JP6543066B2 - 機械学習装置 - Google Patents
機械学習装置 Download PDFInfo
- Publication number
- JP6543066B2 JP6543066B2 JP2015070128A JP2015070128A JP6543066B2 JP 6543066 B2 JP6543066 B2 JP 6543066B2 JP 2015070128 A JP2015070128 A JP 2015070128A JP 2015070128 A JP2015070128 A JP 2015070128A JP 6543066 B2 JP6543066 B2 JP 6543066B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- domain
- unit
- decision tree
- trial
- 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
- 238000010801 machine learning Methods 0.000 title claims description 75
- 238000013526 transfer learning Methods 0.000 claims description 127
- 238000003066 decision tree Methods 0.000 claims description 101
- 230000007704 transition Effects 0.000 claims description 94
- 238000009826 distribution Methods 0.000 claims description 90
- 238000004364 calculation method Methods 0.000 claims description 55
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000012546 transfer Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000007637 random forest analysis Methods 0.000 description 10
- 206010027476 Metastases Diseases 0.000 description 8
- 230000009401 metastasis Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100238361 Danio rerio paqr5a gene Proteins 0.000 description 1
- 101100350985 Mus musculus Paqr5 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Description
図1は、本発明の実施の形態に係る機械学習装置100の構成を示す機能ブロック図である。図1に示す機械学習装置100は、転移学習を導入した機械学習を実行して、識別用特徴データ50を生成する。機械学習装置100は、転移学習を導入した機械学習を実行する際に、目標ドメイン21と、事前ドメイン22〜24のうち転移学習に有効と判断された事前ドメインとを用いる。識別用特徴データ50は、人物検出装置(図示省略)がカメラにより生成された撮影画像から人物を検出するために用いられる。
以下、目標ドメイン21と事前ドメイン22〜24について説明する。また、機械学習装置100が識別用特徴データ50を生成する前に、事前ドメイン22〜24が転移学習に有効であるか否かを判断する理由を説明する。
図3は、機械学習装置100の動作を示すフローチャートである。機械学習装置100が図3に示す処理を開始する際に、試行転移識別部32が試行転移学習部12内に生成されておらず、比較識別部33が比較学習部13内に生成されていない。
最初に、機械学習装置100において、取得部11は、記憶装置2から目標ドメイン21を取得する(ステップS11)。取得部11は、記憶装置2に記憶されている事前ドメイン22〜24のうち、転移学習の有効性が評価されていない事前ドメインを取得する(ステップS12)。具体的には、取得部11は、事前ドメイン22〜24のうち、最初に事前ドメイン22を取得する。
比較学習部13は、取得部11により取得された事前ドメイン22を入力する。比較学習部13は、入力した事前ドメイン22を学習する(ステップS13)。比較学習部13の学習アルゴリズムは、転移学習が導入されていないランダムフォレストである。比較学習部13は、ステップS13を実行することにより、事前ドメイン22の学習結果を反映した比較識別部33を生成する。比較識別部33は、複数の決定木により構成される。
判断部14は、試行転移学習部12により生成された試行転移識別部32と比較学習部13により生成された比較識別部33とを用いて、事前ドメイン22が転移学習に有効であるか否かを判断する(ステップS15)。
競合値計算部141は、試行転移識別部32により生成される各画像のラベルと、比較識別部33により生成される各画像のラベルとの比較結果に基づいて、競合値141Aを計算する。
信頼度計算部142は、試行転移識別部32により生成される各画像のラベル32A及び確度32Bに基づいて、信頼度142Aを計算する。信頼度142Aの計算に当たり、比較識別部33によるサンプル画像の識別結果は使用されない。
分布相違度計算部143は、試行転移識別部32によるサンプル画像の識別結果のみを利用して、分布相違度143Aを計算する。分布相違度計算部143は、試行転移識別部32を構成する各決定木のリーフノードに到達した目標ドメイン21の画像の分布と事前ドメイン22の画像の分布との差に基づいて、分布相違度143Aを計算する。
複雑度計算部144は、試行転移識別部32を構成する決定木の構造に基づいて複雑度144Aを計算する。複雑度144Aは、試行転移識別部32を構成する決定木のリーフノードの深さに基づいて計算される。
転移評価部145は、競合値141A、信頼度142A、分布相違度143A、及び複雑度144Aを入力する。転移評価部145は、入力した競合値141A、信頼度142A、分布相違度143A、及び複雑度144Aに基づいて、転移学習における事前ドメイン22の有効性を評価する。
事前ドメイン22の有効性の評価(ステップS15)が終了した後に、事前ドメイン22の有効性の評価に用いられた試行転移識別部32及び比較識別部33が削除される(ステップS16)。事前ドメイン22に対応する試行転移識別部32及び比較識別部33は、転移学習における他の事前ドメインの有効性の評価で使用されないためである。
全ての事前ドメインの評価が終了した場合(ステップS17においてYes)、選択転移学習部15は、事前ドメイン22〜24の各々の評価結果データ145Aに基づいて、転移学習に有効であると判断された事前ドメインを特定する。転移学習に有効と判断される事前ドメインの数は、特に限定されない。
2 記憶装置
11 取得部
12 試行転移学習部
13 比較学習部
14 判断部
15 選択転移学習部
141 競合値計算部
142 信頼度計算部
143 分布相違度計算部
144 複雑度計算部
145 転移評価部
Claims (8)
- 各々が所定の条件下における検出対象の特徴を有する複数の学習用データを含む目標ドメインと、前記所定の条件と異なる条件下における検出対象の特徴を有する学習候補データを含む事前ドメインとを取得する取得部と、
前記取得部により取得された目標ドメイン及び事前ドメインを用いて転移学習を導入した機械学習を実行して、前記検出対象の検出に用いられる決定木を生成する試行転移学習部と、
前記試行転移学習部により生成された決定木を構成する全てのリーフノードを用いて、前記取得部により取得された事前ドメインが転移学習に有効であるか否かを判断する判断部と、
を備える機械学習装置。 - 請求項1に記載の機械学習装置であって、
前記判断部は、
前記試行転移学習部により生成された決定木を構成する各リーフノードの深さを積算することにより決定木の複雑度を計算し、計算した複雑度に基づいて前記事前ドメインを転移学習に用いるか否かを判断する複雑度計算部、
を備える機械学習装置。 - 請求項2に記載の機械学習装置であって、
前記試行転移学習部は、第1決定木と前記第1決定木と異なる第2決定木とを生成し、
前記複雑度計算部は、前記第1決定木の複雑度と前記第2決定木の複雑度と計算し、計算した前記第1決定木の複雑度と前記第2決定木の複雑度とに基づいて、前記事前ドメインが有効であるか否かを判断する機械学習装置。 - 請求項1ないし請求項3のいずれかに記載の機械学習装置であって、さらに、
前記試行転移学習部により生成された決定木を用いて前記目標ドメインに含まれる各学習用データを分類し、前記試行転移学習部により生成された決定木を用いて前記事前ドメインに含まれる各学習候補データを分類する試行転移識別部、
を備え、
前記判断部は、前記試行転移識別部による前記複数の学習用データの分類結果と、前記複数の学習候補データの分類結果とに基づいて、前記事前ドメインが有効であるか否かを判断する機械学習装置。 - 請求項4に記載の機械学習装置であって、
前記判断部は、
学習用データが到達した前記決定木のリーフノードの確率分布と、各学習候補データが到達した前記決定木のリーフノードの確率分布との分布相違度に基づいて前記事前ドメインが有効であるか否かを判断する分布相違度計算部、
を備える機械学習装置。 - 請求項5に記載の機械学習装置であって、
前記試行転移学習部は、第1決定木と前記第1決定木と異なる第2決定木とを生成し、
前記分布相違度計算部は、前記第1決定木を用いて第1分布相違度を計算し、前記第2決定木を用いて第2分布相違度を計算し、
前記判断部は、前記分布相違度計算部により計算された第1分布相違度及び第2分布相違度に基づいて前記事前ドメインが有効であるか否かを判断する機械学習装置。 - 請求項2に記載の機械学習装置であって、
前記試行転移学習部は、
生成した前記決定木を用いて前記目標ドメインに含まれる各学習用データを分類し、生成した前記決定木を用いて前記事前ドメインに含まれる各学習候補データを分類する試行転移識別部、
を含み、
前記判断部は、
前記試行転移識別部による前記複数の学習用データの分類結果と、前記複数の学習候補データの分類結果とを比較し、比較結果と、前記決定木の複雑度とに基づいて、前記事前ドメインが有効であるか否かを判断する転移評価部、
を備える機械学習装置。 - 転移学習をコンピュータに実行させるプログラムであって、
各々が検出対象の特徴を有する複数の学習用データを含む目標ドメインと、所定の規則を満たし、かつ、各々が前記検出対象の学習に用いられる可能性のある複数の学習候補データを有する事前ドメインとを取得するステップと、
前記目標ドメイン及び前記事前ドメインを用いて転移学習を実行して、前記検出対象の検出に用いられる決定木を生成するステップと、
生成された決定木を用いて、前記事前ドメインが転移学習に有効であるか否かを判断するステップと、
を実行させるプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015070128A JP6543066B2 (ja) | 2015-03-30 | 2015-03-30 | 機械学習装置 |
PCT/JP2016/059662 WO2016158768A1 (ja) | 2015-03-30 | 2016-03-25 | クラスタリング装置及び機械学習装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015070128A JP6543066B2 (ja) | 2015-03-30 | 2015-03-30 | 機械学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016191975A JP2016191975A (ja) | 2016-11-10 |
JP6543066B2 true JP6543066B2 (ja) | 2019-07-10 |
Family
ID=57245601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015070128A Active JP6543066B2 (ja) | 2015-03-30 | 2015-03-30 | 機械学習装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6543066B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11914688B2 (en) | 2019-12-09 | 2024-02-27 | Samsung Electronics Co., Ltd. | Electronic device and controlling method of electronic device for identifying transition suitability of a neural network model included in an external device |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10353390B2 (en) | 2017-03-01 | 2019-07-16 | Zoox, Inc. | Trajectory generation and execution architecture |
KR102053527B1 (ko) * | 2017-10-15 | 2019-12-06 | 알레시오 주식회사 | 이미지 처리 방법 |
WO2019074339A1 (ko) * | 2017-10-15 | 2019-04-18 | 알레시오 주식회사 | 신호 변환 시스템 및 신호 변환 방법 |
US10955851B2 (en) * | 2018-02-14 | 2021-03-23 | Zoox, Inc. | Detecting blocking objects |
JP6760318B2 (ja) | 2018-03-14 | 2020-09-23 | オムロン株式会社 | 顔画像識別システム、識別器生成装置、識別装置、画像識別システム、及び識別システム |
US11494612B2 (en) * | 2018-10-31 | 2022-11-08 | Sony Interactive Entertainment Inc. | Systems and methods for domain adaptation in neural networks using domain classifier |
JP7003953B2 (ja) * | 2019-03-14 | 2022-01-21 | オムロン株式会社 | 学習装置、推定装置、データ生成装置、学習方法、及び学習プログラム |
CN114503131A (zh) | 2019-10-16 | 2022-05-13 | 三菱电机株式会社 | 检索装置、检索方法、检索程序和学习模型检索系统 |
JP7353940B2 (ja) * | 2019-11-26 | 2023-10-02 | 株式会社日立製作所 | 転移可能性判定装置、転移可能性判定方法、及び転移可能性判定プログラム |
JP2022062362A (ja) | 2020-10-08 | 2022-04-20 | 富士通株式会社 | 情報処理プログラム,情報処理装置および情報処理方法 |
JP7463996B2 (ja) | 2021-03-26 | 2024-04-09 | 横河電機株式会社 | 装置、方法およびプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5442586B2 (ja) * | 2010-11-30 | 2014-03-12 | 日本電信電話株式会社 | 情報検索装置、情報検索方法及びそのプログラム |
-
2015
- 2015-03-30 JP JP2015070128A patent/JP6543066B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11914688B2 (en) | 2019-12-09 | 2024-02-27 | Samsung Electronics Co., Ltd. | Electronic device and controlling method of electronic device for identifying transition suitability of a neural network model included in an external device |
Also Published As
Publication number | Publication date |
---|---|
JP2016191975A (ja) | 2016-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6543066B2 (ja) | 機械学習装置 | |
JP6516531B2 (ja) | クラスタリング装置及び機械学習装置 | |
JP4767595B2 (ja) | 対象物検出装置及びその学習装置 | |
US9923912B2 (en) | Learning detector of malicious network traffic from weak labels | |
CN106846355B (zh) | 基于提升直觉模糊树的目标跟踪方法及装置 | |
JP2023088913A (ja) | 誤検知を減少させた分光学的分類のための識別 | |
JP5880454B2 (ja) | 画像識別装置及びプログラム | |
JP6332937B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
KR101780676B1 (ko) | 트레이닝 이미지를 이용하여 분류 트리를 구성함으로써 rejector를 학습하고 상기 rejector를 이용하여 테스트 이미지 상의 객체를 검출하는 방법 | |
WO2016158768A1 (ja) | クラスタリング装置及び機械学習装置 | |
CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
CN109936582A (zh) | 构建基于pu学习的恶意流量检测模型的方法及装置 | |
KR101708491B1 (ko) | 압력 센서를 이용한 객체 인식 방법 | |
US9014458B2 (en) | Valuable document identification method and system | |
CN110998606A (zh) | 生成标记数据用于深度对象跟踪 | |
EP2953062A1 (en) | Learning method, image processing device and learning program | |
WO2021169239A1 (zh) | 一种爬虫数据的识别方法、系统及设备 | |
KR20140052365A (ko) | 영상에서 투명 오브젝트를 검출하는 영상 처리 장치 및 방법 | |
JP6812076B2 (ja) | ジェスチャ認識装置およびジェスチャ認識プログラム | |
JP2015225410A (ja) | 認識装置、方法及びプログラム | |
JP2017151679A (ja) | 識別装置及び識別プログラム | |
CN114846513A (zh) | 动作分析系统和动作分析程序 | |
JP5623253B2 (ja) | 多目標追尾装置 | |
JP6659120B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN111723719B (zh) | 基于类别外部记忆的视频目标检测方法、系统、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180209 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190417 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190520 |
|
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: 20190604 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190614 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6543066 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |