JP7366133B2 - プログラム、情報処理装置、肌キメ状態推定方法、学習済みモデル、情報処理システム、及び学習済みモデルの作成方法 - Google Patents

Description

本発明は、プログラム、情報処理装置、肌キメ状態推定方法、学習済みモデル、情報処理システム、及び学習済みモデルの作成方法に関する。

例えばスマートフォンで肌表面を最大撮影倍率で近接撮影し、きめや毛穴等の微細な形状を解析する技術を搭載したスマートフォン用アプリケーションが知られている（例えば非特許文献１参照）。

"撮るスキンケア「肌パシャ」資生堂"、［online］、株式会社資生堂、［平成31年3月15日検索］、インターネット〈URL:http://hadapasha.shiseido.co.jp/〉

上記したスマートフォン用アプリケーションは、ユーザの肌キメ状態の推定を行うことができる。このようなスマートフォン用アプリケーションによるユーザの肌キメ状態の推定精度の更なる向上が望まれている。

本発明の一実施形態は、ユーザの肌画像データから推定する肌キメ状態の精度を向上できるプログラムを提供することを目的とする。

上記の課題を解決するため、本発明の一実施形態は、ユーザの肌画像データから前記ユーザの肌キメ状態を推定し、推定結果を表示するようにコンピュータを機能させるためのプログラムであって、前記コンピュータを、前記ユーザの肌画像データからＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて複数の特徴点を検出し、検出した前記特徴点を含む局所画像ごとに局所画像特徴量をＡＫＡＺＥアルゴリズムにより抽出する局所画像特徴量抽出手段、肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの局所画像特徴量が入力されたときに、前記学習用の肌画像データと対応付けられた前記肌キメ状態を定量化した値を出力するように機械学習された学習済みモデルを用いて、前記局所画像特徴量抽出手段がＡＫＡＺＥアルゴリズムにより抽出した前記局所画像特徴量から前記ユーザの肌キメ状態を推定する肌キメ状態推定手段、推定した前記ユーザの肌キメ状態と対応付けられた写真又は絵を推定結果として表示する表示手段、として機能させるためのプログラムであることを特徴とする。

本発明の一実施形態によれば、ユーザの肌画像データから推定する肌キメ状態の精度を向上できる。

本実施形態に係る情報処理システムの一例の構成図である。 本実施形態に係るコンピュータの一例のハードウェア構成図である。 ＳＶＭの教師あり学習を説明する一例の図である。 学習済みモデルを用いた、ユーザの肌画像データの画像特徴量からのユーザの肌クラスの推定を説明する一例の図である。 本実施形態に係るサーバ装置の一例の機能ブロック図である。 本実施形態に係る使用者端末の一例の機能ブロック図である。 学習済みモデルの作成手順を表した一例のフローチャートである。 肌クラスと対応付けられた肌画像データから肌クラスと対応付けられた画像特徴量を抽出する処理の一例のイメージ図である。 学習済みモデルによる推定手順を表した一例のフローチャートである。

次に、本発明の実施形態について詳細に説明する。

［第１の実施形態］
＜システム構成＞
図１は、本実施形態に係る情報処理システム１０の一例の構成図である。図１の情報処理システム１０は、１台以上の開発者端末１と１台以上の使用者端末２とサーバ装置３とがインターネット等のネットワーク４を介して接続されている。開発者端末１は肌キメ状態の推定を行うアプリケーション（以下、単にアプリと呼ぶ）の開発者が操作するＰＣなどのクライアント端末である。例えばサーバ装置３は開発者端末１からのリクエストを受け付け、アプリの開発に関する処理等、そのリクエストに応じた処理を行う。開発者により開発されたアプリは例えばサーバ装置３に保存される。

また、使用者端末２はアプリの使用者が操作するＰＣ、スマートフォン、タブレットなどの端末装置、家庭用や業務用の肌キメ状態を推定する専用機器などのクライアント端末である。サーバ装置３は使用者端末２からのリクエストを受け付け、アプリの利用に関する処理等、そのリクエストに応じた処理を行う。利用者により利用されるアプリは例えば使用者端末２にダウンロードされて利用される。

なお、図１の情報処理システム１０は一例であって、用途や目的に応じて様々なシステム構成例があることは言うまでもない。例えば図１のサーバ装置３は複数のコンピュータに分散して構成してもよい。また、開発者及び使用者はユーザの一例である。

＜ハードウェア構成＞
図１の開発者端末１、使用者端末２及びサーバ装置３は、例えば図２のハードウェア構成のコンピュータにより実現される。図２は、本実施形態に係るコンピュータの一例のハードウェア構成図である。

図２のコンピュータは、入力装置５０１、出力装置５０２、外部Ｉ／Ｆ５０３、ＲＡＭ５０４、ＲＯＭ５０５、ＣＰＵ５０６、通信Ｉ／Ｆ５０７、及びＨＤＤ５０８などを備えており、それぞれがバスＢで相互に接続されている。

入力装置５０１は入力に用いるキーボード、マウス、音声や音楽などの音データを入力するマイク、画像データを撮影するカメラなどである。出力装置５０２は、画面を表示する液晶や有機ＥＬなどのディスプレイ、音声や音楽などの音データを出力するスピーカ等で構成されている。通信Ｉ／Ｆ５０７はコンピュータをネットワーク４に接続するインターフェースである。ＨＤＤ５０８はプログラムやデータを格納している不揮発性の記憶装置の一例である。

外部Ｉ／Ｆ５０３は外部装置とのインターフェースである。コンピュータは外部Ｉ／Ｆ５０３を介して記録媒体５０３ａの読み取り及び／又は書き込みを行うことができる。記録媒体５０３ａにはＤＶＤ、ＳＤメモリカード、ＵＳＢメモリなどがある。

ＣＰＵ５０６はＲＯＭ５０５やＨＤＤ５０８などの記憶装置からプログラムやデータをＲＡＭ５０４上に読み出し、処理を実行することで、コンピュータ全体の制御や機能を実現する演算装置である。本実施形態に係る開発者端末１、使用者端末２及びサーバ装置３は上記したハードウェア構成のコンピュータにおいてプログラムを実行することにより各種機能を実現できる。なお、図２のハードウェア構成は一例であって、用途や目的に応じて様々な構成例があることは言うまでもない。

＜肌キメ状態の推定精度向上の検討＞
肌キメ状態の推定精度は、例えば図３Ａ及び図３Ｂに示す機械学習の利用により向上することが期待される。図３Ａ及び図３Ｂは機械学習の利用による肌キメ状態の推定を説明する一例の図である。図３Ａ及び図３Ｂでは肌画像データの局所画像特徴量からの肌キメ状態の推定に、機械学習モデルの一例であるＳＶＭ（サポートベクターマシン）を利用する例を示している。ＳＶＭは、教師あり学習を用いるパターン認識モデルの一つであり、例えば分類や回帰へ適用される。ＳＶＭでは、マージンが最大化するように設定された教師あり機械学習アルゴリズムにより機械学習された学習済みモデルが用いられる。

また、局所画像特徴量とは画像の一部の領域から計算できる抽出できる量である。局所画像特徴量（以下、単に画像特徴量と呼ぶ）の一例としては、例えばＡＫＡＺＥ（Ａｃｃｅｌｅｒａｔｅｄ－ＫＡＺＥ）アルゴリズムにより抽出（計算）されるＡＫＡＺＥ特徴量が知られている。

図３ＡはＳＶＭの教師あり学習を説明する一例の図である。肌画像データ１０００は例えば専門家により肌キメ状態（肌クラス）が判断され、その肌クラスと対応付けられている。肌クラスと対応付けられた肌画像データ１０００から例えばＡＫＡＺＥアルゴリズムにより抽出された画像特徴量１０１０は、元の肌画像データ１０００の肌クラス１０２０と対応付けられる。肌クラス１０２０と対応付けられた画像特徴量１０１０は、肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの一例であって、ＳＶＭの教師あり学習で教師データとして利用される。

学習済みモデル１０３０は、肌クラス１０２０と対応付けられた画像特徴量１０１０を教師データとして機械学習されたものである。つまり、学習済みモデル１０３０は画像特徴量１０１０が入力されたときに、その画像特徴量１０１０と対応付けられた肌クラス１０２０を出力するように機械学習された学習済みモデルとなる。

図３Ｂは学習済みモデル１０３０を用いた、ユーザの肌画像データ１１００の画像特徴量１１１０からのユーザの肌クラス１１２０の推定を説明する一例の図である。肌画像データ１１００は肌クラス１１２０を推定するユーザの肌画像を表す。肌画像データ１１００から例えばＡＫＡＺＥアルゴリズムにより抽出された画像特徴量１１１０は、学習済みモデル１０３０に入力される。学習済みモデル１０３０は、入力された画像特徴量１１１０から肌クラス１１２０を推定できる。

ＳＶＭにより機械学習された学習済みモデル１０３０を用いることで、本実施形態では肌キメ状態（肌クラス）の推定精度を向上させることができる。

＜ソフトウェア構成＞
《サーバ装置》
図４は本実施形態に係るサーバ装置３の一例の機能ブロック図である。サーバ装置３はプログラムを実行することにより、肌クラス付き肌画像データ記憶部２０、局所画像特徴量抽出部２２、教師データ記憶部２４、学習済みモデル作成部２６、学習済みモデル記憶部２８、アプリ作成部３０、アプリ記憶部３２、及びダウンロード処理部３４を実現している。

肌クラス付き肌画像データ記憶部２０は、専門家により肌キメ状態（肌クラス）が判断され、その肌クラスと対応付けられた肌画像データ１０００が肌クラス付き肌画像データとして記憶されている。局所画像特徴量抽出部２２は、肌クラスと対応付けられた肌画像データ１０００から例えばＡＫＡＺＥアルゴリズムにより、肌クラス１０２０と対応付けられた画像特徴量１０１０を抽出する。

教師データ記憶部２４は、局所画像特徴量抽出部２２により抽出された、肌クラス１０２０と対応付けられた画像特徴量１０１０を、教師データとして記憶している。学習済みモデル作成部２６は、教師データ記憶部２４に教師データとして記憶された画像特徴量１０１０が入力されたときに、その画像特徴量１０１０と対応付けられた肌クラス１０２０を出力するように機械学習させた学習済みモデル１０３０を作成する。

学習済みモデル記憶部２８は、学習済みモデル作成部２６により作成された学習済みモデル１０３０を記憶する。アプリ作成部３０は、学習済みモデル１０３０を利用したアプリを、開発者端末１を操作する開発者からのリクエストに基づいて作成する。例えばアプリ作成部３０は使用者端末２にインストールして利用させるアプリを作成できる。使用者端末２にインストールして利用させるアプリの一例としては、ユーザの肌画像データからユーザの肌クラス１１２０を推定し、推定結果を表示するように使用者端末２を機能させるためのアプリがある。アプリ記憶部３２は、アプリ作成部３０により作成されたアプリを記憶する。ダウンロード処理部３４は使用者端末２からのリクエストに基づき、アプリ記憶部３２のアプリを使用者端末２にダウンロードする。

《使用者端末》
図５は本実施形態に係る使用者端末２の一例の機能ブロック図である。使用者端末２は例えばオペレーティングシステム、インストーラやアプリ等のプログラムを実行することにより、インストール処理部４０、肌画像撮影部５０、局所画像特徴量抽出部５２、肌キメ状態推定部５４、及び推定結果表示部５６を実現している。

インストール処理部４０はサーバ装置３にリクエストを行い、サーバ装置３からアプリをダウンロードする。インストール処理部４０はダウンロードしたアプリを使用者端末２にインストールし、アプリを使用できるようにする。

肌画像撮影部５０は、カメラにより使用者の肌画像を撮影し、使用者の肌画像データ１１００を出力する。カメラは入力装置５０１のカメラを利用してもよいし、使用者端末２に外付けされたカメラを利用してもよい。局所画像特徴量抽出部５２は、使用者の肌画像データ１１００から画像特徴量１１１０を抽出する。

肌キメ状態推定部５４は、使用者の肌画像データ１１００から抽出した画像特徴量１１１０を学習済みモデル１０３０に入力することで、使用者の画像特徴量１１１０から推定される肌クラス１１２０を出力する。推定結果表示部５６は、肌キメ状態推定部５４が出力した肌クラス１１２０を、使用者の肌キメ状態の推定結果として表示できる。

＜処理＞
《学習処理》
サーバ装置３は例えば図６の処理手順で学習済みモデル１０３０を作成する。図６は学習済みモデル１０３０の作成手順を表した一例のフローチャートである。ステップＳ１０において、サーバ装置３の局所画像特徴量抽出部２２は例えば図７に示すように、肌クラスと対応付けられた肌画像データ１０００から肌クラス１０２０と対応付けられた画像特徴量１０１０を抽出する。

図７は肌クラスと対応付けられた肌画像データ１０００から肌クラス１０２０と対応付けられた画像特徴量１０１０を抽出する処理の一例のイメージ図である。図７に示すように肌画像データ１０００は、それぞれ肌クラス０～ｎが対応付けられている。それぞれの肌画像データ１０００から複数の局所画像２００２を抽出するため、局所画像特徴量抽出部２２は肌画像データ１０００上の特徴点２００１を検出する。

なお、特徴点２００１の検出は肌画像データ１０００からより特徴的な部分を選択的に抽出することが望ましい。例えば特徴点２００１はＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて検出すればよい。また、局所画像２００２のピクセル数は、肌のキメが写る画像の大きさを考慮して決めるようにすればよい。局所画像２００２の肌クラスは、その局所画像２００２を抽出した肌画像データ１０００の肌クラスとする。なお、特徴点２００１の検出は肌画像データ１０００から偏り無く局所画像２００２を抽出できるように検出してもよい。

局所画像特徴量抽出部２２は、検出した特徴点２００１を含む局所画像２００２ごとにＡＫＡＺＥ特徴量などの画像特徴量１０１０を抽出する。例えばＡＫＡＺＥ特徴量は４８６ビットで表される。このように、局所画像特徴量抽出部２２は肌クラスと対応付けられた肌画像データ１０００から局所画像２００２ごとに画像特徴量１０１０を抽出し、その画像特徴量１０１０と、その画像特徴量１０１０を抽出した局所画像２００２の肌クラス１０２０と対応付けた教師データを教師データ記憶部２４に記憶できる。

図６のステップＳ１２に戻り、学習済みモデル作成部２６は教師データ記憶部２４に教師データとして記憶された画像特徴量１０１０と、その画像特徴量１０１０と対応付けられた肌クラス１０２０と、を利用し、画像特徴量１０１０が入力されたときに、その画像特徴量１０１０と対応付けられた肌クラス１０２０を出力するように機械学習させた学習済みモデル１０３０を作成する。

ステップＳ１３に進み、学習済みモデル作成部２６は作成した学習済みモデル１０３０の精度を交差検定（ＣＶ）で確認し、学習済みモデル１０３０を作成し直す必要があればステップＳ１０に戻り、作成し直す必要がなければ図６の処理を終了する。

《推定処理》
使用者端末２は例えば図８の処理手順で学習済みモデル１０３０によりユーザの肌クラス１１２０を推定する。図８は学習済みモデル１０３０による推定手順を表した一例のフローチャートである。使用者端末２にはサーバ装置３からダウンロードされたアプリがインストールされているものとする。使用者は使用者端末２でアプリを起動する。

ステップＳ２０において、使用者端末２の肌画像撮影部５０は、カメラにより使用者の肌画像を撮影し、使用者の肌画像データ１１００を出力する。なお、ステップＳ２０における肌画像の撮影するタイミングは、使用者が画面上のシャッターボタンなどを押下したタイミングであってもよいし、押下してから所定時間後のタイミングであってもよい。

ステップＳ２２において、局所画像特徴量抽出部５２は、ステップＳ２０で撮影された使用者の肌画像データ１１００に含まれる局所画像２００２ごとの画像特徴量１１１０を抽出する。ステップＳ２４において、肌キメ状態推定部５４はステップＳ２２で使用者の肌画像データ１１００から抽出した局所画像２００２ごとの画像特徴量１１１０を学習済みモデル１０３０に入力する。学習済みモデル１０３０は局所画像２００２ごとの画像特徴量１１１０から推定される肌クラス１１２０から使用者の肌クラス１１２０を推定して出力する。

ステップＳ２６に進み、推定結果表示部５６は、肌キメ状態推定部５４が出力した使用者の肌クラス１１２０を使用者の肌キメ状態の推定結果として表示する。なお、使用者の肌キメ状態の推定結果は、使用者の肌クラス１１２０を示す情報であってもよいし、使用者の肌クラス１１２０と対応付けられた写真、絵、又は情報等であってもよい。

なお、上記では画像特徴量１０１０と、その画像特徴量１０１０と対応付けられた肌クラス１０２０と、を利用し、学習済みモデル１０３０を作成していたが、これに限定されるものではない。例えば機械学習に利用する前に、画像特徴量１０１０を加工するようにしてもよい。

＜まとめ＞
以上、本実施形態の学習処理によれば、使用者の肌画像データから推定する肌キメ状態の精度を向上させた、学習済みモデル１０３０を実現できる。また、本実施形態の推定処理によれば、学習済みモデル１０３０を用いたことで、使用者の肌画像データから推定する肌キメ状態の精度を向上させたアプリを実現できる。

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

１ 開発者端末
２ 使用者端末
３ サーバ装置
４ ネットワーク
１０ 情報処理システム
２０ 肌クラス付き肌画像データ記憶部
２２ 局所画像特徴量抽出部
２４ 教師データ記憶部
２６ 学習済みモデル作成部
２８ 学習済みモデル記憶部
３０ アプリ作成部
３２ アプリ記憶部
３４ ダウンロード処理部
４０ インストール処理部
５０ 肌画像撮影部
５２ 局所画像特徴量抽出部
５４ 肌キメ状態推定部
５６ 推定結果表示部
１０００、１１００ 肌画像データ
１０１０、１１１０ 画像特徴量
１０２０、１１２０ 肌クラス
１０３０ 学習済みモデル

Claims (9)

1. ユーザの肌画像データから前記ユーザの肌キメ状態を推定し、推定結果を表示するようにコンピュータを機能させるためのプログラムであって、
   前記コンピュータを、
   前記ユーザの肌画像データからＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて複数の特徴点を検出し、検出した前記特徴点を含む局所画像ごとに局所画像特徴量をＡＫＡＺＥアルゴリズムにより抽出する局所画像特徴量抽出手段、
   肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの局所画像特徴量が入力されたときに、前記学習用の肌画像データと対応付けられた前記肌キメ状態を定量化した値を出力するように機械学習された学習済みモデルを用いて、前記局所画像特徴量抽出手段がＡＫＡＺＥアルゴリズムにより抽出した前記局所画像特徴量から前記ユーザの肌キメ状態を推定する肌キメ状態推定手段、
   推定した前記ユーザの肌キメ状態と対応付けられた写真又は絵を推定結果として表示する表示手段、
   として機能させるためのプログラム。
2. 前記肌キメ状態推定手段は、マージンが最大化するように設定された教師あり機械学習アルゴリズムにより機械学習された学習済みモデルを用いること
   を特徴とする請求項１記載のプログラム。
3. 前記局所画像特徴量抽出手段は、前記ユーザの肌キメが写る範囲を前記局所画像として前記局所画像特徴量を抽出すること
   を特徴とする請求項１又は２記載のプログラム。
4. ユーザの肌画像データから前記ユーザの肌キメ状態を推定し、推定結果を表示する情報処理装置であって、
   前記ユーザの肌画像データからＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて複数の特徴点を検出し、検出した前記特徴点を含む局所画像ごとに局所画像特徴量をＡＫＡＺＥアルゴリズムにより抽出する局所画像特徴量抽出手段と、
   肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの局所画像特徴量が入力されたときに、前記学習用の肌画像データと対応付けられた前記肌キメ状態を定量化した値を出力するように機械学習された学習済みモデルを用いて、前記局所画像特徴量抽出手段がＡＫＡＺＥアルゴリズムにより抽出した前記局所画像特徴量から前記ユーザの肌キメ状態を推定する肌キメ状態推定手段と、
   推定した前記ユーザの肌キメ状態と対応付けられた写真又は絵を推定結果として表示する表示手段と、
   を有する情報処理装置。
5. 前記ユーザの肌画像を撮影して前記ユーザの肌画像データを出力する撮影手段、
   を更に有する請求項４記載の情報処理装置。
6. ユーザの肌画像データから前記ユーザの肌キメ状態を推定し、推定結果を表示する情報処理装置において実行される肌キメ状態推定方法であって、
   前記ユーザの肌画像データからＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて複数の特徴点を検出し、検出した前記特徴点を含む局所画像ごとに局所画像特徴量をＡＫＡＺＥアルゴリズムにより抽出する局所画像特徴量抽出ステップと、
   肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの局所画像特徴量が入力されたときに、前記学習用の肌画像データと対応付けられた前記肌キメ状態を定量化した値を出力するように機械学習された学習済みモデルを用いて、前記局所画像特徴量抽出ステップでＡＫＡＺＥアルゴリズムにより抽出した前記局所画像特徴量から前記ユーザの肌キメ状態を推定する肌キメ状態推定ステップと、
   推定した前記ユーザの肌キメ状態と対応付けられた写真又は絵を推定結果として表示する表示ステップと、
   を有する肌キメ状態推定方法。
7. ユーザの肌画像データからＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて複数の特徴点を検出し、検出した前記特徴点を含む局所画像ごとにＡＫＡＺＥアルゴリズムにより抽出した局所画像特徴量が入力されると、前記ユーザの肌キメ状態を定量化した値を出力するようにコンピュータを機能させるための学習済みモデルであって、
   肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの局所画像特徴量が入力されたときに、前記学習用の肌画像データと対応付けられた前記肌キメ状態を定量化した値を出力するように機械学習され、
   前記ユーザの肌画像データのＡＫＡＺＥアルゴリズムにより抽出した前記局所画像特徴量が入力された場合に、前記ユーザの肌キメ状態と対応付けられた写真又は絵を推定結果として表示する為に前記ユーザの肌キメ状態を定量化した値を推定して出力する
   学習済みモデル。
8. クライアント端末がユーザから受け付けた操作に基づき、前記ユーザの肌画像データから前記ユーザの肌キメ状態を推定し、その推定結果を前記クライアント端末に表示させるサーバ装置を含む情報処理システムであって
   前記サーバ装置は、
   前記ユーザの肌画像データからＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて複数の特徴点を検出し、検出した前記特徴点を含む局所画像ごとに局所画像特徴量をＡＫＡＺＥアルゴリズムにより抽出する局所画像特徴量抽出手段と、
   肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの局所画像特徴量が入力されたときに、前記学習用の肌画像データと対応付けられた前記肌キメ状態を定量化した値を出力するように学習された学習済みモデルを用いて、前記局所画像特徴量抽出手段がＡＫＡＺＥアルゴリズムにより抽出した前記局所画像特徴量から前記ユーザの肌キメ状態を推定する肌キメ状態推定手段と、
   推定した前記ユーザの肌キメ状態と対応付けられた写真又は絵を推定結果として前記クライアント端末に表示させる表示制御手段と、
   を有する情報処理システム。
9. ユーザの肌画像データからＡＫＡＺＥアルゴリズムの特徴点検出機能を用いて複数の特徴点を検出し、検出した前記特徴点を含む局所画像ごとにＡＫＡＺＥアルゴリズムにより抽出した局所画像特徴量が入力されると、前記ユーザの肌キメ状態を定量化した値を出力するようにコンピュータを機能させるための学習済みモデルの作成方法であって、
   肌キメ状態を定量化した値と対応付けられた学習用の肌画像データの局所画像特徴量が入力されたときに、前記学習用の肌画像データと対応付けられた前記肌キメ状態を定量化した値を出力するように機械学習され、
   前記ユーザの肌画像データのＡＫＡＺＥアルゴリズムにより抽出した前記局所画像特徴量が入力された場合に、前記ユーザの肌キメ状態と対応付けられた写真又は絵を推定結果として表示する為に前記ユーザの肌キメ状態を定量化した値を推定して出力する
   学習済みモデルの作成方法。

Images