JP7485226B2 - 訓練装置、分類装置、訓練方法、分類方法、及びプログラム - Google Patents

Description

本出願は、訓練装置、分類装置、訓練方法、分類方法、及びプログラムに関する。

ニューラルネットワークなどの機械学習技術は、パラメータを訓練するために、大量のラベル付きデータを必要とすることが多い。一方、少量のラベル付きデータしか利用できないことがしばしば生じる。

そのような場合に適用可能な、いわゆるドメイン適合技術（domain adaptation techniques）が提案されている（例えば、非特許文献１を参照）。ドメイン適応技術は、ターゲットデータセット（ターゲットドメインデータセットと呼ばれることが多い）に加えて、大量の代替的な代表データセット（ソースドメインデータセットと呼ばれることが多い）を利用する。

Ｘｉａｎｇ Ｘｕ ｅｔａｌ．，"ｄ－ＳＮＥ： Ｄｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ ｕｓｉｎｇ Ｓｔｏｃｈａｓｔｉｃ Ｎｅｉｇｈｂｏｒｈｏｏｄ Ｅｍｂｅｄｄｉｎｇ"，Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ． ２０１９

非特許文献１で開示されたドメイン適応技術は、撮影アングルのばらつきが限られた訓練用画像しか利用できない場合において、効率的な訓練プロセスを提供できないという問題がある。

本発明は上記課題に鑑みてなされたものであり、その目的の一例は、撮影アングルのばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供することにある。

上記の目的を達成するために、訓練装置は、入力されたソースドメイン画像データからソースドメイン特徴値を抽出し、入力されたターゲットドメイン画像データからターゲットドメイン特徴値を抽出する１または複数の特徴抽出手段と、変換されたソースドメイン特徴値が、前記入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、変換されたターゲットドメイン特徴値が、前記入力されたターゲットドメイン画像データと異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成する、１または複数の角度変換手段と、前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測する、１または複数のクラス予測手段と、前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、前記ソースドメイン特徴値、前記変換後のソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失を参照して、（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうちの少なくとも１つを更新する更新手段と、
を備える。

上記目的を達成するために、分類装置は、入力された画像データから特徴値を抽出する特徴抽出手段と前記特徴値からクラス予測値を予測するクラス予測手段と
を備え、前記特徴抽出手段、及び前記クラス予測手段の少なくとも一方は、前記入力された画像データとは異なる角度を有する画像データから抽出されたものであるかのように前記特徴値を変換することによって得られた変換後の特徴値を参照して訓練されている。

上記の目的を達成するために、訓練方法は、１または複数の特徴抽出手段によって、入力されたソースドメイン画像データからソースドメイン特徴値を抽出し、入力されたターゲットドメイン画像データからターゲットドメイン特徴値を抽出することと、１または複数の角度変換手段によって、変換されたソースドメイン特徴値が、前記入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、変換されたターゲットドメイン特徴値が、前記入力されたターゲットドメイン画像データとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成することと、
１または複数のクラス予測手段によって、前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測することと、前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失を参照して、（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうち少なくとも１つを更新することと、を含む。

上記目的を達成するために、分類方法は、特徴抽出手段により、入力された画像データから特徴値を抽出することと、クラス予測手段により、前記特徴値および変換後の特徴値からクラス予測値を予測することとを含み、前記特徴抽出手段、及び前記クラス予測手段の少なくとも一方は、前記入力された画像データとは異なる角度を有する画像データから抽出されたものであるかのように前記特徴値を変換することによって得られた変換後の特徴値を参照して訓練されている。

上記目的を達成するために、プログラムは、コンピュータを訓練装置として機能させるためのプログラムであって、コンピュータを特徴抽出手段、クラス予測手段、変換手段、更新手段のそれぞれとして機能させる。

上記目的を達成するために、プログラムは、コンピュータを分類装置として機能させるためのプログラムであって、特徴抽出手段、変換手段、及びクラス予測手段のそれぞれとして機能させる。

本発明の例示的な態様によれば、撮影アングルのばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供することができる。

図１は、第１の例示的実施形態に係る訓練装置の構成を示すブロック図である。 図２は、第１の例示的実施形態に係る訓練方法の流れを示すフロー図である。 図３は、第１の例示的実施形態に係る分類装置の構成を示すブロック図である。 図４は、第１の例示的実施形態に係る分類方法の流れを示すフロー図である。 図５は、第２の例示的実施形態に係る訓練装置の構成を示すブロック図である。 図６は、第２の例示的実施形態における入力データの例を示す図である。 図７は、第２の例示的実施形態における角度変換を模式的に示す図である。 図８は、第２の例示的実施形態におけるグループ損失の計算を模式的に示す図である。 図９は、第２の例示的実施形態で実現されるクロスドメインアラインメントを模式的に示す図である。 図１０は、第２の例示的実施形態に係る訓練方法の流れを示すフロー図である。 図１１は、第２の例示的実施形態に係る分類装置の構成を示すブロック図である。 図１２は、第２の例示的実施形態の有利な効果を模式的に示す図である。 図１３は、第３の例示的実施形態に係る訓練装置の構成を示すブロック図である。 図１４は、第３の例示的実施形態におけるドメイン不変性を模式的に示す図である。 図１５は、第３の例示的実施形態に係る訓練方法の流れを示すフロー図である。 図１６は、第４の例示的実施形態に係る訓練装置の構成を示すブロック図である。 図１７は、第４の例示的実施形態の構成におけるデータの例を示す図である。 図１８は、第４の例示的実施形態に係る訓練方法の流れを示すフロー図である。 図１９は、第５の例示的実施形態に係る訓練装置の構成を示すブロック図である。 図２０は、各例示的実施形態に係るハードウエア構成を示すブロック図である。

＜第１の例示的実施形態＞
以下、本発明の第１の例示的実施形態について図面を用いて説明する。第１の例示的実施形態は、後続の例示的実施形態の基礎となる実施形態である。

（第１の例示的実施形態の概要）
本例示的実施形態に係る訓練装置は、当該訓練装置に入力されたデータから特徴値（特徴量とも呼ぶ）を抽出する特徴抽出部を訓練する（学習する、学習させるともいう）。また、訓練装置は、特徴抽出部により抽出された特徴値を参照して変換後の特徴値（変換された特徴値とも呼ぶ）を生成する角度変換部を訓練する。また、訓練装置は、特徴値と変換された特徴値とに基づいて分類を行うクラス予測部を訓練する。

第１の例示的実施形態に係る分類装置は、訓練された特徴抽出部と、訓練された角度変換部と、訓練されたクラス予測部とを備える。

第１の例示的実施形態において、ソースドメインに属するデータと、ターゲットドメインに属するデータとが用いられる。ここで、用語「ドメイン」は、データセットを概念的に区別するために用いられるに過ぎず、第１の例示的実施形態を限定するものではない。

第１の例示的実施形態において、ソースドメインに属するデータは、ターゲットドメインに属するデータよりも、データサイズが大きい。さらに、ソースドメインに属するデータは、ターゲットドメインに属するデータと比較して、より多くのラベル付きデータを含む。ここで、用語「ラベル付きデータ」は、「グラウンドトゥルース（ｇｒｏｕｎｄ ｔｒｕｔｈ）」でラベル付けされたデータを称する。ラベル付きデータは、教師付き学習または半教師付き学習のために、訓練装置によって用いることができる。

本発明の第１の例示的実施形態に係る分類装置は、ターゲットドメインに属するデータに対して分類を行うことを目指す。第１の例示的実施形態に係る学習装置は、ターゲットドメインに属するデータに対する分類の精度を向上させるために、ターゲットドメインに属するデータだけでなく、ソースドメインに属するデータを用いて、訓練プロセスを実行する。

（訓練装置の構成）
第１の例示的実施形態に係る訓練装置１０の構成について、図１を用いて説明する。図１は、訓練装置１０の構成を示すブロック図である。図１に示すように、訓練装置１０は、特徴抽出部１１と、角度変換部１２と、クラス予測部１３と、更新部１４とを備える。第１の例示的実施形態において、特徴抽出部１１、角度変換部１２、及びクラス予測部１３の個数は１つであってもよいし、２つ以上であってもよい。

特徴抽出部１１は、特許請求の範囲に記載の特徴抽出手段の一例である。角度変換部１２は、特許請求の範囲に記載の角度変換手段の一例である。クラス予測部１３は、特許請求の範囲に記載の予測手段の一例である。更新部１４は、特許請求の範囲に記載の更新手段の一例である。

特徴抽出部１１には、ソースドメイン画像データ、及びターゲットドメイン画像データが入力される。ここで、ソースドメイン画像データは、ソースドメインに属する画像データであり、ターゲットドメイン画像データは、ターゲットドメインに属する画像データである。

特徴抽出部１１は、入力されたソースドメイン画像データからソースドメイン特徴値（ソースドメイン特徴量とも呼ぶ）を抽出する。また、特徴抽出部１１は、入力されたターゲットドメイン画像データからターゲットドメイン特徴値（ターゲットドメイン特徴量とも呼ぶ）を抽出する。

ここで、特徴抽出部１１の数が１つである場合、ソースドメインデータとターゲットドメインデータとを判別するためのドメインラベルが特徴抽出部１１に入力されて、特徴抽出部１１が、ドメインラベルに基づいて、ソースドメインデータとターゲットドメインデータとを判別できる構成とすることが好ましい。

なお、特徴抽出部１１の具体的な構成は、第１の例示的実施形態を限定するものではない。例えば、特徴抽出部１１は、畳み込みニューラルネットワーク（ＣＮＮ）であっても、リカレントニューラルネットワーク（ＲＮＮ）であっても、他のニューラルネットワークや特徴抽出器であってもよい。

角度変換部１２は、変換されたソースドメイン特徴値が、入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、ソースドメイン特徴値を変換することにより、当該変換されたソースドメイン特徴値を生成する。また、角度変換部１２は、変換されたターゲットドメイン特徴値が、入力されたターゲットドメイン画像データとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、ターゲットドメイン特徴値を変換することにより、当該変換されたターゲットドメイン特徴値を生成する。

なお、角度変換部１２の具体的な構成は第１の例示的実施形態を限定するものではないが、以下の構成を採用することができる。

角度変換部１２は、１つ以上のソースドメイン角度変換パラメータを参照して、前記変換されたソースドメイン特徴値を生成してもよい。また、角度変換部１２は、１つ以上のターゲットドメイン角度変換パラメータを参照して、前記変換されたターゲットドメイン特徴値を生成してもよい。

例えば、角度変換部１２は、ソースドメイン角度変換パラメータを参照して、変換されたソースドメイン特徴値を生成する。ここで、当該変換されたソースドメイン特徴値は、当該ソースドメイン角度変換パラメータに基づいて回転された回転後のソースドメイン画像データから抽出されたソースドメイン特徴値に類似したものである。同様に、例えば、角度変換部１２は、ターゲットドメイン角度変換パラメータを参照して、変換されたターゲットドメイン特徴値を生成する。ここで、当該変換されたターゲットドメイン特徴値は、当該ターゲットドメイン角度変換パラメータに基づいて回転された回転後のターゲットドメイン画像データから抽出されたターゲットドメイン特徴値に類似したものである。

クラス予測部１３はソースドメイン特徴値、及び変換後のソースドメイン特徴値から、ソースドメインクラス予測値を予測する。また、クラス予測部１３はターゲットドメイン特徴値、及び変換後のターゲットドメイン特徴値とから、ターゲットドメインクラス予測値を予測する。

なお、クラス予測部１３の具体的な構成は、第１の例示的実施形態を限定するものではない。例えば、クラス予測部１３は（ｉ）ソースドメイン特徴値をある閾値と比較することによりソースドメインクラス予測値を出力し、（ｉｉ）ターゲットドメイン特徴値を別の閾値と比較することによりターゲットドメインクラス予測値を出力するように構成することができる。

更新部１４は、ソースドメイン分類損失（ソースドメイン分類ロスとも呼ぶ）、ターゲットドメイン分類損失（ターゲットドメイン分類ロスとも呼ぶ）、変換損失（変換ロスとも呼ぶ）、及びグループ損失（ブルーピングロスとも呼ぶ）を参照して、特徴抽出部１１、角度変換部１２、及びクラス予測部１３の少なくとも１つを更新する。例えば、更新部１４は、ソースドメイン分類損失、ターゲットドメイン分類損失、変換損失、及びグループ損失を参照してパラメータを更新し、更新されたパラメータを特徴抽出部１１、角度変換部１２、及びクラス予測部１３に提供する。

ソースドメイン分類損失は、ソースドメインクラス予測値を参照して計算され得る。例えば、ソースドメイン分類損失は、ソースドメインクラス予測値、及びソースドメインクラスラベルデータを参照して計算され得る。

ターゲットドメイン分類損失は、ターゲットドメインクラス予測値を参照して計算され得る。例えば、ターゲットドメイン分類損失は、ターゲットドメインクラス予測値、及びターゲットドメインクラスラベルデータを参照して計算され得る。

ソースドメイン変換損失は、ソースドメイン特徴値、及び変換されたソースドメイン特徴値を参照して計算され得る。例えば、ソースドメイン変換損失は、ソースドメイン特徴値と変換されたソースドメイン特徴値との差分であり得る。

ターゲットドメイン変換損失は、ターゲットドメイン特徴値、及び変換されたターゲットドメイン特徴値を参照して計算され得る。例えば、ターゲットドメイン変換損失は、ターゲットドメイン特徴値と変換されたターゲットドメイン特徴値との差分であり得る。

変換損失は、ソースドメイン変換損失、及びターゲットドメイン変換損失を参照して計算され得る。

グループ損失は、ソースドメイン特徴値、変換されたソースドメイン特徴値、ターゲットドメイン特徴値、及び変換されたターゲットドメイン特徴値を参照して計算され得る。

（有利な効果）
第１の例示的実施形態によれば、上述したように、更新部１４はソースドメイン分類損失、ターゲットドメイン分類損失、及び変換損失に加えて、グループ損失を参照して、特徴抽出部１１、角度変換部１２、及びクラス予測部１３の少なくとも１つを更新する。したがって、第１の例示的実施形態によれば、ソースドメインから取得された知見は、ターゲットドメインにおける訓練にも使用される。このように、第１の例示的実施形態によれば、ターゲットドメインのラベル付きデータが少量であっても、特徴抽出部１１及びクラス予測部１２の訓練を行うことができる。

また、第１の例示的実施形態によれば、角度変換部１２は、変換後のソースドメイン特徴値Ｘ’^Ｓが、入力されたソースドメイン画像データＩ^Ｓとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、ソースドメイン特徴値Ｘ^Ｓを変換することにより、当該変換後のソースドメイン特徴値Ｘ’^Ｓを生成する。また、角度変換部１２は、変換後のターゲットドメイン特徴値Ｘ’^Ｔが、入力されたターゲットドメイン画像データＩ^Ｔとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、ターゲットドメイン特徴値Ｘ^Ｔを変換することにより、当該変換後のターゲットドメイン特徴値Ｘ’^Ｔを生成する。そして、変換後のソースドメイン特徴値Ｘ’^Ｓ及び変換後のターゲットドメイン特徴値Ｘ’^Ｔは、クラス予測部１３によって参照される。

したがって、第１の例示的実施形態によれば、クラス予測部１３は、当該クラス予測部１３が様々な撮影角度に対して適切なクラス予測を行うことができるように、訓練されることができる。

具体的には、クラス予測部１３は、訓練用画像データとは撮影角度が異なるラベルなし入力画像データに対して適切なクラス予測を行うことができるように、訓練されることができる。

すなわち、第１の例示的実施形態によれば、訓練装置１０は、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供することができる。

（訓練装置による訓練方法）
次に、第１の例示的実施形態に係る訓練装置１０の訓練方法について、図２を用いて説明する。図２は、訓練装置１０による訓練方法Ｓ１の流れを示すフロー図である。図２に示すように、訓練装置１０は、特徴抽出ステップＳ１１、角度変換ステップＳ１２、クラス予測ステップＳ１３、及び更新ステップＳ１４を実行する。

（特徴抽出ステップＳ１１）
特徴抽出ステップＳ１１において、特徴抽出部１１は、入力されたソースドメイン画像データからソースドメイン特徴値を抽出する。また、特徴抽出部１１は、入力されたターゲットドメイン画像データからターゲットドメイン特徴値を抽出する。

（角度変換ステップＳ１２）
クラス予測ステップＳ１２において、角度変換部１２は、変換されたソースドメイン特徴値が、入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、ソースドメイン特徴値を変換することにより、当該変換されたソースドメイン特徴値を生成する。また、角度変換部１２は、変換されたターゲットドメイン特徴値が、入力されたターゲットドメイン画像データとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、ターゲットドメイン特徴値を変換することにより、当該変換後のターゲットドメイン特徴値を生成する。

（クラス予測ステップＳ１３）
クラス予測ステップＳ１３において、クラス予測部１３は、ソースドメイン特徴値と変換されたソースドメイン特徴値とから、ソースドメインクラス予測値を予測する。また、クラス予測部１３は、ターゲットドメイン特徴値と、変換後のターゲットドメイン特徴値とから、ターゲットドメインクラス予測値を予測する。

（更新ステップＳ１４）
更新ステップＳ１４において、更新部は、
ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
ソースドメイン特徴値、変換されたソースドメイン特徴値、ターゲットドメイン特徴値、及び変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
ソースドメイン特徴値、変換されたソースドメイン特徴値、ターゲットドメイン特徴値、及び変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
を参照して、特徴抽出部１１、角度変換部１２、及びクラス予測部１３のうち少なくとも１つを更新する。

（有利な効果）
第１の例示的実施形態によれば、訓練方法Ｓ１０は撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供する。

（分類装置の構成）
以下、第１の例示的実施形態に係る分類装置２０の構成について、図３を用いて説明する。図３は、分類装置２０の構成を示すブロック図である。図３に示すように、分類装置２０は、特徴抽出部２１と、クラス予測部２３とを備える。

特徴抽出部２１は、入力された画像データから特徴値を抽出する。なお、特徴抽出部２１は、訓練装置１０によって訓練された特徴抽出部１１である。

クラス予測部２３は、特徴値からクラス予測値を予測する。なお、クラス予測部２３は、訓練装置１０によって訓練されたクラス予測部１３である。

以上のように、第１の例示的実施形態によれば、特徴抽出部２１及びクラス予測部２３の少なくとも一方は、入力画像データとは異なった角度を有する画像データから抽出されたものであるかのように前記特徴値を変換することによって得られた変換後の特徴値を参照して訓練されたものである。

（有利な効果）
第１の例示的実施形態によれば、分類装置２０は、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、好適な分類プロセスを提供する。

（分類装置２０に関する第１の備考）
また、分類装置２０は、変換後の特徴値が、入力画像データとは角度の異なる画像データから抽出されたものであるかのように、特徴値を変換することによって当該変換後の特徴値を生成する角度変換部２２をさらに備えてもよい。なお、角度変換部２２は、訓練装置１０が訓練した角度変換部１２であってもよい。

上記構成において、クラス予測部２３は、特徴値、及び変換された特徴値からクラス予測値を予測してもよい。

以上の構成によれば、分類装置２０は、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、より好適な分類プロセスを実行することができる。

（分類装置２０に関する第２の備考）
また、分類装置２０は、角度変換部２２に加えて、ユーザ入力を受け付けるユーザ入力受付部をさらに備えていてもよい。ユーザ入力は、ユーザが角度変換部２２を使用するか否かを示す入力であってもよい。

クラス予測部２３は、ユーザが角度変換部２２を使用することを選択したことをユーザ入力が示す場合、特徴値、及び変換された特徴値からクラス予測値を予測してもよい。

一方、クラス予測部２３は、ユーザ入力が角度変換部２２を使用しないことを示す場合、変換された特徴値からではなく、特徴値からクラス予測値を予測してもよい。

（分類装置による分類方法）
次に、第１の例示的実施形態に係る分類装置２０の分類方法について、図４を用いて説明する。図４は、分類装置２０が行う分類方法Ｓ２を示すフロー図である。図４に示すように、分類装置２０は、特徴抽出ステップＳ２１、クラス予測ステップＳ２３を実行する。

（特徴抽出ステップＳ２１）
特徴抽出ステップＳ２１において、特徴抽出部２１は、入力画像データから特徴値を抽出する。

（クラス予測ステップＳ２３）
クラス予測ステップＳ２３において、クラス予測部２３は、特徴値からクラス予測値を予測する。

上述したように、第１の例示的実施形態によれば、特徴抽出部２１及びクラス予測部２３の少なくとも一方は、入力画像データとは異なった角度を有する画像データから抽出されたものであるかのように、前記特徴値を変換することによって得られた変換後の特徴値を参照して訓練されたものである。

第１の例示的実施形態によれば、分類方法Ｓ２は、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、好適な分類プロセスを提供する。

（分類方法Ｓ２に関する第１の備考）
分類方法Ｓ２は、変換後の特徴値が、入力画像データとは異なる角度を有する画像データから抽出されたものであるかのように、特徴値を変換することによって当該変換後の特徴値を生成する角度変換ステップＳ２２をさらに備えてもよい。なお、角度変換ステップＳ２２は、角度変換部２２が行ってもよい。ここで、角度変換部２２は、訓練装置１０によって訓練された角度変換部１２であってもよい。

上記構成において、クラス予測ステップＳ２３は、特徴値及び変換された特徴値からクラス予測値を予測してもよい。

上記方法によれば、分類方法Ｓ２は、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、より好適な分類プロセスを提供する。

（分類方法Ｓ２に関する第２の備考）
角度変換ステップＳ２２に加えて、分類方法Ｓ２は、ユーザ入力を受け付けるユーザ入力受付ステップをさらに含んでもよい。ユーザ入力は、ユーザが角度変換ステップＳ２２を採用するか否かを示す入力であってもよい。

ユーザ入力が、ユーザが角度変換ステップＳ２２を採用することを選択することを示す場合、クラス予測ステップＳ２３は、特徴値、及び変換された特徴値からクラス予測値を予測してもよい。

一方、ユーザ入力が、角度変換ステップＳ２２を採用しないことを示す場合、クラス予測ステップＳ２３は、変換された特徴値からではなく、特徴値からクラス予測値を予測してもよい。

＜第２の例示的実施形態＞
以下、本発明の第２の例示的実施形態について図面を用いて説明する。なお、第１の例示的実施形態で説明した要素と同一の機能を有する要素には同一の符号を付し、その説明を適宜省略する。また、第２の例示的実施形態の概要は、第１の例示的実施形態の概要と同じであるため、ここでは説明しない。

（訓練装置の構成）
次に、第２の例示的実施形態に係る訓練装置の構成について、図５を用いて説明する。図５は、訓練装置の構成を示すブロック図である。図５に示すように、訓練装置１０ａは、第１の特徴抽出部１１ａと、第２の特徴抽出部１１ｂと、第１の角度変換部１２ａと、第２の角度変換部１２ｂと、第１のクラス予測部１３ａと、第２のクラス予測部１３ｂと、更新部１４ａとを備える。

第１の特徴抽出部１１ａ、及び第２の特徴抽出部１１ｂは、特許請求の範囲に記載の特徴抽出手段の一例である。第１の角度変換部１２ａ、及び第２の角度変換部１２ｂは、特許請求の範囲に記載の角度変換手段の一例である。第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂは、特許請求の範囲に記載のクラス予測手段の一例である。更新部１４ａは、特許請求の範囲に記載の更新手段の一例である。

第１の特徴抽出部１１ａと第２の特徴抽出部１１ｂとは、単一の部分（section）として構成することができる。第１の角度変換部１２ａと第２の角度変換部１２ｂとは、単一の部分（section）として構成することができる。第１のクラス予測部１３ａと第２のクラス予測部１３ｂとは、単一の部分（section）として構成することができる。

また、更新部１４ａは、図５に示すように、分類損失計算部１４１と、グルーピング部１４２と、グループ損失計算部１４３と、変換損失計算部１４４と、マージ損失計算部１４５と、モデル更新部１４６とを備える。

（第１の特徴抽出部）
第１の特徴抽出部１１ａには、ソースドメインに属する入力画像データＩ^Ｓが入力される。具体的には、一例として、入力画像データＩ^Ｓは、複数の領域を有する画像であってもよい。別の例として、入力画像データＩ^Ｓは、図６の左側に示されているような一群の画像（a batch of images）であってもよい。図６の左側の例において、入力画像データＩ^Ｓは、オブジェクトを表す４つの画像（Ｉ^Ｓ１、Ｉ^Ｓ２、Ｉ^Ｓ３、Ｉ^Ｓ４）を含む。

ここで、画像Ｉ^Ｓ１とＩ^Ｓ２との関係は、以下の通りである。画像Ｉ^Ｓ２は、画像Ｉ^Ｓ１とは別のアングルを有している。一例として、画像Ｉ^Ｓ２は画像Ｉ^Ｓ１と同じ被写体を含むが、画像Ｉ^Ｓ１とは別の撮影アングル（角度）で撮影された画像であってもよい。画像Ｉ^Ｓ１、及び画像Ｉ^Ｓ２は同時に撮影されてもよいし、異なった時間に撮影されてもよい。具体例として、画像Ｉ^Ｓ１は０度の角度を有し、画像Ｉ^Ｓ２は図６の左側に示すように＋３０度の角度を有する。言い換えると、画像Ｉ^Ｓ１は、画像Ｉ^Ｓ２と比較して－３０度の角度を有する。

同様に、画像Ｉ^Ｓ３とＩ^Ｓ４との関係は以下の通りである。画像Ｉ^Ｓ４は、画像Ｉ^Ｓ３とは別のアングルを有している。一例として、画像Ｉ^Ｓ４は、画像Ｉ^Ｓ３と同じ被写体を含むが、画像Ｉ^Ｓ３とは別の撮影アングル（角度）で撮影された画像であってもよい。画像Ｉ^Ｓ３、及び画像Ｉ^Ｓ４は、同時に撮影されてもよいし、異なった時間に撮影されてもよい。具体例として、画像Ｉ^Ｓ３は０度の角度を有し、画像Ｉ^Ｓ４は、図６の左側に示すように、＋３０度の角度を有する。言い換えると、画像Ｉ^Ｓ３は、画像Ｉ^Ｓ４と比較して、－３０度の角度を有する。

第１の特徴抽出部１１ａは、入力されたソースドメイン画像データＩ^Ｓからソースドメイン特徴値Ｘ^Ｓを抽出する。第１の特徴抽出部１１ａにより抽出された特徴値Ｘ^Ｓは、第１の角度変換部１２ａ、第１のクラス予測部１３ａ、グルーピング部１４２、及び変換損失計算部１４４に供給される。

なお、第１の特徴抽出部１１ａの具体的な構成は、第２の例示的実施形態を限定するものではない。例えば、第１の特徴抽出部１１ａは、畳み込みニューラルネットワーク（ＣＮＮ）であっても、リカレントニューラルネットワーク（ＲＮＮ）であっても、他のニューラルネットワークまたは特徴抽出器のいずれであってもよい。

なお、特徴値Ｘ^Ｓのデータ構造は第２の例示的実施形態を限定するものではないが、特徴値Ｘ^Ｓはベクトルの形式で表現されてもよい。より具体的には、一例として、Ｘ^Ｓは以下のようなベクトルとして表現されてもよい。

ここで、Ｘ^Ｓは、それぞれの入力画像（Ｉ^Ｓ１、Ｉ^Ｓ２、Ｉ^Ｓ３、Ｉ^Ｓ４）に対応する４つの要素を有する。特徴値はベクトルとして表現され得るので、特徴値は特徴ベクトルとも呼ばれ得る。

（第２の特徴抽出部）
第２の特徴抽出部１１ｂには、ターゲットドメインに属する入力画像データＩ^Ｔが入力される。具体的には、一例として、入力画像データＩ^Ｔは、複数の領域を有する画像であってもよい。別の例として、入力画像データＩ^Ｔは、図６の右側に示しているような一群の画像（a batch of images）であってもよい。図６の右側の例において、入力画像データＩ^Ｔは、オブジェクトを表す４つの画像（Ｉ^Ｔ１、Ｉ^Ｔ２、Ｉ^Ｔ３、Ｉ^Ｔ４）を含む。

ここで、画像Ｉ^Ｔ１と画像Ｉ^Ｔ２との関係は、以下の通りである。画像Ｉ^Ｔ２は、画像Ｉ^Ｔ１とは別のアングルを有している。一例として、画像Ｉ^Ｔ２は、画像Ｉ^Ｔ１と同じ被写体を含むが、画像Ｉ^Ｔ１とは別の撮影アングル（角度）で撮影された画像であってもよい。画像Ｉ^Ｔ１、及び画像Ｉ^Ｔ２は、同時に撮影されてもよいし、異なった時間に撮影されてもよい。具体例として、画像Ｉ^Ｔ１は０度の角度を有し、画像Ｉ^Ｔ２は、図６の右側に示されるように、＋３０度の角度を有する。言い換えると、画像Ｉ^Ｔ１は、画像Ｉ^Ｔ２と比較して、－３０度の角度を有する。

同様に、画像Ｉ^Ｔ３と画像Ｉ^Ｔ４との関係は以下の通りである。画像Ｉ^Ｔ４は、画像Ｉ^Ｔ３とは別のアングルを有している。一例として、画像Ｉ^Ｔ４は、画像Ｉ^Ｔ３と同じ被写体を含むが、画像Ｉ^Ｔ３とは別の撮影アングル（角度）で撮影された画像であってもよい。画像Ｉ^Ｔ３、及び画像Ｉ^Ｔ４は、同時に撮影されてもよいし、または、異なった時間に撮影されてもよい。具体例として、画像Ｉ^Ｔ３は０度の角度を有し、画像Ｉ^Ｔ４は、図６の右側に示されるように、＋３０度の角度を有する。言い換えると、画像Ｉ^Ｔ３は、画像Ｉ^Ｔ４と比較して、－３０度の角度を有する。

第２の特徴抽出部１１ｂは、入力されたターゲットドメイン画像データＩ^Ｔから、ターゲットドメイン特徴値Ｘ^Ｔを抽出する。第２の特徴抽出部１１ｂで抽出された特徴値Ｘ^Ｔは、第２の角度変換部１２ｂ、第２のクラス予測部１３ｂ、グルーピング部１４２、及び変換損失計算部１４４に供給される。

なお、第２の特徴抽出部１１ｂの具体的な構成は、第２の例示的実施形態を限定するものではない。例えば、第２の特徴抽出部１１ｂは、畳み込みニューラルネットワーク（ＣＮＮ）であっても、リカレントニューラルネットワーク（ＲＮＮ）であっても、他のニューラルネットワークや特徴抽出器であってもよい。

なお、特徴値Ｘ^Ｔのデータ構造は第２の例示的実施形態を限定するものではないが、特徴値Ｘ^Ｔはベクトルの形式で表現されてもよい。より具体的には、一例として、Ｘ^Ｔは以下のようなベクトルとして表現されてもよい。

ここで、Ｘ^Ｔは、それぞれの入力画像（Ｉ^Ｔ１、Ｉ^Ｔ２、Ｉ^Ｔ３、Ｉ^Ｔ４）に対応する４つの要素を有する。

（第１の角度変換部）
第１の角度変換部１２ａは、変換されたソースドメイン特徴値Ｘ’^Ｓが、入力されたソースドメイン画像データＩ^Ｓとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、ソースドメイン特徴値Ｘ^Ｓを変換することにより、当該変換されたソースドメイン特徴値Ｘ’^Ｓを生成する。

すなわち、第１の角度変換部１２ａは、変換されたソースドメイン特徴値Ｘ’^Ｓが、入力されたソースドメイン画像データＩ^Ｓとは異なる角度を有する画像データから抽出されたソースドメイン特徴値に類似するように、ソースドメイン特徴値Ｘ^Ｓを変換することにより、当該変換されたソースドメイン特徴値Ｘ’^Ｓを生成する。

第１の角度変換部１２ａで生成された変換後のソースドメインの特徴値Ｘ’^Ｓは、第１のクラス予測部１３ａ、グルーピング部１４２、及び変換損失計算部１４４に供給される。

なお、第１の角度変換部１２ａの具体的な構成は、第２の例示的実施形態を限定するものではない。例えば、第１の角度変換部１２ａは、畳み込みニューラルネットワーク（ＣＮＮ）であっても、オートエンコーダであっても、他のニューラルネットワークのいずれであってもよいし、これらの組合せであってもよい。

第１の角度変換部１２ａの具体的な構成は第２の例示的実施形態を限定するものではないが、例えば、第１の角度変換部１２ａは、１または複数のソースドメイン角度変換パラメータΘ^Ｓを参照して、変換後のソースドメイン特徴値Ｘ’^Ｓを生成してもよい。

より具体的な例として、第１の角度変換部１２ａは、以下のようなソースドメイン角度変換パラメータΘ^Ｓを参照してもよい。

角度変換パラメータはベクトルとして表現され得るので、角度変換パラメータは、角度変換ベクトルとも呼ばれ得る。第１の角度変換部１２ａは、Θ^Ｓを参照して、変換後のソースドメイン特徴ベクトルＸ’^Ｓを以下のように生成してもよい。

ここで、（Eq.４）のＸ’^Ｓの第１の成分は、（Eq.１）のソースドメイン特徴ベクトルＸ^Ｓの第１の成分と、（Eq.３）のソースドメイン角度変換ベクトルΘ^Ｓの第１の成分とを参照して、第１の角度変換部１２ａが生成する変換後の特徴値を示す。

第１の角度変換部１２ａは、Ｘ’^Ｓの第１の成分があたかもＩ^Ｓ２から抽出されたものであるかのように、（Eq.１）のＸ^Ｓの第１の成分を変換することにより、（Eq.４）のＸ’^Ｓの第１の成分を生成する。すなわち、第１の角度変換部１２ａはＸ’^Ｓの第１の要素が、（Eq.１）のＸ^Ｓの第２の要素に類似するように、（Eq.１）のＸ^Ｓの第１の要素を変換することによって、（Eq.４）のＸ’^Ｓの第１の要素を生成する。

（Eq.４）のＸ’^Ｓの第２の成分は、（Eq.１）のソースドメイン特徴ベクトルＸ^Ｓの第２の成分と、（Eq.３）のソースドメイン角度変換ベクトルΘ^Ｓの第２の成分とを参照して、第１の角度変換部１２ａにより生成された変換後の特徴値を示す。

第１の角度変換部１２ａは、Ｘ’^Ｓの第２の成分があたかもＩ^Ｓ１から抽出されたものであるかのように、（Eq.１）のＸ^Ｓの第２の成分を変換することにより、（Eq.４）のＸ’^Ｓの第２の成分を生成する。すなわち、第１の角度変換部１２ａはＸ’^Ｓの第２の成分が、（Eq.１）のＸ^Ｓの第１の成分に類似するように、（Eq.１）のＸ^Ｓの第２の成分を変換することによって、（Eq.４）のＸ’^Ｓの第２の成分を生成する。

同様にして、（Eq.４）の変換後のソースドメイン特徴ベクトルＸ’^Ｓの第３及び第４の成分は、Ｘ’^Ｓの第３及び第４の成分がそれぞれＩ^Ｓ４及びＩ^Ｓ３から抽出されたものであるかのように生成される。すなわち、（Eq.４）の変換後のソースドメイン特徴ベクトルＸ’^Ｓの第３、及び第４の成分は、Ｘ’^Ｓの第３、及び第４の成分がそれぞれ（Eq.１）のＸ^Ｓの第４、及び第３の成分に類似するように生成される。

図７の上段は、第１の角度変換部１２ａによる角度変換を模式的に示している。上述したように、第１の角度変換部１２ａは、Ｘ’^Ｓの第１、第２、第３、及び第４の要素がそれぞれＸ^Ｓの第２、第１、第４、及び第３の要素に類似するようなＸ’^Ｓを生成する。

なお、後述するように、第１の角度変換部１２ａの訓練が進むにつれて、ソースドメイン特徴値と対応する変換後のソースドメイン特徴値との類似度が高くなるようにしてもよい。

（第２の角度変換部）
第２の角度変換部１２ｂは、変換後のターゲットドメイン特徴値Ｘ’^Ｔが、入力されたターゲットドメイン画像データＩ^Ｔとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、ターゲットドメイン特徴値Ｘ^Ｔを変換することによって、当該変換後のターゲットドメイン特徴値Ｘ’^Ｔを生成する。

すなわち、第２の角度変換部１２ｂは変換後のターゲットドメイン特徴値Ｘ’^Ｔが、入力されたターゲットドメイン画像データＩ^Ｔとは異なる角度を有する画像データから抽出されたターゲットドメイン特徴値に類似するように、ターゲットドメイン特徴値Ｘ^Ｔを変換することにより、当該変換後のターゲットドメイン特徴値Ｘ’^Ｔを生成する。

第２の角度変換部１２ｂで生成された変換後のターゲットドメイン特徴値Ｘ’^Ｔは、第２のクラス予測部１３ｂ、グルーピング部１４２、及び変換損失計算部１４４に供給される。

なお、第２の角度変換部１２ｂの具体的な構成は、第２の例示的実施形態を限定するものではない。例えば、第２の角度変換部１２ｂは、畳み込みニューラルネットワーク（ＣＮＮ）であって、オートエンコーダであっても、他のニューラルネットワークであってもよいし、これらの組合せであってもよい。

第２の角度変換部１２ｂの具体的な構成は第２の例示的実施形態を限定するものではないが、例えば、第２の角度変換部１２ｂは、１または複数のターゲットドメイン角度変換パラメータΘ^Ｔを参照して、変換後のターゲットドメイン特徴値Ｘ’^Ｔを生成してもよい。

より具体的な例として、第２の角度変換部１２ｂは、以下のようなターゲットドメイン角度変換パラメータΘ^Ｔを参照してもよい。

第２の角度変換部１２ｂは、Θ^Ｔを参照して、変換後のターゲットドメイン特徴ベクトルＸ’^Ｔを、以下のように生成してもよい。

ここで、（Eq.６）のＸ’^Ｔの第１の成分は、（Eq.２）のターゲットドメイン特徴ベクトルＸ^Ｔの第１の成分と、（Eq.５）のターゲットドメイン角度変換ベクトルΘ^Ｔの第１の成分とを参照して、第２の角度変換部１２ｂで生成された変換後の特徴値を示す。

第２の角度変換部１２ｂは、Ｘ’^Ｔの第１の構成要素が、あたかもＩ^Ｔ２から抽出されたものであるかのように、（Eq.２）のＸ^Ｔの第１の要素を変換することにより、（Eq.６）のＸ’^Ｔの第１の要素を生成する。すなわち、第２の角度変換部１２ｂは、Ｘ’^Ｔの第１の要素が（Eq.２）のＸ^Ｔの第２の要素に類似するように、（Eq.２）のＸ^Ｔの第１の要素を変換することによって、（Eq.６）のＸ’^Ｔの第１の要素を生成する。

（Eq.６）のＸ’^Ｔの第２の成分は、（Eq.２）のターゲットドメイン特徴ベクトルＸ^Ｔの第２の成分と、（Eq.５）のターゲットドメイン角度変換ベクトルΘ^Ｔの第２の成分とを参照して、第２の角度変換部１２ｂが生成した変換後の特徴値を示す。

第２の角度変換部１２ｂは、Ｘ’^Ｔの第２の構成要素が、あたかもＩ^Ｔ１から抽出されたものであるかのように、（Eq.２）のＸ^Ｔの第２の要素を変換することにより、（Eq.６）のＸ’^Ｔの第２の要素を生成する。すなわち、第２の角度変換部１２ｂは、Ｘ’^Ｔの第２の要素が（Eq.２）のＸ^Ｔの第１の要素に類似するように、（Eq.２）のＸ^Ｔの第２の要素を変換することによって、（Eq.６)のＸ’^Ｔの第２の要素を生成する。

同様にして、（Eq.６）の変換後のターゲットドメイン特徴ベクトルＸ’^Ｔの第３の成分及び第４の成分は、当該Ｘ’^Ｔの第３の成分及び第４の成分がそれぞれＩ^Ｔ４及びＩ^Ｔ３から抽出されたものであるかのように生成される。すなわち、（Eq.６）の変換後のターゲットドメイン特徴ベクトルＸ’^Ｔの第３の要素及び第４の要素は、当該Ｘ’^Ｔの第３の要素及び第４の要素がそれぞれ（Eq.２）のＸ^Ｔの第４の要素及び第３の要素に類似するように生成される。

図７の中央は、第２の角度変換部１２ｂによる角度変換を模式的に示している。上述したように、第２の角度変換部１２ｂは、Ｘ’^Ｔの第１、第２、第３、第４の成分がそれぞれＸ^Ｔの第２、第１、第４、第３の成分に類似するようにＸ’^Ｔを生成する。

なお、後述するように、第２の角度変換部１２ｂの訓練が進むにつれて、ターゲットドメイン特徴値と対応する変換後のターゲットドメイン特徴値との類似度が高くなるようにしてもよい。

（第１のクラス予測部）
第１のクラス予測部１３ａは第１の特徴抽出部１１ａにより抽出されたソースドメイン特徴値と、第１の角度変換部１２ａにより生成された変換後のソースドメイン特徴値とから、ソースドメインクラス予測値を予測する。

具体的には、第１のクラス予測部１３ａは、第１の特徴抽出部１１ａにより抽出されたソースドメイン特徴値Ｘ^Ｓからソースドメインクラス予測値を予測し、第１の角度変換部１２ａにより生成された変換後のソースドメイン特徴値Ｘ’^Ｓから、変換後の特徴値のソースドメインクラス予測値ＣＰ^Ｓを予測する。

第１のクラス予測部１３ａにより出力されたソースドメインクラス予測値Ｐ^Ｓ及び変換後の特徴値のソースドメインクラス予測値ＣＰ^Ｓは、分類損失計算部１４１に供給される。

なお、第１のクラス予測部１３ａの具体的な構成は、第２の例示的実施形態を限定しない。例えば、ソースドメイン特徴ベクトルＸ^Ｓの各要素をある閾値と比較することでソースドメインクラス予測値Ｐ^Ｓの対応する要素を決定し、変換後のソースドメイン特徴ベクトルＸ’^Ｓの各要素を別の閾値と比較することで変換後の特徴値のソースドメインクラス予測値ＣＰ^Ｓの対応する要素を決定する構成を採用することができる。

具体例として、（Eq.１）に示すようなソースドメイン特徴ベクトルＸ^Ｓと、（Eq.４）に示すような変換後のソースドメイン特徴ベクトルＸ’^Ｓとから、第１のクラス予測部１３ａは、ソースドメインクラス予測値Ｐ^Ｓ、及び変換後の特徴値のソースドメインクラス予測値ＣＰ^Ｓを次のように出力してもよい。

ここで、Ｐ^Ｓは、特徴ベクトルＸ^Ｓの各成分に対応する４つの成分を有する。同様に、ＣＰ^Ｓは、変換された特徴ベクトルＸ’^Ｓの各要素に対応する４つの要素を有する。予測値はベクトルとして表現され得るので、予測値は予測ベクトルとも呼ばれ得る。

（第２のクラス予測部）
第２のクラス予測部１３ｂは、第２の特徴抽出部１１ｂにより抽出されたターゲットドメイン特徴値Ｘ^Ｔからターゲットドメインクラス予測値Ｐ^Ｔを予測し、第２の角度変換部１２ｂにより生成された変換後のターゲットドメイン特徴値Ｘ’^Ｔから、変換後の特徴値のターゲットドメインクラス予測値ＣＰ^Ｔを予測する。

第２のクラス予測部１３ｂにより出力されたターゲットドメインクラス予測値Ｐ^Ｔ及び変換後の特徴値のターゲットドメインクラス予測値ＣＰ^Ｔは、分類損失計算部１４１に供給される。

なお、第２のクラス予測部１３ｂの具体的な構成は、第２の例示的実施形態を限定するものではない。例えば、ターゲットドメイン特徴ベクトルＸ^Ｔの各要素をある閾値と比較することでターゲットドメインクラス予測値Ｐ^Ｔの対応する要素を決定し、変換後のターゲットドメイン特徴ベクトルＸ’^Ｔの各要素を別の閾値と比較することで変換後の特徴値のターゲットドメインクラス予測値ＣＰ^Ｔの対応する要素を決定する構成としてもよい。

具体例として、（Eq.２）に示すようなターゲットドメイン特徴ベクトルＸ^Ｔと、（Eq.６）に示すような変換後のターゲットドメイン特徴ベクトルＸ’^Ｔとから、第２のクラス予測部１３ｂは、以下のように、ターゲットドメインクラス予測値Ｐ^Ｔと、変換後の特徴値のターゲットドメインクラス予測値量ＣＰ^Ｔとを出力してもよい。

ここで、Ｐ^Ｔは、特徴ベクトルＸ^Ｔの各成分に対応する４つの成分を有する。同様に、ＣＰ^Ｔは、変換された特徴ベクトルＸ’^Ｔの各要素に対応する４つの要素を有する。

（分類損失計算部）
分類損失計算部１４１は、ソースドメインクラス予測値、及びソースドメインクラスラベルデータを参照して、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）を計算する。

より詳細には、分類損失計算部１４１は、ソースドメインクラス予測値Ｐ^Ｓ、変換された特徴値のソースドメインクラス予測値ＣＰ^Ｓ、及びソースドメインクラスラベルデータＹ^Ｓを参照して、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）を計算する。
例えば、分類損失計算部１４１は、Ｐ^ＳとＹ^Ｓとの不一致の度合い、及びＣＰ^ＳとＹ^Ｓとの不一致の度合いに応じて、ソースドメイン分類損失を計算する。

具体例として、（Eq.７）でＰ^Ｓが与えられ、（Eq.９）でＹ^Ｓが与えられた場合、

分類損失計算部１４１は、以下のようにソースドメイン分類損失を計算する。Ｐ^Ｓの全ての要素がＹ^Ｓの対応する要素と一致し、ＣＰ^Ｓの全ての要素がＹ^Ｓの対応する要素と一致するためである。

また、分類損失計算部１４１は、ターゲットドメインクラス予測値及びターゲットドメインクラスラベルデータを参照して、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）を計算する。

具体的には、分類損失計算部１４１は、ターゲットドメインクラス予測値Ｐ^Ｔ、変換後の特徴値のターゲットドメインクラス予測値ＣＰ^Ｔ、及び、ターゲットドメインクラスラベルデータＹ^Ｔを参照して、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）も計算する。

一例として、分類損失計算部１４１はＰ^ＴとＹ^Ｔとの不一致の度合い、及びＣＰ^ＴとＹ^Ｔとの不一致の度合いに応じて、ターゲットドメイン分類損失を計算する。

具体例として、（Eq.８）でＰ^Ｔが与えられ、（Eq.８．１）でＣＰ^Ｔが与えられ、（Eq.１１）でＹ^Ｔが与えられた場合

分類損失計算部１４１は、以下のようにターゲットドメイン分類損失を計算する。Ｐ^Ｔの４番目の要素とＹ^Ｔの４番目の要素とが一致せず、ＣＰ^Ｔの１番目及び４番目の要素とＹ^Ｔの対応する要素とが一致しないためである。

（グルーピング部）
グルーピング部１４２は、ソースドメイン特徴値Ｘ^Ｓ、変換されたソースドメイン特徴値Ｘ’^Ｓ、ターゲットドメイン特徴値Ｘ^Ｔ、及び変換されたターゲットドメイン特徴値Ｘ’^Ｔから、クラスグループを生成し出力する。ここで、各クラスグループは、同じクラスラベルを共有する特徴値を含む。

具体例として、（Eq.１）によりＸ^Ｓが与えられ、（Eq.２）によりＸ^Ｔが与えられ、（Eq.４）によりＸ’^Ｓが与えられ、（Eq.６）によりＸ’^Ｔが与えられた場合、グルーピング部１４２は、以下のクラスグループ（Ｇｒ０、Ｇｒ１）を出力する。

ここで、Ｇｒ０は、同じクラスラベル０を共有する特徴値のクラスグループである。Ｇｒ１は、同じクラスラベル１を共有する特徴値のクラスグループである。

（グループ損失計算部）
グループ損失計算部１４３は、グルーピング部１４２が生成したクラスグループを参照して、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）を計算する。

例えば、グループ損失計算部１４３は、（ｉ）同一クラスの特徴値を参照して決定されたクラス内距離と、（ｉｉ）他クラスの特徴値を参照して決定されたクラス間距離とに基づいて、グループ損失を計算する。

具体例として、グループ損失計算部１４３は、以下の数式を用いてグループ損失を計算する。

ここで、全てのソースドメイン特徴値と全てのターゲットドメイン特徴値との和集合における各特徴値ｘについて、その特徴値ｘの「特徴空間におけるクラス内距離の最大値（maximum of intra-class distance in the feature space）」を、特徴値ｘと同じクラスグループに由来する他の任意の特徴値との間の最大距離として計算し、「特徴空間におけるクラス間距離の最小値（minimum of inter-class distance in the feature space）」を、特徴値ｘとは異なるクラスグループに由来する他の任意の特徴値との間の最小距離として計算する。マージン（margin）は、特徴値の最小クラス間距離から特徴値の最大クラス内距離を差し引いた値の許容最小値を示す。以下、（特徴空間におけるクラス間距離の最大値－特徴空間におけるクラス間距離の最小値＋マージン）によって特徴値ごとに計算される値を「個々のグループ損失（individual grouping loss）」と呼ぶ。全体的なグループ損失は、各ソースドメイン特徴値、及び各ターゲットドメイン特徴値に対する個々のグループ損失の平均として計算される。平均は、最初に、すべてのソースドメイン特徴値、及びすべてのターゲットドメイン特徴値についての個々のグループ損失の合計を計算し、次いで、その合計を、ソースドメイン特徴値の数とターゲットドメイン特徴値の数との和で除算することによって、計算される。

より具体的には、（Eq.１４）によるグループ損失（Ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）の計算は次のように表すことができる。

グループ損失計算部１４３は、まず、特徴値ｘごとに、その特徴値ｘと同じクラスグループからの他の全ての特徴値のうち、特徴空間においてその特徴値ｘから最も遠い他の特徴値を求めてもよい。このタイプのペアは、クラス内ペアと呼ばれることがある。各特徴値のクラス内ペア間の距離は、（Eq.１４）の「特徴空間におけるクラス内距離の最大値（maximum of intra-class distance in the feature space）」に相当する。

そして、グループ損失計算部１４３は、特徴値ｘごとに、その特徴値ｘとは異なるクラス群からの他の全ての特徴値のうち、特徴空間においてその特徴値ｘに最も近い他の特徴値を求めてもよい。このタイプのペアは、クラス間ペアと呼ばれることがある。各特徴値のクラス間ペア間の距離は、（Eq.１０）の「特徴空間におけるクラス間距離の最小値（minimum of inter-class distance in the feature space）」に相当する。

そして、グループ損失計算部１４３は特徴値ごとに、（特徴空間におけるクラス間距離の最大値）から（特徴空間におけるクラス間距離の最小値）を減算してもよい。

そして、グループ損失計算部１４３は、マージンを加算してもよい。マージンを追加することは、（特徴空間におけるクラス間距離の最小値）よりも小さい（特徴空間におけるクラス間距離の最大値）量を少なくとも一定値にすることを意味する（例えば、マージン＝１の場合、各特徴値について、（特徴空間におけるクラス間距離の最大値）が（特徴空間におけるクラス間距離の最小値）よりも少なくとも１単位小さいことを望む）。

以上の計算を特徴値毎に行った後、グループ損失計算部１４３は、Ｘ^ＳとＸ^Ｔとの和集合に含まれる全ての特徴値の和を取り得る。

そして、グループ損失計算部１４３は、加算結果を、全ての特徴値の数で除算してもよい。全ての特徴値の数は、（Eq.１４）においてｎと表される。具体的な実施例として、（Eq.１３）のクラスグループがある場合、ｎ＝１６とすることができる。

（変換損失計算部）
変換損失計算部１４４は、ソースドメイン特徴値Ｘ^Ｓ、変換後のソースドメイン特徴値Ｘ’^Ｓ、ターゲットドメイン特徴値^Ｔ、及び変換後のターゲットドメイン特徴値Ｘ’^Ｔを参照して、変換損失を計算する。

例えば、変換損失計算部１４４は、（ｉ）ソースドメイン特徴値Ｘ^Ｓと、それに対応する変換後のソースドメイン特徴値Ｘ’^Ｓとの差分、及び（ｉｉ）ターゲットドメイン特徴値Ｘ^Ｔと、それに対応する変換後のターゲットドメイン特徴値Ｘ’^Ｔとの差分に基づいて、変換損失を計算してもよい。

具体例として、（EQ.１）でＸ^Ｓが与えられ、（Eq.２）でＸ^Ｔが与えられ、（Eq.４）でＸ’^Ｓが与えられ、（Eq.６）でＸ’^Ｔが与えられた場合、変換損失計算部１４４は、以下のように変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）を計算してもよい。

なお、上記の変換損失の表式は、第２の例示的実施形態を限定するものではない。例えば、変換損失は、ソースドメイン、及びターゲットドメインについて別々に取得され得る。

（マージ損失計算部）
マージ損失計算部１４５は、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、及び変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）を参照して、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。

例えば、マージ損失計算部１４５は、以下のようにマージ損失を計算する。

ここで、係数α、β、γ、δは、重み係数を表しているが、これらの具体的な値は第２の例示的実施形態を限定するものではない。

（モデル更新部１４６）
モデル更新部１４６は、マージ損失が収束したか否かを判定する。マージ損失が収束した場合、モデル更新部１４６は、収束したモデルパラメータを記録媒体に出力する。モデル更新部１４６は、マージ損失が収束していない場合、マージ損失計算部１４５が計算したマージ損失を参照して、第１の特徴抽出部１１ａ、第２の特徴抽出部１１ｂ、第１の角度変換部１２ａ、第２の角度変換部１２ｂ、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂのモデルパラメータを更新する。

例えば、モデル更新部１４６は、マージ損失が小さくなるようにモデルパラメータを更新する。なお、モデル更新部１４６が採用する更新方法は第２の例示的実施形態を限定するものではないが、モデル更新部１４６は逆伝播法（back propagation method）に従ってモデルパラメータを更新してもよい。

モデル更新部１４６により更新されたモデルパラメータは、第１の特徴抽出部１１ａ、第２の特徴抽出部１１ｂ、第１の角度変換部１２ａ、第２の角度変換部１２ｂ、第１のクラス予測部１３ａ及び第２のクラス予測部１３ｂに供給される。

（有利な効果）
第２の例示的実施形態によれば、上述したように、モデル更新部１４６は、ソースドメイン分類損失、ターゲットドメイン分類損失、及び変換損失に加えて、グループ損失を参照してモデルパラメータを更新する。

したがって、第２の例示的実施形態によれば、特徴空間内のソースドメインの特徴、及びターゲットドメインの特徴が好適に互いに重複する一方で、異なるクラスに属する特徴が、クラスごとに好適に分離される。

図９は、第２の例示的実施形態によって達成されるクロスドメインアラインメント（cross domain alignment）を概略的に示す。訓練装置１０ａでは、グループ損失がマージ損失に含まれるため、訓練の進行に伴って、特徴空間において、ソースドメインの特徴とターゲットドメインの特徴とが好適に互いに重複するようになる一方で、図９に示すように、異なるクラスに属する特徴がクラス毎に好適に分離されるようになる。

すなわち、第２の例示的実施形態によれば、特徴空間におけるクロスドメインアラインメントが適切に実現される。

これにより、少量のターゲットドメインラベル付きデータしか利用できない場合であっても、第２の特徴抽出部１１ｂ及び第２のクラス予測部１２ｂは適切に訓練される。

また、第２の例示的実施形態によれば、上述したように、第１の角度変換部１２ａは、変換後のソースドメイン特徴値Ｘ’^Ｓが、入力されたソースドメイン画像データＩ^Ｓとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、ソースドメイン特徴値Ｘ^Ｓを変換することにより、当該変換後のソースドメイン特徴値Ｘ’^Ｓを生成する。また、第２の角度変換部１２ｂは、変換後のターゲットドメイン特徴値Ｘ’^Ｔが、入力されたターゲットドメイン画像データＩ^Ｔとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、ターゲットドメイン特徴値Ｘ^Ｔを変換することにより、当該変換後のターゲットドメイン特徴値Ｘ’^Ｔを生成する。そして、変換後のソースドメイン特徴値Ｘ’^Ｓ、及び変換後のターゲットドメイン特徴値Ｘ’^Ｔは、それぞれ、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂによって参照される。

したがって、第２の例示的実施形態によれば、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂが、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂが様々な撮影角度に対して適切なクラス予測を提供できるように、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂは、訓練されることができる。

より詳細には、第２のクラス予測部１３ｂが、当該第２のクラス予測部１３ｂが訓練用画像データとは撮影角度が異なるラベルなし入力画像データに対して適切なクラス予測を行うことができるように、第２のクラス予測部１３ｂは、訓練されることができる。

すなわち、第２の例示的実施形態によれば、訓練装置１０ａは、撮影アングルのばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供する。

（訓練装置による訓練方法）
以下、第２の例示的実施形態に係る訓練装置１０ａの訓練方法について、図１０を用いて説明する。図１０は、訓練装置１０ａによる訓練方法Ｓ１ａの流れを示すフロー図である。

（ステップＳ１００）
ステップＳ１００において、訓練装置１０ａは、初期モデルパラメータを受信する。初期モデルパラメータには、第１の特徴抽出部１１ａ、第２の特徴抽出部１１ｂ、第１の角度変換部１２ａ、第２の角度変換部１２ｂ、第１のクラス予測部１３ａ、第２のクラス予測部１３ｂの初期モデルパラメータが含まれる。本ステップで受信された初期モデルパラメータは、第１の特徴抽出部１１ａ、第２の特徴抽出部１１ｂ、第１の角度変換部１２ａ、第２の角度変換部１２ｂ、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂに供給される。

（ステップＳ１０１ａ）
ステップＳ１０１ａにおいて、訓練装置１０ａは、入力ソースドメインデータを受信する。より具体的には、訓練装置１０ａは、ソースドメイン画像データＩ^Ｓ、及び当該画像データＩ^Ｓに関連付けられたソースドメインクラスラベルデータＹ^Ｓを受信する。

（ステップＳ１０１ｂ）
ステップＳ１０１ｂにおいて、訓練装置１０ａは、入力ターゲットドメインデータを受信する。具体的には、訓練装置１０ａは、ターゲットドメイン画像データＩ^Ｔ及び当該画像データＩ^Ｔに関連付けられたターゲットドメインクラスラベルデータＹ^Ｔを受信する。

（ステップＳ１０２ａ）
ステップＳ１０２ａにおいて、第１の角度変換部１２ａは、ソースドメイン角度変換パラメータΘ^Ｓを受信する。

（ステップＳ１０２ｂ）
ステップＳ１０２ｂにおいて、第２の角度変換部１２ｂは、ターゲットドメイン角度変換パラメータΘ^Ｔを受信する。

（ステップＳ１１ａ）
ステップＳ１１ａでは、第１の特徴抽出部１１ａがソースドメイン画像データＩ^Ｓから特徴値Ｘ^Ｓを抽出する。なお、第１の特徴抽出部１１ａが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１１ｂ）
ステップＳ１１ｂでは、第２の特徴抽出部１１ｂがターゲットドメイン画像データＩ^Ｔから特徴値Ｘ^Ｔを抽出する。なお、第２の特徴抽出部１１ｂが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１２ａ）
ステップＳ１２ａにおいて、第１の角度変換部１２ａは、変換されたソースドメイン特徴値Ｘ’^Ｓが、入力されたソースドメイン画像データＩ^Ｓとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、ソースドメイン特徴値Ｘ^Ｓを変換することによって、当該変換されたソースドメイン特徴値Ｘ’^Ｓを生成する。なお、第１の角度変換部１２ａによる具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１２ｂ）
ステップＳ１２ｂにおいて、第２の角度変換部１２ｂは、変換されたターゲットドメイン特徴値Ｘ’^Ｔが、入力されたターゲットドメイン画像データＩ^Ｔとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、ターゲットドメイン特徴値Ｘ^Ｔを変換することによって、当該変換されたターゲットドメイン特徴値Ｘ’^Ｔを生成する。なお、第２の角度変換部１２ｂによる具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップ工程Ｓ１３ａ）
ステップＳ１３ａにおいて、第１のクラス予測部１３ａは、ソースドメイン特徴値Ｘ^Ｓからソースドメインクラス予測値Ｐ^Ｓを予測し、変換されたターゲットドメイン特徴値Ｘ’^Ｓから、変換後のソースドメイン特徴値のソースドメインクラス予測値ＣＰ^Ｓを予測する。なお、第１のクラス予測部１３ａが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１３ｂ）
ステップＳ１３ｂにおいて、第２のクラス予測部１３ｂは、ターゲットドメイン特徴値Ｘ^Ｔからターゲットドメインクラス予測値Ｐ^Ｔを予測し、変換後のターゲットドメイン特徴値Ｘ’^Ｔから、変換後のターゲットドメイン特徴値のターゲットドメインクラス予測値ＣＰ^Ｔを予測する。なお、第２のクラス予測部１３ｂが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１４１）
ステップＳ１４１では、分類損失計算部１４１は、ソースドメインクラス予測値Ｐ^Ｓ、変換されたソースドメイン特徴値のソースドメインクラス予測値ＣＰ^Ｓ、及びソースドメインクラスラベルデータＹ^Ｓを参照して、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）を計算する。また、分類損失計算部１４１は、ターゲットドメインクラス予測値Ｐ^Ｔ、変換されたターゲットドメイン特徴値のターゲットドメインクラス予測値ＣＰ^Ｔ、及びターゲットドメインクラスラベルデータＹ^Ｔを参照して、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）を計算する。なお、分類損失計算部１４１が行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１４２）
ステップＳ１４２では、グルーピング部１４２が、ソースドメイン特徴値Ｘ^Ｓ、変換されたソースドメイン特徴値Ｘ’^Ｓ、ターゲットドメイン特徴値Ｘ^Ｔ、及び変換されたターゲットドメイン特徴値Ｘ’^Ｔから、クラスグループ生成し出力する。ここで各々のクラスグループは、同じクラスラベルを共有する特徴値を含む。なお、グルーピング部１４２が行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１４３）
ステップＳ１４３において、グループ損失計算部１４３は、グルーピング部１４２が生成したクラスグループを参照して、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）を計算する。なお、グループ損失計算部１４３が行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１４４）
ステップＳ１４４において、変換損失計算部１４４は、ソースドメイン特徴値Ｘ^Ｓ、変換後のソースドメイン特徴値Ｘ’^Ｓ、ターゲットドメイン特徴値Ｘ^Ｔ、及び変換後のターゲットドメイン特徴値Ｘ’^Ｔを参照して、変換損失を計算する。なお、変換損失計算部１４４が行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１４５）
ステップＳ１４５において、マージ損失計算部１４５は、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、及び変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）を参照して、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。なお、マージ損失計算部１４５が行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１４６）
ステップＳ１４６において、モデル更新部１４６は、マージ損失が収束したか否かを判定する。マージ損失が収束している場合（ステップＳ１４６でＹＥＳ）、ステップＳ１４８に進む。マージ損失が収束していない場合（ステップＳ１４６でＮＯ）、ステップＳ１４７に進む。

（ステップＳ１４７）
ステップＳ１４７において、モデル更新部１４６は、マージ損失計算部１４５が計算したマージ損失を参照して、第１の特徴抽出部１１ａ、第２の特徴抽出部１１ｂ、第１の角度変換部１２ａ、第２の角度変換部１２ｂ、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂのモデルパラメータを更新する。

（ステップＳ１４８）
ステップＳ１４８において、モデル更新部１４６は、マージ損失計算部１４５が計算したマージ損失を参照して、第１の特徴抽出部１１ａ、第２の特徴抽出部１１ｂ、第１の角度変換部１２ａ、第２の角度変換部１２ｂ、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂのモデルパラメータを記録媒体に記録する。

なお、訓練方法Ｓ１ａにおけるステップの順序は、第２の例示的実施形態を限定するものではない。例えば、訓練方法Ｓ１ａでは、ステップＳ１４１、（Ｓ１４２、Ｓ１４３）、Ｓ１４４は任意の順序で実行することができる。

（有利な効果）
以上説明した訓練装置１０ａによる訓練方法Ｓ１ａは、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供する。

（分類装置の構成）
次に、第２の例示的実施形態に係る分類装置２０ａの構成について、図１１を用いて説明する。図１１は、分類装置２０ａの構成を示すブロック図である。図１１に示すように、分類装置２０ａは、特徴抽出部１１ｂと、角度変換部１２ｂと、クラス予測部１３ｂとを備える。ここで、特徴抽出部１１ｂは上述した第２の特徴抽出部１１ｂと同様に構成され、角度変換部１２ｂは上述した第２の角度変換部１２ｂと同様に構成され、クラス予測部１３ｂは上述した第２のクラス予測部１３ｂと同様に構成される。

分類装置２０ａによれば、角度変換部１２ｂは、特徴抽出部１１ｂにより抽出された特徴値を、変換後の特徴値が入力画像データとは異なる角度を有する画像データから抽出されたものであるかのように変換することにより、当該変換後の特徴値を生成する。

そのため、第２の例示的実施形態に係る分類装置は、撮影角度のばらつきが限定された訓練用画像しか利用できない場合であっても、様々な撮影角度の入力画像に対して適切なクラス予測を行うことができる。

具体的には、一例として、分類装置２０ａは、第１の例示的実施形態で説明したように、ユーザ入力受付部を備えてもよい。この構成では、ユーザが角度変換部１２ｂを分類装置２０ａで使用するか使用しないかを選択することができる。角度変換部１２ｂを使用しない場合、特徴抽出部１１ｂによって提供される特徴値はクラス予測部１３ｂに直接的に供給される（そして、クラス予測部は、変換された未知の角度特徴についてのＣＰ^ＳとＹ^Ｓとの間の値も比較する分類損失を用いて訓練されているので、正確な予測が依然としてなされ得る。すなわち、予測部は、未知の入力データが見えるように、変換された特徴を用いて訓練されている。ここで、「未知（unseen）」とはテスト用セットの角度が訓練セットと異なっていることを意味する）。角度変換部を使用する場合、使用例として以下が挙げられる。ユーザが＋０度の回転を表す角度変換パラメータを与え、これにより、ユーザは同じ入力テスト画像の２つの予測を得ることができ、一方は画像から直接的に抽出された元の特徴から予測され、他方は元の特徴を０度回転させることによって生成された変換された特徴から予測される。ここで、ユーザは２つの予測に基づいて、より良い判断を行うことができる。２つのクラスがあるとしよう。元の特徴からの予測は、当該特徴がクラス０に属する信頼度として０．４、クラス１に属する信頼度として０．６を有し、変換された特徴からの予測は、当該特徴がクラス０に属する信頼度として０．８、クラス１に属する信頼度として０．２を有するとする（この具体例では、元の特徴と変換された特徴とはクラスラベル上で互いに不一致である）。最も高い信頼度は、変換された特徴（それがクラス０に属することは０．８である）からの予測によって与えられ、したがって、予測部は、ラベル０をこのテスト画像に付与する。角度変換部１２ｂを使用することによって、ユーザは追加の特徴を取得し、最終的な決定を行うことを支援する追加の予測を行うことができる。ユーザは、［＋０、＋２０、－１０など］のような２つ以上の変換パラメータを与え、変換された特徴の複数の予測を得ることができることに留意されたい。また、最終決定がどのようになされるかは、変化し得る。上記の例では、最高信頼度のクラスラベルが最終アウトプットとして選択される。ユーザはすべての信頼度の総和をとり、最も高い信頼度を出力してもよい。例えば、元の特徴に対する予測は［０．４、０．６］であり、変換された特徴に対する予測は［０．８、０．２］であり、合計を取ることによって、総信頼度は［１．２、０．８］であり、クラス０はより高い総信頼度スコアを受け取り、したがって、出力はラベル０となる。

（第２の例示的実施形態における留意点）
（備考１：特徴抽出部について）
例示的構成において、第１の特徴抽出部１１ａと第２の特徴抽出部１１ｂとは、完全に独立していてもよい。すなわち、第１の特徴抽出部１１ａと第２の特徴抽出部１１ｂとは、モデルパラメータも層も共有しない構成としてもよい。

別の例示的構成では、第１の特徴抽出部１１ａ、及び第２の特徴抽出部１１ｂはモデルパラメータのうちの１つまたはいくつかを共有しもてよい。すなわち、第１の特徴抽出部１１ａと第２の特徴抽出部１１ｂとは、いずれかの層（layer）を共有していてもよい。

例えば、第１の特徴抽出部１１ａ及び第２の特徴抽出部１１ｂは、辺、角等の低レベル特徴が抽出される最初の幾つかの層を共有してもよい。あるいは、第１の特徴抽出部１１ａと第２の特徴抽出部１１ｂとは、上位の特徴や意味論的な意味などの抽象的な特徴が抽出される最後の幾つかの層を共有してもよい。

なお、別の例示的構成では、第１の特徴抽出部１１ａ、及び第２の特徴抽出部１１ｂがモデルパラメータのすべてを共有してもよい。すなわち、第１の特徴抽出部１１ａ及び第２の特徴抽出部１１ｂは、全ての層を共有していてもよい。

（備考２：クラス予測部について）
例示的構成において、第１のクラス予測部１３ａと第２のクラス予測部１３ｂとは、完全に独立していてもよい。すなわち、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂは、モデルパラメータ、及び層を共用しない構成としてもよい。

別の例示的構成では、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂはモデルパラメータのうちの１つ、またはいくつかを共有してもよい。すなわち、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂは、１つ、またはいくつかの層を共有してもよい。

更に別の例示的構成では、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂは、すべてのモデルパラメータを共有してもよい。すなわち、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂは、全ての層を共有してもよい。

（備考３：角度変換部について）
例示的構成では、第１の角度変換部１２ａ、及び第２の角度変換部１２ｂは互いに完全に独立していてもよい。すなわち、第１の角度変換部１２ａと第２の角度変換部１２ｂとは、モデルパラメータも層も共有しない構成としてもよい。

別の例示的構成では、第１の角度変換部１２ａ、及び第２の角度変換部は、モデルパラメータのうちの１つ、またはいくつかを共有してもよい。すなわち、第１の角度変換部１２ａ、及び第２の角度変換部１２ｂは、モデルパラメータまたは層のうちの１つ、またはいくつかを共有してもよい。

さらに別の例示的構成では、第１の角度変換部１２ａ、及び第２の角度変換部は、モデルパラメータのすべてを共有してもよい。すなわち、第１の角度変換部１２ａ及び第２の角度変換部１２ｂは、全ての層を共有してもよい。

図１２は、第１の角度変換部１２ａと第２の角度変換部１２ｂとが、少なくとも１つ、またはいくつかのモデルパラメータを共有する構成の効果を模式的に示している。

この構成では、第１の角度変換部１２ａ、及び第２の角度変換部１２ｂは、ラベル付けされたソースドメインデータを使用して訓練され得、第２の角度変換部１２ｂは、ソースドメインから学習された知見をターゲットドメインに適用する。したがって、この構成によれば、第１の角度変換部１２ａと第２の角度変換部１２ｂとが完全に独立している場合に比べて、第２の角度変換部１２ｂは、より効率的に訓練されることができる。

（備考４：グループ損失について）
グループ損失の計算は、クラスグループ内の２つの特徴間の距離または類似性を計算するための任意の方法によって達成され得る。グループ損失は、Ｌ１ノルム、Ｌ２ノルム、コサイン類似性、または学習などを必要とする何らかの他の尺度であってもよい。

また、グループ損失計算部１４３は、グループ損失を計算した後、当該グループ損失が［０，１］以内等のより安全な範囲に再スケーリングされるようにグループ損失を再スケーリングする等の何らかの後処理操作を行ってもよい。具体例として、グループ損失計算部１４３はグループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ＿ｐｐ）を以下のように再スケーリングすることにより、後処理されたグループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ＿ｐｐ）を計算してもよい。

この再スケーリングは、以下の問題に鑑みて行われる。すなわち、高品質の特徴の場合であっても、損失が計算される距離は依然として非常に大きくなり得、これは大きな損失をもたらす。安全な範囲内でグループ損失を再スケーリングするには、単純なクリッピング（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ＞１の場合に、１を返し（ｒｅｔｕｒｎ）、それ以外の場合には、ｌｏｓｓ＿ｇｒｏｕｐｉｎｇを返す）、または重みλ（λｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）を使用した単純な線形再ウェイト付け（λｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、またはより複雑な方法など、さまざまな方法がある。

なお、上記のグループ損失の表現は、第２の例示的実施形態を限定するものではない。例えば、グループ損失は、実際の特徴、及び変換された特徴について別々に取得され得る。ここで、「実際（ｒｅａｌ）」とは角度変換部１２ａ、１２ｂを介さない実際の特徴値を参照して計算されるグループ損失を指し、「変換された（ｃｏｎｖｅｒｔｅｄ）」とは実際の特徴値を入力として角度変換部１２ａ、１２ｂが生成する変換後の特徴値を参照して計算されるグループ損失を指す。

すなわち、グループ損失計算部１４３はＸ^ＳとＸ^Ｔとの和集合（実際の特徴のみを含む）からの特徴に基づいて、実際の特徴のグループ損失を計算し、Ｘ’^ＳとＸ’^Ｔとの和集合（変換特徴のみを含む）からの特徴に基づいて、変換された特徴のグループ損失を計算してもよい。

あるいは、グループ損失は、望ましくない特徴が特定の条件に基づいてフィルタリングされた後に計算されてもよい。当該条件は、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂが与える予測の正しさ、または第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂが与える予測の信頼度に依存する構成としてもよい。

（備考５：マージ損失について）
マージ損失は、ソースドメイン分類損失値（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）、及びグループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）などのすべてのサブタスク損失の直接和であり得るか、またはサブタスク損失の加重和であり得る。

和における重みは、訓練の進行に従って変化し得る（例えば、初期の訓練反復において、分類損失の重みを高くし、次いで、訓練反復の数が増加することにつれて、重みが減衰する）。重みは、学習を必要とする重量であってもよい。

＜第３の例示的実施形態＞
以下、本発明の第３の例示的実施形態について、図面を用いて詳しく説明する。なお、上記例示的実施形態で説明した要素と同一の機能を有する要素には同一の符号を付し、その説明は適宜省略する。さらに、第３の例示的実施形態の概要は、前述の例示的実施形態の概要と同じであるので、ここでは説明しない。

（訓練装置の構成）
以下、第３の例示的実施形態に係る訓練装置１０ｂの構成について、図１３を用いて説明する。図１３は、訓練装置１０ｂの構成を示すブロック図である。図１３に示すように、訓練装置１０ｂは、第２の例示的実施形態に係る訓練装置１０ａに含まれる構成要素に加えて、ドメイン判別部１５と、ドメイン損失計算部１６とを備える。

（ドメイン判別部）
ドメイン判別部１５は、ターゲットドメインをソースドメインから判別する判別処理を行う。すなわち、ドメイン判別部１５は、特徴がソースドメインからのものであるか、ターゲットドメインからのものであるかを示すドメイン予測を行う。

例えば、ドメイン判別部１５は、以下の処理を行う。ドメイン判別部１５は、第１の特徴抽出部１１ａにより抽出されたソースドメイン特徴値Ｘ^Ｓと、第２の特徴抽出部１１ｂにより抽出されたターゲットドメイン特徴値Ｘ^Ｔとを受け取る。そして、ドメイン判別部１５は、当該特徴がどのドメインに属するかを示す情報を参照せずに、ソースドメイン特徴値Ｘ^Ｓとターゲットドメイン特徴値Ｘ^Ｔとを判別する判別処理を行う。そして、ドメイン判別部１５は、判別処理の結果を出力する。

具体例として、（Eq.１）により特徴値Ｘ^Ｓが与えられた場合、ドメイン判別部１５は、特徴値Ｘ^Ｓの判別処理の結果ＤＰ^Ｓを次のように出力してもよい。

また、具体例として、（Eq.２）により特徴値Ｘ^Ｔが与えられた場合、ドメイン判別部１５は、特徴値Ｘ^Ｔの判別処理の結果ＤＰ^Ｔを次のように出力してもよい。

（ドメイン損失計算部）
ドメイン損失計算部１６は、ドメイン判別部１５による判別処理の結果を参照して、ドメイン判別損失を計算して出力する。ドメイン判別損失は、単にドメイン損失と呼ばれることもある。

例えば、ドメイン損失計算部１６は、（ｉ）ソースドメインのグランドトゥルースドメインラベルを示すソースドメインラベルデータＤ^Ｓと、（ｉｉ）ターゲットドメインのグランドトゥルースドメインラベルを示すターゲットドメインラベルデータＤ^Ｔとを受信する。具体例として、ソースドメインラベルデータＤ^Ｓ及びターゲットドメインラベルデータＤ^Ｔは、以下のように表されてもよい。

ドメイン損失計算部１６は、（ｉ）ＤＰ^ＳとＤ^Ｓとの不一致の度合い、（ｉｉ）ＤＰ^ＴとＤ^Ｔとの不一致の度合いに応じて、ドメイン損失を計算する。

具体例として、（Eq.１８）でＤＰ^Ｓが与えられ、（Eq.２０）でＤ^Ｓが与えられ、（Eq.１９）でＤＰ^Ｔが与えられ、（Eq.２１）でＤ^Ｔが与えられた場合、ドメイン損失計算部１６は以下のようにドメイン消失（ｌｏｓｓ＿ｄｏｍａｉｎ）を計算する。ＤＰ^Ｓの２つの要素がＤ^Ｓの対応する要素と異なり、ＤＰ^Ｔの１つの要素がＤ^Ｔの対応する要素と異なるためである。

（マージ損失計算部）
第３の例示的実施形態に係るマージ損失計算部１４５は、ソースメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）、及びドメイン損失（ｌｏｓｓ＿ｄｏｍａｉｎ）を参照して、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。

例えば、第３の例示的実施形態に係るマージ損失計算部１４５は、マージ損失を以下のように計算する。

ここで、係数α、β、γ、δ、τは、重み係数を表しており、それらの具体的な値は第３の例示的実施形態を限定するものではない。ドメイン損失の前の符号はマイナスであることに留意されたい。これは、抽出された特徴がドメイン判別部による結果の正確性を低下させるように、モデル更新部１４６が、第１の特徴抽出部１１ａ及び第２の特徴抽出部１１ｂのモデルパラメータを更新することを意味する。すなわち、モデル更新部１４６は抽出された特徴がドメイン判別部１５を混乱させるように、第１の特徴抽出部１１ａ及び第２の特徴抽出部１１ｂのモデルパラメータを更新する。なお、モデル更新部１４６は、上述したマージ損失を参照して、ドメイン判別部１５を更新してもよい。

（訓練装置による訓練）
訓練の観点から、訓練装置１０ｂは以下の処理を行う。第1に、訓練装置１０ｂは、ドメイン判別部１５を訓練して、ドメイン判別部１５が、特徴がソースドメインからのものか、ターゲットドメインからのものかを判別できるようにする。第２に、訓練装置１０ｂは、第１の特徴抽出部１１ａ及び第２の特徴抽出部１１ｂを訓練して、第１の特徴抽出部１１ａ及び第２の特徴抽出部１１ｂが、訓練されたドメイン判別部１５を混乱させ得る特徴を抽出できるようにする。

上記の処理を反復することによって、訓練装置１０ｂは、十分に訓練されたドメイン判別部１５が、特徴がソースドメインからのものであるか、ターゲットドメインからのものであるかを判別することができない状況を達成することができる。これは、特徴が非常に良好なドメイン混同特性、すなわちドメイン不変性（domain invariant property）を有することを意味する。

図１４は、第１の特徴抽出部１１ａ及び第２の特徴抽出部１１ｂが訓練装置１０ｂによる学習によりドメイン不変性を実現する過程を模式的に示す図である。図１４に見られるように、訓練の初期の特徴空間に別々に存在する特徴は、訓練の後期の特徴空間では別々には存在しない。このように、ドメイン不変性は、訓練装置１０ｂによって実行される訓練によって達成される。

（有利な効果）
以上説明したように、第３の例示的実施形態によれば、訓練装置１０ｂは、抽出された特徴Ｘ^Ｓ及びＸ^Ｔのドメイン不変性を実現することができる。これは、好ましいターゲットドメインの特性をもたらす。

したがって、第３の例示的実施形態によれば、訓練装置１０ｂは、少量のターゲットドメインラベルデータしか利用できない場合であっても、効率的で安定した訓練プロセスを提供する。

（訓練装置による訓練方法）
以下、第３の例示的実施形態に係る訓練装置１０ｂの訓練方法について、図１５を用いて説明する。図１５は、訓練装置１０ｂによる訓練方法Ｓ１ｂの流れを示すフロー図である。

図１５に示すように、第３の例示的実施形態に係る訓練方法Ｓ１ｂは、第２の例示的実施形態に係る訓練方法Ｓ１ａに含まれる各ステップに加えて、ステップＳ１５及びステップＳ１６をさらに含む。以下では、第３の例示的実施形態に係る訓練方法Ｓ１ｂと、第２の例示的実施形態に係る訓練方法Ｓ１ａとの相違点についてのみ説明する。

（ステップＳ１５）
ステップＳ１５において、ドメイン判別部１５は、ターゲットドメインをソースドメインから判別するドメイン判別処理を行う。ドメイン判別部１５が行う具体的な処理については、上述したので、ここでは繰り返さない。

（ステップＳ１６）
ステップＳ１６において、ドメイン損失計算部１６は、ドメイン判別部１５による判別処理の結果を参照して、ドメイン判別損失を計算して出力する。ドメイン損失計算部１６が行う具体的な処理については、上述したので、ここでは繰り返さない。

（ステップＳ１４５）
ステップＳ１４５では、第３の例示的実施形態に係るマージ損失計算部１４５が（ｉ）ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、（ｉｉ）ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、（ｉｉｉ）グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、（ｉｖ）変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）、（ｖ）ドメイン損失（ｌｏｓｓ＿ｄｏｍａｉｎ）を参照して、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。なお、マージ損失計算部１４５が行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

なお、訓練方法Ｓ１ｂにおけるステップの順序は、第３の例示的実施形態を限定するものではない。例えば、訓練方法Ｓ１ｂにおいて、ステップＳ１４１、（Ｓ１４２、Ｓ１４３）、及びＳ１４４は、任意の順序で実行することができる。

（有利な効果）
第３の例示的実施形態によれば、訓練方法Ｓ１ｂは、ターゲットドメインラベルデータが少量の場合であっても、効率的で安定した訓練プロセスを提供する。

（分類装置の構成）
以下、第３の例示的実施形態に係る分類装置の構成について説明する。第３の例示的実施形態に係る分類装置２０ａは、図１１に示す分類装置２０ａと同様の構成を有する。

第３の例示的実施形態によれば、訓練装置１０ｂは、抽出された特徴Ｘ^Ｓ、及びＸ^Ｔのドメイン不変性を達成する。これにより、第３の例示的実施形態に係る分類装置においても、好適なターゲットドメインの特性を得ることができる。

したがって、第３の例示的実施形態に係る分類装置２０ａは、ターゲットドメインラベルデータが少量の場合であっても、好適な分類プロセスを提供する。

（第３の例示的実施形態における留意点）
ドメイン損失を計算するために、クラスラベルは必要としない。したがって、訓練装置１０ｂは、ラベル付けされたターゲットドメインデータのみを使用する代わりに、（クラスラベルの意味で）ラベル付けされていないターゲットデータを使用してもよい。データがターゲットデータセットからのものである限り、訓練装置１０ｂは、データのドメインラベルがターゲットであることを知ることができる。

（クラスラベルの意味で）ラベル付けされていないターゲットデータを含めることによって、上述のドメイン不変性をより一般化することができる。特徴は、ラベルデータのすべての部分に対してドメイン不変であるだけでなく、ラベル付けされていないターゲットデータのすべての部分に対してドメイン不変でありえる。

（クラスラベルの意味で）ラベル付けされていないターゲットデータを使用する上記の構成は、限られた量のクラスラベル付けされたターゲットデータしか利用できない場合であっても、ドメイン不変性性を適切に達成し得る。

＜第４の例示的実施形態＞
以下、本発明の第４の例示的実施形態について、図面を用いて詳しく説明する。なお、上記例示的実施形態で説明した要素と同一の機能を有する要素には同一の符号を付し、その説明は適宜省略する。さらに、第４の例示的実施形態の概要は、前述の例示的実施形態の概要と同じであるので、ここでは説明しない。

（訓練装置の構成）
以下、第４の例示的実施形態に係る訓練装置１０ｃの構成について、図１６を用いて説明する。図１６は、訓練装置１０ｃの構成を示す図である。図１６に示すように、訓練装置１０ｃは、第２の例示的実施形態に係る訓練装置１０ａが備える構成要素に加えて、第１の補助タスク解決部１７ａ、第２の補助タスク解決部１７ｂ、第１の補助損失計算部１８ａ、及び第２の補助損失計算部１８ｂを備える。

第１の補助タスク解決部１７ａと第２の補助タスク解決部１７ｂとは、単一の部分（section）として構成することができる。第１の補助損失計算部１８ａと第２の補助損失計算部１８ｂとは、単一の部分（section）として構成することができる。

第１の補助タスク解決部１７ａ、第２の補助タスク解決部１７ｂ、第１の補助損失計算部１８ａ、及び第２の補助損失計算部１８ｂは、以下に説明する例示的構成を有する。

（第１の例示的構成）
第１の例示的例示的では、第１の補助タスク解決部１７ａ、及び第２の補助タスク解決部１７ｂは、特許請求の範囲に記載の１または複数の角度予測手段の一例である。第１の補助損失計算部１８ａ、及び第２の補助損失計算部１８ｂは、特許請求の範囲に記載の１または複数の角度予測損失計算手段の一例である。

第１の補助タスク解決部１７ａは、ソースドメイン特徴値Ｘ^Ｓと、変換後のソースドメイン特徴値Ｘ’^Ｓとから、ソースドメイン角度予測値を予測する。

具体的には、０～３５９度が複数のビン（bin）に分割される。例えば、０～３５９度が３６のビンに分割される（１０度が１のビンと見なされる）。ある画像が５度の角度を有する場合、当該画像は第１のビンに入る。ある画像が２４７度の角度を有する場合、当該画像は、２５番目のビン（（２４７／／１０）＋１）に入る。

より具体的には、ソースドメイン画像データＩ^Ｓ及びソースドメイン角度変換パラメータΘ^Ｓが以下のように与えられる例を挙げることができる。

具体的例として、第１の補助タスク解決部１７ａはソースドメインの特徴値Ｘ^Ｓ及び変換されたソースドメインの特徴値Ｘ’^Ｓから、ソースドメイン角度予測値Ｐ’^Ｓを以下のように予測してもよい。

ここで、ソースドメイン角度予測値Ｐ’^Ｓは、誤って予測された値を含むことに留意されたい。予測が正しく実行されると、第４の要素は２８であるべきであるためである。

第１の補助損失計算部１８ａは、ソースドメイン角度予測値Ｐ’^Ｓを参照してソースドメイン角度予測損失を出力する。また、第１の補助損失計算部１８ａはソースドメイン角度予測損失を出力する際に、ソースドメイン補助ラベルデータＹ’^Ｓを参照してもよい。

より具体的には、第１の補助損失計算部１８ａは、グランドトゥルースラベルデータであるソースドメイン補助ラベルデータＹ’^Ｓを参照してもよい。具体例として、ソースドメイン補助ラベルデータＹ’^Ｓは、次のように与えられる。

（Eq.２６）でソースドメイン角度予測値Ｐ’^Ｓが与えられ、（Eq.２７）でソースドメイン補助ラベルデータＹ’^Ｓが与えられた場合、第１の補助損失計算部１８ａは、ソースドメイン角度予測損失ｌｏｓｓ＿ａｎｇｌｅ＿ｐｒｅｄｉｃｔｉｏｎ＿Ｓ）を次のように出力する。

同様に、第２の補助タスク解決部１７ｂは、ターゲットドメイン特徴値Ｘ^Ｔと、変換後のターゲットドメイン特徴値Ｘ’^Ｔとから、ターゲットドメイン角度予測値を予測する。

第２の補助損失計算部１８ｂは、ターゲットドメイン角度予測値Ｐ’^Ｔを参照して、ターゲットドメイン角度予測損失（ｌｏｓｓ＿ａｎｇｌｅ＿ｐｒｅｄｉｃｔｉｏｎ＿Ｔ）を出力する。また、第２の補助損失計算部１８ｂは、ターゲットドメイン角度予測損失を出力する際に、ターゲットドメイン角度ラベルデータを参照してもよい。

マージ損失計算部１４５は、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）、ソースドメイン角度予測損失ｌｏｓｓ＿ａｎｇｌｅ＿ｐｒｅｄｉｃｔｉｏｎ＿Ｓ）、及びターゲットドメイン角度予測損失ｌｏｓｓ＿ａｎｇｌｅ＿ｐｒｅｄｉｃｔｉｏｎ＿Ｔ）のうちの少なくとも１つを参照して、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。

例えば、マージ損失計算部１４５は、マージ損失を以下のように計算してもよい。

ここで、係数α、β、γ、δ、η、ξは、重み係数を表しているが、それらの具体的な値は第４の例示的実施形態を限定するものではない。なお、この第１の例示的構成において、モデル更新部１４６は、上述したマージ損失を参照して、第１の補助更新部１７ａ（角度予測手段）及び第２の補助更新部１７ｂ（角度予測手段）を更新してもよい。

（有利な効果）
第１の補助タスク解決部１７ａ、第２の補助タスク解決部１７ｂ、第１の補助損失計算部１８ａ、第２の補助損失計算部１８ｂがない場合、訓練装置は、以下のような状況を引き起こす可能性がある。

正しい変換関数を学習する代わりに、第１の角度変換部１２ａは、当該第１の角度変換部１２ａがアイデンティティマッピング（恒等写像）のみを学習するように、第１の特徴抽出部１１ａに角度不変な特徴を提供するように強制し得る。また、正しい変換関数を学習する代わりに、第２の角度変換部１２ｂは、当該第２の角度変換部１２ｂがアイデンティティマッピング（恒等写像）のみを学習するように、第２の特徴抽出部１１ｂに角度不変な特徴を提供するように強制し得る。

このような状況は、第１の角度変換部１２ａ及び第２の角度変換部１２ｂのメリットを弱める可能性があるため、好ましくない。これにより、第１のクラス予測部１３ａ及び第２のクラス予測部１３ｂによる予測の精度が低下するおそれがある。

第１の例示的構成によれば、第１の補助タスク解決部１７ａ、及び第２の補助タスク解決部１７ｂは、それぞれ第１の角度変換部１２ａ、及び第２の角度変換部１２ｂによる適切な角度変換を保証することができる。これにより、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂによる予測の精度が確保される。

（第２の例示的構成）
第２の例示的構成では、第１の補助タスク解決部１７ａは、ソースドメイン角度予測値を正弦値、及び余弦値として出力するように構成され得る。

より具体的には、ソースドメイン画像データＩ^Ｓ及びソースドメイン角度変換パラメータΘ^Ｓがそれぞれ（Eq.２４）及び式（Eq.２５）で与えられるとき、第１の補助タスク解決部１７ａはソースドメイン特徴値Ｘ^Ｓ及び変換されたソースドメイン特徴値Ｘ’^Ｓから、ソースドメイン角度予測値Ｐ’^Ｓを以下のように予測してもよい。

具体例として、ソースドメイン補助ラベルデータＹ’^Ｓは、以下のように対応して与えられてもよい。

第１の補助損失計算部１８ａは、（Eq.３０）でソースドメイン角度予測値Ｐ’^Ｓが与えられ、（Eq.３１）でソースドメイン補助ラベルデータＹ’^Ｓが与えられた場合、ソースドメイン角度予測損失ｌｏｓｓ＿ａｎｇｌｅ＿ｐｒｅｄｉｃｔｉｏｎ＿Ｓ）を次のようにしてもよい。

なお、第２の補助タスク解決部１７ｂ、及び第２の補助損失計算部１８ｂについても、同様の構成を適用することができる。

第２の例示的構成によれば、第１の補助タスク解決部１７ａ、及び第２の補助タスク解決部１７ｂは、それぞれ第１の角度変換部１２ａ、及び第２の角度変換部１２ｂによる適切な角度変換を確保することができる。これにより、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂによる予測の精度が確保される。

（第３の例示的構成）
第３の例示的構成において、第１の補助タスク解決部１７ａ、及び第２の補助タスク解決部１７ｂは、特許請求の範囲に記載の「１または複数の画像再構成手段」の一例である。第１の補助損失計算部１８ａ、及び第２の補助損失計算部１８ｂは、特許請求の範囲に記載の「１または複数の再構成損失計算手段」の一例である。

第１の補助タスク解決部１７ａは、ソースドメイン特徴値Ｘ^Ｓ及び変換されたソースドメイン特徴値Ｘ’^Ｓからソースドメイン再構成画像を生成することができる。

具体例として、図１７の左上に示すように、角度０度、角度３０度の入力ソースドメイン画像データＩ^Ｓが与えられると、第１の補助タスク解決部１７ａは、ソースドメイン特徴値Ｘ^Ｓ及び変換されたソースドメイン特徴値Ｘ’^Ｓから、図１７の右上に示すように、角度０度、角度３０度、角度６０度、角度９０度のソースドメイン再構成画像を生成してもよい。

第１の補助損失計算部１８ａは、ソースドメイン再構成画像を参照して、ソースドメイン再構成損失を出力する。また、第１の補助損失計算部１８ａはソースドメイン再構成損失を出力する際に、ソースドメイン入力画像データを参照してもよい。

具体的には、第１の補助損失計算部１８ａは、ソースドメイン再構成画像とグランドトゥルースラベルデータである補助ラベルデータとを参照して、ソースドメイン再構成損失を出力する。

具体例として、（ｉ）図１７の右上に示されるような再構成画像、及び（ｉｉ）図１７の左下に示されるような補助ラベルデータが与えられると仮定する。第１の補助損失計算部１８ａは、図１７の右下に模式的に示すソースドメイン再構成画像と補助ラベルデータとの差分を計算することにより、ソースドメイン再構成損失（ｌｏｓｓ＿ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ＿Ｓ）を出力する。

同様に、第２の補助タスク解決部１７ｂは、ターゲットドメイン特徴値Ｘ^Ｔと変換後のターゲットドメイン特徴値Ｘ’^Ｔとから、ターゲットドメイン再構成画像を生成してもよい。

第２の補助損失計算部１８ｂは、ターゲットドメイン再構成画像を参照して、ターゲットドメイン再構成損失（ｌｏｓｓ＿ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ＿Ｔ）を出力する。なお、第２の補助損失計算部１８ｂは、ターゲットドメイン再構成損失を出力する際に、ターゲットドメイン入力画像データを参照してもよい。

マージ損失計算部１４５は、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）、ソースドメイン再構成損失（ｌｏｓｓ＿ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ＿Ｓ）、及びターゲットドメイン再構成損失（ｌｏｓｓ＿ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ＿Ｔ）のうちの少なくとも１つを参照して、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。

例えば、マージ損失計算部１４５は、以下のようにマージ損失を計算してもよい。

ここで、係数α、β、γ、δ、η’、ξ’は、重み係数を表しており、それらの具体的な値は第４の例示的実施形態を限定するものではない。なお、この第３の例示的構成において、モデル更新部１４６は、上述したマージ損失を参照して、第１の補助更新部１７ａ（再構成手段）及び第２の補助更新部１７ｂ（再構成手段）を更新してもよい。

第３の例示的構成によれば、第１の補助タスク解決部１７ａ、及び第２の補助タスク解決部１７ｂは、それぞれ第１の角度変換部１２ａ、及び第２の角度変換部１２ｂによる適切な角度変換を確保することができる。これにより、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂによる予測の精度が確保される。

（第４の例示的構成）
第４の例示的構成では、第１の補助タスク解決部１７ａ、及び第２の補助タスク解決部１７ｂは、特許請求の範囲に記載の「１または複数の角度変換判別手段」の一例である。第１の補助損失計算部１８ａ及び第２の補助損失計算部１８ｂは、特許請求の範囲に記載の「１または複数の変換判別損失計算手段」の実施例である。

また、第１の補助タスク解決部１７ａは、変換後のソースドメイン特徴値Ｘ’^Ｓからソースドメイン特徴値Ｘ^Ｓを判別する第１の変換判別処理を行ってもよい。

第１の補助損失計算部１８ａは、第１の変換判別処理の結果を参照して、ソースドメイン変換判別損失を出力してもよい。

具体的には、第１の補助損失計算部１８ａは、第１の変換判別処理の結果と、グランドトゥルースラベルデータである変換ラベルデータとを参照して、ソースドメイン変換判別損失を出力してもよい。

具体例として、第１の補助タスク解決部１７ａは、変換されたソースドメイン特徴値Ｘ’^Ｓから、ソースドメイン特徴値Ｘ^Ｓを判別する第１の変換判別処理を行い、当該第１の変換判別処理の結果として、ソースドメイン変換判別予測値Ｐ’^Ｓを出力してもよい。

具体例として、ソースドメイン補助ラベルデータＹ’^Ｓが、以下のように対応して与えられてもよい。

（Eq.３４）でソースドメイン変換判別予測値Ｐ’^Ｓが与えられ、（Eq.３５）でソースドメイン補助ラベルデータＹ’^Ｓが与えられた場合、第１の補助損失計算部１８ａは、次のようにソースドメイン変換判別損失値（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ ＿ｄｉｓｃｒｉｍｉｎａｔｉｏｎ＿Ｓ）を出力する。

第２の補助タスク解決部１７ｂは、変換後のターゲットドメイン特徴値からターゲットドメイン特徴値を判別する第２の変換判別処理を行ってもよい。

第２の補助損失計算部１８ｂは、第２の変換判別処理の結果として、ターゲットドメイン変換判別損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ＿Ｔ）を出力してもよい。

マージ損失計算部１４５は、ソースドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｓ）、ターゲットドメイン分類損失（ｌｏｓｓ＿ｃｌａｓｓｉｆｉｃａｔｉｏｎ＿Ｔ）、グループ損失（ｌｏｓｓ＿ｇｒｏｕｐｉｎｇ）、変換損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ）、ソースドメイン変換判別損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ ＿ｄｉｓｃｒｉｍｉｎａｔｉｏｎ＿Ｓ）、ターゲットドメイン変換判別損失（ｌｏｓｓ＿ｃｏｎｖｅｒｓｉｏｎ＿Ｔ）のうちの少なくとも１つを参照して、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。

例えば、マージ損失計算部１４５は、以下のようにマージ損失を計算してもよい。

ここで、係数α、β、γ、δ、τ’、τ’’は、重み係数を表しており、それらの具体的な値は第４の例示的実施形態を限定するものではない。なお、ソースドメイン変換判別損失の前の符号はマイナスである。つまり、モデル更新部１４６は、変換後のソースドメイン特徴値Ｘ’^Ｓが第１の補助タスク解決部１７ａによる変換判別結果の精度を低下させ得るように、第１の特徴抽出部１１ａ、第１の角度変換部１２ａ、及び第１の補助タスク解決部１７ａのモデルパラメータを更新する。すなわち、モデル更新部１４６は、変換された特徴Ｘ’^Ｓが第１の補助タスク解決部１７ａを混乱させ得るように、第１の特徴抽出部１１ａ、第１の角度変換部１２ａ及び第１の補助タスク解決部１７ａのモデルパラメータを更新する。

また、ターゲットドメイン変換判別損失の前の符号はマイナスであることに留意されたい。つまり、モデル更新部１４６は、ターゲットドメイン変換特徴Ｘ’^Ｔが第２の補助タスク解決部１７ｂによる変換判別結果の精度を低下させ得るように、第２の特徴抽出部１１ｂ、第２の角度変換部１２ｂ及び第２の補助タスク解決部１７ｂのモデルパラメータを更新する。すなわち、モデル更新部１４６は変換された特徴Ｘ’^Ｔが第２の補助タスク解決部１７ｂを混乱させ得るように、第２の特徴抽出部１１ｂ、第２の角度変換部１２ｂ、及び第２の補助タスク解決部１７ｂのモデルパラメータを更新する。

（有利な効果）
第１の補助タスク解決部１７ａ、第２の補助タスク解決部１７ｂ、第１の補助損失計算部１８ａ、第２の補助損失計算部１８ｂがない場合、訓練装置は、以下のような状況を引き起こす可能性がある。

変換されたターゲット特徴Ｘ’^Ｔは、ソースドメイン特徴Ｘ’^Ｓ、及び、ターゲットドメイン特徴Ｘ’^Ｔのいずれのようにも見えないことがある。これは、第１の角度変換部１２ａ、及び第２の角度変換部１２ｂの変換関数は、主にソースドメインから学習される一方で、角度変換部１２ａ、及び１２ｂが重みを共有するときには、ターゲットドメイン特徴に適用されるためである。

第１のクラス予測部１３ａ及び第２のクラス予測部１３ｂによる予測の精度を低下させる可能性があるため、このような状況は、好ましくない。

第４の例示的実施形態によれば、第１の補助タスク解決部１７ａ、及び第２の補助タスク解決部１７ｂは、それぞれ第１の角度変換部１２ａ、及び第２の角度変換部１２ｂによる適切な角度変換を保証することができる。これにより、第１のクラス予測部１３ａ、及び第２のクラス予測部１３ｂによる予測の精度が確保される。

（訓練装置による訓練方法）
以下、第４の例示的実施形態に係る訓練装置１０ｃの訓練方法について、図１８を用いて説明する。図１８は、訓練装置１０ｃによる訓練方法Ｓ１ｃの流れを示すフロー図である。

図１８に示すように、第４の例示的実施形態に係る訓練方法Ｓ１ｃは、第２の例示的実施形態に係る訓練方法Ｓ１ａに含まれる各ステップに加えて、ステップＳ１７ａ、ステップＳ１７ｂ、ステップＳ１８ａ、及びステップＳ１８ｂをさらに含む。以下では、第４の例示的実施形態に係る訓練方法Ｓ１ｃと、第２の例示的実施形態に係る訓練方法Ｓ１ａとの相違点についてのみ説明する。

（ステップＳ１７ａ）
ステップＳ１７ａにおいて、第１の補助タスク解決部１７ａは、ソースドメイン補助タスクを実行する。なお、第１の補助タスク解決部１７ａが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１８ａ）
ステップＳ１８ａにおいて、第１の補助損失計算部１８ａは、ソースドメイン変換判別損失を出力する。なお、第１の補助損失計算部１８ａが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１７ｂ）
ステップＳ１７ｂにおいて、第２の補助タスク解決部１７ｂは、ターゲットドメイン補助タスクを実行する。なお、第２の補助タスク解決部１７ｂが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１８ｂ）
ステップＳ１８ｂにおいて、第２の補助損失計算部１８ｂは、ターゲットドメイン変換判別損失を出力する。なお、第２の補助損失計算部１８ｂが行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

（ステップＳ１４５）
ステップＳ１４５において、マージ損失計算部１４５は、マージ損失（ｌｏｓｓ＿ｍｅｒｇｅ）を計算する。なお、マージ損失計算部１４５が行う具体的な処理については、上述したので、ここでは繰り返し説明しない。

なお、訓練方法Ｓ１ｃにおけるステップの順序は、第４の例示的実施形態を限定するものではない。例えば、訓練方法Ｓ１ｃにおいて、ステップ（Ｓ１７ａ、Ｓ１８ａ）及びステップＳ１４１～Ｓ１４４は、任意の順序で実行することができる。また、ステップ（Ｓ１７ｂ、Ｓ１８ｂ）及びステップＳ１４１～Ｓ１４４は、任意の順序で実行することができる。

（有利な効果）
第４の例示的実施形態によれば、訓練方法Ｓ１ｃは、訓練装置１０ｃと同様の効果を奏する。

（分類装置の構成）
以下、第４の例示的実施形態に係る分類装置の構成について説明する。第４の例示的実施形態に係る分類装置２０ｃは、図１１に示す分類装置２０ａと同様の構成を有する。

第４の例示的実施形態によれば、訓練装置１０ｃは、第１のクラス予測部１３ａ及び第２のクラス予測部１３ｂによって与えられる予測の精度を実現する。

したがって、第４の例示的実施形態に係る分類装置は、第２のクラス予測部１３ｂによるターゲットドメインの正確な分類プロセスを提供する。

＜第５の実施形態＞
以下、本発明の第５の例示的実施形態について、図面を用いて詳しく説明する。なお、上記例示的実施形態で説明した要素と同一の機能を有する要素には同一の符号を付し、その説明は適宜省略する。さらに、第５の例示的実施形態の概要は、前述の例示的実施形態の概要と同じであるので、ここでは説明しない。

（訓練装置の構成）
次に、第５の例示的実施形態実施形態に係る訓練装置１０ｄの構成について、図１９を用いて説明する。図１９は、訓練装置の構成を示す図である。図１９に示すように、第５の例示的実施形態に係る訓練装置１０ｄは、第３の例示的実施形態で説明した構成と、第４の例示的実施形態で説明した構成との両方を備える。

したがって、第５の例示的実施形態に係る訓練装置１０ｄは、第３の例示的実施形態の構成による効果と、第４の例示的実施形態の構成による効果との両方を奏する。

（分類装置の構成）
第５の例示的実施形態に係る分類装置２０ｄは、図１１に示す分類装置２０ａと同様の構成を有する。第５の例示的実施形態に係る訓練装置１０ｄは、第３の実施形態で説明した構成と、第４の例示的実施形態で説明した構成との両方を備える。また、第５の例示的実施形態に係る分類装置２０ｄは、訓練装置１０ｄによって訓練された特徴抽出部１１ｂ、角度変換部１２ｂ、及びクラス予測部１２ｂを備える。

したがって、第５の例示的実施形態に係る分類装置２０ｄは、第３の例示的実施形態に係る分類装置２０ｂによる効果と、第４の例示的実施形態に係る分類装置２０ｃによる効果との両方を奏する。

＜ソフトウェアで実現する構成例＞
訓練装置１０、１０ａ、１０ｂ、１０ｃ、１０ｄ及び分類装置２０、２０ａ、２０ｂ、２０ｃ、２０ｄの機能の一部または全部はＩＣチップ（ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）等のハードウエアで実現してもよいし、ソフトウェアで実現してもよい。

後者では、訓練装置１０、１０ａ、１０ｂ、１０ｃ、１０ｄ及び分類装置２０、２０ａ、２０ｂ、２０ｃ、２０ｄが例えば、上述した機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。図２０は、このようなコンピュータ（以下、「コンピュータＣ」という）の一例を示す。コンピュータＣは、少なくとも１つのプロセッサＣ１、及び少なくとも１つのメモリＣ２を含む。メモリＣ２は、コンピュータＣを訓練装置１０、１０ａ、１０ｂ、１０ｃ、１０ｄ及び分類装置２０、２０ａ、２０ｂ、２０ｃ、２０ｄのいずれかとして機能させるためのプログラムＰを記録する。コンピュータＣでは、プロセッサＣ１がメモリＣ２からプログラムＰを読み出して実行することにより、訓練装置１０、１０ａ、１０ｂ、１０ｃ、１０ｄ及び分類装置２０、２０ａ、２０ｂ、２０ｃ、２０ｄの機能が実現される。

プロセッサＣ１としては、例えば、ＣＰＵ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＧＰＵ（ｇｒａｐｈｉｃ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、ＭＰＵ（ｍｉｃｒｏ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＦＰＵ（ｆｌｏａｔｉｎｇ ｐｏｉｎｔ ｎｕｍｂｅｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＰＰＵ（ｐｈｙｓｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ。メモリＣ２は、一例として、フラッシュメモリ、ハードディスクドライブ（ＨＤＤ）、ＳＳＤ（ｓｏｌｉｄ ｓｔａｔｅ ｄｒｉｖｅ）、またはこれらの組合せとすることができる。

なお、コンピュータＣは、プログラムＰの実行時にプログラムＰがロードされ、各種のデータを一時的に記憶するＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）をさらに備えていてもよい。また、コンピュータＣは、他の装置との間でデータの送受信を行うための通信インターフェースをさらに備えることができる。また、コンピュータＣは、キーボード、マウス、ディスプレイ、プリンタ等の入出力装置を接続するための入出力インタフェースをさらに備えることができる。

プログラムＰは、コンピュータＣが読み取り可能な一時的でない有形の記録媒体Ｍに格納することができる。記録媒体Ｍが一例として、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路などである。コンピュータＣは、記録媒体Ｍを介してプログラムＰを取得することができる。プログラムＰが伝送媒体を介して伝送することができる。伝送媒体は、一例として、通信網、放送波等である。コンピュータＣは、このような伝送媒体を介してもプログラムＰを取得することができる。

［補足備考１］
本発明は、前述の例示的実施形態に限定されず、特許請求の範囲内で当業者によって様々な方法で変更され得る。例えば、上記例示的実施形態に開示されている技術的手段を適宜組み合わせて得られる例示的実施形態についても、その技術的範囲に含まれる本発明である。

［補足備考２］
以上に開示された例示的実施形態の全部または一部は、以下のようにして説明することができる。ただし、本発明は以下の実施例の態様に限定されない。

［補足］
本発明の態様は、以下のように表すこともできる：
（態様１）
訓練装置は、
入力されたソースドメイン画像データからソースドメイン特徴値を抽出し、入力されたターゲットドメイン画像データからターゲットドメイン特徴値を抽出する１または複数の特徴抽出手段と、
変換されたソースドメイン特徴値が、前記入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、
変換されたターゲットドメイン特徴値が、前記入力されたターゲットドメイン画像データと異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成する１または複数の角度変換手段と、
前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、
前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測する１または複数のクラス予測手段と、
前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
前記ソースドメイン特徴値、前記変換後のソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
を参照して、
（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうちの少なくとも１つを更新する更新手段と、
を備える。

上記構成によれば、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供することができる。

（態様２）
態様１に記載の訓練装置において、
前記１または複数の角度変換手段は、
１または複数のソースドメイン角度変換パラメータを参照して、前記変換されたソースドメイン特徴値を生成し、
１または複数のターゲットドメイン角度変換パラメータを参照して、前記変換されたターゲットドメイン特徴値を生成する。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様３）
態様１または２に記載の訓練装置であって、
前記更新手段は
前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からクラスグループを出力するためのグルーピング手段を備え、
クラスグループの各々は、同じクラスラベルを共有する特徴値を含む。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様４）
態様３に記載の訓練装置において、
前記更新手段は、前記クラスグループを参照して前記グループ損失を計算するグループ損失計算手段をさらに備える。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様５）
態様４に記載の訓練装置において、
前記グループ損失計算手段は、
同一クラス内の特徴値を参照して決定されたクラス内距離と、
異なるクラス内の特徴値量を参照して決定されたクラス間距離と
に基づいて、前記グループ損失を計算する。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様６）
態様１から５の何れかに記載の訓練装置において、
前記更新手段は、
前記ソースドメインクラス予測値、及びソースドメインクラスラベルデータを参照して前記ソースドメイン分類損失を計算し、
前記ターゲットドメインクラス予測値、及びターゲットドメインクラスラベルデータを参照して前記ターゲットドメイン分類損失を計算する、
１または複数の分類損失計算手段をさらに備える。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様７）
態様１から５の何れかに記載の訓練装置において、
前記更新手段は、
前記ソースドメイン特徴値と、前記変換されたソースドメイン特徴値と、前記ターゲットドメイン特徴値と、前記変換されたターゲットドメイン特徴値とを参照して、変換損失を計算する変換損失計算手段をさらに備える。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様８）
態様７に記載の訓練装置において、
前記更新手段は、
前記ソースドメイン分類損失、前記ターゲットドメイン分類損失、前記グループ損失、及び前記変換損失を参照してマージ損失を計算するマージ損失計算手段をさらに備え、
前記更新手段は、
前記マージ損失を参照して、（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうちの少なくとも１つを更新する。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様９）
態様１～８のいずれかに記載の訓練装置において、
ソースドメインからターゲットドメインを識別する識別処理を実行する１または複数のドメイン識別手段と、
前記識別処理の結果としてドメイン識別損失を出力する１つまたは複数のドメイン損失計算手段と
を更に備え、
前記更新手段はドメイン識別損失をさらに参照し、前記更新手段は、ドメイン識別手段をさらに更新する。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様１０）
態様１～９のいずれかに記載の訓練装置において、
前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメイン角度予測値を予測し、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメイン角度予測値を予測する１または複数の角度予測手段と、
ソースドメイン角度予測値、及びソースドメイン角度ラベルデータを参照してソースドメイン角度予測損失を出力し、ターゲットドメイン角度予測値、及びターゲットドメイン角度ラベルデータを参照してターゲットドメイン角度予測損失を出力する１または複数の角度予測損失計算手段と、
を備え、
前記更新手段はさらに、前記ソースドメイン角度予測損失、及び前記ターゲットドメイン角度予測損失を参照し、前記更新手段は、さらに前記角度予測手段を更新する。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様１１）
態様１～９のいずれかに記載の訓練装置において、
前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメイン再構成画像を生成し、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメイン再構成画像を生成する１または複数の画像再構成手段と、
ソースドメイン再構成画像、及びソースドメイン入力画像データを参照してソースドメイン再構成損失を出力し、ターゲットドメイン再構成画像、及びターゲットドメイン入力画像データを参照してターゲットドメイン再構成損失を出力する１または複数の再構成損失計算手段と
を備え、
前記更新手段は前記ソースドメイン再構成損失、及び前記ターゲットドメイン再構成損失をさらに参照し、前記更新手段は、前記画像再構成手段をさらに更新する。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様１２）
変換判別処理を実行して、前記変換されたソースドメイン特徴値から前記ソースドメイン特徴値を判別し、前記変換されたターゲットドメイン特徴値から前記ターゲットドメイン特徴値を判別する１または複数の変換判別手段と、
前記変換判別処理の結果を参照して、ソースドメイン変換判別損失、及びターゲットドメイン変換判別損失を出力する１または複数の変換判別損失計算手段と
を備え、
前記更新手段は前記ソースドメイン変換判別損失、及び前記ターゲットドメイン変換判別損失のうちの少なくとも１つをさらに参照し、前記更新手段は、変換判別手段をさらに更新する。

上記構成によれば、より効率的な訓練プロセスを提供することができる。

（態様１３）
分類装置は、
入力された画像データから特徴値を抽出する特徴抽出手段と
前記特徴値、及び変換された特徴値からクラス予測値を予測するクラス予測手段と
を備え、
前記特徴抽出手段、及び前記クラス予測手段の少なくとも一方は、前記入力された画像データとは異なる角度を有する画像データから抽出されたものであるかのように前記特徴値を変換することによって得られた変換後の特徴値を参照して訓練されている。

上記構成によれば、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、好適な分類プロセスを提供することができる。

（態様１４）
訓練方法は、
１または複数の特徴抽出手段によって、
入力されたソースドメイン画像データからソースドメイン特徴値を抽出し、入力されたターゲットドメイン画像データからターゲットドメイン特徴値を抽出することと、
１または複数の角度変換手段によって、
変換されたソースドメイン特徴値が、前記入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、
変換されたターゲットドメイン特徴値が、前記入力されたターゲットドメイン画像データとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成することと、
１または複数のクラス予測手段によって、前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、
前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測することと、
前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
を参照して、
（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうち少なくとも１つを更新することと、
を含む。

上記方法によれば、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、効率的な訓練プロセスを提供することができる。

（態様１５）
分類方法であって：
特徴抽出手段により、入力された画像データから特徴値を抽出することと、
クラス予測手段により、前記特徴値、及び変換後の特徴値からクラス予測値を予測することと
を含み、
前記特徴抽出手段、及び前記クラス予測手段の少なくとも一方は、前記入力された画像データとは異なる角度を有する画像データから抽出されたものであるかのように前記特徴値を変換することによって得られた変換後の特徴値を参照して訓練されている。

上記方法によれば、撮影角度のばらつきが限られた訓練用画像しか利用できない場合であっても、好適な分類プロセスを提供することができる。

（態様１６）
プログラムは、分類装置としてコンピュータを機能させるためのプログラムであって、前記特徴抽出手段、前記変換手段、及び前記クラス予測手段のそれぞれとしてコンピュータを機能させる。

（態様１７）
プログラムは、分類装置としてコンピュータを機能させるためのプログラムであって、 前記特徴抽出手段、前記変換手段、及び前記クラス予測手段のそれぞれとしてコンピュータを機能させる。

（態様１８）
少なくとも１つのプロセッサを備える訓練装置であって、
前記プロセッサは、
１または複数の特徴抽出手段によって、
入力されたソースドメイン画像データからソースドメイン特徴値と、
入力されたターゲットドメイン画像データからターゲットドメイン特徴値と、
を抽出し、
１または複数の角度変換手段によって、
変換されたソースドメイン特徴値が、前記入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値と、
変換されたターゲットドメイン特徴値が、前記入力されたターゲットドメイン画像データと異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値と、
を生成し、
１または複数のクラス予測手段によって、
前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値と、
前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値と、
を予測し、
更新手段によって、
前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
前記ソースドメイン特徴値、前記変換後のソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
を参照して、
（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうちの少なくとも１つを更新する。

なお、訓練装置は、メモリをさらに備えていてもよい。メモリには、プロセッサに処理を実行させるためのプログラムを格納することができる。代替的に、プログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録され得る。

（態様１９）
少なくとも１つのプロセッサを備える分類装置であって、
前記プロセッサは、
特徴抽出手段によって、入力された画像データから特徴値を抽出し
クラス予測手段によって、特徴値、及び変換された特徴値からクラス予測値を予測し、
前記特徴抽出手段、及び前記クラス予測手段の少なくとも一方は、前記入力された画像データとは異なる角度を有する画像データから抽出されたものであるかのように前記特徴値を変換することによって得られた変換後の特徴値を参照して訓練されている。

なお、分類装置は、メモリをさらに備えていてもよい。メモリには、プロセッサに処理を実行させるためのプログラムを格納することができる。代替的に、プログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録され得る。

１０、１０ａ、１０ｂ、１０ｃ、１０ｄ 訓練装置
２０、２０ａ、２０ｂ、２０ｃ、２０ｄ 分類装置
１１、１１ａ、１１ｂ 特徴抽出部
１２、１２ａ、１２ｂ 角度変換部
１３、１３ａ、１３ｂ クラス予測部
１４、１４ａ 更新部
１４１ 分類損失計算部
１４２ グルーピング部
１４３ グループ損失計算部
１４４ 変換損失計算部
１４５ マージ損失計算部
１４６ モデル更新部
１５ ドメイン判別部
１６ ドメイン損失計算部
１７ａ、１７ｂ 補助タスク解決部
１８ａ、１８ｂ 補助損失計算部

Claims (10)

1. 入力されたソースドメイン画像データからソースドメイン特徴値を抽出し、入力されたターゲットドメイン画像データからターゲットドメイン特徴値を抽出する１または複数の特徴抽出手段と、
   変換されたソースドメイン特徴値が、前記入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、
   変換されたターゲットドメイン特徴値が、前記入力されたターゲットドメイン画像データと異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成する１または複数の角度変換手段と、
   前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、
   前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測する１または複数のクラス予測手段と、
   前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
   前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
   を参照して、（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうちの少なくとも１つを更新する更新手段と、
   を備える訓練装置。
2. 前記１または複数の角度変換手段は、
   １または複数のソースドメイン角度変換パラメータを参照して、前記変換されたソースドメイン特徴値を生成し、
   １または複数のターゲットドメイン角度変換パラメータを参照して、前記変換されたターゲットドメイン特徴値を生成する、
   請求項１に記載の訓練装置。
3. 前記更新手段は
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からクラスグループを出力するためのグルーピング手段と、
   前記クラスグループを参照して前記グループ損失を計算するグループ損失計算手段と、
   を備え、
   クラスグループの各々は、同じクラスラベルを共有する特徴値を含み、
   前記グループ損失計算手段は、
   同一クラス内の特徴値を参照して決定されたクラス内距離と、
   異なるクラス内の特徴値量を参照して決定されたクラス間距離と
   に基づいて、前記グループ損失を計算する、
   請求項１または２に記載の訓練装置。
4. 前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメイン再構成画像を生成し、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメイン再構成画像を生成する１または複数の画像再構成手段と、
   ソースドメイン再構成画像、及びソースドメイン入力画像データを参照してソースドメイン再構成損失を出力し、ターゲットドメイン再構成画像、及びターゲットドメイン入力画像データを参照してターゲットドメイン再構成損失を出力する１または複数の再構成損失計算手段と
   を備え、
   前記更新手段は前記ソースドメイン再構成損失、及び前記ターゲットドメイン再構成損失をさらに参照し、前記更新手段は、前記画像再構成手段をさらに更新する、
   請求項１から３のいずれか１項に記載の訓練装置。
5. 変換判別処理を実行して、前記変換されたソースドメイン特徴値から前記ソースドメイン特徴値を判別し、前記変換されたターゲットドメイン特徴値から前記ターゲットドメイン特徴値を判別する１または複数の変換判別手段と、
   前記変換判別処理の結果を参照して、ソースドメイン変換判別損失、及びターゲットドメイン変換判別損失を出力する１または複数の変換判別損失計算手段と
   を備え、
   前記更新手段は前記ソースドメイン変換判別損失、及び前記ターゲットドメイン変換判別損失のうちの少なくとも１つをさらに参照し、前記更新手段は、変換判別手段をさらに更新する、
   請求項１から３のいずれか１項に記載の訓練装置。
6. 入力された画像データから特徴値を抽出する特徴抽出手段と
   前記特徴値からクラス予測値を予測するクラス予測手段と
   を備え、
   前記特徴抽出手段、及び前記クラス予測手段の少なくとも一方は、
   ソースドメイン画像データからソースドメイン特徴値を抽出し、ターゲットドメイン画像データからターゲットドメイン特徴値を抽出する１または複数の特徴抽出処理と、
   変換されたソースドメイン特徴値が、前記ソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、
   変換されたターゲットドメイン特徴値が、前記ターゲットドメイン画像データと異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成する１または複数の角度変換処理と、
   前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、
   前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測する１または複数のクラス予測処理と、
   前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
   前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
   を参照して前記特徴抽出手段、及び前記クラス予測手段の前記少なくとも一方を更新する更新処理と
   によって訓練されたものである
   分類装置。
7. １または複数の特徴抽出手段によって、
   入力されたソースドメイン画像データからソースドメイン特徴値を抽出し、
   入力されたターゲットドメイン画像データからターゲットドメイン特徴値を抽出する
   ことと、
   １または複数の角度変換手段によって、
   変換されたソースドメイン特徴値が、前記入力されたソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、
   変換されたターゲットドメイン特徴値が、前記入力されたターゲットドメイン画像データとは異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成することと、
   １または複数のクラス予測手段によって、
   前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、
   前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測することと、
   前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
   前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
   を参照して、（ｉ）前記１または複数の特徴抽出手段、（ｉｉ）前記１または複数の角度変換手段、及び（ｉｉｉ）前記１または複数のクラス予測手段のうち少なくとも１つを更新することと、
   を含む訓練方法。
8. 特徴抽出手段により、入力された画像データから特徴値を抽出することと、
   クラス予測手段により、前記特徴値、及び変換された特徴値からクラス予測値を予測することと
   を含み、
   前記特徴抽出手段、及び前記クラス予測手段の少なくとも一方は、
   ソースドメイン画像データからソースドメイン特徴値を抽出し、ターゲットドメイン画像データからターゲットドメイン特徴値を抽出する１または複数の特徴抽出処理と、
   変換されたソースドメイン特徴値が、前記ソースドメイン画像データとは異なる角度を有するソースドメイン画像データから抽出されたものであるかのように、前記ソースドメイン特徴値を変換することによって当該変換されたソースドメイン特徴値を生成し、
   変換されたターゲットドメイン特徴値が、前記ターゲットドメイン画像データと異なる角度を有するターゲットドメイン画像データから抽出されたものであるかのように、前記ターゲットドメイン特徴値を変換することによって当該変換されたターゲットドメイン特徴値を生成する１または複数の角度変換処理と、
   前記ソースドメイン特徴値、及び前記変換されたソースドメイン特徴値からソースドメインクラス予測値を予測し、
   前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値からターゲットドメインクラス予測値を予測する１または複数のクラス予測処理と、
   前記ソースドメインクラス予測値を参照して計算されたソースドメイン分類損失、
   前記ターゲットドメインクラス予測値を参照して計算されたターゲットドメイン分類損失、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算された変換損失、及び、
   前記ソースドメイン特徴値、前記変換されたソースドメイン特徴値、前記ターゲットドメイン特徴値、及び前記変換されたターゲットドメイン特徴値を参照して計算されたグループ損失
   を参照して前記特徴抽出手段、及び前記クラス予測手段の前記少なくとも一方を更新する更新処理と
   によって訓練されたものである
   分類方法。
9. 請求項１に記載の訓練装置としてコンピュータを機能させるためのプログラムであって、前記特徴抽出手段、前記クラス予測手段、前記角度変換手段、及び前記更新手段のそれぞれとして前記コンピュータを機能させるためのプログラム。
10. 請求項６に記載の分類装置としてコンピュータを機能させるためのプログラムであって、前記特徴抽出手段、及び前記クラス予測手段のそれぞれとしてコンピュータを機能させるためのプログラム。
    

Images