JP7300331B2 - 機械学習用情報処理装置、機械学習用情報処理方法、および機械学習用情報処理プログラム - Google Patents

Description

本発明は、機械学習用情報処理装置、機械学習用情報処理方法、および機械学習用情報処理プログラムに関する。

例えば特許文献１には、機械学習に用いる学習用データのラベル情報を高精度に補正する技術として、次の開示がある。すなわち特許文献１には、「自律可能車両であって、前記自律可能車両の前方方向の画像フレームを捕捉するためのカメラを含む、複数のセンサーと、前記自律可能車両を制御するための車両制御システムであって、（ｉ）前記複数のセンサーからセンサー入力を受信し、（ｉｉ）前記センサー入力に基づいて、車両制御信号を生成するように構成されたシステムと、前記車両制御システムと独立して動作する衝突回避システムであって、前記カメラから画像フレームを受信するステップ、前記受信画像フレームに対して画像分析を行って、走行可能空間又は非走行可能空間を表しているとして、前記画像フレームの領域にラベル付けするステップ、車両データの少なくとも一部に基づいて、前記自律可能車両が、前記受信画像フレームに表されている、非走行可能空間領域に衝突する可能性があるか否かを判定するステップ、及び前記自律可能車両が、前記受信画像に表されている非走行可能空間領域に衝突する可能性があると判定した場合、衝突回避信号を生成するステップであって、前記衝突回避信号によって、前記自律可能車両が、前記非走行可能空間領域に衝突するのを回避させる、ステップを実行するように構成されたシステムと、を備えたことを特徴とする車両」が開示されている。特許文献１に開示されている技術によれば、撮影画像から画像認識により対象を検出し、位置ズレが最小になるように画像の形状を補正できる。

特開２０１９－８７９６号公報

例えば水中ソナーを用いた物体の自動判定として、ラベル付けしたソナーデータを用いた機械学習により判定精度を向上させる方法がある。この場合、一般的なカメラ画像と同様に、計測データにおける特徴量は時間軸で一定の連続性を持ち、この連続性を機械学習に適用することにより学習精度を向上させることができる。一方で、ソナーで広範囲を計測することを目的としてソナーセンサの方位角もしくは俯角を変える方法があるが、この場合計測方向が変化することによりデータの連続性が失われる。

しかしながら、上述の特許文献１には、センサの計測方向が変化する時に、計測データの連続性を考慮してラベルを補正する手法については開示されていない。このため上述の特許文献１では、計測データの連続性を推定してラベル情報を補正することができず、ラベル付けした計測データを用いた機械学習の精度が低下するという問題がある。

本発明は、上述の問題に鑑みてなされたものであり、センサによる計測データの連続性を推定してラベル情報を補正し、ラベル付けした計測データを用いた機械学習の精度を向上させることを１つの目的とする。

かかる課題を解決するため本発明においては、１つの目的を達成する一手段として、機械学習用情報処理装置は、奥行き情報を計測する計測手段によって計測された計測データを入力し、該計測データに基づき計測画像を生成するデータ入力部と、前記計測画像に含まれる目標物に係る特徴量に付与するラベル情報を入力するラベル情報入力部と、前記計測データごとの前記計測手段の計測方向を示す角度情報を入力する角度情報入力部と、前記角度情報に基づいて前記計測画像に含まれる目標物に係る特徴量の時系列の相関を判定する判定部と、前記相関の判定結果に基づいて前記目標物に係る特徴量に付与されたラベル情報を補正するラベル補正部とを備えたことを特徴とする。

本発明によれば、例えば、センサによる計測データの連続性を推定してラベル情報を補正し、ラベル付けした計測データを用いた機械学習の精度を向上させることができる。

図１は、実施形態に係る機械学習用情報処理装置の構成例を示すブロック図である。 図２は、実施形態におけるソナーを構成する複数のソナーセンサの配列の一例を示す平面図である。 図３は、実施形態におけるソナーおよびソナーセンサの一例を示す側面図である。 図４は、実施形態においてソナーデータに基づき生成されたソナー画像およびラベル情報の一例を示す図である。 図５は、ラベル付けに失敗したときのソナー画像およびラベル情報の一例を示す図である。 図６は、実施形態によるラベル情報の補正を説明するための図である。 図７は、実施形態に係る機械学習用情報処理を示すフローチャートである。 図８は、実施形態に係る機械学習用情報処理装置を実現するコンピュータのハードウェアの一例を示す図である。

以下、図面に基づき、本発明の実施形態を詳述する。なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また、実施形態の中で説明されている諸要素およびその組み合わせの全てが発明の解決手段に必須であるとは限らない。また実施形態の中で説明されている諸要素を適宜組み合わせた形態も、本願が開示する実施形態に含まれる。

（機械学習用情報処理装置１００の構成）
図１は、実施形態に係る機械学習用情報処理装置１００の構成例を示すブロック図である。機械学習用情報処理装置１００は、ソナーデータ入力部１０１、ラベル情報入力部１０２、ソナー角度情報入力部１０３、判定部１０４、ラベル補正部１０５および機械学習用データ出力部１０６を備える。ソナーデータ入力部１０１、ラベル情報入力部１０２、ソナー角度情報入力部１０３、判定部１０４、ラベル補正部１０５および機械学習用データ出力部１０６は、バス１０７を介して接続されている。バス１０７は、バス１０７に接続されている各処理部で扱われるデータ、制御情報および解析情報の伝送を仲介する。

機械学習用情報処理装置１００は、バス１０７を介してソナー１１０に接続されている。機械学習用情報処理装置１００は、ソナー１１０と有線接続されてもよいし、無線接続されてもよい。なお、図１では、ソナー１１０は、機械学習用情報処理装置１００の外部に設けた例で示したが、機械学習用情報処理装置１００に内蔵されていてもよい。

ソナーデータ入力部１０１は、ソナー１１０によって計測されたソナーデータの処理を行う。例えばソナーデータ入力部１０１は、ソナー１１０より入力されたソナーデータから、計測方向と深度に対する信号強度の分布として、配列データを生成する。

ソナーデータ入力部１０１が生成する配列データは、ソナー１１０が単一のセンサから構成されている場合には深度に対する信号強度の１次元の配列データであり、ソナー１１０が複数のセンサを１次元方向に配置して構成されている場合には１次元の計測方向および深度に対する信号強度の２次元の配列データであり、ソナー１１０が複数のセンサを２次元方向に配置して構成されている場合には２次元の計測方向および深度に対する信号強度の３次元の配列データである。以降の説明では、特別な言及が無い限り２次元の配列データを例にして説明する。また、以降の説明では、ソナーデータに基づき生成した配列データをソナー画像と呼ぶ。ソナー画像は、計測手段によって計測された計測データに基づき生成した計測画像の一例である。

ラベル情報入力部１０２は、ソナーデータ入力部１０１から入力されたソナー画像に含まれる目標物に関するラベル情報を入力する。ラベル情報は、例えば人の視認により目標物が存在すると判断されるソナー画像内の位置もしくは範囲を座標値として記録した情報である。この座標値は、例えば目標物とソナー１１０のそれぞれの位置をＧＰＳもしくは航空写真から取得し、それぞれの相対的な位置から求められる。

ソナー角度情報入力部１０３は、ソナー１１０の計測方向を示す方位角もしくは俯角の角度情報を入力する。ソナー１１０は、計測時に、その方位角もしくは俯角が、外部から制御されたり、自律的に制御されたりする。ソナー角度情報入力部１０３は、ソナー１１０の制御で用いられる方位角もしくは俯角の情報を入力する。あるいは、ソナー角度情報入力部１０３は、例えばカメラもしくはその他の計測手段により計測もしくは推定されたソナー１１０の方位角もしくは俯角の情報を入力する。以降、ソナー１１０が計測する方向を示す方位角もしくは俯角の情報を、ソナー１１０の計測方向と呼ぶ。

判定部１０４は、ソナー１１０の計測方向の変化量に基づきソナー画像に含まれる目標物に係る画像特徴の時系列の相関を判定する。すなわち、判定部１０４は、ソナー１１０の計測方向の変化量に基づき目標物に係る画像特徴が時系列で連続しているか否かを判定する。ソナー１１０の計測方向を２つ以上の時刻で比較し、計測方向の変化量が一定値ａ未満であるときには各時刻の目標物が連続していると判定し、計測方向の変化量が一定値ｂより大であるときには連続していないと判定する。

なお、連続性の判定においては、ソナー１１０の計測方向の変化量に加えて、ソナー画像およびラベル情報を用いてもよい。例えば、ソナー画像のうち目標物に該当する領域の画像特徴量を、エッジ検出、ヒストグラム解析のような既知の画像処理により検出し、２つ以上の時刻のソナー画像に含まれる目標物の時系列の画像特徴量にさらに基づいて相関を判定してもよい。

例えば、ソナー画像に含まれる目標物の画像特徴量に基づく画像相関値が大きいほど比較画像間の画像相関が高いことを示すので、画像相関値の逆数が小さいほど比較画像間の相関が高いことを示すことになる。よって、ソナー１１０の計測方向の正規化した変化量Ｖと、画像相関値Ｒの正規化した逆数１／Ｒの和（Ｖ＋１／Ｒ）が一定値Ａ未満であるときには、目標物が時系列で連続していると判定し、和（Ｖ＋１／Ｒ）が一定値Ｂより大であるときには連続していないと判定することもできる。なお、和（Ｖ＋１／Ｒ）に代えて加重和（αＶ＋β／Ｒ）（ただしα、β＞０）を採用してもよい。このようにすることで、ソナー画像に含まれる目標物の時系列の相関の判定精度を高めることができる。

ラベル補正部１０５は、判定部１０４で判定したソナー画像に含まれる目標物に係る画像特徴の時系列の連続性に基づき、ラベル情報を追加もしくは削除する。ラベル補正部１０５は、判定部１０４によりソナー画像に含まれる目標物が時系列で連続していると判定された場合でこの目標物にラベル情報が付与されていないときラベル情報を追加する。またラベル補正部１０５は、判定部１０４によりソナー画像に含まれる目標物が時系列で連続していないと判定された場合でこの目標物にラベル情報が付与されているときラベル情報を削除する。

機械学習用データ出力部１０６は、ソナーデータ入力部１０１により生成されたソナー画像とラベル補正部１０５により補正された補正後ラベルデータに基づき、学習用データを機械学習で用いるデータの形式に変換して出力する。ラベル情報が補正された学習用データを機械学習に用いることで、学習精度を向上させることができる。

（ソナー１１０の構成）
図２は、実施形態におけるソナー１１０を構成する複数のソナーセンサ２０１の配列の一例を示す平面図である。各ソナーセンサ２０１は、図２中の破線で示すそれぞれの測定範囲２０２の範囲内に発射した超音波が目標物２１１で反射した反射波の信号強度に基づいて、目標物２１１までの距離を計測する。ソナー１１０は、少なくとも１つのソナーセンサ２０１から発射された超音波がその発射方向に位置する目標物２１１で反射した反射波を捉えることができる。図２に示すように、ソナーセンサ２０１の配列方向をｘ軸方向とする。

図３は、実施形態におけるソナー１１０およびソナーセンサ２０１の一例を示す側面図である。図３は、図２の平面視方向に対する直交方向から見た側面図である。図３に示すように、複数のソナーセンサ２０１は同一の高さに位置しており、それぞれの計測方向２０３には基準からの俯角θが設定されている。複数のソナーセンサ２０１は、俯角θを中心とした測定範囲２０２の範囲内に超音波を発射しその反射波を捉えて、ソナーセンサ２０１からの距離に対する信号強度を計測する。図３に示すように、ソナーセンサ２０１が計測する深度の方向をｙ軸方向とする。

図４は、実施形態においてソナー１１０により計測されたソナーデータに基づき生成されたソナー画像４０１およびラベル情報の一例を示す図である。ソナー画像４０１において、ｘ軸の分解能は複数のソナーセンサ２０１の個数により決まり、ｙ軸の分解能は各ソナーセンサ２０１のサンプリング時間により決まる。

ソナー画像４０１において、画像特徴４０２は、目標物２１１からの反射波を示している。ソナー画像４０１は、例えばソナー画像４０１中のＰｓ（ｘｓ，ｙｓ）およびＰｅ（ｘｅ，ｙｅ）で規定される矩形領域４０３の範囲内に目標物２１１が含まれると人または装置により認識されることで画像特徴４０２がラベル付けされる。このとき、Ｐｓ（ｘｓ，ｙｓ）およびＰｅ（ｘｅ，ｙｅ）がラベル情報である。機械学習時には、矩形領域４０３の範囲内の画像特徴量が解析されて学習される。

（ラベル付けの失敗例）
図５は、ラベル付けに失敗したときのソナー画像４０１ａおよびラベル情報の一例を示す図である。図５（ａ）のソナー画像４０１ａは、目標物２１１の画像特徴４０２ａがラベル付けされていない例を示す。画像特徴４０２ａは、図４における画像特徴４０２と比較して人が視認しづらいことからラベル付けされていないが、ソナー画像４０１からの俯角変化量Δθが一定値ａ未満であることから、目標物２１１がソナー１１０の測定範囲２０２の範囲内に存在すると判断される。このような場合に、画像特徴４０２ａにラベル情報を追加することで、機械学習の精度が向上する。

また、図５（ｂ）のソナー画像４０１ｂは、目標物２１１の画像特徴が存在しないがラベル付けされている例を示す。図５（ｂ）に示すように、図４のソナー画像４０１からの俯角変化量Δθが一定値ｂを超過し、目標物２１１がソナー１１０の測定範囲２０２の範囲から外れてしまった場合でも、ＧＰＳもしくは航空写真などの情報によりラベル情報４０３ｂがラベル付けされていると、目標物２１１を含まない画像特徴を学習させることになるので、機械学習の精度が低下してしまう。このような場合に、ラベル情報４０３ｂを削除することで、機械学習の精度が向上する。

（ラベル情報の補正）
図６は、実施形態によるラベル情報の補正を説明するための図である。図６では、ラベル情報は、目標物の有無と、ＲＯＩ（Region of Interest）として上述のＰｓ（ｘｓ，ｙｓ）およびＰｅ（ｘｅ，ｙｅ）を示している。図６では、俯角の変化量を用いる場合を示すが、方位角や画像特徴量の変化量、あるいは俯角、方位角、画像特徴量の適宜の組み合わせであってもよい。

表６０１ａは、図５（ａ）の目標物２１１の画像特徴４０２ａがラベル付けされていない例について示す。図５（ａ）では、ｔ＝ｎのフレームにおいてラベル情報が無かったのに対し、１つ前のｔ＝ｎ－１のフレームからの俯角の変化量Δθが一定値ａ未満であったことから、ｔ＝ｎとｔ＝ｎ－１の各フレームのソナー画像は連続性があると判断され、ラベル情報が追加されている。このように、ラベル情報を追加することで、機械学習の精度が向上する。

表６０１ｂは、図５（ｂ）のソナー画像４０１ｂにおいて目標物の画像特徴が存在しないにもかかわらずラベル付けされている例について示す。図５（ｂ）では、ｔ＝ｎのフレームにおいてラベル付けされているのに対し、１つ前のｔ＝ｎ－１のフレームからの俯角の変化量Δθが一定値ｂを超過したことからｔ＝ｎ－１のフレームのソナー画像と連続性がないと判断され、ラベル情報が削除されている。このように、ラベル情報を削除することで、機械学習の精度が向上する。

図７は、実施形態に係る機械学習用情報処理を示すフローチャートである。機械学習用情報処理は、リアルタイム処理であってもバッチ処理であっても何れでもよい。

先ず、ステップＳ７０１では、機械学習用情報処理装置１００は、必要フレーム数分のソナーデータのラベル補正処理が完了したか否かを判定する。機械学習用情報処理装置１００は、必要フレーム数分のソナーデータのラベル補正処理が完了した場合（ステップＳ７１０Ｙｅｓ）、本機械学習用情報処理を終了する。一方、機械学習用情報処理装置１００は、必要フレーム数分のソナーデータのラベル補正処理が完了していない場合（ステップＳ７１０Ｎｏ）、ステップ７０２へ処理を移す。

次にステップＳ７０２では、機械学習用情報処理装置１００は、ソナーデータ入力部１０１、ラベル情報入力部１０２およびソナー角度情報入力部１０３によりソナーデータ、ラベル情報およびソナー角度情報を入力する。

次にステップＳ７０３では、機械学習用情報処理装置１００は、判定部１０４で、各フレームにおけるソナー俯角の変化量を判定する。変化量は、１フレーム前のソナー俯角から求めてもよいし、複数フレーム分の平均値から求めてもよい。

機械学習用情報処理装置１００は、ソナー俯角の変化量が一定値ａより小さい場合、ラベル補正部１０５によりラベル情報を追加する（ステップＳ７０４）。追加するラベル情報は、１フレーム前の情報のコピーでもよいし、前後の２つ以上のフレームの情報から平均化して求めてもよい。また機械学習用情報処理装置１００は、ソナー俯角の変化量が一定値ｂより大きい場合、機械学習用情報処理装置１００は、ラベル補正部１０５によりラベル情報を削除する（ステップＳ７０５）。ステップＳ７０４またはＳ７０５が終了すると、機械学習用情報処理装置１００は、ステップＳ７０１へ処理を戻す。また機械学習用情報処理装置１００は、ソナー俯角の変化量が一定値ａ以上かつ一定値ｂ以下の場合には、ステップＳ７０１へ処理を戻す。

上述の実施形態によれば、ソナーの方位角や俯角等の計測方向が変化する時に、ソナーデータの連続性を推定してラベルを補正することで、ラベル付けしたソナーデータを用いた機械学習の精度低下を防止し、精度をより向上させることができる。

（他の実施形態）
（１）上述の実施形態では、ラベル情報は、ＲＯＩを座標表示するClassificationに基づく情報であるとした。しかしこれに限らず、例えばセグメンテーション化された画像の位置や形状をラベル情報とし、推定または補完によって追加ラベル情報を生成することで、上述の実施形態同様に、ラベル情報の追加および削除を行うことができる。

（２）上述の実施形態では、ソナーで計測されたソナーデータのラベル情報を補正する例を示した。しかしソナーに限らず、奥行き情報を計測するセンサもしくは計測手段で計測されたデータについて、そのラベル情報の補正を行うこともできる。奥行き情報を計測するセンサもしくは計測手段には、レーザーレーダー、レーザーライダー、ミリ波レーダーなどがある。

（３）上述の実施形態では、ソナーの方位角もしくは俯角の変化量に基づいてラベル情報の追加および削除を行うとした。しかし追加および削除に限らず、補完や推定に基づいた値の修正などによりラベル情報の補正を行ってもよい。

（４）上述の実施形態では、ソナーの方位角もしくは俯角の１次元の変化量に応じてラベル情報の追加および削除を行うとした。しかしこれに限らず、方位角および俯角の２次元の変化量に応じてラベル情報の追加および削除を行ってもよい。すなわちセンサもしくは計測手段の第１の軸方向および第２の軸方向の２軸方向の変化量の二乗和もしくはその平方根を閾値判定した結果に基づいてラベル情報を補正してもよい。

（機械学習用情報処理装置を実現するコンピュータのハードウェア）
図８は、実施形態に係る機械学習用情報処理装置１００を実現するコンピュータのハードウェアの一例を示す図である。機械学習用情報処理装置１００を実現するコンピュータ５００では、ＣＰＵに代表される演算装置５３０、ＲＡＭ等のメモリ５４０、入力装置５６０および出力装置５７０が、メモリコントローラ５５０を通して相互接続されている。コンピュータ５００において、所定のプログラムがＩ／Ｏコントローラ５２０を介してＳＳＤやＨＤＤ等の外部記憶装置５８０から読み出されて、演算装置５３０およびメモリ５４０の協働により実行されることにより、機械学習用情報処理装置１００が実現される。機械学習用情報処理装置１００を実現するためのプログラムは、頒布媒体から読み出されて取得されても、ネットワークインターフェース５１０を介した通信により外部のコンピュータから取得されてもよい。

以上、本発明の実施形態について説明したが、本発明は上記した実施形態に限定されるものではなく、様々な変形例を含む。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、構成の追加、削除、置換、統合、または分散を行うことが可能である。また、実施形態で示した各構成および各処理は、処理効率または実装効率に基づいて適宜分散または統合されてもよい。

１００：機械学習用情報処理装置、１０１：ソナーデータ入力部、１０２：ラベル情報入力部、１０３：ソナー角度情報入力部、１０４：判定部、１０５：ラベル補正部、１０６：機械学習用データ出力部、１１０：ソナー、２０１：ソナーセンサ、２１１：目標物、４０１，４０１ａ，４０１ｂ：ソナー画像、５００：コンピュータ

Claims (10)

1. 奥行き情報を計測する計測手段によって計測された計測データを入力し、該計測データに基づき計測画像を生成するデータ入力部と、
   前記計測画像に含まれる目標物に係る画像特徴に付与するラベル情報を入力するラベル情報入力部と、
   前記計測データごとの前記計測手段の計測方向を示す角度情報を入力する角度情報入力部と、
   前記角度情報に基づいて前記画像特徴の時系列の相関を判定する判定部と、
   前記相関の判定結果に基づいて前記画像特徴に付与されたラベル情報を削除し又は前記画像特徴にラベル情報を追加するラベル補正部と
   を備えたことを特徴とする機械学習用情報処理装置。
2. 前記判定部は、前記計測手段の第１の軸方向の角度情報の２つ以上の時刻間の変化量に基づいて、前記画像特徴の時系列の相関を判定する
   ことを特徴とする請求項１に記載の機械学習用情報処理装置。
3. さらに、
   前記判定部は、前記第１の軸方向とは異なる前記計測手段の第２の軸方向の角度情報の２つ以上の時刻間の変化量に基づいて、前記画像特徴の時系列の相関を判定する
   ことを特徴とする請求項２に記載の機械学習用情報処理装置。
4. 前記判定部は、前記変化量が閾値未満である場合に、前記画像特徴が時系列で連続していると判定し、
   前記ラベル補正部は、前記判定部によって前記画像特徴が時系列で連続していると判定された場合であって該画像特徴にラベル情報が付与されていないとき、該画像特徴に該ラベル情報を追加する
   ことを特徴とする請求項２に記載の機械学習用情報処理装置。
5. 前記判定部は、前記変化量が閾値より大である場合に、前記画像特徴が時系列で連続していないと判定し、
   前記ラベル補正部は、前記判定部によって前記画像特徴が時系列で連続していないと判定された場合であって該画像特徴にラベル情報が付与されているとき、該ラベル情報を削除する
   ことを特徴とする請求項４に記載の機械学習用情報処理装置。
6. 前記計測手段はソナーであり、
   前記判定部は、ソナーの方位角もしくはソナーの俯角の２つ以上の時刻間の前記変化量に基づいて、前記画像特徴の時系列の相関を判定する
   ことを特徴とする請求項５に記載の機械学習用情報処理装置。
7. さらに、
   前記判定部は、２つ以上の時刻の前記計測画像に含まれる目標物の時系列の画像特徴量に基づいて前記画像特徴の時系列の相関を判定する
   ことを特徴とする請求項１に記載の機械学習用情報処理装置。
8. 前記ラベル補正部により削除又は追加された後の前記ラベル情報に基づき機械学習に用いるデータを生成し出力する機械学習用データ出力部
   を備えたことを特徴とする請求項１に記載の機械学習用情報処理装置。
9. 機械学習用情報処理装置が実行する機械学習用情報処理方法であって、
   前記機械学習用情報処理装置が、
   奥行き情報を計測する計測手段によって計測された計測データを入力し、
   前記計測データに基づき計測画像を生成し、
   前記計測画像に含まれる目標物に係る画像特徴に付与するラベル情報を入力し、
   前記計測データごとの前記計測手段の計測方向を示す角度情報を入力し、
   前記角度情報に基づいて前記画像特徴の時系列の相関を判定し、
   前記相関の判定結果に基づいて前記画像特徴に付与されたラベル情報を削除し又は前記画像特徴にラベル情報を追加する
   各処理を含んだことを特徴とする機械学習用情報処理方法。
10. コンピュータを、
    奥行き情報を計測する計測手段によって計測された計測データを入力し、該計測データに基づき計測画像を生成するデータ入力部、
    前記計測画像に含まれる目標物に係る画像特徴に付与するラベル情報を入力するラベル情報入力部、
    前記計測データごとの前記計測手段の計測方向を示す角度情報を入力する角度情報入力部、
    前記角度情報に基づいて前記画像特徴の時系列の相関を判定する判定部、
    前記相関の判定結果に基づいて前記画像特徴に付与されたラベル情報を削除し又は前記画像特徴にラベル情報を追加するラベル補正部
    として機能させるための機械学習用情報処理プログラム。

Images