JP7341381B2 - 画像検索装置及び画像検索方法 - Google Patents

Description

本開示は、画像検索装置及び画像検索方法に関するものである。

従来より、複数の被識別対象の画像（以下「ギャラリ画像」という）の中から、識別対象の画像（以下「クエリ画像」という）に含まれている被写体を含んでいるギャラリ画像を検索する画像検索部を備える画像検索装置（以下「従来の画像検索装置」という）がある。

ところで、識別対象の画像と類似している画像を検索する画像検索技術として、画像検索部が、識別対象の画像を分類器に与えて、当該分類器から、識別対象の画像と類似している画像を取得する技術が特許文献１に開示されている。

特開２０２０－１１９５０８号公報

従来の画像検索装置では、画像検索部による検索の信頼度を確認することができないという課題があった。したがって、画像検索部により検索されたギャラリ画像に含まれている被写体が、クエリ画像に含まれている被写体と高い確率で同一であるのか、あるいは、高い確率で同一ではなく、別の被写体の可能性が十分にあるのかが分からない。
特許文献１に開示されている画像検索技術でも、画像検索部による検索の信頼度を確認することができない。したがって、仮に、当該画像検索技術を従来の画像検索装置に適用することが可能であるとしても、上記の課題を解決することができない。

本開示は、上記のような課題を解決するためになされたもので、画像検索部による検索の信頼度を確認することができる画像検索装置及び画像検索方法を得ることを目的とする。

本開示に係る画像検索装置は、識別対象の画像であるクエリ画像を第１の学習モデルに与えて、第１の学習モデルから、クエリ画像の特徴ベクトルを取得し、複数の被識別対象の画像であるギャラリ画像のそれぞれを第１の学習モデルに与えて、第１の学習モデルから、それぞれのギャラリ画像の特徴ベクトルを取得する特徴ベクトル取得部と、クエリ画像を第２の学習モデルに与えて、第２の学習モデルから、複数のギャラリ画像の中で、クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ（Ｋは、１以上の整数）個のギャラリ画像が検索された際の検索の信頼度を取得する信頼度取得部と、特徴ベクトル取得部により取得されたクエリ画像の特徴ベクトルとそれぞれのギャラリ画像の特徴ベクトルとに基づいて、複数のギャラリ画像の中から、Ｋ個のギャラリ画像を検索する画像検索部と、信頼度取得部により取得された信頼度から、画像検索部による検索の信頼度を特定する信頼度特定部とを備えるものである。

本開示によれば、画像検索部による検索の信頼度を確認することができる。

実施の形態１に係る画像検索装置を示す構成図である。 実施の形態１に係る画像検索装置のハードウェアを示すハードウェア構成図である。 画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 図１に示す画像検索装置により用いられる第１の学習モデル５及び第２の学習モデル６のそれぞれを生成する学習装置を示す構成図である。 図４に示す学習装置のハードウェアを示すハードウェア構成図である。 学習装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。 図７Ａは、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧの一例を示す説明図、図７Ｂは、クエリ画像ｑ及びギャラリ画像群Ｇの一例を示す説明図である。 学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）の画像特徴空間上の位置を示す説明図である。 図１に示す画像検索装置の処理手順である画像検索方法を示すフローチャートである。 クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’を示す説明図である。 Ｔｒｉｐｌｅｔ Ｌｏｓｓと呼ばれる距離学習方法を示す説明図である。 実施の形態２に係る画像検索装置を示す構成図である。 実施の形態２に係る画像検索装置のハードウェアを示すハードウェア構成図である。 図１２に示す画像検索装置により用いられる第１の学習モデル５及び第２の学習モデル６３のそれぞれを生成する学習装置を示す構成図である。 図１４に示す学習装置のハードウェアを示すハードウェア構成図である。 実施の形態３に係る画像検索装置を示す構成図である。 実施の形態３に係る画像検索装置のハードウェアを示すハードウェア構成図である。 図１６に示す画像検索装置により用いられる第１の学習モデル５及び第２の学習モデル６６のそれぞれを生成する学習装置を示す構成図である。 図１８に示す学習装置のハードウェアを示すハードウェア構成図である。 クエリ画像に含まれている被写体を含んでいるギャラリ画像の頻度分布と、クエリ画像に含まれている被写体を含んでいないギャラリ画像の頻度分布とを示す説明図である。

以下、本開示をより詳細に説明するために、本開示を実施するための形態について、添付の図面に従って説明する。

実施の形態１．
図１は、実施の形態１に係る画像検索装置を示す構成図である。
図２は、実施の形態１に係る画像検索装置のハードウェアを示すハードウェア構成図である。
図１に示す画像検索装置は、特徴ベクトル取得部１、信頼度取得部２、画像検索部３及び信頼度特定部４を備えている。

特徴ベクトル取得部１は、例えば、図２に示す特徴ベクトル取得回路１１によって実現される。
特徴ベクトル取得部１は、第１の学習モデル５を備えている。第１の学習モデル５は、図４に示す学習装置によって生成されたものである。
特徴ベクトル取得部１は、識別対象の画像であるクエリ画像ｑを取得し、Ｎ個の被識別対象の画像であるギャラリ画像ｇ_１～ｇ_Ｎを含むギャラリ画像群Ｇを取得する。Ｎは、１以上の整数である。
特徴ベクトル取得部１は、クエリ画像ｑを第１の学習モデル５に与えて、第１の学習モデル５から、クエリ画像ｑの特徴ベクトルＦｖ_ｑを取得する。
また、特徴ベクトル取得部１は、ギャラリ画像ｇ_ｎ（ｎ＝１，・・・，Ｎ）を第１の学習モデル５に与えて、第１の学習モデル５から、ギャラリ画像ｇ_ｎの特徴ベクトルＦｖ_ｇ，ｎを取得する。
特徴ベクトルＦｖ_ｑ及び特徴ベクトルＦｖ_ｇ，ｎのそれぞれは、画像特徴空間の位置を示すものである。画像特徴空間が、２次元の特徴空間であれば、特徴空間の横軸は、例えば、被写体である人間の左目と右目との距離を示し、特徴空間の縦軸は、例えば、目尻から鼻までの距離を示すものが考えられる。
画像特徴空間は、２次元の特徴空間に限るものではなく、例えば、３次元の特徴空間であってもよい。
特徴ベクトル取得部１は、ギャラリ画像群Ｇ、クエリ画像ｑの特徴ベクトルＦｖ_ｑ及びギャラリ画像ｇ_ｎの特徴ベクトルＦｖ_ｇ，ｎのそれぞれを画像検索部３に出力する。

信頼度取得部２は、例えば、図２に示す信頼度取得回路１２によって実現される。
信頼度取得部２は、第２の学習モデル６を備えている。第２の学習モデル６は、図４に示す学習装置によって生成されたものである。
信頼度取得部２は、クエリ画像ｑを取得する。
信頼度取得部２は、クエリ画像ｑを第２の学習モデル６に与えて、第２の学習モデル６から、Ｎ個のギャラリ画像ｇ_１～ｇ_Ｎの中で、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’が検索された際の検索の信頼度Ｄを取得する。Ｋは、１以上Ｎ以下の整数である。
信頼度取得部２は、取得した信頼度Ｄを信頼度特定部４に出力する。

画像検索部３は、例えば、図２に示す画像検索回路１３によって実現される。
画像検索部３は、ギャラリ画像群Ｇ、クエリ画像ｑの特徴ベクトルＦｖ_ｑ及びギャラリ画像ｇ_ｎ（ｎ＝１，・・・，Ｎ）の特徴ベクトルＦｖ_ｇ，ｎのそれぞれを取得する。
画像検索部３は、クエリ画像ｑの特徴ベクトルＦｖ_ｑとギャラリ画像ｇ_ｎの特徴ベクトルＦｖ_ｇ，ｎとに基づいて、Ｎ個のギャラリ画像ｇ_１～ｇ_Ｎの中から、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’を検索する。
画像検索部３は、画像の検索結果として、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’を外部に出力することによって、例えば、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’をディスプレイ等に表示させる。

信頼度特定部４は、例えば、図２に示す信頼度特定回路１４によって実現される。
信頼度特定部４は、信頼度取得部２から信頼度Ｄを取得する。
信頼度特定部４は、信頼度取得部２により取得された信頼度Ｄから、画像検索部３による検索の信頼度を特定する。
図１に示す画像検索装置では、信頼度特定部４が、信頼度取得部２により取得された信頼度Ｄを、画像検索部３による検索の信頼度として、外部に出力する。
信頼度特定部４は、画像検索部３による検索の信頼度Ｄを外部に出力することによって、例えば、画像検索部３による検索の信頼度Ｄをディスプレイ等に表示させる。

図１に示す画像検索装置では、特徴ベクトル取得部１が第１の学習モデル５を備え、信頼度取得部２が第２の学習モデル６を備えている。しかし、これは一例に過ぎず、図示せぬ記憶装置が第１の学習モデル５及び第２の学習モデル６のそれぞれを備えるようにしてもよい。記憶装置が第１の学習モデル５を備える場合、特徴ベクトル取得部１が、記憶装置が備える第１の学習モデル５から、クエリ画像ｑの特徴ベクトルＦｖ_ｑ及びギャラリ画像ｇ_ｎの特徴ベクトルＦｖ_ｇ，ｎのそれぞれを取得すればよい。記憶装置が第２の学習モデル６を備える場合、信頼度取得部２が、記憶装置が備える第２の学習モデル６から、検索の信頼度Ｄを取得すればよい。

図１では、画像検索装置の構成要素である特徴ベクトル取得部１、信頼度取得部２、画像検索部３及び信頼度特定部４のそれぞれが、図２に示すような専用のハードウェアによって実現されるものを想定している。即ち、画像検索装置が、特徴ベクトル取得回路１１、信頼度取得回路１２、画像検索回路１３及び信頼度特定回路１４によって実現されるものを想定している。
特徴ベクトル取得回路１１、信頼度取得回路１２、画像検索回路１３及び信頼度特定回路１４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又は、これらを組み合わせたものが該当する。

画像検索装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、画像検索装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）が該当する。

図３は、画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合、特徴ベクトル取得部１、信頼度取得部２、画像検索部３及び信頼度特定部４におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ２１に格納される。そして、コンピュータのプロセッサ２２がメモリ２１に格納されているプログラムを実行する。

また、図２では、画像検索装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、画像検索装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、画像検索装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

図４は、図１に示す画像検索装置により用いられる第１の学習モデル５及び第２の学習モデル６のそれぞれを生成する学習装置を示す構成図である。
図５は、図４に示す学習装置のハードウェアを示すハードウェア構成図である。
図４に示す学習装置は、第１の学習モデル生成部３１及び第２の学習モデル生成部３２を備えている。
第１の学習モデル生成部３１は、例えば、図５に示す第１の学習モデル生成回路４１によって実現される。
第１の学習モデル生成部３１は、Ｍ個の学習用の画像である学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。Ｍは、Ｋ以上の整数である。学習用画像ｇｇ_ｍには、学習用画像ｇｇ_ｍに含まれている被写体を示す識別情報ｉｄ_ｍが付加されている。
第１の学習モデル生成部３１は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）の特徴ベクトルＦｖ_ｇｇ，ｍを抽出する。
第１の学習モデル生成部３１は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_ＭとＭ個の特徴ベクトルＦｖ_ｇｇ，１～Ｆｖ_ｇｇ，Ｍとを用いて、第１の学習モデル５を生成する。
即ち、第１の学習モデル生成部３１は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）を第１の学習モデル５に与え、特徴ベクトルＦｖ_ｇｇ，ｍ（ｍ＝１，・・・，Ｍ）を教師データとして第１の学習モデル５に与えることで、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを第１の学習モデル５に学習させる。

第１の学習モデル生成部３１は、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを第１の学習モデル５に学習させる際、例えば、図１１に示すような、Ｔｒｉｐｌｅｔ Ｌｏｓｓと呼ばれる距離学習方法を用いて、特徴ベクトルＦｖ_ｇｇ，ｍが示す画像特徴空間上の位置を学習させる。即ち、第１の学習モデル生成部３１は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍの中で、識別情報ｉｄ_ｍが示す被写体が同じ学習用画像同士の位置については、互いに近づくように学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させる。第１の学習モデル生成部３１は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍの中で、識別情報ｉｄ_ｍが示す被写体が異なる学習用画像同士の位置については、互いに遠ざかるように学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させる。
第１の学習モデル生成部３１は、学習済みの第１の学習モデル５を図１に示す画像検索装置の特徴ベクトル取得部１に与える。

図１１は、Ｔｒｉｐｌｅｔ Ｌｏｓｓと呼ばれる距離学習方法を示す説明図である。図１１に示す距離学習方法は、含んでいる被写体が同じ学習用画像同士の位置については、互いに近づくように学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させ、含んでいる被写体が異なる学習用画像同士の位置については、互いに遠ざかるように学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させる方法である。

第２の学習モデル生成部３２は、例えば、図５に示す第２の学習モデル生成回路４２によって実現される。
第２の学習モデル生成部３２は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。
第２の学習モデル生成部３２は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）に付加されている識別情報ｉｄ_ｍに基づいて、信頼度Ｄ_ｍを算出する。
例えば、第２の学習モデル生成部３２が信頼度Ｄ_１を算出するのであれば、第２の学習モデル生成部３２は、学習用画像ｇｇ_１～ｇｇ_Ｍに付加されている識別情報ｉｄ_１～ｉｄ_Ｍの中で、学習用画像ｇｇ_１に付加されている識別情報ｉｄ_１と同じ被写体を示している割合を算出する。
例えば、第２の学習モデル生成部３２が信頼度Ｄ_２を算出するのであれば、第２の学習モデル生成部３２は、学習用画像ｇｇ_１～ｇｇ_Ｍに付加されている識別情報ｉｄ_１～ｉｄ_Ｍの中で、学習用画像ｇｇ_２に付加されている識別情報ｉｄ_２と同じ被写体を示している割合を算出する。
第２の学習モデル生成部３２は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_ＭとＭ個の信頼度Ｄ_１～Ｄ_Ｍとを用いて、第２の学習モデル６を生成する。
即ち、第２の学習モデル生成部３２は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）を第２の学習モデル６に与え、信頼度Ｄ_ｍを教師データとして第２の学習モデル６に与えることで、信頼度Ｄ_ｍを第２の学習モデル６に学習させる。
第２の学習モデル生成部３２は、学習済みの第２の学習モデル６を図１に示す画像検索装置の信頼度取得部２に与える。

図４では、学習装置の構成要素である第１の学習モデル生成部３１及び第２の学習モデル生成部３２のそれぞれが、図５に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習装置が、第１の学習モデル生成回路４１及び第２の学習モデル生成回路４２によって実現されるものを想定している。
第１の学習モデル生成回路４１及び第２の学習モデル生成回路４２のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

学習装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
図６は、学習装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
学習装置が、ソフトウェア又はファームウェア等によって実現される場合、第１の学習モデル生成部３１及び第２の学習モデル生成部３２におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ５１に格納される。そして、コンピュータのプロセッサ５２がメモリ５１に格納されているプログラムを実行する。

また、図５では、学習装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図６では、学習装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

最初に、図４に示す学習装置の動作について説明する。
第１の学習モデル生成部３１は、図７Ａに示すような、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。
図７Ａは、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧの一例を示す説明図である。
図７Ａの例では、学習用画像群ＧＧが３つの学習用画像ｇｇ_１～ｇｇ_３を含んでいる。学習用画像ｇｇ_１に付加されている識別情報ｉｄ_１は“３”であり、学習用画像ｇｇ_２に付加されている識別情報ｉｄ_２は“３”であり、学習用画像ｇｇ_３に付加されている識別情報ｉｄ_３は“５”である。
したがって、図７Ａの例では、学習用画像ｇｇ_１に含まれている被写体は、学習用画像ｇｇ_２に含まれている被写体と同じであり、学習用画像ｇｇ_１，ｇｇ_２に含まれている被写体は、学習用画像ｇｇ_３に含まれている被写体と異なる。

第１の学習モデル生成部３１は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）の特徴ベクトルＦｖ_ｇｇ，ｍを抽出する。学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを抽出する処理自体は、公知の技術であるため詳細な説明を省略する。
第１の学習モデル生成部３１は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）を第１の学習モデル５に与え、特徴ベクトルＦｖ_ｇｇ，ｍ（ｍ＝１，・・・，Ｍ）を教師データとして第１の学習モデル５に与えることで、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを第１の学習モデル５に学習させる。
第１の学習モデル生成部３１は、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを第１の学習モデル５に学習させる際、図１１に示すように、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍの中で、識別情報ｉｄ_ｍが示す被写体が同じ学習用画像同士の位置については、互いに近づくように学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させる。第１の学習モデル生成部３１は、図１１に示すように、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍの中で、識別情報ｉｄ_ｍが示す被写体が異なる学習用画像同士の位置については、互いに遠ざかるように学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させる。
図４に示す学習装置では、第１の学習モデル生成部３１が、Ｔｒｉｐｌｅｔ Ｌｏｓｓと呼ばれる距離学習方法を用いて、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させている。しかし、これは一例に過ぎず、第１の学習モデル生成部３１は、Ｔｒｉｐｌｅｔ Ｌｏｓｓ以外の距離学習方法を用いて、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習させるものであってもよい。

図４に示す学習装置では、第１の学習モデル生成部３１が、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを第１の学習モデル５に与え、第１の学習モデル５が、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習している。しかし、これは一例に過ぎず、第１の学習モデル生成部３１が、学習用画像ｇｇ_ｍを第１の学習モデル５に与え、第１の学習モデル５が、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを抽出して、学習用画像ｇｇ_ｍの特徴ベクトルＦｖ_ｇｇ，ｍを学習するようにしてもよい。

図８は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）の画像特徴空間上の位置を示す説明図である。
図８の例では、４つの学習用画像ｇｇ_１～ｇｇ_４の画像特徴空間上の位置を示している。
図８に示す画像特徴空間は、２次元の特徴空間である。特徴空間の横軸は、例えば、被写体である人間の左目と右目との距離を示している。特徴空間の縦軸は、例えば、目尻から鼻までの距離を示している。
第１の学習モデル生成部３１は、学習済みの第１の学習モデル５を図１に示す画像検索装置の特徴ベクトル取得部１に与える。

第２の学習モデル生成部３２は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。
第２の学習モデル生成部３２は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）に付加されている識別情報ｉｄ_ｍに基づいて、信頼度Ｄ_ｍを算出する。
即ち、第２の学習モデル生成部３２は、学習用画像群ＧＧの中から、それぞれの学習用画像ｇｇ_ｍを順番に取得して、取得した学習用画像ｇｇ_ｍを基準画像ｇｇ_ｒｅｆに設定する。
第２の学習モデル生成部３２は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍに付加されている識別情報ｉｄ_１～ｉｄ_Ｍの中で、基準画像ｇｇ_ｒｅｆに付加されている識別情報ｉｄ_ｍが示す被写体と同じ被写体を示している割合を信頼度Ｄ_ｍとして算出する。
例えば、Ｍ＝１０であり、基準画像ｇｇ_ｒｅｆに付加されている識別情報ｉｄ_ｍが示す被写体と同じ被写体を含んでいる学習用画像ｇｇ_ｍの数が６であれば、信頼度Ｄ_ｍは、６０＝（６／１０）×１００［％］である。
例えば、Ｍ＝８であり、基準画像ｇｇ_ｒｅｆに付加されている識別情報ｉｄ_ｍが示す被写体と同じ被写体を含んでいる学習用画像ｇｇ_ｍの数が５であれば、信頼度Ｄ_ｍは、６２．５＝（５／８）×１００［％］である。

第２の学習モデル生成部３２は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）を第２の学習モデル６に与え、信頼度Ｄ_ｍ（ｍ＝１，・・・，Ｍ）を教師データとして第２の学習モデル６に与えることで、信頼度Ｄ_ｍを第２の学習モデル６に学習させる。
第２の学習モデル生成部３２は、学習済みの第２の学習モデル６を図１に示す画像検索装置の信頼度取得部２に与える。

次に、図１に示す画像検索装置の動作について説明する。
図９は、図１に示す画像検索装置の処理手順である画像検索方法を示すフローチャートである。
特徴ベクトル取得部１は、例えば、図７Ｂに示すような、クエリ画像ｑと、Ｎ個のギャラリ画像ｇ_１～ｇ_Ｎを含むギャラリ画像群Ｇとを取得する。
図７Ｂは、クエリ画像ｑ及びギャラリ画像群Ｇの一例を示す説明図である。
図７Ｂの例では、ギャラリ画像群Ｇが３つのギャラリ画像ｇ_１～ｇ_３を含んでいる。

特徴ベクトル取得部１は、クエリ画像ｑを第１の学習モデル５に与えて、第１の学習モデル５から、クエリ画像ｑの特徴ベクトルＦｖ_ｑを取得する（図９のステップＳＴ１）。
また、特徴ベクトル取得部１は、ギャラリ画像ｇ_ｎ（ｎ＝１，・・・，Ｎ）を第１の学習モデル５に与えて、第１の学習モデル５から、ギャラリ画像ｇ_ｎの特徴ベクトルＦｖ_ｇ，ｎを取得する（図９のステップＳＴ２）。
特徴ベクトル取得部１は、ギャラリ画像群Ｇ、クエリ画像ｑの特徴ベクトルＦｖ_ｑ及びギャラリ画像ｇ_ｎの特徴ベクトルＦｖ_ｇ，ｎのそれぞれを画像検索部３に出力する。

信頼度取得部２は、クエリ画像ｑを取得する。
信頼度取得部２は、クエリ画像ｑを第２の学習モデル６に与えて、第２の学習モデル６から、信頼度Ｄを取得する（図９のステップＳＴ３）。
信頼度取得部２は、信頼度Ｄを信頼度特定部４に出力する。

画像検索部３は、特徴ベクトル取得部１から、ギャラリ画像群Ｇ、クエリ画像ｑの特徴ベクトルＦｖ_ｑ及びギャラリ画像ｇ_ｎ（ｎ＝１，・・・，Ｎ）の特徴ベクトルＦｖ_ｇ，ｎのそれぞれを取得する。
画像検索部３は、クエリ画像ｑとギャラリ画像ｇ_ｎ（ｎ＝１，・・・，Ｎ）との類似度Ｓ_ｎとして、クエリ画像ｑの特徴ベクトルＦｖ_ｑとギャラリ画像ｇ_ｎの特徴ベクトルＦｖ_ｇ，ｎとのユークリッド距離Ｌ_ｎを算出する。ユークリッド距離Ｌ_ｎが短い程、クエリ画像ｑとギャラリ画像ｇ_ｎとの類似度Ｓ_ｎが高い。ユークリッド距離Ｌ_ｎの算出処理自体は、公知の技術であるため詳細な説明を省略する。
画像検索部３は、Ｎ個のギャラリ画像ｇ_１～ｇ_Ｎの中から、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’として、クエリ画像ｑとの類似度Ｓ_ｎが高い相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’を検索する（図９のステップＳＴ４）。

図１０は、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’を示す説明図である。
図１０の例では、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’として、５つのギャラリ画像ｇ_１’～ｇ_５ ’が表されている。
図１０において、●は、クエリ画像ｑであり、○は、クエリ画像ｑに含まれている被写体を含んでいるギャラリ画像、×は、クエリ画像ｑに含まれている被写体を含んでいないギャラリ画像である。
クエリ画像ｑに対するギャラリ画像ｇ_ｋ’（ｋ＝１，・・・，Ｋ）の類似度Ｓ_ｋは、クエリ画像ｑの特徴ベクトルＦｖ_ｑと、ギャラリ画像ｇ_ｋ’の特徴ベクトルＦｖ_ｇ，ｋとのユークリッド距離Ｌ_ｋで表されている。
図１０の例では、Ｌ_１＜Ｌ_２＜Ｌ_３＜Ｌ_４＜Ｌ_５であるため、クエリ画像ｑに対するギャラリ画像ｇ_ｋ’の類似度Ｓ_ｋは、Ｓ_１＞Ｓ_２＞Ｓ_３＞Ｓ_４＞Ｓ_５である。
ここでは、クエリ画像ｑに対するギャラリ画像ｇ_ｋ’の類似度Ｓ_ｋが、ユークリッド距離Ｌ_ｋで表されている。しかし、これは一例に過ぎず、類似度Ｓ_ｋが、例えば、クエリ画像ｑに対するギャラリ画像ｇ_ｋ’のコサイン類似度で表されるものであってもよい。

図１０の例では、Ｋ＝２の場合、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’の中に、クエリ画像ｑに含まれている被写体を含んでいるギャラリ画像ｇ_１’と、クエリ画像ｑに含まれている被写体を含んでいないギャラリ画像ｇ_２’とがある。
Ｋ＝２の場合、画像検索部３は、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’として、ギャラリ画像ｇ_１’，ｇ_２’を外部に出力する。

また、Ｋ＝５の場合、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’の中に、クエリ画像ｑに含まれている被写体を含んでいるギャラリ画像ｇ_１’，ｇ_３’，ｇ_４’と、クエリ画像ｑに含まれている被写体を含んでいないギャラリ画像ｇ_２’，ｇ_５’とがある。
Ｋ＝５の場合、画像検索部３は、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’として、ギャラリ画像ｇ_１’，ｇ_２’，ｇ_３’，ｇ_４’，ｇ_５’を外部に出力する。
画像検索部３は、画像の検索結果として、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’を外部に出力することによって、例えば、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’をディスプレイ等に表示させる。

信頼度特定部４は、信頼度取得部２から、信頼度Ｄを取得する。
信頼度特定部４は、信頼度取得部２により取得された信頼度Ｄから、画像検索部３による検索の信頼度を特定する（図９のステップＳＴ５）。
図１に示す画像検索装置では、信頼度特定部４が、信頼度取得部２により取得された信頼度Ｄをそのまま画像検索部３による検索の信頼度として特定している。
信頼度特定部４は、画像検索部３による検索の信頼度Ｄを外部に出力することによって、例えば、画像検索部３による検索の信頼度Ｄをディスプレイ等に表示させる。
図１０の例では、Ｋ＝２の場合、クエリ画像ｑに含まれている被写体を含んでいるギャラリ画像ｇ_１’と、クエリ画像ｑに含まれている被写体を含んでいないギャラリ画像ｇ_２’とが画像検索部３によって検索されるため、信頼度Ｄは、５０＝（１／２）×１００［％］であることが想定される。
図１０の例では、Ｋ＝５の場合、クエリ画像ｑに含まれている被写体を含んでいるギャラリ画像ｇ_１’，ｇ_３’，ｇ_４’と、クエリ画像ｑに含まれている被写体を含んでいないギャラリ画像ｇ_２’，ｇ_５’とが画像検索部３によって検索されるため、信頼度Ｄは、６０＝（３／５）×１００［％］であることが想定される。

以上の実施の形態１では、識別対象の画像であるクエリ画像を第１の学習モデル５に与えて、第１の学習モデル５から、クエリ画像の特徴ベクトルを取得し、複数の被識別対象の画像であるギャラリ画像のそれぞれを第１の学習モデル５に与えて、第１の学習モデル５から、それぞれのギャラリ画像の特徴ベクトルを取得する特徴ベクトル取得部１と、クエリ画像を第２の学習モデル６に与えて、第２の学習モデル６から、複数のギャラリ画像の中で、クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ（Ｋは、１以上の整数）個のギャラリ画像が検索された際の検索の信頼度を取得する信頼度取得部２とを備えるように、画像検索装置を構成した。また、画像検索装置は、特徴ベクトル取得部１により取得されたクエリ画像の特徴ベクトルとそれぞれのギャラリ画像の特徴ベクトルとに基づいて、複数のギャラリ画像の中から、Ｋ個のギャラリ画像を検索する画像検索部３と、信頼度取得部２により取得された信頼度から、画像検索部３による検索の信頼度を特定する信頼度特定部４とを備えている。したがって、画像検索装置は、画像検索部３による検索の信頼度を確認することができる。

実施の形態２．
実施の形態２では、信頼度取得部６１が、クエリ画像ｑを第２の学習モデル６３に与えて、第２の学習モデル６３から、検索の信頼度として、グループについての信頼度を取得する画像検索装置について説明する。

図１２は、実施の形態２に係る画像検索装置を示す構成図である。図１２において、図１と同一符号は同一又は相当部分を示すので説明を省略する。
図１３は、実施の形態２に係る画像検索装置のハードウェアを示すハードウェア構成図である。図１３において、図２と同一符号は同一又は相当部分を示すので説明を省略する。
図１２に示す画像検索装置は、特徴ベクトル取得部１、信頼度取得部６１、画像検索部３及び信頼度特定部６２を備えている。

Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍは、信頼度別にグループ分けされている。Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍは、例えば、Ｊ個のグループＧＰ_１～ＧＰ_Ｊに分類されている。Ｊは、１以上Ｍ以下の整数である。
仮に、Ｊ＝３、Ｍ＝１６であれば、例えば、学習用画像ｇｇ_１～ｇｇ_３が、信頼度○○％のグループＧＰ_１に分類され、学習用画像ｇｇ_４～ｇｇ_１０が、信頼度△△％のグループＧＰ_２に分類され、学習用画像ｇｇ_１１～ｇｇ_１６が、信頼度□□％のグループＧＰ_３に分類されることがある。
第２の学習モデル６３は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）と、学習用画像ｇｇ_ｍが含まれているグループＧＰ_ｊについての信頼度Ｄ_ｊとが与えられたときに、グループＧＰ_ｊについての信頼度Ｄ_ｊの学習が行われた学習モデルである。

信頼度取得部６１は、例えば、図１３に示す信頼度取得回路１５によって実現される。
信頼度取得部６１は、第２の学習モデル６３を備えている。第２の学習モデル６３は、図１４に示す学習装置によって生成されたものである。
信頼度取得部６１は、クエリ画像ｑを取得する。
信頼度取得部６１は、クエリ画像ｑを第２の学習モデル６３に与えて、第２の学習モデル６３から、Ｎ個のギャラリ画像ｇ_１～ｇ_Ｎの中で、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’が検索された際の検索の信頼度として、グループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を取得する。
信頼度取得部６１は、グループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を信頼度特定部６２に出力する。

信頼度特定部６２は、例えば、図１３に示す信頼度特定回路１６によって実現される。
信頼度特定部６２は、信頼度取得部６１から、グループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を取得する。
信頼度特定部６２は、信頼度取得部６１により取得されたグループＧＰ_ｊ’についての信頼度Ｄ_ｊ’から、画像検索部３による検索の信頼度を特定する。
図１２に示す画像検索装置では、信頼度特定部６２が、信頼度取得部６１により取得されたグループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を、画像検索部３による検索の信頼度として、外部に出力する。
信頼度特定部６２は、画像検索部３による検索の信頼度Ｄ_ｊ’を外部に出力することによって、例えば、画像検索部３による検索の信頼度Ｄ_ｊ’をディスプレイ等に表示させる。

図１２では、画像検索装置の構成要素である特徴ベクトル取得部１、信頼度取得部６１、画像検索部３及び信頼度特定部６２のそれぞれが、図１３に示すような専用のハードウェアによって実現されるものを想定している。即ち、画像検索装置が、特徴ベクトル取得回路１１、信頼度取得回路１５、画像検索回路１３及び信頼度特定回路１６によって実現されるものを想定している。
特徴ベクトル取得回路１１、信頼度取得回路１５、画像検索回路１３及び信頼度特定回路１６のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

画像検索装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、画像検索装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合、特徴ベクトル取得部１、信頼度取得部６１、画像検索部３及び信頼度特定部６２におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ２１に格納される。そして、図３に示すプロセッサ２２がメモリ２１に格納されているプログラムを実行する。

また、図１３では、画像検索装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、画像検索装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、画像検索装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

図１４は、図１２に示す画像検索装置により用いられる第１の学習モデル５及び第２の学習モデル６３のそれぞれを生成する学習装置を示す構成図である。
図１５は、図１４に示す学習装置のハードウェアを示すハードウェア構成図である。
図１４に示す学習装置は、第１の学習モデル生成部３１及び第２の学習モデル生成部３３を備えている。

第２の学習モデル生成部３３は、例えば、図１５に示す第２の学習モデル生成回路４３によって実現される。
第２の学習モデル生成部３３は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。
第２の学習モデル生成部３３は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）が含まれているグループＧＰ_ｊ（ｊ＝１，・・・，Ｊ）についての信頼度Ｄ_ｊを取得する。
第２の学習モデル生成部３３は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）と、グループＧＰ_ｊ（ｊ＝１，・・・，Ｊ）についての信頼度Ｄ_ｊとを用いて、第２の学習モデル６３を生成する。
即ち、第２の学習モデル生成部３３は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）を第２の学習モデル６３に与え、グループＧＰ_ｊについての信頼度Ｄ_ｊを教師データとして第２の学習モデル６３に与えることで、グループＧＰ_ｊについての信頼度Ｄ_ｊを第２の学習モデル６３に学習させる。
第２の学習モデル生成部３３は、学習済みの第２の学習モデル６３を図１２に示す画像検索装置の信頼度取得部６１に与える。

図１４では、学習装置の構成要素である第１の学習モデル生成部３１及び第２の学習モデル生成部３３のそれぞれが、図１５に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習装置が、第１の学習モデル生成回路４１及び第２の学習モデル生成回路４３によって実現されるものを想定している。
第１の学習モデル生成回路４１及び第２の学習モデル生成回路４３のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

学習装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
学習装置が、ソフトウェア又はファームウェア等によって実現される場合、第１の学習モデル生成部３１及び第２の学習モデル生成部３３におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図６に示すメモリ５１に格納される。そして、図６に示すプロセッサ５２がメモリ５１に格納されているプログラムを実行する。

また、図１５では、学習装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図６では、学習装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

最初に、図１４に示す学習装置の動作について説明する。第２の学習モデル生成部３３以外は、図４に示す学習装置と同様であるため、ここでは、第２の学習モデル生成部３３の動作のみを説明する。
図１４に示す学習装置では、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍが、信頼度別にグループ分けされている。即ち、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍは、例えば、Ｊ個のグループＧＰ_１～ＧＰ_Ｊに分類されている。

第２の学習モデル生成部３３は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。
また、第２の学習モデル生成部３３は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）が含まれているグループＧＰ_ｊ（ｊ＝１，・・・，Ｊ）についての信頼度Ｄ_ｊを取得する。
第２の学習モデル生成部３３は、事前に、学習用画像ｇｇ_ｍが含まれているグループＧＰ_ｊを認識しているものとしてもよいし、外部から、学習用画像ｇｇ_ｍが含まれているグループＧＰ_ｊを示す情報を取得するものとしてもよい。

第２の学習モデル生成部３３は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）を第２の学習モデル６３に与え、グループＧＰ_ｊについての信頼度Ｄ_ｊを教師データとして第２の学習モデル６３に与えることで、グループＧＰ_ｊについての信頼度Ｄ_ｊを第２の学習モデル６３に学習させる。
第２の学習モデル生成部３３は、学習済みの第２の学習モデル６３を図１２に示す画像検索装置の信頼度取得部６１に与える。

次に、図１２に示す画像検索装置の動作について説明する。信頼度取得部６１及び信頼度特定部６２以外は、図１に示す画像検索装置と同様であるため、ここでは、信頼度取得部６１及び信頼度特定部６２の動作のみを説明する。
信頼度取得部６１は、クエリ画像ｑを取得する。
信頼度取得部６１は、クエリ画像ｑを第２の学習モデル６３に与えて、第２の学習モデル６３から、グループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を取得する。
信頼度取得部６１は、グループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を信頼度特定部６２に出力する。

信頼度特定部６２は、信頼度取得部６１から、グループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を取得する。
信頼度特定部６２は、信頼度取得部６１により取得されたグループＧＰ_ｊ’についての信頼度Ｄ_ｊ’から、画像検索部３による検索の信頼度を特定する。
即ち、信頼度特定部６２は、グループＧＰ_ｊ’についての信頼度Ｄ_ｊ’を、画像検索部３による検索の信頼度であるとする。
信頼度特定部６２は、画像検索部３による検索の信頼度Ｄ_ｊ’を外部に出力することによって、例えば、画像検索部３による検索の信頼度Ｄ_ｊ’をディスプレイ等に表示させる。

以上の実施の形態２では、複数の学習用の画像である学習用画像が信頼度別にグループ分けされており、第２の学習モデル６３は、それぞれの学習用画像が与えられ、それぞれの学習用画像が含まれているグループについての信頼度が教師データとして与えられたときに、信頼度の学習が行われた学習モデルである。図１２に示す画像検索装置の信頼度取得部６１は、クエリ画像を第２の学習モデル６３に与えて、第２の学習モデル６３から、クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像が検索された際の検索の信頼度として、グループについての信頼度を取得する。図１２に示す画像検索装置の信頼度特定部６２は、信頼度取得部６１により取得されたグループについての信頼度から、画像検索部３による検索の信頼度を特定する。したがって、図１２に示す画像検索装置は、図１に示す画像検索装置と同様に、画像検索部３による検索の信頼度を確認することができる。

実施の形態３．
実施の形態３では、信頼度取得部６４が、クエリ画像ｑを第２の学習モデル６６に与えて、第２の学習モデル６６から、検索の信頼度として、距離クラスについての信頼度を取得する画像検索装置について説明する。

図１６は、実施の形態３に係る画像検索装置を示す構成図である。図１６において、図１及び図１２と同一符号は同一又は相当部分を示すので説明を省略する。
図１７は、実施の形態３に係る画像検索装置のハードウェアを示すハードウェア構成図である。図１７において、図２及び図１３と同一符号は同一又は相当部分を示すので説明を省略する。
図１６に示す画像検索装置は、特徴ベクトル取得部１、信頼度取得部６４、画像検索部３及び信頼度特定部６５を備えている。

学習用画像群ＧＧに含まれているＭ個の学習用画像ｇｇ_１～ｇｇ_Ｍは、例えば、Ｕ個の距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）に分類されている。Ｕは、１以上Ｍ以下の整数である。
即ち、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍのそれぞれは、順番に基準画像ｇｇ_ｒｅｆに設定される。それぞれの基準画像ｇｇ_ｒｅｆと、学習用画像群ＧＧに含まれている、当該基準画像ｇｇ_ｒｅｆ以外のそれぞれの学習用画像ｇｇ_ｍである学習用画像ｇｇ_ｍ’との類似度が、当該基準画像ｇｇ_ｒｅｆの画像空間上の位置とそれぞれの学習用画像ｇｇ_ｍ’の画像空間上の位置との間の距離で表されている。
そして、それぞれの学習用画像ｇｇ_ｍ’は、当該基準画像ｇｇ_ｒｅｆとの距離によって、Ｕ個の距離クラスＣＬ_１～ＣＬ_Ｕの中のいずれかの距離クラスに分類されている。
第２の学習モデル６６は、基準画像ｇｇ_ｒｅｆと、距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕとが与えられたときに、距離クラスＣＬ_ｕについての信頼度Ｄ_ｕの学習が行われた学習モデルである。
距離クラスＣＬ_ｕについての信頼度Ｄ_ｕは、以下の式（１）に示すように、距離クラスＣＬ_ｕに含まれている学習用画像ｇｇ_ｍの中で、基準画像ｇｇ_ｒｅｆに含まれている被写体を含んでいる学習用画像の割合である第１の頻度Ｐ_ｕと、基準画像ｇｇ_ｒｅｆに含まれている被写体を含んでいない学習用画像の割合である第２の頻度Ｐ_ｕ’とから算出されたものである。
Ｄ_ｕ＝Ｐ_ｕ／（Ｐ_ｕ＋Ｐ_ｕ’） （１）

信頼度取得部６４は、例えば、図１７に示す信頼度取得回路１７によって実現される。
信頼度取得部６４は、第２の学習モデル６６を備えている。第２の学習モデル６６は、図１８に示す学習装置によって生成されたものである。
信頼度取得部６４は、クエリ画像ｑを取得する。
信頼度取得部６４は、クエリ画像ｑを第２の学習モデル６６に与えて、第２の学習モデル６６から、Ｎ個のギャラリ画像ｇ_１～ｇ_Ｎの中で、クエリ画像ｑに含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’が検索された際の検索の信頼度として、距離クラスＣＬ_ｕ’（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕ’を取得する。
信頼度取得部６４は、距離クラスＣＬ_ｕ’についての信頼度Ｄ_ｕ’を信頼度特定部６５に出力する。

信頼度特定部６５は、例えば、図１７に示す信頼度特定回路１８によって実現される。
信頼度特定部６５は、信頼度取得部６４から、距離クラスＣＬ_ｕ’（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕ’を取得する。
信頼度特定部６５は、画像検索部３による検索の信頼度として、Ｕ個の距離クラスＣＬ_１’～ＣＬ_Ｕ’の中から、画像検索部３により検索されたギャラリ画像ｇ_ｋ’（ｋ＝１，・・・，Ｋ）が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’を取得する。
信頼度特定部６５は、取得した距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’から、画像検索部３による検索の信頼度を算出する。
信頼度特定部６５は、画像検索部３による検索の信頼度を外部に出力することによって、例えば、画像検索部３による検索の信頼度をディスプレイ等に表示させる。

図１６では、画像検索装置の構成要素である特徴ベクトル取得部１、信頼度取得部６４、画像検索部３及び信頼度特定部６５のそれぞれが、図１７に示すような専用のハードウェアによって実現されるものを想定している。即ち、画像検索装置が、特徴ベクトル取得回路１１、信頼度取得回路１７、画像検索回路１３及び信頼度特定回路１８によって実現されるものを想定している。
特徴ベクトル取得回路１１、信頼度取得回路１７、画像検索回路１３及び信頼度特定回路１８のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

画像検索装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、画像検索装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合、特徴ベクトル取得部１、信頼度取得部６４、画像検索部３及び信頼度特定部６５におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図３に示すメモリ２１に格納される。そして、図３に示すプロセッサ２２がメモリ２１に格納されているプログラムを実行する。

また、図１７では、画像検索装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図３では、画像検索装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、画像検索装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

図１８は、図１６に示す画像検索装置により用いられる第１の学習モデル５及び第２の学習モデル６６のそれぞれを生成する学習装置を示す構成図である。
図１９は、図１８に示す学習装置のハードウェアを示すハードウェア構成図である。
図１９に示す学習装置は、第１の学習モデル生成部３１及び第２の学習モデル生成部３４を備えている。

第２の学習モデル生成部３４は、例えば、図１９に示す第２の学習モデル生成回路４４によって実現される。
第２の学習モデル生成部３４は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。
第２の学習モデル生成部３４は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）が含まれている距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕを取得する。
第２の学習モデル生成部３４は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）と、距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕとを用いて、第２の学習モデル６６を生成する。
即ち、第２の学習モデル生成部３４は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍのそれぞれを順番に基準画像ｇｇ_ｒｅｆに設定する。
そして、第２の学習モデル生成部３４は、設定した基準画像ｇｇ_ｒｅｆを第２の学習モデル６６に与え、教師データを第２の学習モデル６６に与えることで、距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕを第２の学習モデル６６に学習させる。教師データは、学習用画像群ＧＧに含まれている学習用画像ｇｇ_１～ｇｇ_Ｍの中で、設定した基準画像ｇｇ_ｒｅｆ以外のそれぞれの学習用画像ｇｇ_ｍである学習用画像ｇｇ_ｍ’が含まれている距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕである。
第２の学習モデル生成部３４は、学習済みの第２の学習モデル６６を図１６に示す画像検索装置の信頼度取得部６４に与える。

図１８では、学習装置の構成要素である第１の学習モデル生成部３１及び第２の学習モデル生成部３４のそれぞれが、図１９に示すような専用のハードウェアによって実現されるものを想定している。即ち、学習装置が、第１の学習モデル生成回路４１及び第２の学習モデル生成回路４４によって実現されるものを想定している。
第１の学習モデル生成回路４１及び第２の学習モデル生成回路４４のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又は、これらを組み合わせたものが該当する。

学習装置の構成要素は、専用のハードウェアによって実現されるものに限るものではなく、学習装置が、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現されるものであってもよい。
学習装置が、ソフトウェア又はファームウェア等によって実現される場合、第１の学習モデル生成部３１及び第２の学習モデル生成部３４におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図６に示すメモリ５１に格納される。そして、図６に示すプロセッサ５２がメモリ５１に格納されているプログラムを実行する。

また、図１９では、学習装置の構成要素のそれぞれが専用のハードウェアによって実現される例を示し、図６では、学習装置がソフトウェア又はファームウェア等によって実現される例を示している。しかし、これは一例に過ぎず、学習装置における一部の構成要素が専用のハードウェアによって実現され、残りの構成要素がソフトウェア又はファームウェア等によって実現されるものであってもよい。

最初に、図１８に示す学習装置の動作について説明する。第２の学習モデル生成部３４以外は、図４に示す学習装置と同様であるため、ここでは、第２の学習モデル生成部３４の動作のみを説明する。
図１８に示す学習装置では、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍのそれぞれが順番に基準画像ｇｇ_ｒｅｆに設定される。そして、それぞれの基準画像ｇｇ_ｒｅｆと、学習用画像ｇｇ_ｍ’（ｍ＝１，・・・，Ｍ－１）との類似度が、基準画像ｇｇ_ｒｅｆの画像空間上の位置と学習用画像ｇｇ_ｍ’（ｍ＝１，・・・，Ｍ－１）の画像空間上の位置との間の距離で表されている。
例えば、Ｍ＝５であり、基準画像ｇｇ_ｒｅｆが学習用画像ｇｇ_２であれば、学習用画像ｇｇ_１’は学習用画像ｇｇ_１であり、学習用画像ｇｇ_２’は学習用画像ｇｇ_３であり、学習用画像ｇｇ_３’は学習用画像ｇｇ_４であり、学習用画像ｇｇ_４’は学習用画像ｇｇ_５である。
また、例えば、Ｍ＝５であり、基準画像ｇｇ_ｒｅｆが学習用画像ｇｇ_３であれば、学習用画像ｇｇ_１’は学習用画像ｇｇ_１であり、学習用画像ｇｇ_２’は学習用画像ｇｇ_２であり、学習用画像ｇｇ_３’は学習用画像ｇｇ_４であり、学習用画像ｇｇ_４’は学習用画像ｇｇ_５である。
学習用画像ｇｇ_ｍ’（ｍ＝１，・・・，Ｍ－１）は、基準画像ｇｇ_ｒｅｆとの距離によって、Ｕ個の距離クラスＣＬ_１～ＣＬ_Ｕの中のいずれかの距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）に分類されている。

第２の学習モデル生成部３４は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍを含む学習用画像群ＧＧを取得する。
第２の学習モデル生成部３４は、学習用画像ｇｇ_ｍ（ｍ＝１，・・・，Ｍ）が含まれている距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕを取得する。
即ち、第２の学習モデル生成部３４は、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍのそれぞれを順番に基準画像ｇｇ_ｒｅｆに設定し、Ｍ個の学習用画像ｇｇ_１～ｇｇ_Ｍの中で、設定した基準画像ｇｇ_ｒｅｆ以外のそれぞれの学習用画像ｇｇ_ｍ である学習用画像ｇｇ_ｍ’が含まれている距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕを取得する。
第２の学習モデル生成部３４は、設定した基準画像ｇｇ_ｒｅｆを第２の学習モデル６６に与え、教師データを第２の学習モデル６６に与えることで、距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕを第２の学習モデル６６に学習させる。教師データは、（Ｍ－１）個の学習用画像ｇｇ_１’～ｇｇ_Ｍ－１’が含まれている距離クラスＣＬ_ｕ（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕである。
第２の学習モデル生成部３４は、学習済みの第２の学習モデル６６を図１６に示す画像検索装置の信頼度取得部６４に与える。

次に、図１６に示す画像検索装置の動作について説明する。信頼度取得部６４及び信頼度特定部６５以外は、図１に示す画像検索装置と同様であるため、ここでは、信頼度取得部６４及び信頼度特定部６５の動作のみを説明する。
信頼度取得部６４は、クエリ画像ｑを取得する。
信頼度取得部６４は、クエリ画像ｑを第２の学習モデル６６に与えて、第２の学習モデル６６から、距離クラスＣＬ_ｕ’（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕ’を取得する。
信頼度取得部６４は、距離クラスＣＬ_ｕ’についての信頼度Ｄ_ｕ’を信頼度特定部６５に出力する。
距離クラスＣＬ_ｕ’についての信頼度Ｄ_ｕ’は、以下の式（２）に示すように、距離クラスＣＬ_ｕ’に含まれているギャラリ画像ｇ_ｎ（ｎ＝１，・・・，Ｎ）の中で、クエリ画像ｑに含まれている被写体を含んでいるギャラリ画像の割合である第１の頻度Ｐ_ｕと、クエリ画像ｑに含まれている被写体を含んでいないギャラリ画像の割合である第２の頻度Ｐ_ｕ’とから算出が可能なものである。
Ｄ_ｕ’＝Ｐ_ｕ／（Ｐ_ｕ＋Ｐ_ｕ’） （２）
図２０は、クエリ画像に含まれている被写体を含んでいるギャラリ画像の頻度分布と、クエリ画像に含まれている被写体を含んでいないギャラリ画像の頻度分布とを示す説明図である。
図２０において、横軸は、距離クラスＣＬ_ｕ’（ｕ＝１，・・・，Ｕ）を示している。縦軸は、第１の頻度Ｐ_ｕ及び第２の頻度Ｐ_ｕ’のそれぞれを示している。
図２０では、１つのクエリ画像ｑ_ｈと５つのギャラリ画像ｇ_１～ｇ_５とが例示されている。

信頼度特定部６５は、信頼度取得部６４から、距離クラスＣＬ_ｕ’（ｕ＝１，・・・，Ｕ）についての信頼度Ｄ_ｕ’を取得する。
信頼度特定部６５は、画像検索部３から、Ｋ個のギャラリ画像ｇ_１’～ ｇ_Ｋ’を取得し、画像検索部３から、クエリ画像ｑの特徴ベクトルＦｖ_ｑとギャラリ画像ｇ_ｋ’（ｋ＝１，・・・，Ｈ）とのユークリッド距離Ｌ_ｋを取得する。
信頼度特定部６５は、クエリ画像ｑの特徴ベクトルＦｖ_ｑとギャラリ画像ｇ_ｋ’（ｋ＝１，・・・，Ｈ）とのユークリッド距離Ｌ_ｋに基づいて、Ｕ個の距離クラスＣＬ_１’～ＣＬ_Ｕ’の中で、ギャラリ画像ｇ_ｋ’が含まれている距離クラスＣＬ_ｋ’を特定する。
そして、信頼度特定部６５は、Ｕ個の距離クラスＣＬ_１’～ＣＬ_Ｕ’についての信頼度Ｄ_ｕ’の中から、画像検索部３により検索されたギャラリ画像ｇ_ｋ’（ｋ＝１，・・・，Ｋ）が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’を特定する。
例えば、Ｋ＝２であり、画像検索部３により検索されたギャラリ画像ｇ_ｋ’が、ギャラリ画像ｇ_１’，ｇ_２’であれば、信頼度特定部６５は、ギャラリ画像ｇ_１’が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’と、ギャラリ画像ｇ_２’が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’とを取得する。
例えば、Ｋ＝５であり、画像検索部３により検索されたギャラリ画像ｇ_ｋ’が、ギャラリ画像ｇ_１’，ｇ_２’，ｇ_３’，ｇ_４’，ｇ_５’であれば、信頼度特定部６５は、ギャラリ画像ｇ_１’が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’と、ギャラリ画像ｇ_２’が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’とを取得する。また、信頼度特定部６５は、ギャラリ画像ｇ_３’が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’と、ギャラリ画像ｇ_４’が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’と、ギャラリ画像ｇ_５’が含まれている距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’とを取得する。

信頼度特定部６５は、画像検索部３により検索されたギャラリ画像ｇ_ｋ’の数が１つであり、取得した距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’の数が１つであれば、画像検索部３による検索の信頼度Ｄ_ｊ’として、１つの距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’を外部に出力する。
信頼度特定部６５は、画像検索部３により検索されたギャラリ画像ｇ_ｋ’の数が複数であり、取得した距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’の数が複数であれば、画像検索部３による検索の信頼度Ｄ_ｊ’として、複数の距離クラスＣＬ_ｋ’についての信頼度Ｄ_ｋ’の平均値、あるいは、中央値等を算出する。
信頼度特定部６５は、画像検索部３による検索の信頼度Ｄ_ｊ’を外部に出力することによって、例えば、画像検索部３による検索の信頼度Ｄ_ｊ’をディスプレイ等に表示させる。

以上の実施の形態３では、信頼度取得部６４が、クエリ画像を第２の学習モデル６６に与えて、第２の学習モデル６６から、クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像が検索された際の検索の信頼度として、複数の距離クラスについての信頼度を取得し、信頼度特定部６５が、信頼度取得部６４により取得された複数の距離クラスについての信頼度の中から、画像検索部３により検索されたＫ個のギャラリ画像が含まれている距離クラスについての信頼度を取得し、取得した距離クラスについての信頼度から、画像検索部３による検索の信頼度を算出するように、図１６に示す画像検索装置を構成した。したがって、図１６に示す画像検索装置は、図１に示す画像検索装置と同様に、画像検索部３による検索の信頼度を確認することができる。

なお、本開示は、各実施の形態の自由な組み合わせ、あるいは各実施の形態の任意の構成要素の変形、もしくは各実施の形態において任意の構成要素の省略が可能である。

本開示は、画像検索装置及び画像検索方法に適している。

１ 特徴ベクトル取得部、２，６１，６４ 信頼度取得部、３ 画像検索部、４，６２，６５ 信頼度特定部、５ 第１の学習モデル、６，６３，６６ 第２の学習モデル、１１ 特徴ベクトル取得回路、１２，１５，１７ 信頼度取得回路、１３ 画像検索回路、１４，１６，１８ 信頼度特定回路、２１ メモリ、２２ プロセッサ、３１ 第１の学習モデル生成部、３２，３３，３４ 第２の学習モデル生成部、４１ 第１の学習モデル生成回路、４２，４３，４４ 第２の学習モデル生成回路、５１ メモリ、５２ プロセッサ。

Claims (5)

1. 識別対象の画像であるクエリ画像を第１の学習モデルに与えて、前記第１の学習モデルから、前記クエリ画像の特徴ベクトルを取得し、複数の被識別対象の画像であるギャラリ画像のそれぞれを前記第１の学習モデルに与えて、前記第１の学習モデルから、それぞれのギャラリ画像の特徴ベクトルを取得する特徴ベクトル取得部と、
   前記クエリ画像を第２の学習モデルに与えて、前記第２の学習モデルから、前記複数のギャラリ画像の中で、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ（Ｋは、１以上の整数）個のギャラリ画像が検索された際の検索の信頼度を取得する信頼度取得部と、
   前記特徴ベクトル取得部により取得されたクエリ画像の特徴ベクトルとそれぞれのギャラリ画像の特徴ベクトルとに基づいて、前記複数のギャラリ画像の中から、前記Ｋ個のギャラリ画像を検索する画像検索部と、
   前記信頼度取得部により取得された信頼度から、前記画像検索部による検索の信頼度を特定する信頼度特定部と
   を備えた画像検索装置。
2. 前記第２の学習モデルは、
   学習用画像群に含まれている複数の学習用の画像である学習用画像のそれぞれが順番に基準画像として与えられ、前記学習用画像群に含まれている、前記基準画像以外の学習用画像の中から、前記基準画像に含まれている被写体を含んでいる可能性が相対的に高いＫ個の学習用画像が検索された際の検索の信頼度が教師データとして与えられたときに、前記信頼度の学習が行われた学習モデルであることを特徴とする請求項１記載の画像検索装置。
3. 複数の学習用の画像である学習用画像が信頼度別にグループ分けされており、
   前記第２の学習モデルは、
   それぞれの学習用画像が与えられ、それぞれの学習用画像が含まれているグループについての信頼度が教師データとして与えられたときに、前記信頼度の学習が行われた学習モデルであり、
   前記信頼度取得部は、
   前記クエリ画像を前記第２の学習モデルに与えて、前記第２の学習モデルから、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像が検索された際の検索の信頼度として、グループについての信頼度を取得し、
   前記信頼度特定部は、
   前記信頼度取得部により取得されたグループについての信頼度から、前記画像検索部による検索の信頼度を特定することを特徴とする請求項１記載の画像検索装置。
4. 学習用画像群に含まれている複数の学習用の画像である学習用画像のそれぞれが順番に基準画像であるとして、それぞれの基準画像と、前記学習用画像群に含まれている、当該基準画像以外のそれぞれの学習用画像との類似度が、当該基準画像の画像空間上の位置とそれぞれの学習用画像の画像空間上の位置との間の距離で表され、それぞれの学習用画像が、当該基準画像との距離によって、複数の距離クラスの中のいずれかの距離クラスに分類されており、
   前記第２の学習モデルは、
   それぞれの基準画像が与えられ、複数の距離クラスについての信頼度が教師データとして与えられたときに、前記信頼度の学習が行われた学習モデルであり、
   前記信頼度取得部は、
   前記クエリ画像を前記第２の学習モデルに与えて、前記第２の学習モデルから、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ個のギャラリ画像が検索された際の検索の信頼度として、複数の距離クラスについての信頼度を取得し、
   前記信頼度特定部は、
   前記信頼度取得部により取得された複数の距離クラスについての信頼度の中から、前記画像検索部により検索されたＫ個のギャラリ画像が含まれている距離クラスについての信頼度を取得し、取得した距離クラスについての信頼度から、前記画像検索部による検索の信頼度を特定することを特徴とする請求項１記載の画像検索装置。
5. 特徴ベクトル取得部が、識別対象の画像であるクエリ画像を第１の学習モデルに与えて、前記第１の学習モデルから、前記クエリ画像の特徴ベクトルを取得し、複数の被識別対象の画像であるギャラリ画像のそれぞれを前記第１の学習モデルに与えて、前記第１の学習モデルから、それぞれのギャラリ画像の特徴ベクトルを取得し、
   信頼度取得部が、前記クエリ画像を第２の学習モデルに与えて、前記第２の学習モデルから、前記複数のギャラリ画像の中で、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いＫ（Ｋは、１以上の整数）個のギャラリ画像が検索された際の検索の信頼度を取得し、
   画像検索部が、前記特徴ベクトル取得部により取得されたクエリ画像の特徴ベクトルとそれぞれのギャラリ画像の特徴ベクトルとに基づいて、前記複数のギャラリ画像の中から、前記Ｋ個のギャラリ画像を検索し、
   信頼度特定部が、前記信頼度取得部により取得された信頼度から、前記画像検索部による検索の信頼度を特定する
   画像検索方法。

Images