JP7463455B2 - Information processing device, information processing method, and program - Google Patents
Information processing device, information processing method, and program Download PDFInfo
- Publication number
- JP7463455B2 JP7463455B2 JP2022136173A JP2022136173A JP7463455B2 JP 7463455 B2 JP7463455 B2 JP 7463455B2 JP 2022136173 A JP2022136173 A JP 2022136173A JP 2022136173 A JP2022136173 A JP 2022136173A JP 7463455 B2 JP7463455 B2 JP 7463455B2
- Authority
- JP
- Japan
- Prior art keywords
- shoe
- measurement data
- measurement
- natural person
- foot
- 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
- 230000010365 information processing Effects 0.000 title claims description 41
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000005259 measurement Methods 0.000 claims description 231
- 238000011156 evaluation Methods 0.000 claims description 56
- 238000010801 machine learning Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 8
- 210000002683 foot Anatomy 0.000 description 156
- 238000000691 measurement method Methods 0.000 description 37
- 238000000034 method Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 29
- 210000003371 toe Anatomy 0.000 description 28
- 230000008569 process Effects 0.000 description 18
- 239000000463 material Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 3
- 210000001255 hallux Anatomy 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000003813 thumb Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000000454 fifth toe Anatomy 0.000 description 2
- 210000004932 little finger Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000037237 body shape Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 210000003298 dental enamel Anatomy 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011505 plaster Substances 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Footwear And Its Accessory, Manufacturing Method And Apparatuses (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、情報処理装置、情報処理方法、及びプログラムに関する。 The present invention relates to an information processing device, an information processing method, and a program.
従来より、靴は、職人によって手作りされた木型に合わせて制作が行われる等の手法がとられているため規格化が遅れている。最適なマッチングを行うためには、靴の伸びや変形を考慮した靴の内寸を知る必要があるが、従来のやり方では、靴の伸びや変形の度合いを定量的に決めることができない。また、誤差が大きいため、破壊的な方法を用いる必要があり、コストがかかっていた。 Traditionally, shoes have been made to fit wooden lasts handcrafted by craftsmen, which has led to a lack of standardization. To achieve optimal matching, it is necessary to know the inside dimensions of the shoe, taking into account the shoe's stretch and deformation, but with traditional methods it is not possible to quantitatively determine the degree of shoe stretch and deformation. Also, because there is a large margin of error, it is necessary to use destructive methods, which are costly.
このため、形状が規格化されていない靴等のアイテムについて、平等かつ容易に採寸することができる新たな手法が求められている状況である。 Therefore, there is a need for a new method to easily and fairly measure items such as shoes, whose shapes are not standardized.
本発明は、このような状況に鑑みてなされたものであり、形状が規格化されていないアイテムであっても平等かつ容易にマッチングを行うことができる新たな手法を提供することを目的とする。 The present invention was made in light of these circumstances, and aims to provide a new method that allows for equal and easy matching even for items whose shapes are not standardized.
上記目的を達成するため、本発明の一態様の情報処理装置は、
アイテムの測定データに基づいて、正対を特定し、1以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データとして生成する計測手段
を備える。
In order to achieve the above object, an information processing device according to one aspect of the present invention comprises:
The device is equipped with a measurement means that identifies a facing position based on measurement data of the item, detects one or more landmark points, calculates a reference symbol based on predetermined rules for eliminating the design of the item, calculates each measurement value of a plurality of items based on the facing position, the landmark points, and the reference symbol, and generates information including at least each of the measurement values of the plurality of items as measurement data of the item.
本発明によれば、形状が規格化されていないアイテムであっても平等かつ容易にマッチングを行うことができる。 The present invention makes it possible to perform matching fairly and easily even for items whose shapes are not standardized.
以下、本発明の実施形態について、図面を用いて説明する。 The following describes an embodiment of the present invention with reference to the drawings.
図1は、本発明が適用される情報処理装置を含む情報処理システムの構成例を示すブロック図である。
図1に示す情報処理システムは、靴計測装置1と、テスター足計測装置2と、学習装置3と、ユーザ足計測装置4と、マッチング装置5と、ユーザ端末6と、靴計測DB11と、足計測DB12と、評価DB13とを含むように構成される。
靴計測装置1乃至ユーザ端末6及び靴計測DB11乃至評価DB13の夫々は、インターネット等の所定のネットワークNを介して相互に接続されている。
FIG. 1 is a block diagram showing an example of the configuration of an information processing system including an information processing device to which the present invention is applied.
The information processing system shown in Figure 1 is configured to include a
The
以下、このような図1の情報処理システムを用いて実現されるサービス(以下、「本サービス」と呼ぶ)の概要について説明する。
本サービスは、形状が規格化されていないアイテム(例えば靴)であっても、平等かつ容易に採寸して、購入等を希望するユーザとのマッチング(お奨めの靴の推薦等)を行うことができるサービスである。本サービスによれば、後述するように、ユーザの身体の形状と、アイテムの形状との夫々に見られる傾向を抽象的に捉えるので、必ずしも同じ位置の比較を行うことなく、平等かつ容易にマッチングを行うことができる。さらに、計測時の誤差を統計的に捉えるので、誤差が生じやすい安価なセンサによる計測値であっても実用的なマッチングを行うことができる。
なお、本サービスが適用されるアイテムは、ユーザの体の少なくとも一部に装着されるものであれば特に限定されないが、以下の例では靴であるものとする。
The following provides an overview of a service (hereinafter, referred to as "this service") that is realized using the information processing system of FIG.
This service allows for easy and fair measurement of items (e.g., shoes) that do not have a standardized shape, and allows matching with users who wish to purchase them (recommendation of recommended shoes, etc.). As described below, this service allows for easy and fair matching, since it abstractly captures the tendencies seen in the shape of the user's body and the shape of the item, without necessarily comparing the same positions. Furthermore, since it statistically captures errors during measurement, it allows for practical matching, even with measurements taken using inexpensive sensors that are prone to errors.
The items to which this service applies are not particularly limited as long as they are worn on at least a part of the user's body, but in the following example, they are shoes.
図2は、図1に示す情報処理システムが適用される本サービスにおけるマッチングの前提となる、機械学習等の処理について模式的に示した概念図である。 Figure 2 is a conceptual diagram that shows the machine learning and other processes that are the basis for matching in this service to which the information processing system shown in Figure 1 is applied.
ここで、マッチング対象のモデル化にあたり、実際の靴を用いて計測してもよいが、本実施形態ではm個(mは1以上の整数値)のシューアンカーSh1乃至Shmが用いられる。シューアンカーSh1乃至Shmの夫々を個々に区別する必要がない場合、これらをまとめて以下、「シューアンカーSh」と呼ぶ。
ステップSaにおいて、靴計測装置1は、シューアンカーSh1乃至Shmの夫々をスキャンすることで、3DスキャンデータDs1乃至Dsmの夫々を生成する。
ステップSbにおいて、靴計測装置1は、3DスキャンデータDs1乃至Dsmの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用する靴についての計測手法(詳細については後述するが、以下、「標準化靴計測手法」と呼ぶ)に従った計測を行い、その計測の結果得られるデータ(以下、「靴計測データ」と呼ぶ)Ks1乃至Ksmの夫々を靴計測DB11に記憶させる。
なお以下、靴計測データKs1乃至ksmの夫々を個々に区別する必要がない場合、これらをまとめて以下、「靴計測データKs」と呼ぶ。
Here, when modeling the matching target, measurements may be taken using actual shoes, but in this embodiment, m shoe anchors Sh1 to Shm (m is an integer value of 1 or more) are used. When it is not necessary to distinguish between the shoe anchors Sh1 to Shm individually, they will hereinafter be collectively referred to as "shoe anchor Sh."
In step Sa, the
In step Sb, the
In the following description, when there is no need to distinguish between the shoe measurement data Ks1 to ksm, they will be collectively referred to as "shoe measurement data Ks."
一方、n人(nは1以上の整数値)の自然人T1乃至Tnの夫々に、m個の靴を実際に履いてもらって評価をしてもらう。なお、以下、このような自然人T1乃至Tnの夫々を、以下、「テスターT1乃至Tn」と呼ぶ。テスターT1乃至Tnの夫々を個々に区別する必要がない場合、これらをまとめて以下、「テスターT」と呼ぶ。
ステップScにおいて、テスター足計測装置2は、テスターT1乃至Tnの夫々の両足をスキャンすることで、3DスキャンデータDt1乃至Dtnの夫々を生成する。
ステップSdにおいて、テスター足計測装置2は、3DスキャンデータDt1乃至Dtnの夫々に対して、本発明者等により考案されて本実施形態で標準のものとして採用される足についての計測手法(詳細については後述するが、以下、「標準化足計測手法」と呼ぶ)に従った計測を行い、その計測の結果得られるデータ(以下、「足計測データ」と呼ぶ)Kt1乃至Ktmの夫々を足計測DB12に記憶させる。
なお以下、足計測データKt1乃至ktnの夫々を個々に区別する必要がない場合、これらをまとめて以下、「足計測データKt」と呼ぶ。
また、テスターT1乃至Tn毎に、m個の靴の夫々を実際に履いたときの履き心地に関する評価のデータ(以下、単に「評価データ」と呼ぶ)Ht1乃至Htnが取得されて、評価DB13に格納される。
なお以下、評価データHt1乃至Htnの夫々を個々に区別する必要がない場合、これらをまとめて以下、「評価データHt」と呼ぶ。
Meanwhile, n natural persons T1 to Tn (n is an integer value of 1 or more) are each asked to actually wear m shoes and evaluate them. Hereinafter, each of these natural persons T1 to Tn will be referred to as "tester T1 to Tn." When it is not necessary to distinguish between the testers T1 to Tn individually, they will be collectively referred to as "tester T."
In step Sc, the tester foot measuring
In step Sd, the tester
In the following, when there is no need to distinguish between the foot measurement data Kt1 to ktn, they will be collectively referred to as "foot measurement data Kt".
In addition, for each tester T1 to Tn, evaluation data Ht1 to Htn on the comfort of each of the m shoes when actually worn is obtained (hereinafter simply referred to as “evaluation data”) and stored in the
In the following, when there is no need to distinguish between the evaluation data Ht1 to Htn, they will be collectively referred to as "evaluation data Ht."
学習装置3は、m個の靴(シューアンカーSh1乃至Shm)の靴計測データKs1乃至Ksmとの夫々と、n人のテスターT1乃至Tnの足計測データKt1乃至Ktnの夫々との各組合せと、n人のテスターT1乃至Tnの夫々のm個の靴毎の評価データHt1乃至Htnの夫々とを用いて機械学習を行う。
これにより、学習結果として例えば、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られる。ここで注目すべき点は、靴計測データKsと足計測データKtとは、必ずしも同一位置で計測したデータを含む必要は特にない点である。つまり、異なった位置で計測したとしても、機械学習を行うことで、所定の足と所定の靴との各種各様な組合せ毎に、履き心地の傾向が得られることになる。
このような学習結果を用いることで、足と靴の夫々の形状等の傾向を抽象的に捉えることが可能となり、必ずしも同じ位置の比較を行う必要なしにマッチング(詳細は後述する)を行うことが可能になる。
また、このような機械学習手法を用いることで、計測時の誤差を統計的に扱うことができるようになるため、誤差の大きい安価なセンサを用いたスキャンでも実用的なマッチングが可能になる。
The
As a result of this, for example, a trend in comfort can be obtained for each of various combinations of a specific foot and a specific shoe as a learning result. It should be noted here that the shoe measurement data Ks and the foot measurement data Kt do not necessarily need to include data measured at the same position. In other words, even if measurements are taken at different positions, machine learning can provide a trend in comfort for each of various combinations of a specific foot and a specific shoe.
By using such learning results, it becomes possible to abstractly grasp the tendencies of the respective shapes of the feet and shoes, making it possible to perform matching (details will be described later) without necessarily having to compare the same positions.
In addition, the use of such machine learning techniques makes it possible to handle measurement errors statistically, enabling practical matching even when scanning with inexpensive sensors that have large errors.
図3は、図1に示す情報処理システムが適用される本サービスにおけるマッチング等の処理について模式的に示した概念図である。 Figure 3 is a conceptual diagram that shows a schematic diagram of the matching and other processing in this service to which the information processing system shown in Figure 1 is applied.
ステップSfにおいて、ユーザ足計測装置4は、ユーザUの両足をスキャンすることで、3DスキャンデータDuを生成する。
ステップSgにおいて、ユーザ足計測装置4は、3DスキャンデータDuに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データKuを足計測DB12に記憶させる。
In step Sf, the user's
In step Sg, the user's
ステップSiにおいて、マッチング装置5は、ステップSgで得られたユーザUの足計測データKuと、図2を用いて上述したm個の靴(シューアンカーSh1乃至Shm)の夫々の靴計測データKs1乃至Ksmの夫々とを用いて、当該ユーザUにとってどの靴が履き心地がよいのか(という推定をするための)マッチングを行う。
ここで、単なる計測データの比較のみならず、マッチング装置5は、ステップShにおいて、ユーザUの嗜好を取得して、ステップSiにおいて、その嗜好も考慮したマッチングを行ってもよい。これにより、例えば、きつい靴がユーザUの嗜好である場合、一般的にはAサイズの靴が履き心地がよいと判断されたとしても、そのAサイズよりも小さいBサイズがユーザUに適していると判断される、といった各ユーザUに夫々適したマッチングが可能になる。
ステップSjにおいて、マッチング装置5は、ステップSiのマッチングの結果に基づいて、ユーザUにとって適した(履き心地がよいとユーザUが感じるであろう)靴を、当該ユーザU(ユーザ端末6)に対して推薦する。
In step Si, the
Here, in addition to simply comparing the measurement data, the
In step Sj, the matching
必要に応じて、ユーザUが推薦された靴(シューアンカーSh:hは1乃至mのうち任意の整数値)を実際に履いた際の履き心地の評価がなされる。この場合、そのユーザUの評価データHuは、評価DB13に格納される。
そして、ユーザUの評価データHu、ユーザUの足計測データKu、及び推薦された靴(シューアンカーSh)の靴計測データKskが学習装置3に提供されると、学習装置3は、ステップSkにおいて、機械学習(再学習)を行う。このように実際の推薦結果とその評価がフィードバックされて、再学習が行われることで、より精度の高いマッチングが可能になっていく。
If necessary, the user U evaluates the comfort of the recommended shoes (shoe anchors Sh: h is an integer value between 1 and m) when actually wearing them. In this case, the evaluation data Hu of the user U is stored in the
Then, when the evaluation data Hu of the user U, the foot measurement data Ku of the user U, and the shoe measurement data Ksk of the recommended shoe (shoe anchor Sh) are provided to the
図4は、このような本サービス(マッチング)を実現可能な図1の情報処理システムのうち、マッチング装置5のハードウェア構成の一例を示すブロック図である。
Figure 4 is a block diagram showing an example of the hardware configuration of the
マッチング装置5は、CPU(Central Processing Unit)21と、ROM(Read Only Memory)22と、RAM(Random Access Memory)23と、バス24と、入出力インターフェース25と、出力部26と、入力部27と、記憶部28と、通信部29と、ドライブ30とを備えている。
The
CPU21は、ROM22に記録されているプログラム、又は、記憶部28からRAM23にロードされたプログラムに従って各種の処理を実行する。
RAM23には、CPU21が各種の処理を実行する上において必要なデータ等も適宜記憶される。
The
The
CPU21、ROM22及びRAM23は、バス24を介して相互に接続されている。このバス24にはまた、入出力インターフェース25も接続されている。入出力インターフェース25には、出力部26、入力部27、記憶部28、通信部29及びドライブ30が接続されている。
The
出力部26は、ディスプレイやスピーカ等で構成され、各種情報を画像や音声として出力する。
入力部27は、キーボードやマウス等で構成され、各種情報を入力する。
The
The
記憶部28は、ハードディスクやDRAM(Dynamic Random Access Memory)等で構成され、各種データを記憶する。
通信部29は、インターネットを含むネットワークNを介して他の装置との間で通信を行う。
The
The
ドライブ30には、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア31が適宜装着される。ドライブ30によってリムーバブルメディア31から読み出されたプログラムは、必要に応じて記憶部28にインストールされる。
また、リムーバブルメディア31は、記憶部28に記憶されている各種データも、記憶部28と同様に記憶することができる。
Further, the removable medium 31 can store various data stored in the
なお、靴計測装置1と、テスター足計測装置2と、学習装置3と、ユーザ足計測装置4と、ユーザ端末6との夫々は、図4と同様のハードウェア構成を採ることができる。従って、これらのハードウェア構成の説明については省略する。
The
図5は、このようなハードウェア構成のマッチング装置5等を含む図1の情報処理システム1が実行する処理のうち、図2に示す機械学習等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。
Figure 5 is a functional block diagram showing an example of a functional configuration capable of implementing the machine learning process shown in Figure 2 and other processes executed by the
図5に示すように、靴計測装置1においては、スキャン部111と、標準化靴計測部112とが機能する。
テスター足計測装置2においては、スキャン部121と、標準化足計測部122と、評価取得部123とが機能する。
As shown in FIG. 5, in the
In the tester
靴計測装置1のスキャン部111は、シューアンカーShをスキャンすることで、3DスキャンデータDsを生成する。
標準化靴計測部112は、3DスキャンデータDsに対して、標準化靴計測手法に従った計測を行い、その計測の結果得られる靴計測データKsを靴計測DB11に記憶させる。
ここで、靴(或いはシューアンカーSh)の靴計測データKsは、当該靴に関する様々な情報を紐付けて靴計測DB11に格納させることができる。具体的には例えば、3DスキャンデータDsを靴計測データKsに紐付けることができる。また例えば、靴の部位毎の素材の種類に関する情報や、引っ張り強さ(比強度)等素材が持つ性質に関する情報を靴計測データKsに紐付けることができる。
The
The standardized
Here, the shoe measurement data Ks of the shoe (or shoe anchor Sh) can be linked to various information related to the shoe and stored in the
一方、テスター足計測装置2のスキャン部121は、テスターTの両足をスキャンすることで、3DスキャンデータDtを生成する。
標準化足計測部122は、3DスキャンデータDtに対して、標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データKtを足計測DB12に記憶させる。
ここで、テスターTの足計測データKtには、当該テスターTに関する様々な情報を紐付けることができる。具体的には例えば、3DスキャンデータDtを足計測データKtに紐付けることもできる。また例えば、性別、年齢、体重、1日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データKtに紐付けることができる。さらに例えば、テスターTの住所や職業等の情報を足計測データKtに紐付けてもよい。なお、足計測データKtや上述の靴計測データKsが多数得られた場合、これらのデータはビッグデータとして各種分析等各種各様な用途で活用することができる。
また、評価取得部123は、テスターTが各靴の夫々を実際に履いたときの履き心地に関する評価を示す評価データHtを取得して、評価DB13に記憶させる。
Meanwhile, the
The standardized
Here, various information related to the tester T can be linked to the foot measurement data Kt of the tester T. Specifically, for example, the 3D scan data Dt can be linked to the foot measurement data Kt. In addition, for example, information such as gender, age, weight, average number of steps per day, shoe purchase history and return history, shoes often worn, shoes not interested, favorite brands, disliked brands, and various other information can be linked to the foot measurement data Kt. Furthermore, for example, information such as the address and occupation of the tester T may be linked to the foot measurement data Kt. Note that when a large amount of foot measurement data Kt and the above-mentioned shoe measurement data Ks are obtained, these data can be used as big data for various purposes such as various analyses.
The
ここで、図6を参照して標準化足計測手法について説明し、引き続き、図7を参照して標準化靴計測手法について説明する。
図6は、標準化足計測手法を説明するための足の外観構成の概略を示す図である。
図7は、標準化靴計測手法を説明するための靴及びシューアンカーの外観構成の概略を示す図である。
The standardized foot measurement technique will now be described with reference to FIG. 6, followed by the standardized shoe measurement technique with reference to FIG.
FIG. 6 is a diagram showing a schematic external configuration of a foot for explaining the standardized foot measurement method.
FIG. 7 is a diagram showing the outline of the external configuration of a shoe and a shoe anchor for explaining the standardized shoe measurement method.
テスター足計測装置2の標準化足計測部122は、標準化足計測手法に従った計測を、例えば次のようにして実行する。
The standardized
標準化足計測部122は、「正対」を特定する。
即ち、標準化足計測部122は、テスターTの足の3DスキャンデータDtの点群に対し、PCA(主成分分析)を用いることで、データの分布の広がりが大きい方向を求め、正対方向を一意に定める。これにより、テスターTは計測時に足の向きを厳密に揃える必要がなくなる。
換言すると、様々な形状を取り得る足から一定のルールで長さや角度を抽出し比較するためには、まずはじめに基準となる軸方向を決定する必要がある。そこで、標準化足計測部122は、3DスキャンデータDtにおいて足のフットプリントの形状が最も広く分布する軸を進行方向軸と定義し、重力方向をそのまま上下軸に取り、進行方向軸および上下軸に直行する軸を左右軸として定義することで、「正対」を特定する。
The standardized
That is, the standardized
In other words, in order to extract and compare lengths and angles according to a set rule from feet that can have various shapes, it is first necessary to determine a reference axis direction. Therefore, the standardized
標準化足計測部122は、「ランドマーク点L」を検出する。
即ち、標準化足計測部122は、足の形状の特徴を利用し、つま先やかかと頂点等のランドマーク点Lを検出する。形状の特徴だけでの抽出が難しいポイント(ボールジョイント(つま先の軸)、親指の付け根、親指と小指の端点)は、計測時に色付きのマーカーをテスターTの足に貼っておき、標準化足計測部122は、それを元にして決定する。
The standardized
That is, the standardized
標準化足計測部122は、「計測値」を求める。
即ち、標準化足計測部122は、このようにして得られたランドマーク点Lに基づいて、幾何計算を行い、その計算により得られた値を、標準化された計測値として扱う。
The standardized
That is, the standardized
計測値は、次のものが用いられる。
「足囲A」:ボールジョイントJ(L)で足をスライスした時の足の周長。
「足幅B」:ボールジョイントJ(L)間の直線距離。
「足長C」:つま先(最も前方の点)とかかと頂点(最も後方の点)の床平面上での長さ。
「踵形状D」、「つま先高さE」、「つま先形状F」、及び「歪みG」。
その他、必要に応じて、次のような計測値が用いられてもよい。
「踵長」:足長Cに対する一定の割合での長さ。
「踵幅」:最後方点から、かかと長だけ前方に伸ばした面での足幅。
「踵深さ」:かかと頂点位置から指定長だけ垂直上方に伸ばした点から足までの距離(深さ)。
「つま先幅」:親指付け根の端点と小指付け根の端点間の距離。
「親指付け根、親指、小指の高さ」:それぞれのランドマーク点Lから床面までの高さ。
The following measurements are used:
"Foot circumference A": The circumference of the foot when it is sliced at the ball joint J (L).
"Foot width B": The straight-line distance between ball joints J (L).
"Foot length C": The length on the floor plane between the toe (the most forward point) and the top of the heel (the most rearward point).
"Heel shape D", "Toe height E", "Toe shape F", and "Distortion G".
In addition, the following measurements may be used as necessary:
"Heel length": A constant ratio of the length of the foot C.
"Heel width": The width of the foot when extended forward the length of the heel from the rearmost point.
"Heel depth": The distance (depth) from the point extending vertically upward from the heel vertex a specified length to the foot.
"Toe width": The distance between the base of the thumb and the base of the little finger.
"Height of the base of the thumb, thumb, and little finger": The height from each landmark point L to the floor surface.
これに対して、靴計測装置1の標準化靴計測部112は、標準化靴計測手法に従った計測を、例えば次のようにして実行する。
即ち、靴の内寸の計測手法は様々な手法(CTによる撮影、石膏などを利用した型取り、製造時の型(木型)の計測等)が従来存在する。しかしながら、本実施形態のように機械学習を用いるとその個体を特徴づける相対的な違いだけがわかればいいので、以下の「計測値」が手に入れば足りる。換言すると、以下の「計測値」を求める任意の手法(各種各様名手法)が、標準化靴計測手法である。
In response to this, the standardized
That is, there are various conventional methods for measuring the inside dimensions of shoes (CT imaging, making a mold using plaster, measuring a mold (wooden last) at the time of manufacture, etc.). However, when using machine learning as in this embodiment, it is sufficient to know only the relative differences that characterize the individual, so it is sufficient to obtain the following "measurement values". In other words, any method (various methods) for obtaining the following "measurement values" is a standardized shoe measurement method.
標準化靴計測部112は、「計測値」を求めるにあたり、図6を参照して上述した標準化足計測手法と同様に、「正対」を特定し、「ランドマーク点L」を検出する。
When determining the "measurement value," the standardized
標準化靴計測部112は、また、次の基準シンボル(線、面)を求める。
基準シンボルは、次のものが、靴のデザイン性を排除するため次のルールで、夫々求められる。
「つま先位置」
(ルール)デザインのために足が入らない空洞部分があるのでその部分の影響を除くために、足囲Aが一定(例えば100mm等)になる位置をつま先位置とする。
「ボールジョイント(つま先とかかとをつなぐ骨の連結部分)位置」
(ルール)横方向に最も離れた点が足のボールジョイントに対応するとする。
The standardized
The following standard symbols are required according to the following rules to eliminate shoe design.
"Toe position"
(Rule) Due to the design, there is a hollow portion into which the foot does not enter, so in order to eliminate the effect of this portion, the position where the foot circumference A becomes constant (for example, 100 mm) is set as the toe position.
"Ball joint position (the joint between the toes and heels)"
(Rule) The point furthest away laterally corresponds to the ball joint of the foot.
標準化靴計測部112は、このような「正対」、「ランドマーク点L」、及び「基準シンボル」に基づいて、「足囲A」、「足幅B」、「足長C」、「踵形状D」、「つま先高さE」、「つま先形状F」、及び「歪みG」等を、「計測値」として求める。
Based on such "facing", "landmark point L", and "reference symbol", the standardized
標準化靴計測手法によれば、標準化足計測手法と同様の理由により、靴の場合も基準となる軸方向(正対)を決定する必要がある。また、内部に骨がある足と異なり、ボールジョイントの位置が不定のため、その位置も安定して取得できる必要がある。
そこで、図7に示すように、足の爪先にぴったり合う形のシューアンカーShが作成され、当該シューアンカーShが靴に詰められた状態で一緒に3次元計測(スキャン)が行われる。これにより、シューアンカーShを基にした基準軸(正対)や基準シンボルが求められ、これらに基づいて、各計測値が適切に求められる。
このように、標準化靴計測部112は、シューアンカーShを基準にすることで、つま先などのデザイン要素を排除したモデル(靴計測データKs)を構築することができる。
According to the standardized shoe measurement method, for the same reason as the standardized foot measurement method, it is necessary to determine the reference axis direction (front facing) for shoes as well. Also, unlike the foot, which has bones inside, the position of the ball joint is not fixed, so its position must be stably acquired.
Therefore, as shown in Fig. 7, a shoe anchor Sh is created that fits the toe of the foot perfectly, and the shoe anchor Sh is inserted into the shoe and then 3D measurement (scanning) is performed. This allows a reference axis (facing direction) and a reference symbol based on the shoe anchor Sh to be found, and each measurement value can be appropriately calculated based on these.
In this way, the standardized
シューアンカーShは、上述の基準軸(正対)や基準シンボルを求めることができれば任意のものを採用することができるが、図7に示すような形状であると好適である。即ち、図7に示すように、シューアンカーShは、ボールジョイント部分までで作成することで、ヒールの高さ毎に用意する必要がなくなるからである。なお、シューアンカーShのつま先形状は、図7の例では平均的な形を採用しているが、統計的なモデルを用いてバリエーションをつくるとさらに好適である。 Any shoe anchor Sh can be used as long as the reference axis (facing direction) and reference symbol mentioned above can be determined, but a shape like that shown in Figure 7 is preferable. That is, as shown in Figure 7, by creating the shoe anchor Sh only up to the ball joint portion, it becomes unnecessary to prepare different shapes for each heel height. Note that while an average shape is used for the toe shape of the shoe anchor Sh in the example of Figure 7, it is even more preferable to create variations using a statistical model.
以上のように、標準化靴計測手法と標準化足計測手法は、本発明人等により新たに提唱された複数の「計測値」を求める手法である。これらの複数の「計測値」に基づいて、機械学習が行われ、その学習結果を用いた(新たなユーザUの)足と靴のマッチングが行われる。
即ち、標準化靴計測手法や標準化足計測手法は、規格化がなされていない靴や足の形状から、マッチングに影響を与える計測長が標準化されて得られる手法である。即ち、どんなタイプの靴や足から抽出しても平等に比較が可能になるような計測手法が、標準化靴計測手法や標準化足計測手法である。
従って、標準化靴計測手法の計測により得られた靴計測データKsや、標準化足計測手法の計測により得られた足計測データKtを用いて機械学習が行われるので、その学習結果として、各計測値のうちどの値がマッチング(履き心地等)にどのくらい影響を与えるのかという、従来であれば職人が勘で決めていたような関係性(重み付け)が自動的に得られることになる。
As described above, the standardized shoe measurement method and the standardized foot measurement method are methods for obtaining a plurality of "measurement values" newly proposed by the present inventors, etc. Machine learning is performed based on these plurality of "measurement values", and the learning results are used to match the foot (of a new user U) with shoes.
That is, the standardized shoe measurement method and standardized foot measurement method are methods that obtain standardized measurement lengths that affect matching from unstandardized shoe and foot shapes. That is, the standardized shoe measurement method and standardized foot measurement method are measurement methods that enable equal comparison regardless of the type of shoe or foot extracted.
Therefore, machine learning is performed using shoe measurement data Ks obtained by measurement using the standardized shoe measurement method and foot measurement data Kt obtained by measurement using the standardized foot measurement method, and as a result of this learning, relationships (weighting) are automatically obtained that, in the past, were determined by craftsmen based on intuition, such as which of the measurement values affects matching (comfort, etc.).
ここで、標準化靴計測手法により得られた計測値(本段落では「靴」と略記する)と、標準化足計測手法により得られた計測値(本段落では「足」と略記する)との違いについて説明する。
「足囲A」については、「足」は、ボールジョイント部分を地面に垂直に切った輪郭線長や形状であるのに対して、「靴」は、ぴったり入るシューアンカーShの該当箇所の輪郭線長や形状である。
「足幅B」については、「足」は、ボールジョイント部分を地面に水平に結んだ線長であるの対して、「靴」は、最もでっぱっている部分の水平線長である。
「足長C」については、「足」は、進行方向軸に対し、つま先最先端とかかと最後端の、進行軸での長さであるのに対して、「靴」は、(シューアンカーShの基準シンボルから当該シューアンカーShにおけるつま先までの長さ)+(シューアンカーShの基準シンボルからかかと最後端までのインソールに沿った経路長)である。
「踵形状D」については、「足」は、かかと最後端を基準に、高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化であるのに対して、「靴」は、(踵後端を基準に高さ方向にずらしながら地面に水平に切った時の輪郭形状の変化)+(履き口部分の形状)である。
「つま先高さE」については、「足」は、ボールジョイントの線から一定長前に出た部分における足の高さ(平均や分布)であるのに対して、「靴」は、ボールジョイントの線から一定長前に出た部分における足の平均高さ(底面はインソール上面とする)である。
「つま先形状F」については、「足」は、ボールジョイント、親指、小指を結ぶ台形の形状(角度、長さなど)であるのに対して、「靴」は、インソール上面から一定長上で爪先部分を輪切りにした時の輪郭形状である。
「歪みG」については、「足」は、ボールジョイントから踵先端までの相対角度であるのに対して、「靴」は、ボールジョイントから踵先端までの相対角度である。
Here, we explain the differences between the measurement values obtained using the standardized shoe measurement method (abbreviated in this paragraph as "shoe") and the measurement values obtained using the standardized foot measurement method (abbreviated in this paragraph as "foot").
Regarding "foot circumference A,""foot" refers to the contour length and shape of the ball joint part cut perpendicular to the ground, while "shoe" refers to the contour length and shape of the corresponding part of the shoe anchor Sh that fits snugly.
Regarding "foot width B," the "foot" is the length of the line connecting the ball joint part horizontally to the ground, while the "shoe" is the horizontal length of the most protruding part.
Regarding the "foot length C," the "foot" is the length on the axis of travel from the tip of the toe to the rear end of the heel, while the "shoe" is (the length from the reference symbol of the shoe anchor Sh to the toe of the shoe anchor Sh) + (the path length along the insole from the reference symbol of the shoe anchor Sh to the rear end of the heel).
Regarding "heel shape D," the "foot" is the change in contour shape when the shoe is cut horizontally to the ground while shifting in the height direction with the rear end of the heel as the reference, whereas the "shoe" is (the change in contour shape when the shoe is cut horizontally to the ground while shifting in the height direction with the rear end of the heel as the reference) + (the shape of the opening).
With regard to "toe height E,""foot" refers to the height (average or distribution) of the foot at a certain distance from the ball joint line, while "shoe" refers to the average height of the foot at a certain distance from the ball joint line (the bottom surface is the top surface of the insole).
Regarding "Toe Shape F," the "foot" is a trapezoidal shape (angle, length, etc.) connecting the ball joint, big toe, and little toe, while the "shoe" is the outline shape when the toe portion is sliced at a certain length from the top surface of the insole.
Regarding "distortion G," the "foot" is the relative angle from the ball joint to the tip of the heel, whereas the "shoe" is the relative angle from the ball joint to the tip of the heel.
以上のようにして、標準化靴計測手法により、m個の靴(シューアンカーSh1乃至Shm)の靴計測データKs1乃至Ksmが得られる。また、標準化足計測手法により、n人のテスターT1乃至Tnの足計測データKt1乃至Ktnが得られる。
すると、図5の学習装置3は、m個の靴(シューアンカーSh1乃至Shm)の靴計測データKs1乃至Ksmとの夫々と、n人のテスターT1乃至Tnの足計測データKt1乃至Ktnの夫々との各組合せと、n人のテスターT1乃至Tnの夫々のm個の靴毎の評価データHt1乃至Htnの夫々とを用いて機械学習を行う。
In this manner, shoe measurement data Ks1 to Ksm of m shoes (shoe anchors Sh1 to Shm) are obtained by the standardized shoe measurement method. Also, foot measurement data Kt1 to Ktn of n testers T1 to Tn are obtained by the standardized foot measurement method.
Then, the
次に、図1の情報処理システムが実行する処理のうち、このような学習装置3による学習結果を用いて行われる、図3に示すマッチング等の処理を実現可能な機能的構成について説明する。
図8は、図1の情報処理システム1が実行する処理のうち、図3に示すマッチング等の処理を実現可能な機能的構成の一例を示す機能ブロック図である。
Next, a functional configuration capable of implementing processes such as matching shown in FIG. 3, which are performed using the learning results of the
FIG. 8 is a functional block diagram showing an example of a functional configuration capable of implementing the matching and other processes shown in FIG. 3 among the processes executed by the
図8に示すように、ユーザ足計測装置4においては、スキャン部141と、標準化足計測部142と、評価取得部143とが機能する。
As shown in FIG. 8, the user
ユーザ足計測装置4のスキャン部141は、ユーザUの両足をスキャンすることで、3DスキャンデータDuを生成する。
標準化足計測部122は、3DスキャンデータDuに対して、上述した標準化足計測手法に従った計測を行い、その計測の結果得られる足計測データKuを足計測DB12に記憶させる。
ここで、ユーザUの足計測データKuには、テスターTのものと同様に、当該ユーザUに関する様々な情報を紐付けることができる。具体的には例えば、3DスキャンデータDuを足計測データKuに紐付けることもできる。また例えば、性別、年齢、体重、1日あたりの平均歩数、靴の購買履歴や返品履歴等の情報や、よく着用する靴、興味を持たない靴、好きなブランド、嫌いなブランド等の各種各様な情報を足計測データKuに紐付けることができる。さらに例えば、ユーザUの住所や職業等の情報を足計測データKuに紐付けてもよい。なお、ユーザUの足計測データKuは、テスターTの計測データKtと共に、ビッグデータの一部として各種分析等各種各様な用途で活用することができる。
また、評価取得部143は、マッチング装置5によるマッチングの結果として推薦された靴をユーザUが実際に履いたときの履き心地に関する評価を示す評価データHuをユーザ端末6等から取得して、評価DB13に記憶させる。
The
The standardized
Here, the foot measurement data Ku of the user U can be linked to various information related to the user U, similar to that of the tester T. Specifically, for example, the 3D scan data Du can be linked to the foot measurement data Ku. In addition, for example, information such as gender, age, weight, average number of steps per day, shoe purchase history and return history, shoes often worn, shoes not interested, favorite brands, disliked brands, and various other information can be linked to the foot measurement data Ku. Furthermore, for example, information such as the address and occupation of the user U may be linked to the foot measurement data Ku. The foot measurement data Ku of the user U can be utilized for various purposes such as various analyses as part of big data together with the measurement data Kt of the tester T.
In addition, the
このようなユーザ足計測装置4に対して、マッチング装置5においては、マッチング手法決定部151と、ユーザ嗜好取得部152と、マッチング部153と、推薦部154とが機能する。
For such a user
マッチング手法決定部151は、学習装置3による機械学習の結果に基づいて、ユーザUにとって適切なマッチング手法を決定する。
ユーザ嗜好取得部152は、靴に関するユーザUの嗜好をユーザ端末6等から取得する。
マッチング部153は、ユーザUの足計測データKuと、m個の靴(シューアンカーSh1乃至Shm)の夫々の靴計測データKs1乃至Ksmの夫々と、ユーザUの嗜好とを用いて、当該ユーザUにとってどの靴が履き心地がよいのか(という推定をするための)マッチングを行う。
推薦部154は、マッチング部153のマッチングの結果に基づいて、ユーザUにとって適した(履き心地がよいとユーザUが感じるであろう)靴を、当該ユーザU(ユーザ端末6)に対して推薦する。
The matching method determination unit 151 determines a matching method appropriate for the user U based on the results of machine learning by the
The user
The
The
ここで、図9を参照して、学習装置3による機械学習の結果に基づいて、マッチング手法決定部151により決定されるマッチング手法の一例について説明する。
図9は、機械学習の結果に基づいて決定されるマッチング手法の一例を説明する図である。
図9に示すように、テスターT1乃至Tmの夫々についての、所定の靴(シューアンカーSh)の靴計測データKskとテスターTの足計測データKtとの組合せと、その所定の靴を実際に履いた際の評価データHtとのセットを用いて、学習装置3による機械学習が行われる。
ここで、靴計測データKskとテスターTの足計測データKtとの夫々は、上述したように、「足囲A」、「足幅B」、「足長C」等の複数の計測値の集合体である。また、靴の評価データHtについても、「足囲A」、「足幅B」、「足長C」等の複数の計測値に対応する各項目についての履き心地の個別評価の集合体である。
従って、図9に示すような機械学習が行われた場合、所定の靴(シューアンカーSh)の靴計測データKskとユーザUの足計測データKuとの組合せに対して、ユーザUの評価の予測を行うマッチング手法が採用されることになる。ここで、ユーザの評価の予測は、「足囲A」、「足幅B」、「足長C」等の複数の計測値に対応する各項目についての履き心地の個別評価の予測となる。
Here, an example of a matching method determined by the matching method determination unit 151 based on the result of machine learning by the
FIG. 9 is a diagram illustrating an example of a matching method determined based on the results of machine learning.
As shown in Figure 9, machine learning is performed by the
Here, as described above, each of the shoe measurement data Ksk and the foot measurement data Kt of the tester T is a collection of multiple measurement values such as "foot circumference A,""foot width B,""foot length C," etc. Similarly, the shoe evaluation data Ht is a collection of individual evaluations of comfort for each item corresponding to multiple measurement values such as "foot circumference A,""foot width B,""foot length C," etc.
9 is performed, a matching method is adopted to predict the user U's evaluation for a combination of the shoe measurement data Ksk of a specific shoe (shoe anchor Sh) and the foot measurement data Ku of the user U. Here, the prediction of the user's evaluation is a prediction of an individual evaluation of comfort for each item corresponding to a plurality of measurement values such as "foot circumference A", "foot width B", "foot length C", etc.
以上、本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、改良等は本発明に含まれるものである。 Although one embodiment of the present invention has been described above, the present invention is not limited to the above-mentioned embodiment, and modifications and improvements that can achieve the object of the present invention are included in the present invention.
上述の実施形態では、テスターUの足とm個の靴との関係について機械学習がなされ、その機械学習の結果に基づいて、ユーザUの足と靴のマッチングがなされ、そのマッチングの結果に基づいて、ユーザUの足に適した靴(ユーザUの評価が高いと推測される靴)が推薦されたが、機械学習の対象(その機械学習の結果を使うマッチング及び推薦の対象は特にこれに限定されない。 In the above embodiment, machine learning was performed on the relationship between the feet of tester U and m shoes, and based on the results of the machine learning, the feet of user U were matched with shoes, and based on the results of the matching, shoes suitable for user U's feet (shoes that are assumed to be highly rated by user U) were recommended, but the targets of the machine learning (targets of matching and recommendations using the results of the machine learning are not particularly limited to this.
例えば、機械学習の対象(その機械学習の結果を使うマッチング及び推薦の対象)は、図10に示すものでもよい。
図10は、図1の情報処理システムが実施可能な処理であって、図3の例とは異なる処理の概要を示す図である。
図10に示すように、m個の既存の靴S1乃至Sm(シューアンカーSh1乃至Shm)の夫々について、靴計測データKs1乃至Ksmと、多数のユーザU1乃至Uk(kは任意整数値、図10の例ではk=3)の評価データHu(テスターTの評価データHtを含む)との組合せに基づいて、靴同士のマッチングがなされ、新たな靴と評価の類似する既存の靴が推薦される。
即ち、靴計測データKsをA軸とし、評価データHuをB軸とした2次元平面上に対して、m個の既存の靴(シューアンカーSh1乃至Shmであって、マッチングの比較先)の夫々が、靴計測データKs1乃至Ksmと多数のユーザU1乃至Ukとの組合せに基づいてプロット(射影)されて機械学習がなされる。換言すると、評価の似ている靴(アイテム)が近くに配置されるような2次元平面(空間)が生成されるように機械学習がなされる。
この機械学習の結果として、新たな靴(マッチングの比較元)について、当該2次元平面(空間)上に、靴計測データKsと多数のユーザU1乃至Ukとの組合せに基づいてプロット(射影)することで、当該2次元平面(空間)近くに配置される靴を検索(マッチング)して、評価の類似する靴、即ち履き心地が似ている靴として推薦することが可能になる。
For example, the target of machine learning (the target of matching and recommendations using the results of the machine learning) may be one shown in FIG. 10.
FIG. 10 is a diagram showing an outline of a process that can be performed by the information processing system of FIG. 1 and that is different from the example of FIG.
As shown in Figure 10, for each of m existing shoes S1 to Sm (shoe anchors Sh1 to Shm), shoes are matched based on a combination of shoe measurement data Ks1 to Ksm and evaluation data Hu (including evaluation data Ht of tester T) of a number of users U1 to Uk (k is an arbitrary integer value; in the example of Figure 10, k = 3), and an existing shoe with a similar evaluation to the new shoe is recommended.
That is, on a two-dimensional plane with the shoe measurement data Ks as the A axis and the evaluation data Hu as the B axis, each of the m existing shoes (shoe anchors Sh1 to Shm, which are compared for matching) is plotted (projected) based on the combination of the shoe measurement data Ks1 to Ksm and a large number of users U1 to Uk, and machine learning is performed. In other words, machine learning is performed to generate a two-dimensional plane (space) in which shoes (items) with similar evaluations are arranged close to each other.
As a result of this machine learning, by plotting (projecting) a new shoe (the comparison source for matching) onto the two-dimensional plane (space) based on a combination of shoe measurement data Ks and a large number of users U1 to Uk, it becomes possible to search for (match) shoes that are located close to the two-dimensional plane (space) and recommend shoes that have similar evaluations, i.e. shoes that have a similar fit.
また例えば、機械学習の対象(その機械学習の結果を使うマッチング及び推薦の対象)は、図11に示すものでもよい。
図11は、図1の情報処理システムが実施可能な処理であって、図2例とは異なる機械学習を行う処理の概要を示す図である。
図3に示す機械学習では、m個の靴についての、n人(多数)のテスターTの一般的な評価に基づくモデル(既存モデル)が得られる。
これに対して、図11の例では、これらの既存モデルを用いてマッチング及び推薦がなされたユーザUからのフィードバック情報、例えば当該ユーザUに関する各種履歴(購買履歴や返品履歴)を示す情報も考慮して、追加学習がなされる。この追加学習の結果として、(既存モデルと比較して)ユーザUの好みに特化したモデル、即ちユーザ特化モデルが得られる。
このユーザ特化モデルを用いたマッチングを行うことで、既存モデルを用いた場合と比較して、ユーザUにより適した靴の推薦が可能になる。
Also, for example, the target of machine learning (the target of matching and recommendation using the results of the machine learning) may be one shown in FIG. 11 .
FIG. 11 is a diagram showing an overview of a process that can be performed by the information processing system of FIG. 1 and that performs machine learning different from the example of FIG. 2 .
In the machine learning shown in FIG. 3, a model (existing model) is obtained based on general evaluations by n (a large number of) testers T for m shoes.
11, additional learning is performed taking into consideration feedback information from user U who has been matched and recommended using these existing models, such as information indicating various histories (purchase history and return history) of user U. As a result of this additional learning, a model specialized for the preferences of user U (compared to existing models), that is, a user-specified model, is obtained.
By performing matching using this user-specific model, it becomes possible to recommend shoes that are more suitable for the user U, compared to when an existing model is used.
また例えば、機械学習の対象(その機械学習の結果を使うマッチング及び推薦の対象)は、上述の実施形態では靴とされたが、特にこれに限定されず、ユーザU(テスターT含む)が着用可能な任意のアイテム、例えば衣服、帽子、保護用あるいは補助用に着用するヘルメット、コルセット、サポータ等でもよい。 For example, the target of machine learning (the target of matching and recommendations using the results of the machine learning) is shoes in the above embodiment, but is not limited to this and may be any item that can be worn by the user U (including the tester T), such as clothing, a hat, a helmet worn for protection or support, a corset, a supporter, etc.
図12は、アイテムを衣服とした場合における、標準化計測がなされる場合のユーザU(テスターT含む)の計測データの一例を示している。
即ち、人体(ユーザUの体)は計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ちユーザUの計測データの一例が、図12に示されている。
FIG. 12 shows an example of measurement data of a user U (including a tester T) when standardized measurements are performed with the item being clothing.
That is, since the measurement method for the human body (user U's body) is standardized, the measurement using that measurement method is adopted as a standardized measurement, and the measurement result is adopted as a standardized measurement value, i.e., an example of the measurement data of user U is shown in Figure 12.
図13は、アイテムを衣服(ジャケット)とした場合における、標準化計測がなされる場合のアイテムの計測データの一例を示している。
即ち、衣服(ジャケット)はカテゴリ毎にどの部分の測定を行うのかといった計測方法が規格化されているので、当該計測方法による計測が標準化計測として採用され、その計測結果が標準化された測定値として採用された例、即ち衣服(ジャケット)の計測データの一例が、図13に示されている。
FIG. 13 shows an example of measurement data of an item when standardized measurement is performed, assuming that the item is clothing (jacket).
That is, since the measurement method for clothing (jackets) is standardized for which parts are measured for each category, measurements made using this measurement method are adopted as standardized measurements, and the measurement results are adopted as standardized measurement values. An example of measurement data for clothing (jackets) is shown in Figure 13.
また例えば、上述の実施形態では、アイテムの形状に基づくマッチングが行われたが、特にこれに限定されず、形状と共に又は形状とは別に、他の要素が考慮されたマッチングが行われてもよい。即ち、アイテムの着心地(アイテムが靴であれば履き心地)を決める要素は形状の差だけではなく、靴であれば、体重や年齢、ヒールの高さ、靴の素材といった要素がある。また、服であれば、生地の素材や性別、年齢等の要素がある。
従来はこれらの「他の要素」の影響を考慮しようとすると、どう影響するかを全てルール付する必要があった。これに対して、複数の別要素の影響を自動的に学習することの出来る機械学習手法(決定木をベースにしたもの)を採用することで、ルール付なしに、「他の要素」の影響を考慮したマッチングが実現可能になる。
ここで、「他の要素」としては、次のようなものを採用することができる。
即ち、「他の要素」=(データタイプ、影響)というフォーマットで記載すると次のようになる。
「素材の延びやすさ」=(引張強さ[N/cm]、形状の差の許容範囲に影響)
「素材タイプ」=(カテゴリ(布、ポリエステル等)、接触部分の痛さに影響)
「体重」=(kg、ヒールにおいて、つま先への荷重に影響)
「ヒールの高さ」=(cm、ヒールにおいて、つま先への荷重に影響)
「年齢」=(数値、歩きやすさなどの好みの違いに影響)
一日平均歩数数値疲れやすさなどの好みの違いに影響
Also, for example, in the above embodiment, matching is performed based on the shape of the item, but this is not particularly limited, and matching may be performed taking other factors into consideration along with or apart from the shape. That is, factors that determine the wearability of an item (if the item is a shoe, the wearability) are not only differences in shape, but also factors such as weight, age, heel height, and shoe material for shoes. Also, factors such as fabric material, gender, and age for clothes.
In the past, if you tried to take into account the influence of these "other factors," you had to create rules for all of the influences. However, by adopting a machine learning method (based on decision trees) that can automatically learn the influence of multiple separate factors, it is now possible to achieve matching that takes into account the influence of "other factors" without creating rules.
Here, the following can be adopted as the "other elements":
That is, if written in the format "other elements" = (data type, impact), it will look like this:
"Material stretchability" = (tensile strength [N/cm], affects the tolerance of shape differences)
"Material type" = (category (cloth, polyester, etc.), affects pain at the contact area)
"Weight" = (kg, affects the load on the toes when wearing heels)
"Heel height" = (cm, affects the load on the toes when wearing heels)
"Age" = (number, affects differences in preferences such as ease of walking)
Affected by differences in preferences such as average daily steps and how easily you get tired
また例えば、上述の実施形態では、テスターTが実際にm個の靴を履いた際の評価を用いた間接的な機械学習が行われたが、特にこれに限定されず、この評価と共に又は代えて、例えば布型の圧力分布センサを用いてテスターTによるm個の靴の夫々の着用時の着圧を測定し、その測定結果を用いた機械学習を行い、ユーザUに対するマッチングの際には圧力分布センサが無いときでも予測できるようにしてもよい。
この場合も、その予測の結果を用いて最終的なユーザUの嗜好(靴であれば履き心地)の推定、及び推定結果に基づくユーザUに対する推薦が行われる。
For example, in the above-described embodiment, indirect machine learning was performed using the evaluation made by tester T when he actually wore m shoes, but this is not limited to this. In addition to or instead of this evaluation, for example, a cloth-type pressure distribution sensor may be used to measure the pressure of each of the m shoes when worn by tester T, and machine learning may be performed using the measurement results, so that when matching with user U, predictions can be made even when a pressure distribution sensor is not present.
In this case as well, the result of the prediction is used to estimate the final preference of the user U (for shoes, comfort), and a recommendation to the user U is made based on the estimation result.
また例えば、上述の実施形態では、靴の靴計測データKs、テスターTの足計測データKt、及びユーザUの足計測データKuには、各種情報(メタデータ)が紐付けられていた。これらの各種情報(メタデータ)を考慮することで、機械学習やマッチング(嗜好推定)及び推薦がより高精度で行われるからである。
このようなメタデータは、上述の実施形態に限定されず、任意のものを採用することが可能である。例えば、次のようなメタデータを採用可能である。なお、かっこ書きで(ベター)と付しているメタデータは、そのメタデータを採用することが好適であるメタデータである。かっこ書きで(アドバンス)と付しているメタデータは、そのメタデータを採用することは必須ではないが、採用するとより適切な機械学習やマッチング(嗜好推定)及び推薦を行い得るメタデータである。
即ち、素材特性のメタデータとして、伸び率(ベター)、表面硬度(ベター)、素材タイプ(エナメル、スムース、布等)(アドバンス)を採用することができる。
製造情報のメタデータとして、ブランド名・メーカー名・工場名(アドバンス)、製法(アドバンス)を採用することができる。
ユーザUの属性情報として、習熟度(ベター)、利用頻度(ベター)、年齢(アドバンス)を採用することができる。
Also, for example, in the above-described embodiment, various information (metadata) is associated with the shoe measurement data Ks of the shoe, the foot measurement data Kt of the tester T, and the foot measurement data Ku of the user U. By taking into account these various information (metadata), machine learning, matching (preference estimation), and recommendation can be performed with higher accuracy.
Such metadata is not limited to the above-described embodiment, and any metadata can be adopted. For example, the following metadata can be adopted. Note that metadata with (Better) in parentheses is metadata for which it is preferable to adopt the metadata. Metadata with (Advanced) in parentheses is metadata for which it is not essential to adopt the metadata, but which, if adopted, can perform more appropriate machine learning, matching (preference estimation), and recommendation.
That is, as metadata of material properties, elongation (better), surface hardness (better), material type (enamel, smooth, cloth, etc.) (advanced) can be adopted.
As metadata for manufacturing information, the brand name, manufacturer name, factory name (advance), and manufacturing method (advance) can be adopted.
As attribute information of user U, proficiency level (Better), frequency of use (Better), and age (Advanced) can be adopted.
上述の実施形態では、ユーザUが靴の販売店等に赴き、そこで自身の足をスキャンしてもらい、その結果得られる足計測データKuを用いてマッチングが行われ、その結果に基づいて、ユーザUにとって適切な靴(履き心地がよいと予測される靴)が推薦された。
しかしながら、マッチングの際足計測データKuを用いることは特に必須な事項ではない。
例えばECサイト等において、ユーザUの足・体の形状データがない状態で靴や服を推薦するには、例えばユーザUが過去に購入してぴったりだった靴や服を用いたマッチングを行い、それらと同一の又は類似の形状のものを検索して推薦してもよい。
この場合、靴や服の計測値には大量の種類が存在し、それらの単純な類似性ではかならずしもフィッティングに重要な数値が重視されない可能性がある。そこで、上述の機械学習を適用した情報処理システムを採用し、テスターT(テストユーザー)による事前の評価の類似性を用いて、靴や服の計測値に対する類似性への寄与度を算出し、その寄与度を反映した検索を行えると好適である。
In the above-described embodiment, the user U goes to a shoe store or the like and has his or her feet scanned there, and matching is performed using the resulting foot measurement data Ku, and based on the results, suitable shoes (shoes predicted to be comfortable to wear) are recommended to the user U.
However, it is not essential to use the foot measurement data Ku during matching.
For example, on an e-commerce site, in order to recommend shoes or clothes when there is no foot or body shape data for a user U, a matching may be performed using shoes or clothes that the user U has previously purchased and that fit well, and items with the same or similar shapes may be searched for and recommended.
In this case, there are a large number of different measurements for shoes and clothes, and simple similarity between them may not necessarily emphasize important values for fitting. Therefore, it is preferable to employ the information processing system to which the above-mentioned machine learning is applied, to use the similarity of the prior evaluation by tester T (test user) to calculate the contribution of the measurements of shoes and clothes to the similarity, and to perform a search that reflects the contribution.
具体的には例えば、テスターT1と靴の組合せ(以下、「第1組合せ」と呼ぶ)による評価が、(足長差、つまみ厚差、かかと幅差、脱げやすさ)=(+0.1、-0.8、+0.1、A)であったものとする。また、別のテスターT2と靴の組合せ(以下、「第2組合せ」と呼ぶ)による評価が、(足長差、つまみ厚差、かかと幅差、脱げやすさ)=(+0.1、-0.8、+0.1、A)であったものとする。
この場合、機械学習により、脱げやすさを推定するために、重要だった項目の割合(寄与度)の割合が例えば次のように算出されたものとする。即ち、寄与度=(足長差、つまみ厚差、かかと幅差)=(0.3、0.1、0.6)と算出されたものとする。
この寄与度を用いて、靴の類似度指標(靴計測データKsの各測定値)の重み付けをして、マッチング(検索)を行うことができる。
例えば、第1靴の靴計測データKs1が、(足長、つまみ厚、かかと幅)=(23.2、2.4、4.55)であり、第2靴の靴計測データKs1が、(足長、つまみ厚、かかと幅)=(23.6、3.6、4.6)であったものとする。この場合、上記の例では、かかと幅差の寄与度が0.6と一番高いので、計測値のうちかかと幅が重要視されてマッチング(検索)が行われる。即ち、かかと幅は、第1靴が4.55であり第2靴が4.6であるため、第1靴と第2靴は脱げやすさの点で極めて類似していると判定される。即ち、第1靴をユーザUが過去に購入してぴったりだったものとするならば、脱げやすさを重視するユーザUには、第2靴が推薦されることになる。
Specifically, for example, the evaluation by the combination of tester T1 and shoes (hereinafter referred to as the "first combination") is (foot length difference, toe thickness difference, heel width difference, ease of slipping off) = (+0.1, -0.8, +0.1, A), and the evaluation by another combination of tester T2 and shoes (hereinafter referred to as the "second combination") is (foot length difference, toe thickness difference, heel width difference, ease of slipping off) = (+0.1, -0.8, +0.1, A).
In this case, the ratio (contribution rate) of the important items for estimating the ease of slipping off is calculated by machine learning as follows, for example: Contribution rate = (foot length difference, toe width difference, heel width difference) = (0.3, 0.1, 0.6).
Using this contribution, the shoe similarity index (each measurement value of the shoe measurement data Ks) can be weighted to perform matching (searching).
For example, the shoe measurement data Ks1 of the first shoe is (foot length, toe width, heel width) = (23.2, 2.4, 4.55), and the shoe measurement data Ks1 of the second shoe is (foot length, toe width, heel width) = (23.6, 3.6, 4.6). In this case, in the above example, the contribution of the heel width difference is 0.6, which is the highest, so matching (searching) is performed with emphasis on the heel width among the measurement values. That is, since the heel width of the first shoe is 4.55 and that of the second shoe is 4.6, it is determined that the first shoe and the second shoe are very similar in terms of ease of slipping off. That is, if the first shoe is a shoe that the user U previously purchased and that fit well, the second shoe is recommended to the user U who places importance on ease of slipping off.
このような検索(推薦)が行われる際のユーザ端末6に表示される、ECサイトの画面と、店舗でユーザUの足がスキャンされて店舗側装置(例えばユーザ足計測装置4)に表示される画面は、例えば図14乃至図16のようになる。
図14は、店舗での推薦画面のモックの一例を示す図である。
図15は、店舗での推薦画面のモックの一例であって、図14の画面の表示後に表示される画面の一例を示す図である。
図16は、ECサイトの画面のモックの一例である。
When such a search (recommendation) is performed, the EC site screen displayed on the
FIG. 14 is a diagram showing an example of a mock-up of a recommendation screen in a store.
FIG. 15 is a diagram showing an example of a mock-up of a recommendation screen in a store, and an example of a screen that is displayed after the screen of FIG. 14 is displayed.
FIG. 16 shows an example of a mockup of a screen of an EC site.
また例えば、図4に示す各ハードウェア構成は、本発明の目的を達成するための例示に過ぎず、特に限定されない。 For example, the hardware configurations shown in FIG. 4 are merely examples for achieving the objectives of the present invention and are not particularly limited.
また、図5や図8に示す機能ブロック図は、例示に過ぎず、特に限定されない。即ち、上述した一連の処理を全体として実行出来る機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは、図5や図8の例に特に限定されない。 Furthermore, the functional block diagrams shown in Figures 5 and 8 are merely examples and are not particularly limited. In other words, it is sufficient that the information processing system is provided with a function that can execute the above-mentioned series of processes as a whole, and the type of functional block used to realize this function is not particularly limited to the examples in Figures 5 and 8.
また、機能ブロックの存在場所も、図5や図8に示す場所に限定されず、任意でよい。例えば各装置の機能ブロックの少なくとも一部をユーザ端末6側に設けてもよい。つまり、ユーザ端末6からみて、ブラウザを用いて外部のサーバ等に処理を実行させる情報処理システムを構築してもよいし、インストールされるアプリケーションプログラムに処理を実行させる情報処理システムを構築させてもよいし、これらの組合せからなる情報処理システムを構築してもよい。
そして、1つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体との組み合わせで構成してもよい。
5 and 8, the locations of the functional blocks may be arbitrary. For example, at least some of the functional blocks of each device may be provided on the
A single functional block may be configured as a single piece of hardware, or may be configured in combination with a single piece of software.
各機能ブロックの処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
When the processing of each functional block is executed by software, the program constituting the software is installed into a computer or the like from a network or a recording medium.
The computer may be a computer built into dedicated hardware, or may be a computer capable of executing various functions by installing various programs, such as a server, a general-purpose smartphone, or a personal computer.
このようなプログラムを含む記録媒体は、プログラムを提供するために装置本体とは別に配布される、リムーバブルメディアにより構成されるだけではなく、装置本体に予め組み込まれた状態で各ユーザに提供される記録媒体等で構成される。 Recording media containing such programs are not only configured as removable media that are distributed separately from the device body in order to provide the programs, but also configured as recording media etc. that are provided to each user in a state where they are pre-installed in the device body.
なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、その順序に添って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的或いは個別に実行される処理をも含むものである。 In this specification, the steps of describing a program to be recorded on a recording medium include not only processes that are performed in chronological order, but also processes that are not necessarily performed in chronological order but are executed in parallel or individually.
以上まとめると、本発明が適用される情報処理装置は、次のような構成を取れば足り、各種各様な実施形態を取ることができる。
即ち、本発明が適用される情報処理装置(例えば図1のマッチング装置5)は、
所定のアイテム(例えば靴であり、シューアンカーSh1乃至Shmでもよい)の採寸データ(例えば図2の3DスキャンデータDs1乃至Dsm)を標準化させた第1種標準データ(例えば図2の靴計測データKs1乃至Ksm)と、所定のテスター(例えば図2のテスターT1乃至Tn)の身体の少なくとも一部の採寸データ(例えば図2の3DスキャンデータDt1乃至Dtn)を標準化させた第2種標準データ(例えば図2の足計測データKt1乃至Ktn)との組合せを、複数のアイテム及び複数のテスター毎に用いた機械学習(例えば図2のステップSe)の結果に基づいて、ユーザ(例えば図3のユーザU)にとってアイテムが適する度合いを予測する予測手段(例えば図3のステップSiのマッチングを行う図8のマッチング部153)と、
前記予測手段の予測結果に基づいて、前記ユーザにアイテムを推薦する推薦手段(例えば図3のステップSjの推薦を行う図8の推薦部154)と、
を備える。
In summary, the information processing apparatus to which the present invention is applied is sufficient if it has the following configuration, and can take various different embodiments.
That is, an information processing device to which the present invention is applied (for example, the
a prediction means (e.g., a
A recommendation unit (e.g., the
Equipped with.
また、本発明が適用される別の態様の情報処理装置(例えば図1の靴計測装置1)は、
アイテムの測定データ(例えば図5のスキャン部111により生成される、図2の3DスキャンデータDs1乃至Dsm)に基づいて、正対を特定し、1以上のランドマーク点を検出し、アイテムのデザイン性を排除するための所定のルールに基づいて基準シンボルを算出し、前記正対、前記ランドマーク点、及び前記基準シンボルに基づいて、複数の項目の各計測値を算出し(例えば図7参照)、前記複数の項目の前記各計測値を少なくとも含む情報を、前記アイテムの計測データ(例えば図2の靴計測データKs1乃至Ksm)として生成する計測手段(例えば図5の標準化靴計測部112)
を備える。
In addition, another aspect of the information processing device to which the present invention is applied (for example, the
A measurement means (e.g., the standardized
Equipped with.
1:靴計測装置
2:テスター足計測装置
3:学習装置
4:ユーザ足計測装置
5:マッチング装置
6:ユーザ端末
11:靴計測DB
12:足計測DB
13:評価DB
21:CPU
22:ROM
23:RAM
24:バス
25:入出力インターフェース
26:出力部
27:入力部
28:記憶部
29:通信部
30:ドライブ
31:リムーバブルメディア
111:スキャン部
112:標準化靴計測部
121:スキャン部
122:標準化足計測部
123:評価取得部
141:スキャン部
142:標準化足計測部
143:評価取得部
151:マッチング手法決定部
152:ユーザ嗜好取得部
153:マッチング部
154:推薦部
J:ボールジョイント
A:足囲
B:足幅
C:足長
D:踵形状
E:つま先高さ
F:つま先形状
G:歪み
H:評価データ
L:ランドマーク点
U:ユーザ
1: Shoe measurement device 2: Tester foot measurement device 3: Learning device 4: User foot measurement device 5: Matching device 6: User terminal 11: Shoe measurement DB
12: Foot measurement database
13: Evaluation DB
21: CPU
22: ROM
23: RAM
24: Bus 25: Input/Output interface 26: Output unit 27: Input unit 28: Memory unit 29: Communication unit 30: Drive 31: Removable media 111: Scanning unit 112: Standardized shoe measurement unit 121: Scanning unit 122: Standardized foot measurement unit 123: Evaluation acquisition unit 141: Scanning unit 142: Standardized foot measurement unit 143: Evaluation acquisition unit 151: Matching method determination unit 152: User preference acquisition unit 153: Matching unit 154: Recommendation unit J: Ball joint A: Foot circumference B: Foot width C: Foot length D: Heel shape E: Toe height F: Toe shape G: Distortion H: Evaluation data L: Landmark point U: User
Claims (3)
自然人の体のうち、前記靴が装着される部位の3D測定データに基づいて、かつ、前記第1ルールに対応する第2ルールに従って、前記部位の形状に関する自然人計測データを生成する自然人計測手段と、
前記自然人計測データが生成された前記自然人を対象として、当該自然人が前記靴を装着した場合の評価を取得する評価取得手段と、
前記靴、及び、前記自然人計測データが生成された前記自然人のうち少なくとも一方についての、前記形状とは異なる1以上の他要素に関する他要素情報を取得する他要素情報取得手段と、
複数の前記靴についての前記靴計測データ、複数の前記自然人についての前記自然人計測データ及び前記評価、並びに、複数の前記他要素情報を用いる所定の機械学習を実行する学習手段と、
を備える情報処理装置。 a shoe measurement means for generating shoe measurement data relating to a shape of a shoe based on 3D measurement data of the shoe to be worn by a natural person and in accordance with a first predetermined rule for eliminating design imperfections of the shoe ;
a natural person measurement means for generating natural person measurement data relating to a shape of a part of a body of a natural person on which the shoe is to be worn, based on 3D measurement data of the part and in accordance with a second rule corresponding to the first rule;
an evaluation acquisition means for acquiring an evaluation of the natural person when the natural person wears the shoes , for the natural person for whom the natural person measurement data was generated;
A means for acquiring other element information regarding one or more other elements different from the shape, for at least one of the shoe and the natural person for which the natural person measurement data is generated;
A learning means for performing a predetermined machine learning using the shoe measurement data for a plurality of the shoes , the natural person measurement data and the evaluation for a plurality of the natural people, and a plurality of the other element information;
An information processing device comprising:
自然人に装着される靴の3D測定データに基づいて、かつ、当該靴のデザイン性を排除するための所定の第1ルールに従って、前記靴の形状に関する靴計測データを生成する靴計測ステップと、
自然人の体のうち、前記靴が装着される部位の3D測定データに基づいて、かつ、前記第1ルールに対応する第2ルールに従って、前記部位の形状に関する自然人計測データを生成する自然人計測ステップと、
前記自然人計測データが生成された前記自然人を対象として、当該自然人が前記靴を装着した場合の評価を取得する評価取得ステップと、
前記靴、及び、前記自然人計測データが生成された前記自然人のうち少なくとも一方についての、前記形状とは異なる1以上の他要素に関する他要素情報を取得する他要素情報取得ステップと、
複数の前記靴についての前記靴計測データ、複数の前記自然人についての前記自然人計測データ及び前記評価、並びに、複数の前記他要素情報を用いる所定の機械学習を実行する学習ステップと、
を含む情報処理方法。 An information processing method executed by an information processing device,
a shoe measurement step of generating shoe measurement data relating to a shape of the shoe based on 3D measurement data of the shoe to be worn by a natural person and in accordance with a first predetermined rule for eliminating design features of the shoe ;
a natural person measurement step of generating natural person measurement data relating to a shape of a part of a body of a natural person on which the shoe is to be worn, based on 3D measurement data of the part and in accordance with a second rule corresponding to the first rule;
an evaluation acquisition step of acquiring an evaluation of the natural person when the natural person wears the shoes , for the natural person for whom the natural person measurement data was generated;
A step of acquiring other element information regarding one or more other elements different from the shape for at least one of the shoe and the natural person for which the natural person measurement data was generated;
A learning step of performing a predetermined machine learning using the shoe measurement data for a plurality of the shoes , the natural person measurement data and the evaluation for a plurality of the natural people, and a plurality of the other element information;
An information processing method comprising:
自然人に装着される靴の3D測定データに基づいて、かつ、当該靴のデザイン性を排除するための所定の第1ルールに従って、前記靴の形状に関する靴計測データを生成する靴計測ステップと、
自然人の体のうち、前記靴が装着される部位の3D測定データに基づいて、かつ、前記第1ルールに対応する第2ルールに従って、前記部位の形状に関する自然人計測データを生成する自然人計測ステップと、
前記自然人計測データが生成された前記自然人を対象として、当該自然人が前記靴を装着した場合の評価を取得する評価取得ステップと、
前記靴、及び、前記自然人計測データが生成された前記自然人のうち少なくとも一方についての、前記形状とは異なる1以上の他要素に関する他要素情報を取得する他要素情報取得ステップと、
複数の前記靴についての前記靴計測データ、複数の前記自然人についての前記自然人計測データ及び前記評価、並びに、複数の前記他要素情報を用いる所定の機械学習を実行する学習ステップと、
を含む制御処理を実行させるプログラム。 A computer that controls an information processing device includes:
a shoe measurement step of generating shoe measurement data relating to a shape of the shoe based on 3D measurement data of the shoe to be worn by a natural person and in accordance with a first predetermined rule for eliminating design features of the shoe ;
a natural person measurement step of generating natural person measurement data relating to a shape of a part of a body of a natural person on which the shoe is to be worn, based on 3D measurement data of the part and in accordance with a second rule corresponding to the first rule;
an evaluation acquisition step of acquiring an evaluation of the natural person when the natural person wears the shoes , for the natural person for whom the natural person measurement data was generated;
A step of acquiring other element information regarding one or more other elements different from the shape for at least one of the shoe and the natural person for which the natural person measurement data was generated;
A learning step of performing a predetermined machine learning using the shoe measurement data for a plurality of the shoes , the natural person measurement data and the evaluation for a plurality of the natural people, and a plurality of the other element information;
A program for executing control processing including:
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016257434 | 2016-12-29 | ||
JP2016257434 | 2016-12-29 | ||
JP2017080649 | 2017-04-14 | ||
JP2017080649 | 2017-04-14 | ||
JP2017255031A JP7158146B2 (en) | 2016-12-29 | 2017-12-28 | Information processing device, information processing method, and program |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017255031A Division JP7158146B2 (en) | 2016-12-29 | 2017-12-28 | Information processing device, information processing method, and program |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022177028A JP2022177028A (en) | 2022-11-30 |
JP2022177028A5 JP2022177028A5 (en) | 2022-12-08 |
JP7463455B2 true JP7463455B2 (en) | 2024-04-08 |
Family
ID=63922100
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017255032A Active JP7073101B2 (en) | 2016-12-29 | 2017-12-28 | Information processing equipment, information processing methods, and programs |
JP2017255031A Active JP7158146B2 (en) | 2016-12-29 | 2017-12-28 | Information processing device, information processing method, and program |
JP2022136173A Active JP7463455B2 (en) | 2016-12-29 | 2022-08-29 | Information processing device, information processing method, and program |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017255032A Active JP7073101B2 (en) | 2016-12-29 | 2017-12-28 | Information processing equipment, information processing methods, and programs |
JP2017255031A Active JP7158146B2 (en) | 2016-12-29 | 2017-12-28 | Information processing device, information processing method, and program |
Country Status (1)
Country | Link |
---|---|
JP (3) | JP7073101B2 (en) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020071884A (en) * | 2018-10-31 | 2020-05-07 | 株式会社sole | Information processor |
WO2021009879A1 (en) * | 2019-07-17 | 2021-01-21 | 株式会社アシックス | Measurement plate and foot outline creation system |
JP6744677B1 (en) | 2019-11-25 | 2020-08-19 | 株式会社キタイ | Manufacturing method of custom order shoes |
TWI772726B (en) * | 2019-12-25 | 2022-08-01 | 財團法人工業技術研究院 | Assistive-device modeling method and limb guide-plate mechamism |
JP7391131B2 (en) * | 2022-03-25 | 2023-12-04 | 株式会社Zozo | Information processing device, information processing method, and information processing program |
JP7100779B1 (en) | 2022-04-25 | 2022-07-13 | 株式会社Zozo | Information processing equipment, information processing methods and information processing programs |
JP7266738B1 (en) * | 2022-04-25 | 2023-04-28 | 株式会社Zozo | Information processing device, information processing method and information processing program |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000090272A (en) | 1998-09-16 | 2000-03-31 | Hitachi Zosen Corp | Selecting method for shoes |
JP2005169015A (en) | 2003-12-15 | 2005-06-30 | Hisayo Ishimaru | Fittable ready-made shoe indicating device, and fittable ready-made shoe indicating system and program |
JP2013210699A (en) | 2012-03-30 | 2013-10-10 | Rakuten Inc | Information processor, information processing method, information processing program and recording medium |
WO2014091940A1 (en) | 2012-12-10 | 2014-06-19 | 株式会社ドリーム・ジーピー | Shoe selection support system |
US20160117749A1 (en) | 2014-10-23 | 2016-04-28 | Tailored LLC | Methods and systems for recommending fitted clothing |
US20160125499A1 (en) | 2014-10-29 | 2016-05-05 | Superfeet Worldwide, Inc. | Shoe and/or insole selection system |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11187907A (en) * | 1997-12-26 | 1999-07-13 | Reform Shop Akagi:Kk | Foot measuring device, shoe measuring device, foot/shoe measuring device, measuring system, storage medium, and shoe |
-
2017
- 2017-12-28 JP JP2017255032A patent/JP7073101B2/en active Active
- 2017-12-28 JP JP2017255031A patent/JP7158146B2/en active Active
-
2022
- 2022-08-29 JP JP2022136173A patent/JP7463455B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000090272A (en) | 1998-09-16 | 2000-03-31 | Hitachi Zosen Corp | Selecting method for shoes |
JP2005169015A (en) | 2003-12-15 | 2005-06-30 | Hisayo Ishimaru | Fittable ready-made shoe indicating device, and fittable ready-made shoe indicating system and program |
JP2013210699A (en) | 2012-03-30 | 2013-10-10 | Rakuten Inc | Information processor, information processing method, information processing program and recording medium |
WO2014091940A1 (en) | 2012-12-10 | 2014-06-19 | 株式会社ドリーム・ジーピー | Shoe selection support system |
US20160117749A1 (en) | 2014-10-23 | 2016-04-28 | Tailored LLC | Methods and systems for recommending fitted clothing |
US20160125499A1 (en) | 2014-10-29 | 2016-05-05 | Superfeet Worldwide, Inc. | Shoe and/or insole selection system |
Also Published As
Publication number | Publication date |
---|---|
JP7158146B2 (en) | 2022-10-21 |
JP7073101B2 (en) | 2022-05-23 |
JP2022177028A (en) | 2022-11-30 |
JP2018164727A (en) | 2018-10-25 |
JP2018165979A (en) | 2018-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7463455B2 (en) | Information processing device, information processing method, and program | |
CN103006229B (en) | Foot measurement apparatus | |
JP6313467B2 (en) | Method and system for improving size-based product recommendation using aggregated review data | |
US9648926B2 (en) | Footwear recommendations from foot scan data describing feet of a user | |
Witana et al. | Dimensional differences for evaluating the quality of footwear fit | |
US9366530B2 (en) | Method and system for recommending a default size of a wearable item based on internal dimensions | |
US20140032369A1 (en) | Method and system for providing fitting and sizing recommendations | |
RU2628648C2 (en) | Device and method for obtaining and processing measurement readings of a living being | |
US11134863B2 (en) | Generating orthotic product recommendations | |
TW200829896A (en) | Foot care product dispensing kiosk | |
EP2119377A1 (en) | Method and apparatus for accurate footwear and garment fitting | |
KR102108931B1 (en) | Customized coordination system | |
US11869064B1 (en) | System and method of identifying appropriately sized attire | |
EP4353116A1 (en) | Shoe fit evaluation device and shoe fit evaluation method | |
JP7356665B2 (en) | Shoe data generation device, shoe data generation method, shoe data generation program | |
US20240268524A1 (en) | System and method of identifying appropriately sized attire | |
JP2022128165A (en) | Information processing apparatus and information processing system | |
JP6494000B1 (en) | Shoe fitting support system and shoe fitting support program | |
BR112018006935B1 (en) | GENERATION OF ORTHOPEDIC PRODUCT RECOMMENDATIONS | |
JP2024056607A (en) | Shoe fitting evaluation device and shoe fitting evaluation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220928 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240213 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240327 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7463455 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |