JP6418211B2 - 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム - Google Patents
識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム Download PDFInfo
- Publication number
- JP6418211B2 JP6418211B2 JP2016180222A JP2016180222A JP6418211B2 JP 6418211 B2 JP6418211 B2 JP 6418211B2 JP 2016180222 A JP2016180222 A JP 2016180222A JP 2016180222 A JP2016180222 A JP 2016180222A JP 6418211 B2 JP6418211 B2 JP 6418211B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- classification
- results
- result
- identification information
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 71
- 230000013016 learning Effects 0.000 claims description 874
- 238000003860 storage Methods 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 239000000047 product Substances 0.000 description 99
- 241000282326 Felis catus Species 0.000 description 81
- 230000002950 deficient Effects 0.000 description 71
- 241000282472 Canis lupus familiaris Species 0.000 description 52
- 238000013528 artificial neural network Methods 0.000 description 42
- 238000010586 diagram Methods 0.000 description 29
- 238000013135 deep learning Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 20
- 241001465754 Metazoa Species 0.000 description 19
- 238000012360 testing method Methods 0.000 description 18
- 235000019688 fish Nutrition 0.000 description 14
- 241000251468 Actinopterygii Species 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 238000002360 preparation method Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 239000010410 layer Substances 0.000 description 9
- 230000015556 catabolic process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 235000009508 confectionery Nutrition 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000283086 Equidae Species 0.000 description 3
- 241000282818 Giraffidae Species 0.000 description 3
- 241000282412 Homo Species 0.000 description 3
- 241000283080 Proboscidea <mammal> Species 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 240000006891 Artemisia vulgaris Species 0.000 description 1
- 235000003261 Artemisia vulgaris Nutrition 0.000 description 1
- 241000972773 Aulopiformes Species 0.000 description 1
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 241000252229 Carassius auratus Species 0.000 description 1
- 241000218645 Cedrus Species 0.000 description 1
- 241000251730 Chondrichthyes Species 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 241000722863 Cortaderia jubata Species 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 208000034809 Product contamination Diseases 0.000 description 1
- 241000722921 Tulipa gesneriana Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 235000013334 alcoholic beverage Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 235000021018 plums Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000019515 salmon Nutrition 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Description
(1−1)各学習結果から出力される分類結果がひとつの場合
図2に示す如く、学習結果1、2があり、それぞれの学習結果には入力データとして画像が入力される。そして、学習結果1の分類結果(猫の画像)と学習結果2の分類結果(猫の画像)であり、分類結果が同等であると判定できる場合、学習結果1の分類結果と学習結果2の分類結果とに同一の識別情報Aを付与する。
学習結果が複数の分類結果を出力し、それぞれの分類結果同士が同等である場合、同等である分類結果同士に同一の識別情報を付与しても良い。例えば、図3に示す如く、学習結果1、2があり、それぞれの学習結果には入力データとして画像が入力される。そして、学習結果1の分類結果と学習結果2の分類結果とが「猫の画像」と「犬の画像」であり、学習結果1の分類結果「猫の画像」と学習結果2の分類結果「猫の画像」とが同等であると判定できる場合には、その分類結果「猫の画像」に同一の識別情報Aを付与する。また、学習結果1の分類結果「犬の画像」と学習結果2の分類結果「犬の画像」とが同等である判定できる場合には、その分類結果「犬の画像」に同一の識別情報Bを付与する。
学習結果から出力される分類結果が複数あり、その一部の分類結果同士が同等とみなせる場合、その同等とみなせる分類結果同士のみに、同一の識別情報を付与しても良い。例えば、図4に示す如く、学習結果1、2があり、それぞれの学習結果には入力データとしてみかんに関するデータが入力される。そして、学習結果1は、「上級」、「中級」、「規格外」の3つの分類を行う。学習結果2は、「1級」、「2級」、「3級」、「4級」、「規格外」の5つの分類を行う。この学習結果1、2の分類結果のうち、学習結果1の「規格外」と、学習結果2の「規格外」とが同等であると判定できる場合、学習結果1の「規格外」と学習結果2の「規格外」とに同一の識別情報Aを付与する。
学習結果が複数の分類結果を出力し、それぞれの分類結果が上位概念で同等と判定できる場合には、上位概念で同等と判定できる分類結果に同一の識別情報を付与しても良い。
それぞれの分類結果同士が同等である場合、同等である分類結果同士に同一の識別情報を付与すると共に、それぞれの分類結果が上位概念で同等と判定できる場合には、上位概念で同等と判定できる分類結果に、下位概念の各分類結果に付与した識別情報とは異なる識別情報を分類結果に付与しても良い。
(2−1)各学習結果から出力される分類結果がひとつであり、その分類結果が同等であると判定できる場合であって、学習結果に同一の識別情報を付与する場合
図8に示す如く、学習結果1、2があり、それぞれの学習結果には入力データとして画像が入力される。そして、学習結果1の分類結果と学習結果2の分類結果とが「猫の画像」のみ出力し、分類結果が同等であると判定できる場合、学習結果1と学習結果2とが同等であると判定し、学習結果1と学習結果2とに同一の識別情報Cを付与する。
学習結果1の分類結果と学習結果2の分類結果とが複数あり、各分類結果が同等である場合も、学習結果1と学習結果2とが同等であると判定し、学習結果にのみ同一の識別情報を付与しても良い。例えば、図9に示す如く、学習結果1、2があり、それぞれの学習結果には入力データとして画像が入力される。そして、学習結果1の分類結果と学習結果2の分類結果とが「猫の画像」と「犬の画像」であり、学習結果1の分類結果「猫の画像」と学習結果2の分類結果「猫の画像」とが同等であると判定でき、学習結果1の分類結果「犬の画像」と学習結果2の分類結果「犬の画像」とが同等である判定できる場合には、学習結果にのみ同一の識別情報Cを付与しても良い。
学習結果が複数の分類結果を出力し、それぞれの分類結果が上位概念で同等と判定できる場合には、学習結果が同等であると判定し、学習結果に同一の識別情報を付与しても良い。
(3−1)各学習結果から出力される分類結果がひとつであり、その分類結果が同等であると判定できる場合
図11に示す如く、学習結果1、2があり、それぞれの学習結果には入力データとして画像が入力される。そして、学習結果1の分類結果(猫の画像)と学習結果2の分類結果(猫の画像)であり、分類結果が同等であると判定できる場合、学習結果1の分類結果と学習結果2の分類結果とに同一の識別情報Aを付与する。また、学習結果1と学習結果2とが同等である判定し、学習結果1の分類結果と学習結果2の分類結果とに同一の識別情報Cを付与する。
図12に示す如く、学習結果1、2があり、それぞれの学習結果には入力データとして画像が入力される。そして、学習結果1の分類結果と学習結果2の分類結果とが「猫の画像」と「犬の画像」であり、学習結果1の分類結果「猫の画像」と学習結果2の分類結果「猫の画像」とが同等であると判定できる場合には、その分類結果「猫の画像」に同一の識別情報Aを付与する。また、学習結果1の分類結果「犬の画像」と学習結果2の分類結果「犬の画像」とが同等である判定できる場合には、その分類結果「犬の画像」に同一の識別情報Bを付与する。更に、学習結果1と学習結果2とが同等である判定し、学習結果1の分類結果と学習結果2には同一の識別情報Cを付与する。
学習結果が複数の分類結果を出力し、それぞれの分類結果が上位概念で同等と判定できる場合には、上位概念で同等と判定できる分類結果に同一の識別情報を付与し、学習結果にも同一の識別情報を付与しても良い。
・異なる学習依頼
・異なる学習データ
・異なる学習の目標
・異なる利用装置
・その他、相違する学習結果の利用
また、以下に説明する具体的な実施の形態は一例であり、他の構成とすることが可能である。例えば、システム全体を1つの装置として実施してもよい。また、各装置を複数として、機能分担を任意に変更することもできる。
学習プログラムDB221は、学習を行うための学習プログラムを格納する。学習プログラムは、それぞれの学習プログラムの学習の内容を外部プログラムから取得できる。尚、学習の対象や、学習データの内容、目的など学習の要件に関連づけて、学習プログラムを格納することもできる。学習プログラムDBには多数の学習プログラムを登録できる。学習の要件を指定することで、学習プログラムを特定して、実行可能にすることができる。
学習データDBは、学習に用いる学習データを格納する。学習データの対象や、学習データの内訳、学習データの範囲、学習の目的など学習の要件に関連づけて、学習データを格納できる。
学習依頼DB223は、依頼されて実施する学習の内容を格納する。学習依頼者に関する情報、学習データの対象や、学習データの内訳、学習データの範囲、学習の目的など学習の依頼要件に関連づけて、学習依頼に関連する情報を格納できる。
学習結果利用履歴DB224は、学習結果の利用履歴を格納する。学習結果として獲得された分類能力を利用した結果に関する情報が格納できる。学習結果の利用者に関する情報、学習データの対象や、学習データの内訳、学習データの範囲、学習の目的など学習の利用に関連づけて、学習結果の利用に関連する情報を格納できる。
分類結果DB225は、学習結果を用いて分類する能力とそれぞれの分類結果に関連する情報を格納する。学習結果ごとに情報を格納することができる。また、分類結果の同等性の判定条件も分類結果DB225に格納される。また、後述する各適用例の処理において得られる情報を格納することができる。
・例えば、入力されるデータの種類、入力されるデータの取得方法、出力されるデータ(例えば、ニューラルネットワークの出力)等である。
(2−1) 学習データの識別情報に関する情報
学習データに識別情報を付与して、下記のような学習データの詳細を隠蔽して管理するようにできる。
例えば、学習データの内訳、教師データ情報(教師あり学習の場合は必要だが、教師なし学習の場合は不要である)、学習データの取得方法(例えば、学習データの取得手段の相違等)、学習データの前処理方法、学習データの対象範囲(取得対象(母集団や対象の範囲)、部分集合、取得時期、学習時のデータ取得方法、学習データとテストデータの内訳)等である。
例えば、データの所属、学習プログラムの所属、関連ツールの所属、分類対象の所属、権利関係情報(上記のそれぞれに権利関係があればその情報をDBに記録する)等である。
例えば、いつ学習が行われたかの情報等である。
学習ごとに、それぞれ多様な目標が設定され、下記のような情報がある。
対象の情報は、画像を対象とする、文章を対象とする、音声を対象とする等のどのような分野を対象とするかの情報である。
学習度合いの評価の情報としては、例えば、評価関数の内容等がある。
到達レベルの情報としては、学習が目標とする到達レベル等の情報である。
再学習の情報は、例えば、以前の学習を特定するID、目標の変更内容に関する情報等である。
学習装置によって、獲得される能力は相違する可能性がある。以下にその学習装置に関する情報の例を示す。
・機種
派生機種等の情報である。
・クラウドサービスとして学習サービスが提供される等の情報である。
演算能力や、並列度等の情報等である。
繰返し回数や、打ち切り時間、利用可能な消費電力の設定に関する情報等である。
(7−1)学習用ツールのプログラムに関する情報
種類やバージョンに関する情報である。
使用するプログラミング言語名等の使用するプログラミング言語を識別する情報である。使用したプログラミング言語は、後の改変などのために、把握できる必要があるからである。
使用するフレームワークを特定する情報である。各社からディープラーニングによる学習を行うための多様なフレームワークが公開されているので、使用するフレームワークを特定するためである。
・学習手法に関する情報
学習手法によって、それぞれ能力が獲得される。従って、学習手法に関する情報を記憶しておくことが重要である。学習手法に関する情報としては、SVM、回帰モデルなどディープラーニング以前からある手法、ディープビリーフネットワーク、ディープボルツマンマシン、積層自己符号化器、オートエンコーダ、制限ボルツマンマシン(RBM)、ドロップアウト、スパースコーティング、正則化、雑音除去自己符号化器、活性化関数の種類(シグモイド関数、ソフトサイン、ソフトプラス、Reluなど)、乱数系列の種類に関する情報等がある。
・ハイパーパラメータに関する情報
例えば、入力層の構成、層の数、隠れ層のユニット数、各層の内容に関する情報である。各層の内容に関する情報には、例えば、CNN(Convolutional Neural Network)、RNN(Recurrent Neural Network)(Elman network、Jordan network、ESN (Echo state network)、LSTM (Long short term memory network)、BRNN(Bi-directional RNN)等)の具体的な名称を記載しても良い。
例えば、フィードバック回路の構成、出力層の構成に関する情報等である。
例えば、演算精度を数値化した情報等である。
例えば、学習時の演算精度を数値化した情報等である。
例えば、サンプルを全て正確に分類できた場合に学習を終了する等の条件に関する情報である。
上述したニューラルネットワークの構成は、各フレームワークが提供する設定方法にもとづいて行うことができる。各フレームワークが提供する設定に関する情報を記憶しておき、上記の学習に関する情報として、各フレームワークが提供する方法を用いることができる。
能力のテストに関する情報である。能力のテスト方法が行われることによって、学習結果はテスト要件を満たすように影響を受ける。
例えば、ディープラーニングの学習には、乱数が用いられることが多いため、学習を実施するごとに、獲得した能力には毎回少しずつ差異がありえる。そこで、個々の学習結果の相違に関する情報を記録する。
適用例1は、学習結果に入力される入力データの同等性と、分類結果の同等性とをもとに、分類結果の同等性を判定する方法である。
・入力データを生成する装置は同じもの、あるいは同等なものが使用されている。
・入力データが同じ規格にもとづいて取得されている。
・入力データがあらかじめ同じであると、外部装置や組織で判定されている。
例えば、以下のように、異なる学習結果やそれを使用する装置が応用面からみて同じと見なせる場合に、分類結果に同一の識別情報を付与することができる。
また、対象は人に限定されず、任意の装置、建物、システムなどの状態を分類する装置に応用できる。
適用例1では所定のセンサ情報を用いて良品と不良品との分類を行った。
また、上記の例でサンプル数を増減するときに、所定の条件で増やしたり減らしたりする対象を選択するようにできる。例えば、通常と異なる特徴を持つ異常なデータを増やす又は減らす。あるいは、異常が確認されて記録されている期間のデータを増やす又は減らす等である。
適用例3は、適用例1または適用例2で、複数あるニューラルネットワークのうち同等と判定されなかった場合に、分類結果の同等性判定条件を再設定することによって、分類結果を整合させる。
適用例4は、入力データの種類を増減することで、複数の装置で分類結果が同等になるようにする。以下に適用例1に対して、入力データを追加する適用例を示す。
・形状計測方向の追加
・エッジの鋭さの程度
・彩度データ
・別の製品(当該製品のデータを学習データとして用いて、別の製品の特徴を学習する)
・製品以外の物体らしさ
・螺子、虫、ひも、紙片のような異物を検出する(それぞれのデータを用いて、それぞれの特徴を学習する。)
・金属センサの出力(異物除去精度のため)
各分類装置のデータで分類を学習するときに、順次入力データを増やすようにして、各分類装置(各学習結果)で分類が同等になるまで入力データを追加するようにできる。
例えば、上記の学習結果として獲得した分類能力が、店舗の地域ごとにバラツキが大きかった場合、下記のように入力データを追加した結果、バラツキが所定の範囲になったときに、同じ分類IDを付与することができる。
・入力データに所定の商品、例えば同一メーカの別の特定の製品に関する購買履歴情報を追加する。
・直前にアルコール飲料など特定のグループに属する商品を購入した履歴情報を追加する。
・追加する入力データは任意のものでよい。例えば、記録されている情報のなかからランダムに選択して、分類結果が所定の条件で一致するかを判定するようにできる。
適用例1から適用例4では、あらかじめ人が分類したサンプルを用意していた。このため、教師有り学習を行うことができた。
・明るいイメージの曲、悲しいイメージの曲
・朝を思い起こさせる曲、昼を思い起こさせる曲、夜を思い起こさせる曲
いずれかの分類装置を基準として、基準との類似度用いて、分類結果の同等性を判定できる。
適用例6は、同等性判定装置24が同等性の確認がされた分類結果のグループに、同一の識別情報(ID)を付与する例である。
・花のグループに、下位の階層の桜、梅、チューリップを含める
・草のグループに、下位の階層のヨモギ、ススキを含める。
・木のグループに、下位の階層の松、杉、檜などを含める。
・植物のグループに、下位の階層の花、草、木を含める。
上述の適用例で、多数の教師データつきの風景画像やスナップ写真が入力された場合、個々の対象に対して異なる学習装置の学習結果で異なる分類能力が獲得されることがある。このとき、同じ対象に対して、異なる分類が行われたことになる。
一方、人が分類する場合に、同じ対象を異なる観点で分類することがある。このとき、それぞれの観点による分類は矛盾する訳ではない。
適用例8は、分類結果を合成することで、所定の条件で複数の学習結果が同じになるようにする例である。
・適用例2:学習データの範囲を変更する(Step 3000)
・適用例3:分類結果が同等になるように条件を再設定する(Step 3001)
・適用例4:分類結果が同等になるように入力データの種類を変更する(Step 3002)
・適用例5:同等性が判定できる外部装置を用いて判定する(Step 3003)
・適用例6:同等性が確認された分類結果のグループに、同一の識別情報を付与する(Step 3004)
・適用例7:同等性が確認された複数の識別情報を付与する(分類結果を複数のグループでラベルづけする)(Step 3005)
・適用例8:分類結果が同等となるように分類を合成する(Step 3006)
以上の再判定の準備処理は一例であり、これらに限定されるものでない。
適用例の応用分野はそれぞれ例を示している。
機械学習により分類能力を獲得した少なくとも二以上の学習結果に関する情報を記憶する学習情報記憶部と、
前記少なくとも二以上の学習結果から出力される分類結果が同等であると判定できる分類結果同等性判定条件を記憶する判定条件記憶部と、
プロセッサと
を有し、
前記プロセッサは、
前記少なくとも二以上の学習結果から出力される分類結果が入力され、
前記学習情報記憶部及び判定条件記憶部から前記学習結果に関する情報と前記分類結果同等性判定条件とを読み出し、前記学習結果に関する情報と前記分類結果同等性判定条件とを用いて、前記少なくとも二以上の学習結果から出力される分類結果のうち、少なくとも二つの分類結果同士が同等であるかを判定し、
前記同等であると判定された分類結果同士に、もしくは、前記同等であると判定された分類結果を出力した学習結果同士に、または、その双方に、同一の識別情報を付与する
識別情報付与システム。
少なくとも一以上のメモリと、前記メモリと接続されたプロセッサとを有し、
前記プロセッサは、
機械学習により分類能力を獲得した少なくとも二以上の学習結果から出力される分類結果が入力され、
入力される分類結果の学習結果に関する情報と、前記少なくとも二以上の学習結果から出力される分類結果が同等であると判定できる分類結果同等性判定条件とを取得し、
前記学習結果に関する情報と前記分類結果同等性判定条件とを用いて、前記少なくとも二以上の学習結果から出力される分類結果のうち、少なくとも二つの分類結果同士が同等であるかを判定し、
前記同等であると判定された分類結果同士に、もしくは、前記同等であると判定された分類結果を出力した学習結果同士に、または、その双方に、同一の識別情報を付与する
識別情報付与装置。
2 判定条件記憶部
3 分類結果入力部
4 判定部
5 識別情報付与部
6 設定部
7 分類対象同等性判定部
8 再学習依頼部
9 入力データ変更部
10 分類結果合成部
Claims (12)
- 機械学習により分類能力を獲得した少なくとも二以上の学習結果に関する情報を記憶する学習情報記憶部と、
前記少なくとも二以上の学習結果から出力される分類結果が同等であると判定できる分類結果同等性判定条件を記憶する判定条件記憶部と、
前記少なくとも二以上の学習結果から出力される分類結果が入力される分類結果入力部と、
前記学習結果に関する情報と前記分類結果同等性判定条件とを用いて、前記少なくとも二以上の学習結果から出力される分類結果のうち、少なくとも二つの分類結果同士が同等であるかを判定する判定部と、
前記同等であると判定された分類結果同士に、もしくは、前記同等であると判定された分類結果を出力した学習結果同士に、または、その双方に、同一の識別情報を付与する識別情報付与部と
を有する識別情報付与システム。 - 前記識別情報付与部は、前記同等であると判定された分類結果を出力した学習結果同士に同一の識別情報を付与し、
前記判定部は、前記分類結果同士が同等であるかの判定に基づいて、前記学習結果の同等性を判定する
請求項1に記載の識別情報付与システム。 - 前記分類結果同等性判定条件は、前記学習結果の分類対象の一致度、前記学習結果から出力される分類結果の一致度の少なくともいずれかを含む
請求項1又は請求項2のいずれかに記載の識別情報付与システム。 - 前記識別情報を付与する範囲を設定する設定部を有し、
前記識別情報付与部は、設定された識別情報を付与する範囲で、前記学習結果又は前記分類結果の少なくともいずれかに識別情報を付与する
請求項1から請求項3のいずれかに記載の識別情報付与システム。 - 前記学習結果が分類する分類対象の同等性を判定する分類対象判定部を
有する請求項1から請求項4のいずれかに記載の識別情報付与システム。 - 前記判定部により、分類結果が同等であると判定できなかった場合、学習データを変更して学習結果の再学習を依頼する再学習依頼部を
有する請求項1から請求項5のいずれかに記載の識別情報付与システム。 - 前記判定部は、分類結果が同等あると判定できなかった場合、使用する分類結果の同等性の判定条件を変更する
請求項1から請求項6のいずれかに記載の識別情報付与システム。 - 前記判定部により、分類結果が同等あると判定できなかった場合、分類結果の同等性の判定に利用される、前記学習結果に入力される入力データを変更する入力データ変更部を
を有する請求項1から請求項7のいずれかに記載の識別情報付与システム。 - 前記学習結果から出力される分類結果同士を合成し、新たな分類結果を生成する分類結果合成部を有し、
前記判定部は、前記分類結果合成部により生成した分類結果が同等であるかを判定する
請求項1から請求項8のいずれかに記載の識別情報付与システム。 - 機械学習により分類能力を獲得した少なくとも二以上の学習結果から出力される分類結果が入力される分類結果入力部と、
入力される分類結果の学習結果に関する情報と、前記少なくとも二以上の学習結果から出力される分類結果が同等であると判定できる分類結果同等性判定条件とを取得する取得部と、
前記学習結果に関する情報と前記分類結果同等性判定条件とを用いて、前記少なくとも二以上の学習結果から出力された分類結果のうち、少なくとも二つの分類結果同士が同等であるかを判定する判定部と、
前記同等であると判定された分類結果同士に、もしくは、前記同等であると判定された分類結果を出力した学習結果同士に、または、その双方に、同一の識別情報を付与する識別情報付与部と
を有する識別情報付与装置。 - 機械学習により分類能力を獲得した少なくとも二以上の学習結果から出力される分類結果を受け、
機械学習により分類能力を獲得した少なくとも二以上の学習結果に関する情報と、前記少なくとも二以上の学習結果から出力される分類結果が同等であると判定するための分類結果同等性判定条件とを用いて、前記少なくとも二以上の学習結果から出力される分類結果のうち、少なくとも二つの分類結果同士が同等であるかを判定し、
前記同等であると判定された分類結果同士に、もしくは、前記同等であると判定された分類結果を出力した学習結果同士に、または、その双方に、同一の識別情報を付与する
識別情報付与方法。 - 機械学習により分類能力を獲得した少なくとも二以上の学習結果から出力される分類結果を入力する処理と、
記憶部に記憶されている、前記少なくとも二以上の学習結果に関する情報及び前記少なくとも二以上の学習結果から出力される分類結果が同等であると判定するための分類結果同等性判定条件を用いて、前記少なくとも二以上の学習結果から出力される分類結果のうち、少なくとも二つの分類結果同士が同等であるかを判定する処理と、
前記同等であると判定された分類結果同士に、もしくは、前記同等であると判定された分類結果を出力した学習結果同士に、または、その双方に、同一の識別情報を付与する処理と
をコンピュータに実行させるプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016180222A JP6418211B2 (ja) | 2016-09-15 | 2016-09-15 | 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム |
PCT/JP2017/009964 WO2018051547A1 (ja) | 2016-09-15 | 2017-03-13 | 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム |
PCT/IB2017/001122 WO2018051179A1 (en) | 2016-09-15 | 2017-09-14 | Evaluation system, evaluation device, computer-implemented evaluation method, computer program and ai system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016180222A JP6418211B2 (ja) | 2016-09-15 | 2016-09-15 | 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018045483A JP2018045483A (ja) | 2018-03-22 |
JP6418211B2 true JP6418211B2 (ja) | 2018-11-07 |
Family
ID=60051541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016180222A Expired - Fee Related JP6418211B2 (ja) | 2016-09-15 | 2016-09-15 | 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6418211B2 (ja) |
WO (2) | WO2018051547A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020020997A (ja) * | 2018-08-02 | 2020-02-06 | 古河電気工業株式会社 | 融着接続システム、融着接続機及び光ファイバ種判別方法 |
CN109190929B (zh) * | 2018-08-14 | 2023-09-19 | 中国平安人寿保险股份有限公司 | 一种工作量分摊方法、装置、计算机设备及存储介质 |
JP6631746B1 (ja) * | 2018-09-28 | 2020-01-15 | ダイキン工業株式会社 | クラスタ分類装置、環境生成装置及び環境生成システム |
IT201800020785A1 (it) * | 2018-12-21 | 2020-06-21 | Sergio Coretti | Sistema intelligente per la preventivazione rapida ed il controllo blockchain oriented |
WO2020183831A1 (ja) * | 2019-03-13 | 2020-09-17 | ソニー株式会社 | 認証処理装置と認証処理方法および被認証装置と情報生成方法 |
EP3926545A4 (en) | 2019-03-26 | 2022-03-23 | Mitsubishi Electric Corporation | DEVICE AND METHOD FOR RELIABILITY EVALUATION |
JP2021089116A (ja) * | 2019-12-05 | 2021-06-10 | 東京電力ホールディングス株式会社 | 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法 |
CN111105628A (zh) * | 2019-12-23 | 2020-05-05 | 北京首钢自动化信息技术有限公司 | 一种停车场画像构建方法和装置 |
KR20210133394A (ko) * | 2020-04-29 | 2021-11-08 | (주)엔텔스 | 신경망 모델에 기반한 IoT 디바이스 태깅 방법 및 태깅 장치 |
DE102020119579A1 (de) | 2020-07-24 | 2022-01-27 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Zuordnen von Zuständen zu Bauteilen, Vorrichtung, Computerprogrammprodukt und computerlesbares Speichermedium |
CN113610362B (zh) * | 2021-07-20 | 2023-08-08 | 苏州超集信息科技有限公司 | 一种基于深度学习流水线产品追溯方法及系统 |
WO2023105610A1 (ja) * | 2021-12-07 | 2023-06-15 | 楽天グループ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19743600B4 (de) * | 1997-10-02 | 2006-03-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur Überwachung eines zyklischen Produktionsprozesses |
US7526463B2 (en) * | 2005-05-13 | 2009-04-28 | Rockwell Automation Technologies, Inc. | Neural network using spatially dependent data for controlling a web-based process |
US8386401B2 (en) * | 2008-09-10 | 2013-02-26 | Digital Infuzion, Inc. | Machine learning methods and systems for identifying patterns in data using a plurality of learning machines wherein the learning machine that optimizes a performance function is selected |
JP6188147B2 (ja) * | 2013-10-15 | 2017-08-30 | 国立大学法人広島大学 | 認識システム |
JP6320112B2 (ja) * | 2014-03-27 | 2018-05-09 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
-
2016
- 2016-09-15 JP JP2016180222A patent/JP6418211B2/ja not_active Expired - Fee Related
-
2017
- 2017-03-13 WO PCT/JP2017/009964 patent/WO2018051547A1/ja active Application Filing
- 2017-09-14 WO PCT/IB2017/001122 patent/WO2018051179A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2018051179A1 (en) | 2018-03-22 |
JP2018045483A (ja) | 2018-03-22 |
WO2018051547A1 (ja) | 2018-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6418211B2 (ja) | 識別情報付与システム、識別情報付与装置、識別情報付与方法及びプログラム | |
Hebart et al. | Revealing the multidimensional mental representations of natural objects underlying human similarity judgements | |
Karaboga et al. | A novel clustering approach: Artificial Bee Colony (ABC) algorithm | |
JP7097195B2 (ja) | 学習結果識別装置、学習結果識別方法、及びそのプログラム | |
US9576223B2 (en) | Method and system for evaluating the resemblance of a query object to reference objects | |
Xu et al. | Automated digital cause-and-effect diagrams to assist causal analysis in problem-solving: a data-driven approach | |
Nieto et al. | Support vector machines and neural networks used to evaluate paper manufactured using Eucalyptus globulus | |
JP6680956B1 (ja) | 検索ニーズ評価装置、検索ニーズ評価システム、及び検索ニーズ評価方法 | |
JP6751816B2 (ja) | 新規学習データセット生成方法および新規学習データセット生成装置 | |
US20090240556A1 (en) | Anticipating merchandising trends from unique cohorts | |
Kaur et al. | Computer vision-based tomato grading and sorting | |
García Balboa et al. | Generalization-oriented road line classification by means of an artificial neural network | |
KR20150117603A (ko) | 연상 메모리와 결합된 모션 감지 장치를 이용해서 움직임을 식별하기 위한 시스템 및 방법 | |
US20140108328A1 (en) | System and method to classify and apply behavioral stimuli potentials to data in real time | |
Sanghi et al. | Learning deep features and classification for fresh or off vegetables to prevent food wastage using machine learning algorithms | |
Pitesky et al. | Data challenges and practical aspects of machine learning-based statistical methods for the analyses of poultry data to improve food safety and production efficiency | |
US11586942B2 (en) | Granular binarization for extended reality | |
Wang et al. | Crop pest detection by three-scale convolutional neural network with attention | |
Boniecki et al. | SOFM-type artificial neural network for the non-parametric quality-based classification of potatoes | |
CN116958624A (zh) | 指定材质的识别方法、装置、设备、介质及程序产品 | |
Goold et al. | Using network analysis to study behavioural phenotypes: an example using domestic dogs | |
Gontar et al. | Characterizing the shape patterns of dimorphic yeast pseudohyphae | |
Berg et al. | Do you see what I see? Measuring the semantic differences in image‐recognition services' outputs | |
Mahalle et al. | Data Acquisition and Preparation | |
JP6781956B2 (ja) | 学習結果比較装置、学習結果比較方法、及びそのプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180807 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180807 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20180808 |
|
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: 20180924 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6418211 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |