JP6453968B2 - 閾値変更装置 - Google Patents
閾値変更装置 Download PDFInfo
- Publication number
- JP6453968B2 JP6453968B2 JP2017188820A JP2017188820A JP6453968B2 JP 6453968 B2 JP6453968 B2 JP 6453968B2 JP 2017188820 A JP2017188820 A JP 2017188820A JP 2017188820 A JP2017188820 A JP 2017188820A JP 6453968 B2 JP6453968 B2 JP 6453968B2
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- label
- data
- unit
- recognition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Description
実施形態に係る学習システム100(図4参照)は、認識対象データの内容を認識する認識部11(図1参照)のパラメータを学習するシステムである。認識対象データとは、コンピュータに認識させる対象となるデータであり、例えば、画像データ、音声データ、テキストデータなどである。認識部11のパラメータは、認識対象データを認識する認識処理に用いられる値である。以下では、一例として、認識対象データが画像データであり、認識する対象が画像の内容(人、動物、物体、風景、室内など)である場合を説明する。
w2j (1)は2階層2番目の人工ニューロンにおける1階層j番目の出力に対応する重み係数、w3j (1)は2階層3番目の人工ニューロンにおける1階層j番目の出力に対応する重み係数、b2 (1)は1階層2番目のバイアス値、b3 (1)は1階層3番目のバイアス値である。これにより、3階層の人工ニューロンの出力h1 (3)は以下の数式6で表される。
なお、バイアス値bは必ずしも必要ではなく、前段の人工ニューロンの出力と重み係数との積算値だけで出力を演算してもよい。
ここで、x(i)は中間層112への入力ベクトル、w(i) は中間層112の重みパラメータベクトル、b(i) はバイアスベクトル、v(i) は中間層112の出力ベクトルである。画像認識で一般的に使用される中間層112の一例として、全結合層及び畳み込み層がある。図3で表現されている全結合層の出力は、一般的には以下の数式8となる。
ここで、xp (i) はi番目の中間層112の出力の第p成分、vq (i)は中間層112の出力の第q成分、wp,q (i) は中間層112の重み係数のp,q成分である。また、畳み込み層の出力は以下の数式9となる。
ここで、xp,(r,s) (i) はi番目の中間層112の入力の第pチャンネルの(r,s)成分、vq,(r,s) (i)は中間層112の出力の第qチャンネルの(r,s)成分、wp,q,(r’,s’) (i)は中間層112の畳み込みフィルタに関する重み係数である。r’,s’は、0から畳み込みフィルタの(幅−1)、(高さ−1)の値まで変化する。以上のような中間層112及び活性化関数g(i)の計算を繰り返すことにより、出力層113直前の中間層の出力が以下の数式10となる。
ここで、wj (i) は第i層の重み係数のj成分、hk (i)は、i番目の中間層112の出力ベクトルの第k成分、g’(i)は活性化関数の微分である。バイアス値bについても同様の手法で計算することができる。
なお、上述した数式11のうち、以下に示す項については、第i層のみからでは算出できないため、第i+1層の値を用いた計算が必要になる。
具体的には、以下の計算となる。
このように出力層に近い側の計算結果から、入力側に誤差を伝播させる形で計算を行うため、誤差逆伝搬と呼ばれる。
第1実施形態においては、端末装置10は、学習システム100によって学習されたラベルを付与する。第1実施形態におけるラベルは、予め設定された内容を表すラベルであって、端末装置10及び学習システム100で共通である。また、ラベルは、複数の端末装置10間で共通であり得る。つまり、第1実施形態におけるラベルは、ユーザなどにより自由に設定されたラベルではない。第2実施形態では、ユーザが自由にラベルを付与することを許容する。以下では、第1実施形態におけるラベルをパブリックラベルといい、ユーザにより自由に設定されたラベルをプライベートラベルという。また、以下では、第1実施形態において説明した内容については説明を省略する。
第3実施形態に係る端末装置50Aは、第2実施形態に係る端末装置50と比べて、ラベル提示部57Aを備えている点で相違し、その他は同一である。第3実施形態に係る端末装置50Aは、プライベートラベルをユーザに提示することで、ユーザのラベル付与の労力を軽減させる追加機能を有する。なお、第2実施形態においては、付与ラベル記憶部53は、付随情報及びプライベートラベル付与日時を任意で記憶していたが、第3実施形態においては、付与ラベル記憶部53は、付随情報及びプライベートラベル付与日時の少なくとも一方が記憶されている。
第4実施形態に係る端末装置50Bは、第2実施形態に係る端末装置50と比べて、操作受付部55B、画像決定部(決定部)59、コメント解析部(解析部)60及びラベル提示部57Bを備えている点で相違し、その他は同一である。第4実施形態に係る端末装置50Bは、ユーザが認識対象データを共有するときに生成されたコメントを用いて、プライベートラベルをユーザに提示することで、ユーザのラベル付与の労力を軽減させる追加機能を有する。
第5実施形態に係る端末装置50Cは、第2実施形態に係る端末装置50と比べて、リスト出力部62、代表ラベル取得部(関係取得部)63及び修正推奨部64を備えている点で相違し、その他は同一である。第5実施形態に係る端末装置50Cは、プライベートラベルの表記ゆれ、誤記、発散などを指摘することにより、既に付与したプライベートラベルをより整理し易くさせる追加機能を有する。また、第5実施形態に係る学習システム100Aは、第1実施形態に係る学習システムと比べて言語サーバ80を備える点が相違し、その他は同一である。
第6実施形態に係る学習システム100Bは、第1実施形態に係る学習システム100と比べて、閾値設定部44(閾値変更装置の一例)を備える点が相違し、その他は同一である。以下では、学習システム100Bと学習システム100との相違点を中心に説明し、重複する説明は省略する。
上記の定義により、適合率は、以下のように表現される。
ここで、ri,testは、評価データにおける「正評価」及び「負評価」の比である。このように、算出部444は、「false positive」数を、評価データにおける「正評価」及び「負評価」の比ri,testと、端末装置10Bにおける「正評価」及び「負評価」の比ri,aとを用いて補正することにより、補正「false positive」数を得る。つまり、算出部444は、以下の式13で適合率を算出する。
第7実施形態に係る端末装置10Cは、第6実施形態に係る端末装置10B(あるいは第1実施形態に係る端末装置10)と比べて、閾値設定部44C(閾値変更装置の一例)を備える点が相違し、その他は同一である。以下では、端末装置10Cと端末装置10B(あるいは端末装置10)との相違点を中心に説明し、重複する説明は省略する。
Claims (4)
- 認識対象データを取得し、ニューラルネットワークによって前記認識対象データの内容が所定ラベルに合致する度合いを示す認識スコアを出力し、前記認識スコアと前記認識スコアに対して予め設定された閾値とを用いて前記認識対象データの内容が所定ラベルに合致するか否かを示す認識結果を出力する端末装置における前記閾値を変更する閾値変更装置であって、
入力データと、前記入力データに関連付けられ、前記入力データの内容が前記所定ラベルに合致する正評価であるか前記入力データの内容が所定ラベルに合致しない負評価であるかを示す前記所定ラベルの正解評価と、を含む評価データを取得する評価データ取得部と、
前記端末装置に関連付けられたデータの前記正評価及び前記負評価の比を取得する端末データ取得部と、
前記ニューラルネットワーク又は前記ニューラルネットワークの重み係数と同一の重み係数を有するニューラルネットワークから、前記入力データに関する前記所定ラベルの前記認識スコアを取得する認識スコア取得部と、
前記認識スコア取得部により取得された前記所定ラベルの前記認識スコアと、前記閾値を用いて、正解評価が正評価の前記入力データが正評価として認識されたデータ数、及び、正解評価が負評価の前記入力データが正評価として認識されたデータ数を算出し、算出されたデータ数を用いて前記所定ラベルに関する適合率を算出する算出部と、
前記算出部により算出された前記適合率を用いて前記閾値を変更する変更部と、
を備え、
前記算出部は、正解評価が負評価の前記入力データが正評価として認識されたデータ数を、前記評価データの正評価及び負評価の比、及び、前記端末装置に関連付けられたデータの正評価及び負評価の比を用いて補正し、補正されたデータ数を用いて前記適合率を算出する、
閾値変更装置。 - 前記算出部は、前記所定ラベルに関する再現率及び前記適合率を算出し、
前記変更部は、前記閾値を前記再現率及び前記適合率の調和平均が最大となる認識スコアへ変更する請求項1に記載の閾値変更装置。 - 前記端末データ取得部は、前記端末装置の前記ニューラルネットワークの認識結果、又は、前記端末装置のユーザによるアノテーションの結果に基づいて、前記端末装置に関連付けられたデータの前記正評価及び前記負評価の比を取得する請求項1又は2に記載の閾値変更装置。
- 前記端末データ取得部は、前記端末装置のユーザの操作又は端末情報に基づいて、前記端末装置に関連付けられたデータの前記正評価及び前記負評価の比を取得する請求項1〜3の何れか一項に記載の閾値変更装置。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015215057 | 2015-10-30 | ||
JP2015215057 | 2015-10-30 | ||
JP2016141558 | 2016-07-19 | ||
JP2016141558 | 2016-07-19 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017513559A Division JP6271085B2 (ja) | 2015-10-30 | 2016-10-14 | 学習システム、学習装置、学習方法、学習プログラム、教師データ作成装置、教師データ作成方法、教師データ作成プログラム、端末装置及び閾値変更装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018018537A JP2018018537A (ja) | 2018-02-01 |
JP6453968B2 true JP6453968B2 (ja) | 2019-01-16 |
Family
ID=58630045
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017513559A Active JP6271085B2 (ja) | 2015-10-30 | 2016-10-14 | 学習システム、学習装置、学習方法、学習プログラム、教師データ作成装置、教師データ作成方法、教師データ作成プログラム、端末装置及び閾値変更装置 |
JP2017188820A Active JP6453968B2 (ja) | 2015-10-30 | 2017-09-28 | 閾値変更装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017513559A Active JP6271085B2 (ja) | 2015-10-30 | 2016-10-14 | 学習システム、学習装置、学習方法、学習プログラム、教師データ作成装置、教師データ作成方法、教師データ作成プログラム、端末装置及び閾値変更装置 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11170262B2 (ja) |
EP (1) | EP3361423B1 (ja) |
JP (2) | JP6271085B2 (ja) |
KR (1) | KR102114564B1 (ja) |
CN (1) | CN108351986B (ja) |
WO (1) | WO2017073373A1 (ja) |
Families Citing this family (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108351986B (zh) * | 2015-10-30 | 2022-03-29 | 株式会社摩如富 | 学习系统及装置和方法、训练数据生成装置及生成方法 |
KR102570278B1 (ko) * | 2017-07-31 | 2023-08-24 | 삼성전자주식회사 | 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법 |
JP7197971B2 (ja) * | 2017-08-31 | 2022-12-28 | キヤノン株式会社 | 情報処理装置、情報処理装置の制御方法及びプログラム |
CN107609084B (zh) * | 2017-09-06 | 2021-01-26 | 华中师范大学 | 一种基于群智汇聚收敛的资源关联方法 |
JP6962123B2 (ja) * | 2017-10-04 | 2021-11-05 | 株式会社豊田中央研究所 | ラベル推定装置及びラベル推定プログラム |
JP6916096B2 (ja) * | 2017-11-20 | 2021-08-11 | 株式会社日立製作所 | インスタンス利用促進システム |
JP7050470B2 (ja) * | 2017-11-21 | 2022-04-08 | 千代田化工建設株式会社 | 検査支援システム、学習装置、及び判定装置 |
JP6431231B1 (ja) * | 2017-12-24 | 2018-11-28 | オリンパス株式会社 | 撮像システム、学習装置、および撮像装置 |
JP6924413B2 (ja) * | 2017-12-25 | 2021-08-25 | オムロン株式会社 | データ生成装置、データ生成方法及びデータ生成プログラム |
CN108268938B (zh) * | 2018-01-24 | 2020-04-21 | 清华大学 | 神经网络及其信息处理方法、信息处理系统 |
JP7040104B2 (ja) * | 2018-02-19 | 2022-03-23 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
JPWO2019176806A1 (ja) * | 2018-03-16 | 2021-04-08 | 富士フイルム株式会社 | 機械学習装置および方法 |
JP7025989B2 (ja) * | 2018-05-11 | 2022-02-25 | 株式会社 日立産業制御ソリューションズ | 学習装置、学習方法及び学習プログラム |
WO2019230254A1 (ja) * | 2018-05-31 | 2019-12-05 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
EP3582142A1 (en) * | 2018-06-15 | 2019-12-18 | Université de Liège | Image classification using neural networks |
CN109348400B (zh) * | 2018-09-16 | 2020-08-04 | 台州昉创科技有限公司 | 一种3d音效的主体位姿预判方法 |
CN112912964A (zh) * | 2018-10-19 | 2021-06-04 | 豪夫迈·罗氏有限公司 | 利用卷积神经网络对冻干药物产品的缺陷检测 |
EP3877885A4 (en) * | 2018-11-07 | 2021-12-08 | Element AI Inc. | REMOVAL OF SENSITIVE DATA FROM DOCUMENTS FOR USE AS TRAINING KITS |
JP7135750B2 (ja) * | 2018-11-12 | 2022-09-13 | 富士通株式会社 | 学習プログラム、学習方法、学習装置、検知プログラム、検知方法及び検知装置 |
US20220004857A1 (en) * | 2018-11-15 | 2022-01-06 | Leapmind Inc. | Neural network processing apparatus, neural network processing method, and neural network processing program |
US11922314B1 (en) * | 2018-11-30 | 2024-03-05 | Ansys, Inc. | Systems and methods for building dynamic reduced order physical models |
US11087170B2 (en) * | 2018-12-03 | 2021-08-10 | Advanced Micro Devices, Inc. | Deliberate conditional poison training for generative models |
JP6632773B1 (ja) * | 2018-12-14 | 2020-01-22 | 三菱電機株式会社 | 学習識別装置、学習識別方法、及び、学習識別プログラム |
JP6989485B2 (ja) * | 2018-12-21 | 2022-01-05 | 株式会社 日立産業制御ソリューションズ | マルチラベルデータ学習支援装置、マルチラベルデータ学習支援方法およびマルチラベルデータ学習支援プログラム |
KR102189761B1 (ko) * | 2018-12-21 | 2020-12-11 | 주식회사 엘지씨엔에스 | 딥러닝 학습 방법 및 서버 |
US10579907B1 (en) * | 2019-01-31 | 2020-03-03 | StradVision, Inc. | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same |
WO2020178957A1 (ja) | 2019-03-04 | 2020-09-10 | 日本電気株式会社 | 画像処理装置、画像処理方法及びプログラム記録媒体 |
US11373298B2 (en) * | 2019-03-28 | 2022-06-28 | Canon Medical Systems Corporation | Apparatus and method for training neural networks using small, heterogeneous cohorts of training data |
JP2020161086A (ja) * | 2019-03-28 | 2020-10-01 | 株式会社デンソーテン | 制御装置および補正方法 |
WO2020217371A1 (ja) * | 2019-04-25 | 2020-10-29 | オムロン株式会社 | 学習システム、データ生成装置、データ生成方法、及びデータ生成プログラム |
US11804070B2 (en) | 2019-05-02 | 2023-10-31 | Samsung Electronics Co., Ltd. | Method and apparatus with liveness detection |
CN110147852A (zh) * | 2019-05-29 | 2019-08-20 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
KR20200144658A (ko) | 2019-06-19 | 2020-12-30 | 삼성전자주식회사 | 분류 장치 및 이의 동작 방법과 트레이닝 방법 |
JP7200851B2 (ja) * | 2019-06-27 | 2023-01-10 | トヨタ自動車株式会社 | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル |
US20220269953A1 (en) * | 2019-09-02 | 2022-08-25 | Nec Corporation | Learning device, prediction system, method, and program |
WO2021044671A1 (ja) * | 2019-09-03 | 2021-03-11 | 富士フイルム株式会社 | 学習装置、学習装置の作動方法、学習装置の作動プログラム |
CN110610169B (zh) * | 2019-09-20 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 图片标注方法和装置、存储介质及电子装置 |
EP4055519A4 (en) * | 2019-11-20 | 2023-01-04 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | DATA CLEANING DEVICE, DATA CLEANING METHOD AND FACE VERIFICATION METHOD |
KR102131347B1 (ko) * | 2020-01-29 | 2020-07-07 | 주식회사 이글루시큐리티 | 머신 러닝 학습 데이터 생성 방법 및 그 시스템 |
JP7421363B2 (ja) * | 2020-02-14 | 2024-01-24 | 株式会社Screenホールディングス | パラメータ更新装置、分類装置、パラメータ更新プログラム、および、パラメータ更新方法 |
WO2021241173A1 (ja) * | 2020-05-27 | 2021-12-02 | コニカミノルタ株式会社 | 学習装置、学習方法及び学習プログラム、認識装置、認識方法及び認識プログラム並びに学習認識装置 |
CN113188715A (zh) * | 2021-03-17 | 2021-07-30 | 重庆大学 | 基于机器学习的多维力传感器静态校准数据处理方法 |
US20230206294A1 (en) | 2021-12-29 | 2023-06-29 | Rakuten Group, Inc. | Information processing apparatus, information processing method, and recording medium |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001109733A (ja) * | 1999-10-12 | 2001-04-20 | Hitachi Ltd | 識別モデルの評価方法及び閾値調整方法 |
JP2002008000A (ja) * | 2000-06-16 | 2002-01-11 | Nippon Telegr & Teleph Corp <Ntt> | データ分類学習方法、データ分類方法、データ分類学習装置、データ分類装置、データ分類学習プログラムを記録した記録媒体、データ分類プログラムを記録した記録媒体 |
JP2004524599A (ja) * | 2000-11-02 | 2004-08-12 | サイバーソース コーポレイション | 電子商取引における不正取引リスクを評価するための方法及び装置 |
JP4532915B2 (ja) * | 2004-01-29 | 2010-08-25 | キヤノン株式会社 | パターン認識用学習方法、パターン認識用学習装置、画像入力装置、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
US7925080B2 (en) | 2006-01-13 | 2011-04-12 | New Jersey Institute Of Technology | Method for identifying marked images based at least in part on frequency domain coefficient differences |
US8352386B2 (en) * | 2009-07-02 | 2013-01-08 | International Business Machines Corporation | Identifying training documents for a content classifier |
US8423568B2 (en) * | 2009-09-16 | 2013-04-16 | Microsoft Corporation | Query classification using implicit labels |
US8774515B2 (en) * | 2011-04-20 | 2014-07-08 | Xerox Corporation | Learning structured prediction models for interactive image labeling |
CN102298606B (zh) | 2011-06-01 | 2013-07-17 | 清华大学 | 基于标签图模型随机游走的图像自动标注方法及装置 |
US9235799B2 (en) | 2011-11-26 | 2016-01-12 | Microsoft Technology Licensing, Llc | Discriminative pretraining of deep neural networks |
CN108073948A (zh) | 2012-01-17 | 2018-05-25 | 华为技术有限公司 | 一种照片分类管理方法、服务器、装置及系统 |
US9536178B2 (en) * | 2012-06-15 | 2017-01-03 | Vufind, Inc. | System and method for structuring a large scale object recognition engine to maximize recognition accuracy and emulate human visual cortex |
US9122950B2 (en) * | 2013-03-01 | 2015-09-01 | Impac Medical Systems, Inc. | Method and apparatus for learning-enhanced atlas-based auto-segmentation |
US8923608B2 (en) * | 2013-03-04 | 2014-12-30 | Xerox Corporation | Pre-screening training data for classifiers |
JP6164639B2 (ja) * | 2013-05-23 | 2017-07-19 | 国立研究開発法人情報通信研究機構 | ディープ・ニューラルネットワークの学習方法、及びコンピュータプログラム |
JP5809663B2 (ja) * | 2013-06-10 | 2015-11-11 | ヤフー株式会社 | 分類精度推定装置、分類精度推定方法、およびプログラム |
US9489373B2 (en) * | 2013-07-12 | 2016-11-08 | Microsoft Technology Licensing, Llc | Interactive segment extraction in computer-human interactive learning |
US10373047B2 (en) * | 2014-02-28 | 2019-08-06 | Educational Testing Service | Deep convolutional neural networks for automated scoring of constructed responses |
JP6092141B2 (ja) * | 2014-03-10 | 2017-03-08 | 日本電信電話株式会社 | データ解析装置、方法、及びプログラム |
US9552549B1 (en) * | 2014-07-28 | 2017-01-24 | Google Inc. | Ranking approach to train deep neural nets for multilabel image annotation |
WO2016070098A2 (en) * | 2014-10-31 | 2016-05-06 | Paypal, Inc. | Determining categories for weakly labeled images |
US9495619B2 (en) * | 2014-12-30 | 2016-11-15 | Facebook, Inc. | Systems and methods for image object recognition based on location information and object categories |
CN107851097B (zh) * | 2015-03-31 | 2021-10-01 | 株式会社Fronteo | 数据分析系统、数据分析方法、数据分析程序及存储介质 |
CN108351986B (zh) * | 2015-10-30 | 2022-03-29 | 株式会社摩如富 | 学习系统及装置和方法、训练数据生成装置及生成方法 |
-
2016
- 2016-10-14 CN CN201680062416.3A patent/CN108351986B/zh active Active
- 2016-10-14 KR KR1020187015260A patent/KR102114564B1/ko active IP Right Grant
- 2016-10-14 US US15/771,735 patent/US11170262B2/en active Active
- 2016-10-14 EP EP16859603.9A patent/EP3361423B1/en active Active
- 2016-10-14 JP JP2017513559A patent/JP6271085B2/ja active Active
- 2016-10-14 WO PCT/JP2016/080558 patent/WO2017073373A1/ja active Application Filing
-
2017
- 2017-09-28 JP JP2017188820A patent/JP6453968B2/ja active Active
-
2021
- 2021-10-05 US US17/494,100 patent/US20220101059A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
CN108351986B (zh) | 2022-03-29 |
KR102114564B1 (ko) | 2020-05-22 |
US20220101059A1 (en) | 2022-03-31 |
WO2017073373A1 (ja) | 2017-05-04 |
JP2018018537A (ja) | 2018-02-01 |
EP3361423A4 (en) | 2019-06-12 |
EP3361423B1 (en) | 2022-12-14 |
CN108351986A (zh) | 2018-07-31 |
US20180307946A1 (en) | 2018-10-25 |
JP6271085B2 (ja) | 2018-01-31 |
US11170262B2 (en) | 2021-11-09 |
JPWO2017073373A1 (ja) | 2017-10-26 |
KR20180079391A (ko) | 2018-07-10 |
EP3361423A1 (en) | 2018-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6453968B2 (ja) | 閾値変更装置 | |
US9965717B2 (en) | Learning image representation by distilling from multi-task networks | |
US11501161B2 (en) | Method to explain factors influencing AI predictions with deep neural networks | |
US8874616B1 (en) | Method and apparatus for fusion of multi-modal interaction data | |
Orphanou et al. | Mitigating bias in algorithmic systems—a fish-eye view | |
KR20200119370A (ko) | 인공지능 기반의 유사 디자인 검색 장치 | |
CN111512299A (zh) | 用于内容搜索的方法及其电子设备 | |
CN115858919A (zh) | 基于项目领域知识和用户评论的学习资源推荐方法及系统 | |
CN108304568B (zh) | 一种房地产公众预期大数据处理方法及系统 | |
CN116975743A (zh) | 行业信息分类方法、装置、计算机设备和存储介质 | |
US20230229691A1 (en) | Methods and systems for prediction of a description and icon for a given field name | |
US20230018525A1 (en) | Artificial Intelligence (AI) Framework to Identify Object-Relational Mapping Issues in Real-Time | |
CN112069806B (zh) | 简历筛选方法、装置、电子设备及存储介质 | |
KR20220097239A (ko) | 인공지능에 기반하여 시놉시스 텍스트를 분석하고 시청률을 예측하는 서버 | |
US10025700B1 (en) | Data mining technique with n-Pool evolution | |
US11829735B2 (en) | Artificial intelligence (AI) framework to identify object-relational mapping issues in real-time | |
US11657071B1 (en) | Mapping disparate datasets | |
Cuevas et al. | An improved evolutionary algorithm for reducing the number of function evaluations | |
CN118313446A (zh) | 面向冷启动场景的因果元学习多视角图学习方法及设备 | |
CN115934561A (zh) | 测试结果分类模型的训练方法、装置和计算机设备 | |
Jutte | The Smart Annotation Tool: optimizing semi-automated behavioural annotation using an AutoML framework supported by classification correctness prediction | |
CN116186434A (zh) | 用于生成标签集合的方法、装置、设备和存储介质 | |
Li | Reduction Methods for Multi-Label Classification | |
ÓLAFSDÓTTIR | Using machine learning and natural language processing to automatically extract information from software documentation | |
Mena et al. | Collective annotation patterns in learning from crowds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180914 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180925 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181122 |
|
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: 20181211 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181213 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6453968 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 |