JP6611865B1 - 学習済みモデルを選定する方法、訓練データを生成する方法、学習済みモデルを生成する方法、コンピュータおよびプログラム - Google Patents
学習済みモデルを選定する方法、訓練データを生成する方法、学習済みモデルを生成する方法、コンピュータおよびプログラム Download PDFInfo
- Publication number
- JP6611865B1 JP6611865B1 JP2018114544A JP2018114544A JP6611865B1 JP 6611865 B1 JP6611865 B1 JP 6611865B1 JP 2018114544 A JP2018114544 A JP 2018114544A JP 2018114544 A JP2018114544 A JP 2018114544A JP 6611865 B1 JP6611865 B1 JP 6611865B1
- Authority
- JP
- Japan
- Prior art keywords
- image
- type
- correct
- data
- computer
- 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 abstract description 64
- 238000012549 training Methods 0.000 title claims description 76
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 241000282326 Felis catus Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 241000282376 Panthera tigris Species 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
画像の機械学習に係る学習済みモデルを選定する方法であって、
各画像は3種類以上の物体を含む可能性があり、
コンピュータが、複数の学習用正解画像および複数の検証用正解画像を含む複数の正解用画像について、各物体を検出した正解データを取得するステップと、
コンピュータが、各前記学習用正解画像および前記正解データに基づき、互いに異なる複数の種類を含む種類セットについて、それぞれ種類セット別学習済みモデルを生成する、第1学習ステップと、
コンピュータが、前記種類セットのそれぞれについて、当該種類セットに係る前記種類セット別学習済みモデルに基づき、各前記検証用正解画像中の各物体を検出した検証用データを生成するステップと、
物体の各種類について、前記検証用正解画像に基づき、その種類を含む前記種類セットのうち前記検証用データの精度が最も高くなるものに基づき、物体の当該種類に対応する学習済みモデルを選定するステップと
を備える。
特定の態様によれば、
各画像はn種類(ただしnは3以上の整数)の物体を含む可能性があり、
前記第1学習ステップは、コンピュータが、nCm個(ただしmは2≦m<nとなる整数)の種類セットのそれぞれについて、各前記正解用画像と、前記正解データのうち当該種類セットに係る種類セット別正解データとに基づき、種類セット別学習済みモデルを生成するステップを含む。
特定の態様によれば、m=2である。
また、この発明に係る方法は、
機械学習に用いられる訓練データを生成する方法であって、
上述の方法を用いて、学習済みモデルを選定するステップと、
物体の各種類について、選定された前記学習済みモデルを用いて、その種類に係る種類別訓練データを生成する、生成ステップと、
前記種類別訓練データに基づいて機械学習に用いられる訓練データを生成するステップと
を備える。
特定の態様によれば、
コンピュータが、複数の画像を複数のクラスタに分類するステップと、
コンピュータが、各クラスタから前記正解用画像を少なくとも1枚選択するステップと、
を備え、
前記生成ステップは、前記正解用画像でない前記画像に基づいて実行される。
また、この発明に係る方法は、
コンピュータが、画像に基づいて画像中の物体を検出するための学習済みモデルを生成する方法であって、
コンピュータが、上述の方法を用いて前記訓練データを生成するステップと、
コンピュータが、前記訓練データに基づいて学習済みモデルを生成するステップと、
を備え、
前記訓練データは、画像に基づいて画像中の物体を検出するために用いられる学習済みモデルを生成するための機械学習に用いられる。
また、この発明に係るコンピュータは、上述の方法を実行する。
また、この発明に係るプログラムは、コンピュータに上述の方法を実行させる。
実施の形態1.
図1に、本発明の実施の形態1に係るコンピュータ10の構成の例を示す。コンピュータ10は、画像の機械学習に係る学習済みモデルを選定する装置として機能する。また、コンピュータ10は、機械学習に用いられる訓練データを生成する方法を実行することにより、訓練データを生成する装置としても機能する。また、コンピュータ10は、生成された訓練データを用いて学習済みモデルを生成する方法を実行することにより、学習済みモデルを生成する装置としても機能する。また、コンピュータ10は、本明細書に記載される他の方法を実行する機能を備える。
図3は、コンピュータ10(より厳密には、演算手段11)が実行する処理の流れを説明するフローチャートである。また、図4は、コンピュータ10が図3の処理に関連して処理する画像の種類を示す図である。
図5に、正解データAの構成の例を示す。正解データは、画像と、0個以上の物体の種類および位置を表す情報とを関連付けるデータである(1個以上の物体に係るデータのみに限定してもよい)。図5の例では、「001」という番号により特定される画像が、ドライバー、レンチおよびハンマーを1つずつ含んでいるということが示されている。各物体の位置は、たとえば矩形の枠によって表され、枠の左上頂点のx座標(x)と、枠の左上頂点のy座標(y)と、枠の横幅(w)と、枠の縦幅(h)とによって表される。同じ種類の物体が複数含まれていてもよく、その場合にはたとえば同じ種類で位置のみ異なるデータを繰り返して表現することが可能である。
図6および図7を用いて、種類セットへの分割処理を説明する。種類セットは、それぞれ複数(ただし全種類の数未満)の種類を含む集合である。本実施形態のように4種類の物体を用いる場合には、4種類未満の種類セットに分割することができる。図6および図7は、2種類の種類セットに分割した場合の例である。
図12に、ステップS14の処理の概要を示す。たとえば、1000枚のサンプル画像I2について、正解データAおよび訓練データTを用いて機械学習が実行される(より厳密には、サンプル画像I2のうち正解用画像I3については正解データAが用いられ、サンプル画像I2のうち訓練データ用画像I4については訓練データTが用いられる)。これによって全種類学習済みモデルMが生成される。
ステップS8における、第1学習ステップについても同様である。
物体の種類の数と、各種類セットに含まれる種類の数とは、任意に変更可能である。たとえば、各画像はn種類(ただしnは3以上の整数。実施の形態1ではn=4)の物体を含む可能性があり、各種類セットはm種類(ただしmは2≦m<nとなる整数。実施の形態1ではm=2)の物体に係るものとなる可能性がある。
Claims (8)
- 画像の機械学習に係る学習済みモデルを選定する方法であって、
各画像は3種類以上の物体を含む可能性があり、
コンピュータが、複数の学習用正解画像および複数の検証用正解画像を含む複数の正解用画像について、各物体を検出した正解データを取得するステップと、
コンピュータが、各前記学習用正解画像および前記正解データに基づき、互いに異なる複数の種類を含む種類セットについて、それぞれ種類セット別学習済みモデルを生成する、第1学習ステップと、
コンピュータが、前記種類セットのそれぞれについて、当該種類セットに係る前記種類セット別学習済みモデルに基づき、各前記検証用正解画像中の各物体を検出した検証用データを生成するステップと、
物体の各種類について、前記検証用正解画像に基づき、その種類を含む前記種類セットのうち前記検証用データの精度が最も高くなるものに基づき、物体の当該種類に対応する学習済みモデルを選定するステップと
を備える方法。 - 各画像はn種類(ただしnは3以上の整数)の物体を含む可能性があり、
前記第1学習ステップは、コンピュータが、nCm個(ただしmは2≦m<nとなる整数)の種類セットのそれぞれについて、各前記正解用画像と、前記正解データのうち当該種類セットに係る種類セット別正解データとに基づき、種類セット別学習済みモデルを生成するステップを含む、
請求項1に記載の方法。 - m=2である、請求項2に記載の方法。
- 機械学習に用いられる訓練データを生成する方法であって、
請求項1〜3のいずれか一項に記載の方法を用いて、学習済みモデルを選定するステップと、
物体の各種類について、選定された前記学習済みモデルを用いて、その種類に係る種類別訓練データを生成する、生成ステップと、
前記種類別訓練データに基づいて機械学習に用いられる訓練データを生成するステップと
を備える請求項1〜3のいずれか一項に記載の方法。 - コンピュータが、複数の画像を複数のクラスタに分類するステップと、
コンピュータが、各クラスタから前記正解用画像を少なくとも1枚選択するステップと、
を備え、
前記生成ステップは、前記正解用画像でない前記画像に基づいて実行される、
請求項4に記載の方法。 - コンピュータが、画像に基づいて画像中の物体を検出するための学習済みモデルを生成する方法であって、
コンピュータが、請求項4または5に記載の方法を用いて前記訓練データを生成するステップと、
コンピュータが、前記訓練データに基づいて学習済みモデルを生成するステップと、
を備え、
前記訓練データは、画像に基づいて画像中の物体を検出するために用いられる学習済みモデルを生成するための機械学習に用いられる、
方法。 - 請求項1〜6のいずれか一項に記載の方法を実行するコンピュータ。
- コンピュータに請求項1〜6のいずれか一項に記載の方法を実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018114544A JP6611865B1 (ja) | 2018-06-15 | 2018-06-15 | 学習済みモデルを選定する方法、訓練データを生成する方法、学習済みモデルを生成する方法、コンピュータおよびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018114544A JP6611865B1 (ja) | 2018-06-15 | 2018-06-15 | 学習済みモデルを選定する方法、訓練データを生成する方法、学習済みモデルを生成する方法、コンピュータおよびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6611865B1 true JP6611865B1 (ja) | 2019-11-27 |
JP2019219728A JP2019219728A (ja) | 2019-12-26 |
Family
ID=68692045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018114544A Expired - Fee Related JP6611865B1 (ja) | 2018-06-15 | 2018-06-15 | 学習済みモデルを選定する方法、訓練データを生成する方法、学習済みモデルを生成する方法、コンピュータおよびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6611865B1 (ja) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5423631B2 (ja) * | 2010-09-24 | 2014-02-19 | 株式会社デンソー | 画像認識装置 |
JP2014178229A (ja) * | 2013-03-15 | 2014-09-25 | Dainippon Screen Mfg Co Ltd | 教師データ作成方法、画像分類方法および画像分類装置 |
-
2018
- 2018-06-15 JP JP2018114544A patent/JP6611865B1/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2019219728A (ja) | 2019-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11176415B2 (en) | Assisted image annotation | |
US11853903B2 (en) | SGCNN: structural graph convolutional neural network | |
JP6441980B2 (ja) | 教師画像を生成する方法、コンピュータおよびプログラム | |
US9886669B2 (en) | Interactive visualization of machine-learning performance | |
US10460256B2 (en) | Interactive performance visualization of multi-class classifier | |
JP6182242B1 (ja) | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム | |
JP2018200685A (ja) | 完全教師あり学習用のデータセットの形成 | |
JP7405775B2 (ja) | コンピュータで実行される見積もり方法、見積もり装置、電子機器及び記憶媒体 | |
JP6612486B1 (ja) | 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム | |
JP7213701B2 (ja) | 加工装置、加工方法、加工プログラム、及び検査装置 | |
CN104484886A (zh) | 一种mr图像的分割方法及装置 | |
US20230237777A1 (en) | Information processing apparatus, learning apparatus, image recognition apparatus, information processing method, learning method, image recognition method, and non-transitory-computer-readable storage medium | |
WO2019217562A1 (en) | Aggregated image annotation | |
JP7298825B2 (ja) | 学習支援装置、学習装置、学習支援方法及び学習支援プログラム | |
JP5898584B2 (ja) | 六面体メッシュ生成装置 | |
CN114387608B (zh) | 一种联合卷积与图神经网络的表格结构识别方法 | |
JP6330665B2 (ja) | 可視化装置、可視化方法および可視化プログラム | |
JP6623851B2 (ja) | 学習方法、情報処理装置および学習プログラム | |
TW202321979A (zh) | 以並行卷積神經網路進行模式選擇的人臉識別的系統和方法 | |
JP6611865B1 (ja) | 学習済みモデルを選定する方法、訓練データを生成する方法、学習済みモデルを生成する方法、コンピュータおよびプログラム | |
JP6622369B1 (ja) | 訓練データを生成する方法、コンピュータおよびプログラム | |
AU2022271364A1 (en) | Facilitating identification of fillable regions in a form | |
US8606494B2 (en) | Map generation apparatus, map generation method and computer readable medium | |
US11068716B2 (en) | Information processing method and information processing system | |
JP2020057264A (ja) | 計算機システム及びデータ分類の分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180615 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190610 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190730 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20190820 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190919 |
|
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: 20191015 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191029 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6611865 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |