JP6408729B1 - 画像評価装置、画像評価方法及びプログラム - Google Patents
画像評価装置、画像評価方法及びプログラム Download PDFInfo
- Publication number
- JP6408729B1 JP6408729B1 JP2018034939A JP2018034939A JP6408729B1 JP 6408729 B1 JP6408729 B1 JP 6408729B1 JP 2018034939 A JP2018034939 A JP 2018034939A JP 2018034939 A JP2018034939 A JP 2018034939A JP 6408729 B1 JP6408729 B1 JP 6408729B1
- Authority
- JP
- Japan
- Prior art keywords
- vector
- image
- evaluation
- proposed
- evaluation value
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 399
- 239000013598 vector Substances 0.000 claims abstract description 362
- 238000003860 storage Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 description 32
- 238000000034 method Methods 0.000 description 20
- 238000009827 uniform distribution Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
Description
以下、図面を参照して、本発明の実施形態を説明する。
図1は、本実施形態の画像評価装置10の機能構成の一例を示す図である。画像評価装置10は、例えば、コンピュータ装置であって、評価対象画像IMTが入力された場合に、この評価対象画像IMTの評価を行い、入力された評価対象画像IMTよりも評価点が高い画像を提案画像IMPとして出力する機能を有する。ここで評価対象画像IMTとは、例えば、Web広告などに利用される広告画像の原稿である。この一例の場合、画像評価装置10は、広告画像の原稿が評価対象画像IMTとして入力されると、この評価対象画像IMTの広告効果を評価し、より広告効果が高い画像を提案画像IMPとして出力する。この画像評価装置10の機能構成の概要について図1を参照して説明する。
画像評価装置10は、画像取得部110と、評価対象画像Zベクトル生成部120と、評価情報取得部130と、提案画像Zベクトル生成部140と、提案画像生成部150とを備える。
提案画像評価値出力部170−1は、提案画像ZベクトルZPの評価値の予測値である提案画像Zベクトル評価値EVPを出力する。
評価対象画像評価値出力部170−2は、評価対象画像ZベクトルZTの評価値の予測値である評価対象画像評価予測値EVTを出力する。
これら提案画像評価値出力部170−1及び評価対象画像評価値出力部170−2は、いずれも、上述した画像評価値算出部160を備えている。
次に、図2から図4を参照して、上述した評価対象画像Zベクトル生成部120、提案画像生成部150、及び画像評価値算出部160の学習過程について説明する。
まず、評価対象画像Zベクトル生成部120及び提案画像生成部150の学習過程の一例について説明する。ここで、評価対象画像Zベクトル生成部120は、前段のデータ変換層(前段データ変換層121)と、後段のデータ変換層(後段データ変換層122)との2段に分かれて構成されている。ここでは、まず提案画像生成部150と、前段データ変換層121との学習過程について図2を参照して説明し、次に後段データ変換層122の学習過程について図3を参照して説明する。
図2は、本実施形態の前段データ変換層121と提案画像生成部150との学習過程の一例を示す図である。前段データ変換層121及び提案画像生成部150の学習には、上述したDCGANをもとにしてネットワークモデルが構成される。
なお、以下の説明において、学習中である前段データ変換層121を、前段データ変換層(学習中)121Lと記載する。また、学習中である提案画像生成部150を提案画像生成部(学習中)150Lと記載する。この場合において、前段データ変換層121及び提案画像生成部150は、いずれも学習済みであることを示す。
また、前段データ変換層121の学習が終了すると、前段データ変換層121には、画像の特徴を把握するための情報が蓄積されている。
次に、図3を参照して、後段データ変換層122の学習過程について説明する。
図3は、本実施形態の後段データ変換層122の学習過程の一例を示す図である。この後段データ変換層122の学習には、図2を参照して説明した学習済みの前段データ変換層121と、提案画像生成部150とが用いられる。
提案画像生成部150は、一様分布ZベクトルZRDが供給されると、画像IM2を生成する。上述したように、提案画像生成部150は、画像IM2を生成するためのZベクトル(生成画像ZベクトルZG1)に、任意の一様分布ZベクトルZRDを使用することができる。提案画像生成部150は、生成した画像IM2と、この画像IM2の生成に用いられたZベクトル(生成画像ZベクトルZG1)とをそれぞれ出力する。
評価対象画像Zベクトル生成部(学習中)120Lは、上述した学習済みの前段データ変換層121と、後段データ変換層(学習中)122Lとによって構成される。評価対象画像Zベクトル生成部(学習中)120Lには、提案画像生成部150が生成した画像IM2が供給される。評価対象画像Zベクトル生成部(学習中)120Lは、この画像IM2に対応するZベクトル(すなわち、画像IM2を生成するためのZベクトル)を、生成ZベクトルZG2として生成する。
学習が終了した評価対象画像Zベクトル生成部120は、画像IM2が入力されると、この画像IM2の生成に用いられたZベクトル(生成画像ZベクトルZG1)と同一のZベクトルを、生成ZベクトルZG2として出力できるようになる。つまり、この学習過程により、評価対象画像Zベクトル生成部120は、供給される画像のZベクトルを生成することができるようになる。
図4は、本実施形態の画像評価値算出部160の学習過程の一例を示す図である。画像評価値算出部160の学習には、DNN(Deep Neural Network)回帰をもとにネットワークモデルが構成される。
画像評価値算出部(学習中)160Lには、学習画像IMLのZベクトルである学習画像ZベクトルZLと、この学習画像IMLに対して付されている評価値EVLとが入力される。画像評価値算出部(学習中)160Lは、これらの情報に基づき、あるZベクトルが入力された場合に、このZベクトルが示す画像の評価値を予測するように学習される。
なお、以下の説明において、「Zベクトルが示す画像の評価値」を単に「Zベクトルの評価値」とも記載する。
画像評価値算出部160の学習が終了すると、画像評価値算出部160は、Zベクトルが入力されると、このZベクトルの評価値(評価予測値)を算出することができるようになる。
一例として、提案画像Zベクトル生成部140には、評価対象画像ZベクトルZTが供給される。この場合、提案画像Zベクトル生成部140の画像評価値算出部160は、評価対象画像ZベクトルZTの評価値を算出する。
また、提案画像評価値出力部170−1には、提案画像ZベクトルZPが供給される。この場合、提案画像評価値出力部170−1の画像評価値算出部160は、提案画像ZベクトルZPの評価予測値である提案画像Zベクトル評価値EVPを算出する。
また、評価対象画像評価値出力部170−2の画像評価値算出部160は、評価対象画像ZベクトルZTの評価予測値である評価対象画像評価予測値EVTを算出する。
次に、図5を参照して、画像評価装置10の動作について説明する。
図5は、本実施形態の画像評価装置10の動作の一例を示す図である。
(ステップS20)評価対象画像Zベクトル生成部120は、ステップS10において画像取得部110が取得した評価対象画像IMTのZベクトル、すなわち、評価対象画像ZベクトルZTを生成する。
(ステップS40)提案画像Zベクトル生成部140は、ステップS20において生成された評価対象画像ZベクトルZTと、ステップS30において取得された学習済みZベクトルZR及び学習済みZベクトル評価値EVZとに基づいて、提案画像ZベクトルZPを生成する。この提案画像Zベクトル生成部140が行う提案画像ZベクトルZPの生成手順の詳細について、図6を参照して説明する。
図6は、本実施形態の提案画像Zベクトル生成部140の動作の一例を示す図である。
(ステップS410)提案画像Zベクトル生成部140は、学習済みZベクトルのうち評価対象画像ZベクトルZT近傍の学習済みZベクトルを探索する。ここで、「評価対象画像ZベクトルZT近傍の学習済みZベクトル」とは、学習済みZベクトルのうち、評価対象画像ZベクトルZTと学習済みZベクトルとの距離(例えば、線形ノルム空間におけるノルム)が比較的近距離にある学習済みZベクトルのことをいう。すなわち、「ベクトルの近傍のベクトル」とは、距離(例えば、ノルム)が比較的近距離にあるベクトルどうしのことをいう。
(ステップS420)提案画像Zベクトル生成部140は、ステップS410において探索され学習済みZベクトルのなかから、評価値が低いZベクトルを決定する。
(ステップS450)提案画像Zベクトル生成部140は、ステップS440において計算された結果のZベクトルを、提案画像ZベクトルZPとして生成する。
それぞれの画像の意味(ここでは、サングラス、男性、女性など)について、広告効果の評価点をそれぞれ付しておけば、Zベクトルを加減算することにより、Zベクトルの評価点を加減算することができる。
つまり、図2から図4に示す学習過程によって学習がなされた結果、評価対象画像ZベクトルZT、学習済みZベクトルZR、及び提案画像ZベクトルZPについて、そのZベクトルが示す画像の意味及びZベクトルの評価値が、これらZベクトルの間において共通化されている。
すなわち、本実施形態の画像評価装置10によれば、評価対象画像ZベクトルZTに対して、あるZベクトルを加減算することにより、Zベクトルが示す画像の意味及びZベクトルの評価値を直接加減算することが可能になる。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
IMT…評価対象画像、IMP…提案画像、IML…学習画像、ZT…評価対象画像Zベクトル、ZP…提案画像Zベクトル、ZR…学習済みZベクトル、ZRD…一様分布Zベクトル、EVT…評価対象画像評価予測値、EVP…提案画像Zベクトル評価値、EVZ…学習済みZベクトル評価値、EVL…学習画像の評価値
Claims (5)
- 評価対象画像を取得する画像取得部と、
前記画像取得部が取得する前記評価対象画像のZベクトルを生成する評価対象画像Zベクトル生成部と、
学習済みZベクトルと当該学習済みZベクトルの評価値とが関連付けられて記憶されている記憶部から、前記学習済みZベクトルと、前記評価値とを取得する評価情報取得部と、
前記評価対象画像Zベクトル生成部が生成する前記評価対象画像のZベクトルと、前記評価情報取得部が取得する前記学習済みZベクトル及び前記評価値とに基づいて、前記評価対象画像のZベクトルのうち評価値が比較的低いZベクトルを前記評価対象画像のZベクトルから差し引き、前記記憶部に記憶されている前記学習済みZベクトルのうち評価値が比較的高いZベクトルを、前記評価対象画像のZベクトルに加えることにより、前記評価対象画像のZベクトルの評価値を超える評価値を有するZベクトルを、提案画像のZベクトルとして生成する提案画像Zベクトル生成部と、
前記提案画像Zベクトル生成部が生成する前記提案画像のZベクトルに基づいて、前記評価対象画像に対応する提案画像を生成する提案画像生成部と、
を備える画像評価装置。 - 入力されるZベクトルについて当該Zベクトルの評価値を算出する画像評価値算出部に、前記提案画像のZベクトルについて算出させた前記提案画像のZベクトルの評価値を、外部に出力する提案画像評価値出力部
をさらに備える請求項1に記載の画像評価装置。 - 入力されるZベクトルについて当該Zベクトルの評価値を算出する画像評価値算出部に、前記評価対象画像のZベクトルについて算出させた前記評価対象画像のZベクトルの評価値を、外部に出力する評価対象画像評価値出力部
をさらに備える請求項1又は請求項2に記載の画像評価装置。 - コンピュータが、評価対象画像を取得する画像取得ステップと、
コンピュータが、前記画像取得ステップにおいて取得される前記評価対象画像のZベクトルを生成する評価対象画像Zベクトル生成ステップと、
コンピュータが、学習済みZベクトルと当該学習済みZベクトルの評価値とが関連付けられて記憶されている記憶部から、前記学習済みZベクトルと、前記評価値とを取得する評価情報取得ステップと、
コンピュータが、前記評価対象画像Zベクトル生成ステップにおいて生成される前記評価対象画像のZベクトルと、前記評価情報取得ステップにおいて取得される前記学習済みZベクトル及び前記評価値とに基づいて、前記評価対象画像のZベクトルのうち評価値が比較的低いZベクトルを前記評価対象画像のZベクトルから差し引き、前記記憶部に記憶されている前記学習済みZベクトルのうち評価値が比較的高いZベクトルを、前記評価対象画像のZベクトルに加えることにより、前記評価対象画像のZベクトルの評価値を超える評価値を有するZベクトルを、提案画像のZベクトルとして生成する提案画像Zベクトル生成ステップと、
コンピュータが、前記提案画像Zベクトル生成ステップにおいて生成される前記提案画像のZベクトルに基づいて、前記評価対象画像に対応する提案画像を生成する提案画像生成ステップと、
を有する画像評価方法。 - 画像評価装置が備えるコンピュータに、
評価対象画像を取得する画像取得ステップと、
前記画像取得ステップにおいて取得される前記評価対象画像のZベクトルを生成する評価対象画像Zベクトル生成ステップと、
学習済みZベクトルと当該学習済みZベクトルの評価値とが関連付けられて記憶されている記憶部から、前記学習済みZベクトルと、前記評価値とを取得する評価情報取得ステップと、
前記評価対象画像Zベクトル生成ステップにおいて生成される前記評価対象画像のZベクトルと、前記評価情報取得ステップにおいて取得される前記学習済みZベクトル及び前記評価値とに基づいて、前記評価対象画像のZベクトルのうち評価値が比較的低いZベクトルを前記評価対象画像のZベクトルから差し引き、前記記憶部に記憶されている前記学習済みZベクトルのうち評価値が比較的高いZベクトルを、前記評価対象画像のZベクトルに加えることにより、前記評価対象画像のZベクトルの評価値を超える評価値を有するZベクトルを、提案画像のZベクトルとして生成する提案画像Zベクトル生成ステップと、
前記提案画像Zベクトル生成ステップにおいて生成される前記提案画像のZベクトルに基づいて、前記評価対象画像に対応する提案画像を生成する提案画像生成ステップと、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018034939A JP6408729B1 (ja) | 2018-02-28 | 2018-02-28 | 画像評価装置、画像評価方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018034939A JP6408729B1 (ja) | 2018-02-28 | 2018-02-28 | 画像評価装置、画像評価方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6408729B1 true JP6408729B1 (ja) | 2018-10-17 |
JP2019149115A JP2019149115A (ja) | 2019-09-05 |
Family
ID=63855292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018034939A Active JP6408729B1 (ja) | 2018-02-28 | 2018-02-28 | 画像評価装置、画像評価方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6408729B1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102465454B1 (ko) * | 2019-03-08 | 2022-11-10 | 주식회사 에이아이네이션 | 얼굴의 특징 인식을 통한 뷰티 평가 인공지능 장치 및 방법 |
KR102465455B1 (ko) * | 2019-03-08 | 2022-11-10 | 주식회사 에이아이네이션 | 스코어 분포 예측을 통한 사용자 취향별 뷰티 평가 인공지능 장치 및 방법 |
KR102465453B1 (ko) | 2019-03-08 | 2022-11-10 | 주식회사 에이아이네이션 | 가상화장 합성 처리 인공지능 장치 및 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004110213A (ja) * | 2002-09-13 | 2004-04-08 | Asatsu-Dk Inc | 画像イメージ予測モデルの作成処理方法、画像イメージ予測モデルの作成処理装置、画像イメージ予測モデル生成プログラムを記録したコンピュータ読み取り可能な記録媒体、コンピュータプログラム、および画像イメージ予測システム |
JP2017182663A (ja) * | 2016-03-31 | 2017-10-05 | 日本電気株式会社 | コンテンツ管理装置、コンテンツ管理方法及びプログラム |
-
2018
- 2018-02-28 JP JP2018034939A patent/JP6408729B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004110213A (ja) * | 2002-09-13 | 2004-04-08 | Asatsu-Dk Inc | 画像イメージ予測モデルの作成処理方法、画像イメージ予測モデルの作成処理装置、画像イメージ予測モデル生成プログラムを記録したコンピュータ読み取り可能な記録媒体、コンピュータプログラム、および画像イメージ予測システム |
JP2017182663A (ja) * | 2016-03-31 | 2017-10-05 | 日本電気株式会社 | コンテンツ管理装置、コンテンツ管理方法及びプログラム |
Non-Patent Citations (2)
Title |
---|
"第2部:進化するニューラルネット 認識から行動や生成まで、伸び盛りの深層学習", 日経エレクトロニクス, vol. 第1168号, JPN6018021583, 20 May 2016 (2016-05-20), JP, pages 34 - 39 * |
谷口 和輝 ほか: "広告とAI − 人工知能による新しい広告クリエイティブ", 人工知能, vol. 第32巻 第4号, JPN6018021581, 1 July 2017 (2017-07-01), JP, pages 501 - 508 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102465454B1 (ko) * | 2019-03-08 | 2022-11-10 | 주식회사 에이아이네이션 | 얼굴의 특징 인식을 통한 뷰티 평가 인공지능 장치 및 방법 |
KR102465455B1 (ko) * | 2019-03-08 | 2022-11-10 | 주식회사 에이아이네이션 | 스코어 분포 예측을 통한 사용자 취향별 뷰티 평가 인공지능 장치 및 방법 |
KR102465453B1 (ko) | 2019-03-08 | 2022-11-10 | 주식회사 에이아이네이션 | 가상화장 합성 처리 인공지능 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP2019149115A (ja) | 2019-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10922866B2 (en) | Multi-dimensional puppet with photorealistic movement | |
Shlizerman et al. | Audio to body dynamics | |
CN108363492B (zh) | 一种人机交互方法及交互机器人 | |
JP6408729B1 (ja) | 画像評価装置、画像評価方法及びプログラム | |
JP2023018021A (ja) | 制御されていない照明条件の画像中の肌色を識別する技術 | |
WO2018105194A1 (en) | Method and system for generating multi-relevant label | |
US10747798B2 (en) | Control method, processing apparatus, and recording medium | |
CN109074502A (zh) | 训练人工智能模型的方法、装置、存储介质及机器人 | |
EP4154093B1 (en) | Speech-driven gesture synthesis | |
CN110135497B (zh) | 模型训练的方法、面部动作单元强度估计的方法及装置 | |
CN108549662A (zh) | 多轮会话中语义解析结果的补充消解方法及装置 | |
Han et al. | Robust human action recognition using global spatial-temporal attention for human skeleton data | |
CN106981099B (zh) | 用于操作三维动画角色的方法和装置 | |
JP2018010435A (ja) | 販売予測装置、販売予測方法、およびプログラム | |
CN111611409B (zh) | 一种融入场景知识的事例分析方法及相关设备 | |
Baniya et al. | Rough set-based approach for automatic emotion classification of music | |
CN111444383B (zh) | 一种音频数据处理方法、装置以及计算机可读存储介质 | |
Voß et al. | Augmented Co-Speech Gesture Generation: Including Form and Meaning Features to Guide Learning-Based Gesture Synthesis | |
US9607573B2 (en) | Avatar motion modification | |
Wallace et al. | Exploring the effect of sampling strategy on movement generation with generative neural networks | |
CN113077383B (zh) | 一种模型训练方法及模型训练装置 | |
CN113241054B (zh) | 语音平滑处理模型生成方法、语音平滑处理方法及装置 | |
CN113228165A (zh) | 用于响应于语音输入信息来产生应答输出的方法、装置和应用 | |
Dutta et al. | Data augmentation for ambulatory EEG based cognitive state taxonomy system with RNN-LSTM | |
JP7061089B2 (ja) | 分類装置、分類方法及び分類プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180320 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180320 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20180411 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180402 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180612 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180813 |
|
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: 20180911 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180920 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6408729 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |