JP7166738B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7166738B2 JP7166738B2 JP2019188545A JP2019188545A JP7166738B2 JP 7166738 B2 JP7166738 B2 JP 7166738B2 JP 2019188545 A JP2019188545 A JP 2019188545A JP 2019188545 A JP2019188545 A JP 2019188545A JP 7166738 B2 JP7166738 B2 JP 7166738B2
- Authority
- JP
- Japan
- Prior art keywords
- function
- vector data
- class
- identification
- conversion function
- 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
- 230000010365 information processing Effects 0.000 title claims description 44
- 238000003672 processing method Methods 0.000 title claims description 5
- 239000013598 vector Substances 0.000 claims description 226
- 238000006243 chemical reaction Methods 0.000 claims description 116
- 230000009466 transformation Effects 0.000 claims description 55
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 description 266
- 238000000034 method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011976 chest X-ray Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Description
図1(a)-(b)は、実施の形態の概要を説明するための図である。説明の便宜のため、以下本明細書において、ソースドメインのデータは胸部X線のデジタル画像に由来するデータであり、ターゲットドメインのデータは胸部X線のデジタル画像を医師が読影しその結果が記載されたカルテの文章であるものとする。また、ソースドメインに対応するベクトル空間を「第1ベクトル空間」、ターゲットドメインに対応するベクトル空間を「第2ベクトル空間」と記載する。
図2は、実施の形態に係る情報処理装置1の機能構成を模式的に示す図である。情報処理装置1は、記憶部2と制御部3とを備える。図2において、矢印は主なデータの流れを示しており、図2に示していないデータの流れがあってもよい。図2において、各機能ブロックはハードウェア(装置)単位の構成ではなく、機能単位の構成を示している。そのため、図2に示す機能ブロックは単一の装置内に実装されてもよく、あるいは複数の装置内に分かれて実装されてもよい。機能ブロック間のデータの授受は、データバス、ネットワーク、可搬記憶媒体等、任意の手段を介して行われてもよい。
図4は、実施の形態に係る情報処理装置1が実行する情報処理の流れを説明するためのフローチャートである。本フローチャートにおける処理は、例えば情報処理装置1が起動したときに開始する。
上記の処理は、クラス識別関数hを用いて第1変換関数fと第2変換関数gとの少なくとも一方を更新し、かつ、クラス識別関数hを更新する処理である。ここで、クラス識別関数hを更新した場合、更新後のクラス識別関数であるクラス識別関数hを用いて、再び第1変換関数fと第2変換関数gとの少なくとも一方を更新することもできる。以下では、クラス識別関数h、第1変換関数f、及び第2変換関数gを全て更新することを前提として説明する。
以上説明したように、実施の形態に係る情報処理装置1によれば、異なるドメインのデータで構築した学習モデルを他のドメインのデータに適用する場合の学習モデルの精度を向上することができる。
上記では、ソースドメインのデータがデジタル画像、ターゲットドメインのデータが文章である場合について主に説明したが、各データはこれに限られない。例えば、ソースドメインのデータが文章であり、ターゲットドメインのデータがデジタル画像であってもよい。また、ソースドメインのデータがユーザの購買履歴を示すデータであり、ターゲットドメインが、ユーザのウェブの一覧履歴を示すデータであってもよい。
2・・・記憶部
20・・・クラス識別関数格納部
21・・・第1変換関数格納部
22・・・第2変換関数格納部
3・・・制御部
30・・・第1クラス識別部
31・・・第2クラス識別部
32・・・更新部
320・・・評価値算出部
321・・・関数更新部
33・・・識別部
Claims (8)
- クラス識別用ベクトル空間のベクトルデータを入力とし、当該ベクトルデータが属するクラスを示すクラスラベルを出力するクラス識別関数を格納するクラス識別関数格納部と、
第1ベクトルデータを前記クラス識別用ベクトル空間のベクトルデータである識別用ベクトルデータに変換する第1変換関数を格納する第1変換関数格納部と、
前記第1ベクトルデータとは異なる次元数のベクトルデータであって、前記第1ベクトルデータに紐づけられている第2ベクトルデータを、前記識別用ベクトルデータに変換する第2変換関数を格納する第2変換関数格納部と、
前記第1変換関数によって変換された前記識別用ベクトルデータを前記クラス識別関数に入力することで、前記第1ベクトルデータのクラスラベルの推定値である第1推定値を取得する第1クラス識別部と、
前記第2変換関数によって変換された前記識別用ベクトルデータを前記クラス識別関数に入力することで、前記第2ベクトルデータのクラスラベルの推定値である第2推定値を取得する第2クラス識別部と、
前記第1推定値と前記第2推定値を含む評価関数の評価値に基づいて、前記第1変換関数と前記第2変換関数とのうち少なくとも1つを更新する更新部と、
を備える情報処理装置。 - 前記更新部は、前記評価関数の評価値に基づいて、前記クラス識別関数をさらに更新する、
請求項1に記載の情報処理装置。 - 前記評価関数は、互いに紐づけられた前記第1ベクトルデータと前記第2ベクトルデータとのそれぞれから得られた前記第1推定値と前記第2推定値との差が小さい場合は、大きい場合よりも小さな評価値を出力するように構成されている、
請求項1又は2に記載の情報処理装置。 - 前記更新部は、前記評価関数の評価値が小さくなるように前記クラス識別関数、前記第1変換関数、及び前記第2変換関数のうち少なくとも1つを更新する、
請求項3に記載の情報処理装置。 - 前記更新部は、前記第1ベクトルデータを前記第1変換関数で変換して得られた識別用ベクトルデータと、前記第2ベクトルデータを前記第2変換関数で変換して得られた識別用ベクトルデータとを用いて算出される類似度指標に基づいて、前記第1変換関数と前記第2変換関数とのうち少なくとも1つを更新する、
請求項3又は4に記載の情報処理装置。 - 前記第2変換関数格納部は、前記更新部により更新された更新済み第2変換関数をさらに格納し、
更新済み第2変換関数とクラス識別関数との合成関数に前記第2ベクトルデータを入力することで識別処理を実行する識別部をさらに備える、
請求項1から5のいずれか1項に記載の情報処理装置。 - プロセッサが、
クラス識別用ベクトル空間のベクトルデータを入力とし、当該ベクトルデータが属するクラスを示すクラスラベルを出力するクラス識別関数をクラス識別関数格納部から読み出して取得するステップと、
第1ベクトルデータを前記クラス識別用ベクトル空間のベクトルデータである識別用ベクトルデータに変換する第1変換関数を第1変換関数格納部から読み出して取得するステップと、
前記第1ベクトルデータとは異なる次元数のベクトルデータであって、前記第1ベクトルデータに紐づけられている第2ベクトルデータを、前記識別用ベクトルデータに変換する第2変換関数を第2変換関数格納部から読み出して取得するステップと、
前記第1変換関数によって変換された前記識別用ベクトルデータを前記クラス識別関数に入力することで、前記第1ベクトルデータのクラスラベルの推定値である第1推定値を取得するステップと、
前記第2変換関数によって変換された前記識別用ベクトルデータを前記クラス識別関数に入力することで、前記第2ベクトルデータのクラスラベルの推定値である第2推定値を取得するステップと、
前記第1推定値と前記第2推定値を含む評価関数の評価値に基づいて、前記第1変換関数と前記第2変換関数とのうち少なくとも1つを更新するステップと、
を実行する情報処理方法。 - コンピュータに、
クラス識別用ベクトル空間のベクトルデータを入力とし、当該ベクトルデータが属するクラスを示すクラスラベルを出力するクラス識別関数をクラス識別関数格納部から読み出して取得する機能と、
第1ベクトルデータを前記クラス識別用ベクトル空間のベクトルデータである識別用ベクトルデータに変換する第1変換関数を第1変換関数格納部から読み出して取得する機能と、
前記第1ベクトルデータとは異なる次元数のベクトルデータであって、前記第1ベクトルデータに紐づけられている第2ベクトルデータを、前記識別用ベクトルデータに変換する第2変換関数を第2変換関数格納部から読み出して取得するステップと、
前記第1変換関数によって変換された前記識別用ベクトルデータを前記クラス識別関数に入力することで、前記第1ベクトルデータのクラスラベルの推定値である第1推定値を取得する機能と、
前記第2変換関数によって変換された前記識別用ベクトルデータを前記クラス識別関数に入力することで、前記第2ベクトルデータのクラスラベルの推定値である第2推定値を取得する機能と、
前記第1推定値と前記第2推定値を含む評価関数の評価値に基づいて、前記第1変換関数と前記第2変換関数とのうち少なくとも1つを更新する機能と、
を実現させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019188545A JP7166738B2 (ja) | 2019-10-15 | 2019-10-15 | 情報処理装置、情報処理方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019188545A JP7166738B2 (ja) | 2019-10-15 | 2019-10-15 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021064174A JP2021064174A (ja) | 2021-04-22 |
JP7166738B2 true JP7166738B2 (ja) | 2022-11-08 |
Family
ID=75487977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019188545A Active JP7166738B2 (ja) | 2019-10-15 | 2019-10-15 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7166738B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023074248A1 (ja) * | 2021-11-01 | 2023-05-04 | 国立研究開発法人産業技術総合研究所 | 情報処理装置、脳情報通信装置、情報処理方法および情報処理プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019125313A (ja) | 2018-01-19 | 2019-07-25 | ヤフー株式会社 | 学習装置、学習方法および学習プログラム |
WO2019146057A1 (ja) | 2018-01-26 | 2019-08-01 | 株式会社ソニー・インタラクティブエンタテインメント | 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム |
JP2019523504A (ja) | 2016-07-28 | 2019-08-22 | グーグル エルエルシー | ドメイン分離ニューラルネットワーク |
-
2019
- 2019-10-15 JP JP2019188545A patent/JP7166738B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019523504A (ja) | 2016-07-28 | 2019-08-22 | グーグル エルエルシー | ドメイン分離ニューラルネットワーク |
JP2019125313A (ja) | 2018-01-19 | 2019-07-25 | ヤフー株式会社 | 学習装置、学習方法および学習プログラム |
WO2019146057A1 (ja) | 2018-01-26 | 2019-08-01 | 株式会社ソニー・インタラクティブエンタテインメント | 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021064174A (ja) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | A Survey of Non‐Rigid 3D Registration | |
WO2020042975A1 (zh) | 人脸姿态估计/三维人脸重构方法、装置及电子设备 | |
US11620521B2 (en) | Smoothing regularization for a generative neural network | |
Varsavsky et al. | Test-time unsupervised domain adaptation | |
WO2021254499A1 (zh) | 编辑模型生成、人脸图像编辑方法、装置、设备及介质 | |
Rohlfing et al. | Multi-classifier framework for atlas-based image segmentation | |
JP2022502751A (ja) | 顔キーポイント検出方法、装置、コンピュータ機器及びコンピュータプログラム | |
JP2021535482A (ja) | 深層学習ベースのコレジストレーション | |
WO2023051140A1 (zh) | 用于图像特征表示生成的方法、设备、装置和介质 | |
US20210383241A1 (en) | Training neural networks with limited data using invertible augmentation operators | |
CN111091010A (zh) | 相似度确定、网络训练、查找方法及装置和存储介质 | |
CN113822792A (zh) | 图像配准方法、装置、设备及存储介质 | |
CN114255381B (zh) | 图像识别模型的训练方法、图像识别方法、装置及介质 | |
JP7166738B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Ma et al. | Nonlinear statistical shape modeling for ankle bone segmentation using a novel kernelized robust PCA | |
Gantenbein et al. | Revphiseg: A memory-efficient neural network for uncertainty quantification in medical image segmentation | |
CN110717402B (zh) | 一种基于层级优化度量学习的行人再识别方法 | |
CN113111687A (zh) | 数据处理方法、系统及电子设备 | |
Saygili | Predicting medical image registration error with block-matching using three orthogonal planes approach | |
Aoshima et al. | Deep Curvilinear Editing: Commutative and Nonlinear Image Manipulation for Pretrained Deep Generative Model | |
US11605001B2 (en) | Weight demodulation for a generative neural network | |
KR102334666B1 (ko) | 얼굴 이미지 생성 방법 | |
CN115578308A (zh) | 图像分割方法及装置 | |
Wilms et al. | A kernelized multi-level localization method for flexible shape modeling with few training data | |
Hansen et al. | Discrete unsupervised 3D registration methods for the learn2reg challenge |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211117 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220930 |
|
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: 20221025 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221025 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7166738 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |