JP7392836B2 - データ生成装置、データ生成方法、学習装置及び記録媒体 - Google Patents

Description

本開示は、データ生成装置、データ生成方法、学習装置及び記録媒体の技術分野に関する。

データ生成装置として、本物データ（例えば、本物の画像）を疑似した偽物データ（例えば、偽物の画像）を生成可能な敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）を用いたデータ生成装置が知られている。敵対的生成ネットワークは、偽物データを生成する生成器（Ｇｅｎｅｒａｔｏｒ）と、本物データ及び偽物データを識別する識別機（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）とを備える。生成器の学習は、識別器をだますことが可能な偽物データを生成器が生成可能となるように行われ、識別器の学習は、本物データと生成器が生成した偽物データとを識別器が区別可能となるように行われる。

このような敵対的生成ネットワークは、様々な技術分野に応用されている。例えば、特許文献１には、敵対的生成ネットワークを用いて学習された生成器（より具体的には、生成器が用いる生成モデル）を用いて、低解像度の画像から高解像度の画像を取得する眼科画像処理装置が記載されている。

その他、本開示に関連する先行技術文献として、特許文献２から３及び非特許文献１から３があげられる。

特開２０２０－０００６７８号公報 特開２０１９－０９１４４０号公報 特開２０１９－１０９５６３号公報

Ｈｏｎｇｙｉ Ｚｈａｎｇ ｅｔ ａｌ．、"ｍｉｘｕｐ：ＢＥＹＯＮＤ ＥＭＰＥＲＩＣＡＬ ＲＩＳＫ ＭＩＮＩＭＩＺＡＴＩＯＮ"、ＩＣＬＲ（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｌｅａｒｎｉｎｇ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ） ２０１８、２０１８年 Ｓａｎｇｄｏｏ Ｙｕｎ ｅｔ ａｌ．、"ＣｕｔＭｉｘ： Ｒｅｇｕｌａｒｉｚａｔｉｏｎ Ｓｔｒａｔｅｇｙ ｔｏ Ｔｒａｉｎ Ｓｔｒｏｎｇ Ｃｌａｓｓｉｆｉｅｒｓ ｗｉｔｈ Ｌｏｃａｌｉｚａｂｌｅ Ｆｅａｔｕｒｅｓ"、ａｒｘｉｖ、１９０５．０４８９９、２０１９年８月７日 Ｉｓｈａａｎ Ｇｕｌｒａｊａｎｉ ｅｔ ａｌ．、"Ｉｍｐｒｏｖｅｄ Ｔｒａｉｎｉｎｇ ｏｆ Ｗａｓｓｅｒｓｔｅｉｎ ＧＡＮｓ"、ａｒｘｉｖ、１７０４．０００２８、２０１７年３月３１日

敵対的生成ネットワークは、生成器及び識別器の学習に非常に多くの時間を要するという技術的問題を備えている。つまり、敵対的生成ネットワークは、生成器及び識別器の学習を効率的に行うことができないという技術的問題を備えている。

本開示は、上述した技術的問題を解決可能なデータ生成装置、データ生成方法及び記録媒体を提供することを課題とする。一例として、本開示は、偽物データを生成するための生成手段及び本物データと偽物データとを識別するための識別手段の学習を効率的に行う可能なデータ生成装置、学習装置、データ生成方法及び記録媒体を提供することを課題とする。

本開示のデータ生成装置の一の態様は、本物データを取得する取得手段と、前記本物データを疑似した偽物データを取得又は生成する偽物データ生成手段と、前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成手段と、前記合成データ生成手段は、前記合成データを構成するデータ要素を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて変化させる。

本開示の学習装置の一の態様は、本物データを取得する取得手段と、前記本物データを疑似した偽物データを取得又は生成する偽物データ生成手段と、前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成手段と、識別モデルを用いて、前記本物データと前記偽物データと前記合成データとを含む識別対象データを識別する識別手段とを備え、前記識別手段は、前記識別手段による前記識別対象データの識別結果に基づいて前記識別モデルの学習を行い、前記合成データ生成手段は、前記識別モデルの学習を開始してから所定時間が経過するまでの期間を含む第１期間に前記合成データを生成するために用いる前記合成比率と、前記第１期間とは異なり且つ前記識別モデルの学習を開始してから前記所定時間が経過した後の期間を含む第２期間に前記合成データを生成するために用いる前記合成比率とが異なるものとなるように、前記合成比率を、前記合成データを生成する時間に応じて変化させる。

本開示のデータ生成方法の一の態様は、本物データを取得する取得工程と、前記本物データを疑似した偽物データを取得又は生成する偽物データ生成工程と、前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成工程と、前記合成データ生成工程では、前記合成データを構成するデータ要素を生成するために用いる前記合成比率は、前記合成データ中での前記データ要素の位置に応じて変化する。

本開示の記録媒体の一の態様は、コンピュータにデータ生成方法を実行させるコンピュータプログラムが記録された記録媒体であって、前記データ生成方法は、本物データを取得する取得工程と、前記本物データを疑似した偽物データを取得又は生成する偽物データ生成工程と、前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成工程と、前記合成データ生成工程では、前記合成データを構成するデータ要素を生成するために用いる前記合成比率は、前記合成データ中での前記データ要素の位置に応じて変化する。

図１は、本実施形態のデータ生成装置の構成を示すブロック図である。 図２は、本実施形態のデータ生成装置が行う学習動作の流れを示すフローチャートである。 図３は、合成画像と本物画像及び偽物画像との関係を模式的に示す。 図４は、合成比率の第１具体例を示すグラフである。 図５は、合成比率の第１具体例を用いて生成された合成画像を模式的に示す平面図である。 図６は、合成比率の第２具体例を示すグラフである。 図７は、合成比率の第２具体例を用いて生成された合成画像を模式的に示す平面図である。 図８は、合成比率の第３具体例を示すグラフである。 図９は、合成比率の第３具体例を用いて生成された合成画像を模式的に示す平面図である。 図１０は、合成比率の第４具体例を示すグラフである。 図１１は、合成比率の第４具体例を用いて生成された合成画像を模式的に示す平面図である。 図１２は、本実施形態のデータ生成装置の他の構成を示すブロック図である。

以下、図面を参照しながら、データ生成装置、データ生成方法及び記録媒体の実施形態について説明する。

（１）本実施形態のデータ生成装置１の構成
初めに、図１を参照しながら、本実施形態のデータ生成装置１の構成について説明する。図１は、本実施形態のデータ生成装置１の構成を示すブロック図である。

図１に示すように、データ生成装置１は、演算装置２と、記憶装置３とを備えている。更に、データ生成装置１は、入力装置４と、出力装置５とを備えていてもよい。但し、データ生成装置１は、入力装置４及び出力装置５の少なくとも一方を備えていなくてもよい。演算装置２と、記憶装置３と、入力装置４と、出力装置５は、データバス６を介して接続されている。

演算装置２は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｅｃｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）及びＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）の少なくとも一つを含む。演算装置２は、コンピュータプログラムを読み込む。例えば、演算装置２は、記憶装置３が記憶しているコンピュータプログラムを読み込んでもよい。例えば、演算装置２は、コンピュータで読み取り可能であって且つ一時的でない記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。演算装置２は、不図示の通信装置を介して、データ生成装置１の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、ダウンロードしてもよい又は読み込んでもよい）。演算装置２は、読み込んだコンピュータプログラムを実行する。その結果、演算装置２内には、データ生成装置１が行うべき動作を実行するための論理的な機能ブロックが実現される。つまり、演算装置２は、データ生成装置１が行うべき動作を実行するための論理的な機能ブロックを実現するためのコントローラとして機能可能である。

本実施形態では、演算装置２内には、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）を用いたデータ生成装置としてデータ生成装置１を機能させるための論理的な機能ブロックが実現される。図１には、敵対的生成ネットワークを用いたデータ生成装置としてデータ生成装置１を機能させるための論理的な機能ブロックの一例が示されている。図１に示すように、演算装置２内には、論理的な機能ブロックとして、本物データ取得部２１と、Ｇｅｎｅｒａｔｏｒとして機能可能な偽物データ生成部２２と、Ｄｉｓｃｒｉｍｉｎａｔｏｒとして機能可能な識別部２３とが実現される。この場合、データ生成装置１は、偽物データ生成部２２及び識別部２３の夫々の学習を行うための学習動作を行う。

本物データ取得部２１は、偽物データ生成部２２及び識別部２３の夫々の学習を行うための学習データ（言い換えれば、訓練データ）として利用可能な本物画像Ｄ＿ｒｅａｌを取得する。本物画像Ｄ＿ｒｅａｌは、識別部２３によって本物である（つまり、偽物データ生成部２２が生成する後述の偽物画像Ｄ＿ｆａｋｅではない）と識別されるべき画像を意味する。尚、本実施形態では、特段の表記がない場合には、画像は、静止画及び動画の少なくとも一方を意味するものとする。本物データ取得部２１が取得した本物画像Ｄ＿ｒｅａｌは、識別部２３が識別するべき識別対象画像として識別部２３に入力される。

偽物データ生成部２２は、本物画像Ｄ＿ｒｅａｌを疑似した偽物画像Ｄ＿ｆａｋｅを生成する。尚、本実施形態における「本物画像Ｄ＿ｒｅａｌを疑似した偽物画像Ｄ＿ｆａｋｅ」は、識別部２３によって本物である（つまり、本物画像Ｄ＿ｒｅａｌである）と誤識別されることを目指して生成される画像を意味する。偽物データ生成部２２は、例えば、偽物画像Ｄ＿ｆａｋｅを生成可能な演算モデル（言い換えれば、学習可能な学習モデル）である生成モデルＧを用いて、偽物画像Ｄ＿ｆａｋｅを生成する。偽物データ生成部２２が生成した偽物画像Ｄ＿ｆａｋｅは、識別対象画像として識別部２３に入力される。尚、偽物データ生成部２２は、偽物画像Ｄ＿ｆａｋｅを生成することに代えて、生成済みの偽物画像Ｄ＿ｆａｋｅを取得してもよい。例えば、生成済みの偽物画像Ｄ＿ｆａｋｅが記憶装置３に記憶されており、偽物データ生成部２２は、記憶装置３から偽物画像Ｄ＿ｆａｋｅを取得してもよい（つまり、読み出してもよい）。

識別部２３は、識別部２３に入力された識別対象画像を識別する。具体的には、識別部２３は、識別対象画像が、本物画像Ｄ＿ｒｅａｌであるのか否か（言い換えれば、偽物画像Ｄ＿ｆａｋｅであるのか否か）を識別する。識別部２３は、例えば、識別対象画像を識別可能な演算モデル（言い換えれば、学習可能な学習モデル）である識別モデルＤを用いて、識別対象画像を識別する。

識別部２３による識別対象画像の識別結果は、偽物データ生成部２２及び識別部２３の夫々の学習（より具体的には、生成モデルＧ及び識別モデルＤの夫々の学習）のために用いられる。具体的には、生成モデルＧの学習は、識別部２３による識別対象画像の識別結果に基づいて、識別部２３をだますことが可能な偽物画像Ｄ＿ｆａｋｅ（つまり、識別部２３が本物画像Ｄ＿ｒｅａｌであると誤識別してしまう偽物画像Ｄ＿ｆａｋｅ）を偽物データ生成部２２が生成可能となるように行われる。一方で、識別モデルＤの学習は、本物画像Ｄ＿ｒｅａｌと偽物画像Ｄ＿ｆａｋｅとを識別部２３が区別可能となるように行われる。

生成モデルＧ及び識別モデルＤの学習の結果、データ生成装置１は、本物画像Ｄ＿ｒｅａｌと容易に区別することができない偽物画像Ｄ＿ｆａｋｅを生成可能な生成モデルＧを構築することができる。その結果、この学習済みの生成モデルＧを備えるデータ生成装置１（或いは、この学習済みの生成モデルＧを用いる任意の装置）は、本物画像Ｄ＿ｒｅａｌと容易に区別することができない偽物画像Ｄ＿ｆａｋｅを生成することができる。このような生成モデルＧは、例えば、生成モデルＧに入力された画像よりも解像度が高い画像を生成するために用いられてもよい。生成モデルＧは、例えば、生成モデルＧに入力された画像を別の画像に変換する（言い換えれば、翻訳する）ために用いられてもよい。

本実施形態では更に、演算装置２内には、敵対的生成ネットワークを用いたデータ生成装置としてデータ生成装置１を機能させるための論理的な機能ブロックとして、合成データ生成部２４が実現される。合成データ生成部２４は、本物画像Ｄ＿ｒｅａｌと偽物画像Ｄ＿ｆａｋｅとを合成することで合成画像Ｄ＿ｍｉｘを新たに生成する。合成画像Ｄ＿ｍｉｘは、本物画像Ｄ＿ｒｅａｌとは異なる画像であるがゆえに、本物画像Ｄ＿ｒｅａｌを疑似した画像（つまり、偽物画像Ｄ＿ｆａｋｅ）と等価である。このため、合成画像生成部２４は、偽物データ生成部２２とは異なる方法で偽物画像Ｄ＿ｆａｋｅを生成しているとみなしてもよい。合成画像生成部２４が生成した合成画像Ｄ＿ｍｉｘは、識別対象画像として識別部２３に入力される。従って、本実施形態では、識別部２３は、識別対象画像として入力された合成画像Ｄ＿ｍｉｘが、本物画像Ｄ＿ｒｅａｌであるのか否か（言い換えれば、偽物画像Ｄ＿ｆａｋｅであるのか否か）を識別する。

記憶装置３は、所望のデータを記憶可能である。例えば、記憶装置３は、演算装置２が実行するコンピュータプログラムを一時的に記憶していてもよい。記憶装置３は、演算装置２がコンピュータプログラムを実行している際に演算装置２が一時的に使用するデータを一時的に記憶してもよい。記憶装置３は、データ生成装置１が長期的に保存するデータを記憶してもよい。尚、記憶装置３は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。つまり、記憶装置３は、一時的でない記録媒体を含んでいてもよい。

入力装置４は、データ生成装置１の外部からのデータ生成装置１に対する情報の入力を受け付ける装置である。

出力装置５は、データ生成装置１の外部に対して情報を出力する装置である。例えば、出力装置５は、データ生成装置１が行う学習動作に関する情報を出力してもよい。例えば、出力装置５は、学習動作によって学習された生成モデルＧに関する情報を出力してもよい。

（２）データ生成装置１が行う学習動作の流れ
（２－１）学習動作の全体の流れ
続いて、図２を参照しながら、本実施形態のデータ生成装置１が行う学習動作（つまり、生成モデルＧ及び識別モデルＤの学習を行うための学習動作）の全体の流れについて説明する。図２は、本実施形態のデータ生成装置１が行う学習動作の全体の流れを示すフローチャートである。

図２に示すように、本物データ取得部２１は、本物画像Ｄ＿ｒｅａｌを取得する（ステップＳ１１）。例えば、本物データ取得部２１は、記憶装置３に記憶されている本物画像Ｄ＿ｒｅａｌを取得してもよい。例えば、本物データ取得部２１は、データ生成装置１の外部の装置によって記憶されている本物画像Ｄ＿ｒｅａｌを取得してもよい。例えば、本物データ取得部２１は、データ生成装置１の外部の装置によって生成された本物画像Ｄ＿ｒｅａｌを取得してもよい。外部の装置が記憶している本物画像Ｄ＿ｒｅａｌ及び外部の装置が生成した本物画像Ｄ＿ｒｅａｌの少なくとも一方は、入力装置４を介して本物データ取得部２１に入力されてもよい。尚、ステップＳ１１では、本物データ取得部２１は、典型的には複数の本物画像Ｄ＿ｒｅａｌを含むデータセットを取得するが、単一の本物画像Ｄ＿ｒｅａｌを取得してもよい。

ステップＳ１１の動作と並行して又は相前後して、偽物データ生成部２２は、偽物画像Ｄ＿ｆａｋｅを生成する（ステップＳ１２）。偽物データ生成部２２は、上述したように生成モデルＧを用いて、偽物画像Ｄ＿ｆａｋｅを生成する。生成モデルＧは、例えば、乱数（言い換えれば、ノイズ又はシード）が入力されると入力された乱数に応じた偽物画像Ｄ＿ｆａｋｅを出力する演算モデルである。生成モデルＧは、例えば、ニューラルネットワークから構成される演算モデルであるが、その他の種類の演算モデルであってもよい。尚、ステップＳ１２では、偽物データ生成部２２は、典型的には複数の偽物画像Ｄ＿ｆａｋｅを含むデータセットを生成するが、単一の偽物画像Ｄ＿ｆａｋｅを生成してもよい。

その後、合成データ生成部２４は、ステップＳ１１で取得された本物画像Ｄ＿ｒｅａｌとステップＳ１２で取得された偽物画像Ｄ＿ｆａｋｅとを合成することで、合成画像Ｄ＿ｍｉｘを生成する（ステップＳ１３）。例えば、合成データ生成部２４は、図３に示すように、本物画像Ｄ＿ｒｅａｌと偽物画像Ｄ＿ｆａｋｅとを所望の合成比率α（但し、合成比率αは、０以上且つ１以下の範囲の数値）で合成することで、合成画像Ｄ＿ｍｉｘを生成してもよい。つまり、合成データ生成部２４は、Ｄ＿ｍｉｘ＝α×Ｄ＿ｒｅａｌ＋（１－α）×Ｄ＿ｆａｋｅという数式１を用いて、合成画像Ｄ＿ｍｉｘを生成してもよい。より具体的には、合成データ生成部２４は、図３に示すように、合成画像Ｄ＿ｍｉｘを構成する座標（ｘ、ｙ）の画素をＤ＿ｍｉｘ（ｘ、ｙ）と定義し、本物画像Ｄ＿ｒｅａｌを構成する座標（ｘ、ｙ）の画素をＤ＿ｒｅａｌ（ｘ、ｙ）と定義し、偽物画像Ｄ＿ｆａｋｅを構成する座標（ｘ、ｙ）の画素をＤ＿ｆａｋｅ（ｘ、ｙ）と定義し、画素Ｄ＿ｍｉｘ（ｘ、ｙ）を生成するための合成比率をα（ｘ、ｙ）と定義すると、Ｄ＿ｍｉｘ（ｘ、ｙ）＝α（ｘ、ｙ）×Ｄ＿ｒｅａｌ（ｘ、ｙ）＋（１－α（ｘ、ｙ））×Ｄ＿ｆａｋｅ（ｘ、ｙ）という数式２を用いて画素Ｄ＿ｍｉｘ（ｘ、ｙ）を生成する動作を全ての座標（ｘ、ｙ）を対象に行うことで、複数の画素Ｄ＿ｍｉｘ（ｘ、ｙ）から構成される合成画像Ｄ＿ｍｉｘを生成してもよい。尚、合成比率αは、合成データ生成部２４が任意に設定可能なパラメータであってもよい。或いは、合成比率αは、予め設定されているパラメータであってもよい。

本実施形態では特に、合成データ生成部２４は、画素Ｄ＿ｍｉｘ（ｘ、ｙ）を生成するための合成比率α（ｘ、ｙ）を、座標（ｘ、ｙ）に応じて変化させてもよい。つまり、合成データ生成部２４は、本物画像Ｄ＿ｒｅａｌ及び偽物画像Ｄ＿ｆａｋｅに掛け合わせられる合成比率αを、座標（ｘ、ｙ）に応じて変化させてもよい。この場合、典型的には、合成データ生成部２４は、合成比率αを、座標値ｘ及び座標値ｙの少なくとも一方を引数とする関数Ｆを用いて変化させてもよい。言い換えれば、合成データ生成部２４は、合成比率αを、座標値ｘ及び座標値ｙの少なくとも一方を引数とする関数Ｆを用いて設定してもよい。つまり、合成データ生成部２４は、α（ｘ、ｙ）＝Ｆ（ｘ、ｙ）という数式を用いて、合成比率αを設定してもよい。尚、合成比率αについては、後に図４から図１３を参照しながら詳述するため、ここでの説明は省略する。

その後、識別部２３は、ステップＳ１１で取得された本物画像Ｄ＿ｒｅａｌ、ステップＳ１２で生成された偽物画像Ｄ＿ｆａｋｅ及びステップＳ１３で生成された合成画像Ｄ＿ｍｉｘを含む識別対象画像を識別する（ステップＳ１４）。具体的には、識別部２３は、識別対象画像が、本物画像Ｄ＿ｒｅａｌであるのか否か（言い換えれば、偽物画像Ｄ＿ｆａｋｅであるのか否か）を識別する（言い換えれば、判定する）。

その後、演算装置２は、ステップＳ１４における識別部２３による識別対象画像の識別結果に基づいて、生成モデルＧ及び識別モデルＤの夫々の学習を行う（ステップＳ１５）。演算装置２は、既存の敵対的生成ネットワークの学習で用いる損失関数を用いて、生成モデルＧ及び識別モデルＤの学習を行ってもよい。例えば、演算装置２は、識別部２３をだますことが可能な偽物画像Ｄ＿ｆａｋｅを生成モデルＧから生成可能となると共に、本物画像Ｄ＿ｒｅａｌと偽物画像Ｄ＿ｆａｋｅとを識別モデルＤによって区別可能となるという目的を達成するための損失関数を用いて、生成モデルＧ及び識別モデルＤの学習を行ってもよい。この際、演算装置２は、上述した非特許文献３に記載された勾配ペナルティ項（Ｇｒａｄｉｅｎｔ Ｐｅｎａｌｔｙ Ｔｅｒｍ）を含む損失関数を用いて、生成モデルＧ及び識別モデルＤの学習を行ってもよい。また、演算装置２は、誤差逆伝搬法等の学習アルゴリズムを用いて、生成モデルＧ及び識別モデルＤの夫々の学習を行ってもよい。このため、生成モデルＧ及び識別モデルＤの学習の詳細な内容については省略する。尚、演算装置２は、ステップＳ１５の学習を行うための学習部を、処理ブロックとして備えていてもよい。

その後、演算装置２は、図２に示す学習動作を終了するか否かを判定する（ステップＳ１６）。例えば、演算装置２は、ステップＳ１５で学習された識別モデルＤを用いた識別対象画像の識別精度が所定精度（例えば、５０％又は５０％の近傍の値）になった場合に、学習動作を終了すると判定してもよい。例えば、演算装置２は、ステップＳ１５における学習を所定回数以上行った場合に、学習動作を終了すると判定してもよい。

ステップＳ１６における判定の結果、学習動作を終了しないと判定された場合には（ステップＳ１６：Ｎｏ）、演算装置２は、ステップＳ１１以降の動作を繰り返す。つまり、本物データ取得部２１は、学習動作のために用いられる新たな本物画像Ｄ＿ｒｅａｌを取得する（ステップＳ１１）。偽物データ生成部２２は、ステップＳ１５で学習された生成モデルＧを用いて新たな偽物画像Ｄ＿ｆａｋｅを生成する（ステップＳ１２）。合成データ生成部２４は、ステップＳ１１で新たに取得された本物画像Ｄ＿ｒｅａｌとステップＳ１２で新たに生成された偽物画像Ｄ＿ｆａｋｅを用いて新たな合成画像Ｄ＿ｍｉｘを生成する（ステップＳ１３）。識別部２３は、ステップＳ１１で新たに取得された本物画像Ｄ＿ｒｅａｌ、ステップＳ１２で新たに生成された偽物画像Ｄ＿ｆａｋｅ及びステップＳ１３で新たに生成された合成画像Ｄ＿ｍｉｘを含む新たな識別対象画像を識別する（ステップＳ１４）。演算装置２は、ステップＳ１４における識別部２３による新たな識別対象画像の識別結果に基づいて、生成モデルＧ及び識別モデルＤの夫々の学習を行う（ステップＳ１５）。

他方で、ステップＳ１６における判定の結果、学習動作を終了すると判定された場合には（ステップＳ１６：Ｙｅｓ）、演算装置２は、図２に示す学習動作を終了する。

（２－２）合成比率αの具体例
続いて、図４から図１３を参照しながら、合成比率αの具体例について説明する。図４は、合成比率αの第１具体例を示すグラフであり、図５は、合成比率αの第１具体例を用いて生成された合成画像Ｄ＿ｍｉｘを模式的に示す平面図である。図６は、合成比率α（ｘ、ｙ）の第２具体例を示すグラフであり、図７は、合成比率αの第２具体例を用いて生成された合成画像Ｄ＿ｍｉｘを模式的に示す平面図である。図８は、合成比率αの第３具体例を示すグラフであり、図９は、合成比率αの第３具体例を用いて生成された合成画像Ｄ＿ｍｉｘを模式的に示す平面図である。図１０は、合成比率αの第４具体例を示すグラフであり、図１１は、合成比率αの第４具体例を用いて生成された合成画像Ｄ＿ｍｉｘを模式的に示す平面図である。

（２－２－１）合成比率αの第１具体例
図４に示すように、合成データ生成部２４は、座標値ｘに応じて合成比率αを連続的に（言い換えれば、滑らかに）変化させてもよい。尚、ここでの「合成比率αが連続的に変化する」状態は、合成比率αがその下限値である０とその上限値である１との間で連続的に変化する状態を意味していてもよい。この場合、合成比率αは、下限値である０及び上限値である１になることに加えて、０よりも大きく且つ１よりも小さい値になる。このため、合成比率αが連続的に変化する場合には、合成比率αは、０、１、及び、０よりも大きく且つ１よりも小さい少なくとも一つの値の間で多値的に変化してもよい。

図４に示す例では、合成データ生成部２４は、座標値ｘが大きくなるほど合成比率αが大きくなるように、座標値ｘに応じて合成比率αを単調に且つ連続的に変化させている。合成比率αが座標値ｘに応じて単調に変化する場合には、合成比率αは、座標値ｘの最小値ｘ＿ｍｉｎでの合成比率α（ｘ＿ｍｉｎ、ｙ）から座標値ｘの最大値ｘ＿ｍａｘでの合成比率α（ｘ＿ｍａｘ、ｙ）まで単調に且つ連続的に変化する。つまり、合成データ生成部２４は、Ｘ軸方向において画素Ｄ＿ｍｉｘ（ｘ＿ｍｉｎ、ｙ）と画素Ｄ＿ｍｉｘ（ｘ＿ｍａｘ、ｙ）とによって挟まれる画素Ｄ＿ｍｉｘ（ｘ、ｙ）を生成するための合成比率α（ｘ、ｙ）を、合成比率α（ｘ＿ｍｉｎ、ｙ）から合成比率α（ｘ＿ｍａｘ、ｙ）まで単調に且つ連続的に変化させる。尚、ここでの「座標値ｘの最小値ｘ＿ｍｉｎ」は、合成画像Ｄ＿ｍｉｘの座標値ｘの最小値（つまり、本物画像Ｄ＿ｒｅａｌ及び偽物画像Ｄ＿ｆａｋｅの夫々の座標値ｘの最小値）を意味する。図４に示す例では、座標値ｘの最小値ｘ＿ｍｉｎはゼロとなっている。また、ここでの「座標値ｘの最大値ｘ＿ｍａｘ」は、合成画像Ｄ＿ｍｉｘの座標値ｘの最大値（つまり、本物画像Ｄ＿ｒｅａｌ及び偽物画像Ｄ＿ｆａｋｅの夫々の座標値ｘの最大値）を意味する。

このように合成比率αを変化させることが可能な関数Ｆの一例として、双曲線関数を用いた関数があげられる。例えば、図４は、関数Ｆが、関数Ｆ１（ｘ）＝０．５×（１＋ｔａｎｈ（ｘ－ｘ_１））となる例を示している。この関数Ｆ１（ｘ）によれば、合成比率αは、０から１の間において、座標値ｘが所定値ｘ_１よりも小さい場合に０．５よりも小さくなり、座標値ｘが所定値ｘ_１よりも大きい場合に０．５よりも大きくなる値になる。

このような合成比率αを用いて合成画像Ｄ＿ｍｉｘが生成される場合には、図５に示すように、合成画像Ｄ＿ｍｉｘは、偽物画像Ｄ＿ｆａｋｅが支配的となる画像部分Ｉ＿ｆａｋｅと、本物画像Ｄ＿ｒｅａｌが支配的となる画像部分Ｉ＿ｒｅａｌと、本物画像Ｄ＿ｒｅａｌ及び偽物画像Ｄ＿ｆａｋｅが均衡する画像部分Ｉ＿ｓｈｉｆｔとを含む。尚、画像部分Ｉ＿ｆａｋｅは、合成画像Ｄ＿ｍｉｘにおいて偽物画像Ｄ＿ｆａｋｅが占める割合が、合成画像Ｄ＿ｍｉｘにおいて本物画像Ｄ＿ｒｅａｌが占める割合よりもずっと大きい画像部分を意味していてもよい。つまり、画像部分Ｉ＿ｆａｋｅは、０．５よりもずっと大きい上限閾値（例えば、０．８以上且つ１未満の閾値）よりも大きい合成比率αを用いて合成された画像部分を意味していてもよい。画像部分Ｉ＿ｒｅａｌは、合成画像Ｄ＿ｍｉｘにおいて本物画像Ｄ＿ｒｅａｌが占める割合が、合成画像Ｄ＿ｍｉｘにおいて偽物画像Ｄ＿ｆａｋｅが占める割合よりもずっと大きい画像部分を意味していてもよい。つまり、画像部分Ｉ＿ｒｅａｌは、０．５よりもずっと小さい下限閾値（例えば、０．２以下且つ０より大きい閾値）よりも小さい合成比率αを用いて合成された画像部分を意味していてもよい。画像部分Ｉ＿ｓｈｉｆｔは、合成画像Ｄ＿ｍｉｘにおいて本物画像Ｄ＿ｒｅａｌが占める割合と、合成画像Ｄ＿ｍｉｘにおいて偽物画像Ｄ＿ｆａｋｅが占める割合との差分が、所定差分よりも小さい画像部分を意味していてもよい。典型的には、画像部分Ｉ＿ｓｈｉｆｔは、上述した上限閾値よりも小さく且つ上述した下限閾値よりも大きい合成比率αを用いて合成された画像部分を意味していてもよい。

図４に示すように座標値ｘに応じて合成比率αが単調に且つ連続的に変化する場合には、図５に示すように、画像部分Ｉ＿ｓｈｉｆｔは、Ｘ軸方向において画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅとの間に位置する。この場合、画像部分Ｉ＿ｓｈｉｆｔは、画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅとを接続する画像部分として機能していると言える。つまり、画像部分Ｉ＿ｓｈｉｆｔは、画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅとの間で画素値が急激に変わらないように、画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅと相対的に滑らかに接続する画像部分として機能していると言える。

尚、説明の便宜上図示しないものの、合成データ生成部２４は、座標値ｙに応じて合成比率αを連続的に（言い換えれば、滑らかに）変化させてもよい。合成データ生成部２４は、座標値ｙに応じて合成比率αを単調に且つ連続的に変化させてもよい。座標値ｙに応じて合成比率αが単調に且つ連続的に変化する場合には、画像部分Ｉ＿ｓｈｉｆｔは、Ｙ軸方向において画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅとの間に位置する。例えば、合成データ生成部２４は、関数Ｆ１（ｙ）＝０．５×（１＋ｔａｎｈ（ｙ－ｙ_１））を関数Ｆとして用いることで、合成比率αを設定してもよい。

尚、関数Ｆとして、上述した関数Ｆ１（ｘ）に代えて、関数Ｆ１’（ｘ）＝０．５×（１＋ｔａｎｈ（（ｘ－ｘ_１）／Δｘ））が用いられてもよい。この場合、合成データ生成部２４は、変数Δｘを変化させることで、画像部分Ｉ＿ｓｈｉｆｔの幅（具体的には、Ｘ軸方向におけるサイズ）を変化させることができる。具体的には、変数Δｘが大きくなるほど、画像部分Ｉ＿ｓｈｉｆｔの幅が大きくなる。同様に、関数Ｆとして、上述した関数Ｆ１（ｙ）に代えて、関数Ｆ１’（ｙ）＝０．５×（１＋ｔａｎｈ（（ｘ－ｙ_１）／Δｙ））が用いられてもよい。この場合、合成データ生成部２４は、変数Δｙを変化させることで、画像部分Ｉ＿ｓｈｉｆｔの幅（具体的には、Ｙ軸方向におけるサイズ）を変化させることができる。また、関数Ｆ１（ｘ）及びＦ１（ｙ）を用いていない場合であっても、合成データ生成部２４は、Ｘ軸方向及びＹ軸方向の少なくとも一方における画像部分Ｉ＿ｓｈｉｆｔの幅が所望の幅になるように、合成比率αを設定してもよい。また、合成データ生成部２４は、画像部分Ｉ＿ｒｅａｌ及びＩ＿ｆａｋｅの少なくとも一方の幅が所望の幅になるように、合成比率αを設定してもよい。

（２－２－２）合成比率αの第２具体例
図６に示すように、第２具体例においても、第１具体例と同様に、合成データ生成部２４は、座標値ｘに応じて合成比率αを連続的に変化させてもよい。但し、第２具体例では、合成データ生成部２４は、座標値ｘの全体に渡って合成比率α（ｘ、ｙ）を単調に増加又は減少させなくてもよい。例えば、合成データ生成部２４は、座標値ｘが第１の範囲の値である場合には、座標値ｘに応じて合成比率αを単調に増加させる一方で、座標値ｘが第１の範囲とは異なる第２の範囲の値である場合には、座標値ｘに応じて合成比率α（ｘ、ｙ）を単調に減少させてもよい。図６に示す例では、合成データ生成部２４は、座標値ｘが所定値ｘ_２より小さい場合には、座標値ｘに応じて合成比率α（ｘ、ｙ）を単調に増加させる一方で、座標値ｘが所定値ｘ_２より大きい場合には、座標値ｘに応じて合成比率α（ｘ、ｙ）を単調に減少させている。この場合、合成比率α（ｘ、ｙ）は、座標値ｘが所定値ｘ_２となる地点を中心に変化する。

このように合成比率αを変化させることが可能な関数Ｆの一例として、指数関数を用いた関数があげられる。例えば、図６は、関数Ｆが、関数Ｆ２（ｘ）＝ｅ＾（－（ｘ－ｘ_２）^２）となる例を示している。尚、関数Ｆ２における記号「＾」は、べき乗を示す。このため、本実施形態では、「ａ＾ｂ」は、ａのｂ乗を意味する。この関数Ｆ２（ｘ、ｙ）によれば、合成比率αは、０から１の間において、座標値ｘが所定値ｘ_２となる場合に上限値である１になり、座標値ｘと所定値ｘ_２との差分が大きくなるほど小さくなる値になる。

このような合成比率αを用いて合成画像Ｄ＿ｍｉｘが生成される場合においても、図７に示すように、合成画像Ｄ＿ｍｉｘは、画像部分Ｉ＿ｆａｋｅと、画像部分Ｉ＿ｒｅａｌと、画像部分Ｉ＿ｓｈｉｆｔとを含む。また、座標値ｘに応じて合成比率αが単調に変化している領域においては、図７に示すように、画像部分Ｉ＿ｓｈｉｆｔは、Ｘ軸方向において画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅとの間に位置する。但し、画像部分Ｉ＿ｓｈｉｆｔは、画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅとの間に位置していなくてもよい。例えば、画像部分Ｉ＿ｓｈｉｆｔは、合成画像Ｄ＿ｍｉｘの端部（例えば、左端部及び右端部の少なくとも一方）に位置していてもよい。

尚、説明の便宜上図示しないものの、合成データ生成部２４は、座標値ｙが第３の範囲に収まる場合には、座標値ｙに応じて合成比率αを単調に増加させる一方で、座標値ｙが第３の範囲とは異なる第４の範囲に収まる場合には、座標値ｙに応じて合成比率αを単調に減少させてもよい。座標値ｙに応じて合成比率αが単調に変化する場合には、画像部分Ｉ＿ｓｈｉｆｔは、Ｙ軸方向において画像部分Ｉ＿ｒｅａｌと画像部分Ｉ＿ｆａｋｅとの間に位置する。例えば、合成データ生成部２４は、関数Ｆ２’（ｙ）＝ｅ＾（－（ｙ－ｙ_２）^２）を関数Ｆとして用いることで、合成比率αを設定してもよい。

（２－２－３）合成比率αの第３具体例
図８に示すように、第３具体例では、合成データ生成部２４は、座標値ｘ及び座標値ｙの夫々に応じて合成比率αを連続的に変化させてもよい。つまり、第３具体例では、合成データ生成部２４は、座標値ｘ及び座標値ｙの双方を引数とする関数Ｆを用いることで、合成比率α（ｘ、ｙ）を変化させてもよい。このため、合成比率αの第３具体例は、座標値ｘ及び座標値ｙの双方を引数とする関数Ｆに応じて変化するという点で、座標値ｘ及び座標値ｙのいずれか一方を引数とする関数Ｆに応じて変化する合成比率αの第１及び第２具体例の夫々とは異なると言える。合成比率αの第３具体例のその他の特徴は、合成比率αの第１及び第２具体例の夫々のその他の特徴と同一であってもよい。

例えば、図８は、関数Ｆが、関数Ｆ３（ｘ、ｙ）＝ｅ＾（－（ｘ－ｘ_３）^２－（ｙ－ｙ_３）^２）となる例を示している。この関数Ｆ３（ｘ、ｙ）によれば、合成比率α（ｘ、ｙ）は、０から１の間において、座標値ｘが所定値ｘ_３となり且つ座標値ｙが所定値ｙ_３となる場合に上限値である１になり、座標値ｙが固定されている状況下で座標値ｘと所定値ｘ_３との差分が大きくなるほど小さくなる値になり、座標値ｘが固定されている状況下で座標値ｙと所定値ｙ_３との差分が大きくなるほど小さくなる値になる。その結果、図９に示すように、合成画像Ｄ＿ｍｉｘには、座標値ｘが所定値ｘ_３となり且つ座標値ｙが所定値ｙ_３となる画素を中心に、画像部分Ｉ＿ｒｅａｌと、当該画像部分Ｉ＿ｒｅａｌを取り囲む画像部分Ｉ＿ｓｈｉｆｔと、当該画像部分Ｉ＿ｓｈｉｆｔを取り囲む画像部分Ｉ＿ｆａｋｅとが順に現れる。

尚、図８及び図９を用いて説明した関数Ｆ３（ｘ、ｙ）は、第２具体例で説明した座標値ｘを引数とする関数Ｆ２（ｘ）を、座標値ｘ及び座標値ｙの双方を引数とする関数に変換することで得られる関数に相当する。一方で、第１具体例で説明した座標値ｘを引数とする関数Ｆ１（ｘ）を、座標値ｘ及び座標値ｙの双方を引数とする関数に変換することで得られる関数Ｆ３’（ｘ、ｙ）が、合成比率αを設定するために用いられてもよい。具体的には、例えば、「関数Ｆ３’（ｘ、ｙ）＝（ｉ）０．２５×（（１＋ｔａｎｈ（ｘ－ｘ_３／２））＊（１＋ｔａｎｈ（ｙ－ｙ_３／２））・・・ｘ＜ｘ３且つｙ＜ｙ３の場合、（ｉｉ）０．２５×（１－ｔａｎｈ（ｘ－３ｘ_３／２））＊（１＋ｔａｎｈ（ｙ－ｙ_３／２））・・・ｘ＞ｘ３且つｙ＜ｙ３の場合、（ｉｉｉ）０．２５×（１＋ｔａｎｈ（ｘ－ｘ_３／２））＊（１－ｔａｎｈ（ｙ－３ｙ_３／２））・・・ｘ＜ｘ３且つｙ＞ｙ３の場合、（ｉｖ）０．２５×（１－ｔａｎｈ（ｘ－３ｘ_３／２））＊（１－ｔａｎｈ（ｙ－３ｙ_３／２））・・・ｘ＞ｘ３且つｙ＞ｙ３の場合」と定義される関数Ｆ３’（ｘ、ｙ）が、合成比率αを設定するために用いられてもよい。或いは、例えば、上述した画像部分Ｉ＿ｓｈｉｆｔの幅を変化させるための変数Δｘ及びΔｙを用いて「関数Ｆ３’（ｘ、ｙ）＝（ｉ）０．２５×（（１＋ｔａｎｈ（（ｘ－ｘ_３／２）／Δｘ））＊（１＋ｔａｎｈ（（ｙ－ｙ_３／２）／Δｙ））・・・ｘ＜ｘ３且つｙ＜ｙ３の場合、（ｉｉ）０．２５×（（１－ｔａｎｈ（（ｘ－３ｘ_３／２）／Δｘ））＊（１＋ｔａｎｈ（（ｙ－ｙ_３／２）／Δｙ））・・・ｘ＞ｘ３且つｙ＜ｙ３の場合、（ｉｉｉ）０．２５×（（１＋ｔａｎｈ（（ｘ－ｘ_３／２）／Δｘ））＊（１－ｔａｎｈ（（ｙ－３ｙ_３／２）／Δｙ））・・・ｘ＜ｘ３且つｙ＞ｙ３の場合、（ｉｖ）０．２５×（（１－ｔａｎｈ（（ｘ－３ｘ_３／２）／Δｘ））＊（１－ｔａｎｈ（（ｙ－３ｙ_３／２）／Δｙ））・・・ｘ＞ｘ３且つｙ＞ｙ３の場合」と定義される関数Ｆ３’（ｘ、ｙ）が、合成比率αを設定するために用いられてもよい。

（２－２－４）合成比率αの第４具体例
図１０に示すように、第４具体例では、合成データ生成部２４は、座標値ｘが第５の範囲の値である場合には、座標値ｘに応じて合成比率αを変化させる一方で、座標値ｘが第５の範囲とは異なる第６の範囲の値である場合には、座標値ｘに関わらず合成比率αを固定値に設定してもよい。図１０に示す例では、合成データ生成部２４は、（ｉ）座標値ｘが所定値ｘ_４１より小さい場合には、座標値ｘに関わらずに合成比率αを０に固定し、（ｉｉ）座標値ｘが所定値ｘ_４２（但し、ｘ_４２＞ｘ_４１）より大きい場合には、座標値ｘに関わらずに合成比率αを１に固定し、（ｉｉｉ）座標値ｘが所定値ｘ_４１より大きく且つ所定値ｘ_４２より小さい場合には、座標値ｘに応じて合成比率αを変化させている。この場合、座標値ｘが所定値ｘ_４１より大きく且つ所定値ｘ_４２より小さい場合には、合成比率αは、座標値ｘが所定値ｘ_４１より小さいときの合成比率αの値である０から、座標値ｘが所定値ｘ_４２より大きいときの合成比率αの値である１まで連続的に変化してもよい。

座標値ｘに関わらずに合成比率αが固定される場合には、異なる少なくとも二つの座標値ｘに対応する少なくとも二つの合成比率α（ｘ、ｙ）が同じ比率になるとも言える。例えば、図１０に示す例では、座標値ｘが所定値ｘ_４１よりも小さい第１の値となるときの合成比率αは、座標値ｘが所定値ｘ_４１よりも小さい第２の値となるときの合成比率αと同じになる。このため、合成比率αの第４具体例は、異なる少なくとも二つの座標値ｘに対応する少なくとも二つの合成比率α（ｘ、ｙ）が同じ比率になるという点で、異なる少なくとも二つの座標値ｘに対応する少なくとも二つの合成比率α（ｘ、ｙ）が異なる比率になる合成比率αの第１から第３具体例の夫々とは異なると言える。合成比率αの第４具体例のその他の特徴は、合成比率αの第１から第３具体例の夫々のその他の特徴と同一であってもよい。

尚、図１０に示す例では、座標値ｘが所定値ｘ_４１より大きく且つ所定値ｘ_４１より小さい場合には、合成データ生成部２４は、座標値ｘに応じて合成比率αを単調に変化させている（つまり、第１具体例で説明した態様で変化させている）が、座標値ｘに応じて合成比率αを単調に変化させなくてもよい（例えば、第２具体例で説明した態様で変化させてもよい）。

このような合成比率αを用いて合成画像Ｄ＿ｍｉｘが生成される場合には、図１１に示すように、合成画像Ｄ＿ｍｉｘは、偽物画像Ｄ＿ｆａｋｅの一部と一致する画像部分Ｓ＿ｆａｋｅと、本物画像Ｄ＿ｒｅａｌの一部と一致する画像部分Ｓ＿ｒｅａｌと、偽物画像Ｄ＿ｆａｋｅの一部と本物画像Ｄ＿ｒｅａｌの一部とが合成された画像部分Ｓ＿ｍｉｘとを含む。この場合、合成データ生成部２４は、画像部分Ｓ＿ｆａｋｅを生成するための合成比率αを第１の比率に固定し、画像部分Ｓ＿ｒｅａｌを生成するための合成比率αを第１の比率と異なる第２の比率に固定し、画像部分Ｓ＿ｍｉｘを生成するための合成比率αを座標値ｘに応じて変化させているとも言える。尚、図１１に示すように、画像部分Ｓ＿ｍｉｘは、Ｘ軸方向において画像部分Ｓ＿ｆａｋｅと画像部分Ｓ＿ｒｅａｌとによって挟まれていてもよいし、挟まれていなくてもよい。

尚、説明の便宜上図示しないものの、合成データ生成部２４は、座標値ｙが第７の範囲の値である場合には、座標値ｙに応じて合成比率αを変化させる一方で、座標値ｙが第７範囲とは異なる第８の範囲の値である場合には、座標値ｙに関わらず合成比率αを固定値に設定してもよい。

（３）データ生成装置１の技術的効果
以上説明したように、本実施形態では、本物画像Ｄ＿ｒｅａｌ及び偽物画像Ｄ＿ｆａｋｅのみならず、本物画像Ｄ＿ｒｅａｌ及び偽物画像Ｄ＿ｆａｋｅを合成することで生成される合成画像Ｄ＿ｍｉｘもまた識別部２３に入力される。その結果、識別モデルＤ及び生成モデルＧの学習もまた、本物画像Ｄ＿ｒｅａｌ及び偽物画像Ｄ＿ｆａｋｅのみならず合成画像Ｄ＿ｍｉｘにも基づいて行われる。その結果、合成画像Ｄ＿ｍｉｘを用いることなく識別モデルＤ及び生成モデルＧの学習が行われる場合と比較して、識別モデルＤ及び生成モデルＧの学習がより効率的に行われる。

具体的には、識別モデルＤ及び生成モデルＧの学習が開始された直後は、偽物データ生成部２２が生成する偽物画像Ｄ＿ｆａｋｅは、本物画像Ｄ＿ｒｅａｌからかけ離れた（言い換えれば、本物画像Ｄ＿ｒｅａｌとは大きく異なる）画像になる可能性がある。一方で、合成画像Ｄ＿ｍｉｘが本物画像Ｄ＿ｒｅａｌに基づいて生成されるがゆえに、合成画像Ｄ＿ｍｉｘは、本物画像Ｄ＿ｒｅａｌにある程度似た画像を含み得る。このため、識別モデルＤ及び生成モデルＧの学習の初期段階において、識別モデルＤ及び生成モデルＧは、本物画像Ｄ＿ｒｅａｌからかけ離れた偽物画像Ｄ＿ｆａｋｅ及び本物画像Ｄ＿ｒｅａｌにある程度似た偽物画像Ｄ＿ｆａｋｅ（つまり、合成画像Ｄ＿ｍｉｘ）の双方を学習することができる。一方で、仮に合成画像Ｄ＿ｍｉｘが生成されない場合には、識別モデルＤ及び生成モデルＧは、本物画像Ｄ＿ｒｅａｌからかけ離れた偽物画像Ｄ＿ｆａｋｅしか学習することができない。このため、本実施形態では、識別モデルＤ及び生成モデルＧは、学習の初期段階から本物画像Ｄ＿ｒｅａｌにある程度似た偽物画像Ｄ＿ｆａｋｅ（つまり、合成画像Ｄ＿ｍｉｘ）を学習することができるがゆえに、識別モデルＤ及び生成モデルＧの学習に要する時間が短縮される。つまり、識別モデルＤ及び生成モデルＧの学習がより効率的に行われる。

また、合成画像Ｄ＿ｍｉｘは、ランダムに生成される偽物画像Ｄ＿ｆａｋｅと本物画像Ｄ＿ｒｅａｌとの中間の画像に相当する。このため、合成画像Ｄ＿ｍｉｘが識別部２３に入力される場合には、合成画像Ｄ＿ｍｉｘが識別部２３に入力されない場合と比較して、偽物データ生成部２２のランダム性が識別部２３に対して与える悪影響が軽減される。つまり、偽物データ生成部２２が生成する偽物画像Ｄ＿ｆａｋｅのランダム性が識別部２３に対して与える悪影響が軽減される。この点からも、識別モデルＤの学習がより効率的に行われる。尚、偽物データ生成部２２のランダム性が識別部２３に対して与える悪影響の一例として、例えば、偽物データ生成部２２がこれまで生成した偽物画像Ｄ＿ｆａｋｅとは性質が全く異なる新たな偽物画像Ｄ＿ｆａｋｅを生成することに起因して、当該新たな偽物画像Ｄ＿ｆａｋｅを新たに学習した識別部２３がこれまでに学習した内容を忘れてしまうという悪影響があげられる。

（４）変形例
（４－１）第１変形例
上述した説明では、合成データ生成部２４は、合成画像Ｄ＿ｍｉｘを生成するための合成比率αを、合成画像Ｄ＿ｍｉｘを構成する画素Ｄ＿ｍｉｘ（ｘ、ｙ）の座標（ｘ、ｙ）に応じて変化させている。一方で、第１変形例では、合成データ生成部２４は、座標（ｘ、ｙ）に加えて又は代えて、図２に示す学習動作（つまり、識別モデルＤ及び生成モデルＧの学習）を開始してからの経過時間に応じて合成比率αを変化させてもよい。つまり、合成データ生成部２４は、学習動作を開始してからの経過時間が第１時間となる第１期間中に用いる合成比率αが、学習動作を開始してからの経過時間が第１時間とは異なる第２時間となる第２期間中に用いる合成比率αと異なるものとなるように、合成比率αを変化させてもよい。

例えば、合成データ生成部２４は、学習動作を開始してから所定時間が経過するまでは、偽物画像Ｄ＿ｆａｋｅが支配的な画像部分Ｉ＿ｆａｋｅが合成画像Ｄ＿ｍｉｘに占める割合が、本物画像Ｄ＿ｒｅａｌが支配的な画像部分Ｉ＿ｒｅａｌが合成画像Ｄ＿ｍｉｘに占める割合以上になるように、合成比率αを設定してもよい。つまり、合成データ生成部２４は、識別モデルＤ及び生成モデルＧの学習の初期段階において、画像部分Ｉ＿ｆａｋｅが合成画像Ｄ＿ｍｉｘに占める割合が、画像部分Ｉ＿ｒｅａｌが合成画像Ｄ＿ｍｉｘに占める割合以上になるように、合成比率αを設定してもよい。一例として、合成データ生成部２４は、合成比率αを、０より大きく且つ０．５よりも小さい比率に設定してもよい。この場合、学習の初期段階では、本物画像Ｄ＿ｒｅａｌではないと識別部２３が相対的に容易に識別することができる合成画像Ｄ＿ｍｉｘが生成される。つまり、学習の初期段階では、本物画像Ｄ＿ｒｅａｌではないと識別部２３が容易に識別することができる合成画像Ｄ＿ｍｉｘが、識別対象画像として識別部２３に入力される。このため、本物画像Ｄ＿ｒｅａｌと区別することが難しいほどに本物画像Ｄ＿ｒｅａｌに似ている合成画像Ｄ＿ｍｉｘが識別対象画像として識別部２３に入力される場合と比較して、学習の初期段階において識別モデルＤの学習がより効率的に行われる。

一方で、学習動作を開始してから所定時間が経過した後には、識別部２３の識別精度がある程度向上していると想定される。そこで、合成データ生成部２４は、学習動作を開始してから所定時間が経過した後には、学習動作を開始してから所定時間が経過する前と比較して、画像部分Ｉ＿ｒｅａｌが合成画像Ｄ＿ｍｉｘに占める割合が大きくなるように、合成比率αを設定してもよい。この際、合成データ生成部２４は、学習動作を開始してからの経過時間が長くなるほど画像部分Ｉ＿ｒｅａｌが合成画像Ｄ＿ｍｉｘに占める割合が大きくなるように、合成比率αを設定してもよい。一例として、合成データ生成部２４は、合成比率αを、０より大きく且つ０．５よりも小さい初期値から徐々に増加させてもよい。その結果、識別モデルＤ及び生成モデルＧの学習が進むにつれて、合成データ生成部２４は、本物画像Ｄ＿ｒｅａｌにより近い（つまり、より似ている）合成画像Ｄ＿ｍｉｘを生成する。つまり、識別部２３が本物画像Ｄ＿ｒｅａｌではないと識別することが難しい合成画像Ｄ＿ｍｉｘ（いわゆる、ハードサンプル）が、識別部２３に入力される。その結果、識別部２３が本物画像Ｄ＿ｒｅａｌではないと識別することが難しい偽物画像Ｄ＿ｆａｋｅが識別部２３に入力されない場合と比較して、識別モデルＤの学習（更には、識別モデルＤの学習と敵対的に行われる生成モデルＧの学習）が効果的に行われる。

（４－２）第２変形例
上述した説明では、合成データ生成部２４は、本物画像Ｄ＿ｒｅａｌと偽物画像Ｄ＿ｆａｋｅとを合成することで合成画像Ｄ＿ｍｉｘを生成している。しかしながら、合成データ生成部２４は、二つの異なる本物画像Ｄ＿ｒｅａｌを合成することで合成画像Ｄ＿ｍｉｘを生成してもよい。合成データ生成部２４は、二つの同一の本物画像Ｄ＿ｒｅａｌを合成することで合成画像Ｄ＿ｍｉｘを生成してもよい。合成データ生成部２４は、二つの異なる偽物画像Ｄ＿ｆａｋｅを合成することで合成画像Ｄ＿ｍｉｘを生成してもよい。合成データ生成部２４は、二つの同一の偽物画像Ｄ＿ｆａｋｅを合成することで合成画像Ｄ＿ｍｉｘを生成してもよい。合成データ生成部２４は、合成データ生成部２４が偽物画像Ｄ＿ｆａｋｅとして生成した二つの同一の合成画像Ｄ＿ｍｉｘを合成することで新たな合成画像Ｄ＿ｍｉｘを生成してもよい。合成データ生成部２４は、合成データ生成部２４が偽物画像Ｄ＿ｆａｋｅとして生成した二つの異なる合成画像Ｄ＿ｍｉｘを合成することで新たな合成画像Ｄ＿ｍｉｘを生成してもよい。いずれの場合においても、生成される合成画像Ｄ＿ｍｉｘは、本物画像Ｄ＿ｒｅａｌとは異なるデータであるがゆえに、本物画像Ｄ＿ｒｅａｌを疑似したデータ（つまり、偽物画像Ｄ＿ｆａｋｅ）と等価であるとみなしてもよい。

上述した説明では、合成データ生成部２４は、本物画像Ｄ＿ｒｅａｌと偽物データ生成部２２が生成した偽物画像Ｄ＿ｆａｋｅとを合成することで合成画像Ｄ＿ｍｉｘを生成している。しかしながら、合成データ生成部２４は、本物画像Ｄ＿ｒｅａｌと合成データ生成部２４が偽物画像Ｄ＿ｆａｋｅとして生成した合成画像Ｄ＿ｍｉｘとを合成することで新たな合成画像Ｄ＿ｍｉｘを生成してもよい。この場合であっても、生成される合成画像Ｄ＿ｍｉｘが、本物画像Ｄ＿ｒｅａｌと偽物画像Ｄ＿ｆａｋｅ（つまり、偽物画像Ｄ＿ｆａｋｅとして生成される合成画像Ｄ＿ｍｉｘ）とを合成することで生成されることに変わりはない。

（４－３）第３変形例
合成データ生成部２４は、所望の画像処理が施された本物画像Ｄ＿ｒｅａｌを用いて、合成画像Ｄ＿ｍｉｘを生成してもよい。合成データ生成部２４は、所望の画像処理が施された偽物画像Ｄ＿ｆａｋｅを用いて、合成画像Ｄ＿ｍｉｘを生成してもよい。この場合、演算装置２内には、本物データ取得部２１が取得した本物画像Ｄ＿ｒｅａｌ及び偽物データ生成部２２が生成した偽物画像Ｄ＿ｆａｋｅの少なくとも一つに対して画像処理を行うための画像処理部が実現されていてもよい。尚、所望の画像処理の一例として、スケーリング処理、回転処理、ノイズ除去処理及びＨＤＲ（ＨｉｇｈＤｙｎａｍｉｃ Ｒａｎｇｅ）処理の少なくとも一つがあげられる。

（４－４）第４変形例
上述した説明では、データ生成装置１は、画像を用いた学習動作を行っている。つまり、上述した説明では、本物データ取得部２１は、本物画像Ｄ＿ｒｅａｌを本物データとして取得し、偽物データ生成部２２は、偽物画像Ｄ＿ｆａｋｅを偽物データとして生成し、合成データ生成部２４は、合成画像Ｄ＿ｍｉｘを合成データとして生成し、識別部２３は、本物画像Ｄ＿ｒｅａｌ、偽物画像Ｄ＿ｆａｋｅ及び合成画像Ｄ＿ｍｉｘを含む識別対象画像を識別対象データとして識別している。しかしながら、データ生成装置１は、画像とは異なる任意のデータを用いて学習動作を行ってもよい。つまり、本物データ取得部２１は、任意の種類の本物データを取得し、偽物データ生成部２２は、本物データを疑似する任意の種類の偽物データを生成し、合成データ生成部２４は、本物データと偽物データとを合成することで任意の種類の合成データを生成し、識別部２３は、本物データ、偽物データ及び合成データを含む任意の種類の識別対象データを識別してもよい。この場合も、合成データ生成部２４は、合成データ＝合成比率α×本物データ＋（１－合成比率α）×偽物データという数式を用いて、合成データを生成してもよい。この場合、合成データ生成部２４は、合成比率αを、合成データを細分化することで得られる複数のデータ要素の夫々の合成データ内での位置に応じて変化させてもよい。尚、ここでいう「合成データ内でのデータ要素の位置」は、「合成データが示す目的物（例えば、画像）を目的物に応じて定まる所望の単位（例えば、画素の単位）で細分化することで得られるデータ要素（例えば、画素）の、合成データが示す目的物の中での位置」を示していてもよい。

例えば、データ生成装置１は、音声を用いた学習動作を行ってもよい。この場合、本物データ取得部２１は、識別部２３によって本物である（つまり、偽物データ生成部２２が生成した偽物音声ではない）と識別されるべき本物音声を、本物データとして取得してもよい。偽物データ生成部２２は、本物音声を疑似した偽物音声を、偽物データとして生成してもよい。合成データ生成部２４は、本物音声と偽物音声とを合成することで、合成データとしての合成音声を生成してもよい。例えば、合成データ生成部２４は、合成音声＝合成比率α×本物音声＋（１－合成比率α）×偽物音声という数式を用いて、合成音声を生成してもよい。この場合、合成データ生成部２４は、合成比率αを、合成音声を時間軸に沿って細分化することで得られる複数の音声要素の夫々に対応する時刻（つまり、合成音声内での各音声要素の位置）に応じて変化させてもよい。この場合、上述した「合成データ内でのデータ要素の位置」は、「音声を時間軸に沿って細分化することで得られる音声要素（つまり、ある時刻の音声を示すデータ要素）に対応する時刻」に相当する。

（４－５）第５変形例
上述した説明では、データ生成装置１（演算装置２）が識別部２３を備えている。一方で、第５変形例におけるデータ生成装置１ａ（演算装置２ａ）は、第５変形例におけるデータ生成装置１ａ（演算装置２ａ）の構成を示す図１２に示すように、識別部２３を備えていなくてもよい。この場合、本物データ取得部２１が取得した本物画像Ｄ＿ｒｅａｌ、偽物データ生成部２２が生成した偽物画像Ｄ＿ｆａｋｅ及び合成データ生成部２４が生成した合成画像Ｄ＿ｍｉｘは、データ生成装置１ａの外部の識別部２３に出力されてもよい。

（５）付記
以上説明した実施形態に関して、更に以下の付記を開示する。
［付記１］
本物データを取得する取得手段と、
前記本物データを疑似した偽物データを生成する偽物データ生成手段と、
前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成手段と
を備え、
前記合成データ生成手段は、前記合成データを構成するデータ要素を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて変化させる
データ生成装置。
［付記２］
前記合成データ生成手段は、前記合成データを構成する複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて連続的に変化させる
付記１に記載のデータ生成装置。
［付記３］
前記合成データ生成手段は、
前記合成データを構成する第１のデータ要素を生成するために用いる前記合成比率を、第１の比率に設定し、
前記合成データを構成し且つ前記第１のデータ要素とは異なる第２のデータ要素を生成するために用いる前記合成比率を、前記第１の比率とは異なる第２の比率に設定し、
前記合成データのうちの前記第１及び第２のデータ要素の間の複数の第３のデータ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記第３のデータ要素の位置に応じて前記第１の比率から前記第２の比率まで連続的に変化させる
付記１又は２に記載のデータ生成装置。
［付記４］
前記合成データ生成手段は、前記合成データのうちの一のデータ部分に含まれる複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて連続的に変化させる
付記１から３のいずれか一項に記載のデータ生成装置。
［付記５］
前記合成データ生成手段は、
前記合成データのうちの第１のデータ部分に含まれる複数の前記データ要素を生成するために用いる前記合成比率を、第３の比率に固定し、
前記合成データのうちの前記第１のデータ部分とは異なる第２のデータ部分に含まれる複数の前記データ要素を生成するために用いる前記合成比率を、前記第３の比率とは異なる第４の比率に固定し、
前記合成データのうちの前記第１及び第２のデータ部分の間の第３のデータ部分に含まれる複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて前記第３の比率から前記第４の比率にまで連続的に変化させる
付記１から４のいずれか一項に記載のデータ生成装置。
［付記６］
前記合成データ生成手段は、前記合成データを構成する複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて多値的に変化させる
付記１から５のいずれか一項に記載のデータ生成装置。
［付記７］
前記合成データ生成手段は、
前記合成データを構成する第１のデータ要素を生成するために用いる前記合成比率を、第１の比率に設定し、
前記合成データを構成し且つ前記第１のデータ要素とは異なる第２のデータ要素を生成するために用いる前記合成比率を、前記第１の比率とは異なる第２の比率に設定し、
前記合成データのうちの前記第１及び第２のデータ要素の間の複数の第３のデータ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記第３のデータ要素の位置に応じて前記第１の比率から前記第２比率まで多値的に変化させる
付記１から６のいずれか一項に記載のデータ生成装置。
［付記８］
前記合成データ生成手段は、前記合成データのうちの一のデータ部分に含まれる複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて多値的に変化させる
付記１から７のいずれか一項に記載のデータ生成装置。
［付記９］
前記合成データ生成手段は、
前記合成データのうちの第１のデータ部分に含まれる複数の前記データ要素を生成するために用いる前記合成比率を、第３の比率に固定し、
前記合成データのうちの前記第１のデータ部分とは異なる第２のデータ部分に含まれる複数の前記データ要素を生成するために用いる前記合成比率を、前記第３の比率とは異なる第４の比率に固定し、
前記合成データのうちの前記第１及び第２のデータ部分の間の第３のデータ部分に含まれる複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて前記第３の比率から前記第４比率にまで多値的に変化させる
付記１から８のいずれか一項に記載のデータ生成装置。
［付記１０］
前記合成データ生成手段は、前記合成データが、前記本物データが支配的となる第４データ部分と、前記偽物データが支配的となる第５データ部分と、前記本物データ及び前記偽物データが均衡する第６データ部分とを含むように、前記合成比率を変化させる
付記１から９のいずれか一項に記載のデータ生成装置。
［付記１１］
前記合成データ生成手段は、前記第４データ部分と前記第５データ部分との間に前記第６データ部分が位置するように、前記合成比率を変える
付記１０に記載のデータ生成装置。
［付記１２］
前記合成データ生成手段は、第１期間に前記合成データを生成するために用いる前記合成比率と、前記第１期間とは異なる第２期間に前記合成データを生成するために用いる前記合成比率とが異なるものとなるように、前記合成比率を、前記合成データを生成する時間に応じて変化させる
付記１から１１のいずれか一項に記載のデータ生成装置。
［付記１３］
前記合成データ生成手段は、
前記第１期間には、前記偽物データが支配的となる第５データ部分が前記合成データに占める割合が、前記本物データが支配的となる第４データ部分が前記合成データに占める割合以上になるように、前記合成比率を設定し、
前記第２期間には、前記第２期間において前記第４データ部分が前記合成データに占める割合が、前記第１期間において前記第４データ部分が前記合成データに占める割合よりも大きくなるように、前記合成比率を設定する
付記１２に記載のデータ生成装置。
［付記１４］
前記本物データと前記偽物データと前記合成データとを含む識別対象データを識別する識別手段を更に備え、
前記偽物データ生成手段は、前記識別手段による前記識別対象データの識別結果に基づいて学習可能であって且つ前記偽物データを生成するための生成モデルを用いて、前記偽物データを生成し、
前記識別手段は、前記識別手段による前記識別対象データの識別結果に基づいて学習可能であって且つ前記識別対象データを識別するための識別モデルを用いて、前記識別対象データを識別し、
前記第１期間は、前記生成モデル及び前記識別モデルの学習を開始してから所定時間が経過する前の期間を含み、
前記第２期間は、前記生成モデル及び前記識別モデルの学習を開始してから前記所定時間が経過した後の期間を含む
付記１２又は１３に記載のデータ生成装置。
［付記１５］
前記本物データ、前記偽物データ及び前記合成データの夫々は、画像に関するデータであり、
前記合成データを構成する前記データ要素は、前記画像を構成する画素を含み、
前記合成データ中での前記データ要素の位置は、前記画像中での前記画素の位置である
付記１から１４のいずれか一項に記載のデータ生成装置。
［付記１６］
前記合成データ生成手段は、前記合成データを構成する複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて非連続的に又は段階的に変化させる
付記１から１５のいずれか一項に記載のデータ生成装置。
［付記１７］
前記合成データ生成手段は、前記合成データのうちの第１のデータ要素から第２のデータ要素を結ぶ線上において、前記合成比率が、（ｉ）前記本物データと前記偽物データとの比率が１：０となる第５の比率から、前記本物データと前記偽物データとの比率が１：１となる第６の比率へと、若しくは、（ｉｉ）前記第６の比率から前記第５の比率へと、又は、（ｉｉｉ）前記本物データと前記偽物データとの比率が０：１となる第７の比率から、前記第６の比率へと、若しくは（ｉｖ）前記第６の比率から前記第７の比率へと変化するように、前記合成比率を変化させる
付記１から１６のいずれか一項に記載のデータ生成装置。
［付記１８］
本物データを取得する取得手段と、
前記本物データを疑似した偽物データを取得又は生成する偽物データ生成手段と、
前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成手段と、
識別モデルを用いて、前記本物データと前記偽物データと前記合成データとを含む識別対象データを識別する識別手段と
を備え、
前記識別手段は、前記識別手段による前記識別対象データの識別結果に基づいて前記識別モデルを学習させ、
前記合成データ生成手段は、前記識別モデルの学習を開始してから所定時間が経過するまでの期間を含む第１期間に前記合成データを生成するために用いる前記合成比率と、前記第１期間とは異なり且つ前記識別モデルの学習を開始してから前記所定時間が経過した後の期間を含む第２期間に前記合成データを生成するために用いる前記合成比率とが異なるものとなるように、前記合成比率を、前記合成データを生成する時間に応じて変化させる
学習装置。
［付記１９］
本物データを取得する取得工程と、
前記本物データを疑似した偽物データを取得又は生成する偽物データ生成工程と、
前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成工程と
を含み、
前記合成データ生成工程では、前記合成データを構成するデータ要素を生成するために用いる前記合成比率は、前記合成データ中での前記データ要素の位置に応じて変化する
データ生成方法。
［付記２０］
コンピュータにデータ生成方法を実行させるコンピュータプログラムが記録された記録媒体であって、
前記データ生成方法は、
本物データを取得する取得工程と、
前記本物データを疑似した偽物データを取得又は生成する偽物データ生成工程と、
前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成工程と
を含み、
前記合成データ生成工程では、前記合成データを構成するデータ要素を生成するために用いる前記合成比率は、前記合成データ中での前記データ要素の位置に応じて変化する
記録媒体。
［付記２１］
コンピュータにデータ生成方法を実行させるコンピュータプログラムであって、
前記データ生成方法は、
本物データを取得する取得工程と、
前記本物データを疑似した偽物データを取得又は生成する偽物データ生成工程と、
前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成工程と
を含み、
前記合成データ生成工程では、前記合成データを構成するデータ要素を生成するために用いる前記合成比率は、前記合成データ中での前記データ要素の位置に応じて変化する
コンピュータプログラム。

本開示は、請求の範囲及び明細書全体から読み取るこのできる開示の要旨又は思想に反しない範囲で適宜変更可能であり、そのような変更を伴うデータ生成装置、学習装置、データ生成方法及び記録媒体もまた本開示の技術思想に含まれる。

１ データ生成装置
２ 演算装置
２１ 本物データ取得部
２２ 偽物データ生成部
２３ 識別部
２４ 合成データ生成部
Ｇ 生成モデル
Ｄ 識別モデル
Ｄ＿ｒｅａｌ 本物画像
Ｄ＿ｆａｋｅ 偽物画像
Ｄ＿ｍｉｘ 合成画像

Claims (10)

1. 本物データを取得する取得手段と、
   前記本物データを疑似した偽物データを生成する偽物データ生成手段と、
   前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成手段と
   を備え、
   前記合成データ生成手段は、前記合成データを構成するデータ要素を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて変化させる
   データ生成装置。
2. 前記合成データ生成手段は、前記合成データを構成する複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて連続的に変化させる
   請求項１に記載のデータ生成装置。
3. 前記合成データ生成手段は、
   前記合成データを構成する第１のデータ要素を生成するために用いる前記合成比率を、第１の比率に設定し、
   前記合成データを構成し且つ前記第１のデータ要素とは異なる第２のデータ要素を生成するために用いる前記合成比率を、前記第１の比率とは異なる第２の比率に設定し、
   前記合成データのうちの前記第１及び第２のデータ要素の間の複数の第３のデータ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記第３のデータ要素の位置に応じて前記第１の比率から前記第２の比率まで連続的に変化させる
   請求項１又は２に記載のデータ生成装置。
4. 前記合成データ生成手段は、前記合成データのうちの一のデータ部分に含まれる複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて連続的に変化させる
   請求項１から３のいずれか一項に記載のデータ生成装置。
5. 前記合成データ生成手段は、
   前記合成データのうちの第１のデータ部分に含まれる複数の前記データ要素を生成するために用いる前記合成比率を、第３の比率に固定し、
   前記合成データのうちの前記第１のデータ部分とは異なる第２のデータ部分に含まれる複数の前記データ要素を生成するために用いる前記合成比率を、前記第３の比率とは異なる第４の比率に固定し、
   前記合成データのうちの前記第１及び第２のデータ部分の間の第３のデータ部分に含まれる複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて前記第３の比率から前記第４の比率にまで連続的に変化させる
   請求項１から４のいずれか一項に記載のデータ生成装置。
6. 前記合成データ生成手段は、前記合成データを構成する複数の前記データ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置を引数とする関数を用いて多値的に変化させる
   請求項１から５のいずれか一項に記載のデータ生成装置。
7. 前記合成データ生成手段は、
   前記合成データを構成する第１のデータ要素を生成するために用いる前記合成比率を、第１の比率に設定し、
   前記合成データを構成し且つ前記第１のデータ要素とは異なる第２のデータ要素を生成するために用いる前記合成比率を、前記第１の比率とは異なる第２の比率に設定し、
   前記合成データのうちの前記第１及び第２のデータ要素の間の複数の第３のデータ要素の夫々を生成するために用いる前記合成比率を、前記合成データ中での前記第３のデータ要素の位置に応じて前記第１の比率から前記第２比率まで多値的に変化させる
   請求項１から６のいずれか一項に記載のデータ生成装置。
8. 本物データを取得する取得手段と、
   前記本物データを疑似した偽物データを取得又は生成する偽物データ生成手段と、
   前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成する合成データ生成手段と、
   識別モデルを用いて、前記本物データと前記偽物データと前記合成データとを含む識別対象データを識別する識別手段と
   を備え、
   前記識別手段は、前記識別手段による前記識別対象データの識別結果に基づいて前記識別モデルを学習させ、
   前記合成データ生成手段は、前記識別モデルの学習を開始してから所定時間が経過するまでの期間を含む第１期間に前記合成データを生成するために用いる前記合成比率と、前記第１期間とは異なり且つ前記識別モデルの学習を開始してから前記所定時間が経過した後の期間を含む第２期間に前記合成データを生成するために用いる前記合成比率とが異なるものとなるように、前記合成比率を、前記合成データを生成する時間に応じて変化させる
   学習装置。
9. 本物データを取得することと、
   前記本物データを疑似した偽物データを取得又は生成することと、
   前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成することと、
   前記合成データを構成するデータ要素を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて変化させることと
   を含むデータ生成方法。
10. コンピュータにデータ生成方法を実行させるコンピュータプログラムであって、
    前記データ生成方法は、
    本物データを取得することと、
    前記本物データを疑似した偽物データを取得又は生成することと、
    前記本物データと前記偽物データとを所望の合成比率で合成することで合成データを生成することと、
    前記合成データを構成するデータ要素を生成するために用いる前記合成比率を、前記合成データ中での前記データ要素の位置に応じて変化させることと
    を含むコンピュータプログラム。

Images