JP7294384B2 - 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
- JP7294384B2 JP7294384B2 JP2021176235A JP2021176235A JP7294384B2 JP 7294384 B2 JP7294384 B2 JP 7294384B2 JP 2021176235 A JP2021176235 A JP 2021176235A JP 2021176235 A JP2021176235 A JP 2021176235A JP 7294384 B2 JP7294384 B2 JP 7294384B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- importance
- inference
- information processing
- input data
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Description
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の実施形態では、入力データ(学習用データ)と正解値とに基づく学習によって得られた学習済みの機械学習モデルを用いて入力データの重要領域の推定を行う情報処理装置について説明する。学習に用いられる機械学習アルゴリズムは、典型的にはニューラルネットワークであってよい。しかし、学習に用いられる機械学習アルゴリズムは、ニューラルネットワークに限定されない。例えば、学習に用いられる機械学習アルゴリズムは、SVM(Support Vector Machine)などといった、ニューラルネットワーク以外の機械学習アルゴリズムであってもよい。
図1は、本発明の第1の実施形態に係る情報処理装置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の実施形態に係る情報処理装置10は、コンピュータによって実現され、入力部101と、抽出部102と、推論部103と、重要度算出部104とを備える。さらに、本発明の第1の実施形態に係る情報処理装置10によってデータセット100が用いられる。
データセット100は、複数の入力データを含む。なお、データセット100に含まれる複数の入力データは、推論モデルの学習に用いられた学習用データおよび推論モデルのテストに用いられるテストデータと別のデータとして用意されていてもよい。あるいは、データセット100に含まれる複数の入力データは、推論モデルの学習に用いられた学習用データおよび推論モデルのテストに用いられるテストデータの一部または全部を含んでもよい。
入力部101は、データセット100から複数の入力データを順次に取得する。入力部101は、データセット100から取得した複数の入力データを順次に抽出部102に出力する。入力部101よりも後段のブロックにおいては、入力部101からの再度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てよい。また、データセット100から入力部101によって取得された複数の入力データの全てについて、後段のブロックにおける各処理が完了した場合には、情報処理装置10の処理が終了する。
抽出部102は、入力部101から出力された入力データから互いに異なるN個の部分を複数の抽出データとして抽出する。上記したように、本発明の実施形態においては、入力データが画像データである場合を主に想定する。したがって、抽出部102の代わりに、「トリミング部」が用いられてもよい。なお、「トリミング」は、入力データから当該複数の部分以外を取り除くことを意味し得る。
推論部103は、N個の抽出データと推論モデルとに基づいてN個の抽出データそれぞれに対応する推論値を得る。より詳細に、推論部103は、N個の抽出データを順次に推論モデルに入力することにより、推論モデルに推論を行わせる。そして、推論部103は、推論モデルへの入力に対応して推論モデルから順次に出力される値をN個の抽出データそれぞれに対応する推論値として得る。
重要度算出部104は、N個の抽出データから入力データを構成する要素に応じた抽出データを特定する。そして、重要度算出部104は、要素に応じた1または複数の抽出データそれぞれに対応する推論値に基づいて、要素に対応する重要度を算出する。これによって、学習コストを掛けなくても、入力データを構成する要素の重要度が算出され得る。そして、このような重要度の算出が、入力データを構成する全要素について実行されることによって、入力データを構成する全要素の重要度が算出され得る。
図3を参照しながら、本発明の第1の実施形態に係る情報処理装置10の動作例について説明する。図3は、本発明の第1の実施形態に係る情報処理装置10の動作例を示すフローチャートである。
以上に説明したように、本発明の第1の実施形態によれば、入力データから互いに異なる複数の部分が複数の抽出データとして抽出され、入力データおよび複数の抽出データと推論モデルとに基づいて入力データおよび複数の抽出データそれぞれに対応する推論値が出力される。さらに、入力データに対応する推論値と入力データを構成する要素に応じた1または複数の抽出データに対応する推論値それぞれとの差分に基づいて、要素に対応する重要度が算出される。
以下では、本発明の第1の実施形態の変形例について説明する。
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の実施形態では、機械学習モデルの学習に用いられる機械学習アルゴリズムがニューラルネットワークである場合を主に想定する。すなわち、本発明の第2の実施形態では、学習済みの機械学習モデル(すなわち、推論モデル)が、学習済みのニューラルネットワークである場合を主に想定する。
図4は、本発明の第2の実施形態に係る情報処理装置20の機能構成例を示す図である。図4に示されるように、本発明の第2の実施形態に係る情報処理装置20は、コンピュータによって実現され、入力部101と、抽出部102と、推論部103と、重要度算出部204とを備える。さらに、本発明の第2の実施形態に係る情報処理装置20によってデータセット100が用いられる。
続いて、本発明の第2の実施形態に係る情報処理装置20の動作例について説明する。本発明の第2の実施形態に係る情報処理装置20の動作は、本発明の第1の実施形態に係る情報処理装置10の動作と比較して、S14(図3)が異なる。本発明の第2の実施形態に係る情報処理装置20の動作における他のステップの詳細な説明は省略する。
以上に説明したように、本発明の第2の実施形態によれば、入力データから互いに異なる複数の部分が複数の抽出データとして抽出され、複数の抽出データと推論モデルとに基づいて複数の抽出データそれぞれに対応する推論値が出力される。さらに、入力データを構成する要素が属する1または複数の抽出データそれぞれに対応する推論値に基づいて、誤差逆伝播法により要素が属する1または複数の抽出データそれぞれに対応する勾配が算出される。そして、勾配に基づいて、要素に対応する重要度が算出される。
以下では、本発明の第2の実施形態の変形例について説明する。
続いて、本発明の第1の実施形態に係る情報処理装置10および本発明の第2の実施形態に係る情報処理装置20のハードウェア構成例について説明する。以下では、本発明の第1の実施形態に係る情報処理装置10および本発明の第2の実施形態に係る情報処理装置20のハードウェア構成例として、情報処理装置900のハードウェア構成例について説明する。なお、以下に説明する情報処理装置900のハードウェア構成例は、情報処理装置10および情報処理装置20のハードウェア構成の一例に過ぎない。したがって、情報処理装置10および情報処理装置20のハードウェア構成は、以下に説明する情報処理装置900のハードウェア構成から不要な構成が削除されてもよいし、新たな構成が追加されてもよい。
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。
100 データセット
101 入力部
102 抽出部
103 推論部
104、204 重要度算出部
Claims (14)
- 入力データを取得する入力部と、
前記入力データから互いに異なる複数の部分を複数の抽出データとして抽出する抽出部と、
前記複数の抽出データと学習済みの機械学習モデルとに基づいて前記複数の抽出データそれぞれに対応する推論値を出力する推論部と、
前記複数の抽出データそれぞれの位置およびサイズに基づいて、前記複数の抽出データから前記入力データを構成する要素に応じた1または複数の抽出データを特定し、前記要素に応じた1または複数の抽出データそれぞれに対応する推論値に基づいて、前記要素に対応する重要度を算出する重要度算出部と、
を備える、情報処理装置。 - 前記推論部は、前記入力データと前記学習済みの機械学習モデルとに基づいて前記入力データに対応する推論値を出力し、
前記重要度算出部は、前記入力データに対応する推論値と前記要素に応じた1または複数の抽出データに対応する推論値それぞれとの差分に基づいて、前記要素に対応する重要度を算出する、
請求項1に記載の情報処理装置。 - 前記重要度算出部は、前記入力データに対応する推論値と前記要素が属する1または複数の抽出データに対応する推論値それぞれとの差分の逆数の平均値に基づいて、前記要素に対応する重要度を算出する、
請求項2に記載の情報処理装置。 - 前記重要度算出部は、前記入力データに対応する推論値と前記要素が属さない1または複数の抽出データに対応する推論値それぞれとの差分の平均値に基づいて、前記要素に対応する重要度を算出する、
請求項2に記載の情報処理装置。 - 前記重要度算出部は、前記要素が属する1または複数の抽出データに対応する推論値の平均値に基づいて、前記要素に対応する重要度を算出する、
請求項1に記載の情報処理装置。 - 前記重要度算出部は、前記平均値が大きいほど、前記要素に対応する重要度を高く算出する、
請求項3~5のいずれか一項に記載の情報処理装置。 - 前記学習済みの機械学習モデルは、学習済みのニューラルネットワークである、
請求項1に記載の情報処理装置。 - 前記重要度算出部は、前記要素が属する抽出データに対応する推論値に基づいて、誤差逆伝播法により前記要素が属する1または複数の抽出データそれぞれに対応する勾配を算出し、前記勾配に基づいて、前記要素に対応する重要度を算出する、
請求項7に記載の情報処理装置。 - 前記重要度算出部は、前記勾配の大きさの平均値に基づいて、前記要素に対応する重要度を算出する、
請求項8に記載の情報処理装置。 - 前記重要度算出部は、前記要素が属する1または複数の抽出データそれぞれに対応する推論値の導出過程において生成される中間表現に基づいて、前記要素に対応する重要度を算出する、
請求項7に記載の情報処理装置。 - 前記重要度算出部は、前記中間表現の値の大きさの平均値に基づいて、前記要素に対応する重要度を算出する、
請求項10に記載の情報処理装置。 - 前記入力データは、画像データであり、
前記要素は、前記画像データを構成するピクセルである、
請求項1~11のいずれか一項に記載の情報処理装置。 - 入力データを取得することと、
前記入力データから互いに異なる複数の部分を複数の抽出データとして抽出することと、
前記複数の抽出データと学習済みの機械学習モデルとに基づいて前記複数の抽出データそれぞれに対応する推論値を出力することと、
前記複数の抽出データそれぞれの位置およびサイズに基づいて、前記複数の抽出データから前記入力データを構成する要素に応じた1または複数の抽出データを特定し、前記要素に応じた1または複数の抽出データそれぞれに対応する推論値に基づいて、前記要素に対応する重要度を算出することと、
を含む、情報処理方法。 - コンピュータを、
入力データを取得する入力部と、
前記入力データから互いに異なる複数の部分を複数の抽出データとして抽出する抽出部と、
前記複数の抽出データと学習済みの機械学習モデルとに基づいて前記複数の抽出データそれぞれに対応する推論値を出力する推論部と、
前記複数の抽出データそれぞれの位置およびサイズに基づいて、前記複数の抽出データから前記入力データを構成する要素に応じた1または複数の抽出データを特定し、前記要素に応じた1または複数の抽出データそれぞれに対応する推論値に基づいて、前記要素に対応する重要度を算出する重要度算出部と、
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 |
---|---|---|---|
JP2021176235A JP7294384B2 (ja) | 2021-10-28 | 2021-10-28 | 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 |
---|---|---|---|
JP2021176235A JP7294384B2 (ja) | 2021-10-28 | 2021-10-28 | 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 |
---|---|
JP2023065855A JP2023065855A (ja) | 2023-05-15 |
JP7294384B2 true JP7294384B2 (ja) | 2023-06-20 |
Family
ID=86322332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021176235A Active JP7294384B2 (ja) | 2021-10-28 | 2021-10-28 | 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) | JP7294384B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020135438A (ja) | 2019-02-20 | 2020-08-31 | 沖電気工業株式会社 | 根拠提示装置、根拠提示方法、および、根拠提示プログラム |
-
2021
- 2021-10-28 JP JP2021176235A patent/JP7294384B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020135438A (ja) | 2019-02-20 | 2020-08-31 | 沖電気工業株式会社 | 根拠提示装置、根拠提示方法、および、根拠提示プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2023065855A (ja) | 2023-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10452899B2 (en) | Unsupervised deep representation learning for fine-grained body part recognition | |
WO2021136365A1 (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
JP6569047B1 (ja) | 学習方法、コンピュータプログラム、分類器、及び生成器 | |
CN111656373A (zh) | 训练神经网络模型 | |
US11403560B2 (en) | Training apparatus, image recognition apparatus, training method, and program | |
KR101996371B1 (ko) | 영상 캡션 생성 시스템과 방법 및 이를 위한 컴퓨터 프로그램 | |
CN113656587B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114648681B (zh) | 一种图像生成方法、装置、设备及介质 | |
JP2024500938A (ja) | 医用画像における状態特徴の自動注釈付け | |
JP7294384B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
US20210233607A1 (en) | System and method for contrastive network analysis and visualization | |
CN105354833B (zh) | 一种阴影检测的方法和装置 | |
JP2021086462A (ja) | データ生成方法、データ生成装置、モデル生成方法、モデル生成装置及びプログラム | |
CN116524475A (zh) | 生成推荐妆容的方法及装置、车辆、电子设备和存储介质 | |
EP3975071A1 (en) | Identifying and quantifying confounding bias based on expert knowledge | |
US20220318230A1 (en) | Text to question-answer model system | |
JP2017188063A (ja) | 画像検索システム、画像検索方法、及び画像検索用プログラム | |
US10255906B2 (en) | Sensors and analytics for reading comprehension | |
JP7085605B2 (ja) | モデル評価システム、モデル評価方法及びモデル評価プログラム | |
CN111476775A (zh) | Dr征象识别装置和方法 | |
US20230089162A1 (en) | Training device, training method, and training program | |
CN117235286B (zh) | 强化注意力的实体关系抽取模型及其构建方法、存储介质 | |
TWI770817B (zh) | 瑕疵檢測方法、電子裝置及存儲介質 | |
EP4220546A1 (en) | Machine learning program, machine learning method, and inference device | |
JP6828812B2 (ja) | 情報処理装置、情報処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211028 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221228 |
|
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: 20230509 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230522 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7294384 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |