JP7143906B2 - 情報処理装置、情報処理方法およびプログラム - Google Patents
情報処理装置、情報処理方法およびプログラム Download PDFInfo
- Publication number
- JP7143906B2 JP7143906B2 JP2021005087A JP2021005087A JP7143906B2 JP 7143906 B2 JP7143906 B2 JP 7143906B2 JP 2021005087 A JP2021005087 A JP 2021005087A JP 2021005087 A JP2021005087 A JP 2021005087A JP 7143906 B2 JP7143906 B2 JP 7143906B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- label
- unlabeled
- unlabeled data
- unit
- 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
Landscapes
- Image Analysis (AREA)
Description
本発明の実施形態の概要について説明する。本発明の実施形態では、ニューラルネットワークの学習を行う学習装置について説明する。学習装置においては、学習用データに基づいてニューラルネットワークの学習が行われた後(学習段階)、学習時にラベル無しデータに付与されたラベルの修正が行われ(修正段階)、修正データに基づいて再度学習が行われる(再学習段階)。その後、識別装置において、学習済みのニューラルネットワークと識別用データ(テストデータ)とに基づいて推定ラベルが出力される。
まず、本発明の第1の実施形態について説明する。本発明の第1の実施形態においては、学習装置によって半教師あり学習が行われる。図1は、本発明の第1の実施形態に係る学習装置10の機能構成例を示す図である。図1に示されるように、本発明の第1の実施形態に係る学習装置10は、入力部111と、誤判定データ推定部112と、提示制御部113と、提示部114と、記録制御部115と、操作部116と、特徴抽出部121と、識別部122と、ラベル有りデータ評価部131と、ラベル無しデータ評価部132と、更新部133とを備える。
まず、本発明の第1の実施形態に係る学習装置10によって実行される「学習段階」について説明する。
ラベル付きデータセット101は、複数の学習用データ(入力データ)と当該複数の学習用データそれぞれに対応付けられた正解ラベルとを含んで構成される。以下では、正解ラベルが対応付けられた学習用データを「ラベル有りデータ」とも言う。正解ラベルは、人手または図示しない機能によって付与される。
ラベル無しデータセット102は、正解ラベルがそれぞれ対応付けられていない複数の学習用データ(入力データ)を含んで構成される。以下では、正解ラベルが対応付けられていない学習用データを「ラベル無しデータ」とも言う。なお、本発明の実施形態では、ラベル無しデータが画像データである場合(特に、静止画像データである場合)を主に想定する。しかし、ラベル無しデータの種類は、ラベル有りデータの種類と同様に限定されない。
入力部111は、ラベル付きデータセット101およびラベル無しデータセット102からラベル有りデータおよび正解ラベルの組み合わせとラベル無しデータとを順次に取得する。入力部111は、ラベル有りデータおよび正解ラベルの組み合わせとラベル無しデータとを順次に特徴抽出部121に出力する。入力部111よりも後段の各ブロックにおいては、前段のブロックからの入力に基づいて順次に各自の処理が繰り返し実行される。
特徴抽出部121は、入力部111から出力されたラベル有りデータと特徴抽出NNとに基づいてラベル有りデータの特徴量を抽出する。より詳細に、特徴抽出部121は、重みパラメータ123から特徴抽出NNのニューロンに対応する重みパラメータを取得し、取得した重みパラメータが設定された特徴抽出NNにラベル有りデータを入力させたことに基づいて、特徴抽出NNから出力されるデータをラベル有りデータの特徴量として得る。特徴抽出部121は、ラベル有りデータの特徴量を識別部122に出力する。
識別部122は、特徴抽出部121によって抽出されたラベル有りデータの特徴量に基づいて、ラベル有りデータの推定ラベルを得る。より詳細に、識別部122は、重みパラメータ123から識別NNのニューロンに対応する重みパラメータを取得し、取得した重みパラメータが設定された識別NNにラベル有りデータの特徴量を入力させたことに基づいて、識別NNから出力されるデータをラベル有りデータの推定ラベルとして得る。識別部122は、ラベル有りデータの推定ラベルをラベル有りデータ評価部131に出力する。
ラベル有りデータ評価部131は、入力部111によって取得されたラベル有りデータに対応する正解ラベルに基づいて、識別部122から出力されたラベル有りデータの推定ラベルを評価してラベル有りデータに対応する評価結果を得る。より詳細に、ラベル有りデータ評価部131は、ラベル有りデータに対応する正解ラベルとラベル有りデータの推定ラベルとに応じた損失関数をラベル有りデータに対応する評価結果として算出する。
ラベル無しデータ評価部132は、2種類の推定ラベルの一方を擬似的にラベル無しデータに対応する正解ラベルとし、他方をラベル無しデータの推定ラベルとする。なお、2種類の推定ラベルのどちらを正解ラベルとするかは限定されない。例えば、より弱いデータ拡張によって得られた推定ラベルが正解ラベルとされてもよい。あるいは、重みパラメータ123の全部の適用によって得られたデータが正解ラベルとされてもよい。
更新部133は、ラベル有りデータ評価部131から出力されたラベル有りデータに対応する評価結果とラベル無しデータ評価部132から出力されたラベル無しデータに対応する評価結果とに基づいて、重みパラメータ123の更新を行う。これによって、ラベル有りデータの推定ラベルがラベル有りデータに対応する正解ラベルに近づくように、かつ、ラベル無しデータの推定ラベルがラベル無しデータに対応する正解ラベルに近づくように、重みパラメータ123が訓練され得る。
図2を参照しながら、本発明の第1の実施形態に係る学習装置10によって実行される「学習段階」の動作の流れについて説明する。図2は、本発明の第1の実施形態に係る学習装置10によって実行される学習段階の動作例を示すフローチャートである。
続いて、本発明の第1の実施形態に係る学習装置10によって実行される「修正段階」について説明する。なお、以下では、「学習段階」において推定ラベルが一度算出されているものの、「修正段階」において推定ラベルが算出され直される場合を主に想定する。これによって、推定ラベルを記憶しておくために確保すべきメモリ領域が低減され得る。しかし、「学習段階」において、算出された推定ラベルが、図示しない記憶部によって記憶されてもよい。かかる場合には、「修正段階」において、図示しない記憶部によって記憶されている推定ラベルが用いられればよい。
誤判定データ推定部112は、識別部122から出力されたラベル無しデータ(第1のラベル無しデータ)の推定ラベル(第1の推定ラベル)の信頼度(第1の信頼度)を算出する。そして、誤判定データ推定部112は、算出した信頼度が所定の条件を満たす場合に、識別部122から出力されたラベル無しデータを誤判定データとして推定する。
提示制御部113は、誤判定データ推定部112によって推定された誤判定データが提示部114によって提示されるように提示部114を制御する。これによって、作業者は、誤判定データ(すなわち、推定ラベルが誤判定されたラベル無しデータ)に基づいて、推定ラベルの修正が可能となる。
提示部114は、作業者に対して視覚的な情報を提示する表示部(ディスプレイ)である場合を主に想定する。しかし、提示部114の具体的な形態は限定されない。例えば、ラベル無しデータが音響データである場合などには、提示部114は、作業者に対して聴覚的な情報を提示する音声出力部(スピーカ)などであってもよい。これによって、提示部114は、ラベル無しデータを聴覚的な情報として知覚した結果に基づいて、推定ラベルを修正することが可能となる。
操作部116は、作業者によって入力される各種操作を受け付ける機能を有する。ここでは、操作部116がマウスおよびキーボードによって構成される場合を主に想定する。しかし、操作部116の具体的な形態は限定されない。例えば、操作部116は、他の入力デバイス(例えば、タッチパネルなど)によって構成されてもよい。
記録制御部115は、推定ラベルの修正データを入力する操作に基づいて、当該修正データを正解ラベルとして現在表示されている誤判定データに対応付ける。そして、記録制御部115は、正解ラベルと誤判定データとの組み合わせを、正解ラベルとラベル有りデータとの組み合わせとして、図示しない記憶部に記録されているラベル付きデータセット101に追加する。
図5を参照しながら、本発明の第1の実施形態に係る学習装置10によって実行される「修正段階」の動作の流れについて説明する。図5は、本発明の第1の実施形態に係る学習装置10によって実行される修正段階の動作例を示すフローチャートである。
続いて、本発明の第1の実施形態に係る学習装置10によって実行される「再学習段階」について説明する。「再学習段階」においても、学習段階と同様にニューラルネットワーク120の学習が行われる。
以上に説明したように、本発明の第1の実施形態に係る学習装置10は、ラベル有りデータの特徴量とラベル無しデータの特徴量とに基づき、ラベルを付与すべき入力データを作業者に提示する機構を有する。かかる機構によって、作業者は、精度の向上に寄与することが期待される入力データに、効率的に正解ラベルを付与できるため、作業者によるラベル付与の負担が低減され得る。
続いて、本発明の第2の実施形態について説明する。本発明の第2の実施形態においては、学習装置によって教師なし学習が行われる。図6は、本発明の第2の実施形態に係る学習装置20の機能構成例を示す図である。図6に示されるように、本発明の第2の実施形態に係る学習装置20は、本発明の第1の実施形態に係る学習装置10と同様に、入力部111と、提示制御部113と、提示部114と、記録制御部115と、操作部116と、特徴抽出部121と、ラベル有りデータ評価部131と、更新部133とを備える。なお、ラベル有りデータ評価部131は再学習段階において用いられる。
まず、本発明の第2の実施形態に係る学習装置20によって実行される「学習段階」について説明する。
表現ベクトル抽出部221は、特徴抽出部121によって抽出されたラベル無しデータの特徴量に基づいて、ラベル無しデータの表現ベクトルを得る。より詳細に、表現ベクトル抽出部221は、重みパラメータ123から表現ベクトル抽出NNのニューロンに対応する重みパラメータを取得し、取得した重みパラメータが設定された表現ベクトル抽出NNにラベル無しデータの特徴量を入力させたことに基づいて、表現ベクトル抽出NNから出力されるデータをラベル無しデータの表現ベクトルとして得る。
ラベル無しデータ評価部232は、教師なし学習の枠組みに基づいて2種類の表現ベクトルを評価してラベル無しデータに対応する評価結果を得る。ここで、2種類の表現ベクトルの評価アルゴリズムは特定のアルゴリズムに限定されず、教師なし学習に用いられるアルゴリズムが用いられてよい。例えば、2種類の表現ベクトルの評価アルゴリズムは、対照学習のように同一のデータに対する2つの表現ベクトルの距離は近いかどうかを評価し、異なるデータ間の2つの表現ベクトルの距離は遠いかどうかを評価するアルゴリズムでもあってもよい。
図7を参照しながら、本発明の第2の実施形態に係る学習装置20によって実行される「学習段階」の動作の流れについて説明する。図7は、本発明の第2の実施形態に係る学習装置20によって実行される学習段階の動作例を示すフローチャートである。
続いて、本発明の第2の実施形態に係る学習装置20によって実行される「修正段階」について説明する。
誤判定データ推定部212は、全部のラベル無しデータの表現ベクトルに対するグループ化に基づいて、各ラベル無しデータ(第1のラベル無しデータ)に割当ラベル(第1の割当ラベル)を付与する。そして、誤判定データ推定部212は、各ラベル無しデータに対応する割当ラベルの信頼度(第1の信頼度)を算出する。そして、誤判定データ推定部212は、算出した信頼度が所定の条件を満たす場合に、表現ベクトル抽出部221から出力されたラベル無しデータを誤判定データとして推定する。
図10を参照しながら、本発明の第2の実施形態に係る学習装置20によって実行される「修正段階」の動作の流れについて説明する。図10は、本発明の第2の実施形態に係る学習装置20によって実行される修正段階の動作例を示すフローチャートである。
続いて、本発明の第2の実施形態に係る学習装置20によって実行される「再学習段階」について説明する。本発明の第2の実施形態に係る学習装置20によって実行される「再学習段階」は、本発明の第1の実施形態に係る学習装置10によって実行される「再学習段階」と同様である。
以上に説明したように、本発明の第2の実施形態に係る学習装置20は、ラベル無しデータの表現ベクトルに基づき、ラベルを付与すべき入力データを作業者に提示する機構を有する。かかる機構によって、作業者は、精度の向上に寄与することが期待される入力データに、効率的に正解ラベルを付与できるため、作業者によるラベル付与の負担が低減され得る。
続いて、本発明の第1の実施形態に係る学習装置10のハードウェア構成例について説明する。なお、本発明の第2の実施形態に係る学習装置20のハードウェア構成は、本発明の第1の実施形態に係る学習装置10と同様に実現され得る。
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
111 入力部
112、212 誤判定データ推定部
113 提示制御部
114 提示部
115 記録制御部
116 操作部
120 ニューラルネットワーク
121 特徴抽出部
122 識別部
131 ラベル有りデータ評価部
132、232 ラベル無しデータ評価部
133 更新部
221 表現ベクトル抽出部
Claims (20)
- 第1のラベル無しデータを取得する入力部と、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出する特徴抽出部と、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の推定ラベルを出力する識別部と、
前記第1の推定ラベルと一致する正解ラベルが対応付けられたラベル有りデータの特徴量と、前記第1のラベル無しデータの特徴量との距離に基づいて、前記第1の推定ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定する誤判定データ推定部と、
前記誤判定データが作業者に提示されるように制御する提示制御部と、
前記第1の推定ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録する記録制御部と、
を備える、情報処理装置。 - 前記誤判定データ推定部は、前記第1の推定ラベルと一致する正解ラベルが対応付けられた複数のラベル有りデータの特徴量の平均値と、前記第1のラベル無しデータの特徴量との距離に基づいて、前記第1の信頼度を算出する、
請求項1に記載の情報処理装置。 - 第1のラベル無しデータを取得する入力部と、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出する特徴抽出部と、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の推定ラベルを出力する識別部と、
複数のラベル無しデータの度数を推定ラベルごとに算出し、前記第1の推定ラベルと一致する推定ラベルに対応する度数に基づいて、前記第1の推定ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定する誤判定データ推定部と、
前記誤判定データが作業者に提示されるように制御する提示制御部と、
前記第1の推定ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録する記録制御部と、
を備える、情報処理装置。 - 前記所定の条件は、前記第1の信頼度が、複数のラベル無しデータそれぞれの推定ラベルの信頼度の低いほうから所定の件数以内に入るという条件である、
請求項1~3のいずれか一項に記載の情報処理装置。 - 第1のラベル無しデータを取得する入力部と、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出する特徴抽出部と、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の表現ベクトルを出力する表現ベクトル抽出部と、
複数のラベル無しデータそれぞれの表現ベクトルに対するグループ化に基づいて、前記第1の表現ベクトルに第1の割当ラベルを付与し、前記第1の割当ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定する誤判定データ推定部と、
前記誤判定データが作業者に提示されるように制御する提示制御部と、
前記第1の割当ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録する記録制御部と、
を備える、情報処理装置。 - 前記誤判定データ推定部は、前記第1の割当ラベルと一致する第2の割当ラベルが割り当てられた第2の表現ベクトルと、前記第1の表現ベクトルとの距離に基づいて、前記第1の信頼度を算出する、
請求項5に記載の情報処理装置。 - 前記誤判定データ推定部は、前記第1の割当ラベルと一致する第2の割当ラベルが割り当てられた複数の第2の表現ベクトルの平均値と、前記第1の表現ベクトルとの距離に基づいて、前記第1の信頼度を算出する、
請求項6に記載の情報処理装置。 - 前記誤判定データ推定部は、前記複数のラベル無しデータの度数を割当ラベルごとに算出し、前記第1の割当ラベルと一致する割当ラベルに対応する度数に基づいて、前記第1の信頼度を算出する、
請求項5に記載の情報処理装置。 - 前記所定の条件は、前記第1の信頼度が、前記複数のラベル無しデータそれぞれの割当ラベルの信頼度の低いほうから所定の件数以内に入るという条件である、
請求項5~8のいずれか一項に記載の情報処理装置。 - 前記所定の件数は、前記作業者によって指定された値である、
請求項4または9に記載の情報処理装置。 - 前記所定の件数は、あらかじめ決められた値である、
請求項4または9に記載の情報処理装置。 - 前記所定の条件は、前記第1の信頼度が、閾値よりも低いという条件である、
請求項1~11のいずれか一項に記載の情報処理装置。 - 前記情報処理装置は、
前記誤判定データと前記修正データとに基づいて評価結果を得るラベル有りデータ評価部と、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行う更新部と、
を備える、請求項1~12のいずれか一項に記載の情報処理装置。 - 第1のラベル無しデータを取得する入力部と、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出する特徴抽出部と、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の推定ラベルを出力する識別部と、
前記第1の推定ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定する誤判定データ推定部と、
前記誤判定データが作業者に提示されるように制御する提示制御部と、
前記第1の推定ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録する記録制御部と、
前記誤判定データと前記修正データとに基づいて評価結果を得るラベル有りデータ評価部と、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行う更新部と、
を備える、情報処理装置。 - 第1のラベル無しデータを取得することと、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出することと、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の推定ラベルを出力することと、
前記第1の推定ラベルと一致する正解ラベルが対応付けられたラベル有りデータの特徴量と、前記第1のラベル無しデータの特徴量との距離に基づいて、前記第1の推定ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定することと、
前記誤判定データが作業者に提示されるように制御することと、
前記第1の推定ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録することと、
を備える、情報処理方法。 - 第1のラベル無しデータを取得することと、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出することと、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の推定ラベルを出力することと、
複数のラベル無しデータの度数を推定ラベルごとに算出し、前記第1の推定ラベルと一致する推定ラベルに対応する度数に基づいて、前記第1の推定ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定することと、
前記誤判定データが作業者に提示されるように制御することと、
前記第1の推定ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録することと、
を備える、情報処理方法。 - 第1のラベル無しデータを取得することと、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出することと、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の表現ベクトルを出力することと、
複数のラベル無しデータそれぞれの表現ベクトルに対するグループ化に基づいて、前記第1の表現ベクトルに第1の割当ラベルを付与し、前記第1の割当ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定することと、
前記誤判定データが作業者に提示されるように制御することと、
前記第1の割当ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録することと、
を備える、情報処理方法。 - コンピュータを、
第1のラベル無しデータを取得する入力部と、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出する特徴抽出部と、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の推定ラベルを出力する識別部と、
前記第1の推定ラベルと一致する正解ラベルが対応付けられたラベル有りデータの特徴量と、前記第1のラベル無しデータの特徴量との距離に基づいて、前記第1の推定ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定する誤判定データ推定部と、
前記誤判定データが作業者に提示されるように制御する提示制御部と、
前記第1の推定ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録する記録制御部と、
を備える情報処理装置として機能させるプログラム。 - コンピュータを、
第1のラベル無しデータを取得する入力部と、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出する特徴抽出部と、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の推定ラベルを出力する識別部と、
複数のラベル無しデータの度数を推定ラベルごとに算出し、前記第1の推定ラベルと一致する推定ラベルに対応する度数に基づいて、前記第1の推定ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定する誤判定データ推定部と、
前記誤判定データが作業者に提示されるように制御する提示制御部と、
前記第1の推定ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録する記録制御部と、
を備える情報処理装置として機能させるプログラム。 - コンピュータを、
第1のラベル無しデータを取得する入力部と、
前記第1のラベル無しデータと、第1のニューラルネットワークとに基づいて、前記第1のラベル無しデータの特徴量を抽出する特徴抽出部と、
前記第1のラベル無しデータの特徴量に基づいて、前記第1のラベル無しデータの第1の表現ベクトルを出力する表現ベクトル抽出部と、
複数のラベル無しデータそれぞれの表現ベクトルに対するグループ化に基づいて、前記第1の表現ベクトルに第1の割当ラベルを付与し、前記第1の割当ラベルの第1の信頼度を算出し、前記第1の信頼度が所定の条件を満たす場合に、前記第1のラベル無しデータを誤判定データとして推定する誤判定データ推定部と、
前記誤判定データが作業者に提示されるように制御する提示制御部と、
前記第1の割当ラベルの修正データが前記作業者によって入力されたことに基づいて、前記修正データを前記誤判定データに対応付けて記録する記録制御部と、
を備える情報処理装置として機能させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021005087A JP7143906B2 (ja) | 2021-01-15 | 2021-01-15 | 情報処理装置、情報処理方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021005087A JP7143906B2 (ja) | 2021-01-15 | 2021-01-15 | 情報処理装置、情報処理方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022109664A JP2022109664A (ja) | 2022-07-28 |
JP7143906B2 true JP7143906B2 (ja) | 2022-09-29 |
Family
ID=82560427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021005087A Active JP7143906B2 (ja) | 2021-01-15 | 2021-01-15 | 情報処理装置、情報処理方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7143906B2 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011203991A (ja) | 2010-03-25 | 2011-10-13 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
WO2019150813A1 (ja) | 2018-01-30 | 2019-08-08 | 富士フイルム株式会社 | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム |
JP2019527440A (ja) | 2016-12-07 | 2019-09-26 | 三菱電機株式会社 | マルチ関連ラベルを生成する方法及びシステム |
WO2020054551A1 (ja) | 2018-09-11 | 2020-03-19 | 日本電気株式会社 | 情報処理装置、情報処理方法、プログラム |
WO2020261183A1 (en) | 2019-06-25 | 2020-12-30 | Owkin Inc. | Systems and methods for image preprocessing |
-
2021
- 2021-01-15 JP JP2021005087A patent/JP7143906B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011203991A (ja) | 2010-03-25 | 2011-10-13 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
JP2019527440A (ja) | 2016-12-07 | 2019-09-26 | 三菱電機株式会社 | マルチ関連ラベルを生成する方法及びシステム |
WO2019150813A1 (ja) | 2018-01-30 | 2019-08-08 | 富士フイルム株式会社 | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム |
WO2020054551A1 (ja) | 2018-09-11 | 2020-03-19 | 日本電気株式会社 | 情報処理装置、情報処理方法、プログラム |
WO2020261183A1 (en) | 2019-06-25 | 2020-12-30 | Owkin Inc. | Systems and methods for image preprocessing |
Also Published As
Publication number | Publication date |
---|---|
JP2022109664A (ja) | 2022-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10922628B2 (en) | Method and apparatus for machine learning | |
JP6941123B2 (ja) | 適応型追加学習を用いた細胞のアノテーション法及びアノテーションシステム | |
US11023806B2 (en) | Learning apparatus, identifying apparatus, learning and identifying system, and recording medium | |
CN111373417B (zh) | 与基于度量学习的数据分类相关的设备及其方法 | |
JP7296715B2 (ja) | 学習装置、処理装置、ニューラルネットワーク、学習方法、及びプログラム | |
US20180285778A1 (en) | Sensor data processor with update ability | |
JP2000207492A (ja) | 手書き漢字を自動的にセグメント分割し、認識するための方法およびシステム | |
CN107851192B (zh) | 用于检测人脸部分及人脸的设备和方法 | |
KR102543698B1 (ko) | 컴퓨팅 시스템 및 상기 장치에서 수행되는 데이터 라벨링 방법 | |
US20210232810A1 (en) | Automated monitoring system for biomechanical postural assessment | |
US20210117802A1 (en) | Training a Neural Network Using Small Training Datasets | |
JP5123759B2 (ja) | パターン検出器の学習装置、学習方法及びプログラム | |
KR102355489B1 (ko) | 약물-표적 단백질의 상호작용을 예측하는 방법 및 그 방법을 수행하는 장치 | |
KR102293791B1 (ko) | 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체 | |
CN110008332B (zh) | 通过强化学习提取主干词的方法及装置 | |
JP2024511171A (ja) | 動作認識の方法および装置 | |
CN115082740B (zh) | 目标检测模型训练方法、目标检测方法、装置、电子设备 | |
JP7143906B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN110414562B (zh) | X光片的分类方法、装置、终端及存储介质 | |
JP6241790B2 (ja) | 生成モデル作成装置、推定装置、それらの方法およびプログラム | |
Kelly et al. | Recognition of spatiotemporal gestures in sign language using gesture threshold hmms | |
KR102413588B1 (ko) | 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램 | |
CN114120180B (zh) | 一种时序提名的生成方法、装置、设备及介质 | |
Raja et al. | A Novel Feature Selection based Ensemble Decision Tree Classification Model for Predicting Severity Level of COPD | |
KR20160069027A (ko) | 감성 기반의 영상 색인 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220308 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220328 |
|
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: 20220816 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220829 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7143906 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |