JP7736062B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents
情報処理装置、情報処理方法及びプログラムInfo
- Publication number
- JP7736062B2 JP7736062B2 JP2023525231A JP2023525231A JP7736062B2 JP 7736062 B2 JP7736062 B2 JP 7736062B2 JP 2023525231 A JP2023525231 A JP 2023525231A JP 2023525231 A JP2023525231 A JP 2023525231A JP 7736062 B2 JP7736062 B2 JP 7736062B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- original image
- information processing
- class
- new image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—Two-dimensional [2D] image generation
- G06T11/60—Creating or editing images; Combining images with text
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (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。
対象画像に対して画像識別処理を適用する技術が知られている。例えば、特許文献１には、欠損領域に対して修復処理を行った画像を評価するための機械学習を行わせる学習データを自動で生成することができる学習データ生成装置が開示されている。また、特許文献２には、既存の学習用データを用いて新たな学習用データを生成する際に、冗長な学習用データの生成を抑制する情報処理装置が開示されている。
特許文献１及び特許文献２に開示されるように、画像識別装置の識別精度を向上させたいというニーズが存在するが、取得可能な学習用データを用いて学習を行ったとしても、識別精度が期待ほど向上しないという課題がある。
本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的の一例は、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制する技術を提供することである。
本発明の一側面に係る情報処理装置は、複数のクラスのいずれかに属する元画像を取得する取得手段と、画像生成方法を規定するパラメータを決定する決定手段と、当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段と、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段とを備えている。
（削除）
（削除）
本発明の一側面に係る情報処理方法は、少なくとも１つのプロセッサ複数のクラスのいずれかに属する元画像を取得すること、画像生成方法を規定するパラメータを決定すること、当該元画像から、決定された前記パラメータを用いて新たな画像を生成すること、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成すること、を含む。
（削除）
本発明の一側面に係るプログラムは、コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、複数のクラスのいずれかに属する元画像を取得する取得手段、画像生成方法を規定するパラメータを決定する決定手段、当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段、及び前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段として機能させる。
（削除）
本発明の一態様によれば、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制する技術を提供することができる。
〔例示的実施形態１〕
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。
（情報処理装置１の構成）
本例示的実施形態に係る情報処理装置１の構成について、図１を参照して説明する。図１は、情報処理装置１の構成を示すブロック図である。図１に示すように、情報処理装置１は、取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４を備えている。
本例示的実施形態に係る情報処理装置１の構成について、図１を参照して説明する。図１は、情報処理装置１の構成を示すブロック図である。図１に示すように、情報処理装置１は、取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４を備えている。
取得部１１は、特許請求の範囲に記載した「取得手段」の一形態であり、決定部１２は、特許請求の範囲に記載した「決定手段」の一形態であり、画像生成部１３、は、特許請求の範囲に記載した「画像生成手段」の一形態であり、データ生成部１４は、特許請求の範囲に記載した「データ生成手段」の一形態である。
取得部１１は、複数のクラスのいずれかに属する元画像を取得する。取得部１１が元画像を取得する取得先は限定されない。例えば、外部のデータベースに記録された画像を取得してもよく、情報処理装置１有する図示しないメモリに記録された画像を取得してもよい。元画像には元画像が属するクラスに対応するラベルが付されている。取得部１１が取得する画像を元画像と称する。取得部１１は、取得した元画像を決定部１２へ送信する。
決定部１２は、取得部１１から元画像を受信した場合、画像生成方法を規定するパラメータを決定する。画像生成方法とは、画像生成部１３が行う、元画像から新たな画像を生成する方法である。パラメータには、一例として、画像を変更する方法を規定するパラメータと、その画像変更方法において、元画像に対してどの程度の変更を加えるかを規定するパラメータが含まれる。決定部１２は、１つの元画像に対して１つ又は複数のパラメータを決定する。決定部１２は、元画像と決定したパラメータを画像生成部１３へ送信する。
画像生成部１３は、元画像から、決定部１２が決定したパラメータを用いて新たな画像を生成する。具体的には、画像生成部１３は、決定部１２から元画像とパラメータを受信した場合は、元画像に対して当該パラメータに基づく所定の変更を加えることにより、新たな画像を生成する。所定の変更とは、例えば、色相の変更、文字の変更、スタイルの変更等である。画像生成部１３が生成する新たな画像は、元画像と似てはいるが、異なるクラスに属する画像である。新たな画像が属するクラスは、元画像の属するクラスとは異なるが、画像の内容は元画像と似ているため、疑似クラスとも称する。つまり、画像生成部１３は、元画像に類似する疑似クラスの新たな画像を生成する。画像生成部１３は、元画像のラベルと生成した新たな画像をデータ生成部１４へ送信する。画像生成部１３は、新たな画像を生成するのに用いたパラメータも含めてデータ生成部１４へ送信してもよい。
データ生成部１４は、画像生成部１３から新たな画像を受信した場合、その新たな画像に付与する、元画像が属するクラスとは異なるクラスのラベルを決定する。データ生成部１４は、新たな画像と、新たな画像に付与されたラベルであって、元画像が属するクラスとは異なるクラスのラベルとを含むデータを生成する。つまり、新たな画像と、それに付与されたラベルのセットをデータと称する。データ生成部１４は、パラメータも含めてデータを生成してもよい。
なお、図１では、取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４は１つの情報処理装置１としてまとめて配置されているように記載しているが、必ずしもその必要はない。即ち、これらのうちの少なくとも一部が別々に配置され、これらが有線又は無線で互いに情報通信可能に接続されていてもよい。また、これらのうちの少なくとも一部がクラウド上に配置されていてもよい。
また、情報処理装置１は、少なくとも１つのプロセッサを備えており、このプロセッサが、記憶されたプログラムを読み込んで、取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４として機能する構成を有していてもよい。このような構成については後述する。
以上のように、本例示的実施形態に係る情報処理装置１においては、取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４を備えるという構成が採用されている。このため、本例示的実施形態に係る情報処理装置１によれば、疑似クラスに属する新たな画像を生成することができる。そして、生成した新たな画像を用いて、物品の画像を識別する識別器を学習させることができる。従って、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができるという効果が得られる。
（情報処理方法Ｓ１）
次に、本例示的実施形態に係る情報処理装置１が実行する情報処理方法Ｓ１について、図２を参照して説明する。図２は、情報処理方法Ｓ１の流れを示すフロー図である。図２に示すように、情報処理方法Ｓ１は次のステップを含む。
次に、本例示的実施形態に係る情報処理装置１が実行する情報処理方法Ｓ１について、図２を参照して説明する。図２は、情報処理方法Ｓ１の流れを示すフロー図である。図２に示すように、情報処理方法Ｓ１は次のステップを含む。
（ステップＳ１１）
ステップＳ１１において、少なくとも１つのプロセッサ（取得部１１）は、複数のクラスのいずれかに属する元画像を取得する。
ステップＳ１１において、少なくとも１つのプロセッサ（取得部１１）は、複数のクラスのいずれかに属する元画像を取得する。
（ステップＳ１２）
ステップＳ１２において、少なくとも１つのプロセッサ（決定部１２）は、画像生成方法を規定するパラメータを決定する。
ステップＳ１２において、少なくとも１つのプロセッサ（決定部１２）は、画像生成方法を規定するパラメータを決定する。
（ステップＳ１３）
ステップＳ１３において、少なくとも１つのプロセッサ（画像生成部１３）は、当該元画像から、決定部１２が決定したパラメータを用いて新たな画像を生成する。
ステップＳ１３において、少なくとも１つのプロセッサ（画像生成部１３）は、当該元画像から、決定部１２が決定したパラメータを用いて新たな画像を生成する。
（ステップＳ１４）
ステップＳ１４において、少なくとも１つのプロセッサ（データ生成部１４）は、新たな画像と、新たな画像に付与されたラベルであって、元画像が属するクラスとは異なるクラスのラベルとを含むデータを生成する。生成されたデータは、所定のデータベースに記録される。
ステップＳ１４において、少なくとも１つのプロセッサ（データ生成部１４）は、新たな画像と、新たな画像に付与されたラベルであって、元画像が属するクラスとは異なるクラスのラベルとを含むデータを生成する。生成されたデータは、所定のデータベースに記録される。
また、情報処理装置１が実行するデータ製造方法は、情報処理方法Ｓ１と同様に以下のステップを含む。即ち、データ製造方法は、少なくとも１つのプロセッサが、複数のクラスのいずれかに属する元画像を取得するステップ、画像生成方法を規定するパラメータを決定するステップ、当該元画像から、決定されたパラメータを用いて新たな画像を生成するステップ、新たな画像と、新たな画像に付与されたラベルであって、元画像が属するクラスとは異なるクラスのラベルとを含むデータを生成するステップを含む。
以上のように、本例示的実施形態に係る情報処理方法Ｓ１及びデータ製造方法においては、少なくとも１つのプロセッサが、複数のクラスのいずれかに属する元画像を取得すること、画像生成方法を規定するパラメータを決定すること、当該元画像から、決定されたパラメータを用いて新たな画像を生成すること、新たな画像と、新たな画像に付与されたラベルであって、元画像が属するクラスとは異なるクラスのラベルとを含むデータを生成することを含むという構成が採用されている。つまり、本例示的実施形態に係る情報処理方法Ｓ１によれば、物品の画像を識別する識別器を学習させることができる学習データを生成することができる。従って、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができるという効果が得られる。
（情報処理システム２の構成）
次に、本例示的実施形態に係る情報処理システム２について、図面を参照して説明する。図３は、本例示的実施形態に係る情報処理システム２の構成を示すブロック図である。
次に、本例示的実施形態に係る情報処理システム２について、図面を参照して説明する。図３は、本例示的実施形態に係る情報処理システム２の構成を示すブロック図である。
図３に示すように、情報処理システム２は、取得部１１、決定部１２、画像生成部１３、データ生成部１４、及びデータベース２５を備えている。取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４は、先に情報処理装置１で説明したとおりである。取得部１１、決定部１２、画像生成部１３、データ生成部１４、及びデータベース２５は、インターネットを含むネットワークＮを介して互いに情報通信可能に接続されている。なお、これらの各部のすべてがネットワークＮを介して接続されている必要はなく、一部は無線又は有線で直接接続されていてもよい。また、これらの各部の少なくとも一部がクラウド上にあってもよい。
取得部１１は、データベース２５から元画像を取得する。データベース２５には、複数のクラスに分類された複数の画像が記録されている。例えば、図３に示す例では、クラスＡからクラスＺまでの異なるクラスに分類された画像が記録されている。クラスＡには、同じクラスＡに属する複数の画像Ａ１、Ａ２、…Ａｍの画像が記録されており、それぞれ例えばＡという物品名のラベルが付与されている。クラスＺには同じクラスＺに属する複数の画像Ｚ１、Ｚ２、…Ｚｎの画像が記録されており、それぞれの画像にはＺという物品名のラベルが付与されている。つまり、クラスは識別器で識別させたい物品ごとにラベルが付されて分類されている。
データ生成部１４が生成したデータは、データベース２５に記録される。あるいは、データ生成部１４が生成したデータは、データベース２５とは異なるデータベースに記録されてもよい。データ生成部１４が生成したデータは、一例として、元画像Ａ１から画像生成部１３が生成した画像Ａ１’にラベルＡ’が付与されたデータである。図３では、ラベルＡ’が付与された画像Ａ１’がクラスＡ’としてデータベース２５に記録された状態を例示している。
以上の構成を有する情報処理システム２においては、上述の情報処理装置１により得られる効果と同様の効果を得ることができる。
〔例示的実施形態２〕
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。本例示的実施形態では、一例として、商品のクラスを識別する情報処理装置３について説明する。
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。本例示的実施形態では、一例として、商品のクラスを識別する情報処理装置３について説明する。
例えば、小売店舗等においては、在庫管理及び価格管理等に利用する識別装置が導入されている。この識別装置は、商品パッケージの画像を用いて商品を識別する。小売店舗では、新たな種類の商品や新たなパッケージの商品を数多く取り扱う必要がある。新たな種類の商品、又は新たなパッケージの商品（併せて「新たな商品」という）は、その商品の種類とそのパッケージの画像を識別装置に新たなクラスとして登録することにより、その商品の識別が可能となる。
しかし、日々入荷する新たな商品の画像のすべてを識別装置に登録することは困難である。そのため、登録されていない新たな商品は、既存の登録クラスに属しない新たな商品であると識別できるように、識別装置を学習させることが望まれる。しかし、登録された商品と外観はよく似ているが、登録された商品とは異なると識別できるように識別装置を学習させる学習データを集めることは容易ではない。
本例示的実施形態に係る情報処理装置１は、商品のクラスの識別装置（識別器）を学習させるためのデータを生成する装置である。この識別装置は、例えば、ある画像がすでに登録されている商品のクラスのいずれかに属する画像であるか、それとも登録されたどの商品のクラスにも属さない画像であるかを識別する装置である。クラスとは、実質的に同じ商品の画像が属するグループを指し、それぞれのクラスにそれぞれのラベルが付与されている。クラスは具体的な商品の種類ごとに設定され、それぞれのクラスにラベルとして例えば商品名が付されている。ただし、同じ商品名でもパッケージが更新された商品は別のクラスの商品として扱い、そのクラスには異なるラベルが付与される。
一般に、商品パッケージは、猫又は車といった特定の特徴を持たない、不定形の形状、模様、文字列、色彩等が組み合わされたデザイン的な意匠で構成されている。そして、その一部だけが変更されたデザインを有する商品パッケージも多い。そのため、あるパッケージの商品がすでに登録されたクラスの商品と同じか異なるかを分類する画像識別器を学習させるためには、登録されたクラスの商品パッケージの画像とよく似ているが、異なるクラスに属する商品パッケージの画像を用いて学習させることが好ましい。情報処理装置１は、そのような学習のための画像を生成する装置である。商品のパッケージの画像は商品画像とも称する。
（情報処理装置３の構成）
図４は、例示的実施形態２に係る情報処理装置３の構成を示すブロック図である。情報処理装置３は、取得部１１、決定部１２、画像生成部１３、データ生成部１４、及び相違度判定部３５を備えている。
図４は、例示的実施形態２に係る情報処理装置３の構成を示すブロック図である。情報処理装置３は、取得部１１、決定部１２、画像生成部１３、データ生成部１４、及び相違度判定部３５を備えている。
取得部１１は、一例として、商品画像のデータベースから、登録された複数の商品クラス（以下、単に「クラス」とも称する。）のいずれかに属する元の商品画像（以下、単に「元画像」とも称する。）を取得する。データベースには、複数のクラスのいずれかに分類された商品画像が複数保存されている。取得部１１は、取得した元画像を決定部１２へ送信する。
決定部１２は、取得部１１から元画像を受信した場合は、新たな商品画像（以下、単に「新たな画像」とも称する。）の生成方法を規定するパラメータを決定する。又は、決定部１２は、相違度判定部３５から元画像とパラメータを受信した場合は、そのパラメータを変更する。決定部１２は、パラメータを決定又は変更すると、元画像とパラメータを画像生成部１３へ送信する。
画像生成部１３は、元画像とパラメータを決定部１２から受信すると、そのパラメータを用いて、元画像から新たな画像を生成する。画像生成部１３は、新たな画像を生成した後、元画像と新たな画像を相違度判定部３５へ送信する。
相違度判定部３５は、元画像と、元画像から生成された新たな画像との相違度を導出して第１の閾値と比較する。相違度判定部３５は、特許請求の範囲に記載した「相違度判定手段」の一形態である。相違度判定部３５は、元画像と新たな画像との相違度が第１の閾値より小さい場合は、元画像とパラメータを決定部へ送信する。相違度判定部３５は、元画像と新たな画像との相違度が第１の閾値以上である場合は、元画像のラベルと新たな画像をデータ生成部１４へ送信する。
データ生成部１４は、相違度判定部３５から元画像のラベルと新たな画像を受信した場合は、新たな画像と、新たな画像に付与されたラベルであって、元の商品画像が属するクラスとは異なるクラスのラベルとを含むデータを生成する。
（画像の生成方法）
次に、画像生成部１３が、元画像から新たな画像を生成する方法について、図面を参照して説明する。図５は、情報処理装置３の画像生成部１３が実行する、新たな画像を生成する方法例を示す図である。画像生成部１３は、少なくとも一部の色の変換、少なくとも一部の文字の置換、スタイル変換、画像生成モデルによる内挿、画像の一部の置換又は重畳、のうちの少なくとも１つを用いて新たな画像を生成する。具体的には、画像生成部１３は、決定部１２が決定したパラメータを用いて新たな画像を生成する。パラメータには、新たな画像を生成する方法を特定する方法パラメータＭと、その方法Ｍを用いて新たな画像を生成する場合に、その方法Ｍによる画像変換の変換値、もしくは変換程度又は変換範囲等を特定する変換パラメータＴとが含まれる。
次に、画像生成部１３が、元画像から新たな画像を生成する方法について、図面を参照して説明する。図５は、情報処理装置３の画像生成部１３が実行する、新たな画像を生成する方法例を示す図である。画像生成部１３は、少なくとも一部の色の変換、少なくとも一部の文字の置換、スタイル変換、画像生成モデルによる内挿、画像の一部の置換又は重畳、のうちの少なくとも１つを用いて新たな画像を生成する。具体的には、画像生成部１３は、決定部１２が決定したパラメータを用いて新たな画像を生成する。パラメータには、新たな画像を生成する方法を特定する方法パラメータＭと、その方法Ｍを用いて新たな画像を生成する場合に、その方法Ｍによる画像変換の変換値、もしくは変換程度又は変換範囲等を特定する変換パラメータＴとが含まれる。
例えば、方法パラメータＭとしては、色の変換を行う色変換方法Ｍ１、文字を別の文字に置換する文字置換方法Ｍ２、大局的な形状と線を残しつつ、色の組み合わせ等を変換するスタイル変換方法Ｍ３、画像生成モデルを用いた画像間内挿方法Ｍ４、画像の一部を置換し、又は画像の一部に他の画像やパターンを重畳する画像置換方法Ｍ５等がある。決定部１２は、まず方法パラメータＭを決定し、次いでこれらの方法ごとに、具体的に変換値、もしくは変換程度又は変換範囲等を特定する変換パラメータＴを決定する。
色変換方法Ｍ１は、例えば、元画像の色をＨＳＶ形式で表現し、その色相（Ｈｕｅ）、彩度（Ｓａｔｕｒａｔｉｏｎ）、明度（Ｖａｌｕｅ）、コントラスト等を変化させる方法である（図示せず）。例えば、元画像の色相をＨＳＶ形式で円環状に配列し、これを所定の角度だけ回転させた色に変換することにより、色相が異なる新たな画像が生成される。色変換方法Ｍ１のうち、色相を用いる場合、変換パラメータＴ１は、円環状に配列した色相を回転させる角度である。色相は、右回りに、赤→緑→青の順に配列されており、回転させた角度に応じて元画像の色が変換される。
文字置換方法Ｍ２は、図５の２０１に示すように、元画像２０１１中の文字（列）部分を別の文字（列）に置換することにより、新たな画像２０１２を生成する方法である。文字置換方法Ｍ２を用いる場合、変換パラメータＴ２は、置換する文字（列）の割合、置換後の文字（列）の種類、フォント等である。
スタイル変換方法Ｍ３は、図５の２０２に示すように、元画像２０２１に別の画像２０２２を組み合わせて新たな画像２０２３を生成する方法である。スタイル変換方法Ｍ３として、例えば、ＡｄａＩＮ（Adaptive Instance Normalization）を用いて新たな画像を生成することができる。スタイル変換方法Ｍ３を用いる場合、変換パラメータＴ３は、別の画像の種類、スタイルの種類、色空間値等である。
画像間内挿方法Ｍ４は、２つの画像の特徴の量を変えて組み合わせた中間的な画像を生成する方法である。図５の２０３に示す例では、図の上部２０３１は、手書き数字の３と２の特徴を組み合わせた画像を示しており、左側にいくほど３の特徴が大きく、右側にいくほど２の特徴が大きい。図の下部２０３２は、同様に手書き数字の５と６の特徴を組み合わせた画像であり、左側にいくほど５の特徴が大きく、右側にいくほど６の特徴が大きい。画像間内挿方法Ｍ４を用いる場合、変換パラメータＴ４は、２つの画像の特徴量の割合である。２つの画像の特徴量の割合をどの程度にするかは、学習された識別器の識別能力によって決めてもよい。又は、２つの画像の特徴量の割合は、パッケージの変更のパターンに基づいて決めてもよい。
画像置換方法Ｍ５は、画像の一部の領域を、異なる画像又はパターンに置換する方法、又は画像の一部の領域に、異なる画像又はパターンを重畳する方法である。図５の２０４に示す例では、元画像２０４１に対して、星マーク２０４３を重畳して新たな画像２０４２が生成されている。異なる画像又はパターンを重畳する場合は、αブレンド法等を用いることができる。画像置換方法Ｍ５を用いる場合、変換パラメータＴ５は、一部領域の割合、異なる画像又はパターンの指定、α値等である。
画像生成部１３は、元画像１つから、複数の新たな画像を生成してもよい。例えば、画像生成部１３は、元画像１つに対して、複数の画像生成方法を用いて複数の新たな画像を生成してもよく、同じ画像生成方法でも変換パラメータＴを変えることにより複数の新たな画像を生成してもよい。
以上のように、画像生成部１３は、元画像から様々な方法により新たな画像を生成することができ、その方法は上述の方法に限定されるわけではない。なお、画像生成部１３は、例えばニューラルネットワークを用いた学習済のモデルを用いてもよい。特に、画像生成部１３は、例えばスタイル変換方法Ｍ３又は画像間内挿方法Ｍ４等を採用する場合に、ニューラルネットワークを用いた学習済のモデルを用いることが好ましい。
（相違度導出方法）
次に、相違度の導出方法と第１の閾値について説明する。相違度は、数値として導出され、その数値が予め設定された第１の閾値と比較される。相違度の導出方法は限定されないが、例えば以下のような方法を用いることができる。
次に、相違度の導出方法と第１の閾値について説明する。相違度は、数値として導出され、その数値が予め設定された第１の閾値と比較される。相違度の導出方法は限定されないが、例えば以下のような方法を用いることができる。
元画像と新たな画像との相違度は、一例として、ニューラルネットワークを用いて導出することができる。例えば、相違度判定部３５は、元画像と新たな画像の２つの画像を、ＶＧＧ１６等の学習された画像認識ニューラルネットワークに入力し、複数のレイヤの出力の差分の平均値又は合計値を導出し、それを相違度としてもよい。あるいは、相違度判定部３５は、ニューラルネットワークを用いた文字認識を行い、画像中の文字の不一致度を導出し、それを相違度としてもよい。
また、ニューラルネットワークを用いない方法として、相違度判定部３５は、２つの画像の画素値の差分の平均値又は合計値を導出し、それを相違度としてもよい。あるいは、相違度は、判定者（ユーザ）に判定させて決定してもよい。例えば、相違度判定部３５は、２つの画像をディスプレイに表示し、判定者に２つの画像の相違度を予め設定した数値の範囲内で入力させ、ユーザが入力した数値を相違度と判定する。入力させる相違度の範囲として、例えば、ユーザが、２つの画像は同じ商品パッケージであると判定した場合を０とし、ユーザが、２つの画像は明らかに異なる商品パッケージであると判定した場合を１とする規格化された数値範囲としてもよい。
ユーザが判定する場合で、新たな画像が元画像とほとんど同じであると判定される程度に相違度が小さい場合は、より相違度が大きい新たな画像を画像生成部１３に生成させることが好ましい。従って、決定部１２は、相違度が第１の閾値よりも小さい場合に、相違度が大きくなるようにパラメータを変更する。相違度を大きくするためのパラメータ変更としては、例えば、色変換方法Ｍ１の場合は、回転角度を大きくすることができる。また、文字置換方法Ｍ２の場合は、変換する文字数を大きくする（増やす）、あるいは、ひらがな、カタカナ、漢字等の文字種を変えることができる。また、画像置換方法Ｍ５の場合は、置換領域の面積を大きくすることができる。
なお、パラメータを変更しても相違度が大きくなるかどうか不明な場合もある。そこで、決定部１２は、相違度が第１の閾値よりも小さい場合に、パラメータをランダムに変更してもよい。ランダムに変更したパラメータを用いて生成された新たな画像の相違度を判定し、相違度が大きくなれば、そのパラメータを継続して、あるいは更に大きくして用いることができる。
また、元画像とその元画像からあるパラメータを用いて生成された新たな画像の相違度が第１の閾値よりも小さい場合には、決定部１２は、そのパラメータを使用しないと決定してもよい。例えば、方法パラメータＭとして色変換方法Ｍ１を用い、その変換パラメータＴが色相の回転量「９０度」であった場合に、相違度が第１の閾値よりも小さかった場合、決定部１２は、その変換パラメータＴを使用しないと決定してもよい。その場合、決定部１２は、変換パラメータＴとして、色相の回転量を「１８０度」を用いることができる。このような決定をすることにより、相違度が小さい新たな画像が生成される可能性を低減することができる。
第１の閾値は、相違度を導出する方法に基づいて予め設定される。第１の閾値は、一例として、あるパラメータを用いて元画像から生成された新たな画像が、元画像とどの程度相違しているかのデータを蓄積したうえで設定してもよい。あるいは、ユーザが元画像と新たな画像とを比較して異なる画像であると判定した場合の相違度を第１の閾値と設定してもよい。また、第１の閾値は、画像識別器を学習させた結果によって変更してもよい。
（情報処理装置３の効果）
以上のように、本例示的実施形態に係る情報処理装置３においては、上述の情報処理装置１又は２に係る構成に加えて、元画像と、新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段を更に備えている、という構成が採用されている。このため、本例示的実施形態に係る情報処理装置３によれば、例示的実施形態１に係る情報処理装置１の奏する効果に加えて、元画像とほとんど同じ新たな画像が生成される可能性を低減することができるという効果が得られる。
以上のように、本例示的実施形態に係る情報処理装置３においては、上述の情報処理装置１又は２に係る構成に加えて、元画像と、新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段を更に備えている、という構成が採用されている。このため、本例示的実施形態に係る情報処理装置３によれば、例示的実施形態１に係る情報処理装置１の奏する効果に加えて、元画像とほとんど同じ新たな画像が生成される可能性を低減することができるという効果が得られる。
（情報処理方法Ｓ２）
次に、本例示的実施形態に係る情報処理装置３が実行する情報処理方法Ｓ２について、図６を参照して説明する。図６は、情報処理方法Ｓ２の流れを示すフロー図である。図６に示すように、情報処理方法Ｓ２は次のステップを含む。
次に、本例示的実施形態に係る情報処理装置３が実行する情報処理方法Ｓ２について、図６を参照して説明する。図６は、情報処理方法Ｓ２の流れを示すフロー図である。図６に示すように、情報処理方法Ｓ２は次のステップを含む。
（ステップＳ２１）
ステップＳ２１において、取得部１１は、複数の登録クラスのうち、いずれかのクラスに属する元画像を取得する。
ステップＳ２１において、取得部１１は、複数の登録クラスのうち、いずれかのクラスに属する元画像を取得する。
（ステップＳ２２）
ステップＳ２２において、決定部１２は、画像生成方法を規定するパラメータを決定（又は変更）する。
ステップＳ２２において、決定部１２は、画像生成方法を規定するパラメータを決定（又は変更）する。
（ステップＳ２３）
ステップＳ２３において、画像生成部１３は、元画像から、決定部１２が決定（又は変更）したパラメータを用いて新たな画像を生成する。
ステップＳ２３において、画像生成部１３は、元画像から、決定部１２が決定（又は変更）したパラメータを用いて新たな画像を生成する。
（ステップＳ２４）
ステップＳ２４において、相違度判定部３５は、元画像と新たな画像との相違度が第１の閾値よりも小さいか否かを判定する。ステップＳ２４において、相違度が第１の閾値よりも小さいと判定された場合（ステップＳ２４：Ｙ）は、ステップＳ２２に戻り、決定部１２はパラメータを変更する。一方、ステップＳ２４において、相違度が第１の閾値よりも小さくないと判定された場合（ステップＳ２４：Ｎ）は、ステップＳ２５に移行する。
ステップＳ２４において、相違度判定部３５は、元画像と新たな画像との相違度が第１の閾値よりも小さいか否かを判定する。ステップＳ２４において、相違度が第１の閾値よりも小さいと判定された場合（ステップＳ２４：Ｙ）は、ステップＳ２２に戻り、決定部１２はパラメータを変更する。一方、ステップＳ２４において、相違度が第１の閾値よりも小さくないと判定された場合（ステップＳ２４：Ｎ）は、ステップＳ２５に移行する。
（ステップＳ２５）
ステップＳ２５において、データ生成部１４は、新たな画像と、新たな画像に付与されたラベルであって、元画像が属するクラスとは異なるクラスのラベルとを含むデータを生成する。生成されたデータは、所定のデータベースに記録される。
ステップＳ２５において、データ生成部１４は、新たな画像と、新たな画像に付与されたラベルであって、元画像が属するクラスとは異なるクラスのラベルとを含むデータを生成する。生成されたデータは、所定のデータベースに記録される。
なお前述のように、ステップＳ２４において相違度が第１の閾値よりも小さいと判定された場合（ステップＳ２４：Ｙ）は、ステップＳ２２に戻らずに、決定部１２は、そのパラメータを使用しないことを決定してもよい。
（情報処理方法Ｓ２の効果）
以上のように、本例示的実施形態に係る情報処理方法Ｓ２においては、例示的実施形態１に係る情報処理方法Ｓ１の構成に加えて、相違度判定部３５が元画像と新たな画像との相違度が第１の閾値よりも小さいか否かを判定するステップＳ２４を備えるという構成が採用されている。このため、本例示的実施形態に係る情報処理方法Ｓ２によれば、例示的実施形態１に係る情報処理方法Ｓ１の奏する効果に加えて、元画像とほとんど同じ新たな画像が生成される可能性を低減することができるという効果が得られる。
以上のように、本例示的実施形態に係る情報処理方法Ｓ２においては、例示的実施形態１に係る情報処理方法Ｓ１の構成に加えて、相違度判定部３５が元画像と新たな画像との相違度が第１の閾値よりも小さいか否かを判定するステップＳ２４を備えるという構成が採用されている。このため、本例示的実施形態に係る情報処理方法Ｓ２によれば、例示的実施形態１に係る情報処理方法Ｓ１の奏する効果に加えて、元画像とほとんど同じ新たな画像が生成される可能性を低減することができるという効果が得られる。
〔例示的実施形態３〕
本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～２にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～２にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
（情報処理装置４の構成）
図７は、例示的実施形態３に係る情報処理装置４の構成を示すブロック図である。情報処理装置４は、取得部１１、決定部１２、画像生成部１３、データ生成部１４、相違度判定部３５、識別部４５、及び出力部４６を備えている。取得部１１、決定部１２、画像生成部１３、データ生成部１４は、実施形態２で説明した各部と同じであるので説明は省略する。
図７は、例示的実施形態３に係る情報処理装置４の構成を示すブロック図である。情報処理装置４は、取得部１１、決定部１２、画像生成部１３、データ生成部１４、相違度判定部３５、識別部４５、及び出力部４６を備えている。取得部１１、決定部１２、画像生成部１３、データ生成部１４は、実施形態２で説明した各部と同じであるので説明は省略する。
相違度判定部３５は、前述の情報処理装置３に係る相違度判定部３５と同様の機能を有しているが、元画像と新たな画像との相違度を導出し、その相違度が第１の閾値以上である場合は、元画像と新たな画像をパラメータとともに識別部４５へ送信する点が異なっている。なお、相違度判定部３５は、相違度が第１の閾値より小さい場合は、元画像とパラメータを決定部に送信する。この点は前述の情報処理装置３の相違度判定部３５が行う処理と同様である。
識別部４５は、画像を識別するモデル４５１を含む。識別部４５は、特許請求の範囲に記載した「第１識別手段」の一形態である。
出力部４６は、一例として、識別部４５が導出した識別結果を外部に出力する。出力部４６は、有線又は無線の出力インタフェースである。具体的には、有線用の出力端子等、もしくは無線用のBluetooth（登録商標）規格又はWi-Fi（登録商標）規格の通信トランスミッタ等である。出力部４６から出力された識別結果は、例えばディスプレイに表示される。
以下、識別部４５について、詳細に説明する。識別部４５は、画像を識別するモデル４５１に新たな画像を入力することにより識別結果を導出する。画像を識別するモデル４５１は、一例として、入力された新たな画像と元画像とがどの程度類似しているかを示す類似度を導出する。この場合、識別結果は、入力された新たな画像と元画像との類似度である。モデル４５１は、学習対象の画像識別モデルである。特に、モデル４５１は、情報処理装置１、３又は４で生成される画像を用いて学習させる学習対象である画像識別モデルであることが好ましい。
さらに、識別部４５は、導出された類似度を第２の閾値と比較する。識別部４５の識別結果が、新たな画像と元画像との類似度が第２の閾値よりも小さいとの結果である場合に、決定部１２は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する。具体的には、類似度が第２の閾値よりも小さいとの結果である場合は、識別部４５は、元画像とパラメータを決定部１２に送信する。決定部１２は、識別部４５から元画像とパラメータを受信した場合は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する。類似度を大きくするためのパラメータ変更としては、例えば、色変換方法Ｍ１の場合は、回転角度を小さくすることができる。また、文字置換方法Ｍ２の場合は、変換する文字数を少なくすることができる。また、画像置換方法Ｍ５の場合は、置換領域を小さくすることができる。
類似度を導出する方法としては、例示的実施形態２で説明した相違度判定部３５が実行する相違度導出方法と同様な手法を用いることができる。ただし類似度は相違度とは異なり、両者が相違する程度が大きいほど小さい数値となる。第２の閾値は、類似度を導出する方法に基づいて、予め設定されている。
類似度が第２の閾値よりも小さいとの結果である場合に、決定部１２が、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する理由は、画像生成部１３に、画像識別器を学習させるために好適な画像を生成させるためである。その理由は、類似度が小さい（相違度が大きい）画像を用いて画像識別器を学習させても、画像識別器は類似度が大きい画像を識別する能力を獲得できず、類似度が大きい画像を識別する能力を獲得するように学習させるためには、類似度が大きい画像を用いて学習させる必要があるためである。
モデル４５１として、物品（商品等）のクラスを識別する画像識別器を用いる場合は、識別部４５による識別結果には、新たな画像が分類されたクラスが含まれている。その識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類されたとの結果である場合に、決定部１２は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更することが好ましい。具体的には、識別部４５による識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類されたとの結果である場合は、識別部４５は、元画像とパラメータを決定部１２に送信する。決定部１２は、識別部４５から元画像とパラメータを受信した場合は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する。この構成により、画像識別器を学習させるために好適な画像を画像生成部１３に生成させることができる。
あるいは、識別部４５による識別結果に、新たな画像が分類されたクラスと、当該クラスへの分類に関する信頼度が含まれているように構成することが好ましい。そして、識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類され、当該異なるクラスへの分類に関する信頼度が第３の閾値よりも大きいとの結果である場合に、決定部１２は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更することが好ましい。
具体的には、識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類され、当該異なるクラスへの分類に関する信頼度が第３の閾値よりも大きいとの結果である場合は、識別部４５は、元画像とパラメータを決定部１２に送信する。決定部１２は、識別部４５から元画像とパラメータを受信した場合は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する。この構成により、信頼度が第３の閾値よりも大きい場合だけパラメータを変更することができ、効率的に好適な画像を画像生成部１３に生成させることができる。分類されたクラスの信頼度は、一例として、新たな画像があるクラスに分類される確率である。第３の閾値は、信頼度の導出方法に基づいて予め設定される。
識別部４５の識別結果によっては、決定部１２は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する場合がある。これは、前述の相違度判定部３５の判定結果によっては、決定部１２は、新たな画像と元画像との相違度が小さくなるようにパラメータを変更することと相反する。本例示的実施形態において、相違度判定部３５と識別部４５という相反する役割を有する機能を設けた理由は以下の通りである。即ち、相違度判定部３５のみを設けると元画像との相違度が大きい画像ばかり生成され、相違度が小さい画像を識別する学習ができなくなる虞があるためであり、逆に識別部４５のみを設けると、元画像との類似度が大きい画像ばかり生成され、類似度が小さい画像を識別する学習ができなくなる虞があるためである。相違度判定部３５と識別部４５の両方を備えることにより、適切な学習をするために必要な様々な種類の学習用画像を生成することができる。
なお、類似度を導出する方法は、前述のようにニューラルネットワークを用いて導出する方法、画像解析により導出する方法、あるいは、ユーザによる判定により導出する方法等がある。ただし、学習対象である識別器が、商品パッケージのような人為的な物品の相違を識別するものである場合は、ユーザが識別したいレベルを決めることが好ましい。従って、第１の閾値、第２の閾値、及び第３の閾値は、ユーザが識別したいレベルに応じてユーザが設定することが好ましい。
（情報処理装置４の効果）
以上のように、本例示的実施形態３に係る情報処理装置４においては、上述の情報処理装置１～３の構成に加えて、画像を識別するモデル４５１に新たな画像を入力することにより識別結果を導出する識別部４５を更に備えている、という構成が採用されている。このため、本例示的実施形態３に係る情報処理装置４によれば、例示的実施形態１に係る情報処理装置１～３の奏する効果に加えて、適切な学習をするために必要な様々な種類の画像を生成することができるという効果が得られる。
以上のように、本例示的実施形態３に係る情報処理装置４においては、上述の情報処理装置１～３の構成に加えて、画像を識別するモデル４５１に新たな画像を入力することにより識別結果を導出する識別部４５を更に備えている、という構成が採用されている。このため、本例示的実施形態３に係る情報処理装置４によれば、例示的実施形態１に係る情報処理装置１～３の奏する効果に加えて、適切な学習をするために必要な様々な種類の画像を生成することができるという効果が得られる。
（情報処理方法Ｓ３）
次に、情報処理装置４が実行する情報処理方法Ｓ３について図面を参照して説明する。図８は、本例示的実施形態に係る情報処理方法Ｓ３の流れを示すフローチャートである。図８に示すように、情報処理方法Ｓ３のうち、ステップＳ３１、ステップＳ３２、ステップＳ３３、及びステップＳ３４は、前述の情報処理方法Ｓ２のステップＳ２１、ステップＳ２２、ステップＳ２３、及びステップＳ２４と同じである。
次に、情報処理装置４が実行する情報処理方法Ｓ３について図面を参照して説明する。図８は、本例示的実施形態に係る情報処理方法Ｓ３の流れを示すフローチャートである。図８に示すように、情報処理方法Ｓ３のうち、ステップＳ３１、ステップＳ３２、ステップＳ３３、及びステップＳ３４は、前述の情報処理方法Ｓ２のステップＳ２１、ステップＳ２２、ステップＳ２３、及びステップＳ２４と同じである。
ステップＳ３４において、相違度が第１の閾値よりも小さいと判定された場合（ステップＳ３４：Ｙ）は、ステップＳ３２に戻り、決定部１２はパラメータを変更する。一方、ステップＳ３４において、相違度が第１の閾値以上であると判定された場合（ステップＳ３４：Ｎ）は、ステップＳ３５に移行する。
（ステップＳ３５）
ステップＳ３５において、識別部４５は、モデル４５１による識別結果が、新たな画像と元画像との類似度が第２の閾値よりも小さいか否かを判定する。
ステップＳ３５において、識別部４５は、モデル４５１による識別結果が、新たな画像と元画像との類似度が第２の閾値よりも小さいか否かを判定する。
ステップＳ３５において、新たな画像と元画像との類似度が第２の閾値よりも小さいと判定された場合（ステップＳ３５：Ｙ）は、ステップＳ３２に戻り、決定部１２は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する。ステップＳ３５において、新たな画像と元画像との類似度が第２の閾値以上であると判定された場合（ステップＳ３５：Ｎ）は、ステップＳ３６に移行する。
（ステップＳ３６）
ステップＳ３６において、データ生成部１４は、新たな画像に対して、元画像が属するクラスとは異なるクラスのラベルを付与したデータを生成する。生成されたデータは、所定のデータベースに記録される。
ステップＳ３６において、データ生成部１４は、新たな画像に対して、元画像が属するクラスとは異なるクラスのラベルを付与したデータを生成する。生成されたデータは、所定のデータベースに記録される。
次に、情報処理装置４が実行する情報処理方法Ｓ４について図面を参照して説明する。図９は、本例示的実施形態に係る情報処理方法Ｓ４の流れを示すフローチャートである。図９に示すように、情報処理方法Ｓ４のうち、ステップＳ４１、ステップＳ４２、ステップＳ４３、及びステップＳ４４は、前述の情報処理方法Ｓ３のステップＳ３１、ステップＳ３２、ステップＳ３３、及びステップＳ３４と同じである。
（ステップＳ４５）
ステップＳ４４において、相違度が第１の閾値以上であると判定された場合（ステップＳ４４：Ｎ）は、ステップＳ４５に移行する。ステップＳ４５において、識別部４５は、モデル４５１による識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類されたか否かを判定する。
ステップＳ４４において、相違度が第１の閾値以上であると判定された場合（ステップＳ４４：Ｎ）は、ステップＳ４５に移行する。ステップＳ４５において、識別部４５は、モデル４５１による識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類されたか否かを判定する。
ステップＳ４５において、新たな画像は元画像の属するクラスとは異なるクラスに分類されたと判定された場合（ステップＳ４５：Ｙ）は、ステップＳ４２に戻り、決定部１２は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する。ステップＳ４５において、新たな画像は元画像の属するクラスとは異なるクラスに分類されていないと判定された場合（ステップＳ４５：Ｎ）は、ステップＳ４６に移行する。
（ステップＳ４６）
ステップＳ４６において、データ生成部１４は、新たな画像に対して、元画像が属するクラスとは異なるクラスのラベルを付与したデータを生成する。生成されたデータは、所定のデータベースに記録される。
ステップＳ４６において、データ生成部１４は、新たな画像に対して、元画像が属するクラスとは異なるクラスのラベルを付与したデータを生成する。生成されたデータは、所定のデータベースに記録される。
次に、情報処理装置４が実行する情報処理方法Ｓ５について図面を参照して説明する。図１０は、本例示的実施形態に係る情報処理方法Ｓ５の流れを示すフローチャートである。図１０に示すように、情報処理方法Ｓ５のうち、ステップＳ５１、ステップＳ５２、ステップＳ５３、及びステップＳ５４は、前述の情報処理方法Ｓ４のステップＳ４１、ステップＳ４２、ステップＳ４３、及びステップＳ４４と同じである。
（ステップＳ５５）
ステップＳ５４において、相違度が第１の閾値以上であると判定された場合（ステップＳ５４：Ｎ）は、ステップＳ５５に移行する。ステップＳ５５において、識別部４５は、モデル４５１による識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類され、当該異なるクラスへの分類に関する信頼度が第３の閾値よりも大きいか否かを判定する。
ステップＳ５４において、相違度が第１の閾値以上であると判定された場合（ステップＳ５４：Ｎ）は、ステップＳ５５に移行する。ステップＳ５５において、識別部４５は、モデル４５１による識別結果が、新たな画像は元画像の属するクラスとは異なるクラスに分類され、当該異なるクラスへの分類に関する信頼度が第３の閾値よりも大きいか否かを判定する。
ステップＳ５５において、新たな画像は元画像の属するクラスとは異なるクラスに分類され、当該異なるクラスへの分類に関する信頼度が第３の閾値よりも大きいと判定された場合（ステップＳ５５：Ｙ）は、ステップＳ５２に戻り、決定部１２は、新たな画像と元画像との類似度が大きくなるようにパラメータを変更する。
ステップＳ５５において、新たな画像は元画像の属するクラスとは異なるクラスに分類されていない、又は新たな画像は元画像の属するクラスとは異なるクラスに分類されているが、当該異なるクラスへの分類に関する信頼度が第３の閾値よりも大きくないと判定された場合（ステップＳ５５：Ｎ）は、ステップＳ５６に移行する。
（ステップＳ５６）
ステップＳ５６において、データ生成部１４は、新たな画像に対して、元画像が属するクラスとは異なるクラスのラベルを付与したデータを生成する。生成されたデータは、所定のデータベースに記録される。
ステップＳ５６において、データ生成部１４は、新たな画像に対して、元画像が属するクラスとは異なるクラスのラベルを付与したデータを生成する。生成されたデータは、所定のデータベースに記録される。
（情報処理方法Ｓ３、Ｓ４、Ｓ５の効果）
以上のように、本例示的実施形態に係る情報処理方法Ｓ３～Ｓ５においては、例示的実施形態１に係る情報処理方法Ｓ１の構成に加えて、識別部４５は、モデル４５１による識別結果が、新たな画像と元画像との類似度が第２の閾値よりも小さいか否かを判定するステップＳ３５、ステップＳ４５、ステップＳ５５を備えるという構成が採用されている。このため、本例示的実施形態に係る情報処理方法Ｓ３～Ｓ５によれば、例示的実施形態１に係る情報処理方法Ｓ１の奏する効果に加えて、適切な学習をするために必要な様々な種類の画像を生成することができるという効果が得られる。
以上のように、本例示的実施形態に係る情報処理方法Ｓ３～Ｓ５においては、例示的実施形態１に係る情報処理方法Ｓ１の構成に加えて、識別部４５は、モデル４５１による識別結果が、新たな画像と元画像との類似度が第２の閾値よりも小さいか否かを判定するステップＳ３５、ステップＳ４５、ステップＳ５５を備えるという構成が採用されている。このため、本例示的実施形態に係る情報処理方法Ｓ３～Ｓ５によれば、例示的実施形態１に係る情報処理方法Ｓ１の奏する効果に加えて、適切な学習をするために必要な様々な種類の画像を生成することができるという効果が得られる。
〔例示的実施形態４〕
本発明の第４の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～３にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第４の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～３にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
（情報処理装置５の構成）
図１１は、例示的実施形態４に係る情報処理装置５の構成を示すブロック図である。情報処理装置５は、取得部１１、決定部１２、画像生成部１３、データ生成部１４、学習部５５、及びデータベース５６を備えている。取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４は、実施形態２～３で説明した各部と同様である。
図１１は、例示的実施形態４に係る情報処理装置５の構成を示すブロック図である。情報処理装置５は、取得部１１、決定部１２、画像生成部１３、データ生成部１４、学習部５５、及びデータベース５６を備えている。取得部１１、決定部１２、画像生成部１３、及びデータ生成部１４は、実施形態２～３で説明した各部と同様である。
図１１に示すように、学習部５５は、学習させる対象モデル５５１を含む。対象モデル５５１は、商品の画像からその商品クラスを識別する識別器である。データベース５６には、データ生成部１４が元画像から生成した複数の新たな画像が元画像とともに記録されている。学習部５５は、特許請求の範囲に記載した「学習手段」の一形態である。
学習部５５は、データ生成部１４が生成したデータを参照して対象モデル５５１を学習させる。具体的には、学習部５５は、データベース５６からデータ生成部１４が生成した新たな画像を取得し、対象モデル５５１に入力する。そして、対象モデル５５１が出力した識別結果が正しくなるように対象モデル５５１を学習させる。正しい識別結果とは、新たな画像を入力した場合に、その画像がデータベース５６に登録されている元画像が属するクラスのいずれにも属さないという結果である。なお、学習部５５は、データベース５６から元画像を取得し、対象モデル５５１に入力して正しいクラスを出力させるように学習させてもよい。また、対象モデル５５１は、情報処理装置４で説明した識別部４５のモデル４５１と同じ識別モデルであってもよい。
図１２は、学習させる対象モデル５５１の構成の模式図である。対象モデル５５１は、図１２に示すように、複数の層からなる畳み込みニューラルネットワークである。対象モデル５５１にクラスＡ’に属する新たな画像が入力されると、出力として、この画像が属すると考えられるクラスとその信頼度が対象モデル５５１から出力される。なお、出力結果のクラスＡは、クラスＡ’に属する新たな画像の元画像が属するクラスを示す。クラスＡ’’は、同じ元画像から生成された別の新たな画像が属するクラスを示す。クラスＫは、元画像のクラスのうち、クラスＡとは異なるクラスを示す。
学習部５５は、対象モデル５５１の出力のロス値（Ｌｏｓｓ）を算出し、ロス値が小さくなるように対象モデル５５１を学習させる。ロス値は、一例として、正解以外のクラスの信頼度の合計値である。例えば、クラスＡである信頼度が０．１０、クラスＡ’（正解）である信頼度が０．８０、クラスＡ’’である信頼度が０．０５、クラスＫである信頼度が０．０５と出力された場合は、ロス値は０．２となる。学習部５５が対象モデル５５１を学習させるとは、ロス値が小さくなるように、畳み込みニューラルネットワークの各層の関数式の重みを更新することである。
（情報処理装置５の効果）
以上のように、本例示的実施形態４に係る情報処理装置５においては、上述の情報処理装置１～４の構成に加えて、データ生成部１４が生成したデータを参照して対象モデル５５１を学習させる学習部５５を更に備えている、という構成が採用されている。このため、本例示的実施形態４に係る情報処理装置５によれば、例示的実施形態１～３に係る情報処理装置１～４の奏する効果に加えて、生成した新たな画像を用いて対象モデルを学習させることができるという効果が得られる。
以上のように、本例示的実施形態４に係る情報処理装置５においては、上述の情報処理装置１～４の構成に加えて、データ生成部１４が生成したデータを参照して対象モデル５５１を学習させる学習部５５を更に備えている、という構成が採用されている。このため、本例示的実施形態４に係る情報処理装置５によれば、例示的実施形態１～３に係る情報処理装置１～４の奏する効果に加えて、生成した新たな画像を用いて対象モデルを学習させることができるという効果が得られる。
〔例示的実施形態５〕
本発明の第５の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～４にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第５の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～４にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
（情報処理装置６の構成）
図１３は、例示的実施形態５に係る情報処理装置６の構成を示すブロック図である。情報処理装置６は、識別対象画像取得部６１、決定部１２、画像生成部１３、データ生成部１４、学習部５５、第２識別部６６、データベース６７、及び入出力部６８を備えている。決定部１２、画像生成部１３、データ生成部１４、学習部５５、データベース６７は、実施形態４で説明した各部と同様である。
図１３は、例示的実施形態５に係る情報処理装置６の構成を示すブロック図である。情報処理装置６は、識別対象画像取得部６１、決定部１２、画像生成部１３、データ生成部１４、学習部５５、第２識別部６６、データベース６７、及び入出力部６８を備えている。決定部１２、画像生成部１３、データ生成部１４、学習部５５、データベース６７は、実施形態４で説明した各部と同様である。
識別対象画像取得部６１は、識別対象画像を取得する。識別対象画像は、データベース６７に記録されている画像でもよく、情報処理装置６の外部に保存されている画像でもよい。情報処理装置６の外部に保存されている画像は、識別対象画像取得部６１が入出力部６８を介して取得する。第２識別部６６は、学習部５５によって学習された対象モデル５５１である、学習済モデル６６１を備えている。第２識別部６６は、識別対象画像取得部６１が取得した識別対象画像を、学習部５５によって学習された学習済モデル６６１に入力することによって、識別対象画像に関する識別処理を行う。
一例として、学習済モデル６６１は、画像が入力されると、その画像が属する可能性のあるクラスを信頼度とともに出力する。第２識別部６６は、その画像が、登録されているクラスのいずれに該当するか、あるいは登録されているクラスのいずれにも該当しないかを、その信頼度とともに出力してもよい。入出力部６８は、画像を外部から取得し、又は識別結果を外部に出力するためのインタフェースである。
（情報処理装置６の効果）
以上のように、本例示的実施形態５に係る情報処理装置６においては、上述の情報処理装置１～５の構成に加えて、識別対象画像取得部６１が取得した識別対象画像を、学習部５５によって学習された対象モデル５５１（学習済モデル６６１）に入力することによって、識別対象画像に関する識別処理を行う第２識別部６６を更に備えている、という構成が採用されている。このため、本例示的実施形態５に係る情報処理装置６によれば、例示的実施形態１～４に係る情報処理装置１～５の奏する効果に加えて、学習された対象モデルを用いて画像を識別することができるという効果が得られる。
以上のように、本例示的実施形態５に係る情報処理装置６においては、上述の情報処理装置１～５の構成に加えて、識別対象画像取得部６１が取得した識別対象画像を、学習部５５によって学習された対象モデル５５１（学習済モデル６６１）に入力することによって、識別対象画像に関する識別処理を行う第２識別部６６を更に備えている、という構成が採用されている。このため、本例示的実施形態５に係る情報処理装置６によれば、例示的実施形態１～４に係る情報処理装置１～５の奏する効果に加えて、学習された対象モデルを用いて画像を識別することができるという効果が得られる。
〔例示的実施形態６〕
本発明の第６の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～５にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第６の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～５にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
（情報処理装置７の構成）
図１４は、例示的実施形態６に係る情報処理装置７の構成を示すブロック図である。情報処理装置７は、取得部７１、学習部７２、データベース７３を備えている。取得部７１は、複数の画像と、当該複数の画像の各々に付与されたクラスラベルと、当該複数の画像の少なくとも一部の画像に付与された識別情報であって、当該少なくとも一部の画像に関する画像生成処理を識別するための識別情報とを含む学習用データを取得する。取得部７１は、一例として、学習用データをデータベース７３から取得する。学習部７２は、学習させるモデルである対象モデル７２１を備えている。学習部７２は、取得部７１が取得した学習用データを参照して対象モデル７２１を学習させる。つまり、学習部７２は、学習用データを対象モデル７２１に入力し、出力された識別結果のロス値が小さくなるように対象モデル７２１を学習させる。データベース７３は、学習用データを記録している。
図１４は、例示的実施形態６に係る情報処理装置７の構成を示すブロック図である。情報処理装置７は、取得部７１、学習部７２、データベース７３を備えている。取得部７１は、複数の画像と、当該複数の画像の各々に付与されたクラスラベルと、当該複数の画像の少なくとも一部の画像に付与された識別情報であって、当該少なくとも一部の画像に関する画像生成処理を識別するための識別情報とを含む学習用データを取得する。取得部７１は、一例として、学習用データをデータベース７３から取得する。学習部７２は、学習させるモデルである対象モデル７２１を備えている。学習部７２は、取得部７１が取得した学習用データを参照して対象モデル７２１を学習させる。つまり、学習部７２は、学習用データを対象モデル７２１に入力し、出力された識別結果のロス値が小さくなるように対象モデル７２１を学習させる。データベース７３は、学習用データを記録している。
対象モデル７２１は、一例として、図１５に示すように、一例として、畳み込みニューラルネットワークからなる２つのレイヤを備えていてもよい。レイヤの１つは、識別情報に依らずに適用される共通レイヤ７２１１であり、もう１つのレイヤは、識別情報に応じて選択的に適用される分岐レイヤ７２１２，７２１３である。分岐レイヤ７２１２は、色相を変更したパターンの画像の識別能力が高くなるように学習されている。一方、分岐レイヤ７２１３は、文字を変更したパターンの画像の識別能力が高くなるように学習されている。
画像に付与された識別情報とは、その画像がどのような種類の画像であるかを示す情報である。一例として、識別情報は、その画像がどのような方法で生成されたかを示す情報である。例えば、図１５に示すように、クラスＡの画像ａの色相を変更して生成されたクラスＡ’の画像ａ’（Ｈ）には、Ｈという識別情報が付与されている。また、クラスＢの元画像（図示せず）から文字を変更して生成されたクラスＢ’の画像ｂ’（Ｌ）には、Ｌという識別情報が付与されている。なお、クラスＡの画像ａには識別情報は付与されていない。
対象モデル７２１に画像ａ’（Ｈ）が入力された場合、画像処理は、図の実線で示すように、共通レイヤ７２１１と分岐レイヤ７２１２を用いて行われる。学習部７２は、分岐レイヤ７２１２から出力される出力値の合計ロス値（Ｌｏｓｓ１）が小さくなるように対象モデル７２１を学習させる。
一方、対象モデル７２１に画像ｂ’（Ｌ）が入力された場合、画像処理は、図の太破線で示すように、共通レイヤ７２１１と分岐レイヤ７２１３を用いて行われる。学習部７２は、分岐レイヤ７２１３から出力される出力値の合計ロス値（Ｌｏｓｓ２）が小さくなるように対象モデル７２１を学習させる。
なお、対象モデル７２１に画像ａが入力された場合、画像処理は、例えば図の細破線で示すように、共通レイヤ７２１１と分岐レイヤ７２１２及び７２１３の両方とを用いて行ってもよい。学習部７２は、分岐レイヤ７２１２から出力される出力値の合計ロス値（Ｌｏｓｓ１）と、分岐レイヤ７２１３から出力される出力値の合計ロス値（Ｌｏｓｓ２）との合計値（Ｌｏｓｓ）が小さくなるように対象モデル７２１を学習させる。
このように、画像がどのように生成されたか等の識別情報に応じて、そのような画像に適した画像処理レイヤを用いることにより、より画像の識別精度を向上させることができる。
（情報処理装置７の効果）
以上のように、本例示的実施形態に係る情報処理装置７においては、複数の画像と、当該複数の画像の各々に付与されたクラスラベルと、当該複数の画像の少なくとも一部の画像に付与された識別情報であって、当該少なくとも一部の画像に関する画像生成処理を識別するための識別情報とを含む学習用データを取得する取得部７１と、取得部７１が取得した学習用データを参照して対象モデル７２１を学習させる学習部７２とを備え、対象モデル７２１は、識別情報に依らずに適用される共通レイヤ７２１１と、識別情報に応じて選択的に適用される分岐レイヤ７２１２，７２１３と、を備えているという構成が採用されている。このため、本例示的実施形態に係る情報処理装置７によれば、例示的実施形態１に係る情報処理装置１の奏する効果に加えて、画像の特性に応じて画像処理経路を変更することにより、識別精度を向上させることができるという効果が得られる。
以上のように、本例示的実施形態に係る情報処理装置７においては、複数の画像と、当該複数の画像の各々に付与されたクラスラベルと、当該複数の画像の少なくとも一部の画像に付与された識別情報であって、当該少なくとも一部の画像に関する画像生成処理を識別するための識別情報とを含む学習用データを取得する取得部７１と、取得部７１が取得した学習用データを参照して対象モデル７２１を学習させる学習部７２とを備え、対象モデル７２１は、識別情報に依らずに適用される共通レイヤ７２１１と、識別情報に応じて選択的に適用される分岐レイヤ７２１２，７２１３と、を備えているという構成が採用されている。このため、本例示的実施形態に係る情報処理装置７によれば、例示的実施形態１に係る情報処理装置１の奏する効果に加えて、画像の特性に応じて画像処理経路を変更することにより、識別精度を向上させることができるという効果が得られる。
〔例示的実施形態７〕
本発明の第７の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～６にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第７の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～６にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
（情報処理装置８の構成）
図１６は、例示的実施形態７に係る情報処理装置８の構成を示すブロック図である。情報処理装置８は、識別対象画像取得部８１、識別部８２、出力部８３を備えている。識別対象画像取得部８１は、識別対象画像を取得する。識別対象画像取得部８１は、識別対象画像を図示しないメモリ、又は図示しない外部のデータベースから取得してもよい。識別部８２は、学習済モデル８２１を備えており、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行い、識別処理の結果を出力する。出力部８３は、学習済モデル８２１が出力した識別処理の結果を外部に出力するインタフェースである。
図１６は、例示的実施形態７に係る情報処理装置８の構成を示すブロック図である。情報処理装置８は、識別対象画像取得部８１、識別部８２、出力部８３を備えている。識別対象画像取得部８１は、識別対象画像を取得する。識別対象画像取得部８１は、識別対象画像を図示しないメモリ、又は図示しない外部のデータベースから取得してもよい。識別部８２は、学習済モデル８２１を備えており、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行い、識別処理の結果を出力する。出力部８３は、学習済モデル８２１が出力した識別処理の結果を外部に出力するインタフェースである。
学習済モデル８２１は、第１のクラスのラベルが付与された画像と、当該第１のクラスのラベルが付与された画像から生成された画像であって、当該第１のクラスとは異なる１又は複数の第２のクラスの何れかのラベルが付与された画像とを含む学習用データを用いて学習されたモデルである。第１のクラスとは、前述の元画像のクラスに相当する。第２のクラス画像とは、前述の疑似クラスに相当する。
つまり、学習済モデル８２１は、上述の情報処理装置（情報処理システム）１～４が生成したデータを用いて学習された画像識別モデルである。あるいは、学習済モデル８２１は、前述の情報処理装置５の学習部５５が学習させた対象モデル５５１、情報処理装置６の第２識別部６６が備える学習済モデル６６１、又は情報処理装置７の学習部７２が学習させた対象モデル７２１と同等のモデルである。この構成により、情報処理装置８は、取得した識別対象画像を識別することができる。
識別部８２が出力する情報及びその出力形式は任意である。識別部８２は、識別処理の結果として、識別対象画像が、第１のクラス、及び１又は複数の第２のクラスの何れに属するのかに関する情報を出力してもよい。例えば、識別部８２は、識別対象画像が属する可能性のある第１のクラス及び／又は第２のクラスと、それぞれごとの信頼度（確率等）を出力してもよい。この構成により、可能性のある複数のクラスとその信頼度を出力させることができる。
あるいは、識別部８２は、学習済モデル８２１の出力が、識別対象画像が１又は複数の第２のクラスの何れかに属することを示している場合に、識別処理の結果として、識別対象画像が第１のクラスに属することを示す情報を出力してもよい。例えば、学習済モデル８２１の出力が、識別対象画像が第２のクラスのいずれか（疑似クラス）に属することを示している場合に、識別部８２は、識別されたクラスのみを出力してもよい。この場合は、シンプルな出力となる。
（画像の推論方法Ｓ６の流れ）
次に、情報処理装置８が実行する画像のクラスの情報処理方法（推論方法）Ｓ６の流れについて、図面を参照して説明する。図１７は、情報処理方法Ｓ６の流れを示すフローチャートである。図１７に示すように、情報処理方法Ｓ６は次のステップを含む。
次に、情報処理装置８が実行する画像のクラスの情報処理方法（推論方法）Ｓ６の流れについて、図面を参照して説明する。図１７は、情報処理方法Ｓ６の流れを示すフローチャートである。図１７に示すように、情報処理方法Ｓ６は次のステップを含む。
（ステップＳ６１）
ステップＳ６１において、識別対象画像取得部８１は、識別対象画像を取得する。
ステップＳ６１において、識別対象画像取得部８１は、識別対象画像を取得する。
（ステップＳ６２）
ステップＳ６２において、識別部８２は、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行う。学習済モデル８２１は前述の通りである。
ステップＳ６２において、識別部８２は、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行う。学習済モデル８２１は前述の通りである。
（ステップＳ６３）
ステップＳ６３において、識別部８２（又は出力部８３）は、識別部８２が識別処理した結果を出力する。さらに、出力部８３が識別結果を外部に出力してもよい。
ステップＳ６３において、識別部８２（又は出力部８３）は、識別部８２が識別処理した結果を出力する。さらに、出力部８３が識別結果を外部に出力してもよい。
（情報処理装置８と推論方法Ｓ６の構成と効果）
本例示的実施形態７に係る情報処理装置８は、識別対象画像を取得する識別対象画像取得部８１と、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行う識別部８２を備えている。また、推論方法Ｓ６は、識別対象画像を取得すること、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行うこと、を含んでいる。
本例示的実施形態７に係る情報処理装置８は、識別対象画像を取得する識別対象画像取得部８１と、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行う識別部８２を備えている。また、推論方法Ｓ６は、識別対象画像を取得すること、学習済モデル８２１に、識別対象画像取得部８１が取得した識別対象画像を入力することによって、識別対象画像に関する識別処理を行うこと、を含んでいる。
このため、本例示的実施形態７に係る情報処理装置８及び推論方法Ｓ６によれば、新たな画像を用いて学習させた学習済モデル８２１を用いて識別対象画像を識別することができるという効果が得られる。
次に、実施例について説明する。図１８は、元画像データのみを用いて学習させた識別器の正解率と、元画像に加えて、元画像から生成した新たな画像を用いて学習させた識別器の正解率を示すグラフである。この実施例では、入力された画像が、識別器に登録された５０のクラスのいずれのクラスに属するか、あるいはどの登録クラスにも属さないかを識別器に識別させた。なお、正解率は、登録されていないクラスの画像を登録されたクラスの画像であると誤識別した割合が５％以下となるように識別器のパラメータを設定した条件において、正しい登録クラスを識別した画像数の割合である。
図１８のグラフの左側の棒グラフは、登録クラスの元画像のみを用いて学習させた識別器の正解率である。右側の棒グラフは、新たな画像も含めて学習させた識別器の正解率である。図１８に示すように、登録クラスの元画像のみを用いて学習させた識別器では、正解率は０．５であったが、新たな画像も含めて学習させた識別器の正解率は０．７１まで向上した。
以上のように、本例示的実施形態に係る情報処理装置を用いて生成した新たな画像は、識別器を学習させるために有効な学習データとなることがわかった。
〔ソフトウェアによる実現例〕
情報処理装置１，３～８及び情報処理システム２（以上をまとめて「情報処理装置１等という。」）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
情報処理装置１，３～８及び情報処理システム２（以上をまとめて「情報処理装置１等という。」）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
後者の場合、情報処理装置１等は、例えば、各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。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図１９に示す。コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを情報処理装置１等として動作させるためのプログラムＰが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより、情報処理装置１等の各機能が実現される。
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）、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。
なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更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を送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。
また、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に記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。
また、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に記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。
〔付記事項１〕
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
〔付記事項２〕
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
（付記１）
複数のクラスのいずれかに属する元画像を取得する取得手段と、画像生成方法を規定するパラメータを決定する決定手段と、当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段と、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段とを備えている、ことを特徴とする情報処理装置。
上記の構成によれば、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができる。
複数のクラスのいずれかに属する元画像を取得する取得手段と、画像生成方法を規定するパラメータを決定する決定手段と、当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段と、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段とを備えている、ことを特徴とする情報処理装置。
上記の構成によれば、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができる。
（付記２）
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段を更に備えている、ことを特徴とする付記１に記載の情報処理装置。
上記の構成によれば、元画像とほとんど同じ新たな画像が生成される可能性を低減することができる。
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段を更に備えている、ことを特徴とする付記１に記載の情報処理装置。
上記の構成によれば、元画像とほとんど同じ新たな画像が生成される可能性を低減することができる。
（付記３）
前記相違度判定手段が導出した相違度が前記第１の閾値よりも小さい場合に、前記決定手段は、前記パラメータを変更する、ことを特徴とする付記２に記載の情報処理装置。
上記の構成によれば、相違度が小さい新たな画像が生成される可能性を低減することができる。
前記相違度判定手段が導出した相違度が前記第１の閾値よりも小さい場合に、前記決定手段は、前記パラメータを変更する、ことを特徴とする付記２に記載の情報処理装置。
上記の構成によれば、相違度が小さい新たな画像が生成される可能性を低減することができる。
（付記４）
前記決定手段は、前記相違度が前記第１の閾値よりも小さい場合に、前記相違度が大きくなるように、前記パラメータを変更する、ことを特徴とする付記３に記載の情報処理装置。
上記の構成によれば、相違度が小さい新たな画像が生成される可能性を低減することができる。
前記決定手段は、前記相違度が前記第１の閾値よりも小さい場合に、前記相違度が大きくなるように、前記パラメータを変更する、ことを特徴とする付記３に記載の情報処理装置。
上記の構成によれば、相違度が小さい新たな画像が生成される可能性を低減することができる。
（付記５）
前記決定手段は、前記相違度が前記第１の閾値よりも小さい場合に、前記パラメータをランダムに変更する、ことを特徴とする付記３に記載の情報処理装置。
上記の構成によれば、相違度が小さい新たな画像が生成される可能性を低減することができる。
前記決定手段は、前記相違度が前記第１の閾値よりも小さい場合に、前記パラメータをランダムに変更する、ことを特徴とする付記３に記載の情報処理装置。
上記の構成によれば、相違度が小さい新たな画像が生成される可能性を低減することができる。
（付記６）
画像を識別するモデルに前記新たな画像を入力することにより識別結果を導出する識別手段を更に備えている、ことを特徴とする付記１から５のいずれか１つに記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の画像を生成することができる。
画像を識別するモデルに前記新たな画像を入力することにより識別結果を導出する識別手段を更に備えている、ことを特徴とする付記１から５のいずれか１つに記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の画像を生成することができる。
（付記７）
前記識別結果が、前記新たな画像と前記元画像との類似度が第２の閾値よりも小さいとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する、ことを特徴とする付記６に記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の画像を生成することができる。
前記識別結果が、前記新たな画像と前記元画像との類似度が第２の閾値よりも小さいとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する、ことを特徴とする付記６に記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の画像を生成することができる。
（付記８）
前記識別結果には、前記新たな画像が分類されたクラスが含まれており、
前記識別結果が、前記新たな画像は前記元画像の属するクラスとは異なるクラスに分類されたとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する、ことを特徴とする付記６に記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の画像を生成することができる。
前記識別結果には、前記新たな画像が分類されたクラスが含まれており、
前記識別結果が、前記新たな画像は前記元画像の属するクラスとは異なるクラスに分類されたとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する、ことを特徴とする付記６に記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の画像を生成することができる。
（付記９）
前記識別結果には、前記新たな画像が分類されたクラスと、当該クラスへの分類に関する信頼度が含まれており、前記識別結果が、前記新たな画像は前記元画像の属するクラスとは異なるクラスに分類され、当該異なるクラスへの分類に関する前記信頼度が第３の閾値よりも大きいとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する、ことを特徴とする付記８に記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の学習用画像を生成することができる。
前記識別結果には、前記新たな画像が分類されたクラスと、当該クラスへの分類に関する信頼度が含まれており、前記識別結果が、前記新たな画像は前記元画像の属するクラスとは異なるクラスに分類され、当該異なるクラスへの分類に関する前記信頼度が第３の閾値よりも大きいとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する、ことを特徴とする付記８に記載の情報処理装置。
上記の構成によれば、適切な学習をするために必要な様々な種類の学習用画像を生成することができる。
（付記１０）
前記画像生成手段は、少なくとも一部の色の変換、少なくとも一部の文字の置換、スタイル変換、画像生成モデルによる内挿、画像の一部の置換又は重畳、のうちの少なくとも１つを用いて前記新たな画像を生成する、ことを特徴とする付記１から９のいずれか１つに記載の情報処理装置。
上記の構成によれば、元画像から様々な方法により新たな画像を生成することができる。
前記画像生成手段は、少なくとも一部の色の変換、少なくとも一部の文字の置換、スタイル変換、画像生成モデルによる内挿、画像の一部の置換又は重畳、のうちの少なくとも１つを用いて前記新たな画像を生成する、ことを特徴とする付記１から９のいずれか１つに記載の情報処理装置。
上記の構成によれば、元画像から様々な方法により新たな画像を生成することができる。
（付記１１）
前記データ生成手段が生成したデータを参照して対象モデルを学習させる学習手段を備えている、ことを特徴とする付記１から１０のいずれか１つに記載の情報処理装置。
上記の構成によれば、生成した新たな画像を用いて対象モデルを学習させることができる。
前記データ生成手段が生成したデータを参照して対象モデルを学習させる学習手段を備えている、ことを特徴とする付記１から１０のいずれか１つに記載の情報処理装置。
上記の構成によれば、生成した新たな画像を用いて対象モデルを学習させることができる。
（付記１２）
識別対象画像を取得する識別対象画像取得手段と、前記識別対象画像取得手段が取得した識別対象画像を、前記学習手段によって学習された前記対象モデルに入力することによって、前記識別対象画像に関する識別処理を行う第２識別手段とを備えている、ことを特徴とする付記１１に記載の情報処理装置。
上記の構成によれば、学習された対象モデルを用いて識別対象画像を識別することができる。
識別対象画像を取得する識別対象画像取得手段と、前記識別対象画像取得手段が取得した識別対象画像を、前記学習手段によって学習された前記対象モデルに入力することによって、前記識別対象画像に関する識別処理を行う第２識別手段とを備えている、ことを特徴とする付記１１に記載の情報処理装置。
上記の構成によれば、学習された対象モデルを用いて識別対象画像を識別することができる。
（付記１３）
複数の画像と、当該複数の画像の各々に付与されたクラスラベルと、当該複数の画像の少なくとも一部の画像に付与された識別情報であって、当該少なくとも一部の画像に関する画像生成処理を識別するための識別情報とを含む学習用データを取得する取得手段と、前記取得手段が取得した学習用データを参照して対象モデルを学習させる学習手段とを備え、前記対象モデルは、前記識別情報に依らずに適用される共通レイヤと、前記識別情報に応じて選択的に適用される分岐レイヤとを備えている、ことを特徴とする情報処理装置。
上記の構成によれば、画像の特性に応じて画像処理経路を変更することにより、識別精度を向上させることができる。
複数の画像と、当該複数の画像の各々に付与されたクラスラベルと、当該複数の画像の少なくとも一部の画像に付与された識別情報であって、当該少なくとも一部の画像に関する画像生成処理を識別するための識別情報とを含む学習用データを取得する取得手段と、前記取得手段が取得した学習用データを参照して対象モデルを学習させる学習手段とを備え、前記対象モデルは、前記識別情報に依らずに適用される共通レイヤと、前記識別情報に応じて選択的に適用される分岐レイヤとを備えている、ことを特徴とする情報処理装置。
上記の構成によれば、画像の特性に応じて画像処理経路を変更することにより、識別精度を向上させることができる。
（付記１４）
識別対象画像を取得する識別対象画像取得手段と、第１のクラスのラベルが付与された画像と、当該第１のクラスのラベルが付与された画像から生成された画像であって、当該第１のクラスとは異なる１又は複数の第２のクラスの何れかのラベルが付与された画像とを含む学習用データを用いて学習されたモデルに、前記識別対象画像取得手段が取得した識別対象画像を入力することによって、前記識別対象画像に関する識別処理を行う識別手段と、を備えていることを特徴とする情報処理装置。
上記の構成によれば、情報処理装置は、新たな画像を用いて学習させた学習済モデルを用いて識別対象画像を識別することができる。
識別対象画像を取得する識別対象画像取得手段と、第１のクラスのラベルが付与された画像と、当該第１のクラスのラベルが付与された画像から生成された画像であって、当該第１のクラスとは異なる１又は複数の第２のクラスの何れかのラベルが付与された画像とを含む学習用データを用いて学習されたモデルに、前記識別対象画像取得手段が取得した識別対象画像を入力することによって、前記識別対象画像に関する識別処理を行う識別手段と、を備えていることを特徴とする情報処理装置。
上記の構成によれば、情報処理装置は、新たな画像を用いて学習させた学習済モデルを用いて識別対象画像を識別することができる。
（付記１５）
前記識別手段は、前記識別処理の結果として、前記識別対象画像が、前記第１のクラス、及び前記１又は複数の第２のクラスの何れに属するのかに関する情報を出力する、ことを特徴とする、付記１４に記載の情報処理装置。
この構成により、可能性のある複数のクラスをその信頼度を出力させることができる。
前記識別手段は、前記識別処理の結果として、前記識別対象画像が、前記第１のクラス、及び前記１又は複数の第２のクラスの何れに属するのかに関する情報を出力する、ことを特徴とする、付記１４に記載の情報処理装置。
この構成により、可能性のある複数のクラスをその信頼度を出力させることができる。
（付記１６）
前記識別手段は、前記モデルの出力が、前記識別対象画像が前記１又は複数の第２のクラスの何れかに属することを示している場合に、前記識別処理の結果として、前記識別対象画像が前記第１のクラスに属することを示す情報を出力する、ことを特徴とする付記１４に記載の情報処理装置。
上記の構成によれば、シンプルな出力結果を出力することができる。
前記識別手段は、前記モデルの出力が、前記識別対象画像が前記１又は複数の第２のクラスの何れかに属することを示している場合に、前記識別処理の結果として、前記識別対象画像が前記第１のクラスに属することを示す情報を出力する、ことを特徴とする付記１４に記載の情報処理装置。
上記の構成によれば、シンプルな出力結果を出力することができる。
（付記１７）
少なくとも１つのプロセッサが、複数のクラスのいずれかに属する元画像を取得すること、画像生成方法を規定するパラメータを決定すること、当該元画像から、決定された前記パラメータを用いて新たな画像を生成すること、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成すること、を含む情報処理方法。
上記の構成によれば、物品の画像を識別する識別器を学習させることができる学習データを生成することができ、従って、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができる。
少なくとも１つのプロセッサが、複数のクラスのいずれかに属する元画像を取得すること、画像生成方法を規定するパラメータを決定すること、当該元画像から、決定された前記パラメータを用いて新たな画像を生成すること、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成すること、を含む情報処理方法。
上記の構成によれば、物品の画像を識別する識別器を学習させることができる学習データを生成することができ、従って、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができる。
（付記１８）
少なくとも１つのプロセッサが、複数のクラスのいずれかに属する元画像を取得すること、画像生成方法を規定するパラメータを決定すること、当該元画像から、決定された前記パラメータを用いて新たな画像を生成すること、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成すること、を含むデータ製造方法。
上記の構成によれば、物品の画像を識別する識別器を学習させることができる学習データを製造することができ、従って、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができる。
少なくとも１つのプロセッサが、複数のクラスのいずれかに属する元画像を取得すること、画像生成方法を規定するパラメータを決定すること、当該元画像から、決定された前記パラメータを用いて新たな画像を生成すること、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成すること、を含むデータ製造方法。
上記の構成によれば、物品の画像を識別する識別器を学習させることができる学習データを製造することができ、従って、画像の認識において、未登録の物体の画像が登録済の物体の画像に誤認識されることを抑制することができる。
（付記１９）
コンピュータを付記１～１６の何れか一に記載の情報処理装置として動作させるためのプログラムであって、前記コンピュータを前記各手段として機能させる、ことを特徴とするプログラム。
コンピュータを付記１～１６の何れか一に記載の情報処理装置として動作させるためのプログラムであって、前記コンピュータを前記各手段として機能させる、ことを特徴とするプログラム。
（付記２０）
付記１９に記載のプログラムを記録した、コンピュータ読み取り可能な非一時的記録媒体。
付記１９に記載のプログラムを記録した、コンピュータ読み取り可能な非一時的記録媒体。
（付記２１）
識別対象画像を取得すること、第１のクラスのラベルが付与された画像と、当該第１のクラスのラベルが付与された画像から生成された画像であって、当該第１のクラスとは異なる１又は複数の第２のクラスの何れかのラベルが付与された画像とを含む学習用データを用いて学習されたモデルに、取得された前記識別対象画像を入力することによって、前記識別対象画像に関する識別処理を行うこと、を含むことを特徴とする情報処理方法。
上記の構成によれば、新たな画像を用いて学習させた学習済モデルを用いて識別対象画像を識別することができる。
識別対象画像を取得すること、第１のクラスのラベルが付与された画像と、当該第１のクラスのラベルが付与された画像から生成された画像であって、当該第１のクラスとは異なる１又は複数の第２のクラスの何れかのラベルが付与された画像とを含む学習用データを用いて学習されたモデルに、取得された前記識別対象画像を入力することによって、前記識別対象画像に関する識別処理を行うこと、を含むことを特徴とする情報処理方法。
上記の構成によれば、新たな画像を用いて学習させた学習済モデルを用いて識別対象画像を識別することができる。
〔付記事項３〕
上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。
少なくとも１つのプロセッサを備え、前記プロセッサは、複数のクラスのいずれかに属する元画像を取得する取得処理と、画像生成方法を規定するパラメータを決定する決定処理と、当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成処理と、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成処理と、を実行する情報処理装置。
上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。
少なくとも１つのプロセッサを備え、前記プロセッサは、複数のクラスのいずれかに属する元画像を取得する取得処理と、画像生成方法を規定するパラメータを決定する決定処理と、当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成処理と、前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成処理と、を実行する情報処理装置。
なお、この情報処理装置は、更にメモリを備えていてもよく、このメモリには、前記取得処理と、前決定処理と、前記画像生成処理と、データ生成処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、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ていてもよい。
１，３，４，５，６，７，８・・・情報処理装置
２・・・情報処理システム
１１，７１・・・取得部
１２・・・決定部
１３・・・画像生成部
１４・・・データ生成部
２５，５６，６７，７３・・・データベース
３５・・・相違度判定部
４５，８２・・・識別部
４６，８３・・・出力部
５５，７２・・・学習部
６１，８１・・・識別対象画像取得部
６６・・・第２識別部
６８・・・入出力部
２・・・情報処理システム
１１，７１・・・取得部
１２・・・決定部
１３・・・画像生成部
１４・・・データ生成部
２５，５６，６７，７３・・・データベース
３５・・・相違度判定部
４５，８２・・・識別部
４６，８３・・・出力部
５５，７２・・・学習部
６１，８１・・・識別対象画像取得部
６６・・・第２識別部
６８・・・入出力部
Claims (9)
- 複数のクラスのいずれかに属する元画像を取得する取得手段と、
画像生成方法を規定するパラメータを決定する決定手段と、
当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段と、
前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段と、
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段と、を備え、
前記決定手段は、前記相違度が前記第１の閾値よりも小さい場合に、前記相違度が大きくなるように、前記パラメータを変更する
情報処理装置。 - 複数のクラスのいずれかに属する元画像を取得する取得手段と、
画像生成方法を規定するパラメータを決定する決定手段と、
当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段と、
前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段と、
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段と、を備え、
前記決定手段は、前記相違度が前記第１の閾値よりも小さい場合に、前記パラメータをランダムに変更する
情報処理装置。 - 画像を識別するモデルに前記新たな画像を入力することにより識別結果を導出する第１識別手段を更に備えている
請求項１又は２に記載の情報処理装置。 - 前記識別結果が、前記新たな画像と前記元画像との類似度が第２の閾値よりも小さいとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する
請求項３に記載の情報処理装置。 - 前記識別結果には、前記新たな画像が分類されたクラスが含まれており、
前記識別結果が、前記新たな画像は前記元画像の属するクラスとは異なるクラスに分類されたとの結果である場合に、前記決定手段は、前記新たな画像と前記元画像との類似度が大きくなるように前記パラメータを変更する
請求項３に記載の情報処理装置。 - 少なくとも１つのプロセッサが、
複数のクラスのいずれかに属する元画像を取得すること、
画像生成方法を規定するパラメータを決定すること、
当該元画像から、決定された前記パラメータを用いて新たな画像を生成すること、
前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成すること、
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較すること、を含み、
前記比較することにおいて、導出した前記相違度が前記第１の閾値よりも小さい場合に、前記決定することにおいて、前記相違度が大きくなるように、前記パラメータを変更すること
を含む情報処理方法。 - 少なくとも１つのプロセッサが、
複数のクラスのいずれかに属する元画像を取得すること、
画像生成方法を規定するパラメータを決定すること、
当該元画像から、決定された前記パラメータを用いて新たな画像を生成すること、
前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成すること、
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較すること、を含み、
前記比較することにおいて、導出した前記相違度が前記第１の閾値よりも小さい場合に、前記決定することにおいて前記パラメータをランダムに変更すること
を含む情報処理方法。 - コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
複数のクラスのいずれかに属する元画像を取得する取得手段、
画像生成方法を規定するパラメータを決定する決定手段、
当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段、
前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段、及び
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段、として機能させ、
前記相違度判定手段が導出した相違度が前記第１の閾値よりも小さい場合に、前記決定手段は、前記相違度が大きくなるように、前記パラメータを変更する
プログラム。 - コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
複数のクラスのいずれかに属する元画像を取得する取得手段、
画像生成方法を規定するパラメータを決定する決定手段、
当該元画像から、前記決定手段が決定したパラメータを用いて新たな画像を生成する画像生成手段、
前記新たな画像と、前記新たな画像に付与されたラベルであって、前記元画像が属する前記クラスとは異なるクラスのラベルとを含むデータを生成するデータ生成手段、及び
前記元画像と、前記新たな画像との相違度を導出して第１の閾値と比較する相違度判定手段、として機能させ、
前記相違度判定手段が導出した相違度が前記第１の閾値よりも小さい場合に、前記決定手段は、前記パラメータをランダムに変更する
プログラム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2021/020960 WO2022254600A1 (ja) | 2021-06-02 | 2021-06-02 | 情報処理装置、情報処理方法、データ製造方法、及びプログラム |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2022254600A1 JPWO2022254600A1 (ja) | 2022-12-08 |
| JPWO2022254600A5 JPWO2022254600A5 (ja) | 2024-03-04 |
| JP7736062B2 true JP7736062B2 (ja) | 2025-09-09 |
Family
ID=84322891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023525231A Active JP7736062B2 (ja) | 2021-06-02 | 2021-06-02 | 情報処理装置、情報処理方法及びプログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240257424A1 (ja) |
| JP (1) | JP7736062B2 (ja) |
| WO (1) | WO2022254600A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023168366A2 (en) * | 2022-03-03 | 2023-09-07 | Siemens Healthcare Diagnostics Inc. | Diagnostic laboratory systems and methods of imaging tube assemblies |
| JP2025017111A (ja) * | 2023-07-24 | 2025-02-05 | 株式会社東芝 | 機械学習装置、方法及びプログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015095212A (ja) | 2013-11-14 | 2015-05-18 | 株式会社デンソーアイティーラボラトリ | 識別器、識別プログラム、及び識別方法 |
| WO2019077854A1 (ja) | 2017-10-17 | 2019-04-25 | 株式会社日立製作所 | オンライン認識装置、オンライン認識方法、及びそれに用いる設定画面 |
| JP2020046883A (ja) | 2018-09-18 | 2020-03-26 | 株式会社東芝 | 分類装置、分類方法およびプログラム |
-
2021
- 2021-06-02 JP JP2023525231A patent/JP7736062B2/ja active Active
- 2021-06-02 WO PCT/JP2021/020960 patent/WO2022254600A1/ja not_active Ceased
- 2021-06-02 US US18/564,802 patent/US20240257424A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015095212A (ja) | 2013-11-14 | 2015-05-18 | 株式会社デンソーアイティーラボラトリ | 識別器、識別プログラム、及び識別方法 |
| WO2019077854A1 (ja) | 2017-10-17 | 2019-04-25 | 株式会社日立製作所 | オンライン認識装置、オンライン認識方法、及びそれに用いる設定画面 |
| JP2020046883A (ja) | 2018-09-18 | 2020-03-26 | 株式会社東芝 | 分類装置、分類方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2022254600A1 (ja) | 2022-12-08 |
| WO2022254600A1 (ja) | 2022-12-08 |
| US20240257424A1 (en) | 2024-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230137931A1 (en) | Method for augmenting data for document classification and apparatus thereof | |
| Sun et al. | A robust approach for text detection from natural scene images | |
| Chagas et al. | Evaluation of convolutional neural network architectures for chart image classification | |
| US20150278710A1 (en) | Machine learning apparatus, machine learning method, and non-transitory computer-readable recording medium | |
| CN112272838B (zh) | 商品确定装置、记录介质和学习方法 | |
| CN107480682B (zh) | 一种商品包装生产日期检测方法 | |
| JP7736062B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| TWI792560B (zh) | 資訊處理裝置及資訊處理方法 | |
| WO2021034841A1 (en) | Apparatus and methods for converting lineless tables into lined tables using generative adversarial networks | |
| US20220092448A1 (en) | Method and system for providing annotation information for target data through hint-based machine learning model | |
| Li et al. | Multiple kernel-based multi-instance learning algorithm for image classification | |
| JPWO2022254600A5 (ja) | ||
| CN109800768A (zh) | 半监督gan的散列特征表示学习方法 | |
| CN116935140A (zh) | 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置 | |
| US8131077B2 (en) | Systems and methods for segmenting an image based on perceptual information | |
| CN118334672A (zh) | 电子价签识别方法及装置 | |
| CN114155598B (zh) | 一种图像处理模型的训练方法、装置及电子设备 | |
| Guo et al. | MalFSLDF: A Few‐Shot Learning‐Based Malware Family Detection Framework | |
| Bonilla-Rivas et al. | Adapting YOLO to recognition of real numbers in 7-segment digits | |
| Fitriyah et al. | Traffic sign recognition using edge detection and eigen-face: Comparison between with and without color pre-classification based on Hue | |
| CN106157284B (zh) | 图像中文字区域的定位方法及装置 | |
| KR102868560B1 (ko) | 표 인식 방법 및 장치 | |
| CN111694567A (zh) | 一种数据处理方法及装置、存储介质 | |
| CN113343832B (zh) | 视频封面判别方法、装置、设备及计算机可读介质 | |
| JP7835119B2 (ja) | 情報処理装置、情報処理方法及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231201 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231201 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250212 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250404 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20250425 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20250425 |
|
| 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: 20250729 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250811 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7736062 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |