JP7001150B2 - 識別システム、モデル再学習方法およびプログラム - Google Patents

Description

本発明は、データをモデルに適用することによって、そのデータが表わす物体を識別する識別システム、並びに、その識別システムに適用されるモデル再学習方法およびモデル再学習プログラムに関する。

一般的な識別システムの例を以下に説明する。一般的な識別システムは、その識別システムが備えているカメラが撮影によって得た画像と、その画像に写っている物体を表したラベルとの組を教師データとして、機械学習によってモデルを予め学習する。そして、その一般的な識別システムは、カメラが撮影によって新たに得た画像をそのモデルに適用することによって、その画像に写っている物体を識別する。

このような一般的な識別システムは、不審な車両や不審な人物を検出し、犯罪等を未然に防ぐ目的で用いられたり、白杖または車椅子の使用者を検出し、白杖または車椅子の使用者を誘導する等の支援の目的で用いられたりする。

ここでは、画像に写っている物体を識別する識別システムを例にして説明したが、一般的な識別システムとして、音声データが表わす物体を識別する識別システムも考えられる。以下、画像に写っている物体を識別する識別システムを例にして説明する。

なお、特許文献１には、撮像環境の違いによる追加学習の長期化を回避する画像認識方法が記載されている。特許文献１に記載の画像認識方法は、複数のカメラ装置を含むカメラシステムにおける画像認識方法である。そして、特許文献１に記載の画像認識方法では、第１カメラ装置から、第１画像および第１撮像環境情報を取得する。そして、各カメラ装置が過去に画像を撮像した際の各撮像環境を示す撮像環境情報と、その各撮像環境に対応する各検出器関数を示す各認識制御パラメータとを管理するパラメータテーブルを用いて、第１撮像環境情報に示される第１撮像環境と同一または類似の撮像環境に対応する第１検出器関数を示す第１認識制御パラメータを選択する。そして、第１認識制御パラメータで示された第１検出器関数を用いて、第１カメラ装置から取得した第１画像を認識する。

特開２０１６－１５１１６号公報

前述の一般的な識別システムが複数台設けられ、各識別システムのカメラが各地に設置されることが考えられる。

ここで、１台のカメラが撮影によって得た画像における物体の写り方に、偏りが生じる場合がある。例えば、ある１台のカメラは、そのカメラから見て右側から左側への方向に進行する自動車を撮影する機会が多いが、その逆方向に進行する自動車を撮影する機会が少ないとする。この場合、右側から左側への方向に進行する自動車が写った画像は多く得られるが、その逆方向に進行する自動車が写った画像は少ししか得られない。すると、教師データには、右側から左側への方向に進行する自動車が写った画像が多く含まれ、その逆方向に進行する自動車が写った画像は少ししか含まれない。その結果、教師データを用いて機械学習によって得たモデルに、右側から左側への方向に進行する自動車が写った画像を適用した場合には、識別システムは高い精度で自動車を識別するが、逆方向に進行する自動車が写った画像をそのモデルに適用した場合の自動車の識別精度は低くなる。

そこで、本発明は、データが表わす物体を識別するためのモデルの識別精度を向上させるように、モデルを学習し直すことができる識別システム、並びに、その識別システムに適用されるモデル再学習方法およびモデル再学習プログラムを提供することを目的とする。

本発明による識別システムは、データを収集するデータ収集手段を備える識別システムであって、データが表わす物体を識別するためのモデルを、教師データを用いて学習する学習手段と、学習手段によって学習されたモデルを用いて、データが表わす物体を識別する第１の識別手段と、第１の識別手段が識別対象としたデータが表わす物体を、学習手段によって学習されたモデルとは異なるモデルを用いて識別する第２の識別手段と、他の複数の識別システムで学習された個々のモデルをそれぞれ記憶するモデル記憶手段とを備え、学習手段が、第２の識別手段が導出した識別結果に基づいて定まるデータに対するラベルと、そのデータとを含む教師データを用いて、モデルを再学習し、第２の識別手段が、他の複数の識別システムで学習された個々のモデル毎に、第１の識別手段が識別対象としたデータが表わす物体を識別し、当該識別システムが、第２の識別手段が個々のモデル毎に導出した識別結果を統合することによって、データに対するラベルを特定する統合手段を備え、学習手段が、統合手段によって特定されたラベルと、データとを含む教師データを用いて、モデルを再学習し、統合手段が、当該識別システムのデータ収集手段の属性と、他の複数の識別システムのデータ収集手段の属性との類似度を、他の識別システム毎に算出し、第２の識別手段が個々のモデル毎に導出した識別結果を、モデルに対応する類似度に応じた重みで重み付けして統合することを特徴とする。

また、本発明によるモデル再学習方法は、データを収集するデータ収集手段を備える識別システムが、データが表わす物体を識別するためのモデルを、教師データを用いて学習し、そのモデルを用いて、データが表わす物体を識別する第１の識別処理を実行し、第１の識別処理で識別対象としたデータが表わす物体を、そのモデルとは異なるモデルを用いて識別する第２の識別処理を実行し、第２の識別処理で導出した識別結果に基づいて定まるデータに対するラベルと、そのデータとを含む教師データを用いて、モデルを再学習し、その識別システムであって、他の複数の識別システムで学習された個々のモデルをそれぞれ記憶するモデル記憶手段を備える識別システムが、第２の識別処理で、他の複数の識別システムで学習された個々のモデル毎に、第１の識別処理で識別対象としたデータが表わす物体を識別し、第２の識別処理で個々のモデル毎に導出した識別結果を統合することによって、データに対するラベルを特定する統合処理を実行し、モデルを再学習するときに、統合処理で特定されたラベルと、データとを含む教師データを用いて、モデルを再学習し、統合処理で、当該識別システムのデータ収集手段の属性と、他の複数の識別システムのデータ収集手段の属性との類似度を、他の識別システム毎に算出し、第２の識別処理で個々のモデル毎に導出した識別結果を、モデルに対応する類似度に応じた重みで重み付けして統合することを特徴とする。

また、本発明によるモデル再学習プログラムは、データを収集するデータ収集手段と通信可能に接続されたコンピュータに、データが表わす物体を識別するためのモデルを、教師データを用いて学習する学習処理、学習処理で学習されたモデルを用いて、データが表わす物体を識別する第１の識別処理、第１の識別処理で識別対象としたデータが表わす物体を、学習処理で学習されたモデルとは異なるモデルを用いて識別する第２の識別処理、および、第２の識別処理で導出した識別結果に基づいて定まるデータに対するラベルと、そのデータとを含む教師データを用いて、モデルを再学習する再学習処理を実行させ、そのコンピュータであって、他の複数のコンピュータで学習された個々のモデルをそれぞれ記憶するモデル記憶手段を備えるコンピュータに、第２の識別処理で、他の複数のコンピュータで学習された個々のモデル毎に、第１の識別処理で識別対象としたデータが表わす物体を識別させ、第２の識別処理で個々のモデル毎に導出した識別結果を統合することによって、データに対するラベルを特定する統合処理を実行させ、再学習処理で、統合処理で特定されたラベルと、データとを含む教師データを用いて、モデルを再学習させ、統合処理で、当該コンピュータのデータ収集手段の属性と、他の複数のコンピュータのデータ収集手段の属性との類似度を、他のコンピュータ毎に算出させ、第２の識別処理で個々のモデル毎に導出した識別結果を、モデルに対応する類似度に応じた重みで重み付けして統合させることを特徴とする。

本発明によれば、データが表わす物体を識別するためのモデルの識別精度を向上させるように、モデルを学習し直すことができる。

本発明の識別システムが複数設けられている状況を示す模式図である。 本発明の第１の実施形態の識別システムの構成例を示すブロック図である。 内部生成モデルおよび外部生成モデルの例を示す模式図である。 第１の決定方法において決定部がディスプレイ装置上に表示する画面の例を示す模式図である。 第３の決定方法において決定部がディスプレイ装置上に表示する画面の例を示す模式図である。 領域修正ＧＵＩ表示制御部がディスプレイ装置に表示する画面の一例を示す模式図である。 領域修正ＧＵＩ表示制御部がディスプレイ装置に表示する画面の他の例を示す模式図である。 表示制御部が表示する画面の例を示す模式図である。 第１の演算方法の具体例を示す説明図である。 第２の演算方法の具体例を示す説明図である。 カメラが撮影を行ってから、第２の識別部が画像に対する識別処理を行うまでの処理経過の例を示すフローチャートである。 オペレータからの指示に基づいて内部生成モデルを再学習する場合の処理経過の例を示すフローチャートである。 本発明の第２の実施形態の識別システムの構成例を示すブロック図である。 本発明の各実施形態における識別システムが備えるコンピュータの構成例を示す概略ブロック図である。 本発明の識別システムの概要を示すブロック図である。

以下、本発明の実施形態を図面を参照して説明する。

実施形態１．
図１は、本発明の識別システムが複数設けられている状況を示す模式図である。図１では、６個の識別システム１００が各所に設けられている場合を例示しているが、各所に設けられる識別システム１００の数は、特に限定されない。各実施形態では、複数の識別システム１００が同様の構成であるものとして説明する。

個々の識別システム１００はそれぞれ、データ収集部（後述の図２に示すデータ収集部１０１）を備える。各識別システム１００のデータ収集部（図１において図示略。後述の図２を参照。）は、データを収集する各地に設置される。データ収集部は、データ収集部の設置場所におけるデータを収集する。例えば、データ収集部は、設置場所において画像や音声データを収集する。データ収集部は、カメラやマイクロホンによって実現される。例えば、データ収集部は、監視場所を撮影することによって画像を収集してもよい。また、例えば、設置場所において録音することによって音声データを収集してもよい。

個々の識別システム１００は、データ収集部とは別にコンピュータを備え、そのコンピュータは、データ（画像や音声データ等）が表わす物体を識別する。

図２は、本発明の第１の実施形態の識別システム１００の構成例を示すブロック図である。識別システム１００は、データ収集部１０１と、コンピュータ１０２とを備える。データ収集部１０１とコンピュータ１０２とは、有線または無線で通信可能に接続される。以下の説明では、データ収集部１０１がカメラである場合を例にして説明し、データ収集部１０１をカメラ１０１と記す。カメラ１０１は、そのカメラ１０１の設置場所から撮影を行う。なお、カメラ１０１の設置場所と、コンピュータ１０２の設置場所とが異なっていてもよい。

コンピュータ１０２は、学習部１０３と、第１のモデル記憶部１０４と、データ取得部１０５と、第１の識別部１０６と、決定部１０７と、領域修正ＧＵＩ（Graphical User Interface）表示制御部１０８と、領域抽出部１０９と、第２のモデル記憶部１１０と、第２の識別部１１１と、表示制御部１１２と、属性データ記憶部１１３と、統合部１１４と、ディスプレイ装置１１５と、マウス１１６と、結果記憶部１１７とを備える。

学習部１０３は、カメラ１０１が撮影によって得た画像を教師データとして、機械学習によってモデルを学習する。以下、学習部１０３が、ディープラーニングによってモデルを学習する場合を例にして説明する。教師データは、例えば、カメラ１０１が撮影によって得た画像と、その画像に写っている物体を示すラベルとの組の集合である。ラベルは、識別システム１００のオペレータが決定すればよい。学習は、そのような組の集合を教師データとして、モデルを学習（生成）する。

また、学習部１０３は、所定の画像と、その画像に対するラベルが特定された場合、その画像とラベルの組を教師データに追加して、ディープラーニングによって、モデルを再学習する。所定の画像とは、後述の決定部１０７が、第２の識別部１１１に識別処理を実行させると決定した画像である。なお、本実施形態では、そのように決定された画像において、物体が写っている領域が抽出され、抽出された領域の画像とラベルとの組が教師データに追加される場合を例にして説明する。

学習部１０３が学習によって生成したモデルを、以下、内部生成モデルと記す場合がある。また、後述するように、第２のモデル記憶部１１０は、他の識別システム１００で同様に生成されたモデルを記憶する。以下、内部生成モデルと区別するために、他の識別システム１００で生成されたモデルを、外部生成モデルと記す場合がある。

内部生成モデルおよび外部生成モデルは、与えられた新たな画像に写っている物体を識別するためのモデルである。以下、内部生成モデルおよび外部生成モデルがいずれも、画像に写っている物体が「自動車」、「オートバイ」、「バス」、「背景（すなわち、自動車、オートバイおよびバスは写っていない。）」の何れであるかを判定するためのモデルであるものとして説明する。このようなモデルを学習する場合、オペレータは、教師データで画像と対になるラベルとして「自動車」、「オートバイ」、「バス」、「背景」のいずれかを画像毎に定める。また、外部生成モデルが他の識別システム１００で生成される場合にも、他の識別システム１００のオペレータは、教師データで画像と対になるラベルとして「自動車」、「オートバイ」、「バス」、「背景」のいずれかを画像毎に定める。

本実施形態では、第１の識別部１０６が、モデルを用いて、画像に写っている物体が「自動車」、「オートバイ」、「バス」、「背景」の何れであるかを判定する場合を例にして説明するが、モデルを用いて判定される対象は、「自動車」、「オートバイ」、「バス」、「背景」に限られない。オペレータは、識別処理の目的に応じた教師データを用意して、その教師データを用いて学習部１０３にモデルを学習させればよい。なお、モデルを用いて判定される対象（本例では、「自動車」、「オートバイ」、「バス」および「背景」）は、各識別システム１００で共通である。

学習部１０３は、ディープラーニングによって生成した内部生成モデルを第１のモデル記憶部１０４に記憶させる。第１のモデル記憶部１０４は、内部生成モデルを記憶する記憶装置である。

図３は、内部生成モデルおよび外部生成モデルの例を示す模式図である。モデルに適用される画像の画素数がｎであるとすると、その画像は、ｎ個の画素の各画素値を要素とするベクトル（Ｘ１，Ｘ２，・・・，Ｘｎ）^Ｔと表すことができる。例えば、Ｘ１は、画像における１番目の画素の画素値を表す。Ｘ２～Ｘｎに関しても同様である。また、ここで、Ｔは、転置を意味する。モデルは、複数の層を有し、層毎に複数の係数を含んでいる。図３に示す例では、１番目の層は、係数ａ１～ａｍを含み、２番目の層は、係数ｂ１～ｂｊを含んでいる。画像を表すベクトルの個々の要素Ｘ１～Ｘｎは、１番目の層の各係数ａ１～ａｍと関連付けられる。図３では、この関連付けを線で表している。また、ある層の各係数は、その次の層の各係数と関連付けられる。図３では、この関連付けも線で表している。関連付けられた要素間には重みが定められる。例えば、関連付けられたａ１とｂ１や、関連付けられたａ１とｂ２等にそれぞれ重みが定められる。

学習部１０３は、教師データを用いてディープラーニングを行うことによって、層の数、各層に含まれる係数の数、各層における個々の係数の値、関連付けられた要素間の重みの値をそれぞれ決定する。これらの値が定めることが、内部生成モデルを生成することに該当する。

教師データが異なれば、層の数、各層に含まれる係数の数、各層における個々の係数の値、関連付けられた要素間の重みの値は、変化する。従って、内部生成モデルおよび外部生成モデルは図３に例示する形式のように表すことができるが、層の数、各層に含まれる係数の数、各層における個々の係数の値、関連付けられた要素間の重みの値等は、内部生成モデルと外部生成モデルとで異なる。また、後述するように、本実施形態では、第２のモデル記憶部１１０は、他の複数の識別システム１００で学習された個々の外部生成モデルをそれぞれ記憶する。個々の外部生成モデルも、それぞれ異なる識別システム１００において異なる教師データに基づいて生成されているので、層の数等は、外部生成モデル毎に異なる。

データ取得部１０５は、カメラ１０１が撮影によって得た新たな画像をカメラ１０１から取得する。データ取得部１０５は、カメラ１０１から画像を受信するためのインタフェースである。

第１の識別部１０６は、データ取得部１０５が新たな画像をカメラ１０１から取得したときに、第１のモデル記憶部１０４に記憶されている内部生成モデルにその画像を適用することによって、その画像が表わす物体を識別する。本例では、第１の識別部１０６は、内部生成モデルに画像を適用することによって、画像に写っている物体が「自動車」であるのか、「オートバイ」であるのか、「バス」であるのか、あるいは、「背景」しか写っていないのかを判定する。

画像が得られた場合、画像を表すベクトル（Ｘ１，Ｘ２，・・・，Ｘｎ）^Ｔが定まる。第１の識別部１０６は、そのベクトル（Ｘ１，Ｘ２，・・・，Ｘｎ）^Ｔと、内部生成モデルに含まれる各層の各係数およびモデルに含まれる各重みとを用いた演算により、「自動車」、「オートバイ」、「バス」、「背景」の信頼度を算出する。そして、第１の識別部１０６は、「自動車」、「オートバイ」、「バス」、「背景」のうち、最も高い信頼度が得られたラベルを、画像に写っている物体を示すラベルとして定める。例えば、第１の識別部１０６が、画像を表すベクトルをモデルに適用した結果、「自動車」、「オートバイ」、「バス」、「背景」それぞれの信頼度として、“０．６”、“０．２”、“０．１”、“０．１”が得られたとする。この場合、第１の識別部１０６は、画像に写っている物体は、最も高い信頼度“０．６”が得られた「自動車」であると識別する。また、定めたラベルが「背景」以外である場合、第１の識別部１０６は、画像に写っている物体（「自動車」、「オートバイ」または「バス」）を囲む矩形領域を、画像を表すベクトルと内部生成モデルとを用いた演算によって判定する。定めたラベルが「背景」であるということは、画像に物体が写っていないと判定したことを意味しているので、この場合には、第１の識別部１０６は、画像に写っている物体を囲む矩形領域を判定しない。

第１の識別部１０６は、識別処理の対象とした画像と、識別結果に該当するラベルと、そのラベルに対応する信頼度とを対応付けて、結果記憶部１１７に記憶させる。例えば、上記の例のように、第１の識別部１０６が、画像に写っている物体が、最も高い信頼度“０．６”が得られた「自動車」であると判定したとする。この場合、第１の識別部１０６は、その画像と、ラベル「自動車」と、信頼度“０．６”とを対応付けて、結果記憶部１１７に記憶させる。結果記憶部１１７は、識別結果等を記憶する記憶装置である。ただし、結果記憶部１１７は、後述するように、画像内における矩形領域を示す情報等も追加して記憶する。

第２のモデル記憶部１１０は、内部生成モデル（学習部１０３が生成したモデル）とは異なるモデルを記憶する記憶装置である。より具体的には、第２のモデル記憶部１１０は、他の識別システム１００で生成されたモデル（外部生成モデル）を記憶する。本実施形態では、第２のモデル記憶部１１０は、他の複数の識別システム１００で学習された個々の外部生成モデルをそれぞれ記憶している場合を例にして説明する。第２のモデル記憶部１１０に記憶される個々のモデルは、いずれも図３に模式的に示すモデルと同様の形式で表される。

第２のモデル記憶部１１０に他のどの識別システム１００で生成されたモデルを記憶させるかは、識別システム１００の管理者が決定すればよい。例えば、管理者は、複数の識別システム１００を管理する。ただし、全ての識別システム１００が同一の管理者に管理されている必要はない。例えば、図２に示す識別システム１００を含む複数の識別システム１００を管理する管理者は、その管理者自身が管理している複数の識別システム１００からいくつかの識別システム１００を選択し、選択した各識別システム１００で生成されたそれぞれのモデルを図２に示す識別システム１００の第２のモデル記憶部１１０に外部生成モデルとして記憶させればよい。

第２の識別部１１１は、第１の識別部１０６が識別対象とした各画像のうち、所定の画像を、第２のモデル記憶部１１０に記憶されている外部生成モデルに適用することによって、その所定の画像に写っている物体を識別する。第２の識別部１１１は、この処理を、個々の外部生成モデル毎に実行する。第２の識別部１１１は、所定の画像を外部生成モデルに適用することによって、「自動車」、「オートバイ」、「バス」、「背景」の信頼度をそれぞれ算出する。そして、第２の識別部１１１は、「自動車」、「オートバイ」、「バス」、「背景」のうち、最も高い信頼度が得られたラベルを、画像に写っている物体を示すラベルとして定める。

また、第１の識別部１０６が識別対象とした各画像のうちの所定の画像とは、第１の識別部１０６が識別対象とした各画像のうち、決定部１０７が、第２の識別部１１１に識別処理を実行させると決定した画像である。

決定部１０７は、第１の識別部１０６が識別対象とした各画像のうち、第２の識別部１１１に識別処理を実行させる画像を決定する。以下、決定部１０７が、第１の識別部１０６が識別対象とした各画像のうち、第２の識別部１１１に識別処理を実行させる画像を決定する方法として、３種類の決定方法を例示して説明する。決定部１０７は、以下に示す３種類の決定方法のうちの１つの決定方法のみを採用してもよい。あるいは、決定部１０７は、以下に示す３種類の決定方法のうちの複数の決定方法を採用してもよい。この場合、決定部１０７は、複数の決定方法のうちのいずれかの決定方法で、ある画像に対して第２の識別部１１１に識別処理を実行させると決定した場合には、その画像に対して第２の識別部１１１に識別処理を実行させることを確定する。

［第１の決定方法］
第１の決定方法は、画像に写っている物体を表わすラベルとして第１の識別部１０６によって定められたラベルが、誤りであった場合に、決定部１０７が、その画像に対して第２の識別部１１１に識別処理を実行させると決定する方法である。すなわち、決定部１０７が、第１の識別部１０６が誤識別した画像に対して、第２の識別部１１１に識別処理を実行させると決定する方法である。第１の識別部１０６によって定められたラベルが、誤りであるか否かは、例えば、識別システム１００のオペレータによって判断されてもよい。以下、この場合を例にして説明する。第１の識別部１０６が画像に対するラベルを定めた場合、決定部１０７は、その画像と、その画像に対して定められたラベルと、そのラベルが正しいか否かをオペレータが入力するためのＧＵＩ（本例では、２つのボタンとする。）とを表わす画面を、ディスプレイ装置１１５上に表示する。図４は、第１の決定方法において決定部１０７がディスプレイ装置１１５上に表示する画面の例を示す模式図である。

決定部１０７は、第１の識別部１０６が画像に対するラベルを定めた場合、図４に例示するように、第１の識別部１０６が識別対象とした画像３０１と、第１の識別部１０６によって定められたラベル３０２（図４に示す例では「オートバイ」）と、第１ボタン３０４および第２ボタン３０５とを表わす画面を、ディスプレイ装置１１５上に表示する。第１ボタン３０４は、画像に対するラベルが正しいことを入力するためのボタンであり、第１ボタン３０４がクリックされたということは、画像に対するラベルが正しい旨の情報がオペレータから入力されたことを意味する。また、第２ボタン３０５は、画像に対するラベルが誤っていることを入力するためのボタンであり、第２ボタン３０５がクリックされたといういことは、画像に対するラベルが誤っている旨の情報がオペレータから入力されたことを意味する。図４に示す例では、画像３０１には自降車が写っているが、第１の識別部１０６によって定められたラベルとして「オートバイ」が表示されている。従って、オペレータは、マウス１１６を用いて第２ボタン３０５をクリックする。なお、図４に示す例では、第１の識別部１０６によって定められたラベルとして「自動車」が表示されているならば、オペレータは、第１ボタン３０４をクリックする。

決定部１０７は、図４に例示する画面において、第２ボタン３０５がクリックされると、第１の識別部１０６によって定められたラベルが誤っていると判定し、第１の識別部１０６が識別対象とした画像３０１に対して、第２の識別部１１１に識別処理を実行させると決定する。

なお、第１ボタン３０４がクリックされた場合には、決定部１０７は、第１の識別部１０６が識別対象とした画像３０１に対して、第２の識別部１１１に識別処理を実行させないと決定する。

［第２の決定方法］
第２の決定方法は、画像に対して定められたラベルに対応する信頼度が予め定められた閾値以下である場合に、決定部１０７が、その画像に対して第２の識別部１１１に識別処理を実行させると決定する方法である。

すなわち、第１の識別部１０６が画像に対して定めたラベルに対応する信頼度が閾値以下である場合、決定部１０７は、その画像に対して第２の識別部１１１に識別処理を実行させると決定する。また、第１の識別部１０６が画像に対して定めたラベルに対応する信頼度が閾値を超えている場合には、決定部１０７は、その画像に対して第２の識別部１１１に識別処理を実行させないと決定する。閾値は、例えば、“０．５”であるが、“０．５”以外の値であってもよい。

第２の決定方法は、決定部１０７は、第１の識別部１０６が導出した信頼度と閾値との比較によって、画像に対して第２の識別部１１１に識別処理を実行させるか否かを決定する。従って、第２の決定方法では、図４に例示する画面を表示する必要はない。

［第３の決定方法］
第３の決定方法は、第１の識別部１０６が画像に対して定めたラベルが「背景」であるにも関わらず、その画像に「自動車」、「オートバイ」または「バス」が写っている場合に、決定部１０７が、その画像に対して第２の識別部１１１に識別処理を実行させると決定する方法である。換言すれば、第３の決定方法は、第１の識別部１０６が画像に「自動車」、「オートバイ」および「バス」のいずれも写っていないと判定したにも関わらず、その画像に「自動車」、「オートバイ」または「バス」が写っている場合に、決定部１０７が、その画像に対して第２の識別部１１１に識別処理を実行させると決定する方法である。特定されたラベルが「背景」である場合に、画像に「自動車」等が写っているか否かの判断は、識別システム１００のオペレータが行う。

第３の方法では、画像に対するラベルとして「背景」が定められた場合、決定部１０７は、その画像と、そのラベル「背景」と、前述の第１ボタン３０４および第２ボタン３０５とを表わす画面を、ディスプレイ装置１１５上に表示する。図５は、第３の決定方法において決定部１０７がディスプレイ装置１１５上に表示する画面の例を示す模式図である。

決定部１０７は、第１の識別部１０６が画像に対してラベルとして「背景」を定めた場合、図５に例示するように、第１の識別部１０６が識別対象とした画像３０１と、ラベル３０２と、第１ボタン３０４および第２ボタン３０５とを表わす画面を、ディスプレイ装置１１５上に表示する。第３の決定方法で表示される画面では、ラベル３０２として「背景」が表示される。第１ボタン３０４および第２ボタン３０５は、図４に示す第１ボタン３０４および第２ボタン３０５と同様であり、説明を省略する。

図５に示す例では、第１の識別部１０６が画像３０１に対して定めたラベルが「背景（自動車、オートバイおよびバスは写っていない。）」であるにも関わらず、画像３０１には、自動車が写っている。従って、オペレータは、マウス１１６を用いて第２ボタン３０５をクリックする。なお、画像３０１に、自動車、オートバイおよびバスのいずれもが写っていないならば、オペレータは、第１ボタン３０４をクリックする。

決定部１０７は、図５に例示する画面において、第２ボタン３０５がクリックされると、ラベル「背景」が特定されているが、画像には「自動車」、「オートバイ」および「バス」のいずれかが写っていると判定し、その画像に対して第２の識別部１１１に識別処理を実行させると決定する。

なお、図５に例示する画面において第１ボタン３０４がクリックされた場合には、決定部１０７は、画像には「自動車」、「オートバイ」および「バス」のいずれも写っておらず、ラベル「背景」は正しいと判断し、その画像に対して第２の識別部１１１に識別処理を実行させないと決定する。

次に、領域修正ＧＵＩ表示制御部１０８について説明する。前述のように、第１の識別部１０６は、画像に対して定めたラベルが「背景」以外である場合、画像に写っている物体（「自動車」、「オートバイ」または「バス」）を囲む矩形領域を判定する。領域修正ＧＵＩ表示制御部１０８は、決定部１０７によって第２の識別部１１１に識別処理を実行させると決定した画像を、その矩形領域とともにディスプレイ装置１１５上に表示し、さらに、その矩形領域を修正するためのＧＵＩを示す画面をディスプレイ装置１１５上に表示する。ただし、前述の第３の方法で決定された画像に対しては、「背景」というラベルが定められているので、矩形領域は判定されていない。この場合、領域修正ＧＵＩ表示制御部１０８は、矩形領域を表示しない。

図６は、領域修正ＧＵＩ表示制御部１０８がディスプレイ装置１１５に表示する画面の一例を示す模式図である。図６に示す矩形領域３０９は、第１の識別部１０６が、画像３０１内で「自動車」を囲む領域として定めた矩形領域である。また、領域修正ＧＵＩ表示制御部１０８は、画面内に確定ボタン３０７および修正ボタン３０８を含める。確定ボタン３０７は、表示された矩形領域を確定することをオペレータが指示するためのボタンである。修正ボタン３０８は、矩形領域３０９の修正を受け付けることをオペレータが指示するためのボタンである。

図６に示す例では、矩形領域３０９は、画像３０１内で「自動車」を囲む矩形領域として適切である。オペレータは、このように判断した場合、確定ボタン３０７をクリックする。確定ボタン３０７がクリックされると、領域抽出部１０９は、その時点で、画像３０１内における矩形領域３０９を確定する。

図７は、領域修正ＧＵＩ表示制御部１０８がディスプレイ装置１１５に表示する画面の他の例を示す模式図である。図７に示す例では、矩形領域３０９は、画像３０１内で「自動車」を囲む矩形領域として適切でない。この場合、領域修正ＧＵＩ表示制御部１０８は、オペレータの操作に応じて、「自動車」を囲む矩形領域として適切な矩形領域を受け付ける。図７に例示する適切でない矩形領域３０９が表示された場合には、オペレータは、修正ボタン３０８をクリックする。修正ボタン３０８がクリックされた後には、領域修正ＧＵＩ表示制御部１０８は、オペレータによるマウス１１６を用いた操作に応じて、矩形領域３０９の頂点や辺の位置の修正を受け付ける。オペレータは、頂点や辺の位置を修正することによって、矩形領域３０９を、図６に例示するような適切な位置や大きさに修正することができる。領域修正ＧＵＩ表示制御部１０８、そのような修正を受け付ける。オペレータは、矩形領域３０９を、画像３０１内に写っている物体（本例では「自動車」）を囲む適切な位置や大きさに矩形領域３０９が修正した後、確定ボタン３０７をクリックする。前述のように、確定ボタン３０７がクリックされると、領域抽出部１０９は、その時点で、画像３０１内における矩形領域３０９を確定する。本例では、領域抽出部１０９は、修正後の矩形領域３０９を確定する。

また、既に説明したように、前述の第３の方法で決定された画像に対しては、「背景」というラベルが定められているので、矩形領域は判定されていない。この場合、領域修正ＧＵＩ表示制御部１０８は、図６に例示する画面において、矩形領域３０９を表示しない。この場合、オペレータが修正ボタン３０８をクリックすると、領域修正ＧＵＩ表示制御部１０８は、画像３０１の任意の場所に任意の大きさで矩形領域３０９を表示し、オペレータによるマウス１１６を用いた操作に応じて、矩形領域３０９の頂点や辺の位置の修正を受け付ける。オペレータは、表示された矩形領域３０９を、画像３０１内に写っている物体を囲む適切な位置や大きさに修正した後、確定ボタン３０７をクリックすればよい。確定ボタン３０７がクリックされると、領域抽出部１０９は、その時点で、画像３０１内における矩形領域３０９を確定する。

上記のように、領域抽出部１０９は、確定ボタン３０７がクリックされると、その時点で、画像３０１内における矩形領域３０９を確定する。そして、領域抽出部１０９は、その画像から、確定した矩形領域を抽出する。この矩形領域は、画像に写っている物体を囲む領域である。領域抽出部１０９は、結果記憶部１１７に記憶されている画像、第１の識別部１０６による識別結果となるラベル、および、そのラベルに対応する信頼度に対応させて、確定した矩形領域を表わす情報も結果記憶部１１７に記憶させる。矩形領域を表わす情報は、例えば、矩形領域の各頂点の座標である。

第２の識別部１１１は、領域抽出部１０９によって抽出された矩形領域の画像を対象にして、その矩形領域の画像に写っている物体を識別する。第２の識別部１１１は、この処理を、第２のモデル記憶部１１０に記憶されている個々の外部生成モデル毎に実行する。

第２の識別部１１１は、抽出された矩形領域の画像を外部生成モデルに適用することによって、「自動車」、「オートバイ」、「バス」、「背景」の信頼度をそれぞれ算出する。そして、第２の識別部１１１は、「自動車」、「オートバイ」、「バス」、「背景」のうち、最も高い信頼度が得られたラベルを、画像に写っている物体を示すラベルとして定める。また、第２の識別部１１１は、ラベル毎に求めた信頼度、並びに、画像に写っている物体を示すラベルおよびそのラベルに対応する信頼度を、既に、結果記憶部１１７に記憶されているその画像に対応付けて、結果記憶部１１７に記憶させる。第２の識別部１１１は、この処理を外部生成モデル毎に実行する。以下、説明を簡単にするために、第２のモデル記憶部１１０に記憶されている外部生成モデルの数が２個であり、２個の外部生成モデルの一方を符号“Ａ”で表し、他方を符号“Ｂ”で表す。

この場合、結果記憶部１１７には、画像と、第１の識別部１０６がその画像に対して識別処理を行って定めたラベルと、そのラベルに対応する信頼度と、確定された画像内の矩形領域を表わす情報とが記憶される。さらに、それらの情報に対応付けて、第２の識別部１１１が外部生成モデルＡに矩形領域の画像を適用して得たラベル毎の信頼度、および、最も信頼度が高いラベルとそのラベルに対応する信頼度、並びに、第２の識別部１１１が外部生成モデルＢに矩形領域の画像を適用して得たラベル毎の信頼度、および、最も信頼度が高いラベルとそのラベルに対応する信頼度も、結果記憶部１１７に記憶される。

結果記憶部１１７は、上記のような情報のセットが蓄積される

ただし、決定部１０７が第２の識別部１１１に識別処理を実行させると決定しなかった画像に関しては、画像と、第１の識別部１０６がその画像に対して識別処理を行って定めたラベルと、そのラベルに対応する信頼度が結果記憶部１１７に記憶され、画像内の矩形領域を表わす情報等は記憶されない。

表示制御部１１２は、結果記憶部１１７に記憶された情報から、１組の情報のセットを読み出し、画像と、第１の識別部１０６が導出したラベルおよびそのラベルに対応する信頼度と、第２の識別部１１１が外部生成モデル毎に導出したラベルおよびそのラベルに対応する信頼度とを含む画面を、ディスプレイ装置１１５上に表示する。

図８は、表示制御部１１２が表示する画面の例を示す模式図である。表示制御部１１２は、第１の識別部１０６が導出したラベルおよびそのラベルに対応する信頼度５０１と、第２の識別部１１１が外部生成モデルＡを用いて導出したラベルおよびそのラベルに対応する信頼度５０２と、第２の識別部１１１が外部生成モデルＢを用いて導出したラベルおよびそのラベルに対応する信頼度５０３とを、画像３０１に重畳した画面を、ディスプレイ装置１１５上に表示する。図８に示す例では、表示制御部１１２は、確定している矩形領域３０９も、画像３０１に重畳させて表示する。本例では、第２のモデル記憶部１１０に記憶されている外部生成モデルが２個である場合を例示しているが、外部生成モデルの数は３個以上であってもよい。

さらに、表示制御部１１２は、この画面内に、チェックボックス５０４と、再学習ボタン５０５と、画面切り替えボタン５０６，５０７を表示させる。

チェックボックス５０４は、画面内に表示されている画像３０１（より具体的には、画像３０１から抽出される矩形領域３０９の画像）を教師データに含めるか否かを指定するためのＧＵＩである。チェックボックス５０４がチェックされている場合、画像３０１から抽出される矩形領域３０９の画像を教師データに含めることを意味する。チェックボックス５０４がチェックされていない場合、画像３０１を教師データに含めないことを意味する。なお、表示制御部１１２は、外部生成モデルを用いて導出された信頼度に応じて、予めチェックされた状態でチェックボックス５０４を表示してもよい。例えば、外部生成モデルを用いて導出されたラベルおよび信頼度の組において、信頼度が閾値（例えば、“０．５”）よりも大きい組が１組以上あれば、表示制御部１１２は、予めチェックされた状態でチェックボックス５０４を表示してもよい。オペレータは、チェックボックス５０４をマウス１１６でクリックすることによって、チェックボックス５０４にチェックを入れたり、チェックボックス５０４からチェックを外したりすることができる。オペレータは、画像３０１と、外部生成モデル毎に導出されたラベルおよび信頼度を参照することによって、画像３０１から抽出される矩形領域３０９の画像を教師データに含めるか否かを判断すればよい。そして、オペレータは、その判断に基づいて、チェックボックス５０４にチェックを入れるか否かを決定すればよい。

画面切り替えボタン５０６，５０７は、異なる画像を表示する画面に切り替えるためのボタンである。例えば、画面切り替えボタン５０６がクリックされた場合、表示制御部１１２は、時系列順で画像３０１よりも前の画像を含んでいる、図８に示す画面と同様の画面に切り替える。また、例えば、画面切り替えボタン５０７がクリックされた場合、表示制御部１１２は、時系列順で画像３０１よりも後の画像を含んでいる、図８に示す画像と同様の画面に切り替える。オペレータは、切り替えた各画面において、チェックボックス５０４にチェックを入れるか否かを決定すればよい。

再学習ボタン５０５は、オペレータが識別システム１００に、内部生成モデルの再学習を指示するためのボタンである。再学習ボタン５０５がクリックされた場合、統合部１１４は、チェックボックス５０４がチェックされた画面の画像毎に、ラベルを特定する。以下の説明では、説明を簡単にするために、図８に例示する画面のみで、チェックボックス５０４がチェックされている場合を例にして説明する。この場合、統合部１１４は、図８に例示する画像３０１のラベルを特定する。

以下、統合部１１４が１つの画像のラベルを特定する処理について説明する前に、まず、属性データ記憶部１１３について説明する。属性データ記憶部１１３は、属性データ記憶部１１３を含むコンピュータ１０２に接続されているカメラ１０１の属性を示すデータ（属性データ）と、第２のモデル記憶部１１０に記憶されている各外部生成モデルを生成した各識別システム１００のカメラ１０１の属性データとを記憶する記憶装置である。ある外部生成モデルを生成した各識別システム１００のカメラ１０１の属性データを、その外部生成モデルに対応する属性データと記す。

カメラ１０１の属性として、カメラ１０１自体の属性や、カメラ１０１が設置されている環境に依存する属性等が挙げられる。各属性の値は通知で表される。また、各属性の値は、識別システム１００の管理者がカメラ１０１の設定や設置環境に応じて予め決定すればよい。属性データは、このような属性の値（数値）を要素とするベクトルで表される。

カメラ１０１の属性データは、少なくとも、「カメラ１０１の画角」、「カメラ１０１が屋内に設置されているか屋外に設置されているか」、「カメラ１０１の撮影対象」、「カメラ１０１の撮影対象の移動方向」という各属性のうちの少なくとも一部の属性の値を含む。また、ベクトルで表される属性データが、どの属性の値を要素としているかは、全ての識別システム１００で共通であり、どの属性の値がベクトルの何番目の要素なっているかに関しても、全ての識別システム１００で共通である。ベクトルの各要素となる数値は、識別システム１００毎に異なっていてよい。

「カメラ１０１の画角」は、数値で表されるので、管理者は、画角を表わす数値をベクトルの要素として定めればよい。

「カメラ１０１が屋内に設置されているか屋外に設置されているか」という属性に関しては、例えば、カメラ１０１が屋内に設置されている場合には、この属性の値を“０”に定め、カメラ１０１が屋外に設置されている場合には、この属性の値を“１”に定めればよい。

また、「カメラ１０１の撮影対象」という属性に関しては、例えば、カメラ１０１が車両を撮影するように設置されている場合（例えば、カメラ１０１が車道に向けて設置されている場合）、この属性の値を“０”に定める。また、カメラ１０１が歩行者を撮影するように設置されている場合（例えば、カメラ１０１が歩道に向けて設置されている場合）、この属性の値を“１”に定める。また、カメラ１０１が車両と歩行者の両方を撮影するように設置されている場合（例えば、カメラ１０１が車両と歩行者の両方が通る道に向けて設置されている場合）、この属性の値を“０．５”に定める。

「カメラ１０１の撮影対象の移動方向」という属性に関しては、カメラ１０１の主軸方向等に基づいた基準軸を定め、その基準軸と、撮影対象の主たる移動方向とのなす角度を、この属性の値として定めればよい。

また、上記以外の属性の値を属性データに含めてもよい。例えば、「カメラ１０１の設置場所の高さ」、「カメラ１０１の俯角」、「カメラ１０１の解像度」等の値を属性データに含めてもよい。「カメラ１０１の設置場所の高さ」、「カメラ１０１の俯角」、「カメラ１０１の解像度」はいずれも数値で表されるので、それらの数値をベクトルの要素として定めればよい。

属性データ記憶部１１３は、属性データ記憶部１１３を含むコンピュータ１０２に接続されているカメラ１０１の属性データ（ベクトル）を記憶する。この属性データを基準属性データと記す。さらに、属性データ記憶部１１３は、第２のモデル記憶部１１０に記憶されている各外部生成モデルを生成した各識別システム１００のカメラ１０１の属性データを記憶する。本実施形態では、第２のモデル記憶部１１０は、外部生成モデルＡおよび外部生成モデルＢを記憶する。従って、属性データ記憶部１１３は、基準属性データの他に、外部生成モデルＡに対応する属性データ（属性データＡと記す。）、および、外部生成モデルＢに対応する属性データ（属性データＢと記す。）も記憶する。属性データＡは、外部生成モデルＡを生成した識別システム１００のカメラ１０１の属性データである。同様に、属性データＢは、外部生成モデルＢを生成した識別システム１００のカメラ１０１の属性データである。

前述のように、複数の識別システム１００を管理する管理者は、その管理者自身が管理している複数の識別システム１００からいくつかの識別システム１００を選択し、選択した各識別システム１００で生成されたそれぞれのモデルを図２に示す識別システム１００の第２のモデル記憶部１１０に外部生成モデルとして記憶させればよい。このとき、その管理者は、選択した各識別システム１００のカメラ１０１の属性データを図２に示す識別システム１００の属性データ記憶部１１３に記憶させればよい。また、その管理者は、図２おけるカメラ１０１の属性データを基準属性データとして、属性データ記憶部１１３に記憶させればよい。

統合部１１４は、第２の識別部１１１が、画像に対して個々の外部生成モデル毎に導出した各ラベルの信頼度（本実施形態では、「自動車」、「オートバイ」、「バス」、「背景」それぞれの信頼度）を、ラベル毎に統合し、その統合結果に基づいてその画像のラベルを特定する。

このとき、統合部１１４は、基準属性データ（すなわち、統合部１１４を含む識別システム１００のカメラ１０１の属性データ）と、外部生成モデルＡや外部生成モデルＢを生成した他の複数の識別システム１００のカメラ１０１の属性データとの類似度を、他の識別システム１００毎に算出する。本実施形態では、統合部１１４は、基準属性データと属性データＡとの類似度と、基準属性データと属性データＢとの類似度とを、それぞれ算出する。基準属性データと属性データＡとの類似度を、外部生成モデルＡに対応する類似度と記す。また、基準属性データと属性データＢとの類似度を、外部生成モデルＢに対応する類似度と記す。

属性データはベクトルで表される。統合部１１４は、２つの属性データ（ベクトル）の類似度を算出する場合、その２つのベクトルの距離の逆数を、類似度として算出すればよい。

統合部１１４は、個々の外部生成モデル毎に導出した各ラベルの信頼度を、ラベル毎に統合するときに、外部生成モデルに対応する類似度で重み付けして、統合する。統合部１１４は、信頼度の統合結果が最も高くなったラベルを、画像のラベルとして特定すればよい。

外部生成モデル毎に導出した各ラベルの信頼度を、ラベル毎に統合する演算について、具体的に説明する。統合部１１４が信頼度を統合する演算方法として２つの演算方法を説明する。ここでは、１つのラベルに関して、外部生成モデル毎に導出した信頼度を統合する場合を説明する。統合部１１４は、他のラベルに関しても、同様の演算を行って、外部生成モデル毎に導出した信頼度を統合すればよい。

［第１の演算方法］
まず、信頼度を統合する第１の演算方法について説明する。ｉ番目の外部生成モデルを用いて得られた、着目しているラベルの信頼度をＬｉとする。また、ｉ番目の外部生成モデルに関して算出された類似度（基準属性データと、ｉ番目の外部生成モデルに対応する属性データとの類似度）をＷｉとする。また、第２のモデル記憶部１１０に記憶されている外部生成モデルの数をＮ個とする。この場合、統合部１１４は、着目しているラベルの信頼度を、以下に示す式（１）の計算によって統合すればよい。

すなわち、統合部１１４は、外部生成モデル毎にＬｉとＷｉとの積を算出し、その積の平均値を、着目しているラベルの信頼度の統合結果とすればよい。統合部１１４は、他のラベルに関しても、同様の演算を行う。そして、統合部１１４は、統合結果が最も高くなったラベルを、画像のラベルとして特定する。

図９は、第１の演算方法の具体例を示す説明図である。２つの外部生成モデルＡ，Ｂがあるとする。外部生成モデルＡを用いて導出された「自動車」、「オートバイ」、「バス」および「背景」の信頼度がそれぞれ、“０．１”，“０．７”，“０．１”，“０．１”であるとする。また、外部生成モデルＡに関して算出された類似度が“０．９”であるとする。統合部１１４は、上記の信頼度毎に、類似度“０．９”を乗じた結果を算出する。この結果、「自動車」、「オートバイ」、「バス」および「背景」それぞれに関して、“０．０９”，“０．６３”，“０．０９”，“０．０９”という乗算結果（積）が得られる。

また、外部生成モデルＢを用いて導出された「自動車」、「オートバイ」、「バス」および「背景」の信頼度がそれぞれ、“０．１”，“０．６”，“０．２”，“０．１”であるとする。また、外部生成モデルＢに関して算出された類似度が“０．８”であるとする。統合部１１４は、上記の信頼度毎に、類似度“０．８”を乗じた結果を算出する。この結果、「自動車」、「オートバイ」、「バス」および「背景」それぞれに関して、“０．０８”，“０．４８”，“０．１６”，“０．０８”という乗算結果（積）が得られる。

統合部１１４は、「自動車」、「オートバイ」、「バス」および「背景」毎に得られた乗算結果（積）の平均値を計算する。「自動車」、「オートバイ」、「バス」および「背景」それぞれに関して算出された平均値は、”０．０８５”，”０．５５５”，”０．１２５”，”０．０８５”である。従って、統合部１１４は、平均値（統合結果）が最も高い「オートバイ」を、画像のラベルとして特定する。

[第２の演算方法］
次に、信頼度を統合する第２の演算方法について説明する。前述の場合と同様に、ｉ番目の外部生成モデルを用いて得られた、着目しているラベルの信頼度をＬｉとする。また、ｉ番目の外部生成モデルに関して算出された類似度（基準属性データと、ｉ番目の外部生成モデルに対応する属性データとの類似度）をＷｉとする。また、個々の外部生成モデルに関して算出された個々の類似度の総和をＷｔとする。また、第２のモデル記憶部１１０に記憶されている外部生成モデルの数をＮ個とする。統合部１１４は、Ｗｔを以下に示す式（２）の計算によって算出すればよい。

この場合、統合部１１４は、着目しているラベルの信頼度を、以下に示す式（３）の計算によって統合すればよい。

すなわち、統合部１１４は、外部生成モデル毎に、類似度の総和に対する外部生成モデルに対応する類似度の割合を算出し、その割合の算出結果を重みとして、着目しているラベルの信頼度の重み付け和を算出し、その算出結果を、着目しているラベルの信頼度の統合結果とすればよい。統合部１１４は、他のラベルに関しても、同様の演算を行う。そして、統合部１１４は、統合結果が最も高くなったラベルを、画像のラベルとして特定する。

図１０は、第２の演算方法の具体例を示す説明図である。２つの外部生成モデルＡ，Ｂがあるとする。外部生成モデルＡを用いて導出された「自動車」、「オートバイ」、「バス」および「背景」の信頼度がそれぞれ、“０．１”，“０．７”，“０．１”，“０．１”であるとする。外部生成モデルＢを用いて導出された「自動車」、「オートバイ」、「バス」および「背景」の信頼度がそれぞれ、“０．１”，“０．６”，“０．２”，“０．１”であるとする。外部生成モデルＡに関して算出された類似度が“０．９”であり、外部生成モデルＢに関して算出された類似度が“０．８”であるとする。この場合、類似度の総和は、０．９＋０．８＝１．７である。よって、類似度の総和“１．７”に対する、外部生成モデルＡに対応する類似度“０．９”の割合は、“０．９／１．７”である。また、類似度の総和“１．７”に対する、外部生成モデルＢに対応する類似度“０．８”の割合は、“０．８／１．７”である。統合部１１４は、“０．９／１．７”および“０．８／１．７”を重みとして、ラベル毎に、信頼度の重み付け和を算出し、その算出結果を、ラベルの信頼度の統合結果とする。すると、「自動車」、「オートバイ」、「バス」および「背景」それぞれの統合結果は、“０．０９９９”，“０．６５２８”，“０．１４７０”，“０．０９９９”となる。従って、統合部１１４は、統合結果が最も高い「オートバイ」を、画像のラベルとして特定する。

第１の演算方法および第２の演算方法は、いずれも、個々の外部生成モデル毎に導出したラベルの信頼度を、外部生成モデルに対応する類似度で重み付けして統合する演算であると言える。

統合部１１４が、各ラベルの信頼度の統合結果に基づいて、画像のラベルを特定すると、学習部１０３は、その画像において確定している矩形領域を抽出し、その矩形領域の画像と、統合部１１４によって特定されたラベルとの組を、既存の教師データに含める。そして、学習部１０３は、その教師データを用いて、ディープラーニングによって、内部生成モデルを再学習する。さらに、学習部１０３は、第１のモデル記憶部１０４に記憶されている既存の内部生成モデルを、再学習によって生成した新たな内部生成モデルに更新する。

学習部１０３、第１の識別部１０６、決定部１０７、領域修正ＧＵＩ表示制御部１０８、領域抽出部１０９、第２の識別部１１１、表示制御部１１２および統合部１１４は、例えば、モデル再学習プログラムに従って動作するコンピュータ１０２のＣＰＵ（Central Processing Unit ）によって実現される。例えば、ＣＰＵが、コンピュータ１０２のプログラム記憶装置等のプログラム記録媒体からモデル再学習プログラムを読み込み、モデル再学習プログラムに従って、学習部１０３、第１の識別部１０６、決定部１０７、領域修正ＧＵＩ表示制御部１０８、領域抽出部１０９、第２の識別部１１１、表示制御部１１２および統合部１１４として動作すればよい。また、第１のモデル記憶部１０４、第２のモデル記憶部１１０、属性データ記憶部１１３および結果記憶部１１７は、コンピュータ１０２が備える記憶装置によって実現される。

次に、第１の実施形態の処理経過について説明する。図１１は、カメラ１０１が撮影を行ってから、第２の識別部１１１が画像に対する識別処理を行うまでの処理経過の例を示すフローチャートである。なお、既に説明した動作については、詳細な説明を省略する。

なお、予め、学習部１０３がディープラーニングによって内部生成モデルを学習し、その内部生成モデルを第１のモデル記憶部１０４に記憶させているものとする。

まず、カメラ１０１が、そのカメラ１０１の設置場所で撮影を行うことによって、画像を得る（ステップＳ１）。カメラ１０１は、その画像をコンピュータ１０２に送信する。

コンピュータ１０２の第１の識別部１０６は、データ取得部１０５を介して、その画像を受け取る。そして、第１の識別部１０６は、その画像を内部生成モデルに適用することによって、画像に写っている物体を識別する（ステップＳ２）。ステップＳ２において、第１の識別部１０６は、画像に写っている物体を表わすラベルと、そのラベルの信頼度を導出する。第１の識別部１０６は、画像と、導出したラベルおよび信頼度とを対応付けて結果記憶部１１７に記憶させる。また、第１の識別部１０６は、特定したラベルが「背景」でない場合には、画像に写っている物体を囲む矩形領域を判定する。

次に、決定部１０７は、ステップＳ２で第１の識別部１０６が識別対象とした画像に対して、第２の識別部１１１に識別処理を実行させるか否かを決定する（ステップＳ３）。第２の識別部１１１に識別処理を実行させないと決定した場合には（ステップＳ３のＮｏ）、ステップＳ１以降の処理を繰り返す。

第２の識別部１１１に識別処理を実行させると決定した場合には（ステップＳ３のＹｅｓ）、領域修正ＧＵＩ表示制御部１０８が、画像をディスプレイ装置１１５上に表示する。例えば、領域修正ＧＵＩ表示制御部１０８は、図６や図７に例示する画面をディスプレイ装置１１５上に表示する。そして、領域抽出部１０９は、その画面に対するオペレータの操作に応じて、画像に写っている物体を囲む矩形領域を確定し、画像からその矩形領域を抽出する（ステップＳ４）。

次に、第２の識別部１１１は、予め第２のモデル記憶部１１０に記憶されている個々の外部生成モデル毎に、ステップＳ４で抽出された矩形領域の画像に写っている物体を識別する（ステップＳ５）。第２の識別部１１１は、個々の外部生成モデル毎に、各ラベル（「自動車」、「オートバイ」、「バス」および「背景」）それぞれの信頼度を導出する。そして、外部生成モデル毎に導出した各ラベルの信頼度を結果記憶部１１７に記憶させる。また、第２の識別部１１１は、個々の外部生成モデル毎に、信頼度が最も高かったラベルと、そのラベルに対応する信頼度の組も、結果記憶部１１７に記憶させる。信頼度が最も高かったラベルは、画像に写っていると判定された物体を表わしている。

ステップＳ５の後、ステップＳ１以降の処理を繰り返す。

図１２は、オペレータからの指示に基づいて内部生成モデルを再学習する場合の処理経過の例を示すフローチャートである。以下の説明においても、既に説明した動作については、詳細な説明を省略する。

表示制御部１１２は、第１の識別部１０６が導出したラベルおよびそのラベルに対応する信頼度と、第２の識別部１１１が外部生成モデル毎に導出した各ラベルおよびその各ラベルに対応する信頼度とを、画像に重畳した画面を、ディスプレイ装置１１５上に表示する（ステップＳ１１）。このとき、表示制御部１１２は、この画面内に、チェックボックス５０４と、再学習ボタン５０５と、画面切り替えボタン５０６，５０７とを含める。表示制御部１１２は、ステップＳ１１において、例えば、図８に例示する画面を表示する。

オペレータは、図８に例示する画面を確認し、表示されている画像３０１（より具体的には、画像３０１において確定している矩形領域３０９の画像）を教師データに含めるか否かを判断する。オペレータは、チェックボックス５０４にチェックを入れることで、表示されている画像３０１を教師データの含めることを指定する。すなわち、チェックボックス５０４にチェックが入れられた画面に表示された画像は、教師データに含める画像として指定された画像である。また、オペレータは、教師データの含める画像を指定した後、再学習ボタン５０５をクリックする。

オペレータによって再学習ボタン５０５がクリックされると、統合部１１４は、基準属性データと、個々の外部生成モデルに対応する個々の属性データとの類似度をそれぞれ算出する（ステップＳ１２）。既に説明したように、属性データはベクトルで表される。統合部１１４は、２つの属性データ（ベクトル）の類似度を算出する場合、その２つのベクトルの距離の逆数を、類似度として算出すればよい。

次に、統合部１１４は、個々の外部生成モデル毎に導出したラベルの信頼度を、ステップＳ１２で算出した各類似度を用いて、統合する。統合部１１４は、この処理をラベル毎に行い、信頼度の統合結果が最も高いラベルを、教師データに含める画像に対するラベルとして特定する（ステップＳ１３）。

教師データの含める画像がオペレータによって複数指定されている場合には、統合部１１４は、その画像毎に、ステップＳ１３の処理を実行する。

次に、学習部１０３は、教師データに含める画像において確定している矩形領域を抽出し、その矩形領域の画像と、統合部１１４によって特定されたラベルとの組を既存のデータに含める。そして、学習部１０３は、その教師データを用いて、ディープラーニングによって内部生成モデルを再学習し、再学習によって得た内部生成モデルを第１のモデル記憶部１０４に記憶させる（ステップＳ１４）。学習部１０３は、第１のモデル記憶部１０４に記憶されている既存の内部生成モデルを、再学習によって生成した新たな内部生成モデルに更新する。

この後、第１の識別部１０６が、画像に写っている物体を識別する場合には、再学習によって生成された新たな内部生成モデルを用いる。

本実施形態によれば、決定部１０７は、前述の第１の決定方法、第２の決定方法および第３の決定方法のうちの少なくとも１つの方法で、第１の識別部１０６が識別処理の対象とした画像に対して、第２の識別部１１１に識別処理を実行させるか否かを決定する。従って、第２の識別部１１１によって識別処理が行われる画像は、第１の識別部１０６によって定められたラベルが誤りであった画像、画像に対して定められたラベルに対応する信頼度が閾値以下であった画像、または、第１の識別部１０６によって定められたラベルが「背景」であるにも関わらず、物体（「自動車」、「オートバイ」または「バス」）が写っている画像である。本実施形態では、このような画像を、内部生成モデルとは異なるモデル（より具体的には、他の識別システム１００で生成されたモデル（外部生成モデル））に適用した結果に基づいて特定されるラベルと、その画像との組を、既存の教師データに追加して、学習部１０３が内部生成モデルを再学習する。従って、内部生成モデルの識別精度を向上させることができる。

次に、第１の実施形態の種々の変形例について説明する。

第１の実施形態では、図６や図７に例示する画面に対するオペレータの操作に応じて、領域抽出部１０９が、画像に写っている物体を囲む矩形領域を確定し、画像からその矩形領域を抽出する。そして、第２の識別部１１１が、外部生成モデル毎に、抽出された矩形領域の画像に写っている物体を識別する。第２の識別部１１１は、抽出された矩形領域の画像ではなく、第１の識別部１０６が処理対象とした１つの画像全体を対象にして、画像に写っている物体を識別する処理を行ってもよい。この場合、識別システム１００（図２参照）は、領域修正ＧＵＩ表示制御部１０８および領域抽出部１０９を備えていなくてもよい。そして、識別システム１００は、ステップＳ４（図１１参照）を実行しなくてもよい。第２の識別部１１１は、ステップ５において、第１の識別部１０６が処理対象とした１つの画像全体を対象にして、画像に写っている物体を識別すればよい。

また、学習部１０３は、１つの画像全体と、統合部１１４が特定したラベルとの組を、既存の教師データに含め、その教師データを用いて、内部生成モデルを再学習すればよい。

また、学習部１０３は、画像と統合部１１４によって特定されたラベルとの組、および、既存の内部生成モデルを教師データとして、ディープラーニングによって内部生成モデルを再学習してもよい。この点は、後述の第２の実施形態においても同様である。

また、第２のモデル記憶部１１０が、１つの外部生成モデルを記憶していてもよい。この場合、学習部１０３は、画像と、第２の識別部１１１で導出された、信頼度が最も高いラベルとの組を、既存の教師データに含め、その教師データを用いて、内部生成モデルを再学習すればよい。

実施形態２．
図１３は、本発明の第２の実施形態の識別システム１００の構成例を示すブロック図である。図２に示す要素と同様の要素については、図２と同一の符号を付し、説明を省略する。

第２の実施形態の識別システム１００が備えるコンピュータ１０２は、第１の実施形態における第２のモデル記憶部１１０および第２の識別部１１１の代わりに、データ送受信部１１８を備える。

データ収集部１０１、学習部１０３、第１のモデル記憶部１０４、データ取得部１０５、第１の識別部１０６、決定部１０７、領域修正ＧＵＩ表示制御部１０８、領域抽出部１０９、表示制御部１１２、属性データ記憶部１１３、統合部１１４、ディスプレイ装置１１５、マウス１１６および結果記憶部１１７は、第１の実施形態におけるそれらの要素と同様である。また、第２の実施形態でも、データ収集部１０１がカメラである場合を例にして説明し、データ収集部１０１をカメラ１０１と記す。

データ送受信部１１８は、領域抽出部１０９が抽出した矩形領域の画像と、その画像に対して識別処理を行い、ラベル毎の信頼度、および、信頼度が最も高いラベルとその信頼度の組を送り返すことを要求する要求信号とを、予め定められた他の識別システム１００に送信する。画像よび要求信号の送信先となる他の識別システム１００は、予め、管理者によって定められる。また、ここでは、管理者は、画像および要求信号の送信先となる他の識別システム１００を複数定めておく場合を例にして説明する。

データ送受信部１１８は、画像および要求信号を、予め定められた他の複数の識別システム１００にそれぞれ送信する。

画像および要求信号を受信した他の識別システム１００は、それぞれ、予め記憶しているモデルにその画像を適用することによって、ラベル毎の信頼度（「自動車」、「オートバイ」、「バス」、「背景」毎の信頼度）を導出し、また、信頼度が最も高いラベルとその信頼度の組を特定する。そして、その識別システム１００は、ラベル毎の信頼度、および、信頼度が最も高いラベルとその信頼度の組を、要求信号の送信元である識別システム１００に送信する。

要求信号の送信元である識別システム１００のデータ送受信部１１８は、要求信号の送信先とした各識別システム１００からそれぞれ、ラベル毎の信頼度、および、信頼度が最も高いラベルとその信頼度の組を受信し、受信したデータを、結果記憶部１１７に記憶させる。

また、第２の実施形態では、管理者は、属性データ記憶部１１３に、その属性データ記憶部１１３を備える識別システム１００のカメラ１０１の属性データ（基準属性データ）を記憶させるとともに、画像および要求信号の送信先として定めた他の各識別システム１００のカメラ１０１の属性データも記憶させておけばよい。

前述の第１の実施形態では、第２の識別部１１１（図２参照）が、他の識別システム１００で生成されたモデル（外部生成モデル）を用いて、画像に対する識別処理を行う。一方、第２の実施形態では、データ送受信部１１８（図１３参照）が、画像および要求信号を他の識別システム１００に送信し、他の識別システム１００に識別処理を行わせ、他の識別システム１００からその結果を受信する。第１の実施形態と第２の実施形態では、この点が異なるだけで、その他の点に関しては同様である。

従って、第２の実施形態でも、第１の実施形態と同様の効果が得られる。

データ送受信部１１８は、例えば、モデル再学習プログラムに従って動作するコンピュータ１０２のＣＰＵおよびコンピュータ１０２の通信インタフェースによって実現される。例えば、ＣＰＵが、コンピュータ１０２のプログラム記憶装置等のプログラム記録媒体からモデル再学習プログラムを読み込み、モデル再学習プログラムに従って、通信インタフェースを用いて、データ送受信部１１８として動作してもよい。

なお、第２の実施形態では、決定部１０７は、第１の識別部１０６が識別対象とした画像に対する識別処理を、他の識別システム１００に実行させるか否かを決定していると言うことができる。この決定方法は、第１の実施形態で説明した決定方法（第１の決定方法、第２の決定方法および第３の決定方法）と同様である。

第１の実施形態の変形例と同様に、識別システム１００が領域修正ＧＵＩ表示制御部１０８および領域抽出部１０９を備えない構成であってもよい。この場合、データ送受信部１１８は、第１の識別部１０６が処理対象とした１つの画像全体と、要求信号とを、他の複数の識別システム１００に送信すればよい。要求信号を受信した他の識別システム１００は、第１の識別部１０６が処理対象とした１つの画像全体を対象にして、画像に写っている物体を識別すればよい。

また、学習部１０３は、１つの画像全体と、統合部１１４が特定したラベルとの組を、既存の教師データに含め、その教師データを用いて、内部生成モデルを再学習すればよい。

また、画像および要求信号の送信先として、１つの識別システム１００が定められていてもよい。この場合、学習部１０３は、画像と、その識別システム１００で導出された、信頼度が最も高いラベルとの組を、既存の教師データに含め、その教師データを用いて、内部生成モデルを再学習すればよい。

また、第１の実施形態および第２の実施形態において、識別システム１００は、オペレータの操作なしで一連の処理を行ってもよい。この場合、決定部１０７は、前述の第２の決定方法を採用する。すなわち、第１の識別部１０６が画像に対して定めたラベルに対応する信頼度が閾値以下である場合、決定部１０７は、その画像に対して第２の識別部１１１に識別処理を実行させると決定する。また、領域修正ＧＵＩ表示制御部１０８は、図６や図７に例示する画面を表示しない。

さらに、領域抽出部１０９は、第１の識別部１０６が判定した矩形領域をそのまま画像から抽出し、第２の識別部１１１は、その矩形領域の画像に対して外部生成モデル毎に識別処理を行う。あるいは、領域抽出部１０９が矩形領域を抽出する処理を実行せずに、第２の識別部１１１が１つの画像全体を対象として外部生成モデル毎に識別処理を行ってもよい。また、表示制御部１１２は、図８に例示する画像を表示しない。そして、統合部１１４および学習部１０３は、第２の識別部１１１が画像に対して外部生成モデル毎に識別処理を行ったことをトリガとして、ステップＳ１２（図１２参照）以降の処理を実行すればよい。この結果、オペレータの操作なしで一連の処理が行われる。

上記の例を第２の実施形態に適用する場合、第１の識別部１０６が判定した矩形領域を領域抽出部１０９がそのまま抽出した後、データ送受信部１１８（図１３参照）が、その矩形領域の画像および要求信号を他の複数の識別システム１００に送信し、その複数の識別システム１００からそれぞれ、その画像に対する識別処理の結果を受信すればよい。領域抽出部１０９が矩形領域を抽出する処理を実行せずに、データ送受信部１１８が、１つの画像全体および要求信号を他の複数の識別システム１００に送信し、その複数の識別システム１００からそれぞれ、識別処理の結果を受信してもよい。そして、統合部１１４および学習部１０３は、データ送受信部１１８が複数の識別システム１００から識別処理の結果を受信したことをトリガとして、ステップＳ１２以降の処理を実行すればよい。この場合にも、オペレータの操作なしで一連の処理が行われる。

図１４は、本発明の各実施形態における識別システム１００が備えるコンピュータ１０２の構成例を示す概略ブロック図である。図１４では、コンピュータを符号“１０００”で表す。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４と、ディスプレイ装置１００５と、入力デバイス１００６と、通信インタフェース１００７と、データ収集部１０１（例えば、カメラ）とのインタフェース１００８とを備える。なお、第１の実施形態の識別システム１００が備えるコンピュータは、通信インタフェース１００７を備えていなくてもよい。

識別システム１００が備えるコンピュータの動作は、モデル再学習プログラムの形式で補助記憶装置１００３に記憶されている。ＣＰＵ１００１は、そのモデル再学習プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開する。そして、ＣＰＵ１００１は、そのモデル再学習プログラムに従って、上記の各実施形態で示したコンピュータ１０２（図２、図１３を参照）の処理を実行する。

補助記憶装置１００３は、一時的でない有形の媒体の例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory ）、ＤＶＤ－ＲＯＭ（Digital Versatile Disk Read Only Memory ）、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００がそのプログラムを主記憶装置１００２に展開し、上記の処理を実行してもよい。

また、プログラムは、各実施形態で示したコンピュータ１０２の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで前述の処理を実現する差分プログラムであってもよい。

また、各構成要素の一部または全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組み合わせによって実現されてもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各構成要素の一部または全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。

各構成要素の一部または全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

次に、本発明の概要について説明する。図１５は、本発明の識別システムの概要を示すブロック図である。本発明の識別システムは、学習手段７０１と、第１の識別手段７０２と、第２の識別手段７０３とを備える。

学習手段７０１（例えば、学習部１０３）は、データ（例えば、画像）が表わす物体を識別するためのモデルを、教師データを用いて学習する。

第１の識別手段７０２（例えば、第１の識別部１０６）は、学習手段７０１によって学習されたモデルを用いて、データが表わす物体を識別する。

第２の識別手段７０３（例えば、第２の識別部１１１）は、第１の識別手段７０２が識別対象としたデータが表わす物体を、学習手段７０１によって学習されたモデルとは異なるモデルを用いて識別する。

学習手段７０１は、第２の識別手段７０３が導出した識別結果に基づいて定まるデータに対するラベルと、そのデータとを含む教師データを用いて、モデルを再学習する。

そのような構成によって、データが表わす物体を識別するためのモデルの識別精度を向上させるように、モデルを学習し直すことができる。

上記の本発明の実施形態は、以下の付記のようにも記載され得るが、以下に限定されるわけではない。

（付記１）
データが表わす物体を識別するためのモデルを、教師データを用いて学習する学習手段と、
前記学習手段によって学習された前記モデルを用いて、データが表わす物体を識別する第１の識別手段と、
前記第１の識別手段が識別対象とした前記データが表わす物体を、前記学習手段によって学習された前記モデルとは異なるモデルを用いて識別する第２の識別手段とを備え、
前記学習手段は、
前記第２の識別手段が導出した識別結果に基づいて定まる前記データに対するラベルと、前記データとを含む教師データを用いて、モデルを再学習する
ことを特徴とする識別システム。

（付記２）
第２の識別手段は、
所定の場合に、第１の識別手段が識別対象としたデータが表わす物体を識別する
付記１に記載の識別システム。

（付記３）
第２の識別手段は、
第１の識別手段が識別対象としたデータが表わす物体を、他の識別システムで学習されたモデルを用いて識別する
付記１または付記２に記載の識別システム。

（付記４）
他の複数の識別システムで学習された個々のモデルをそれぞれ記憶するモデル記憶手段を備え、
第２の識別手段は、
前記個々のモデル毎に、第１の識別手段が識別対象としたデータが表わす物体を識別し、
当該識別システムは、
前記第２の識別手段が前記個々のモデル毎に導出した識別結果を統合することによって、前記データに対するラベルを特定する統合手段を備え、
学習手段は、
前記統合手段によって特定されたラベルと、前記データとを含む教師データを用いて、モデルを再学習する
付記３に記載の識別システム。

（付記５）
データを収集するデータ収集手段を備え、
統合手段は、
当該識別システムのデータ収集手段の属性と、他の複数の識別システムのデータ収集手段の属性との類似度を、他の識別システム毎に算出し、
第２の識別手段が個々のモデル毎に導出した識別結果を、モデルに対応する類似度に応じた重みで重み付けして統合する
付記４に記載の識別システム。

（付記６）
データは、画像であり、
第１の識別手段は、
画像が表わす物体を識別する際に前記物体が写っている前記画像内の領域を判定し、
第２の識別手段は、
前記画像内の前記領域が表わす物体を識別する
付記１から付記５のうちのいずれかに記載の識別システム。

（付記７）
第１の識別手段は、
画像が表わす物体を示すラベルと、前記ラベルの信頼度とを導出し、
第２の識別手段は、
前記画像が表わす物体を示すラベルと、前記ラベルの信頼度とを導出し、
当該識別システムは、
前記画像と、前記第１の識別手段によって導出されたラベルおよび信頼度と、前記第２の識別手段によって導出されたラベルおよび信頼度とを含む画面を表示する表示制御手段を備える
付記６に記載の識別システム。

（付記８）
表示制御手段は、
第１の識別手段によって導出されたラベルおよび信頼度と、第２の識別手段によって導出されたラベルおよび信頼度と、所定のボタンとを含む画面を表示し、
学習手段は、
前記所定のボタンがクリックされた場合に、モデルを再学習する
付記７に記載の識別システム。

（付記９）
第１の識別手段によって判定された画像内の領域を修正するためのＧＵＩ（Graphical User Interface）を表示する領域修正ＧＵＩ表示制御手段を備え、
第２の識別手段は、
修正後の領域が表わす物体を識別する
付記６から付記８のうちのいずれかに記載の識別システム。

（付記１０）
データが表わす物体を識別するためのモデルを、教師データを用いて学習し、
前記モデルを用いて、データが表わす物体を識別する第１の識別処理を実行し、
前記第１の識別処理で識別対象とした前記データが表わす物体を、前記モデルとは異なるモデルを用いて識別する第２の識別処理を実行し、
前記第２の識別処理で導出した識別結果に基づいて定まる前記データに対するラベルと、前記データとを含む教師データを用いて、モデルを再学習する
ことを特徴とするモデル再学習方法。

（付記１１）
コンピュータに、
データが表わす物体を識別するためのモデルを、教師データを用いて学習する学習処理、
前記学習処理で学習された前記モデルを用いて、データが表わす物体を識別する第１の識別処理、
前記第１の識別処理で識別対象とした前記データが表わす物体を、前記学習処理で学習された前記モデルとは異なるモデルを用いて識別する第２の識別処理、および、
前記第２の識別処理で導出した識別結果に基づいて定まる前記データに対するラベルと、前記データとを含む教師データを用いて、モデルを再学習する再学習処理
を実行させるためのモデル再学習プログラム。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記の実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

産業上の利用の可能性

本発明は、データをモデルに適用することによって、そのデータが表わす物体を識別する識別システムに好適に適用される。

１００ 識別システム
１０１ データ収集部
１０２ コンピュータ
１０３ 学習部
１０４ 第１のモデル記憶部
１０５ データ取得部
１０６ 第１の識別部
１０７ 決定部
１０８ 領域修正ＧＵＩ表示制御部
１０９ 領域抽出部
１１０ 第２のモデル記憶部
１１１ 第２の識別部
１１２ 表示制御部
１１３ 属性データ記憶部
１１４ 統合部
１１５ ディスプレイ装置
１１６ マウス
１１７ 結果記憶部
１１８ データ送受信部

Claims (8)

1. データを収集するデータ収集手段を備える識別システムであって、
   データが表わす物体を識別するためのモデルを、教師データを用いて学習する学習手段と、
   前記学習手段によって学習された前記モデルを用いて、データが表わす物体を識別する第１の識別手段と、
   前記第１の識別手段が識別対象とした前記データが表わす物体を、前記学習手段によって学習された前記モデルとは異なるモデルを用いて識別する第２の識別手段と、
   他の複数の識別システムで学習された個々のモデルをそれぞれ記憶するモデル記憶手段とを備え、
   前記学習手段は、
   前記第２の識別手段が導出した識別結果に基づいて定まる前記データに対するラベルと、前記データとを含む教師データを用いて、モデルを再学習し、
   前記第２の識別手段は、
   前記他の複数の識別システムで学習された前記個々のモデル毎に、前記第１の識別手段が識別対象とした前記データが表わす物体を識別し、
   当該識別システムは、
   前記第２の識別手段が前記個々のモデル毎に導出した識別結果を統合することによって、前記データに対するラベルを特定する統合手段を備え、
   前記学習手段は、
   前記統合手段によって特定されたラベルと、前記データとを含む教師データを用いて、モデルを再学習し、
   前記統合手段は、
   当該識別システムの前記データ収集手段の属性と、前記他の複数の識別システムのデータ収集手段の属性との類似度を、他の識別システム毎に算出し、
   前記第２の識別手段が前記個々のモデル毎に導出した識別結果を、モデルに対応する類似度に応じた重みで重み付けして統合する
   ことを特徴とする識別システム。
2. 第２の識別手段は、
   所定の場合に、第１の識別手段が識別対象としたデータが表わす物体を識別する
   請求項１に記載の識別システム。
3. データは、画像であり、
   第１の識別手段は、
   画像が表わす物体を識別する際に前記物体が写っている前記画像内の領域を判定し、
   第２の識別手段は、
   前記画像内の前記領域が表わす物体を識別する
   請求項１または請求項２に記載の識別システム。
4. 第１の識別手段は、
   画像が表わす物体を示すラベルと、前記ラベルの信頼度とを導出し、
   第２の識別手段は、
   前記画像が表わす物体を示すラベルと、前記ラベルの信頼度とを導出し、
   当該識別システムは、
   前記画像と、前記第１の識別手段によって導出されたラベルおよび信頼度と、前記第２の識別手段によって導出されたラベルおよび信頼度とを含む画面を表示する表示制御手段を備える
   請求項３に記載の識別システム。
5. 表示制御手段は、
   第１の識別手段によって導出されたラベルおよび信頼度と、第２の識別手段によって導出されたラベルおよび信頼度と、所定のボタンとを含む画面を表示し、
   学習手段は、
   前記所定のボタンがクリックされた場合に、モデルを再学習する
   請求項４に記載の識別システム。
6. 第１の識別手段によって判定された画像内の領域を修正するためのＧＵＩ（Graphical User Interface）を表示する領域修正ＧＵＩ表示制御手段を備え、
   第２の識別手段は、
   修正後の領域が表わす物体を識別する
   請求項３から請求項５のうちのいずれか１項に記載の識別システム。
7. データを収集するデータ収集手段を備える識別システムが、
   データが表わす物体を識別するためのモデルを、教師データを用いて学習し、
   前記モデルを用いて、データが表わす物体を識別する第１の識別処理を実行し、
   前記第１の識別処理で識別対象とした前記データが表わす物体を、前記モデルとは異なるモデルを用いて識別する第２の識別処理を実行し、
   前記第２の識別処理で導出した識別結果に基づいて定まる前記データに対するラベルと、前記データとを含む教師データを用いて、モデルを再学習し、
   前記識別システムであって、他の複数の識別システムで学習された個々のモデルをそれぞれ記憶するモデル記憶手段を備える識別システムが、
   前記第２の識別処理で、
   前記他の複数の識別システムで学習された前記個々のモデル毎に、前記第１の識別処理で識別対象とした前記データが表わす物体を識別し、
   前記第２の識別処理で前記個々のモデル毎に導出した識別結果を統合することによって、前記データに対するラベルを特定する統合処理を実行し、
   前記モデルを再学習するときに、前記統合処理で特定されたラベルと、前記データとを含む教師データを用いて、モデルを再学習し、
   前記統合処理で、
   当該識別システムの前記データ収集手段の属性と、前記他の複数の識別システムのデータ収集手段の属性との類似度を、他の識別システム毎に算出し、
   前記第２の識別処理で前記個々のモデル毎に導出した識別結果を、モデルに対応する類似度に応じた重みで重み付けして統合する
   ことを特徴とするモデル再学習方法。
8. データを収集するデータ収集手段と通信可能に接続されたコンピュータに、
   データが表わす物体を識別するためのモデルを、教師データを用いて学習する学習処理、
   前記学習処理で学習された前記モデルを用いて、データが表わす物体を識別する第１の識別処理、
   前記第１の識別処理で識別対象とした前記データが表わす物体を、前記学習処理で学習された前記モデルとは異なるモデルを用いて識別する第２の識別処理、および、
   前記第２の識別処理で導出した識別結果に基づいて定まる前記データに対するラベルと、前記データとを含む教師データを用いて、モデルを再学習する再学習処理を実行させ、
   前記コンピュータであって、他の複数のコンピュータで学習された個々のモデルをそれぞれ記憶するモデル記憶手段を備えるコンピュータに、
   前記第２の識別処理で、
   前記他の複数のコンピュータで学習された前記個々のモデル毎に、前記第１の識別処理で識別対象とした前記データが表わす物体を識別させ、
   前記第２の識別処理で前記個々のモデル毎に導出した識別結果を統合することによって、前記データに対するラベルを特定する統合処理を実行させ、
   前記再学習処理で、前記統合処理で特定されたラベルと、前記データとを含む教師データを用いて、モデルを再学習させ、
   前記統合処理で、
   当該コンピュータの前記データ収集手段の属性と、前記他の複数のコンピュータのデータ収集手段の属性との類似度を、他のコンピュータ毎に算出させ、
   前記第２の識別処理で前記個々のモデル毎に導出した識別結果を、モデルに対応する類似度に応じた重みで重み付けして統合させる
   ためのモデル再学習プログラム。

Images