JP7053195B2 - 家屋異動推定装置、家屋異動学習装置、家屋異動推定方法、識別器のパラメータ生成方法及びプログラム - Google Patents

Description

本発明は、家屋異動推定装置、家屋異動学習装置、家屋異動推定方法、識別器のパラメータ生成方法及びプログラムに関する。

特許文献１には、構造物の外観検査等に用いられる構造物の形状変化の検出方法が記載されている。特許文献１に記載の方法では、地上のカメラによって異なる時点で撮影されたトンネル等の構造物の一対の画像を畳み込みニューラルネットワーク（ＣＮＮ）に入力することで、当該構造物の形状変化を検出している。

特開２０１７－６２７７６号公報

発明者らは、異なる時点に撮影された航空機画像や衛星画像などといった一対の土地の画像をＣＮＮ等の機械学習モデルに入力した際の出力に基づいて、例えば、新築、滅失、建替などといった、当該画像に示されている家屋異動を推定する方法を検討している。例えば検討している方法を用いて固定資産税業務等のための家屋異動の推定を行う際には高い精度が要求される。

この点、特許文献１に記載の技術では、ＣＮＮに入力される一対の画像はいずれも構造物の同じ部分が表れていることが前提となっている。そのため一対の画像のいずれかにしか家屋が示されていないような新築や滅失の推定では、特許文献１に記載の技術は充分な精度を発揮できない。

本発明は上記課題に鑑みてなされたものであって、その目的の１つは、土地の画像に基づく家屋異動の推定精度を向上できる家屋異動推定装置、家屋異動学習装置、家屋異動推定方法、識別器のパラメータ生成方法及びプログラムを提供することにある。

（１）本発明に係る家屋異動推定装置は、異なる時点に撮影された一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データと、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を含む学習データを複数学習させた変化識別器と、異なる時点に撮影された一対の土地の推定画像の違い、及び、少なくとも一方の前記推定画像内における所定の位置に建物が示されているか否かを示す推定入力データを前記変化識別器に入力する変化識別器入力手段と、前記変化識別器に前記推定入力データを入力した際の出力に基づいて、一方の前記推定画像内における前記所定の位置と他方の前記推定画像内における前記所定の位置に対応付けられる位置との間における家屋異動を推定する家屋異動推定手段と、を含む。

（２）上記（１）に記載の家屋異動推定装置において、土地の画像の入力に応じて当該画像内における所定の位置に建物が示されているか否かを示す特徴情報を出力する有無特徴抽出器と、前記一対の推定画像を前記有無特徴抽出器に入力した際の出力である特徴情報を特定する有無特徴情報特定手段と、をさらに含み、前記変化識別器入力手段は、前記有無特徴情報特定手段が特定する特徴情報を含む前記推定入力データを前記変化識別器に入力する構成とすることができる。

（３）上記（１）又は（２）に記載の家屋異動推定装置において、異なる時点に撮影された一対の土地の画像、及び、少なくとも一方の前記画像についての当該画像内の所定の位置に建物が示されているか否かを示す画像の入力に応じて、前記一対の土地の画像の違いを示す特徴情報を出力する変化特徴抽出器と、前記一対の推定画像、及び、少なくとも一方の前記推定画像について当該推定画像内における所定の位置に建物が示されているか否かを示す画像を前記変化特徴抽出器に入力した際の出力である特徴情報を特定する変化特徴情報特定手段と、をさらに含み、前記変化識別器入力手段は、前記変化特徴情報特定手段が特定する特徴情報を含む前記推定入力データを前記変化識別器に入力する構成とすることができる。

（４）上記（３）に記載の家屋異動推定装置において、前記変化特徴抽出器は、異なる時点に撮影された一対の土地の画像、及び、少なくとも一方の前記画像についての当該画像内の所定の位置に示されている建物の形状を示す画像の入力に応じて、前記一対の土地の画像の違いを示す特徴情報を出力し、前記変化特徴情報特定手段は、前記一対の推定画像、及び、少なくとも一方の前記推定画像についての当該推定画像内の前記所定の位置に示されている建物の形状を示す画像を前記変化特徴抽出器に入力した際の出力である特徴情報を特定する構成とすることができる。

（５）上記（１）に記載の家屋異動推定装置において、土地の画像の入力に応じて当該画像内における所定の位置に建物が示されているか否かを示す特徴情報を出力する有無特徴抽出器と、前記一対の推定画像を前記有無特徴抽出器に入力した際の出力である特徴情報を特定する有無特徴情報特定手段と、異なる時点に撮影された一対の土地の画像、及び、少なくとも一方の前記画像についての当該画像内の所定の位置に建物が示されているか否かを示す画像の入力に応じて、前記一対の土地の画像の違いを示す特徴情報を出力する変化特徴抽出器と、前記一対の推定画像、及び、少なくとも一方の前記推定画像についての当該推定画像内における所定の位置に建物が示されているか否かを示す画像を前記変化特徴抽出器に入力した際の出力である特徴情報を特定する変化特徴情報特定手段と、前記有無特徴情報特定手段が特定する特徴情報と前記変化特徴情報特定手段が特定する特徴情報とを結合する結合手段と、をさらに含み、前記変化識別器入力手段は、前記結合手段により結合された特徴情報を含む前記推定入力データを前記変化識別器に入力する構成とすることができる。

（６）上記（１）～（５）に記載の家屋異動推定装置において、前記家屋異動推定手段が推定する家屋異動を表す情報が配置された画面を生成する画面生成手段と、前記画面生成手段が生成する画面が表示されるよう制御する表示制御手段と、をさらに含む構成とすることができる。

（７）本発明に係る家屋異動学習装置は、異なる時点に撮影された一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データを変化識別器に入力する入力手段と、前記変化識別器に前記学習入力データを入力した際の出力と、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を比較する比較手段と、前記比較の結果に基づいて、前記変化識別器のパラメータを変更するパラメータ変更手段と、を含む。

（８）本発明に係る家屋異動推定方法は、異なる時点に撮影された一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データと、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を含む学習データを複数学習させた変化識別器に、異なる時点に撮影された一対の土地の推定画像の違い、及び、少なくとも一方の前記推定画像内における所定の位置に建物が示されているか否かを示す推定入力データを前記変化識別器に入力するステップと、前記変化識別器に前記推定入力データを入力した際の出力に基づいて、一方の前記推定画像内における前記所定の位置と他方の前記推定画像内における前記所定の位置に対応付けられる位置との間における家屋異動を推定するステップと、を含む。

（９）本発明に係る識別器のパラメータ生成方法は、異なる時点に撮影された一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データを変化識別器に入力するステップと、前記変化識別器に前記学習入力データを入力した際の出力と、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を比較するステップと、前記比較の結果に基づいて、前記変化識別器のパラメータを変更するステップと、を含む。

（１０）本発明に係るプログラムは、異なる時点に撮影された一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データと、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を含む学習データを複数学習させた変化識別器に、異なる時点に撮影された一対の土地の推定画像の違い、及び、少なくとも一方の前記推定画像内における所定の位置に建物が示されているか否かを示す推定入力データを前記変化識別器に入力する手順、前記変化識別器に前記推定入力データを入力した際の出力に基づいて、一方の前記推定画像内における前記所定の位置と他方の前記推定画像内における前記所定の位置に対応付けられる位置との間における家屋異動を推定する手順、をコンピュータに実行させる。

（１１）本発明に係る別のプログラムは、異なる時点に撮影された一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データを変化識別器に入力する手順、前記変化識別器に前記学習入力データを入力した際の出力と、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を比較する手順、前記比較の結果に基づいて、前記変化識別器のパラメータを変更する手順、をコンピュータに実行させる。

本発明によれば、土地の画像に基づく家屋異動の推定精度が向上する。

本発明の一実施形態に係る家屋異動推定装置の構成図である。 推定ターゲット画像の一例を示す図である。 推定ターゲット画像の一例を示す図である。 推定結果画面の一例を示す図である。 推定建物検出画像の一例を示す図である。 推定建物検出画像の一例を示す図である。 ２時点における変化があったと推定される建物についてのチップ画像の例を示す図である。 推定に用いられる学習済の機械学習モデルの一例を示す図である。 学習データを用いた学習が実行される際の機械学習モデルの一例を示す図である。 本発明の一実施形態に係る家屋異動推定装置の機能の一例を示す機能ブロック図である。 本発明の一実施形態に係る機械学習モデルの学習処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る機械学習モデルの学習処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る家屋異動推定装置で行われる推定処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る家屋異動推定装置で行われる推定処理の流れの一例を示すフロー図である。 推定チップ画像の一例を示す図である。 機械学習モデルの一例を示す図である。 機械学習モデルの一例を示す図である。 機械学習モデルの一例を示す図である。 機械学習モデルの一例を示す図である。

以下、本発明の一実施形態について図面に基づき詳細に説明する。

図１は、本発明の一実施形態に係る家屋異動推定装置１０の構成図である。本実施形態に係る家屋異動推定装置１０は、パーソナルコンピュータなどのコンピュータである。図１に示すように家屋異動推定装置１０は、例えば、プロセッサ１２、記憶部１４、表示部１６、操作部１８を含んでいる。

プロセッサ１２は、例えば家屋異動推定装置１０にインストールされるプログラムに従って動作するＣＰＵ等のプログラム制御デバイスである。

記憶部１４は、ＲＯＭやＲＡＭ等の記憶素子やハードディスクドライブなどである。記憶部１４には、プロセッサ１２によって実行されるプログラムなどが記憶される。

表示部１６は、液晶ディスプレイ等の表示デバイスであって、プロセッサ１２の指示に従って各種の画像を表示する。

操作部１８は、キーボードやマウスなどといったユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ１２に出力する。

なお、家屋異動推定装置１０は、ネットワークボードなどの通信インタフェース、ＤＶＤ－ＲＯＭやＢｌｕ－ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。

本実施形態に係る家屋異動推定装置１０では、異なる時点に撮影された一対の土地の画像に基づいて、例えば新築、滅失、建替などといった家屋異動が推定される。図２Ａは、第１の時点に撮影された画像である推定ターゲット画像２０ａの一例を模式的に示す図である。図２Ｂは、第１の時点よりも後である第２の時点に撮影された画像である推定ターゲット画像２０ｂの一例を模式的に示す図である。本実施形態では例えば、推定ターゲット画像２０ａと推定ターゲット画像２０ｂとに基づいて、推定ターゲット画像２０ａが撮影された時点と推定ターゲット画像２０ｂが撮影された時点との間での家屋異動が推定される。なお推定ターゲット画像２０ａ及び推定ターゲット画像２０ｂは航空機により撮影された航空機画像である必要はなく、人工衛星によって撮影された衛星画像であっても構わない。

図３は、異なる時点に撮影された一対の画像に基づいて推定される家屋異動が表現された推定結果画面２２の一例を示す図である。本実施形態では例えば推定ターゲット画像２０ａ及び推定ターゲット画像２０ｂを選択する操作に応じて、図３に例示する推定結果画面２２が表示部１６に表示される。

図３に示す推定結果画面２２には、新築、滅失、建替などといった、家屋異動に対応付けられる家屋異動対応画像２４が重畳された推定ターゲット画像２０ｂが配置されている。図３の例では、新築と推定された建物を囲む実線の画像が家屋異動対応画像２４ａとして示されている。また図３の例では、滅失と推定された建物（図３には図示されない）を囲む点線の画像が家屋異動対応画像２４ｂとして示されている。また図３の例では、建替と推定された建物を囲む一点鎖線の画像が家屋異動対応画像２４ｃとして示されている。

このようにして本実施形態では家屋異動の推定結果をユーザが目視できる。

家屋異動の推定において、本実施形態では例えば、まず、公知の手法によって推定ターゲット画像２０ａ及び推定ターゲット画像２０ｂに示されている建物の位置及び形状が検出される。図４Ａは、図２Ａに示す推定ターゲット画像２０ａに示されている建物の位置及び形状の検出結果の一例である推定建物検出画像２６ａを示す図である。図４Ｂは、図２Ｂに示す推定ターゲット画像２０ｂに示されている建物の位置及び形状の検出結果の一例である推定建物検出画像２６ｂを示す図である。図４Ａに示す推定建物検出画像２６ａ及び図４Ｂに示す推定建物検出画像２６ｂでは、検出された建物の位置及び形状が、白色で表現されたポリゴンによって示されている。

本実施形態では推定ターゲット画像２０ａ及び推定ターゲット画像２０ｂによって同じ場所が示されていることとする。例えば、推定ターゲット画像２０ａ内のある座標値の画素と推定ターゲット画像２０ｂ内の当該座標値の画素は、同じ場所を示す画素として互いに対応付けられることとする。また本実施形態では、推定ターゲット画像２０ａ内や推定ターゲット画像２０ｂ内のある座標値の画素は、推定建物検出画像２６ａ内や推定建物検出画像２６ｂ内の当該座標値の画素とも、同じ場所を示す画素として互いに対応付けられることとする。なお推定ターゲット画像２０ａと推定ターゲット画像２０ｂとが厳密に同じ場所を示している必要はない。推定ターゲット画像２０ａ内のある座標値の画素と推定ターゲット画像２０ｂ内の当該座標値の画素とが、厳密に同じ場所を示していなくてもよい。

そして図４Ａに示す推定建物検出画像２６ａ及び図４Ｂに示す推定建物検出画像２６ｂに示されている複数のポリゴンのそれぞれについて、当該ポリゴン内の所定の位置が特定される。ここでは例えば、推定建物検出画像２６ａに示されているすべてのポリゴン及び推定建物検出画像２６ｂに示されているすべてのポリゴンについて、当該ポリゴンの中心の位置が特定されることとする。

そして、特定される位置を中心とする所定の縦横の長さの推定チップ画像２８が生成される。ここで例えば図５に示すように、特定される複数の位置のそれぞれについて、当該位置を中心とする矩形領域を占める推定チップ画像２８が、推定ターゲット画像２０ａ、推定ターゲット画像２０ｂ、及び、推定建物検出画像２６ｂのそれぞれから抽出されてもよい。この場合は、特定される１つの位置に基づいて、３つの推定チップ画像２８が生成されることとなる。例えば、推定ターゲット画像２０ａから推定チップ画像２８ａが抽出され、推定ターゲット画像２０ｂから推定チップ画像２８ｂが抽出され、推定建物検出画像２６ｂから推定チップ画像２８ｃが抽出される。

図５には、本実施形態において、家屋異動があったと推定される建物についての推定チップ画像２８の例が示されている。図５の上段には、新築と推定される建物に対応付けられる３つの推定チップ画像２８が示されている。これらの３つの推定チップ画像２８は、推定建物検出画像２６ｂに示されているポリゴンの中心の位置に基づいて生成されるものである。図５の中段には、滅失と推定される建物に対応付けられる３つの推定チップ画像２８が示されている。これらの３つの推定チップ画像２８は、推定建物検出画像２６ａに示されているポリゴンの中心の位置に基づいて生成される。図５の下段には、建替と推定される建物に対応付けられる３個の推定チップ画像２８が示されている。これらの３個の推定チップ画像２８は、推定建物検出画像２６ｂに示されているポリゴンの中心の位置に基づいて生成される。

そして本実施形態では例えば、生成された推定チップ画像２８を図６に例示する学習済の機械学習モデル３０に入力した結果に基づいて、家屋異動の推定結果が特定される。

図６に示す機械学習モデル３０には、加工部３２と変化識別器３４とが含まれている。加工部３２には、上述の推定チップ画像２８に相当するオリジナル推定入力データが入力される。そして加工部３２は、当該オリジナル推定入力データを加工することで加工推定入力データを生成する。変化識別器３４は、加工部３２が生成する加工推定入力データの入力に応じて、家屋異動の推定結果を出力する。

本実施形態に係る加工部３２は、機械学習モデルとして実装されている。本実施形態に係る加工部３２には、２つの有無特徴抽出器３２ａ（３２ａａ及び３２ａｂ）と、１つの変化特徴抽出器３２ｂとが含まれている。なお図６に示す機械学習モデルには、後述する機械学習モデル３０の学習では用いられるが家屋異動の推定には用いられない２つの有無識別器３２ｃ（３２ｃａ及び３２ｃｂ）が破線で示されている。本実施形態では、２つの有無特徴抽出器３２ａに、重み等のパラメータの値として同じ値が設定される。また本実施形態では、２つの有無識別器３２ｃに、重み等のパラメータの値として同じ値が設定される。

本実施形態では例えば、有無特徴抽出器３２ａと有無識別器３２ｃとが全体として畳み込みニューラルネットワーク（ＣＮＮ）として実装される。そして有無特徴抽出器３２ａは、例えばＣＮＮにおける畳み込み層及びプーリング層に相当し、有無識別器３２ｃは、例えばＣＮＮにおける全結合層に相当する。

また本実施形態では例えば、変化特徴抽出器３２ｂと変化識別器３４とが全体としてＣＮＮとして実装される。そして変化特徴抽出器３２ｂは、例えばＣＮＮにおける畳み込み層及びプーリング層に相当し、変化識別器３４は、例えばＣＮＮにおける全結合層に相当する。

本実施形態では例えば、推定建物検出画像２６ａ又は推定建物検出画像２６ｂに示されている１つのポリゴンの位置に基づいて生成される３個の推定チップ画像２８が、オリジナル推定入力データとして機械学習モデル３０に入力される。

例えば、推定チップ画像２８ａが入力４０として有無特徴抽出器３２ａａに入力される。すると有無特徴抽出器３２ａａは当該入力に応じて、推定チップ画像２８ａの中心に建物が示されているか否かを示す特徴情報を出力４２として出力する。

また推定チップ画像２８ｂが入力４４として有無特徴抽出器３２ａｂに入力される。すると有無特徴抽出器３２ａｂは当該入力に応じて、推定チップ画像２８ｂの中心に建物が示されているか否かを示す特徴情報を出力４６として出力する。

また入力４０として入力される推定チップ画像２８ａと、入力４４として入力される推定チップ画像２８ｂと、入力４８として入力される推定チップ画像２８ｃを結合したデータ（多チャンネル画像）が生成される。図６には、推定チップ画像２８ａの結合が矢印Ａ１として、推定チップ画像２８ｂの結合が矢印Ａ２として、推定チップ画像２８ｃの結合が矢印Ａ３として示されている。そして結合されたデータ（多チャンネル画像）が入力５０として変化特徴抽出器３２ｂに入力される。すると変化特徴抽出器３２ｂは当該入力に応じて、推定チップ画像２８ａと推定チップ画像２８ｂとの違いを示す特徴情報を出力５２として出力する。

例えばＣＮＮの中間層の出力である、縦横の画素数がそれぞれＬである５１２個の画像（マップ）から構成される特徴マップが上述の特徴情報に相当する。なお当該特徴マップに含まれる画像の数（マップ数）は５１２に限定されない。

そして出力４２として出力される特徴情報、出力４６として出力される特徴情報、及び、出力５２として出力される特徴情報を結合したデータが生成される。図６には、出力４２として出力される特徴情報の結合が矢印Ａ４として、出力４６として出力される特徴情報の結合が矢印Ａ５として、出力５２として出力される特徴情報の結合が矢印Ａ６として示されている。例えばこの結合されたデータが上述の加工推定入力データに相当する。例えば出力４２として出力される特徴情報、出力４６として出力される特徴情報、出力５２として出力される特徴情報が、それぞれマップ数が５１２である特徴マップである場合は、加工推定入力データはマップ数が１５３６である特徴マップとなる。

そしてこのようにして生成される加工推定入力データが入力５４として変化識別器３４に入力される。すると変化識別器３４は、推定チップ画像２８ａの中心と推定チップ画像２８ｂの中心との間における家屋異動を示す推定結果データを出力５６として出力する。

当該推定結果データは、例えば、新築、滅失、建替、変化なしなどといった、家屋異動の種類のそれぞれについての確率を示すデータであってもよい。この場合、最大値をとる確率に対応付けられる家屋異動の種類が、推定チップ画像２８ａの中心と推定チップ画像２８ｂの中心との間における家屋異動の推定結果として特定されてもよい。また当該推定結果データは、例えば、新築、滅失、建替、変化なしなどといった、家屋異動の種類に対応付けられる多値のうちのいずれかの値をとるデータであってもよい。この場合、当該推定結果データが示す値が、推定チップ画像２８ａの中心と推定チップ画像２８ｂの中心との間における家屋異動の推定結果として特定されてもよい。

本実施形態では例えば、推定建物検出画像２６ａ、及び、推定建物検出画像２６ｂに示されているそれぞれのポリゴンについて、当該ポリゴンの中心の位置に基づいて生成される３個の推定チップ画像２８を用いた家屋異動の推定が実行される。そして当該推定の結果に基づいて、推定結果画面２２が生成され、表示部１６に表示される。

以下、図７を参照しながら機械学習モデル３０の学習について説明する。

本実施形態では例えば、オリジナル学習入力データとオリジナル教師データとを含むオリジナル学習データを用いた教師あり学習によって、機械学習モデル３０の学習が実行される。また本実施形態における機械学習モデル３０の学習では、加工部３２がオリジナル学習入力データを加工することで加工学習入力データを生成する。そして加工部３２が生成する加工学習入力データと、オリジナル教師データの少なくとも一部である加工教師データと、を含む加工学習データを用いた教師あり学習によって、変化識別器３４の学習が実行される。変化識別器３４は機械学習モデル３０の一部であるが、変化識別器３４自体も機械学習モデルであるので、上述のように加工学習データを用いた教師あり学習によって、機械学習モデル３０の学習の一部として変化識別器３４の学習が実行されることとなる。

オリジナル学習入力データには、例えば、異なる時点に撮影された一対の土地の学習画像、及び、いずれかの学習画像に示されている建物の位置及び形状を示す学習建物検出画像が含まれている。以下、一対の学習画像のそれぞれを第１学習画像、第２学習画像と呼ぶこととする。ここで学習建物検出画像は、例えば、推定建物検出画像２６と同様の、学習画像に示されている建物の位置及び形状の検出結果に基づいて生成される画像であってもよい。

オリジナル教師データには、例えば、学習画像の中心に建物が示されているか否かを示す有無データ、及び、第１学習画像の中心と第２学習画像の中心との間における家屋異動を示す変化データが含まれている。以下、第１学習画像の中心に建物が示されているか否かを示す有無データを第１有無データと呼び、第２学習画像の中心に建物が示されているか否かを示す有無データを第２有無データと呼ぶこととする。

有無データは例えば、中心に建物が示されている場合は値として１をとり、中心に建物が示されていない場合は値として０をとる二値データである。変化データは、例えば、新築、滅失、建替、変化なしなどといった、家屋異動の種類に対応付けられる多値のうちのいずれかの値をとるデータである。

機械学習モデル３０の学習においては、例えば、オリジナル学習入力データに含まれる第１学習画像が入力４０として有無特徴抽出器３２ａａに入力される。また、当該オリジナル学習入力データに含まれる第２学習画像が入力４４として有無特徴抽出器３２ａｂに入力される。

また入力４０及び入力４４として入力される、オリジナル学習入力データに含まれる学習画像と、入力４８として入力される、当該オリジナル学習入力データに含まれる学習建物検出画像と、を結合したデータ（多チャンネル画像）が生成される。図７には、第１学習画像の結合が矢印Ａ７として、第２学習画像の結合が矢印Ａ８として、学習建物検出画像の結合が矢印Ａ９として示されている。そして結合されたデータ（多チャンネル画像）が入力５０として変化特徴抽出器３２ｂに入力される。

そして有無特徴抽出器３２ａａの出力４２は有無識別器３２ｃａに入力され、有無特徴抽出器３２ａｂの出力４６は有無識別器３２ｃｂに入力される。

また有無特徴抽出器３２ａａの出力４２と、有無特徴抽出器３２ａｂの出力４６と、変化特徴抽出器３２ｂの出力５２と、を結合したデータが生成される。図７には、有無特徴抽出器３２ａａの出力４２の結合が矢印Ａ１０として、有無特徴抽出器３２ａｂの出力４６の結合が矢印Ａ１１として、変化特徴抽出器３２ｂの出力５２の結合が矢印Ａ１２として示されている。例えばこの結合されたデータが上述の加工学習入力データに相当する。

そしてこのようにして生成される加工学習入力データが、入力５４として変化識別器３４に入力される。

そして本実施形態では例えば、有無識別器３２ｃａの出力５８が、機械学習モデル３０に入力された学習入力データに対応付けられる教師データに含まれる第１有無データの値と比較される。そして誤差逆伝播法（バックプロパゲーション）などにより、比較結果（例えば誤差）に基づいて、有無特徴抽出器３２ａａ及び有無識別器３２ｃａの重み等のパラメータの値が変更される。

また本実施形態では例えば、有無識別器３２ｃｂの出力６０が、機械学習モデル３０に入力された学習入力データに対応付けられる教師データに含まれる第２有無データの値と比較される。そして誤差逆伝播法（バックプロパゲーション）などにより、比較結果（例えば誤差）に基づいて、有無特徴抽出器３２ａｂ及び有無識別器３２ｃｂの重み等のパラメータの値が変更される。

また本実施形態では有無特徴抽出器３２ａａのパラメータの値と有無特徴抽出器３２ａｂのパラメータの値が同じになるよう、一方のパラメータの値の変更に連動して他方のパラメータの値も更新される。また本実施形態では有無識別器３２ｃａのパラメータの値と有無識別器３２ｃｂのパラメータの値が同じになるよう、一方のパラメータの値の変更に連動して他方のパラメータの値も更新される。

また本実施形態では例えば、変化識別器３４の出力５６が、機械学習モデル３０に入力されたオリジナル学習入力データに対応付けられるオリジナル教師データに含まれる加工教師データの値（例えば変化データの値）と比較される。そして誤差逆伝播法（バックプロパゲーション）などにより、比較結果（例えば誤差）に基づいて、変化特徴抽出器３２ｂ及び変化識別器３４の重み等のパラメータの値が変更される。また本実施形態では、誤差逆伝播法（バックプロパゲーション）などにより、当該比較結果（誤差）に基づいて、有無特徴抽出器３２ａａのパラメータの値及び有無特徴抽出器３２ａｂのパラメータの値も変更されるようになっている。

本実施形態では例えば、複数の学習データを機械学習モデル３０に学習させる学習処理が実行される。そしてこのような学習処理が実行された学習済の機械学習モデル３０を用いて家屋異動の推定が実行される。

本実施形態では変化識別器３４に入力される加工推定入力データには、異なる時点に撮影された一対の土地の画像の違いに対応付けられる特徴情報だけでなく、少なくとも一方の画像内における所定の位置（例えば中心）に建物が示されているか否かも示されている。例えば図６の矢印Ａ４～Ａ６に示すように、推定チップ画像２８ａと推定チップ画像２８ｂとの違いを示す特徴情報に、推定チップ画像２８ａや推定チップ画像２８ｂの中心に建物が示されているか否かを示す特徴情報が結合された加工推定入力データが生成される。そしてこのようにして建物が示されているか否かに関する情報について補強された、多くの次元数（マップ数）の加工推定入力データに基づいて家屋異動の推定が実行される。そのため本実施形態によれば、土地の画像に基づく家屋異動の推定精度が向上することとなる。

以下、本実施形態に係る家屋異動推定装置１０の機能並びに本実施形態に係る家屋異動推定装置１０で実行される処理についてさらに説明する。

図８は、本実施形態に係る家屋異動推定装置１０で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る家屋異動推定装置１０で、図８に示す機能のすべてが実装される必要はなく、また、図８に示す機能以外の機能が実装されていても構わない。

図８に示すように、本実施形態に係る家屋異動推定装置１０には、機能的には例えば、機械学習モデル３０、学習データ取得部７０、学習処理実行部７２、推定対象データ取得部７４、推定処理実行部７６、推定結果特定部７８、画面生成部８０、表示制御部８２、が含まれる。そして機械学習モデル３０には、加工部３２と、変化識別器３４と、が含まれる。また加工部３２には、有無特徴抽出器３２ａ、変化特徴抽出器３２ｂ、有無識別器３２ｃが含まれる。機械学習モデル３０は、プロセッサ１２及び記憶部１４を主として実装される。学習データ取得部７０、学習処理実行部７２、推定対象データ取得部７４、推定処理実行部７６、推定結果特定部７８、画面生成部８０は、プロセッサ１２を主として実装される。表示制御部８２は、プロセッサ１２及び表示部１６を主として実装される。

機械学習モデル３０、学習データ取得部７０、学習処理実行部７２は、例えば、機械学習モデル３０の学習処理を実行する家屋異動学習装置としての役割を担っている。機械学習モデル３０、推定対象データ取得部７４、推定処理実行部７６、推定結果特定部７８、画面生成部８０、表示制御部８２は、例えば、家屋異動を推定する家屋異動推定装置としての役割を担っている。

以上の機能は、コンピュータである家屋異動推定装置１０にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１２で実行することにより実装されてもよい。このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して家屋異動推定装置１０に供給されてもよい。

加工部３２は、本実施形態では例えば、学習においては、上述のオリジナル学習入力データに基づいて、加工学習入力データを生成し、推定においては、上述のオリジナル推定入力データに基づいて、加工推定入力データを生成する。

加工部３２に含まれる有無特徴抽出器３２ａは、本実施形態では例えば、土地の画像の入力に応じて当該画像内における所定の位置に建物が示されているか否かを示す特徴情報を出力する。ここで例えば、有無特徴抽出器３２ａは、画像の入力に応じて当該画像の中心に建物が示されているか否かを示す特徴情報を出力してもよい。また有無特徴抽出器３２ａは、上述のように、有無特徴抽出器３２ａａと有無特徴抽出器３２ａｂとを含んでいてもよい。

加工部３２に含まれる変化特徴抽出器３２ｂには、本実施形態では例えば、異なる時点に撮影された一対の土地の画像、及び、少なくとも一方の当該画像についての当該画像内の所定の位置に建物が示されているか否かを示す画像が入力される。そして変化特徴抽出器３２ｂは、本実施形態では例えば、当該入力に応じて、一対の土地の画像の違いを示す特徴情報を出力する。

加工部３２に含まれる有無識別器３２ｃは、本実施形態では例えば、画像内における所定の位置（例えば中心）に建物が示されているか否かを学習する機械学習モデルである。有無識別器３２ｃは、上述のように、有無識別器３２ｃａと有無識別器３２ｃｂとを含んでいてもよい。

有無識別器３２ｃには、例えば、学習画像内の所定の位置に建物が示されているか否かを示す特徴情報が入力される。上述の例では、有無特徴抽出器３２ａが出力する特徴情報が有無識別器３２ｃに入力される。

有無識別器３２ｃの学習に用いられる教師データは、例えば、学習画像内の所定の位置に建物が示されているか否かを示すデータである。例えば上述の有無データが、有無識別器３２ｃの学習に用いられる教師データに相当する。

変化識別器３４は、本実施形態では例えば、家屋異動の種類を学習する機械学習モデルである。変化識別器３４には、上述の加工学習入力データが入力される。加工学習入力データは、例えば、異なる時点に撮影された一対の学習画像の違い、及び、少なくとも一方の学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示すデータである。上述の例では、有無特徴抽出器３２ａが出力する特徴情報と変化特徴抽出器３２ｂが出力する特徴情報とを結合したデータが加工学習入力データに相当する。

また変化識別器３４の学習に用いられる教師データである加工教師データは、例えば、一方の学習画像内における所定の位置と他方の学習画像内における当該所定の位置に対応付けられる位置との間における家屋異動を示すデータである。ここで加工教師データが、一方の学習画像内における中心と他方の学習画像内における中心との間における家屋異動を示すデータであってもよい。上述の例では、例えば、新築、滅失、建替、変化なしなどといった、家屋異動の種類に対応付けられる多値のうちのいずれかの値をとる変化データが、加工教師データに相当する。

学習データ取得部７０は、本実施形態では例えば、機械学習モデル３０に入力されるオリジナル学習入力データとオリジナル教師データとの組合せを含むオリジナル学習データを取得する。

オリジナル学習入力データは、異なる時点に撮影された一対の学習画像の違い、及び、少なくとも一方の学習画像についての当該学習画像内における所定の位置（例えば中心）に建物が示されているか否かを示すデータを含んでいてもよい。上述の例では、第１学習画像、第２学習画像、及び、学習建物検出画像の組合せがオリジナル学習入力データに相当する。

またオリジナル教師データは、一方の学習画像内における所定の位置と他方の学習画像内における当該所定の位置に対応付けられる位置との間における家屋異動を示すデータを含んでいてもよい。ここでオリジナル教師データが、一方の学習画像内における中心と他方の学習画像内における中心との間における家屋異動を示すデータであってもよい。上述の例では、第１有無データ、第２有無データ、及び、変化データの組合せがオリジナル教師データに相当する。

学習処理実行部７２は、本実施形態では例えば、学習データ取得部７０が取得する複数のオリジナル学習データを有無特徴抽出器３２ａ、変化特徴抽出器３２ｂ、変化識別器３４、及び、有無識別器３２ｃを含む機械学習モデル３０に学習させる。ここで上述のように学習処理実行部７２が、加工学習入力データを変化識別器３４に入力した際の出力と、加工教師データの値との比較結果に基づいて、有無特徴抽出器３２ａ、変化特徴抽出器３２ｂ、及び、変化識別器３４の学習を実行してもよい。

推定対象データ取得部７４は、本実施形態では例えば、家屋異動の推定対象となるデータを取得する。ここで例えば、推定ターゲット画像２０ａ及び推定ターゲット画像２０ｂが取得されてもよい。

推定処理実行部７６は、本実施形態では例えば、家屋異動を推定する処理を実行する。この推定する処理において、推定処理実行部７６は、異なる時点に撮影された一対の推定画像の違い、及び、少なくとも一方の推定画像内における所定の位置に建物が示されているか否かを示す加工推定入力データを変化識別器３４に入力してもよい。ここで当該推定画像には、例えば上述の例における推定チップ画像２８が相当する。そして推定処理実行部７６が、変化識別器３４に加工推定入力データを入力した際の出力に基づいて、一方の推定画像内における所定の位置と他方の推定画像内における当該所定の位置に対応付けられる位置との間における家屋異動を推定してもよい。

また推定処理実行部７６は、一対の推定画像を有無特徴抽出器３２ａに入力した際の出力である特徴情報を特定してもよい。そして推定処理実行部７６は、特定される当該特徴情報を含む加工推定入力データを変化識別器３４に入力してもよい。

また推定処理実行部７６は、一対の推定画像、及び、少なくとも一方の推定画像について当該推定画像内における所定の位置に建物が示されているか否かを示す画像を変化特徴抽出器３２ｂに入力した際の出力である特徴情報を特定してもよい。ここで推定画像内における所定の位置に建物が示されているか否かを示す画像は、例えば上述の推定チップ画像２８ｃのような、推定画像内の所定の位置に示されている建物の形状を示す画像であってもよい。そして推定処理実行部７６は、特定される当該特徴情報を含む加工推定入力データを変化識別器３４に入力してもよい。

また推定処理実行部７６は、上述のように、有無特徴抽出器３２ａの出力である特徴情報と変化特徴抽出器３２ｂの出力である特徴情報とを結合してもよい。そして推定処理実行部７６は、結合された特徴情報を含む加工推定入力データを変化識別器３４に入力してもよい。

また例えば推定処理実行部７６が、推定建物検出画像２６の生成や、推定チップ画像２８の生成を行ってもよい。そして、推定チップ画像２８が機械学習モデル３０に入力された際の出力に基づいて、当該推定チップ画像２８に示されている家屋異動が推定されてもよい。

推定結果特定部７８は、本実施形態では例えば、推定処理実行部７６による推定処理の実行結果を特定する。ここで例えば、推定ターゲット画像２０ａ又は推定ターゲット画像２０ｂに示されている建物のそれぞれについての家屋異動の種類（例えば、新築、滅失、建替、又は、変化なし）が特定されてもよい。

画面生成部８０は、本実施形態では例えば、推定結果特定部７８が特定する推定処理の実行結果に基づいて、図３に例示する推定結果画面２２のような、推定される家屋異動を表す情報が配置された画面を生成する。

表示制御部８２は、本実施形態では例えば、画面生成部８０が生成する推定結果画面２２等の画面を表示部１６に表示させる。

以下、本実施形態に係る家屋異動推定装置１０において行われる、機械学習モデル３０の学習処理の流れの一例を、図９Ａ及び図９Ｂに例示するフロー図を参照しながら説明する。

まず、学習データ取得部７０が、複数のオリジナル学習データを取得する（Ｓ１０１）。当該オリジナル学習データには、オリジナル学習入力データと、オリジナル教師データと、が含まれている。

そして学習処理実行部７２が、Ｓ１０１に示す処理で取得されたオリジナル学習データのうちから、以下の処理がまだ実行されていないものを１つ選択する（Ｓ１０２）。

そして学習処理実行部７２が、Ｓ１０２に示す処理で選択されたオリジナル学習データのオリジナル学習入力データに含まれる第１学習画像を有無特徴抽出器３２ａａに入力する（Ｓ１０３）。

そして学習処理実行部７２は、Ｓ１０３に示す処理における入力に応じて有無特徴抽出器３２ａａが出力する特徴情報を特定する（Ｓ１０４）。

そして学習処理実行部７２が、Ｓ１０２に示す処理で選択されたオリジナル学習データのオリジナル学習入力データに含まれる第２学習画像を有無特徴抽出器３２ａｂに入力する（Ｓ１０５）。

そして学習処理実行部７２は、Ｓ１０５に示す処理における入力に応じて有無特徴抽出器３２ａｂが出力する特徴情報を特定する（Ｓ１０６）。

そして学習処理実行部７２が、Ｓ１０２に示す処理で選択されたオリジナル学習データのオリジナル学習入力データに含まれる第１学習画像及び第２学習画像と、学習建物検出画像と、を結合したデータである多チャンネル画像を生成する（Ｓ１０７）。

そして学習処理実行部７２が、Ｓ１０７に示す処理で生成された多チャンネル画像を変化特徴抽出器３２ｂに入力する（Ｓ１０８）。

そして学習処理実行部７２は、Ｓ１０８に示す処理における入力に応じて変化特徴抽出器３２ｂが出力する特徴情報を特定する（Ｓ１０９）。

そして学習処理実行部７２は、Ｓ１０４に示す処理で特定された特徴情報を有無識別器３２ｃａに入力する（Ｓ１１０）。

そして学習処理実行部７２は、Ｓ１１０に示す処理における入力に応じた有無識別器３２ｃａの出力を特定する（Ｓ１１１）。

そして学習処理実行部７２は、Ｓ１１１に示す処理で特定された出力とオリジナル学習データのオリジナル教師データに含まれる第１有無データの値とを比較する（Ｓ１１２）。

そして学習処理実行部７２は、Ｓ１１２に示す処理における比較結果である誤差に基づいて、有無特徴抽出器３２ａａ、有無特徴抽出器３２ａｂ、有無識別器３２ｃａ、及び、有無識別器３２ｃｂのパラメータの値を変更する（Ｓ１１３）。

そして学習処理実行部７２は、Ｓ１０６に示す処理で特定された特徴情報を有無識別器３２ｃｂに入力する（Ｓ１１４）。

そして学習処理実行部７２は、Ｓ１１４に示す処理における入力に応じた有無識別器３２ｃｂの出力を特定する（Ｓ１１５）。

そして学習処理実行部７２は、Ｓ１１５に示す処理で特定された出力とオリジナル学習データのオリジナル教師データに含まれる第２有無データの値とを比較する（Ｓ１１６）。

そして学習処理実行部７２は、Ｓ１１６に示す処理における比較結果である誤差に基づいて、有無特徴抽出器３２ａａ、有無特徴抽出器３２ａｂ、有無識別器３２ｃａ、及び、有無識別器３２ｃｂのパラメータの値を変更する（Ｓ１１７）。

そして学習処理実行部７２は、Ｓ１０４に示す処理で特定された特徴情報、Ｓ１０６に示す処理で特定された特徴情報、及び、Ｓ１０９に示す処理で特定された特徴情報、を結合した加工学習入力データを生成する（Ｓ１１８）。

そして学習処理実行部７２は、Ｓ１１８に示す処理で生成された加工学習入力データを変化識別器３４に入力する（Ｓ１１９）。

そして学習処理実行部７２は、Ｓ１１９に示す処理における入力に応じた変化識別器３４の出力を特定する（Ｓ１２０）。

そして学習処理実行部７２は、Ｓ１２０に示す処理で特定された出力と、加工教師データに相当する、オリジナル学習データのオリジナル教師データに含まれる変化データの値とを比較する（Ｓ１２１）。

そして学習処理実行部７２は、Ｓ１２１に示す処理における比較結果である誤差に基づいて、有無特徴抽出器３２ａａ、有無特徴抽出器３２ａｂ、変化特徴抽出器３２ｂ、及び、変化識別器３４のパラメータの値を変更する（Ｓ１２２）。

そして学習処理実行部７２は、Ｓ１０２に示す処理で未選択であるオリジナル学習データが存在するか否かを確認する（Ｓ１２３）。

ここで存在することが確認された場合は（Ｓ１２３：Ｙ）、Ｓ１０２に示す処理に戻る。

存在しないことが確認された場合は（Ｓ１２３：Ｎ）、本処理例に示す処理は終了される。

なおＳ１０１～Ｓ１２３に示す処理の実行順序は上述のものに限定されず、上述に示す順序とは異なる実行順序でこれらの処理が実行されてもよい。

以下、本実施形態に係る家屋異動推定装置１０において行われる、家屋異動の推定処理の流れの一例を、図１０Ａ及び図１０Ｂに例示するフロー図を参照しながら説明する。

まず、推定対象データ取得部７４は、ユーザによって選択された推定ターゲット画像２０ａ及び推定ターゲット画像２０ｂを取得する（Ｓ２０１）。

そして推定処理実行部７６は、Ｓ２０１に示す処理で取得した推定ターゲット画像２０ａに基づいて、推定建物検出画像２６ａを生成し、Ｓ２０１に示す処理で取得した推定ターゲット画像２０ｂに基づいて、推定建物検出画像２６ｂを生成する（Ｓ２０２）。

そして推定処理実行部７６は、Ｓ２０２に示す処理で生成された推定建物検出画像２６ａに示されているすべてのポリゴン及び推定建物検出画像２６ｂに示されているすべてのポリゴンについての当該ポリゴンの中心の位置を特定する（Ｓ２０３）。

そして推定処理実行部７６は、Ｓ２０３に示す処理で特定された中心の位置のうち、Ｓ２０５～Ｓ２１４に示す処理がまだ実行されていないものを１つ選択する（Ｓ２０４）。

そして推定処理実行部７６は、Ｓ２０４に示す処理で選択された位置に基づいて、推定チップ画像２８ａ、推定チップ画像２８ｂ、及び、推定チップ画像２８ｃを生成する（Ｓ２０５）。ここで推定チップ画像２８ａは例えば推定ターゲット画像２０ａの一部を抽出することで生成される。また推定チップ画像２８ｂは例えば推定ターゲット画像２０ｂの一部を抽出することで生成される。推定チップ画像２８ｃは例えば推定建物検出画像２６ｂの一部を抽出することで生成される。

そして推定処理実行部７６は、Ｓ２０５に示す処理で生成された推定チップ画像２８ａを有無特徴抽出器３２ａａに入力する（Ｓ２０６）。

そして推定処理実行部７６は、Ｓ２０６に示す処理における入力に応じて有無特徴抽出器３２ａａが出力する特徴情報を特定する（Ｓ２０７）。

そして推定処理実行部７６は、Ｓ２０６に示す処理で生成された推定チップ画像２８ｂを有無特徴抽出器３２ａｂに入力する（Ｓ２０８）。

そして推定処理実行部７６は、Ｓ２０８に示す処理における入力に応じて有無特徴抽出器３２ａｂが出力する特徴情報を特定する（Ｓ２０９）。

そして推定処理実行部７６は、Ｓ２０５に示す処理で生成された推定チップ画像２８ａ、推定チップ画像２８ｂ、及び、推定チップ画像２８を結合したデータである多チャンネル画像を生成する（Ｓ２１０）。

そして推定処理実行部７６は、Ｓ２１０に示す処理で生成された多チャンネル画像を変化特徴抽出器３２ｂに入力する（Ｓ２１１）。

そして推定処理実行部７６は、Ｓ２１１に示す処理における入力に応じて変化特徴抽出器３２ｂが出力する特徴情報を特定する（Ｓ２１２）。

そして推定処理実行部７６は、Ｓ２０７に示す処理で特定された特徴情報、Ｓ２０９に示す処理で特定された特徴情報、及び、Ｓ２１２に示す処理で特定された特徴情報、を結合した加工推定入力データを生成する（Ｓ２１３）。

そして推定処理実行部７６は、Ｓ２１３に示す処理で生成された加工推定入力データを変化識別器３４に入力する（Ｓ２１４）。

そして推定結果特定部７８は、Ｓ２１４に示す処理における加工推定入力データの入力に応じた変化識別器３４の出力を、Ｓ２０４に示す処理で特定された位置に対応付けられる推定結果データとして特定する（Ｓ２１５）。

そして推定処理実行部７６は、Ｓ２０４に示す処理で未選択である位置が存在するか否かを確認する（Ｓ２１６）。

ここで存在することが確認された場合は（Ｓ２１６：Ｙ）、Ｓ２０４に示す処理に戻る。

存在しないことが確認された場合は（Ｓ２１６：Ｎ）、画面生成部８０が、Ｓ２１５に示す処理で特定された推定結果データに基づいて、推定結果画面２２を生成する（Ｓ２１７）。Ｓ２１７に示す処理では、画面生成部８０は、例えば、推定結果データに対応付けられる位置を中心とするポリゴンを囲む、当該推定結果データの値に応じた家屋異動対応画像２４を描画してもよい。そして画面生成部８０は、家屋異動対応画像２４が重畳された推定ターゲット画像２０ｂが配置された推定結果画面２２を生成してもよい。

そして表示制御部８２が、Ｓ２１７に示す処理で生成された推定結果画面２２を表示部１６に表示させて（Ｓ２１８）、本処理例に示す処理は終了される。

なおＳ２０１～Ｓ２１８に示す処理の実行順序は上述のものに限定されず、上述に示す順序とは異なる実行順序でこれらの処理が実行されてもよい。

なお、本発明は上述の実施形態に限定されるものではない。

例えばオリジナル学習入力データに、第１学習画像に示されている建物の位置及び形状を示す学習建物検出画像と第２学習画像に示されている建物の位置及び形状を示す学習建物検出画像の両方が含まれてもよい。そしてこれら２個の学習建物検出画像の両方が入力４８として機械学習モデル３０に入力されてもよい。この場合は推定において、推定建物検出画像２６ｂから抽出される推定チップ画像２８（推定チップ画像２８ｃ）だけでなく、推定建物検出画像２６ａから抽出される推定チップ画像２８も入力４８として機械学習モデル３０に入力されることとなる。

また例えば学習に用いられる学習建物検出画像として、中心に示されている建物のみについての位置及び形状を示す画像が用いられてもよい。また例えば推定において、推定チップ画像２８ｃの代わりに、中心に示されている建物のみについての位置及び形状を示す図１１に例示する推定チップ画像２８ｄが用いられてもよい。図１１に示す推定チップ画像２８ｄは例えば中心に示されている建物以外の建物のポリゴンが推定チップ画像２８ｃから削除されることにより生成される。

また例えば、機械学習モデル３０の学習において、学習画像の代わりに、学習建物検出画像が、有無特徴抽出器３２ａに入力されてもよい。この場合、推定において、推定ターゲット画像２０ａから抽出される推定チップ画像２８（推定チップ画像２８ａ）の代わりに、推定建物検出画像２６ａから抽出される推定チップ画像２８が入力４０として有無特徴抽出器３２ａａに入力されることとなる。また推定ターゲット画像２０ｂから抽出される推定チップ画像２８（推定チップ画像２８ｂ）の代わりに、推定建物検出画像２６ｂから抽出される推定チップ画像２８（推定チップ画像２８ｃ）が入力４４として有無特徴抽出器３２ａｂに入力されることとなる。

また例えば機械学習モデル３０の学習において、全体教師データに含まれる二値データである有無データの代わりに、学習画像に基づいて生成される学習建物検出画像が用いられてもよい。

また例えば、学習において、一対の学習画像の代わりに一対の学習画像の差分を示す差分画像が用いられてもよい。この場合、推定において、推定チップ画像２８ａ及び推定チップ画像２８ｂの代わりに推定チップ画像２８ａ及び推定チップ画像２８ｂとの差分を示す差分画像が用いられてもよい。ここで差分画像に含まれるある座標値の画素の画素値として、例えば、第２学習画像に含まれる当該座標値の画素の画素値から第１学習画像に含まれる当該座標値の画素の画素値を引いた値が設定されてもよい。

また例えば、学習において、学習入力データに含まれる学習建物検出画像の代わりに、第１学習画像に基づいて生成される学習建物検出画像と第２学習画像に基づいて生成される学習建物検出画像との差分を示す差分画像が用いられてもよい。この場合、推定において、推定チップ画像２８ｃの代わりに、推定建物検出画像２６ａから抽出される推定チップ画像２８と推定建物検出画像２６ｂから抽出される推定チップ画像２８ｃとの差分を示す差分画像が用いられてもよい。

また例えば、図１２に示すように、機械学習モデル３０が有無特徴抽出器３２ａを含んでいなくてもよい。この場合、学習において、変化特徴抽出器３２ｂの出力５２が変化識別器３４だけではなく、有無識別器３２ｃ（３２ｃａ及び３２ｃｂ）に入力されてもよい。そして誤差逆伝播法（バックプロパゲーション）などにより、有無識別器３２ｃａの出力５８と第１有無データとの比較結果（誤差）に基づいて、変化特徴抽出器３２ｂ及び有無識別器３２ｃａの重み等のパラメータの値が変更されてもよい。また誤差逆伝播法（バックプロパゲーション）などにより、有無識別器３２ｃｂの出力６０と第２有無データとの比較結果（誤差）に基づいて、変化特徴抽出器３２ｂ及び有無識別器３２ｃｂの重み等のパラメータの値が変更されてもよい。

また例えば、図１３に示すように、機械学習モデル３０が有無特徴抽出器３２ａ及び有無識別器３２ｃを含んでいなくてもよい。この場合、学習及び推定において、第１学習画像内の所定の位置（例えば中心）に建物が示されているか否かを示す画像が入力８４として入力されてもよい。また、第２学習画像内の所定の位置（例えば中心）に建物が示されているか否かを示す画像が入力８６として入力されてもよい。入力８４や入力８６として入力される画像は、例えば、変化特徴抽出器３２ｂの出力５２である特徴マップと同じサイズの（例えば縦横の画素数がそれぞれＬである）単色の画像であってもよい。ここで例えば、建物が示されている場合には白色の画像が、建物が示されていない場合は黒色の画像が、建物が示されているか否かを示す画像として用いられてもよい。そして有無特徴抽出器３２ａから出力される特徴情報の代わりに、入力８４や入力８６として入力される画像が、変化特徴抽出器３２ｂの出力５２と結合された上で、入力５４として変化識別器３４に入力されるようにしてもよい。ここで出力５２として出力される特徴情報が、例えばマップ数が５１２である特徴マップである場合は、入力５４として変化識別器３４に入力されるデータは、マップ数が５１４である特徴マップとなる。

また例えば、図１４に示すように、学習及び推定において、入力８４や入力８６として入力される画像も結合された多チャンネル画像が変化特徴抽出器３２ｂに入力されるようにしてもよい。またこの場合、変化特徴抽出器３２ｂの出力５２がそのまま変化識別器３４に入力されるようにしてもよい。

また例えば、学習において、学習建物検出画像が変化特徴抽出器３２ｂに入力されず、第１学習画像及び第２学習画像のみが変化特徴抽出器３２ｂに入力されるようにしてもよい。またこの場合推定において、推定建物検出画像２６から抽出される推定チップ画像２８が変化特徴抽出器３２ｂに入力されず、推定ターゲット画像２０ａ、２０ｂから抽出される推定チップ画像２８のみが変化特徴抽出器３２ｂに入力されるようにしてもよい。

また例えば、図１５に示すように、機械学習モデル３０が備える有無特徴抽出器３２ａが１つであってもよい。また、機械学習モデル３０が備える有無識別器３２ｃが１つであってもよい。この場合、学習においては、第１学習画像の有無特徴抽出器３２ａへの入力及び当該入力に応じた出力の特定と第２学習画像の有無特徴抽出器３２ａへの入力及び当該入力に応じた出力の特定が順次実行される。そして第１学習画像を有無特徴抽出器３２ａに入力した際の出力と、第２学習画像を有無特徴抽出器３２ａに入力した際の出力と、変化特徴抽出器３２ｂの出力とを結合したデータが変化識別器３４に入力されてもよい。この場合推定において、推定チップ画像２８ａの有無特徴抽出器３２ａへの入力及び当該入力に応じた出力の特定と推定チップ画像２８ｂの有無特徴抽出器３２ａへの入力及び当該入力に応じた出力の特定が順次実行されてもよい。そして推定チップ画像２８ａを有無特徴抽出器３２ａに入力した際の出力と、推定チップ画像２８ｂを有無特徴抽出器３２ａに入力した際の出力と、変化特徴抽出器３２ｂの出力とを結合したデータが変化識別器３４に入力されてもよい。

また例えば、機械学習モデル３０に含まれるプーリング層の代わりに、Ｄｉｌａｔｅｄ Ｃｏｎｖｏｌｕｔｉｏｎ層が用いられてもよい。こうすればプーリング層を用いた場合に発生する情報量の圧縮を廃した特徴抽出が可能となる。また機械学習モデル３０に含まれる全結合層の代わりに、畳み込み層が用いられてもよい。こうすれば計算コストの低減や入力の画像サイズに非依存な機械学習モデル３０が実現可能な場合がある。

また推定ターゲット画像２０ｂが、第１の時点よりも前である第２の時点に撮影された画像であってもよい。この場合は、上述の例において新築と推定される建物は滅失と推定され、滅失と推定される建物は新築と推定されるようにする必要がある。

また推定建物検出画像２６ａ、２６ｂの代わりに、建物の位置や輪郭が記載された画像が用いられてもよい。

また、上述の具体的な文字列や数値、並びに、図面中の具体的な文字列は例示であり、これらの文字列や数値には限定されない。

１０ 家屋異動推定装置、１２ プロセッサ、１４ 記憶部、１６ 表示部、１８ 操作部、２０ａ，２０ｂ 推定ターゲット画像、２２ 推定結果画面、２４，２４ａ，２４ｂ，２４ｃ 家屋異動対応画像、２６，２６ａ，２６ｂ 推定建物検出画像、２８，２８ａ，２８ｂ，２８ｃ，２８ｄ 推定チップ画像、３０ 機械学習モデル、３２ 加工部、３２ａ，３２ａａ，３２ａｂ有無特徴抽出器、３２ｂ 変化特徴抽出器、３２ｃ，３２ｃａ，３２ｃｂ 有無識別器、３４ 変化識別器、４０，４４，４８，５０，５４，８４，８６ 入力、４２，４６，５２，５６，５８，６０ 出力、７０ 学習データ取得部、７２ 学習処理実行部、７４ 推定対象データ取得部、７６ 推定処理実行部、７８ 推定結果特定部、８０ 画面生成部、８２ 表示制御部。

Claims (10)

1. 異なる時点に撮影された一対の土地の学習画像、及び、少なくとも一方の前記学習画像についての当該学習画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データと、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を含む学習データを複数学習させた変化識別器と、
   異なる時点に撮影された一対の土地の推定画像、及び、少なくとも一方の前記推定画像についての当該推定画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の推定画像の違い、及び、少なくとも一方の前記推定画像内における所定の位置に建物が示されているか否かを示す推定入力データを前記変化識別器に入力する変化識別器入力手段と、
   前記変化識別器に前記推定入力データを入力した際の出力に基づいて、一方の前記推定画像内における前記所定の位置と他方の前記推定画像内における前記所定の位置に対応付けられる位置との間における家屋異動を推定する家屋異動推定手段と、
   を含むことを特徴とする家屋異動推定装置。
2. 土地の画像の入力に応じて当該画像内における所定の位置に建物が示されているか否かを示す特徴情報を出力する有無特徴抽出器と、
   前記一対の推定画像を前記有無特徴抽出器に入力した際の出力である特徴情報を特定する有無特徴情報特定手段と、をさらに含み、
   前記変化識別器入力手段は、前記有無特徴情報特定手段が特定する特徴情報を含む前記推定入力データを前記変化識別器に入力する、
   ことを特徴とする請求項１に記載の家屋異動推定装置。
3. 異なる時点に撮影された一対の土地の画像、及び、少なくとも一方の前記画像についての当該画像に示されている建物の位置及び形状を示す画像の入力に応じて、前記一対の土地の画像の違いを示す特徴情報を出力する変化特徴抽出器と、
   前記一対の推定画像、及び、少なくとも一方の前記推定画像について当該推定画像に示されている建物の位置及び形状を示す画像を前記変化特徴抽出器に入力した際の出力である特徴情報を特定する変化特徴情報特定手段と、をさらに含み、
   前記変化識別器入力手段は、前記変化特徴情報特定手段が特定する特徴情報を含む前記推定入力データを前記変化識別器に入力する、
   ことを特徴とする請求項１又は２に記載の家屋異動推定装置。
4. 土地の画像の入力に応じて当該画像内における所定の位置に建物が示されているか否かを示す特徴情報を出力する有無特徴抽出器と、
   前記一対の推定画像を前記有無特徴抽出器に入力した際の出力である特徴情報を特定する有無特徴情報特定手段と、
   異なる時点に撮影された一対の土地の画像、及び、少なくとも一方の前記画像についての当該画像に示されている建物の位置及び形状を示す画像の入力に応じて、前記一対の土地の画像の違いを示す特徴情報を出力する変化特徴抽出器と、
   前記一対の推定画像、及び、少なくとも一方の前記推定画像についての当該推定画像に示されている建物の位置及び形状を示す画像を前記変化特徴抽出器に入力した際の出力である特徴情報を特定する変化特徴情報特定手段と、
   前記有無特徴情報特定手段が特定する特徴情報と前記変化特徴情報特定手段が特定する特徴情報とを結合する結合手段と、をさらに含み、
   前記変化識別器入力手段は、前記結合手段により結合された特徴情報を含む前記推定入力データを前記変化識別器に入力する、
   ことを特徴とする請求項１に記載の家屋異動推定装置。
5. 前記家屋異動推定手段が推定する家屋異動を表す情報が配置された画面を生成する画面生成手段と、
   前記画面生成手段が生成する画面が表示されるよう制御する表示制御手段と、をさらに含む、
   ことを特徴とする請求項１から４のいずれか一項に記載の家屋異動推定装置。
6. 異なる時点に撮影された一対の土地の学習画像、及び、少なくとも一方の前記学習画像についての当該学習画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データを変化識別器に入力する入力手段と、
   前記変化識別器に前記学習入力データを入力した際の出力と、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を比較する比較手段と、
   前記比較の結果に基づいて、前記変化識別器のパラメータを変更するパラメータ変更手段と、
   を含むことを特徴とする家屋異動学習装置。
7. 異なる時点に撮影された一対の土地の学習画像、及び、少なくとも一方の前記学習画像についての当該学習画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データと、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を含む学習データを複数学習させた変化識別器に、異なる時点に撮影された一対の土地の推定画像、及び、少なくとも一方の前記推定画像についての当該推定画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の推定画像の違い、及び、少なくとも一方の前記推定画像内における所定の位置に建物が示されているか否かを示す推定入力データを前記変化識別器に入力するステップと、
   前記変化識別器に前記推定入力データを入力した際の出力に基づいて、一方の前記推定画像内における前記所定の位置と他方の前記推定画像内における前記所定の位置に対応付けられる位置との間における家屋異動を推定するステップと、
   を含むことを特徴とする家屋異動推定方法。
8. 異なる時点に撮影された一対の土地の学習画像、及び、少なくとも一方の前記学習画像についての当該学習画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データを変化識別器に入力するステップと、
   前記変化識別器に前記学習入力データを入力した際の出力と、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を比較するステップと、
   前記比較の結果に基づいて、前記変化識別器のパラメータを変更するステップと、
   を含むことを特徴とする識別器のパラメータ生成方法。
9. 異なる時点に撮影された一対の土地の学習画像、及び、少なくとも一方の前記学習画像についての当該学習画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データと、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を含む学習データを複数学習させた変化識別器に、異なる時点に撮影された一対の土地の推定画像、及び、少なくとも一方の前記推定画像についての当該推定画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の推定画像の違い、及び、少なくとも一方の前記推定画像内における所定の位置に建物が示されているか否かを示す推定入力データを前記変化識別器に入力する手順、
   前記変化識別器に前記推定入力データを入力した際の出力に基づいて、一方の前記推定画像内における前記所定の位置と他方の前記推定画像内における前記所定の位置に対応付けられる位置との間における家屋異動を推定する手順、
   をコンピュータに実行させることを特徴とするプログラム。
10. 異なる時点に撮影された一対の土地の学習画像、及び、少なくとも一方の前記学習画像についての当該学習画像に示されている建物の位置及び形状を示す画像に基づいて生成される、当該一対の土地の学習画像の違い、及び、少なくとも一方の前記学習画像についての当該学習画像内における所定の位置に建物が示されているか否かを示す学習入力データを変化識別器に入力する手順、
    前記変化識別器に前記学習入力データを入力した際の出力と、一方の前記学習画像内における前記所定の位置と他方の前記学習画像内における前記所定の位置に対応付けられる位置との間における家屋異動を示す教師データと、を比較する手順、
    前記比較の結果に基づいて、前記変化識別器のパラメータを変更する手順、
    をコンピュータに実行させることを特徴とするプログラム。

Images