JP7484054B2 - 学習装置、特徴量計算プログラム生成方法、類似度計算機、類似度計算方法、学習プログラム、及び類似度計算プログラム - Google Patents
学習装置、特徴量計算プログラム生成方法、類似度計算機、類似度計算方法、学習プログラム、及び類似度計算プログラム Download PDFInfo
- Publication number
- JP7484054B2 JP7484054B2 JP2022534494A JP2022534494A JP7484054B2 JP 7484054 B2 JP7484054 B2 JP 7484054B2 JP 2022534494 A JP2022534494 A JP 2022534494A JP 2022534494 A JP2022534494 A JP 2022534494A JP 7484054 B2 JP7484054 B2 JP 7484054B2
- Authority
- JP
- Japan
- Prior art keywords
- feature
- similarity
- data
- vectors
- calculation
- 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
- 238000004364 calculation method Methods 0.000 title claims description 95
- 238000000034 method Methods 0.000 title claims description 32
- 239000013598 vector Substances 0.000 claims description 153
- 230000006870 function Effects 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 40
- 230000007423 decrease Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 description 43
- 238000013500 data storage Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
《認証システムの構成》
以下、図面を参照しながら実施形態について詳しく説明する。
図1は、第1の実施形態に係る認証システム1の構成を示す概略ブロック図である。
認証システム1は、学習装置10と認証装置30とを備える。
学習装置10は、生体データが入力されると当該生体データの特徴量を出力するように、特徴量抽出モデルのパラメータを学習させる。生体データの例としては、顔画像、静脈画像、指紋データ、音声データなどが挙げられる。特徴量抽出モデルは、ニューラルネットワークなどの機械学習モデルによって表される。
認証装置30は、学習装置10によって学習されたパラメータを有する特徴量抽出モデル(学習済みモデル)を用いて、生体データに基づくユーザの認証を行う。
なお、第1の実施形態に係る認証システム1は、学習装置10と認証装置30とを別個の装置として備えるが、これに限られない。例えば、他の実施形態に係る認証システム1は、認証装置30が学習装置10の機能を有していてもよい。
学習装置10は、特徴量抽出モデル記憶部11、データセット取得部12、代表ベクトル記憶部13、演算部14、類似度算出部15、予測損失算出部16、多様性評価部17、評価関数算出部18、学習部19、出力部20を備える。
図2は、第1の実施形態に係る学習方法を示すフローチャートである。
学習処理を開始すると、学習装置10のデータセット取得部12は、図示しないデータベースから予め用意されたデータセットを取得する(ステップS1)。学習装置10は、取得したデータセットに含まれる入力サンプルと出力サンプルのペアを1つずつ選択し(ステップS2)、すべてのペアについて以下のステップS3からステップS10の処理を実行する。
予測損失算出部16は、ステップS6で算出した類似度ベクトルと、ステップS2で選択したペアに係る出力サンプルのワンホットベクトルとの誤差とに基づいて、予測損失を算出する(ステップS7)。
多様性評価部17は、ステップS3で算出したN個の特徴量ベクトルに基づいて、複数の特徴量計算モデル間の多様性を示す多様性評価値を算出する(ステップS8)。
認証装置30は、ユーザデータ記憶部31、モデル取得部32、抽出モデル記憶部33、生体データ取得部34、特徴量抽出部35、平均化部36、類似度算出部37、認証部38、及び検知部39を備える。
モデル取得部32は、学習装置10からN個の学習済みの特徴量抽出モデルを取得する。
抽出モデル記憶部33は、モデル取得部32が取得したN個の学習済みの特徴量抽出モデルを記憶する。
生体データ取得部34は、認証装置30に設けられたセンサ等から認証対象となる生体データを取得する。
特徴量抽出部35は、抽出モデル記憶部33が記憶するN個の特徴量抽出モデルを用いてユーザデータ記憶部31が記憶する生体データ及び生体データ取得部34が取得した生体データからN個の特徴量ベクトルを抽出する。
平均化部36は、特徴量抽出部35が抽出したN個の特徴量ベクトルの平均である平均特徴量ベクトルを算出する。平均化部36は、N個の特徴量ベクトルの平均値を算出するための出力関数の一例である。
類似度算出部37は、2つの平均特徴ベクトルどうしの類似度を算出する。類似度の尺度の例としては、L2距離、コサイン類似度、PLDA(Probabilistic Linear Discriminant Analysis)などが挙げられる。
認証部38は、類似度算出部37が算出した類似度に基づいて、ユーザデータ記憶部31に記憶されたユーザであるか否かの認証を行う。認証部38は、ユーザデータ記憶部31に記憶されたユーザであると判定した場合、当該ユーザのアカウントデータを返す。
検知部39は、類似度算出部37が算出した類似度に基づいて、生体データ取得部34が取得した生体データ又はユーザデータ記憶部31に記憶された生体データが敵対的サンプルであるか否かの判定を行う。
図3は、第1の実施形態に係る認証装置30による認証方法を示すフローチャートである。なお、認証方法の実行に先立ってモデル取得部32は、学習装置10から学習済みの特徴量抽出モデルを取得し、抽出モデル記憶部33に記録しているものとする。つまり、モデル取得部32は、学習済みのN個の特徴量計算モデルとN個の特徴量計算モデルが出力するN個の特徴量ベクトルの平均値を算出するための出力関数とを組み合わせることで特徴量計算プログラムを生成する。
他方、距離の差の総和が所定の閾値以上である場合(ステップS33:NO)、検知部39は、ステップS21で取得した生体データ又はステップS28における最も高い類似度に係る生体データが敵対的サンプルであると判定する(ステップS36)。
このように、第1の実施形態によれば、学習装置10は、特徴量ベクトルと次元数を等しくする複数の代表ベクトルと複数の特徴量ベクトルの平均値との類似度を算出し、当該類似度を用いた評価関数に基づいて、複数の特徴量計算モデルのパラメータを学習する。代表ベクトルと平均特徴量ベクトルの類似度が高くなるように複数の特徴量計算モデルのパラメータを学習することで、異なるクラスに属する平均特徴量ベクトルが一定の距離を持つようになり、計算精度を向上させることができる。
以上、図面を参照して一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、様々な設計変更等をすることが可能である。すなわち、他の実施形態においては、上述の処理の順序が適宜変更されてもよい。また、一部の処理が並列に実行されてもよい。
上述した実施形態に係る学習装置10は、単独のコンピュータによって構成されるものであってもよいし、学習装置10の構成を複数のコンピュータに分けて配置し、複数のコンピュータが互いに協働することで学習装置10として機能するものであってもよい。また、学習装置10と認証装置30とが同一のコンピュータによって実現されるものであってもよい。
図4は、学習装置の基本構成を示す概略ブロック図である。
上述した実施形態では、学習装置の一実施形態として図1に示す構成について説明したが、学習装置の基本構成は、図4に示すとおりである。
すなわち、学習装置50は、演算手段51、類似度算出手段52、及び学習手段53を基本構成とする。
類似度算出手段52は、複数のクラスに対応し、特徴量ベクトルと次元数を等しくする複数の代表ベクトルのうち、入力サンプルが属するクラスに対応する代表ベクトルと、複数の特徴量ベクトルの平均値との類似度を算出する。
学習手段は、入力サンプルが属するクラスに対応する代表ベクトルと複数の特徴量ベクトルの平均値との類似度が小さいほど値が大きくなる評価関数に基づいて、複数の特徴量計算モデルのパラメータを学習する。
これにより、学習装置50は、複数の特徴量ベクトルにより、敵対的サンプルに対するロバスト性を高めつつ、特徴量ベクトルがデータの特徴を適切に表すことができる。
図5は、少なくとも1つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
コンピュータ90は、プロセッサ91、メインメモリ92、ストレージ93、インタフェース94を備える。
上述の学習装置10及び認証装置30は、コンピュータ90に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ93に記憶されている。プロセッサ91は、プログラム(学習プログラムまたは類似度計算プログラム)をストレージ93から読み出してメインメモリ92に展開し、当該プログラムに従って上記処理を実行する。また、プロセッサ91は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ92に確保する。プロセッサ91の例としては、CPU(Central Processing Unit)、GPU(Graphic Processing Unit)、マイクロプロセッサなどが挙げられる。
10 学習装置
11 特徴量抽出モデル記憶部
12 データセット取得部
13 代表ベクトル記憶部
14 演算部
15 類似度算出部
16 予測損失算出部
17 多様性評価部
18 評価関数算出部
19 学習部
20 出力部
30 認証装置
31 ユーザデータ記憶部
32 モデル取得部
33 抽出モデル記憶部
34 生体データ取得部
35 特徴量抽出部
36 平均化部
37 類似度算出部
38 認証部
39 検知部
Claims (10)
- 複数の特徴量計算モデルを用いて、多次元データである入力サンプルから、入力サンプルの特徴量を示す複数の特徴量ベクトルを算出する演算手段と、
複数のクラスに対応し、前記特徴量ベクトルと次元数を等しくする複数の代表ベクトルのうち、前記入力サンプルが属するクラスに対応する代表ベクトルと、前記複数の特徴量ベクトルの平均値との類似度を算出する類似度算出手段と、
前記入力サンプルが属するクラスに対応する代表ベクトルと前記複数の特徴量ベクトルの平均値との類似度が小さいほど値が大きくなる評価関数に基づいて、前記複数の特徴量計算モデルのパラメータを学習する学習手段と、
を備える学習装置。 - 前記類似度算出手段は、前記複数の代表ベクトルそれぞれと前記複数の特徴量ベクトルとの平均類似度を算出し、
前記評価関数は、クラスごとの前記平均類似度を要素に持つ類似度ベクトルと、前記入力サンプルが属するクラスを示すワンホットベクトルとの誤差が大きいほど値が大きくなる
請求項1に記載の学習装置。 - 前記複数の特徴量ベクトルの多様性の高さに係る多様性指標値を算出する多様性評価手段を備え、
前記評価関数は、前記入力サンプルが属するクラスに対応する代表ベクトルと前記複数の特徴量ベクトルの平均値との類似度が小さいほど値が大きくなり、かつ前記多様性指標値が小さいほど値が大きくなる
請求項1又は請求項2に記載の学習装置。 - 前記多様性指標値は、複数の特徴量ベクトルを並べた行列と、当該行列の転置行列の積の行列式を、前記多様性指標値を算出する
請求項3に記載の学習装置。 - 複数の特徴量計算モデルを用いて、多次元データである入力サンプルから、入力サンプルの特徴量を示す複数の特徴量ベクトルを算出し、
複数のクラスに対応し、前記特徴量ベクトルと次元数を等しくする複数の代表ベクトルのうち、前記入力サンプルが属するクラスに対応する代表ベクトルと、前記複数の特徴量ベクトルの平均値との類似度を算出し、
前記入力サンプルが属するクラスに対応する代表ベクトルと前記複数の特徴量ベクトルの平均値との類似度が小さいほど値が大きくなる評価関数に基づいて、前記複数の特徴量計算モデルのパラメータを学習し、
学習済みの前記複数の特徴量計算モデルと、前記複数の特徴量計算モデルが出力する複数の特徴量ベクトルの平均値を算出するための出力関数とを組み合わせることで、特徴量計算プログラムを生成する
を出力する
特徴量計算プログラム生成方法。 - 前記複数の特徴量ベクトルの多様性の高さに係る多様性指標値を算出し、
前記評価関数は、前記入力サンプルが属するクラスに対応する代表ベクトルと前記複数の特徴量ベクトルの平均値との類似度が小さいほど値が大きくなり、かつ前記多様性指標値が小さいほど値が大きくなる
請求項5に記載の特徴量計算プログラム生成方法。 - 請求項5又は請求項6に記載の特徴量計算プログラム生成方法によって生成された特徴量計算プログラムを用いて、第1データに係る複数の特徴量と第2データに係る複数の特徴量とを算出する特徴量算出手段と、
前記第1データに係る複数の特徴量の平均値と前記第2データに係る複数の特徴量の平均値とに基づいて、前記第1データと前記第2データの類似度を算出する類似度算出手段と
を備える類似度計算機。 - 請求項5又は請求項6に記載の特徴量計算プログラム生成方法によって生成された特徴量計算プログラムを用いて、第1データに係る複数の特徴量と第2データに係る複数の特徴量とを算出し、
前記第1データに係る複数の特徴量の平均値と前記第2データに係る複数の特徴量の平均値とに基づいて、前記第1データと前記第2データの類似度を算出する
類似度計算方法。 - コンピュータを、
複数の特徴量計算モデルを用いて、多次元データである入力サンプルから、入力サンプルの特徴量を示す複数の特徴量ベクトルを算出する演算手段、
複数のクラスに対応し、前記特徴量ベクトルと次元数を等しくする複数の代表ベクトルのうち、前記入力サンプルが属するクラスに対応する代表ベクトルと、前記複数の特徴量ベクトルの平均値との類似度を算出する類似度算出手段、
前記入力サンプルが属するクラスに対応する代表ベクトルと前記複数の特徴量ベクトルの平均値との類似度が小さいほど値が大きくなる評価関数に基づいて、前記複数の特徴量計算モデルのパラメータを学習する学習手段、
として機能させるための学習プログラム。 - コンピュータを、
請求項5又は請求項6に記載の特徴量計算プログラム生成方法によって生成された特徴量計算プログラムを用いて、第1データに係る複数の特徴量と第2データに係る複数の特徴量とを算出する特徴量算出手段、
前記第1データに係る複数の特徴量の平均値と前記第2データに係る複数の特徴量の平均値とに基づいて、前記第1データと前記第2データの類似度を算出する類似度算出手段
として機能させるための類似度計算プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/026359 WO2022009258A1 (ja) | 2020-07-06 | 2020-07-06 | 学習装置、特徴量計算プログラム生成方法、類似度計算機、類似度計算方法、学習プログラム記録媒体、及び類似度計算プログラム記録媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2022009258A1 JPWO2022009258A1 (ja) | 2022-01-13 |
JPWO2022009258A5 JPWO2022009258A5 (ja) | 2023-03-17 |
JP7484054B2 true JP7484054B2 (ja) | 2024-05-16 |
Family
ID=79553025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022534494A Active JP7484054B2 (ja) | 2020-07-06 | 2020-07-06 | 学習装置、特徴量計算プログラム生成方法、類似度計算機、類似度計算方法、学習プログラム、及び類似度計算プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230259818A1 (ja) |
JP (1) | JP7484054B2 (ja) |
WO (1) | WO2022009258A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021192249A1 (ja) * | 2020-03-27 | 2021-09-30 | 日本電気株式会社 | 類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法 |
-
2020
- 2020-07-06 JP JP2022534494A patent/JP7484054B2/ja active Active
- 2020-07-06 US US18/014,099 patent/US20230259818A1/en active Pending
- 2020-07-06 WO PCT/JP2020/026359 patent/WO2022009258A1/ja active Application Filing
Non-Patent Citations (3)
Title |
---|
Deng, Jiankang, andStefanos Zafeririou.,Arcface for disguised face recognition,Proceedings of the IEEE International Conference on Computer Vision Workshops 2019,米国,IEEE,2019年,p.485-p.493,https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9022036 |
Hsin-Kai Huang et al.,Mixture of deep CNN-based ensemble model for image retrieval,2016 IEEE 5thGlobal Conference on Consumer Electronics.,米国,IEEE,2016年,https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7800375 |
Pang, Tianyu, et al.,Improving adversarial robustness via promoting ensemble diversity,arXiv,米国,Cornell University,2019年05月29日,https://arxiv.org/pdf/1901.08846.pdf |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022009258A1 (ja) | 2022-01-13 |
US20230259818A1 (en) | 2023-08-17 |
WO2022009258A1 (ja) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A review of fast l1-minimization algorithms for robust face recognition | |
Jia et al. | Label distribution learning with label correlations on local samples | |
CN107545276B (zh) | 联合低秩表示和稀疏回归的多视角学习方法 | |
CN107590505B (zh) | 联合低秩表示和稀疏回归的学习方法 | |
WO2015008567A1 (ja) | 顔印象度推定方法、装置、及びプログラム | |
Ahuja et al. | Deterministic Multi-kernel based extreme learning machine for pattern classification | |
CN110321805A (zh) | 一种基于时序关系推理的动态表情识别方法 | |
Niu et al. | Region-aware image denoising by exploring parameter preference | |
JP7484054B2 (ja) | 学習装置、特徴量計算プログラム生成方法、類似度計算機、類似度計算方法、学習プログラム、及び類似度計算プログラム | |
Zhou et al. | Personalized and occupational-aware age progression by generative adversarial networks | |
Wu et al. | Semisupervised feature learning by deep entropy-sparsity subspace clustering | |
Zhang et al. | Unified Framework for Faster Clustering via Joint Schatten $ p $-Norm Factorization With Optimal Mean | |
CN112650869B (zh) | 图像检索重排序方法、装置、电子设备及存储介质 | |
CN115033700A (zh) | 基于相互学习网络的跨领域情感分析方法、装置以及设备 | |
Woerl et al. | Initialization noise in image gradients and saliency maps | |
Gang et al. | Skeleton-based action recognition with low-level features of adaptive graph convolutional networks | |
Dong et al. | Sparse gradient pursuit for robust visual analysis | |
Zhang et al. | Age group classification in the wild with deep RoR architecture | |
Li et al. | Eyebrow semantic description via clustering based on Axiomatic Fuzzy Set | |
Chen et al. | A unified framework for generative data augmentation: A comprehensive survey | |
JP7318804B2 (ja) | 類似度計算機、認証システム、類似度計算方法、類似度計算プログラムおよび類似度計算プログラムの生成方法 | |
CN112488355A (zh) | 基于图神经网络预测用户评级的方法和装置 | |
WO2022249246A1 (ja) | 学習装置、学習済みモデルの生成方法、演算装置、演算方法およびプログラム | |
Zhang et al. | Quintic spline smooth semi-supervised support vector classification machine | |
Huang et al. | Leveraged Matrix Completion With Noise |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230104 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230104 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
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: 20240326 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20240408 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240408 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7484054 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |