JP7318804B2 - 類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法 - Google Patents
類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法 Download PDFInfo
- Publication number
- JP7318804B2 JP7318804B2 JP2022510351A JP2022510351A JP7318804B2 JP 7318804 B2 JP7318804 B2 JP 7318804B2 JP 2022510351 A JP2022510351 A JP 2022510351A JP 2022510351 A JP2022510351 A JP 2022510351A JP 7318804 B2 JP7318804 B2 JP 7318804B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- feature
- calculation
- similarity
- feature amount
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Collating Specific Patterns (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本開示の目的の一例は、上述した課題を解決するために、学習に由来する変動に起因する誤判定の発生を抑えることができる類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法を提供することにある。
《認証システムの構成》
以下、図面を参照しながら実施形態について詳しく説明する。
図1は、第1の実施形態に係る認証システム1の構成を示す概略ブロック図である。
認証システム1は、学習装置10と認証装置20とを備える。
学習装置10は、生体データが入力されると当該生体データの特徴量を出力するように、特徴量抽出モデルのパラメータを学習させる。生体データの例としては、顔画像、静脈画像、指紋データ、音声データなどが挙げられる。特徴量抽出モデルは、ニューラルネットワークなどの機械学習モデルによって表される。
認証装置20は、学習装置10によって学習されたパラメータを有する特徴量抽出モデル(学習済みモデル)を用いて、生体データに基づくユーザの認証を行う。
なお、第1の実施形態に係る認証システム1は、学習装置10と認証装置20とを別個の装置として備えるが、これに限られない。例えば、他の実施形態に係る認証システム1は、認証装置20が学習装置10の機能を有していてもよい。
図2は、第1の実施形態に係る学習装置10によって学習される分類モデルM0の構成図である。
学習装置10は、分類モデル記憶部11、データセット取得部12、学習部13、モデル抽出部14、出力部15を備える。
分類モデル記憶部11は、ニューラルネットワークによって構成された分類モデルM0を記憶する。分類モデルM0は、図2に示すように、入力部M01、N個の特徴量算出部M02、平均化部M03、分類部M04、出力部M05を備える。
出力部15は、モデル抽出部14によって抽出された特徴量抽出モデルを認証装置20に出力する。出力は、ネットワーク等を介した通信によってなされてもよいし、可搬性の記憶装置を介してなされてもよい。
分類モデルM0は、図2に示すように、入力部M01、N個の特徴量算出部M02、平均化部M03、および分類部M04を備える。
入力部M01は、入力された生体データをベクトルとしてN個の特徴量算出部M02に出力する。
各特徴量算出部M02は、2層以上のニューラルネットワークによって構成される。特徴量算出部M02は、入力部M01から入力されたベクトルを、低次元の特徴ベクトルに変換し、平均化部M03に出力する。特徴ベクトルは特徴量の一例である。また特徴量算出部M02は、特徴量関数、特徴量計算モデルの一例である。
平均化部M03は、N個の特徴量算出部M02から入力されたN個の特徴ベクトルの平均値を算出し、分類部M04に出力する。
分類部M04は、2層以上のニューラルネットワークによって構成される。分類部M04は、平均化部M03から入力された特徴ベクトルから、当該特徴ベクトルが表す人物の事後確率を示すP次元のベクトルに変換する。
図3は、第1の実施形態に係る学習装置10による特徴量モデルの学習方法を示すフローチャートである。
学習装置10のデータセット取得部12は、図示しないデータベースから予め用意されたデータセットを取得する(ステップS1)。学習部13は、取得したデータセットを用いて、分類モデル記憶部11が記憶する分類モデルM0のパラメータを学習させる(ステップS2)。このとき、学習部13は、分類モデルM0の計算結果を用いて以下の式(1)に示す損失関数を最小化するように、勾配降下法により各パラメータを更新する。なお、学習部13は、分類モデルM0のうち特徴量算出部M02および分類部M04のパラメータを更新する。
すなわち、第1の実施形態に係る損失関数の評価値Lの第2項は、N個の特徴量算出部M02の内積が小さいほど、すなわち直交性が高いほど小さくなる。したがって、式(1)に係る損失関数を用いることで、N個の特徴量算出部M02による特徴量の計算方法が互いに異なるように、パラメータを学習させることができる。このように学習されることで、N個の特徴量算出部M02に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なる。
学習部13は、損失関数の評価値が所定の閾値を下回った場合、または所定回数だけ学習処理を繰り返した場合に、学習処理を終了する。
認証装置20は、ユーザデータ記憶部21、モデル取得部22、抽出モデル記憶部23、生体データ取得部24、特徴量抽出部25、類似度算出部26、および認証部27を備える。
ユーザデータ記憶部21は、ユーザのアカウントデータと、当該ユーザの生体データとを関連付けて記憶する。
モデル取得部22は、学習装置10から学習済みの特徴量抽出モデルを取得する。
抽出モデル記憶部23は、モデル取得部22が取得した学習済みの特徴量抽出モデルを記憶する。
生体データ取得部24は、認証装置20に設けられたセンサ等から認証対象となる生体データを取得する。
特徴量抽出部25は、抽出モデル記憶部23が記憶する特徴量抽出モデルを用いてユーザデータ記憶部21が記憶する生体データおよび生体データ取得部24が取得した生体データから特徴ベクトルを抽出する。
類似度算出部26は、2つの特徴ベクトルどうしの類似度を算出する。類似度の尺度の例としては、L2距離、コサイン類似度、PLDA(Probabilistic Linear Discriminant Analysis)などが挙げられる。なお、認証装置20を実現するためのプログラムにおいて類似度算出部26を構成する関数は、類似度計算関数であるといえる。
認証部27は、類似度算出部26が算出した類似度に基づいて、ユーザデータ記憶部21に記憶されたユーザであるか否かの認証を行う。認証部27は、ユーザデータ記憶部21に記憶されたユーザであると判定した場合、当該ユーザのアカウントデータを返す。
図4は、第1の実施形態に係る認証装置20による認証方法を示すフローチャートである。なお、認証方法の実行に先立ってモデル取得部22は、学習装置10から学習済みの特徴量抽出モデルを取得し、抽出モデル記憶部23に記録しているものとする。
このように、第1の実施形態に係る認証システム1によれば、N個の特徴量算出部M02を有するニューラルネットワークを用いて、N個の特徴ベクトルを算出し、当該N個の特徴ベクトルに基づいて、取得された生体データとユーザデータ記憶部21が記憶する生体データとの類似度を算出する。N個の特徴量算出部M02を用いることで、出力される1つ1つの特徴量算出部M02の演算の傾向を隠蔽することができる。したがって、N個の特徴量算出部M02のアンサンブル学習の恩恵により、認証システム1は、学習に由来する変動に起因する誤判定の発生を抑えることができる。
第2の実施形態に係る認証システムは、第1の実施形態と比較して特徴量抽出モデルの学習に係る計算量を低減する。
第1の実施形態に係る認証システムは、図2に示す分類モデルを用いて特徴量抽出モデルの学習を行う。これに対し、第2の実施形態に係る認証システムは、図5に示す分類モデルを用いる。
第2の実施形態に係る分類モデルM0は、図5に示すように、入力部M01、共有特徴量算出部M11、N個の特徴量算出部M12、平均化部M03、および分類部M04を備える。
入力部M01は、入力された生体データをベクトルとして共有特徴量算出部M11に出力する。
共有特徴量算出部M11は、2層以上のニューラルネットワークによって構成される。共有特徴量算出部M11のネットワーク構造は、第1の実施形態に係る特徴量算出部M02を前段部分と後段部分とに切り分けたときの前段部分と同様の構造となる。共有特徴量算出部M11の計算結果は、N個の特徴量算出部M12に出力される。
各特徴量算出部M12は、2層以上のニューラルネットワークによって構成される。特徴量算出部M12のネットワーク構造は、第1の実施形態に係る特徴量算出部M02を前段部分と後段部分とに切り分けたときの後段部分と同様の構造となる。N個の特徴量算出部M12の計算結果は、それぞれ平均化部M03に出力される。
平均化部M03は、N個の特徴量算出部M12から入力されたN個の特徴ベクトルの平均値を算出し、分類部M04に出力する。
分類部M04は、2層以上のニューラルネットワークによって構成される。分類部M04は、平均化部M03から入力された特徴ベクトルから、当該特徴ベクトルが表す人物の事後確率を示すP次元のベクトルに変換する。
第3の実施形態に係る認証システムは、第1の実施形態および第2の実施形態と比較して、誤判定を生じる可能性を低減する。
図6は、第3の実施形態に係る認証システム1の構成を示す概略ブロック図である。
第3の実施形態に係る認証装置20は、第1の実施形態に係る構成に加え、さらに検知用データ記憶部28を備える。
検知用データ記憶部28は、認証装置20の誤判定を生じさせる敵対的データを検知するために用いる生体データ(以下、検知用データともいう)を記憶する。敵対的データの例としては、複数のユーザの音声データとの類似度が高くなるような音声データ(Master Voice)などが挙げられる。検知用データの例としては、ユーザデータ記憶部21に記憶されていない、すなわちアカウントデータを有しない人物の生体データが挙げられる。
図7は、第3の実施形態に係る認証装置20による認証方法を示すフローチャートである。なお、認証方法の実行に先立ってモデル取得部22は、学習装置10から学習済みの特徴量抽出モデルを取得し、抽出モデル記憶部23に記録しているものとする。
また、認証部27は、ステップS45で算出された類似度の平均値が第2検出閾値を超えるものがあるか否かを判定する(ステップS47)。少なくとも1つの検知用データとの類似度が検出閾値を超える場合(ステップS47:YES)、ステップS41で取得した生体データが敵対的データである可能性が高いため、認証部27は、認証に失敗したと判定し(ステップS52)、処理を終了する。これは、Master Voiceなどの敵対的データが、複数の生体データとの類似度が高くなる特徴を有するためである。
このように、第3の実施形態に係る認証システム1によれば、取得した生体データが未知の生体データと類似する場合に、ユーザの生体データとの比較を行わずに認証処理を終了する。これにより、認証システム1は、敵対的データによって誤判定を生じる可能性を低減することができる。
なお、第3の実施形態において、認証部27は、生体データが敵対的データであるか否かを判定するために、ステップS46およびステップS27の判定を行うが、これに限られない。例えば、他の実施形態に係る認証部27は、ステップS46およびステップS27の何れか一方の判定のみを行ってもよい。
上述した実施形態に係る認証システム1は、学習装置10および認証装置20によって構成されるが、単独のコンピュータによって構成されるものであってもよい。または、学習装置10および認証装置20がそれぞれ複数のコンピュータに分けて配置し、複数のコンピュータが互いに協働することで学習装置10および認証装置20として機能するものであってもよい。
図8は、類似度計算機30の基本構成を示す概略ブロック図である。
上述した実施形態では、類似度計算機30の一実施形態として図1に示す構成について説明したが、類似度計算機30の基本構成は、図8に示すとおりである。
すなわち、類似度計算機30は、特徴量算出手段31および類似度算出手段32を基本構成とする。
類似度算出手段32は、第1データに係るN個の特徴量と第2データに係るN個の特徴量とに基づいて、第1データと第2データの類似度を算出する。
N個の特徴量関数に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なる。
これにより、類似度計算機30は、学習に由来する変動に起因する誤判定の発生を抑えることができる。
図9は、少なくとも1つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ90は、プロセッサ91、メインメモリ92、ストレージ93、インタフェース94を備える。
上述の学習装置10、認証装置20、類似度計算機30は、コンピュータ90に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ93に記憶されている。プロセッサ91は、プログラ
ムをストレージ93から読み出してメインメモリ92に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ91は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ92に確保する。プロセッサ91の例としては、CPU(Central Processing Unit)、GPU(Graphic Processing Unit)、マイクロプロセッサなどが挙げられる。
上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
データに基づいて当該データに係る特徴量を得るためのN個の特徴量関数を用いて、第1データに係るN個の特徴量と第2データに係るN個の特徴量とを算出する特徴量算出手段と、
前記第1データに係るN個の特徴量と前記第2データに係るN個の特徴量とに基づいて、前記第1データと前記第2データの類似度を算出する類似度算出手段と
を備え、
前記N個の特徴量関数に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なる
類似度計算機。
データを入力することで前記N個の特徴量関数への入力として共有される共有特徴量を得るための共有特徴量関数を用いて、前記第1データに係る共有特徴量と前記第2データに係る共有特徴量とを算出する共有特徴量算出手段を備え、
前記N個の特徴量関数は、それぞれ前記共有特徴量を入力することで前記特徴量を出力し、
前記特徴量算出手段は、前記第1データに係る共有特徴量を前記N個の特徴量関数に入力することで前記第1データに係るN個の特徴量を算出し、前記第2データに係る共有特徴量を前記N個の特徴量関数に入力することで前記第2データに係るN個の特徴量を算出する
付記1に記載の類似度計算機。
前記N個の特徴量関数は、
データを入力サンプルとし、複数のクラスのうち当該データが属するクラスを示すワンホットベクトルを出力サンプルとする学習用データセットを用いて、入力されたデータに対応して当該データが属する前記クラスの事後確率を示すベクトルを出力するように学習された、N個の特徴量計算モデルを有する第1計算部と、前記第1計算部の計算結果を入力とするモデルを有する第2計算部とを有するモデルネットワークのうちの、学習済みの前記N個の特徴量計算モデルによって構成される
付記1または付記2に記載の類似度計算機。
前記モデルネットワークは、前記入力サンプルを入力したときの前記N個の特徴量計算モデルの計算結果の内積が小さくなるように学習される
付記3に記載の類似度計算機。
前記モデルネットワークは、前記入力サンプルを入力したときの前記N個の特徴量計算モデルの計算結果と、前記入力サンプルの敵対的サンプルを入力したときの前記N個の特徴量計算モデルの計算結果との差が小さくなるように学習される
付記3または付記4に記載の類似度計算機。
前記データは生体情報を表すデータである
付記1から付記5の何れかに記載の類似度計算機。
付記6に記載の類似度計算機と、
前記類似度計算機の計算結果に基づいて生体認証を行う認証装置と
を備える認証システム。
前記類似度計算機は、入力された生体データと、認証対象の人物に係る生体データとの類似度を計算し、
前記認証装置は、前記類似度が第1閾値を超える場合に、認証に成功したと判定する
付記7に記載の認証システム。
前記類似度計算機は、入力された生体データと、認証対象でない人物に係る生体データである検知用データとの類似度をさらに計算し、
前記認証装置は、前記検知用データに係る類似度が第2閾値を超える場合に、認証対象の人物に係る生体データとの類似度に関わらず前記認証に失敗したと判定する
付記8に記載の認証システム。
コンピュータが、データに基づいて当該データに係る特徴量を得るためのN個の特徴量関数を用いて、第1データに係るN個の特徴量と第2データに係るN個の特徴量とを算出し、
前記コンピュータが、前記第1データに係るN個の特徴量と前記第2データに係るN個の特徴量とに基づいて、前記第1データと前記第2データの類似度を算出し、
前記N個の特徴量関数に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なる
類似度計算方法。
コンピュータを、
データに基づいて当該データに係る特徴量を得るためのN個の特徴量関数を用いて、第1データに係るN個の特徴量と第2データに係るN個の特徴量とを算出する特徴量算出手段、
前記第1データに係るN個の特徴量と前記第2データに係るN個の特徴量とに基づいて、前記第1データと前記第2データの類似度を算出する類似度算出手段
として機能させ、
前記N個の特徴量関数に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なる
類似度計算プログラム。
コンピュータが、データを入力サンプルとし、複数のクラスのうち当該データが属するクラスを示すワンホットベクトルを出力サンプルとする学習用データセットを用いて、入力されたデータに対応して当該データが属する前記クラスの事後確率を示すベクトルを出力するように、N個の特徴量計算モデルを有する第1計算部と、前記第1計算部の計算結果を入力とするモデルを有する第2計算部とを有するモデルネットワークを学習させ、
前記コンピュータが、学習済みの前記N個の特徴量計算モデルと、第1データに係る前記N個の特徴量計算モデルの計算結果と第2データに係る前記N個の特徴量計算モデルの計算結果とに基づいて前記第1データと前記第2データの類似度を得るための類似度計算関数とを組み合わせることで、類似度計算プログラムを生成する
類似度計算プログラムの生成方法。
10 学習装置
11 分類モデル記憶部
12 データセット取得部
13 学習部
14 モデル抽出部
15 出力部
20 認証装置
21 ユーザデータ記憶部
22 モデル取得部
23 抽出モデル記憶部
24 生体データ取得部
25 特徴量抽出部
26 類似度算出部
27 認証部
Claims (9)
- データに基づいて当該データに係る特徴量を得るためのN個の特徴量関数を用いて、第1データに係るN個の特徴量と第2データに係るN個の特徴量とを算出する特徴量算出手段と、
前記第1データに係るN個の特徴量と前記第2データに係るN個の特徴量とに基づいて、前記第1データと前記第2データの類似度を算出する類似度算出手段と
を備え、
前記N個の特徴量関数に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なり、
前記N個の特徴量関数は、
データを入力サンプルとし、複数のクラスのうち当該データが属するクラスを示すワンホットベクトルを出力サンプルとする学習用データセットを用いて、入力されたデータに対応して当該データが属する前記クラスの事後確率を示すベクトルを出力するように学習された、N個の特徴量計算モデルを有する第1計算部と、前記第1計算部の計算結果を入力とするモデルを有する第2計算部とを有するモデルネットワークのうちの、学習済みの前記N個の特徴量計算モデルによって構成される
類似度計算機。 - データを入力することで前記N個の特徴量関数への入力として共有される共有特徴量を得るための共有特徴量関数を用いて、前記第1データに係る共有特徴量と前記第2データに係る共有特徴量とを算出する共有特徴量算出手段を備え、
前記N個の特徴量関数は、それぞれ前記共有特徴量を入力することで前記特徴量を出力し、
前記特徴量算出手段は、前記第1データに係る共有特徴量を前記N個の特徴量関数に入力することで前記第1データに係るN個の特徴量を算出し、前記第2データに係る共有特徴量を前記N個の特徴量関数に入力することで前記第2データに係るN個の特徴量を算出する
請求項1に記載の類似度計算機。 - 前記モデルネットワークは、前記入力サンプルを入力したときの前記N個の特徴量計算モデルの計算結果の内積が小さくなるように学習される
請求項1または請求項2に記載の類似度計算機。 - 前記モデルネットワークは、前記入力サンプルを入力したときの前記N個の特徴量計算モデルの計算結果と、前記入力サンプルの敵対的サンプルを入力したときの前記N個の特徴量計算モデルの計算結果との差が小さくなるように学習される
請求項1から請求項3のいずれか1項に記載の類似度計算機。 - 前記データは生体情報を表すデータである
請求項1から請求項4の何れか1項に記載の類似度計算機。 - 請求項5に記載の類似度計算機と、
前記類似度計算機の計算結果に基づいて生体認証を行う認証装置と
を備える認証システム。 - コンピュータが、データに基づいて当該データに係る特徴量を得るためのN個の特徴量関数を用いて、第1データに係るN個の特徴量と第2データに係るN個の特徴量とを算出し、
前記コンピュータが、前記第1データに係るN個の特徴量と前記第2データに係るN個の特徴量とに基づいて、前記第1データと前記第2データの類似度を算出し、
前記N個の特徴量関数に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なり、
前記N個の特徴量関数は、
データを入力サンプルとし、複数のクラスのうち当該データが属するクラスを示すワンホットベクトルを出力サンプルとする学習用データセットを用いて、入力されたデータに対応して当該データが属する前記クラスの事後確率を示すベクトルを出力するように学習された、N個の特徴量計算モデルを有する第1計算部と、前記第1計算部の計算結果を入力とするモデルを有する第2計算部とを有するモデルネットワークのうちの、学習済みの前記N個の特徴量計算モデルによって構成される
類似度計算方法。 - コンピュータを、
データに基づいて当該データに係る特徴量を得るためのN個の特徴量関数を用いて、第1データに係るN個の特徴量と第2データに係るN個の特徴量とを算出する特徴量算出手段、
前記第1データに係るN個の特徴量と前記第2データに係るN個の特徴量とに基づいて、前記第1データと前記第2データの類似度を算出する類似度算出手段
として機能させ、
前記N個の特徴量関数に同じデータが代入された場合に得られるN個の特徴量の値は、互いに異なり、
前記N個の特徴量関数は、
データを入力サンプルとし、複数のクラスのうち当該データが属するクラスを示すワンホットベクトルを出力サンプルとする学習用データセットを用いて、入力されたデータに対応して当該データが属する前記クラスの事後確率を示すベクトルを出力するように学習された、N個の特徴量計算モデルを有する第1計算部と、前記第1計算部の計算結果を入力とするモデルを有する第2計算部とを有するモデルネットワークのうちの、学習済みの前記N個の特徴量計算モデルによって構成される
類似度計算プログラム。 - コンピュータが、データを入力サンプルとし、複数のクラスのうち当該データが属するクラスを示すワンホットベクトルを出力サンプルとする学習用データセットを用いて、入力されたデータに対応して当該データが属する前記クラスの事後確率を示すベクトルを出力するように、N個の特徴量計算モデルを有する第1計算部と、前記第1計算部の計算結果を入力とするモデルを有する第2計算部とを有するモデルネットワークを学習させ、
前記コンピュータが、学習済みの前記N個の特徴量計算モデルと、第1データに係る前記N個の特徴量計算モデルの計算結果と第2データに係る前記N個の特徴量計算モデルの計算結果とに基づいて前記第1データと前記第2データの類似度を得るための類似度計算関数とを組み合わせることで、類似度計算プログラムを生成する
類似度計算プログラムの生成方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/014122 WO2021192249A1 (ja) | 2020-03-27 | 2020-03-27 | 類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021192249A1 JPWO2021192249A1 (ja) | 2021-09-30 |
JP7318804B2 true JP7318804B2 (ja) | 2023-08-01 |
Family
ID=77891638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022510351A Active JP7318804B2 (ja) | 2020-03-27 | 2020-03-27 | 類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230143808A1 (ja) |
JP (1) | JP7318804B2 (ja) |
WO (1) | WO2021192249A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008059408A (ja) | 2006-09-01 | 2008-03-13 | Matsushita Electric Ind Co Ltd | 顔画像照合装置、それを用いた顔認証システムおよび静脈画像照合装置 |
JP2019067299A (ja) | 2017-10-04 | 2019-04-25 | 株式会社豊田中央研究所 | ラベル推定装置及びラベル推定プログラム |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7853081B2 (en) * | 2007-04-02 | 2010-12-14 | British Telecommunications Public Limited Company | Identifying data patterns |
WO2014080323A1 (en) * | 2012-11-26 | 2014-05-30 | Koninklijke Philips N.V. | Diagnostic genetic analysis using variant-disease association with patient-specific relevance assessment |
US11182433B1 (en) * | 2014-07-25 | 2021-11-23 | Searchable AI Corp | Neural network-based semantic information retrieval |
US10380498B1 (en) * | 2015-05-22 | 2019-08-13 | Amazon Technologies, Inc. | Platform services to enable one-click execution of the end-to-end sequence of modeling steps |
US11024424B2 (en) * | 2017-10-27 | 2021-06-01 | Nuance Communications, Inc. | Computer assisted coding systems and methods |
US20190147357A1 (en) * | 2017-11-16 | 2019-05-16 | Red Hat, Inc. | Automatic detection of learning model drift |
US11710033B2 (en) * | 2018-06-12 | 2023-07-25 | Bank Of America Corporation | Unsupervised machine learning system to automate functions on a graph structure |
US10593336B2 (en) * | 2018-07-26 | 2020-03-17 | Accenture Global Solutions Limited | Machine learning for authenticating voice |
US20200125928A1 (en) * | 2018-10-22 | 2020-04-23 | Ca, Inc. | Real-time supervised machine learning by models configured to classify offensiveness of computer-generated natural-language text |
CN109902708B (zh) * | 2018-12-29 | 2022-05-10 | 华为技术有限公司 | 一种推荐模型训练方法及相关装置 |
US11676049B2 (en) * | 2019-09-13 | 2023-06-13 | Oracle International Corporation | Enhanced model updating using vector space transformations for model mapping |
EP4097604A1 (en) * | 2020-03-04 | 2022-12-07 | Siemens Industry Software Inc. | Training of differentiable renderer and neural network for query of 3d model database |
US20230222782A1 (en) * | 2020-06-05 | 2023-07-13 | Nec Corporation | Adversarial example detection device, adversarial example detection method, and program |
WO2022009258A1 (ja) * | 2020-07-06 | 2022-01-13 | 日本電気株式会社 | 学習装置、特徴量計算プログラム生成方法、類似度計算機、類似度計算方法、学習プログラム記録媒体、及び類似度計算プログラム記録媒体 |
-
2020
- 2020-03-27 US US17/914,546 patent/US20230143808A1/en active Pending
- 2020-03-27 JP JP2022510351A patent/JP7318804B2/ja active Active
- 2020-03-27 WO PCT/JP2020/014122 patent/WO2021192249A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008059408A (ja) | 2006-09-01 | 2008-03-13 | Matsushita Electric Ind Co Ltd | 顔画像照合装置、それを用いた顔認証システムおよび静脈画像照合装置 |
JP2019067299A (ja) | 2017-10-04 | 2019-04-25 | 株式会社豊田中央研究所 | ラベル推定装置及びラベル推定プログラム |
Non-Patent Citations (1)
Title |
---|
林瑛晟他,複数モデルの出力を用いたAdversarial Examplesの検出,情報処理学会第81回(2019年)全国大会講演論文集(2) 人工知能と認知科学,日本,一般社団法人情報処理学会,2019年02月28日,p.2-317 - p.2-318 |
Also Published As
Publication number | Publication date |
---|---|
US20230143808A1 (en) | 2023-05-11 |
WO2021192249A1 (ja) | 2021-09-30 |
JPWO2021192249A1 (ja) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nguyen et al. | Practical and theoretical aspects of mixture‐of‐experts modeling: An overview | |
Wang et al. | Relative attribute SVM+ learning for age estimation | |
CN106068520A (zh) | 个性化的机器学习模型 | |
AU2019200711B2 (en) | Biometric verification | |
CN111429464A (zh) | 医学图像分割方法、医学图像分割装置及终端设备 | |
CN111161254A (zh) | 一种骨龄预测方法 | |
WO2020233427A1 (zh) | 目标的特征的确定方法和装置 | |
CN111611877A (zh) | 基于多时空信息融合的抗年龄干扰的人脸识别方法 | |
Lanitis et al. | Quantitative evaluation of the effects of aging on biometric templates | |
US20150379254A1 (en) | Authentication system that utilizes biometric information | |
Wu et al. | Dual autoencoders generative adversarial network for imbalanced classification problem | |
JP7318804B2 (ja) | 類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法 | |
JP2011141866A (ja) | データ分類装置、データ分類システムおよびプログラム | |
JP7484054B2 (ja) | 学習装置、特徴量計算プログラム生成方法、類似度計算機、類似度計算方法、学習プログラム、及び類似度計算プログラム | |
CN113177110B (zh) | 一种虚假新闻检测方法、装置、计算机设备和存储介质 | |
CN110287761A (zh) | 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 | |
US20230222782A1 (en) | Adversarial example detection device, adversarial example detection method, and program | |
Pham et al. | BMI estimation from facial images using residual regression model | |
CN114510691A (zh) | 基于孪生网络模型的击键身份认证识别方法及系统 | |
WO2022249246A1 (ja) | 学習装置、学習済みモデルの生成方法、演算装置、演算方法およびプログラム | |
Li et al. | Eyebrow semantic description via clustering based on Axiomatic Fuzzy Set | |
WO2023286232A1 (ja) | 学習装置、学習済みモデルの生成方法、演算装置、演算方法およびプログラム | |
Findling et al. | Mobile gait match-on-card authentication from acceleration data with offline-simplified models | |
JP7343032B2 (ja) | 学習装置、学習方法および学習プログラム | |
WO2023286269A1 (ja) | 学習用データ生成装置、学習用データの生成方法、プログラム、検知モデルの生成方法および認証システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220518 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230411 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230608 |
|
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: 20230620 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230703 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7318804 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |