のプロセッサ上で実行される撮像アプリケーション(アプリ)で、ユーザの画像を受信することであって、前記画像が、撮像デバイスによってキャプチャされたデジタル画像を含み、前記画像が、前記ユーザの頭皮の頭皮領域の少なくとも一部分の画素データを含む、受信することと、前記撮像アプリによってアクセス可能な頭皮ベースの学習モデルによって、前記ユーザの頭皮領域の少なくとも1つの画像分類を決定するために、前記撮像デバイスによってキャプチャされた前記画像を分析することであって、前記少なくとも1つの画像分類が、前記頭皮ベースの学習モデルの1つ以上の画像分類から選択され、前記頭皮ベースの学習モデルが、それぞれの個人の頭皮の頭皮領域を描写する複数の訓練画像の画素データを用いて訓練され、前記頭皮ベースの学習モデルが、前記それぞれの個人の頭皮皮膚又は毛包領域の1つ以上の特徴に対応する前記1つ以上の画像分類を出力するように動作可能である、分析することと、前記ユーザの頭皮領域の前記少なくとも1つの画像分類に基づく前記画像アプリによって、前記ユーザの頭皮の頭皮領域の前記少なくとも前記一部分を含む前記画素データ内で識別可能な少なくとも1つの特徴に対処するように設計されたユーザ固有の頭皮分類を生成することと、を行わせる、有形の非一時的コンピュータ可読媒体。
- 1つ以上のユーザ固有の頭皮分類を生成するための、請求項1~14のいずれか一項に記載のデジタル撮像及び学習システム又は有形の非一時的コンピュータ可読媒体の使用。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/230,121 | 2021-04-14 | ||
US17/230,121 US20220335614A1 (en) | 2021-04-14 | 2021-04-14 | Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of a Scalp Region of a Users Scalp to Generate One or More User-Specific Scalp Classifications |
PCT/US2022/024553 WO2022221371A1 (en) | 2021-04-14 | 2022-04-13 | Digital imaging and learning systems and methods for analyzing pixel data of a scalp region of a user's scalp to generate one or more user-specific scalp classifications |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024515532A true JP2024515532A (ja) | 2024-04-10 |
Family
ID=81585117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023561022A Pending JP2024515532A (ja) | 2021-04-14 | 2022-04-13 | 1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220335614A1 (ja) |
EP (1) | EP4323957A1 (ja) |
JP (1) | JP2024515532A (ja) |
CN (1) | CN117242482A (ja) |
WO (1) | WO2022221371A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11682143B2 (en) * | 2021-04-27 | 2023-06-20 | Revieve Oy | System and method for hair analysis of user |
US11816246B2 (en) * | 2021-07-26 | 2023-11-14 | Microsoft Technology Licensing, Llc | Modeling techniques to classify data sets containing personal identifiable information comprising numerical identifiers |
US20230043674A1 (en) * | 2021-08-09 | 2023-02-09 | Techturized, Inc. | Scientific and technical systems and methods for providing hair health diagnosis, treatment, and styling recommendations |
IT202200010685A1 (it) * | 2022-05-23 | 2023-11-23 | Sanders S R L | Metodo per la classificazione della gravità degli stati di ossidazione del sebo accumulato sul cuoio capelluto della testa di un individuo |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8945150B2 (en) * | 2011-05-18 | 2015-02-03 | Restoration Robotics, Inc. | Systems and methods for selecting a desired quantity of follicular units |
MA41117A (fr) * | 2014-12-05 | 2017-10-10 | Myfiziq Ltd | Imagerie d'un corps |
US10796480B2 (en) * | 2015-08-14 | 2020-10-06 | Metail Limited | Methods of generating personalized 3D head models or 3D body models |
JP6674029B2 (ja) * | 2016-01-29 | 2020-04-01 | ザ プロクター アンド ギャンブル カンパニーThe Procter & Gamble Company | 毛髪繊維特性を向上させるための組成物 |
US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
AU2018365070A1 (en) * | 2017-11-10 | 2020-05-28 | Lvis Corporation | Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps |
MX2020012225A (es) * | 2018-05-17 | 2021-01-29 | Procter & Gamble | Sistemas y metodos para el analisis de la cobertura del cabello. |
US11172873B2 (en) * | 2018-05-17 | 2021-11-16 | The Procter & Gamble Company | Systems and methods for hair analysis |
EP3627444A1 (en) * | 2018-09-20 | 2020-03-25 | L'oreal | Method and system for determining a characteristic of a keratinous surface and method and system for treating said keratinous surface |
US11710034B2 (en) * | 2019-02-27 | 2023-07-25 | Intel Corporation | Misuse index for explainable artificial intelligence in computing environments |
WO2021050928A1 (en) * | 2019-09-11 | 2021-03-18 | Google Llc | Deep learning system for differential diagnosis of skin diseases |
US11373420B2 (en) * | 2020-04-24 | 2022-06-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods and systems for improving human hair and scalp using vehicle cameras and big data AI analytics |
US11455747B2 (en) * | 2020-07-02 | 2022-09-27 | The Gillette Company Llc | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin redness value of the user's skin after removing hair |
US20220164852A1 (en) * | 2020-11-20 | 2022-05-26 | The Procter & Gamble Company | Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of an Image of a Hair Region of a User's Head to Generate One or More User-Specific Recommendations |
US20230196579A1 (en) * | 2021-12-16 | 2023-06-22 | The Gillette Company Llc | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin pore size |
-
2021
- 2021-04-14 US US17/230,121 patent/US20220335614A1/en active Pending
-
2022
- 2022-04-13 EP EP22721952.4A patent/EP4323957A1/en active Pending
- 2022-04-13 WO PCT/US2022/024553 patent/WO2022221371A1/en active Application Filing
- 2022-04-13 JP JP2023561022A patent/JP2024515532A/ja active Pending
- 2022-04-13 CN CN202280028561.5A patent/CN117242482A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4323957A1 (en) | 2024-02-21 |
WO2022221371A1 (en) | 2022-10-20 |
CN117242482A (zh) | 2023-12-15 |
US20220335614A1 (en) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102339915B1 (ko) | 셀피를 촬영하도록 사용자를 안내하기 위한 시스템 및 방법 | |
JP2024515532A (ja) | 1つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法 | |
US20220164852A1 (en) | Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of an Image of a Hair Region of a User's Head to Generate One or More User-Specific Recommendations | |
US11734823B2 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin irritation value of the user's skin after removing hair | |
US11455747B2 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin redness value of the user's skin after removing hair | |
EP3933762A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body after removing hair for determining a user-specific hair removal efficiency value | |
EP3933682A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's skin after removing hair for determining a user-specific skin nick and cut value | |
EP3933851A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin laxity | |
US20230196579A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin pore size | |
US11896385B2 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a shaving stroke for determining pressure being applied to a user's skin | |
EP3933683A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a user's body before removing hair for determining a user-specific trapped hair value | |
JP7362924B2 (ja) | データ増強基盤空間分析モデル学習装置及び方法 | |
US20230196835A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining dark eye circles | |
US20230196553A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin dryness | |
US20230196551A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin roughness | |
US20230196549A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin puffiness | |
US20230196550A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining body contour | |
US20230196816A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin hyperpigmentation | |
US20230196552A1 (en) | Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin oiliness | |
CN116547723A (zh) | 分层结构化实体的不变表示 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231003 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231003 |