JPWO2020090054A1 - 情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法 - Google Patents

Abstract

【課題】ファッションに関する情報をより適切に利用する。【解決手段】機械学習用の画像と、前記機械学習用の画像に含まれる複数の属性情報と、が使用されて、画像と、属性情報と、の関係をディープラーニングにより機械学習したニューラルネットワーク部と、第１対象画像を取得する取得部と、前記第１対象画像を前記ニューラルネットワークに適用することで、前記第１対象画像に係る複数の属性情報を生成する生成部と、を備えるシステムであり、前記第１対象画像は、参考とされる参考画像であり、前記参考画像に係る情報と、前記生成部によって生成された前記参考画像に係る属性情報と、を関連付けて第１データベースを生成する、関連付け部を備える、システム。【選択図】 図２

Description

本出願において開示された技術は、情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法に関する。

近年の高度情報化社会に伴い、ファッション情報も計算機上で適切に扱う必要性が高まっている。

特開２０１２−１４５４４号公報 特開２０１０−２６２４２５号公報

しかしながら、上述の特許文献においては、ファッションに関する情報を利用して、適切にサポートできるシステムはなかった。
そこで、本発明の様々な実施形態は、上記の課題を解決するために、情報処理システム、情報処理装置、サーバ装置、プログラム、又は方法を提供する。

第一の実施形態のシステムは、
機械学習用の画像と、前記機械学習用の画像に含まれる複数の属性情報と、が使用されて、画像と、属性情報と、の関係をディープラーニングにより機械学習したニューラルネットワーク部と、
第１対象画像を取得する取得部と、
前記第１対象画像を前記ニューラルネットワークに適用することで、前記第１対象画像に係る複数の属性情報を生成する生成部と、
を備えるシステム。

また、第２の実施形態のシステムは、
前記第１対象画像は、参考とされる参考画像であり、
前記参考画像に係る情報と、前記生成部によって生成された前記参考画像に係る属性情報と、を関連付けて第１データベースを生成する、関連付け部を備える、
第１の実施形態のシステム。

ここで、参考画像は、後述するとおり、その下位概念として、一又は複数の、先進ファッション画像、普及ファッション画像、周期ファッション画像、ブランド画像、特定年齢画像、特定地域画像、興味画像、接触画像、特定団体関連画像、その他の特定の観点の画像などであってよい。

第１データベースは、参考画像に応じた属性データベースであってよい。上述の参考画像に応じて、先進ファッション画像属性データベース、普及ファッション画像属性データベース、周期ファッション画像属性データベース、ブランド画像属性データベース、特定年齢画像属性データベース、特定地域画像属性データベース、興味画像属性データベース、接触画像属性データベース、特定団体関連画像属性データベースなどであってよい。

また、第１データベースは、参考画像に係る情報を含まないものであってもよい。この場合、第１データベースは、前記生成部によって生成された前記参考画像に係る複数の属性情報同士を関連付けて生成されたものであってもよい。

第３の実施形態のシステムは、
前記参考画像に係る情報は、前記参考画像に係るファッションの媒体に係る情報である、
第１又は第２の実施形態のシステム。

第４の実施形態のシステムは、
前記第１データベース内の情報を使用して、統計処理する統計処理部、
を更に備える第１乃至第３の実施形態のシステムのいずれか一つのシステム。

また、第４の実施形態のシステムは、機械学習に関する部分を有しなくてもよい。すなわち、他の第４の実施形態のシステムは、
一の参考画像に係る複数の属性情報を関連付けて有する第１属性データベースと、
前記第１データベース内の情報を使用して、統計処理する統計処理部と、
を備える実施形態のシステムであってよい。なお、第４の実施形態のシステムにおいて、第１属性データベースを有することに代えて、第１属性データベースの一部をネットワーク上から取得する取得部を備えてもよい。

また、機械学習に関する部分を有しない第４の実施形態のシステムにおいて、第１属性データベースは、更に前記一の参考画像に係る情報を、前記一の参考画像に係る複数の属性情報と関連付けて有してもよい。

第５の実施形態のシステムは、
前記第１対象画像を含む複数の画像データを含む画像データベースを、複数備え、
前記複数の画像データベースの中から、前記第１対象画像を含む画像データベースを選択する選択部を更に備える、
第１乃至第４の実施形態のシステムのいずれか一つのシステム。

第６の実施形態のシステムは、
第２対象画像を取得する取得部と、
前記第２対象画像を前記ニューラルネットワークに適用することで、前記第２対象画像に係る複数の属性情報を生成する生成部と、
前記第１データベース内において、属性情報を用いて、前記第２対象画像と同一又は類似の第２ファッションアイテムを特定する特定部と、
を更に備える第１乃至第５の実施形態のシステムのいずれか一つのシステム。

第７の実施形態のシステムは、
選択可能なファッションアイテムを含む第３対象画像を取得する取得部と、
前記第３対象画像を前記ニューラルネットワークに適用することで、前記第３対象画像に係る複数の属性情報を生成する生成部と、
前記選択可能なファッションアイテムに係る情報と、前記生成された前記第３対象画像に係る複数の属性情報と、を関連付けて第２データベースに記憶する関連付け部と、
前記第２ファッションアイテムと同一又は類似する第３ファッションアイテムを、前記第２データベース内で特定する特定部と、
を更に備える第１乃至第６の実施形態のシステムのいずれか一つのシステム。

第８の実施形態のシステムは、
選択可能なファッションアイテムを含む第４対象画像を取得する取得部と、
前記第４対象画像を前記ニューラルネットワークに適用することで、前記第４対象画像に係る複数の属性情報を生成する生成部と、
前記選択可能なファッションアイテムと、生成された前記第４対象画像に係る複数の属性情報と、を関連付けて第２データベースに記憶する関連付け部と、
前記第２ファッションアイテムに係る画像内において、前記第２ファッションアイテムと異なる第４ファッションアイテムを、前記第１データベース内において特定する特定部と、
前記第４ファッションアイテムと同一又は類似する第５ファッションアイテムを、前記第２データベース内で特定する特定部と、
を更に備える第１乃至第７の実施形態のシステムのいずれか一つのシステム。

第９の実施形態のシステムは、
利用者に係るファションアイテムを含む複数の画像を有する第３データベースを取得する取得部と、
前記第３データベースに係る各画像を前記ニューラルネットワークに適用することで、前記各画像に係る複数の属性情報、を生成する生成部と、
前記各画像と、生成された前記各画像に係る複数の属性情報と、を関連付けて第４データベースとして記憶する関連付け部と、
前記第３データベース内の中から、第１利用者画像を示す情報を取得する取得部と、
前記第４データベース内における前記第１利用者画像に係る一のファッションアイテムと同一又は類似する第６ファッションアイテムを、前記第１データベース内で特定する特定部と、
前記第６ファッションアイテムに係る画像内において、前記第６ファッションアイテムと異なる第７ファッションアイテムを特定する特定部と、
前記第７ファッションアイテムと同一又は類似の第８ファッションアイテムを、前記第４データベース内において特定する特定部と、
を更に備える第１乃至第８の実施形態のシステムのいずれか一つのシステム。

第１０の実施形態のシステムは、
前記第１対象画像は、第１団体に係るファッションアイテムを含む画像であり、
前記システムは、更に、
前記生成部によって生成された前記第１対象画像に係る複数の属性情報から構成される第５データベースを生成する生成部と、
前記第１団体以外の第２団体に係るファッションアイテムを含む画像を、前記ニューラルネットワークに適用することで、前記第２団体に係るファッションアイテムを含む画像に係る複数の属性情報から構成される第６データベースを生成する生成部と、
前記第５データベース内の情報と、前記第６データベース内の情報とを、統計処理する統計処理部と、
を更に備える第１乃至第９の実施形態のシステムのいずれか一つのシステム。

第１１の実施形態の方法は、
コンピュータが、
機械学習用の画像と前記機械学習用の画像に含まれる複数の属性情報とを使用して、画像と属性情報との関係をディープラーニングにより機械学習する機械学習ステップと、
第１対象画像を取得するステップと、
前記第１対象画像を前記ニューラルネットワークに適用することで、前記第１対象画像に係る複数の属性情報を生成するステップと、
を含む方法。

第１２の実施形態の方法は、
前記第１対象画像は、参考とされる参考画像であり、
前記参考画像に係る情報と、前記生成部によって生成された前記参考画像に係る複数の属性情報と、を関連付けて第１データベースを生成するステップと、
前記第１データベース内の情報を統計処理するステップと、
を含む第１１の実施形態の方法。

また、第１２の実施形態の方法は、機械学習に関するステップを含まなくともよい。すなわち、他の第１２の実施形態の方法は、一の参考画像に係る複数の属性情報を関連付けて有する第１属性データベース内の情報を使用して、統計処理するステップであってよい。また、他の第１２の実施形態の方法は、一の参考画像に係る複数の属性情報を関連付けて有する第１属性データベース内の情報の一部を取得するステップと、前記一部の情報の一部又は全部を使用して、統計処理するステップを含む方法であってよい。

第１３の実施形態の方法は、
第２対象画像を取得するステップと、
前記第２対象画像を前記ニューラルネットワークに適用して、前記第２対象画像に係る第１ファッションアイテムの複数の属性情報を生成するステップと、
前記第１データベース内において、前記第２対象画像に係る前記第１ファッションアイテムと同一又は類似の第２ファッションアイテムを特定するステップと、
を含む第１１又は第１２の実施形態の方法。

第１４の実施形態の方法は、
選択可能なファッションアイテムを含む第４対象画像を取得するステップと、
前記第４対象画像を前記ニューラルネットワークに適用することで、前記第４対象画像に係る複数の属性情報を生成するステップと、
前記選択可能なファッションアイテムと、前記生成された情報と、を関連付けて第２データベースに記憶するステップと、
前記第２ファッションアイテムに係る画像内において、前記第２ファッションアイテムと異なる第４ファッションアイテムを、前記第１データベース内において特定するステップと、
前記第４ファッションアイテムと同一又は類似する第５ファッションアイテムを、前記第２データベース内で特定するステップと、
を含む第１１乃至第１３の実施形態の方法のいずれか一つの方法。

第１５の実施形態のプログラムは、コンピュータを、第１乃至第１０の実施形態のいずれか一のシステムとして機能させるためのプログラム。

上述のシステム、方法、又はプログラムにおける前記属性情報は、一のファッションアイテムに係る複数のファッションアイテム属性、複数のファッションアイテムにおける各ファションアイテムに係る複数のファッションアイテム属性、一の人に係る複数の人属性、複数の人における各人に係る複数の人属性、又は、一又は複数の人における各人に係る複数の人属性及び前記各人に係る一又は複数のファッションアイテムにおける各ファッションアイテムに係る複数のファッションアイテム属性などであってよい。

本発明の一実施形態により、より適切にファッションに関する情報を活用できる。

図１は、一実施形態に係るシステムの一の情報処理装置の構成を示すブロック図である。 図２は、一実施形態に係るシステムの他の情報処理装置の構成を示すブロック図である。 図３は、一実施形態に係るシステムの機能を示すブロック図である。 図４は、一実施形態に係るシステムのフローの一例である。 図５は、一実施形態に係るシステムのデータ構造の一例である。 図６は、一実施形態に係るシステムのデータ構造の一例である。 図７は、一実施形態に係るシステムのデータ構造の一例である。 図８は、一実施形態に係るシステムのデータ構造の一例である。 図９は、一実施形態に係るシステムのデータ構造の一例である。 図１０は、一実施形態に係るシステムのデータ構造の一例である。 図１１は、一実施形態に係るシステムのフローの一例である。 図１２は、一実施形態に係るシステムのデータ構造の一例である。 図１３は、一実施形態に係るシステムのデータ構造の一例である。 図１４は、一実施形態に係るシステムのフローの一例である。 図１５は、一実施形態に係るシステムのデータ構造の一例である。 図１６は、一実施形態に係るシステムが表示可能なグラフの一例である。 図１７は、一実施形態に係るシステムのデータ構造の一例である。 図１８は、一実施形態に係るシステムの表示画面の一例である。 図１９は、一実施形態に係るシステムが表示可能なグラフの一例である。 図２０は、一実施形態に係るシステムの表示画面の一例である。 図２１は、一実施形態に係るシステムが表示可能なグラフの一例である。 図２２は、一実施形態に係るシステムの表示可能な表の一例である。 図２３は、一実施形態に係るシステムが表示可能なグラフの一例である。 図２４は、一実施形態に係るシステムが表示可能なグラフの一例である。 図２５は、一実施形態に係るシステムのフローの一例である。 図２６は、一実施形態に係るシステムのフローの一例である。 図２７は、一実施形態に係るシステムが表示可能なグラフの一例である。 図２８は、一実施形態に係るシステムのフローの一例である。 図２９は、一実施形態に係るシステムのフローの一例である。 図３０は、一実施形態に係るシステムのフローの一例である。 図３１は、一実施形態に係るシステムのフローの一例である。 図３２は、一実施形態に係るシステムのフローの一例である。 図３３は、一実施形態に係るシステムのフローの一例である。 図３４は、一実施形態に係るシステムの他の情報処理装置の構成を示すブロック図である。 図３５は、一実施形態に係るシステムの他の情報処理装置の構成を示すブロック図である。 図３６は、一実施形態に係るシステムのフローの一例である。 図３７は、一実施形態に係るシステムの表示画面の一例である。 図３８は、一実施形態に係るシステムの表示画面の一例である。 図３９は、一実施形態に係るシステムの表示画面の一例である。 図４０は、一実施形態に係るシステムのフローの一例である。 図４１は、一実施形態に係るシステムのフローの一例である。 図４２は、一実施形態に係るシステムのデータ構造の一例である。 図４３は、一実施形態に係るシステムのデータ構造の一例である。 図４４は、一実施形態に係るシステムが表示可能なグラフの一例である。 図４５は、一実施形態に係るシステムが表示可能なグラフの一例である。 図４６は、一実施形態に係るシステムの他の情報処理装置の構成を示すブロック図である。 図４７は、一実施形態に係るシステムのフローの一例である。 図４８は、一実施形態に係るシステムの機能を示すブロック図である。 図４９は、一実施形態に係るシステムの機能を示すブロック図である。 図５０は、一実施形態に係るシステムのフローの一例である。

１．情報処理装置１０の各構成
本実施形態のシステムは、例えば、図１に示すような構成であってよい。本実施形態のシステムは、情報処理装置１０から構成される。情報処理装置１０を構成する一例としては、例えば、図１のように、バス１１、演算装置１２、記憶装置１３、入力装置１４、表示装置１５及び通信ＩＦ１６を有する構成であってよい。また、情報処理装置１０は、ネットワーク１９と、直接的または間接的に接続される構成であってよい。

バス１１は、演算装置１２、記憶装置１３、入力装置１４、表示装置１５及び通信ＩＦ１６の間の情報を伝達する機能を有する。

演算装置１２は、プログラムの命令を実行できる装置である。例えばプロセッサが挙げられる。これは、ＣＰＵであってもよいし、ＭＰＵであってもよい。また、グラフィックスプロセッシングユニット、デジタルシグナルプロセッサなどを有してもよい。

記憶装置１３は、情報を記録する装置である。記憶は、一時的な記憶であってもよいし、長期的な記憶であってもよい。記憶装置１３は、内部メモリ若しくは外部メモリのいずれか又はこれら両方であってもよい。また、記憶装置１３は、磁気ディスク（ハードディスク）、光ディスク、磁気テープ、半導体メモリなどでもよい。また、記憶装置１３は、図示されていないが、ネットワークを介した記憶装置又は、ネットワークを介したクラウド上の記憶装置であってよい。

なお、演算装置に近い位置で情報を記憶する、レジスタ、Ｌ１キャッシュ、Ｌ２キャッシュなどは、図１のブロック図においては、演算装置１２内に含まれる場合もあるが、計算機アーキテクチャのデザインにおいて、情報を記録する装置として、記憶装置１３がこれらを含んでもよい。要するに、演算装置１２、記憶装置１３及びバス１１が協調して、情報処理を実行できるよう構成されていればよい。

記憶装置１３は、本願発明に関連する技術を実行するプログラムを備えることができ、また、本願発明に関連する際に必要なデータを、適宜記録することもできる。例えば、後述する機械学習に必要な学習用データを取得した場合には記憶し、機械学習を実行するためのプログラムを記憶し、機械学習を実行した後に学習することで生成される属性情報生成機能に必要な情報を記憶してよい。また、記憶装置１３は、データベースを含んでよい。また、記憶装置１３は、短期的な記憶装置であってもよいし、長期的な記憶装置であってもよい。短期的な記憶装置としては、例えば、キャッシュが挙げられ、長期的な記憶装置としては、ＨＤＤやＵＳＢなどが挙げられる。後述する属性情報生成機能によって生成された情報は、短期的な記憶装置で記憶されても、長期的な記憶装置で記憶されてもよい。

また、上記は、演算装置１２が、記憶装置１３に備えられたプログラムに基づいて実行される場合を一例として説明したが、上記のバス１１、演算装置１２と記憶装置１３が組み合わされた形式の一つとして、本願システムに係る情報処理を、ハードウェア回路自体を変更することができるプログラマブルロジックデバイス又は実行する情報処理が決まっている専用回路で実現されてもよい。プログラマブルロジックデバイスまたは専用回路で実現された場合、より高速に本願システムを処理できる利点がある。また、演算装置１２は、並列計算が可能なよう構成されてもよい。例えば、演算装置１２が機械学習を行う場合、複数の学習データに対して、同時に機械学習が実現できるようされてよい。また、後述のとおり機械学習によって属性情報生成機能が演算装置１２によって実現されている場合、後述する参考画像などに対して属性情報生成機能を並列計算によって実現されてもよい。

入力装置１４は、情報を入力するものである。入力装置１４としては、キーボード、マウス、タッチパネル、又はペン型の指示装置などの入力装置が挙げられる。なお、タッチパネルが表示機能を有するように、入力装置１４は、他の機能を有していてもよい。

入力装置１４の入力者としては、例えば、機械学習させる利用者、機械学習済みの属性情報生成機能を後述する参考画像に適用して情報を生成させる利用者、後述する属性情報を用いて情報を比較する利用者、又は、ファッションアイテムを特定する利用者などが挙げられる。

表示装置１５は、情報を表示する機能を有する。例えば、液晶ディスプレイ、プラズマディスプレイ、有機ＥＬディスプレイなどが挙げられるが、要するに、情報を表示できる装置であればよい。また、タッチパネルのように入力装置１４を一部に備えてもよい。

ネットワーク１９は、通信ＩＦ１６と共に、情報を伝達する機能を有する。例えば、情報処理装置１０が有する情報を、ネットワーク１９を介して他の情報処理装置に伝達できる機能を有する。通信ＩＦ１６は、どのような接続形式を備えてもよい。例えば、ＵＳＢ、ＩＥＥＥ１３９４、イーサネット（登録商標）、ＰＣＩ、ＳＣＳＩなどでよい。ネットワーク１９は、有線と無線のいずれでもよく、有線の場合は、光ファイバ、又は同軸ケーブルなどを用いてよい。

情報処理装置１０は、本願書類に記載された技術の一部又は全部の専用の情報処理装置であってもよいし、本願書類に記載された技術以外の技術を実行できる情報処理装置であってもよい。情報処理装置１０は、サーバー、ワークステーション、デスクトップパソコン、ラップトップパソコン、ノートパソコン、ＰＤＡ、携帯電話、スマートフォンなどでもよい。

図１では、一台の情報処理装置１０として説明したが、情報処理装置１０は、複数の情報処理装置で構成されてもよい。当該複数の情報処理装置は、内部的に接続されていてもよいし、ネットワークを介して外部的に接続されていてもよい。また、情報処理装置１０が複数の情報処理装置で構成される場合、その所有者または管理者が異なっていても、本処理に記載の技術を実行する際に、アクセス権があるなどによって情報処理装置を利用できる状態であればよい。また、情報処理装置１０は、物理的な存在であってもよいし、仮想的なものであってもよい。例えば、クラウドコンピューティングを用いて、情報処理装置１０を仮想的に実現されてもよい。また、図１は、本実施形態のシステムの基本的構成を説明したものであるが、これらに他の情報処理装置と連携する場合などには、入力装置１４や表示装置１５を有しない形態であってもよい。

図２は、図１で説明した情報処理装置１０をネットワーク上で利用する形態の一実施形態である。図２において、本実施形態のシステムは、全体を管理するシステムサーバ２１と、機械学習を実施する機械学習装置２２ａ及び機械学習装置２２ｂと、プログラムの実施や情報処理の結果を表示させる端末２３と、を有する。なお、機械学習装置２２はクラウド上の他社の管理によるものを用いる場合などにおいては、本実施形態のシステムは機械学習装置を備えない形態であってもよい。また、端末２３が一般的なＰＣを利用する場合などにおいては、本実施形態のシステムは、端末２３を備えない形態であってもよい。

２．システムの機能の一例
図３を参考として、本システムの機能の一例を説明する。なお、図４８及び図４９は、システムの機能の他の一例である。これらの各部は、図１及び図２で説明した各ハードウェア装置を利用して、情報処理を行うよう構成されていてよい。また、本実施形態のシステムは、以下の全ての部を常に有するわけではなく、ビジネス形態又は実現される技術上の利点との関係で、その一部の構成であってもよい。

２．１．学習データ部
学習データ部は、学習用画像と、前記学習用画像に係る情報と、が関連付けられたデータを取得する機能を有する。学習データ部を、前記関連付けられたデータを含むデータベースを有してもよいし、ネットワーク上の外部から前記関連付けられたデータを取得してもよい。

２．２．参考画像部
参考画像部は、後述の参考画像を提供する機能を有する。参考画像部は、参考画像部自体が参考画像を有していてもよいし、ネットワーク上から参考画像を取得してもよい。ネットワーク上から参考画像を取得する場合、他の情報処理装置から取得してもよいし、クラウドから取得してもよい。これらのクラウドや他の情報処理装置は、本システムの利用者の所有物でもよいし、管理物でもよいし、契約によりアクセスできるものでもよい。参考画像部は、複数の参考画像（以下、「参考画像セット」ということもある。）を含むデータベースを有してよい。参考画像セットは、後述するとおり、例えば、複数のファッション画像、複数の先進ファッション画像、複数の特定年齢画像、複数の特定団体関連画像などが挙げられる。また、参考画像部は、複数の参考画像セットを有してよい。

２．３．参考画像選択部
本システムが参考画像部を有する場合、参考画像選択部は、参考画像部内の一又は複数の参考画像セットを選択する機能を有する。選択される参考画像セットの数は、一又は複数であってよい。また、参考画像選択部は、選択された複数の参考画像セットに対して、例えば、和、積、差、補集合などの集合演算を適用し、適用後の複数の画像を、参考画像セットとして用いてもよい。

２．４．対象画像部
対象画像部は、対象画像を提供する機能を有する。提供される対象画像は、対象画像部が保有していてもよいし、ネットワーク上から対象画像を取得してもよい。ネットワーク上から対象画像を取得する場合、他の情報処理装置から取得してもよいし、クラウドから取得してもよい。これらのクラウドや他の情報処理装置は、本システムの利用者の所有物でもよいし、管理物でもよいし、契約によりアクセスできるものでもよい。

２．５．人工知能部
人工知能部は、属性情報生成機能を有する。人工知能部は、参考画像又は参考画像セットを取得して、属性情報を生成してよい。参考画像セットに対しては、各参考画像に対応した属性情報を生成してよい。また、人工知能部は、対象画像を入力として、属性情報を生成してよい。人工知能部は、属性情報の生成機能を向上するために機械学習する機能を有してよい。

２．６．統計処理部
統計処理部は、統計処理を行う。統計処理の結果は、情報として生成するのみでもよいし、前記生成した情報を、ネットワーク上の他の情報処理装置に送信してもよいし、本システムと接続された表示装置に表示させてもよい。

３．実施形態
３．１．実施形態１
一般的に、どのような人が、どのようなファッションを組み合わせて着用するのか、に関する情報を収集することは困難である。
そこで、実施形態１に係るシステムは、ファッションアイテム間の関連性に関する情報を収集する技術を提供する。

本実施形態について、図４を参考にして説明する。まず、ファッションに関する情報を機械学習させるために、学習用画像を取得する（ステップ１）。

学習用画像は、種々の情報源から取得されてよい。例えば、ファッション業界における媒体から用意されてよく、コレクション写真、コレクション動画、トップブランド写真、トップブランド動画、トップブディックブランド写真、トップブディックブランド動画、セレクトショップ写真、セレクトショップ動画、一般ブランド写真、一般ブランド動画、一般消費者写真、一般消費者動画、等が挙げられる。

媒体は、例えば、ファッションショー、デザイナーのホームページ、ファッション関連協会の刊行物などが挙げられる。

また、学習用画像に係る情報は、前記学習用画像と関連付けて、記憶されてよい。学習用画像に係る情報は、例えば、ファッションアイテムの種別、ファッションアイテムの色、ファッションアイテムの模様、ファッションアイテムの加工、ファッションアイテムのアクセサリ、ファッションアイテムの着丈などであってよい。なお、これらのファッションアイテムの性質の特定の観点を、本出願書類においては、ファッションアイテム属性という。ここで、ファッションアイテム属性は、上述のものに限られない。以下で述べるとおり、例えば、ファッションアイテムの種別においては、トップスやアウターの下に下位概念として、シャツ、ブラウス、ブルゾン、などがある。この場合、ファションアイテム種別に対し、その詳細区分もファッションアイテム属性とされてよい。下位概念が設けられるのは、ファッションアイテムの種別に限られず、他のファッションアイテム属性であってもよい。このように、一のファッションアイテム属性に下位概念のファッションアイテム属性があることを、後述する通り、ファッションアイテム属性の階層化ということもある。なお、ファッションアイテム属性、という用語は、後述するとおり、機械学習の際の利用される情報を示す場合もあれば、機械学習後のシステムを用いて、対象画像に対して適用して生成された属性情報を示す場合もある。

ファッションアイテムの種別であれば、例えば、トップス（Tシャツ/カットソー、シャツ、ブラウス、ポロシャツ、セーター/ニット、ベスト、パーカー、スウェット、カーディガン、タンクトップ、キャミソール、ビスチェ、ベスト）、アウター（テーラードジャケット、ノーカラージャケット、デニムジャケット、ライダースジャケット、ブルゾン、ダウンジャケット、コート、トレンチコート、ミリタリージャケット、ダウンベスト、ニットコート、ガウンワンピース）、パンツ（デニムパンツ、カーゴパンツ、チノパン、スラックス）、ワンピース（ワンピース、オールインワン）、バッグ（ショルダーバッグ、トートバッグ、バックパック/リュック、ボストンバッグ、ボディバッグ/ウェストポーチ、ハンドバッグ、クラッチバッグ、スーツケース/キャリーバッグ、かごバッグ）、シューズ（スニーカー、スリッポン、サンダル、パンプス、ブーツ、ブーティ、ドレスシューズ、バレエシューズ/ローファー、モカシン/デッキシューズ、レインシューズ）、帽子（ハット、ビーニー、ハンチング/ベレー帽、キャスケット）、スカート、などが挙げられる。

ファッションアイテムの色であれば、例えば、ホワイト、ブラック、グレー、ブラウン、ベージュ、グリーン、ブルー、パープル、イエロー、ピンク、レッド、オレンジ、ゴールド、シルバーなどであってよい。

ファッションアイテムの模様であれば、例えば、無地柄、ボーダー柄、ドット柄、ストライプ柄、チェック柄、花柄、カモフラージュ柄、レオパード柄などであってよい。

ファッションアイテムの加工であれば、例えば、加工無し、レース加工、プリーツ加工、シフォン加工、ギャザー加工、ファー加工、コーデロイ加工などであってよい。

ファッションアイテムのアクセサリであれば、例えば、アクセサリなし、フリル付き、リボン付き、ビジュー付き、ワンポイント付き、ダメージ付き、ポイントファー付きなどであってよい。

ファッションアイテムの着丈であれば、例えば、半袖、半端袖、長袖、袖なし、ショート丈、ミドル丈、ロング丈、スキニー・タイト、スタンダード、ワイド・ルーズ、ショート丈・ひざ上丈、ハーフ・ひざ丈、フルレングス、ショート・ミニ丈、ひざ丈、ミモレ・半端丈、ロング・マキシ丈などであってよい。

ここで、ファッションアイテムの色におけるホワイト、ブラック、又はグレーのような具体的な値、ファッションアイテムの模様における無地柄、ボーダー柄、ドット柄のような具体的な値、をファッションアイテム属性値という。

図５は、学習用画像を示すＩＤと、前記学習用画像に係る属性情報と、が関連付けられてデータベースにおいて、記録されている一例である。各学習画像を示すＩＤと、その中に含まれた一のファッションアイテムとが関連付けられている。また、前記一のファッションアイテムに対して、複数のファッションアイテム属性が関連付けられている。このようにして、学習用画像と、前記学習用画像に係る情報とが、関連付けられて、記憶されていてよい。ここで、ファッションアイテム属性として、ファッションアイテムの種別、ファッションアイテムの色、ファッションアイテムの加工などが挙げられている。また、各学習用ＩＤについて、具体的な属性値が記憶されている。また、ファッションアイテムの種別については、より詳細な区分として、種別詳細１、種別詳細２と区分が詳細化されている。このように、ファッションアイテム属性は、階層化されてよい。また、階層化されるファッションアイテム属性は、ファッションアイテムの種別に限られず、他のファッションアイテム属性であってもよいし、階層化されてよい。学習データにおけるファッションアイテム属性が階層化されることにより、後述する属性情報生成装置が生成するファッションアイテム属性も階層化できる利点がある。

本実施形態のシステムは、一の学習用画像に対して、一のファッションアイテムに係る複数のファッションアイテム属性を関連付けて学習用データとして機械学習して、属性情報を生成できるよう構成されてよい。このように生成された属性情報生成機能を、ファッションアイテムを含む画像に対して適用する場合、前記一のファッションアイテムに係る複数のファッションアイテム属性を生成できる利点がある。これらの複数のファッションアイテム属性が関連付けて記憶された場合、複数のファッションアイテム属性に関する情報を利用できるようになる。具体的には、ある画像内に、ファッションアイテム属性のファッションアイテムの種別としてポロシャツとの情報が生成され、ファッションアイテム属性のファッションアイテムの色としてグリーンとの情報が生成され、ファッションアイテム属性のファッションアイテムの模様としてボーダー柄との情報が生成されると、ポロシャツと、グリーンと、ボーダー柄とが関連付けて記憶されることとなる。これはファッションに対する人の好みや印象は、ファッションアイテムに係る複数のファッションアイテム属性の組み合わせが大きな影響を与えるため、これらの情報が、関連付けて記憶されることに利点がある。そして、ファッションアイテムに係る複数の属性情報を関係づけて生成する手段として、ファッションアイテムに係る複数の属性情報を関連付けて機械学習することに技術的な利点がある。

図６は、学習用画像を示すＩＤと、前記学習用画像に係る属性情報と、が関連付けられてデータベースにおいて、記録されている他の一例である。各学習画像を示すＩＤと、その中に含まれた複数のファッションアイテムとが関連付けられている。また、各ファッションアイテムに対して、複数のファッションアイテム属性が関連付けられている。このようにして、学習用画像と、前記学習用画像に係る属性情報とが、関連付けられて、記憶されていてよい。

本実施形態のシステムは、一の学習用画像に対して、一のファッションアイテムを関連付けて学習用データとしてもよいが、本実施形態のシステムが、一の学習用画像に対して、複数のファッションアイテムを関連付けて学習用データとして機械学習して属性情報を生成できるよう構成されてもよい。例えば、ある学習用画像に、トップスとスカートとバッグとが含まれている場合には、これらトップスとスカートとバッグとの、それぞれのファッションアイテム名、色、模様、加工、アクセサリ、などの情報が、学習用画像に係る情報として、関連付けられていてよい。このように生成された属性情報生成機能は、一の画像内に複数のファッションアイテムが含まれている対象画像に対して適用された場合、それらの複数のファッションアイテムに係る複数のファッションアイテム属性を生成できるようになる利点がある。これは、識別対象の画像内に複数のファッションアイテムが含まれている場合において、前記複数のファッションアイテムのうちの少なくとも二以上のファッションアイテムに関するファッションアイテム属性を生成することによって、前記二以上のファッションアイテム間の関係を、情報として関連付けて生成できる利点がある。一般的にファッションは組み合わせも考慮に入れられることから、画像から、複数のファッションアイテム間の関係付けと、各ファッションアイテムに係る複数のファッションアイテム属性の関係も含めて情報を生成できる利点がある。

また、学習用画像に係る属性情報は、学習用画像内に含まれる人に係る情報であってよい。例えば、性別、年齢、年齢層、身長、体格、表情などの人を特定の観点で示す情報であってよい。なお、これらを、本出願書類においては、人属性という。また、その具体的な値を、人属性値という。属性情報として人属性は、ファッションアイテムについての情報を豊富化できる利点がある。すなわち、ファッションアイテムは、男性に好まれるものであるか、女性に好まれるものであるか、どのような年齢層に好まれるものであるか、どの程度の身長の人に好まれるものであるか、どのような体格の人に好まれるものであるか、という人に関する情報とも関係がある。そこで、このような人属性を、ファッションアイテムと関連付けて記憶することにより、どのようなタイプの人と関連付けられるファッションアイテムであるのかを情報として生成できる利点がある。また、このような人属性を、ファッションアイテム属性と関連付けて記憶することにより、どのようなタイプの人と関連付けられるファッションアイテム属性であるのかを情報として生成できる利点がある。なお、上述のファッションアイテム属性と同様に、人属性も階層化されてよい。例えば、１０歳刻みの年齢層と、５歳刻みの年齢層と、２歳刻みの年齢層というように、年齢層に階層化がされていたり、５歳刻みの年齢層と、特定の年齢というように、年齢層と年齢の階層化がされていたりするなどされてよい。また、人属性も、ファッションアイテム属性と同様に、機械学習の際の利用される情報を示す場合もあれば、機械学習後のシステムを用いて、対象画像に対して適用して得られた結果内の対応する情報を示す場合もある。ここで、ファッションアイテム属性と、人属性と、を含むものとして「属性情報」ということもあり、ファッションアイテム属性値と、人属性値と、を含むものとして、「属性値」ということもある。また、属性情報についても、階層化されてよい。

図７は、学習用画像を示すＩＤと、前記学習用画像に係る属性情報と、が関連付けられてデータベースにおいて、記録されている他の一例である。学習画像を示すＩＤと、前記学習画像に含まれている人及びファッションアイテムが関連付けられている。人及びファッションアイテムは、夫々、一又は複数であってよい。人とファッションアイテムも関連付けられていてよい。人とファッションアイテムの関連付けは、人が身に着けているファッションアイテムの関係であってよいが、当該関係に限られなくてよい。また、各人に対して、複数の人属性が関連付けられている。また、各ファッションアイテムに対して、複数のファッションアイテム属性が関連付けられている。このようにして、学習用画像と、前記学習用画像に係る情報とが、関連付けられて、記憶されていてよい。

また、図８は、学習用画像を示すＩＤと、前記学習用画像に係る属性情報と、が関連付けられてデータベースにおいて、記録されている更に他の一例である。リレーショナルデータベースの例であり、学習用画像ＩＤ及び学習用画像内の人を介して、関連付けられている。例えば、学習用画像ＩＤ１００２については、画像内に人が３人おり、各人について、一又は複数のファッションアイテムが関連付けられており、各一のファッションアイテムに対して、複数のファッションアイテム属性が関連付けられている。なお、図８の場合、例えば、ファッションアイテムの種別の一の属性値を含むもののレコード数は、前記ファッションアイテムの数を示すこととなり、一の参考画像内に、一のファッションアイテムを含む場合と、複数のファッションアイテムを含む場合とを、統一的に扱うことが可能となる利点がある。なお、図８の人属性においては、荒い年齢層と、細かい年齢層の属性情報を備え、人属性が階層化されている一例が示されている。

なお、上述では、人とファッションアイテムとの関係付けとして、人と前記人が身に着けている位置に画像内で撮像されているファッションアイテムを関連付けていたが、他の人とファッションアイテムの関係付けであってもよい。例えば、人がファッションアイテムを手で保持する態様や、人がファッションアイテムの背後に位置する等である。このように、人間が画像を見た時に人とファッションアイテムの間に関係付けを見出せるようなものであれば、機械学習によって、人間が見出しうる関係付けに関するルールを導出できる可能性があり、かかる機械学習済みのルールに基づいて、人とファッションアイテムとを関連付けてもよい。

次に、本実施形態のシステムは、機械学習を行い、属性情報生成機能を生成してよい（ステップ２）。入力情報として、上述の学習用画像を示すＩＤに基づいた学習用ＩＤと、前記学習用画像に係る属性情報と、が関連付けられた情報を用いてよい。これらにより、学習用画像と、前記学習用画像に係る属性情報との関係を、機械学習してよい。本実施形態のシステムは、機械学習により、入力される画像に対して、前記画像に係る属性情報を生成できる属性情報生成機能を有してよい。

機械学習は、種々の人工知能技術が用いられてよい。人工知能技術としては、例えば、ニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、サポートベクターマシン、クラスタリング、回帰、分類、ベイジアンネットワーク、強化学習、表現学習、決定木、ｋ平均法などの機械学習技術が用いられてよい。以下では、ニューラルネットワークを用いる例を使用するが、必ずしもニューラルネットワークに限定されるものではない。

ニューラルネットワークを用いた機械学習技術は、ディープラーニング（深層学習）技術を用いてよい。これは、複数の層を用いて入力と出力の関係を学習することで、未知の入力に対しても出力可能とする技術である。教師有りと教師なしの手法が存在するが、どちらが適用されてもよい。上述の図７においては、学習用画像を示すＩＤと、前記学習用画像に係る属性情報と、が関連付けられており、教師として、前記学習用画像に係る情報が与えられていることから、教師有りの一例であるが、必ずしも教師有りの手法を用いる必要は無く、教師なしの手法を用いてもよい。

本実施形態のシステムは、学習用画像と、前記学習用画像に含まれる一のファッションアイテムに係る複数のファッションアイテム属性とを関連付けた学習用データを対象として機械学習をしてもよいし、学習用画像と、前記学習用画像に含まれる複数のファッションアイテムに係る複数のファッションアイテム属性とを関連付けた学習用データを対象として機械学習をしてもよい。

また、学習用画像に対するファッションアイテム属性と人属性をまとめて一の機械学習装置において機械学習されてもよいし、学習用画像に係るファッションアイテム属性についての機械学習と、学習用画像に係る人属性についての機械学習とを、分けて行ってもよい。学習用画像に係るファッションアイテム属性についての機械学習と、学習用画像に係る人属性についての機械学習とを、分けて行う場合、それぞれの属性に注力して行うことができるため、より効率的に機械学習が可能である。

また、ファッションアイテム属性のみを機械学習する装置であってもよい。人属性によって学習される対象のうち、人の属性である年齢、性別は、画像の外部的な情報から収集できることもあるためである。

機械学習後の本実施形態のシステムは、取得された対象画像に対して適用された場合には、前記対象画像に係る属性情報を出力できる構成となっていてよい。前記属性情報は、前記対象画像内の一又は複数のファッションアイテムに関する一又は複数のファッションアイテム属性であってもよいし、前記対象画像内の一又は複数の人に関する一又は複数の人属性であってもよいし、前記対象画像内の一又は複数のファッションアイテムに関する一又は複数のファッションアイテム属性及び前記対象画像内の一又は複数の人に関する一又は複数の人属性であってもよい。図９は、生成された属性情報の一例である。ここで、属性情報として、人属性とファッションアイテム属性とが関連付けられている。ファッションアイテムは、一つであっても複数であってもよい。また、学習用データベースの属性情報が階層化されることなどにより、属性情報生成機能により生成された属性情報も階層化されてよい。属性情報が階層化されることにより、対象画像に関して、より詳細な属性情報を生成することが可能となる。

また、機械学習後の本実施形態のシステムは、複数の人が含まれる対象画像に適用される場合は、前記対象画像内の一又は複数のファッションアイテムに関する一又は複数の属性、及び／又は、前記対象画像内の複数の人に関する複数の属性を、出力できる構成となってよい。ここで、一又は複数のファッションアイテムに係る属性は、前記ファッションアイテムを着用する人と関連付けて、前記人の属性と関連付けられてよい。図１０は、対象画像内の複数の人の夫々に対して、一又は複数の人属性と、一又は複数のファッションアイテムに係る一又は複数のファッションアイテム属性と、を記載の順序に基づいて関連付けられて生成された例である。

また、上記を組み合わせることにより、機械学習後の本実施形態のシステムは、取得された対象画像に適用される場合において、前記対象画像内の一又は複数のファッションアイテムに関する一又は複数の属性、及び／又は、前記対象画像内の一又は複数の人に関する複数の属性を、出力できる構成となっていてよい。

なお、上記の生成された情報は、適宜、記憶されてもよい。

本実施形態のシステムは、
前記画像内に一又は複数のファッションアイテムを含む機械学習用画像を取得する取得部と、
前記一の学習用画像と、前記一又は複数のファッションアイテムに係る一又は複数のファッションアイテム属性と、の関係をディープラーニングにより機械学習するニューラルネットワーク部と、
を備えた属性情報生成システムであってよい。

本実施形態のシステムが上述の構成を備える場合、一又は複数のファッションアイテムを含む画像から、一又は複数のファッションアイテムに関する情報である一又は複数のファッションアイテム属性を、取得できる利点がある。

また、本実施形態のシステムは、
前記画像内に人と一又は複数のファッションアイテムを含む機械学習用画像を取得する取得部と、
前記一の学習用画像と、前記人に係る人属性と、前記一又は複数のファッションアイテムに係る一又は複数のファッションアイテム属性と、の関係をディープラーニングにより機械学習するニューラルネットワーク部と、
を備えた属性情報生成システムであってよい。

本実施形態のシステムが上述の構成を備える場合、人及び一又は複数のファッションアイテムを含む画像から、一又は複数の人属性と、一又は複数のファッションアイテムに関する情報である一又は複数のファッションアイテム属性とを、関連付けて、取得できる利点がある。

また、本実施形態のシステムは、
前記画像内に一又は複数の人と一又は複数のファッションアイテムを含む機械学習用画像を取得する取得部と、
前記一の学習用画像と、前記一又は複数の人に係る一又は複数の人属性と、前記一又は複数の人と関連付けられた前記一又は複数のファッションアイテムに係る一又は複数のファッションアイテム属性と、の関係をディープラーニングにより機械学習するニューラルネットワーク部と、
を備えた属性情報生成システムであってよい。

また、本願書類におけるネットワーク部は、一又は複数の人と一又は複数のファッションアイテムを含む機械学習用画像について、前記一の学習用画像と、前記一又は複数の人に係る一又は複数の人属性と、前記一又は複数の人と関連付けられた前記一又は複数のファッションアイテムに係る一又は複数のファッションアイテム属性と、の関係をディープラーニングにより機械学習して、学習済みニューラルネットワーク部を生産する（前記ニューラルネットワーク部を製造する方法を含むが、本願書類においては、生産すると表現する）方法を含んでよい。前記ニューラルネットワーク部は、プログラムであってよい。

本実施形態のシステムが上述の構成を備える場合、一又は複数の人及び一又は複数のファッションアイテムを含む画像から、一又は複数の人に係る一又は複数の属性と、前記複数の人の各人と関連付けられた一又は複数の人属性と前記人の各人と関連付けられた前記一又は複数のファッションアイテムに関する情報である一又は複数のファッションアイテム属性とを、取得できる利点がある。

上述のように、本実施形態のシステムは、一の学習用画像内に一又は複数の人及び／又は一又は複数のファッションアイテムが含まれており、前記一の学習用画像と関連付けられて、前記一又は複数の人に係る一又は複数の人属性、及び／又は、前記一又は複数のファッションアイテムに係る一又は複数のファッションアイテム属性を、学習用データとして学習した機械学習装置は、属性情報を生成できるようになる。当該属性情報生成機能を有する本実施形態のシステムは、ファッションアイテムを含む画像に適用された場合、属性情報を生成することができるため、ファッションアイテムを含む画像から、ファッションアイテムに関する情報を、整理して取得できる利点がある。

３．２．実施形態２
ファッション業界の関係者又は一般消費者は、専門家や消費者によるファッション情報を参考にすることが有益であることがある。しかしながら、これらの情報は、必ずしも整理されているものではなく、情報の活用が難しいこともある。そこで、本実施形態のシステムは、このような参考にされる情報（以下、「参考情報」という。）に係る画像（以下、「参考画像」という。）について、情報を整理する技術を提供する。

本実施形態のシステムを構成するハードウェアは、実施形態１において説明したハードウェアと同様の構成であってよい。なお、統計処理に関する部分によって生成された情報は、記憶装置１３内に記憶されてよい。また、前記情報は、表示装置１５で表示されてもよいし、通信ＩＦ１６を介して、ネットワーク１９へ伝達されてもよい。当該伝達された情報は、他の情報処理装置によって表示されることが想定される情報であってよい。

本実施形態のシステムについて、図１１を参考にして説明する。まず、参考画像セットを取得する（ステップ１）。ここで、上述のとおり、参考画像セット、すなわち、複数の参考画像は、ネットワーク上で順次取得してもよい。

次に、参考画像セットに対し、本実施形態のシステムが有する属性情報生成機能を用いる（ステップ２）。ここで、参考画像に関して、前記属性情報生成機能によって生成された情報を、「参考画像に係る属性情報」という。属性情報は、機械学習済みの装置によって生成されたものであってよい。例えば、属性情報は、実施形態１で説明した機能により生成されたものであってよい。

なお、各参考画像に対して個々に属性情報生成機能を適用してもよいし、並列計算などにより複数の参考画像に対して同時期に属性情報生成機能を適用してもよい。

次に、本実施形態のシステムは、各参考画像に係る情報と、各前記参考画像に係る属性情報とを、関連付けて、記憶する（ステップ３）。このステップ３において、参考画像に係る情報と、参考画像に係る属性情報とが関連付けられたものを、「参考画像属性データベース」という。なお、参考画像は種々の画像が含まれてよいことから、参考画像属性データベースを、単に「属性データベース」ということもある。

図１２は、参考画像属性データベースの一例である。図１２においては、参考画像ＩＤと関連付けられて属性情報が記憶されている。また、属性情報として、人属性とファッションアイテム属性とが関連付けられている。また、学習用データベースの属性情報が階層化されることなどにより、機械学習された属性情報生成機能によって生成された属性情報も階層化されてよい。属性情報が階層化されることにより、より精緻な属性情報を生成することが可能となる。

なお、本実施形態のシステムは、前記各参考画像に係る情報を備えてよい。図１３は、参考画像に係る情報のデータベースの一例である。参考画像に係る情報としては、例えば、参考画像を示すＩＤ、参考画像の出典に関する情報、参考画像内の人に関する情報、参考画像の作成時期に関する情報、などの情報であってよい。参考画像の出典に関する情報は、参考画像が初出した媒体の媒体名であってもよいし、前記媒体の作成会社であってもよいし、前記媒体の著作者であってもよい。前記参考画像内の人に関する情報は、前記人の年齢、年齢層、年代、性別、などであってよい。

参考画像属性データベースにおいて、参考画像に係る情報は、上述のとおり、参考画像を示すＩＤのみでもよいし、その他の参考画像に関する情報が含まれてもよい。参考画像属性データベースのうち、特に参考画像を示すＩＤ以外の参考画像に係る情報を含むデータベースを、「拡大参考画像属性データベース」という。なお、拡大参考画像属性データベースは、参考画像ＩＤを介して、属性情報のデータベースと、参考画像を示すＩＤ以外の参考画像に係る情報のデータベースとを結びつけるリレーショナルデータベースの方式もあるが、これに限られることはなく、種々のデータベース手法を適用されてよい。

なお、上述では、属性情報と、参考画像に係る情報と、を関連付けて記憶する構成を説明したが、その例に留まらない。例えば、後述する統計処理において、単に属性情報の集計を行うだけであり、参考画像に係る情報を使用しないのであれば、参考画像に係る情報を関連付けなくてもよい。

参考画像を参考にしたい利用者は、参考画像属性データベースを使用することにより、参考画像に関する種々の分析をすることが可能である。例えば、参考画像属性データベース内の情報に統計処理を施すことで、より参考画像に関する情報を取得することができる。

統計処理は、参考画像属性データベース内の情報の一部又は全部を、数値として表示してもよいし、加工して表示してもよい。一部を表示することにより、表示との関係で不必要な情報を削除でき、閲覧者の理解を促進できる。また、加工の態様としては、情報同士に一定の演算を適用したり、グラフ化してもよい。一定の演算としては、平均化や、同時期の減算などがあってよい。また、グラフ化は、表示目的との関係で、妥当な手法を適用してよい。

＜ファッション画像への適用＞
参考画像としては、種々のものがあってよい。例えば、ファッション業界における、コレクションや、トップブランド、海外セレブなどのファッションの画像でもよいし、読者モデル、国内ショップ店員、一般消費者などのファッションの画像でもよい。これらのファッションに関する画像（以下、「ファッション画像」という。）は、ファッションの全体的な傾向を見るにあたり参考にされてよい。本実施形態のシステムが、参考画像として、ファッション画像を用いた場合、ファッション画像に含まれるファッションの傾向の情報を生成することができる。

ファッション画像の一例としては、コレクション写真、コレクション動画、トップブランド写真、トップブランド動画、トップブディックブランド写真、トップブディックブランド動画、セレクトショップ写真、セレクトショップ動画、一般ブランド写真、一般ブランド動画、一般消費者写真、一般消費者動画、等の画像が挙げられる。また、これらの資料の媒体としては、雑誌、動画、インタビュー、店頭に設置された防犯カメラや店内撮影カメラなどが挙げられる。なお、複数のファッション画像（以下では、「ファッション画像セット」ということもある。）は、上述の全ての種類の画像を含んでいてもよいし、含んでいなくともよい。これらのファッションに関する画像であればよい。

本実施形態のシステムは、ファッション画像セットを予め有していてもよいし、他のネットワークを介してファッション画像セットを取得してもよい。ファッション画像の元となる媒体は、ファッション画像を扱う会社から購入してもよいし、ネットワーク上の画像をクローリング技術などによって収集してもよい。例えば、収集の対象となるものとしては、ホームページやＳＮＳ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ Ｓｅｒｖｉｃｅ）であってよい。ＳＮＳは、種々あるが、例えば、インスタグラムやツイッターなどであってよい。

ファッション画像セットは、学習用画像と、同じ種類の媒体から収集されてもよいし、異なる種類の媒体から収集されてもよい。ファッション画像セットの一部は、学習用画像の一部と同じであってもよいが、異なる方が好ましい。

ファッション画像セットを適用した場合における本実施形態のシステムの流れは、図１４に記載のとおりである。

ファッション画像セットを用いた場合、本実施形態のシステムは、ステップ３において、各ファッション画像を示す情報と、前記各ファッション画像に係る情報とを関連付けて、ファッション画像属性データベースに記憶する（ステップ３）。

図１５は、ファッション画像を示す情報と、前記ファッション画像に係る情報と、を関連付けて記憶したデータベースの一例である。ファッション画像に係る情報としては、例えば、ファッション画像を示すＩＤ、ファッション画像自体、ファッション画像が公表された時期、ファッション画像の出典となるブランドの名称、ファッション画像の基となるブランドの種類、及び／又は、ファッション画像内の人の性別、年齢情報、などであってよい。これらのファッション画像に係る情報は、予め与えられていてよい。

利用者は、ファッション画像属性データベースを用いることで、ブランドに関する分析をすることが可能である。具体的には、本実施形態のシステムは、ファッション画像属性データベースを用いて、統計処理をしてよい（ステップ４）。統計処理は、上述のとおり、ファッション画像属性データベース内の情報の一部又は全部を用いて、数値を表示してもよいし、加工して表示してもよい。

例えば、図１６は、統計処理されて表示される画面の一例である。縦軸は、参考画像内において、対応するファッションアイテムが含まれた回数である。例えば、ファッションアイテムの種別内の具体的な内容である、トップス、アウター、パンツなどを含む参考画像数である。当該回数は、ファッションアイテム数、参考画像数、又はこれらのうち所定の関係を有するものを一として数える手法により算出される数であってよく、その算出方法は、例えば、一の参考画像内に一のファッションアイテムが含まれている場合には、参考画像数であってよく、一の参考画像内に複数のファッションアイテムが含まれている場合には、各ファッションアイテムに対応する個数であってよい。一の参考画像内に複数のファッションアイテムが含まれている場合に、ファッションアイテム数を算出しやすくする観点から、属性データベースは、例えば、図１７のように、一のファッション画像ＩＤに対して、一のファッションアイテムが入力されている構成とされていてもよい。また、横軸は、時間軸であり、各年、春、夏、秋、冬の軸としている。すなわち、横軸においては、春として３月乃至５月、夏として６月乃至８月、秋として９月乃至１１月、冬として１２月乃至１月の期間において公表されたとされる参考画像を対象として算出されている。数値は、これらの期間の合計数であってもよいし、平均値であってもよい。

また、本例におけるファッションアイテムの種別に代えて、他のファッションアイテム属性を示してもよい。例えば、上述したとおり、ファッションアイテムの色、ファッションアイテムの模様、ファッションアイテムの加工、ファッションアイテムのアクセサリ、ファッションアイテムの着丈などであってもよい。

統計処理部は、属性データベースを用いて、特定の期間についての特定の属性情報を統計処理した数値を生成してもよい。例えば、上述のように、統計処理部は、ファッションアイテムの種別のトップス、アウター、パンツなどの特定のファッションアイテム属性毎に、合計した数値を生成してよい。また、ファッションアイテムの種別のトップス内のＴシャツ、シャツ、ブラウスなど毎に合計した数値を生成してもよいし、ファッションアイテムの模様の無地柄やボーダー柄や、ファッションアイテムの色のグリーンやブラックなど毎に合計した数値を生成してもよい。また、合計する対象は、ファッションアイテム数やファッションアイテムを含む参考画像数であってよい。また、当該合計は、春夏秋冬の各期間や各月などの所定の期間又は所定の期間毎に合計した数値を生成してもよいし、前記所定の期間又は所定の期間毎に平均値を生成してもよい。所定の期間は、直近の１ヶ月、直近の３ヶ月、又は、特定の１ヶ月、特定の３ヶ月などであってよい。これらの生成された数値は、表示されてよい。上述の属性情報は、上述のとおり、ファッションアイテム属性又は人属性であってよい。

また、統計処理部は、時系列的に表示させるための一又は複数の属性情報を利用者に選択させるために、図１８を提示し、閲覧者に選択させるよう構成されてもよい。

すなわち、統計処理部は、選択された属性情報毎に合計した数値を生成してよい。また、上述と同様に、当該合計は、春夏秋冬の各期間や各月などの所定の期間又は所定の期間毎に合計した数値を生成してもよいし、前記所定の期間又は所定の期間毎に平均値を生成してもよい。

また、縦軸を、参考画像に係る数値に代えて、割合を生成する又は表示するようにしてもよい。例えば、ファッションアイテムの種別を対象として、全体を１００％とした場合において、ファッションアイテムの種別内の各要素を占める割合を、上述と同様に時間軸に沿って、示してもよい。ここでファッションアイテムの種別内の組み合わせは、現実的な可能性として組み合わされてよい。例えば、パンツとアウター、パンツとトップス、パンツとアウターとトップス、スカートとアウター、スカートとトップス、スカートとトップスとアウター、ワンピース、ワンピースとアウター、ワンピースとトップス、アウター、その他である。ここでその他は、体の上半身や下半身など一部のみを含む画像のものである。図１９は、このような組み合わせの一例である。このように、全体の割合を表示させることにより、ファッションアイテムの種別の各々が全体の中で相対的に占める割合を表示させることが可能であり、閲覧者は、ファッションアイテムの種別の各々が全体の中で相対的に占める割合を理解できる。

統計処理部は、対象とする全ての属性情報を１００％とした場合における、各属性情報についての割合を生成してもよい。生成された割合は、表示されてよい。所定の期間又は所定の期間毎については、上述と同様であってよい。

また、表示の態様として、一の属性情報と、時間との２軸のグラフ化にすることにより、前記一の属性情報について、時間に応じた推移を表示することができ、閲覧者は前記一の属性情報の観点における時間的推移を容易に理解することができる。

また、統計処理部は、数値が生成される又は図に表示させる参考画像の対象を、属性データベースの有するデータのうち、一の特定の属性情報を有するデータとしてもよい。例えば、ファッション画像属性データベース内に含まれたファッション画像セットのうち、ファッションアイテムの種別としてシューズの属性情報を有するファッションアイテムのみを対象とする、又は、ファッションアイテムの種別としてスカートの属性情報を有するファッションアイテムを対象としてもよい。このように、シューズのみ、スカートのみ、とファッションアイテムの種別を限定することにより、特定のファッションアイテムの種別における時間的推移を表示できる。これにより、例えば、閲覧者が、シューズ又はスカートのみに関するデザインや販売戦略を検討する立場である場合、シューズ、又は、スカートのみのような特定のファッションアイテムの種別について表示させることで、当該ファッションアイテムの種別に限定したデザインや販売戦略を立案できる。

また、統計処理部は、数値が生成される又は図に表示させる参考画像の対象を、属性データベースの有するデータのうち、一の属性情報における複数の特定の属性情報を有するデータとしてもよい。例えば、ファッションアイテムの種別という一の属性情報において、パンツ及びスカートという複数の属性情報とするファッションアイテムを選択できる構成とされてよい。かかる構成により、一定の共通性のあるファッションアイテムの種別について、表示させることができる。同様に、ファッションアイテムの種別という一の属性情報において、バッグ、シューズ、帽子などのトップス又はボトムス以外のものを対象としてもよいし、逆にトップス及びボトムスを対象としてもよい。

なお、上述のとおり、特定のファッションアイテムの種別をデータの一部として用いるとした上で、表示させる属性情報をファッションアイテムの色とすると、前記特定のファッションアイテムの種別における色の推移を表示させることもできる。

また、図に表示させるファッション画像の対象を、ファッション画像属性データベースの有するデータの一部とする場合において、ファッションアイテムの種別に代えて、他の一又は複数のファッションアイテム属性をデータの一部として、示してもよい。例えば、上述したとおり、ファッションアイテムの色、ファッションアイテムの模様、ファッションアイテムの加工、ファッションアイテムのアクセサリ、ファッションアイテムの着丈などであってもよい。

また、統計処理部は、数値が生成される又は図に表示させる参考画像の対象を、属性データベースの有するデータのうち、複数の属性情報における各前記属性情報内の一又は複数の特定の属性情報を有するデータとしてもよい。例えば、ファッションアイテムの種別という一の属性情報において、トップスとボトムスを対象とし、ファッションアイテムの色という他の属性情報において、ブラックとホワイトとを対象として、合計して数値を生成してよい。所定の期間又は所定の期間毎については、上述と同様であってよい。また、生成された数値は表示されてよい。このように複数の属性について、生成又は表示させる対象を限定させることにより、より当該限定されたものについて、調査することができる。

本実施形態のシステムは、表示させるグラフに使用する属性情報を選択させるために、図２０を提示し、閲覧者に選択させるよう構成されてもよい。

すなわち、統計処理部は、選択された一又は複数の属性情報を属性情報として有するデータのみを対象として、特定の属性情報毎又は選択された属性情報毎に合計した数値を生成してよい。また、上述と同様に、当該合計は、春夏秋冬の各期間や各月などの所定の期間又は所定の期間毎に合計した数値を生成してもよいし、前記所定の期間又は所定の期間毎に平均値を生成してもよい。

また、統計処理部は、上述の属性情報に代えて、参考画像に係る情報を用いてもよいし、属性情報と参考画像に係る情報の両方を混合して用いてもよい。すなわち、統計処理部は、参考画像に係る情報の一について、対象を限定してもよいし、数値を合計してもよいし、生成された数値を表示してもよい。

ここで、統計処理部は、属性情報と参考画像に係る情報が同一種類の情報を扱う場合において、いずれか一方を利用してもよいし、両方を利用してもよい。一方を利用する態様としては、予め属性情報又は参考画像に係る情報と決定されていてもよいし、他の情報に基づいてどちらを決定する態様としてもよい。他の情報としては、例えば、一の情報が他の情報よりも信用度が高いなどの情報であってよい。また、属性情報と参考画像に係る情報との両方を利用する態様としては、属性情報と参考画像に係る情報の平均値を使用するなどが考えられる。

属性情報と参考画像に係る情報が同一種類の情報を扱う具体的な例としては、例えば、人の年齢層の情報が挙げられる。この場合、属性情報、特に人情報における、人の年齢層の情報と、参考画像に係る情報に基づく人の年齢の情報がある場合において、属性情報における人の年齢層の情報を使用するようにしてもよいし、参考画像に係る情報における人の年齢層の情報を使用してもよい。この時、例えば、参考画像に係る情報は、雑誌の購入年齢層から割り出されているものであって信頼性が高いという判断があってもよいし、他方、参考画像に係る情報は手入力であるから信頼性が低いという判断もあってよい。また、かかる信頼性の情報が、参考画像に係る情報の一つとして含まれており、かかる信頼性の情報が、所定の閾値と比較して、高ければ信頼性が高いとして参考画像に係る情報を使用し、かかる信頼性の情報が、所定の閾値と比較して、高くなければ信頼性が高くないとして属性情報内の情報を使用する、という構成であってよい。

属性情報と参考画像に係る情報が同一種類の情報を扱う具体的な他の例としては、人の性別が挙げられる。この場合、属性情報、特に人情報における、人の性別の情報と、参考画像に係る情報に基づく人の性別の情報がある場合において、属性情報における人の性別の情報を使用するようにしてもよいし、参考画像に係る情報における人の性別の情報を使用してもよい。また、人の性別についても、上述と同様に、信頼性に関する情報が、参考画像に係る情報の一つとして備えられていてもよく、かかる情報に基づいて、属性情報と参考画像に係る情報のどちらを使用するかを決定してもよい。

上記においては、グラフの一軸に時期を取るものとしたが、時期に限らず、一定期間を対象とし、グラフの一軸を時期としないようにしてもよい。ここで、一定期間としては、直近の状況を閲覧したいのであれば、例えば過去６ヶ月のような期間を選択してこれらの合計又は平均値としてもよいし、またファッションが影響を受ける季節を考慮して、春夏秋冬のうちの特定の期間を対象として合計又は平均値として表示させてもよい。

そして、グラフの一軸を時期に代えて、属性情報としてよい。例えば、二次元グラフであれば、二つの観点で、表示してよい。例えば、図２１は、一の属性情報として、トップス、アウター、パンツ、ワンピースというファッションアイテムの種別とし、他の属性情報として、ホワイト、ブラック、グレー等のファッションアイテムの色として、前記一の属性情報と他の属性情報を共通して有するファッションアイテムの数又は参考画像の数の数値を生成し、これらに基づいて、二次元グラフとしたものである。このグラフにより、色毎に、各ファッションアイテムの種別の状況を理解することが可能となる。すなわち、統計処理部は、一の属性情報と他の属性情報とを共通して有するファッションアイテムの数又は参考画像の数の数値を生成し、これらに基づいて、グラフを生成してよい。同様に、これらの二つに代えて、他のファッションアイテム属性及びブランドに係る情報から、閲覧目的に応じて２つを選択して表示させてよい。また、二次元以外にも、３つの観点として、３次元グラフ又はそれ以上の高次のグラフとしてもよい。

また、グラフ化に限らず、数値情報をそのまま表示してもよい。例えば、図２２は、ファッションアイテムの色と、ファッションアイテムの模様と、の観点で表示した数値情報の例である。また、この場合、閲覧目的に応じて着目すべき数値情報の表示形態を変更してもよい。例えば、所定の条件を充足する数値の表示形態を変更して表示させてもよい。図２２においては、４００を超える数値に対しては、ななめ太字で下線二重線としている。このように所定の条件を満たした数値又は対象に対し、他の数値又は対象と異なる表示の態様とすることで、閲覧者は、これらに容易に着目できるようになる。なお、表示態様を変更させる対象は、対象となる数値のみでなく、これと関連する属性情報の表示態様を変更してもよい。また、表示態様の変更例としては、数値又は文字の書式について、フォント、スタイル、下線、色、サイズ、文字飾り、配置、等の変更であってよく、また、数値又は属性情報に係る欄や背景について、塗りつぶしやパターン等の変更であってもよい。

統計処理部は、一の属性情報と他の属性情報とを有する、ファッションアイテム数又は参考画像数を合計して生成してよい。また、統計処理部は、前記数値を、表示してよい。また、統計処理部は、前記数値が所定の条件を充足する場合、前記数値の表示態様を、前記所定の条件を充足しない数値とは異なる態様で表示してよい。前記異なる態様は、数値又は文字の書式について、フォント、スタイル、下線、色、サイズ、文字飾り、配置、等の異なる態様であってよく、また、数値又は属性情報に係る欄や背景について、塗りつぶしやパターン等が異なる態様であってよい。

また、数値表示又はグラフ表示において、情報を加工してもよい。例えば、ファッションにおいては、季節要因で大きく変動することから、季節毎に検討する必要性がある場合がある。季節毎とは、例えば、春夏秋冬であったり、これらに該当する月であったりしてよい。

季節要因に対処するために、上述の数値表示またはグラフ表示において、上述の数値から前年度の同一時期の数値を減算して表示してもよいし、上述の数値と前年度の同一時期の数値との比率を表示してもよい。図２３は、数値と前年度の同一時期の数値との比率を表示する例である。同一時期は、前年度の同月比で除算した比率として計算される。図２３においては、１月と２月、３月と４月というように２ヶ月毎に対象画像数をカウントし、ホワイト、ブラック、グリーンなどのファッションアイテムの色で折れ線グラフを作成した。縦軸は、前年度の同時期との比率を示しており、７月と８月において、レッドが約６倍、グリーンが約５倍の枚数とされている。このように前年度との比率として表示されることにより、季節要因を排除して、ファッションの動向を調査することができる。ここでは前年度との比率で表示しているが、前年度の同時期を減算してもよい。

統計処理部は、前記数値から、前記数値に使用した年と期間を用いて、前記年よりも前の年における前記期間に対応する期間の対応する数値で、減算した数値を生成してもよい。また、前記数値を表示してもよい。前記年よりも前の年は、前記年の前年であってよい。

統計処理部は、前記数値を、前記数値に使用した年と期間を用いて、前記年よりも前の年における前記期間に対応する期間の対応する数値で、除算した数値を生成してもよい。また、前記数値を表示してもよい。前記年よりも前の年は、前記年の前年であってよい。

また、ファッションアイテム属性の色についても、相対的な数値情報を生成してもよい。例えば、図２４において、３．４％、４．３％、４．８％、５．６％は、グリーン色が、各年の期間において全体色の中で相対的に占める割合を示している。本実施形態のシステムがこのような図を表示する場合、閲覧者は、グリーン色が、全体の色の中で相対的に占める割合が増えていることを理解できる。

統計処理部は、一の属性情報における一又は複数の属性値に係る数値が、前記一の属性情報において占める割合の数値を、生成してよい。ここで、前記数値は表示されてよい。また、前記数値に基づいたグラフが表示されてよい。また、前記割合の数値は、前記一又は複数の属性値に係る数値を、前記前記一の属性情報に含まれる属性値に係る数値の合計で除算した数値であってよい。

また、統計処理部は、参考画像属性データベースの値を用いて、将来における属性値に係る数値の予測をしてもよい。予測は、直近３ヶ月や直近６ヶ月などの一定期間の数値を用いたものであってよい。例えば、前記一定期間の数値の平均値を将来の数値とする単純平均法を適用してもよいし、前記一定期間の数値を用いた移動平均法や加重移動平均法など季節要因を低減させる手法を適用してもよいし、前記一定期間の数値を用いて一次方程式を生成することで将来の期間における値を予測する手法を適用してもよい。

また、上述では、属性情報を予め与えられたものとして説明したが、属性情報についてカテゴリーを変更できるよう構成されてもよい。具体的には、複数の属性値を一の属性値に変更し、前記複数の属性値に係る数値の合計を、変更後の前記一の属性値に係る数値として生成してよい。

例えば、ファッションアイテムの色に関し、属性データベースにおいて、ホワイト、ブラック、グレー、ブラウン、ベージュ、グリーン、ブルー、パープル、イエロー、ピンク、レッド、オレンジとの属性値がある場合において、新たな属性値として、明色と暗色を作成し、例えば、ホワイト、グリーン、ブルー、イエロー、ピンク、レッド、オレンジを明色とし、ブラック、グレー、ブラウン、ベージュ、パープルを暗色とするような変更をした上で数値を生成してよい。

このように複数の属性値を一の属性値に変更することにより、大局的な情報を取得しやすくなり、分かりやすくなる利点がある。

上述の各表示は、ファッションアイテムのデザイナー、ファッションアイテムの生産量の調整を業務とする者、ファッションアイテムの店頭販売時に人気のあるファッションアイテムを特定する者、ファッションアイテムのトレンドを予測する者の資料などになりえる。

一部として、一定のグループに属すると考えられる参考画像に対して、本実施形態のシステムを適用した場合、前記の限定したファッションの傾向に関する情報を抽出することが可能となる。

上述のファッション画像は、どのような視点や観点でグループ分けをしてもよいが、例えば、コレクション／デザイナー画像、セレブ画像、国内有名人画像、国内読者モデル画像、国内ショップ店員画像、国内一般消費者画像、などの区分けをした場合を考える。

ここで、コレクション／デザイナー画像は、ファッションのデザイナーやファッションショーに係る画像が挙げられる。

セレブ画像は、ファッションに関して先進的とされる有名人に係る画像が挙げられる。

国内有名人画像は、タレント又は芸能人とされる人々に係る画像である。

国内読者モデル画像は、一般人であるが、ファッション雑誌にファッションを着用した例として示される画像である。

国内ショップ店員画像は、ファッション関連ショップにおける店員に係る画像である。

国内一般消費者画像は、一般人に係る画像である。

国内読者モデル画像や、国内ショップ店員画像は、ファッションのメーカや販売店が、販促の一部として、提供されていることもある。

＜先進ファッション画像＞
コレクション／デザイナー画像、セレブ画像、を纏めて「先進ファッション画像」という。先進ファッション画像は、海外のファッションに係ることが多いが、国内のファッションが含まれていてもよい。先進ファッション画像は、主として、先進的なファッションデザインが扱われることが多い。

本実施形態のシステムが、参考画像として、先進ファッション画像を取得した場合の流れは、図２５のとおりである。ここで、本実施形態に係るシステムにおいて、参考画像として先進ファッション画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「先進ファッション画像属性データベース」とすることができる。そして、本実施形態のシステムにおける統計処理部は、上述のファッション画像における統計処理部と同様の統計処理を、先進ファッション画像属性データベースに基づいて行ってよい。前記統計処理によって生成された情報又は前記情報に基づく表示は、先進的なファッションに基づく情報となる。よって、特に、先進的なファッションにおける、上述の種々の傾向を表示することができる。

＜普及ファッション画像＞
国内読者モデル画像、国内ショップ店員画像、国内一般消費者画像、を纏めて「普及ファッション画像」という。普及ファッション画像は、主として、一般的に普及しているファッションデザインが扱われることが多い。

本実施形態のシステムが、参考画像として、普及ファッション画像を取得した場合の流れは、図２６のとおりである。ここで、本実施形態に係るシステムにおいて、参考画像として普及ファッション画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「普及ファッション画像属性データベース」とすることができる。そして、本実施形態のシステムにおける統計処理部は、上述のファッション画像における統計処理部と同様の統計処理を、普及ファッション画像属性データベースに基づいて行ってよい。前記統計処理によって生成された情報又は前記情報に基づく表示は、普及したファッションに基づく情報となる。よって、特に、一般消費者向けのデザインや、一般消費者向けの販路に係る生産量の調整などの普及しうるファッションにおける、上述の種々の傾向を表示することができる。

なお、先進ファッション画像の傾向は、一定期間経過後、普及ファッション画像に影響を与えることがある。限定されたデータに基づく我々の調査においては、先進ファッション画像の傾向が、約１．７年後に、普及ファッション画像に影響したという一例がある。そのため、先進ファッション画像の傾向と普及ファッション画像の傾向とを対比することにより、普及ファッション画像の今後の参考になる又は予測になる場合がある。図２７は、先進ファッション画像に基づく統計情報と、普及ファッション画像に基づく統計情報と、を対比して表示した例である。本例においては、点線で示されたホワイト色は、先進ファッション画像に基づく統計処理においては２０１６夏において突出した値を表示しているのに対し、普及ファッション画像に基づく統計処理においては、２０１８年春において突出した値を表示している。また、直線で示されたブラック色は、先進ファッション画像に基づく統計処理においては２０１６冬において突出した値を表示しているのに対し、普及ファッション画像に基づく統計処理においては、２０１８年秋において突出した値を表示している。

また、図２７においては表示されていないが、ホワイト又はブラックのような対応する情報について、このような突出すると考えられる所定の数値以上の数値の箇所を、先進ファッション画像と普及ファッション画像の表示において関連付けて表示させることにより、先進ファッション画像の内容が普及ファッション画像に影響したことを注目させる態様により表示させる構成としてもよい。本実施形態のシステムが、かかる先進ファッション画像に基づく統計情報と、普及ファッション画像に基づく統計情報と、を対比して表示する場合、普及ファッション画像の今後の参考になる又は予測になりうる。
＜周期ファッション画像＞
ファッション業界におけるファッショントレンドには、周期性があると言われる。そこで、本実施形態のシステムは、周期性を踏まえて参考となる画像（以下、「周期ファッション画像」という。）を主な対象としてもよい。「周期ファッション画像」の例としては、１２年の周期に着目した場合には、現在から１２年前を含む所定の期間（例えば、１２年前の１月から１２月の期間、又は、１２年前の該当する季節の期間）に発行された媒体又は当該期間を対象とした媒体に掲載されていたファッション画像が挙げられる。

本実施形態のシステムが、参考画像として、周期ファッション画像を取得した場合の流れは、図５０のとおりである。ここで、本実施形態に係るシステムにおいて、参考画像として周期ファッション画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「周期ファッション画像属性データベース」とすることができる。そして、本実施形態のシステムにおける統計処理部は、上述のファッション画像における統計処理部と同様の統計処理を、周期ファッション画像属性データベースに基づいて行ってよい。前記統計処理によって生成された情報又は前記情報に基づく表示は、現在から所定の前のファッションに関する情報となる。よって、閲覧者は、１２年の周期性を考慮に入れた上で、ファッションデザインの策定や、ファッションアイテムの販路に係る生産量の調整などを検討できる。

なお、本実施形態のシステムは、ファッションの周期性をより分かりやすくするための表示をしてもよい。例えば、統計処理部は、周期ファッション画像に基づく情報と、前記周期ファッション画像に基づく情報に対応する期間のファッション画像に基づく情報を、対比して表示してもよい。その一例を説明すると、本実施形態のシステムは、現在から１２年前の所定の期間、例えば、７月から９月という夏季期間に発行された媒体又は当該期間のファッションアイテムを対象とした媒体に掲載された画像を含む画像を周期ファッション画像として、周期ファッション画像属性データベースを生成し、二種のファッションアイテム属性について（例えば、ファッションアイテムの種別としてトップスとアウター、ファッションアイテムの色として各色）の対象について集計して数値を生成し、表示するとする。また、同様に上記に対応する期間として、本年の７月から９月という夏季期間に発行された媒体又は当該期間のファッションアイテムを対象とする媒体に掲載された画像を含む画像を対象とした属性データベースを生成し、上述同様のファッションアイテムの種別について集計して数値を生成し、表示する。対比して表示する態様としては、軸を同一として同一画面上に表示する構成や横又は縦等に並べて表示する態様であってよい。このように、所定期間について、周期前のファッション情報と、現在のファッション情報とを対比して表示させることにより、ファッションに周期性があるとの考えに基づけば同時期のファッションの変化の可能性について検討するための材料を容易に得ることができる。また、上記において、周期ファッション画像属性データベースに基づいて集計された数値において、所定の数値よりも高い数値について、所定の数値よりも高くない数値とは異なる情報を付加してもよい。また、さらに、前記集計された数値において、所定の数値よりも高い数値について、所定の数値よりも高くない数値とは異なる表示態様としてもよい。また、前記所定の数値よりも高い数値に関連するファッションアイテム属性については、前記所定の数値よりも高くない数値とは異なる表示態様としてもよい。このような異なる表示により、周期前のファッションにおいてトレンドとされるような数値又はファッションアイテム属性について、容易に閲覧者は理解をすることができる。また、前記集計された数値について、数値の高い順にランキングを生成してもよい。前記数値又はランキングは、順位の高い順から、表示されてもよい。また、ランキングは、ファッションアイテムの種別、ファッションアイテムの色、ファッションアイテムの模様など、一又は複数の特定のファッションアイテム属性についてのランキングであってもよい。

以下では、更に、他の視点で収集された画像と、これに対する本実施形態のシステムの適用の例を説明する。例えば、特定年齢層に係るファッション情報、特定の国又は地域に係るファッション情報、自分が興味のある人・団体・対象に係るファッション情報、自分が日頃接することの多いものに係るファッション情報、などを説明する。

＜特定年齢層に係るファッション情報＞
特定の年齢の人が着用しているファッションアイテムを含む画像（以下、「特定年齢層画像」という。）は、特定の年齢の人が着用するファッションに係る画像であってもよいし、特定の年齢を含む所定の年齢幅のある人が着用するファッションに係る画像であってよい。所定の年齢幅は、２歳幅、３歳幅、５歳幅、１０歳幅などであってよい。また、年齢に応じて、異なる年齢幅を選択してもよい。例えば、１０代は所定の年齢幅を２歳とし、２０代は所定の年齢幅を３歳とし、３０代は所定の年齢幅を５歳とする等であってもよい。これは年齢の上昇に伴い、一般的に年齢と見かけの関係が緩やかになるためである。

特定年齢層画像の一部は、ファッション画像の一部と重複してもよいし、重複しなくともよい。また、ファッション画像以外の画像を含んでもよいし、含まなくてもよい。

参考画像として特定年齢層画像を用いた場合の本実施形態のシステムの流れは、図２８のとおりである。なお、図２８においては、対象となる画像の特定年齢層画像を決定するために、特定の年齢層の情報を取得する。なお、上述のとおり、ここでいう特定の年齢層は、一定の幅があってもよいし、特定の年齢であってもよい。また、この特定の年齢層の情報は、予め本実施形態のシステム内において選択されてもよいし、利用者端末から本実施形態のシステムが情報を取得してもよい。

本実施形態に係るシステムにおいて、参考画像として特定年齢層画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「特定年齢層画像属性データベース」とすることができる。

特定年齢層画像属性データベースを用いても、本実施形態のシステムは、上述と同様の統計処理を行って表示させてよい。ファッション画像属性データベースにおいて特定地域を表示させる場合と比べて、特定年齢層画像属性データベースを用いた場合は、各年齢に特有の情報を踏まえた統計処理の表示が可能である。

また、利用者が特定年齢層のファッションのみに興味を有する場合、ファッション画像属性データベースを用いた売買又はアクセスに代えて、特定年齢層画像属性データベースを参考にして特定されたファッションアイテムへの購入先の照会を可能とすることで、特定年齢層に興味のある者に対するビジネスを可能とする。

＜特定の国又は地域に係るファッション情報＞
特定の国又は地域に係るファッションアイテムを含む画像（以下、「特定地域画像」という。）は、特定の国又は地域と関連性のあるファッションアイテムを含む画像であればよい。特定の国又は地域と関連性のあるファッションアイテムは、前記特定の国又は地域において、文化的な起源を有するファッションアイテムであってもよいし、前記特定の国又は地域において流行しているファッションアイテムであってもよいし、前記特定の国又は地域において単に着用されているファッションアイテムであってもよい。前記地域は、複数の国であってもよいし、国の一部であってもよい。

特定年齢画像の一部は、ファッション画像の一部と重複してもよいし、重複しなくともよい。また、ファッション画像以外の画像を含んでもよいし、含まなくてもよい。

参考画像として特定地域画像を用いた場合の本実施形態のシステムの流れは、図２９のとおりである。なお、図２９においては、対象となる画像の特定地域画像を決定するために、特定の地域の情報を取得する。なお、上述のとおり、ここでいう特定の地域は、地域であってもよいし、国であってもよいし、州や市町村であってもよい。また、この特定の地域の情報は、予め本実施形態のシステム内において選択されてもよいし、利用者端末から本実施形態のシステムが情報を取得してもよい。

本実施形態に係るシステムにおいて、参考画像として特定地域画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「特定地域画像属性データベース」とすることができる。

特定地域画像属性データベースを用いても、本実施形態のシステムは、上述と同様の統計処理を行って表示させてよい。ファッション画像属性データベースにおいて特定地域を表示させる場合と比べて、特定地域画像属性データベースを用いた場合は、各地域に特有の情報を踏まえた統計処理の表示が可能である。

また、利用者が特定地域のファッションのみに興味を有する場合、ファッション画像属性データベースを用いた売買又はアクセスに代えて、特定地域画像属性データベースを参考にして特定されたファッションアイテムへの購入先の照会を可能とすることで、特定地域に興味のある者に対するビジネスを可能とする。

＜興味のある人・団体・対象に係るファッション情報＞
利用者が興味のある人、団体、又は対象に係るファッションアイテムを含む画像（以下、「興味画像」という。）において、自分が興味のある人又は団体は、著名な人又は団体であってもよいし、著名でない人又は団体であってもよい。自分が興味を有している、アニメ、映画、小説、絵画などであってもよい。例えば、ツイッターでフォローしている人に係るファッションアイテム、「いいね」を押した人又は記事に係るファッションアイテム、自分がファンである著名人に係るファッションアイテム、などが挙げられる。自分が興味のある対象は、例えば、自分が利用するＰＣにおいてブックマークをしたりお気に入りに入れたりしているホームページであってもよい。

特定年齢画像の一部は、ファッション画像の一部と重複してもよいし、重複しなくともよい。また、ファッション画像以外の画像を含んでもよいし、含まなくてもよい。

参考画像として興味画像を用いた場合の本実施形態のシステムの流れは、例えば、図３０と図３１が挙げられるが、これらに限られない。いずれにおいても、対象となる画像の特定興味画像を決定するために、利用者の興味の情報を取得してよい。図３０においては、興味の情報を、利用者端末からの情報に基づいて、本実施形態システム内の参考画像全体の中から関連するものを検索する手法である。この検索手法は、任意の手法で良い。参考画像のデータベースは、参考画像に係る情報が含まれている場合には、これらから利用者の興味に関連する画像を選択する形式であってよい。他方、図３１においては、本実施形態システムは、予め興味の選択肢とこれに対応する画像を対応付けて保有しており、利用者が利用する端末に対して、興味の選択肢を提示する。そして、本実施形態のシステムは、利用者が利用する端末からの興味の選択肢を取得し、前記選択された興味に対応する画像を興味画像として利用する形式であってよい。

本実施形態に係るシステムにおいて、参考画像として興味画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「興味画像属性データベース」とすることができる。

興味画像属性データベースを用いても、本実施形態のシステムは、上述と同様の統計処理を行って表示させてよい。興味画像属性データベースを用いた場合は、利用者の具体的な興味の情報を踏まえた統計処理の表示が可能である。

また、利用者が特定の人・団体・対象に興味を有する場合、興味画像属性データベースを参考にして特定されたファッションアイテムへの購入先の照会を可能とすることで、利用者が興味のある人、団体、又は対象に関するビジネスを可能とする。

＜接触対象に係るファッション情報＞
利用者が接することの多い対象に係るファッションアイテムを含む画像（以下、「接触画像」という。）において、利用者が接することの多い対象は、利用者の興味がある対象であってもよいし、利用者の興味がない対象であってもよい。また、利用者の接触の程度は、所定の基準を用いて判断されてよい。例えば、ＰＣを利用して閲覧するホームページの場合、閲覧される全ホームページのうち、特定の程度以上閲覧されるホームページを、自分が接することの多いホームページと判定されてよい。前記特定の程度は、ホームページの総閲覧時間に対する閲覧時間の割合が所定以上のものであってもよいし、ホームページの全閲覧回数に対する閲覧回数の割合が所定以上のものであってもよいし、これらを所定のルール又は重み付けなどで組み合わせたものであってもよい。

接触画像の一部は、ファッション画像の一部と重複してもよいし、重複しなくともよい。また、ファッション画像以外の画像を含んでもよいし、含まなくてもよい。

参考画像として接触画像を用いた場合の本実施形態のシステムの流れは、図３２のとおりである。

本実施形態に係るシステムにおいて、参考画像として接触画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「接触画像属性データベース」とすることができる。

接触画像属性データベースを用いても、本実施形態のシステムは、上述と同様の統計処理を行って表示させてよい。接触画像属性データベースを用いた場合は、利用者が具体的に接触している情報を踏まえた統計処理の表示が可能である。

また、利用者が接触している対象について、接触画像属性データベースを参考にして特定されたファッションアイテムへの購入先の照会を可能とすることで、利用者が接触する対象に関するビジネスを可能とする。

＜特定団体関連ファッション情報＞
特定の一又は複数のデザイナーや、ファッションアイテムの特定の一又は複数の生産者、販売者、流通者などの観点で特定されるファッションアイテム含む画像（以下、「特定団体画像」という。）は、一又は複数のファッションデザイナーがデザインするファッションアイテム、一又は複数のデザインメーカに所属するデザイナーがデザインするファッションアイテム、一又は複数の生産者・販売者が作成するプロトタイプのファッションアイテム、一又は複数の生産者・販売者が販売する予定のファッションアイテム、又は、一又は複数の販売者が販売済みのファッションアイテム、又はこれらの組み合わせであってよい。

特定団体画像の一部は、ファッション画像の一部と重複してもよいし、重複しなくともよい。また、ファッション画像以外の画像を含んでもよいし、含まなくてもよい。

参考画像として特定団体画像を用いた場合の本実施形態のシステムの流れは、図３３のとおりである。

本実施形態に係るシステムにおいて、参考画像として特定団体画像を用いた場合、ファッション画像を用いた場合におけるファッション画像属性データベースに代えて、「特定団体画像属性データベース」とすることができる。

上述のファッション画像、先進ファッション画像、普及ファッション画像、特定年齢画像、特定地域画像、興味画像、接触画像、特定団体画像その他特定の観点で収集された画像（以下、これらをまとめて「参考ファッション画像」ということもあり、各視点で収集された画像の種類を「参考ファッション画像種」ということもある。）は、種々の手法で収集されてよい。

上述において、参考画像に関する収集の態様は、これらの参考ファッション画像においても同様に妥当する。

なお、興味画像、接触画像など、利用者によって異なる情報は、利用者の情報を用いて収集されてよい。すなわち、利用者に係るＰＣの情報を用いて、本実施形態システムが有するデータベース、ネットワーク上の情報処理装置などから、参考ファッション画像は収集されてよい。また、適宜、時間軸に合わせて、これらの情報はアップデートされてよい。ここで、利用者に係るＰＣは、利用者が所有するＰＣ、利用者が管理するＰＣ、利用者がアカウントを有しているＰＣ、利用者がアクセス権を有しているＰＣなどであってよい。また、利用者に係るＰＣの情報とは、利用者に係るＰＣにおいて、利用者が利用するアプリケーションの情報を用いてよい。例えば、ブラウザ上における閲覧履歴、ブラウザ上のブックマーク、お気に入り、などの情報であってよい。

また、本実施形態のシステムは、参考画像とする情報源を選択できる構成を有してもよい。例えば、本実施形態のシステムは、参考ファッション画像種を選択する選択部を有してよい。

なお、選択部は、上述した複数の参考ファッション画像種の一を選択する場合に限らず、複数の参考ファッション画像種に対して集合演算を施したものであってもよい。集合演算としては、例えば、和、積、差、補集合などであってよい。これにより、例えば、複数の特定年齢画像と、複数の特定地域画像と、の和を取ることで、特定の年齢かつ特定の地域のファッション画像に関する情報処理が可能となる。これにより統計処理を行うことで、前記特定の年齢かつ特定の地域の傾向を、閲覧者は理解することが可能となる。また、参考ファッション画像種に対して集合演算を施せる態様とすることで、利用者は、希望する参考ファッション画像種に関する情報を取得することが可能となる。

なお、集合の段階で対象を限定してもよいし、統計処理の段階で閲覧対象を限定してもよいが、集合の段階で対象を限定する場合、機械学習の適用を行う対象が減少するため計算量及び機械学習適用後のデータベースの記憶量の減少の利点がある。他方、統計処理の段階で閲覧対象を限定する場合、対象とする閲覧対象以外の情報も統計処理の計算量のみで容易に閲覧できる利点がある。

本実施形態において、機械学習による属性情報生成装置を適用することによる属性データベースを用いて説明したが、属性情報は他の手法によって生成されてもよい。例えば、属性データベースは、手入力により生成されたものであってもよいし、機械的に生成された属性データベースの元となるものに対して適宜修正をルールベースの手法や手入力で行うことにより、属性データベースを生成してもよい。これは、他のデータベースで収集された情報をまとめた上で、異なる部分をルールベースなどの手法により生成することが考えられる。また、一度機械学習に基づく属性情報生成機能によって生成されたデータベースに対して、新しく追加されるべき画像について、そのアップデート部分等を手入力により生成されることも考えられる。

そこで、本実施形態のシステムは、機械学習機能に基づく属性情報生成機能を有さず、
複数の属性情報を含むデータベースと、
統計処理をする統計処理部と、
を備えてもよい。

また、本実施形態のシステムは、機械学習機能に基づく属性情報生成機能を有さず、上述の統計処理部が備えることのできる機能の一又は複数を有してよい。

属性情報生成機能を有しない本実施形態のシステムは、属性情報生成機能のための機械学習などの負担なしに、属性データベースを用意するだけで上述の種々の効果を有する利点がある。

更に、本実施形態のシステムは、属性データベース自体を有しなくとも、他者が有する又は管理する属性データベースに対してアクセスが可能であり、属性情報が入手できれば十分な場合もある。属性データベースは、データベースを管理し、提供する企業などから入手できる可能性もあるためである。

そこで、本実施形態のシステムは、
ネットワークを介して複数の属性情報を含む情報を取得する取得部と、
前記複数の属性情報を用いて、統計処理をする統計処理部と、
を備えてもよい。

また、本実施形態のシステムは、属性データベースを有さず、上述の統計処理部が備えることのできる機能の一又は複数を有してよい。

また、前記複数の属性情報を含む情報は、例えばレコードのような、複数の属性情報に対応する各属性値含む情報であってもよいし、例えばフィールドのような、前記各属性値の一の属性値を含む情報を、前記複数の属性情報に対応させて収集する値であってもよい。

３．３．実施形態３
対象とするファッションアイテムが、自分が参考とするファッションとどのような関係にあるかを知りたいことがある。以下では、自分が参考とするファッションとして、上述のファッション画像を用いるが、先進ファッション画像、普及ファッション画像、周期ファッション画像、ブランド画像、特定年齢画像、特定地域画像、興味画像、接触画像、特定団体画像、その他特定の観点で収集された画像などの参考ファッション画像であってもよいし、複数の参考ファッション画像種に対して集合演算を施したものであってもよい。

本実施形態のシステムに係るハードウェア構成は、実施形態１で説明したハードウェア構成と同じようなものであってもよいし、異なる部分を有してもよい。例えば、図３４を参考にして、説明する。本実施形態のシステムは、システムサーバ２１を有する。本実施形態のシステムは、更に、機械学習装置２２を有してもよい。また、本実施形態のシステムは、更に、商品データベース２４を有してもよい。また、本実施形態のシステムは、端末２３を有してもよい。

図３４において、機械学習装置は、２２ａおよび２２ｂの二つを示したが、このように、二つ以上の機械学習装置であってもよいし、単一の機械学習装置であってもよい。機械学習装置は、機械学習をする装置であってもよいし、機械学習によって生成された、機械学習装置済みの属性情報生成機能を有するものであってもよい。なお、機械学習済みの属性情報生成装置であったとしても、新たな学習用データによって、機械学習がされてもよく、かかる機械学習を実施するための機能を有してもよい。

図３４においては、商品データベース２４も、２４ａおよび２４ｂの二つを示したが、このように、二つ以上の商品データベースであってもよいし、単一の商品データベースでもよい。

図３４において、システムサーバ２１は一つのみを示しているが、上述のとおり、複数の情報処理装置から構成されてもよく、ネットワークを介してシステムサーバ２１の一部が位置づけられてもよい。

なお、図３４においては、機械学習装置２２及び商品データベース２４を、システムサーバとは別に、ネットワークを介した位置に示しているが、これら機械学習装置２２及び商品データベース２４のいずれか一方又は両方がシステムサーバ２１内に含まれていてもよい。

システムサーバ２１は、ネットワーク１９を介して、機械学習装置２２ａ及び２２ｂ、商品データベース２４ａ及び２４ｂと、互いに情報を伝達できるように、接続されてよい。また、システムサーバ２１は、端末２３と、互いに情報をできるように、接続されてよい。

また、本実施形態のシステムは、他のハードウェア構成であってもよい。これは、機械学習装置を有しない例の構成である。図３５を参考に説明すると、本実施形態のシステムは、システムサーバ２１を有する。本実施形態のシステムは、更に、属性データベース２５を有してもよい。また、本実施形態のシステムは、更に、商品データベース２４を有してもよい。また、本実施形態のシステムは、端末２３を有してもよい。

図３５において、属性データベースは、２５ａおよび２５ｂの二つを示したが、このように、二つ以上の属性データベースであってもよいし、単一の属性データベースであってもよい。属性データベースは、属性情報に関するデータベースを有するものである。当該属性情報は、属性情報生成装置によって生成されたものであってもよいし、人的に生成されたものでもよい。属性情報生成装置によって生成された場合、属性情報生成装置が機械学習によって生成されたものでもよいし、ルールベースの手法であってもよいし、媒体からのＯＣＲなどの機能によるものであってもよい。また、属性データベース２５は、システムサーバ２１と、ネットワーク１９を介して接続されてもよいし、属性データベース２５は、システムサーバ２１内に含まれてもよい。

図３５における商品データベース２４、システムサーバ２１、端末２３は、図３４におけるものと同様であってよい。

本実施形態のシステムについて、図３６を参考にして説明する。まず、分析したい対象となるファッションアイテムを含む対象画像（以下、「分析対象画像」という。）を用意する（ステップ１）。この分析対象画像としては、例えば、利用者が保有しているファッションのアイテムをデジタルカメラで撮像した画像であってもよいし、ネット上で販売のために展示されている画像であってもよい。

次に、本実施形態のシステムが有する属性情報生成機能を用いて、分析対象画像について、分析対象画像に係るファッションアイテム属性を生成する（ステップ２）。属性情報生成機能は、機械学習によって生成されたものであってよい。例えば、属性情報生成機能は、実施形態１で説明した属性情報生成機能であってよい。

次に、分析対象画像と、ファッション画像属性データベース内のデータと、を比較して、分析対象画像内のファッションアイテムと同一又は類似のファッションアイテムを、ファッション画像属性データベース内で特定する（ステップ３）（以下、特定されたファッションアイテムを「特定アイテム」という。）。なお、特定アイテムが抽出された元となるファッション画像属性データベース内の画像を、「元ファッション画像」という。

分析対象画像とファッション画像属性データベース内のデータの比較は、分析対象画像内のファッションアイテムに係るファッションアイテム属性と、ファッション画像属性データベース内のファッションアイテム属性と、の比較であってよい。比較は、対応するファッションアイテム属性内の属性値を比較してよい。

同一と類似は、種々の判定基準によって判定されてよい。同一と類似を、緩く判定する基準とした場合は、同一又は類似と判定される対象が増加し、同一と類似を、厳しく判定する基準とした場合は、同一又は類似と判定される対象が減少する関係にある。以下では、同一又は類似を判定する一例を説明するが、これらに限られず、ファッションアイテムの関係を同一又は類似と判定できる手段であればよい。特に、ファッションアイテム属性を用いて同一又は類似と判定できる手段であれば、種々の手法が用いられてよい。

同一とは、対応するファッションアイテム属性が、例えば、全て同一である場合であってよい。例えば、ファッションアイテム属性として、ファッションアイテムの種別と、ファッションアイテムの色と、ファッションアイテムの模様の情報を有する場合、ファッションアイテムの種別としてボトムス、ファッションアイテムの色としてブラック、ファッションアイテムの模様として花柄、などの対応するファッションアイテム属性の属性値が一致することでよい。

類似は、例えば、対応する複数のファッションアイテム属性のうち、一のファッションアイテム属性に係る属性値が同一であるが、他のファッションアイテム属性に係る属性値が異なる場合であってよい。例えば、ファッションアイテムの種別の属性値は同じであるが、ファッションアイテムの加工の属性値が異なるなどであってよい。

また、類似と判定されるために、同一であるべき一又は複数のファッションアイテム属性が定められていてもよい。例えば、ファッションアイテムの種別とファッションアイテムの色は、類似と判定されるためには同一の属性値の関係である必要があるとされてよい。上述の同一であるべき一又は複数のファッションアイテム属性は、予め定められていてもよいし、後述の機械学習などにより適宜変更されて定められてもよい。

この場合、比較するファッションアイテムＡとファッションアイテムＢに対し、前記ファッションアイテムＡと前記ファッションアイテムＢとが同一でない場合において、前記ファッションアイテムＡとＢが共通して有している全ての各ファッションアイテム属性のうち、同一であるべきとされる一又は複数のファッションアイテム属性の全てに関して対応するファッションアイテム属性が同一の属性値であると判定されれば、前記ファッションアイテムＡと前記ファッションアイテムＢについて類似と判定されてよい。ここで、更に、前記ファッションアイテムＡとＢにおいて、一方は他方が有していないファッションアイテム属性を有する場合には、類似と判定しないとしてもよい。

また、類似と判定されるために、ファッションアイテム属性内の属性値についてグループが定められており、比較される二つのファッションアイテムに係るファッションアイテム属性の属性値がいずれも関連するグループ内に属する場合に類似と判定されてもよい。例えば、ファッションアイテムの種別のアウターにおいて、コートとトレンチコートは、関連するグループとして定められており、一のファッションアイテムがコートであり、他のファッションアイテムがトレンチコートである場合、前記一のファッションアイテムと前記他のファッションアイテムは、ファッションアイテムの種別に関し、類似と判定されてもよい。他方、同じファッションアイテムの種別内のトップスにおいて、例えば、Ｔシャツとセーターは、関連しないグループとして定められており、一のファッションアイテムがＴシャツであり、他のファッションアイテムがセーターである場合、前記一のファッションアイテムと前記他のファッションアイテムは、ファッションアイテムの種別に関し、同一及び類似ではないと判定されてよい。

そして、この場合、比較するファッションアイテムＡとファッションアイテムＢに対し、前記ファッションアイテムＡと前記ファッションアイテムＢとが同一でなく、前記ファッションアイテムＡとＢが共通して有している全ての各ファッションアイテム属性について、同一又は類似と判定されている場合に、前記ファッションアイテムＡと前記ファッションアイテムＢが類似であると判定してよい。ここで、更に、前記ファッションアイテムＡとＢにおいて、一方は他方が有していないファッションアイテム属性を有する場合には、類似と判定しないとしてもよい。

また、類似は、ファッションアイテム属性の同一又は類似に代えて、ファッションアイテム属性の類似性の高い順にランキングされてもよい。例えば、ファッションアイテム属性が同一であるものについては類似性のランキングを高く設定し、ファッションアイテム属性、ファッションアイテム属性内の上述のグループ等に応じて、類似性のランキングを設定してよい。

上述の同一又は類似は、人がファッションアイテムを見る際に、同じものと考える又は似たようなものと考える可能性のあるファッションアイテムのファンションアイテム属性の組み合わせを、同一又は類似と判定できるようなものであってもよい。これらの同一又は類似は、ルールベースで判定されてもよいし、機械学習によって判定できるものであってもよい。例えば、ファッションアイテムＡとファッションアイテムＢに対して、ファッションアイテムＡに係る属性と、ファッションアイテムＢに係る属性と、前記Ａ及びＢに対して人が同一又は類似と判定した結果と、を関連付けて、機械学習させた機械学習装置を用いてもよい。上記人が同一又は類似と判定した結果は、人が同一又は類似と判定した統計データやアンケート結果などであってもよい。また、上述では、同一又は類似と記載したが、同一のみ、類似のみであってもよい。

＜出典の表示＞
本実施形態のシステムは、ファッション画像属性データベースから、特定アイテムについてのファッション画像に係る情報を取得してよい。また、前記取得されたファッション画像に係る情報を、端末に表示させてよい。

例えば、本実施形態のシステムは、ファッション画像に係る情報として、ファッション画像の出典に関する情報を表示してよい。出典に関する情報としては、画像が発表された媒体名、ブランド名、雑誌コード、ＩＳＢＮコード、出版社、及び／又は、巻号などであってよい。

分析対象画像が、利用者が保有しているファッションアイテムを撮像した画像である場合において、本実施形態のシステムが、前記分析対象画像における特定アイテムに係る出典に関する情報を提示した場合、閲覧者は、利用者が保有しているファッションアイテムと同一又は類似のファッションアイテムが、どのような媒体の画像に表示されたのかを理解することができる。このとき、もし仮にその媒体が著名又は有名なファッション雑誌であったりする場合、利用者は、保有するファッションアイテムが著名又は有名なファッション雑誌で紹介されたファッションアイテムと同一又は類似であることを理解することができ、場合によっては保有するファッションアイテムの着用に自信を得ることができる。

また、分析対象画像が、例えば、他社が有しているファッションアイテムを撮像した画像である場合において、本実施形態のシステムが、前記分析対象画像における特定アイテムに係る出典に関する情報を提示した場合、閲覧者は、他社が保有しているファッションアイテムと同一又は類似のファッションアイテムが、どのような媒体の画像に表示されたのかを理解することができる。

また、分析対象画像が、ファッションアイテムを撮像したインターネット上の画像である場合において、本実施形態のシステムが、前記分析対象画像における特定アイテムに係る出典に関する情報を提示した場合、閲覧者は、インターネット上のファッションアイテムと同一又は類似のファッションアイテムが、どのような媒体の画像に表示されたのかを理解することができる。このとき、もし仮にその媒体が著名又は有名なファッション雑誌であったりする場合、利用者は、前記インターネット上のファッションアイテムが著名又は有名なファッション雑誌で紹介されたファッションアイテムと同一又は類似であることを理解することができ、当該ファッションアイテムに興味を深めることができる。

＜元ファッション画像の表示＞
また、本実施形態のシステムが、ファッション画像に係る情報として、元ファッション画像を提示する場合、閲覧者は、利用者が有する前記ファッションアイテムに類似する前記特定アイテムがどのように用いられているかを視覚的に見ることができるため、より前記特定アイテムを理解することができる。特に、前記特定アイテムが、どのような他のファッションアイテムと共に利用されているのか、どのようにシーンにおいて利用されているのかを理解することができる。これは、利用者の側面から説明すれば、自己の所有物に類似のファッションアイテムが、ファッション画像内で使用されている他のファッションアイテムに関する情報を入手する機会を得ることができる。

＜分析対象画像と元ファッション画像の表示＞
また、本実施形態のシステムが、分析対象画像と、元ファッション画像とを、表示する場合、分析対象画像と元ファッション画像とが、どの程度類似しているのか、どの程度違うのかを、利用者が視覚的に直観的に理解することができる。
特に、本実施形態例のシステムが、分析対象画像と、元ファッション画像とを、同一画面上で表示する場合、分析対象画像と元ファッション画像とが、どの程度類似しているのか、どの程度違うのかを、利用者が視覚的に同一画面内において、直観的に理解することができる。

＜分析対象画像のファッションアイテム属性と元ファッション画像のファッションアイテム属性の表示＞
また、本実施形態のシステムが、分析対象画像に係るファッションアイテム属性の情報と、元ファッション画像に係るファッションアイテム属性の情報とを、表示する場合、分析対象画像と元ファッション画像とにおいて、どのファッションアイテム属性が同一であるか、どのファッションアイテム属性が異なるのか、を単に画像の直感表示のみならずより正確な情報として理解することができる。前記情報が文字列情報であってもよい。文字列情報の場合、利用者は、その文字列情報を用いて、インターネット上での検索なども可能となる利点がある。

図３７は、上述の表示の一例である。なお、図３７においては、上述における出典の表示、分析画像対象、元ファッション画像を表示した例であるが、かかる表示例に限られず、多様な表示がされてよい。また、上述の分析対象画像のファッションアイテム属性、元ファッション画像のファッションアイテム属性が情報として表示されてもよい。情報の表示は、分析対象画像のファッションアイテム属性と元ファッション画像のファッションアイテム属性とが異なるもののみを表示してもよい。また、ファッションアイテム属性、元ファッション画像のファッションアイテム属性の異なる部分を、それらの同じ部分とは異なる態様で表示されてもよい。

本実施形態のシステムは、更に、前記特定アイテムが抽出された元となる画像である元ファッション画像内の、一又は複数のファッションアイテムであって、前記特定アイテム以外の一又は複数のファッションアイテム（以下、前記特定アイテム以外の一又は複数のファッションアイテムのうちの各ファッションアイテムを「関連特定アイテム」という。）を、前記ファッション画像属性データベース内で特定してよい（ステップ４）。

関連特定アイテムは、ファッション画像属性データベースにおいて、元ファッション画像と関連付けられたファッションアイテムのうち、特定アイテム以外のファッションアイテムを特定することでよい。

＜関連特定アイテムの表示＞
本実施形態のシステムは、関連特定アイテムの一又は複数を表示してもよい。また、本実施系のシステムは、関連特定アイテムに係るファッションアイテム属性の情報を表示してもよい。図３８は、関連特定アイテムを二つ表示している例である。また、関連特定アイテムに係るファッションアイテム属性として、種別、色、模様、加工の情報を表示している例である。これらの情報が表示されている場合、閲覧者は、これらの情報を用いて、独自にインターネット上で検索なども可能となる。

分析対象画像が、利用者が保有しているファッションアイテムを撮像した画像である場合において、本実施形態のシステムが関連特定アイテムを表示する場合、閲覧者は、利用者が保有するファッションアイテムと組み合わせるとよい他のファッションアイテムを理解することができる。これは、ファッションにおいては、ファッションアイテムの組み合わせに困ることがあるため、閲覧者は、関連特定アイテムの表示により、組み合わせるとよいファッションアイテムを理解することができる。

また、分析対象画像が、利用者が保有しているファッションアイテムを撮像した画像であり、かつ、参考画像として先進ファッション画像である場合において、本実施形態のシステムが関連特定アイテムを表示する場合、閲覧者は、利用者が保有するファッションアイテムと組み合わせるとよい他のファッションアイテムを、先進ファッション画像に照らして、理解することができる。特に最先端のファッションに即したファッションの組み合わせを嗜好する閲覧者にとって、先端ファッション画像等最先端のファッションを参考とできる利点がある。

また、分析対象画像が、利用者が保有しているファッションアイテムを撮像した画像であり、かつ、参考画像として普及ファッション画像である場合において、本実施形態のシステムが関連特定アイテムを表示する場合、閲覧者は、利用者が保有するファッションアイテムと組み合わせるとよい他のファッションアイテムを、普及ファッション画像に照らして、理解することができる。特に一般的なファッションに即したファッションの組み合わせを嗜好する閲覧者にとって、普及ファッション画像等一般的なファッションを参考とできる利点がある。

＜商品データベースからの購入＞
次に、本実施形態のシステムは、本実施形態のシステムが有する属性情報生成機能を用いて、利用者が選択可能なファッションアイテムを含む画像（以下、「商品画像」という。）を複数有するデータベース（以下、「商品データベース」という。）における各商品画像について、前記商品画像に係るファッションアイテム属性を生成してよい（ステップ５）。属性情報生成機能は、機械学習によって生成されたものであってよい。例えば、属性情報生成機能は、実施形態１で説明した属性情報生成機能であってよい。

ここで、商品データベースは、本実施形態のシステムが備えてもよいし、ネットを介した他の情報処理装置内に格納されていてもよい。他の情報処理装置は、画像を有するファイルサーバであってもよいし、クラウド上の情報格納装置であってもよい。商品データベースの所有者は、本実施形態のシステムの所有者又は管理者と異なっていてもよい。

また、商品データベースは、商品画像と、商品画像に係るファッションアイテムの情報が関連付けられて記憶されてよい。ファッションアイテムの情報とは、例えば、前記ファッションアイテムの販売者、メーカー、価格、及び／又は、ＵＲＬ、などの情報であってよい。これらのファッションアイテムの情報は、後述する商品属性データベースにおいて、商品画像を示す情報と関連付けられて記憶されてもよい。

なお、商品画像における選択可能なファッションアイテムとは、購入可能なファッションアイテムや、借りることが可能なファッションアイテムであってよい。

次に、本実施形態のシステムは、前記商品画像を示す情報と、生成された前記商品画像に係るファッションアイテム属性と、を関連付けて、商品属性データベースとして、記憶部に記憶してよい（ステップ６）。

次に、本実施形態のシステムは、一の前記関連特定アイテムと、商品属性データベース内のファッションアイテムと、を比較して、前記一の前記関連特定アイテムと同一又は類似するファッションアイテム（以下、「関連目的商品」という。）を、前記商品属性データベース内において、特定してよい（ステップ７）。ここで、比較、同一、及び類似は、上述した技術のように種々の方法であってよい。特定アイテムを特定するための比較及び類似と、関連目的商品を特定するための比較及び類似は、同じであってもよいし、異なってもよい。

本実施形態のシステムは、一又は複数の前記関連目的商品に関する情報を提示してよい。関連目的商品に関する情報としては、例えば、関連目的商品のメーカー、関連目的商品の販売開始時期、関連目的商品の値段、関連目的商品の入手手段に関する情報、などが挙げられる。関連目的商品の入手手段に関する情報は、関連目的商品の販売業者に関する情報、関連目的商品のレンタル業者に関する情報、などであってよい。関連目的商品の販売業者に関する情報は、関連目的商品の販売店の場所、関連目的商品の販売業者に関するＵＲＬ、などであってよい。かかる一又は複数の関連目的商品に係る情報は、商品属性データベース内に記憶されて取得できる構成であってもよいし、前記関連目的商品と関連付けられた他のデータベース内に記憶され、適宜情報を取得できる構成であってもよい。

図３９は、関連目的商品に関する情報として、販売者名、商品の名称、商品の価格、オンライン上で購入するための関連するＵＲＬを表示する例である。商品の名称は、型番などであってもよい。商品の価格は、適宜、セール内容なども記載されてよい。関連するＵＲＬは、その商品をオンラインで購入するために直接アクセス可能なＵＲＬであってもよいし、当該製品を説明するためのＵＲＬであってもよい。各関連特定アイテムについて、２つの販売者を表示する例であるが、一つの販売者であってもよいし、３以上の販売者であってもよい。また、関連特定アイテムにおける販売者の数は、夫々、異なってよい。

＜利用者が興味を持つファッションアイテムの特定又は購入＞
本実施形態のシステムは、上述の関連特定アイテムの特定に代えて、前記特定アイテムと同一又は類似の選択可能なファッションアイテムを、前記商品属性データベース内で特定できるシステムであってもよい。

本実施形態について、図４０を参考にして説明する。まず、分析対象画像として、利用者が分析する対象となるファッションアイテムを含む対象画像を用意する（ステップ１）。この分析対象画像としては、例えば、利用者の友人が所有するファッションアイテムを含む画像や、利用者が憧れる者が着用しているファッションアイテムを含む画像であってよい。これらは、ネット上で発見された画像であってもよいし、デジタルカメラなどで撮像した画像であってもよい。

次に、本実施形態のシステムが有する属性情報生成機能を用いて、分析対象画像について、分析対象画像に係るファッションアイテム属性を生成する（ステップ２）。属性情報生成機能は、機械学習によって生成されたものであってよい。例えば、属性情報生成機能は、実施形態１で説明した属性情報生成機能であってよい。

次に、分析対象画像に係るファッションアイテムと、商品属性データベース内のファッションアイテムと、を比較して、分析対象画像に係るファッションアイテムと同一又は類似のファッションアイテムを、商品属性データベース内で特定する（ステップ３）。特定されたファッションアイテムを、「特定目的商品」という。

ここで、比較、同一、及び類似は、上述した技術のように種々の方法であってよい。特定アイテムを特定するための比較及び類似と、関連目的商品を特定するための比較及び類似は、同じであってもよいし、異なってもよい。

本実施形態のシステムは、一又は複数の特定目的商品に係る情報を提示してよい。特定目的商品に係る情報としては、例えば、特定目的商品のメーカー、特定目的商品の販売開始時期、特定目的商品の値段、特定目的商品の入手手段に関する情報、などが挙げられる。特定目的商品の入手手段に関する情報は、特定目的商品の販売業者に関する情報、特定目的商品のレンタル業者に関する情報、などであってよい。特定目的商品の販売業者に関する情報は、特定目的商品の販売店の場所、関連目的商品の販売業者に関するＵＲＬ、などであってよい。かかる一又は複数の特定目的商品に係る情報は、商品属性データベース内に記憶されて取得できる構成であってもよいし、前記特定目的商品と関連付けられた他のデータベース内に記憶され、適宜情報を取得できる構成であってもよい。

特定目的商品の表示例としては、関連目的商品における表示例である図３９と同じものであってよいため、ここでは表示例を省略する。

また、本実施形態のシステムにおいても、上述と同様に、分析対象画像に係る属性情報、属性データベース及び／又は商品属性データベースがあれば、機械学習に基づく属性情報生成機能を有しなくてもよい。

本実施形態のシステムは、
分析対象画像に係る一のファッションアイテムを取得する取得部と、
前記一のファッションアイテムと、同一又は類似のファッションアイテムを、ファッションアイテム属性値を用いて、属性データベース内で特定する特定部と、
を備えてよい。

本実施形態のシステムは、
分析対象画像に係る一のファッションアイテムの複数の属性値を取得する取得部と、
前記複数の属性値と、前記複数の属性値とそれぞれ対応する属性値とが、同一又は類似の属性値を有するファッションアイテムを、属性データベース内で特定する特定部と、
を備えてよい。
３．４．実施形態４
本実施形態のシステムは、一の画像グループの傾向と、他の画像グループの傾向とを、を作成し、これらの傾向を対比するものである。

本実施形態のシステムを、図４１を参考にして説明する。まず、一の画像グループと、他の画像グループを用意する（ステップ１）。ここでは、一の画像グループを、「第１社画像データベース」といい、他の画像グループを、「第２社画像データベース」という。また、本実施形態の例においては、第１社画像データベースは、各画像ファイルは、第１社が製造販売するファッションアイテムを一つ含み、第２社画像データベースは、第２社が製造販売するファッションアイテムを一つ含むものとする。

次に、本実施形態のシステムが有する属性情報生成機能を用いて、第１社画像データベース内の各画像について、ファッションアイテム属性を生成する（ステップ２）。属性情報生成機能は、機械学習によって生成されたものであってよい。例えば、属性情報生成機能は、実施形態１で説明した属性情報生成機能であってよい。生成された情報は、記憶されてよい。ここでは、第１社画像データベースに基づいて生成されたデータベースを、「第１社画像属性データベース」という。図４２は、第１社画像属性データベースの一例である。各画像ＩＤと関連付けて、ファッションアイテム属性として、ファッションアイテムの種別、ファッションアイテムの色などについての具体的な区分が記憶されている。ここで画像ＩＤを記載しているが、各属性について集計をする目的のみに使用する場合などには、当該画像ＩＤはあってもよいし、なくてもよい。また、単に各情報を区別するためのＩＤが存在してもよいし、存在しなくともよい。

同様に、本実施形態のシステムが有する属性情報生成機能を用いて、第２社画像データベース内の各画像について、ファッションアイテム属性を生成する（ステップ３）。ここでは、第２社画像データベースに基づいて生成されたデータベースを、「第２社画像属性データベース」という。

次に、特定の属性情報について、第１社画像属性データベース及び第２社画像属性データベースに対して、統計処理する（ステップ４）。例えば、図４３は、ファッションアイテムの種別の同一の属性値で集計した一例である。より具体的には、ファッションアイテムの種別として、トップス、アウター、パンツ、スカートなどの各属性値について、集計結果の数値が記憶されている。集計は、同一の属性値を有するファッションアイテム数又は参考画像数の合計を算出できるよう演算されればよい。なお、図４３においては第１社画像属性データベースに基づく集計結果と第２社画像属性データベースに基づく集計結果を同じデータベース内に記憶される構成としたが、これらを別々のデータベースに記憶される構成としてもよいし、集計した後に、データベース内に記憶するステップを省いて、次に述べる表示の処理を進めてもよい。

次に、統計処理部は、集計結果を、対比して、表示させてよい。例えば、図４４は、第１社製品と第２社製品に関し、ファッションアイテムの種別について、集計して表示した例である。ファッションアイテムの種別としては、トップス、アウター、パンツ、スカート、バッグ、シューズ、とした。本実施形態のシステムの表示により、例えば、第１社のファッションアイテムの製品と、第２社のファッションアイテムの製品とを、トップス、アウター等のファッションアイテムの種別の各属性値の観点で対比して表示することが可能となる。これは、各社において商品種別の分類方法が必ずしも同一でない場合に、本実施形態のシステムの属性情報生成機能を介して生成されたファッションアイテム属性に係る属性値を用いることで、統一的な判断基準で、表示させることが可能となる。このような表示は、例えば第１社にとっては、第２社の製品群の商品種類のバラエイティ差を検討する題材となり、マーケティングの他社商品調査や研究に役立てることが可能となる。

また、ファッション属性としてファッションアイテムの種別の更に細かい種類毎に集計して、表示してもよい。例えば、図４５においては、トップスを対象として、Ｔシャツ、カットソー、シャツ、ブラウス、ポロシャツ、セーター、などを対象として、表示させた例である。このように、特に細かい種別になると、各社毎にさらに商品種別の命名方法が異なることがある。例えば、ブラウスとシャツなどは、その判定基準が不明確な場合がある。属性情報生成装置を用いた場合は、当該装置による判定基準により、一律の判断で分類できることから、各社の商品種類数を、一定の基準で判定することができ、例えば第１社、又は第三者などにおいても、マーケティングや、商品調査などが可能となる。

本実施形態のシステムは、
機械学習用の画像と、前記機械学習用の画像に含まれる複数のファッションアイテムの複数の属性情報及び／又は前記機械学習用の画像に含まれる人の属性情報と、が使用されて、画像と、ファッションアイテムの属性情報及び／又は人の属性情報と、の関係をディープラーニングにより機械学習したニューラルネットワーク部と、
第１グループに属する第１対象画像を取得する取得部と、
前記第１対象画像を、前記ニューラルネットワークに適用することで、前記第１対象画像に係る複数のファッションアイテムの複数の属性情報及び／又は前記第１対象画像に係る人の属性情報から構成される第５データベースを生成する生成部と、
第２グループに属する第２対象画像を、前記ニューラルネットワークに適用することで、前記第２対象画像に係る複数のファッションアイテムの複数の属性情報及び／又は前記第２対象画像に係る人の属性情報から構成される第６データベースを生成する生成部と、
前記第５データベースと、前記第６データベースと、を用いて、前記第５データベース内の情報と、前記第６データベース内の情報とを、統計処理する統計処理部と、を備えるシステムであってよい。

第１グループに属する画像と第２グループに属する画像は、上述の種々の画像であってよい。例えば、第１グループに属する画像が、第１団体に係る複数の画像であり、第２グループに属する画像が、第２団体に係る複数の画像であってよい。第１団体と第２団体は異なる団体であってよい。

第１団体に係る複数の画像の一例が、上述の第１社画像データベースであってよく、第２団体に係る複数の画像の一例が、上述の第２社画像データベースであってよく、第５データベースの一例は、上述の第１社画像属性データベースであり、第６データベースの一例は、上述の第２社画像属性データベースであってよい。また、これらは逆であってもよい。

統計処理部は、前記第５データベース内の第１属性情報についての集計数値と、前記第６データベース内の前記第１属性情報についての集計数値とを、生成して表示できる構成であってよい。

第１属性情報についての集計数値を生成して表示することにより、第１グループに属する画像と第２グループに属する画像の前記第１属性情報に関する対比が容易となる。特に機械学習済みの属性情報生成機能を用いることで、前記属性情報生成機能の基準における第１属性情報についての集計情報を対比して表示できるため、閲覧者は、同一基準により容易に対比が可能となる。

また、前記第５データベース内の第１属性情報についての集計数値と、前記第６データベース内の前記第１属性情報についての集計数値とを、生成する構成とされてよい。当該構成によって生成された情報は、どのような情報処理装置においてもネットワークを介して伝達することで表示できるため、遠く離れた閲覧者に対しても表示できる利点がある。

また、上記では、第１グループに属する画像と、第２グループに属する画像について、夫々第５データベースと第６データベースの構成を説明したが、第３グループ以上のグループに属する画像についても、同様に、データベースを構成することが可能であってよい。この場合、各グループに属する画像を、前記ニューラルネットワークに適用することで、複数のファッションアイテムの複数の属性情報及び／又は人の属性情報から構成されるデータベースを生成し、前記第１属性情報についての集計及び／又は表示する構成とされてよい。当該構成により、３つ以上のグループに関する画像についても、比較をすることが可能となる。

上述のとおり、属性データベースは、属性情報生成機能によらずとも、他の手段によって生成されてもよい。

そこで、本実施形態のシステムは、複数のファッションアイテム属性及び／又は複数の人属性を含む第７データベースと複数のファッションアイテム属性及び／又は複数の人属性を含む第８データベースから、夫々、第１属性情報についての集計数値を生成する構成とされてよい。また、当該生成された集計数値を、対比して表示する構成とされてよい。

また、本実施形態のシステムは、上述の構成において、上述の第７データベースと第８データベースは、他の情報処理装置又は記憶装置に記憶され、それらから一部を取得する構成でもよい。

また、上述の第７データベースと第８データベースという二つのデータベースに限らず、３つ以上のデータベースを用いて又はこれらのデータベースから情報を取得して、複数のデータベースから集計された集計数値を、対比して生成する及び／又は表示する構成とされてよい。

また、上述においては、一の画像グループ又は他の画像グループとして、主に、特定団体関連画像を中心に説明したが、一の画像グループ又は他の画像グループとして、複数の上述の参考ファッション画像、すなわち、先進ファッション画像、普及ファッション画像、周期ファッション画像、ブランド画像、特定年齢画像、特定地域画像、興味画像、接触画像、その他特定の観点で収集された画像などの画像が複数用意されていてもよいし、複数の参考ファッション画像種に対して集合演算を施したものであってもよい。

選択された一の画像グループと、選択された他の画像グループと、に応じて、統計処理の結果を表示できてよい。
３．５．実施形態５
本実施形態のシステムは、一の画像グループ内のファッションアイテムの組み合わせを、他の画像グループ内の情報を参考に、特定するものである。例えば、本実施形態のシステムは、利用者が有するファッションアイテムにおける一のファッションアイテムに対し、前記一のファッションアイテムと組み合わせると適切なファッションアイテムを、参考画像に照らし、利用者が有するファッションアイテムから特定できるシステムである。

本実施形態のシステムを、図４６を参考にして説明する。本実施形態のシステムは、システムサーバ２１と、属性データベース２５と、を備え、端末から入力された情報を取得できるよう構成されていてよい。

ここで、属性データベース２５ａは、例えば、先進ファッション画像に係る先進ファッション画像属性データベースであるとし、属性データベース２５ｂは、例えば、利用者が有するファッションアイテムに係る属性データベースであるとして、利用者属性データベースということとする。

属性データベースは、上述のとおり、機械学習機能を用いて生成された属性情報から構成されてもよいし、他の手法によって生成された属性情報から構成されてもよいし、人間によって入力された情報に基づいた属性情報から構成されてもよい。また、属性情報に係るファッションアイテムに関する情報が、前記属性情報と関連付けられて記憶されていてもよい。

次に、本実施形態のシステムの流れを、図４７を参考に、説明する。まず、利用者属性データベースから、一のファッションアイテムに係る複数の属性情報を取得して、記憶部に記憶する（ステップ１）。

次に、前記一のファッションアイテムと、同一又は類似のファッションアイテムを、属性情報を利用して、先進ファッション画像属性データベースから、特定する（ステップ２）。なお、本実施形態のシステムの例において、特定されたファッションアイテムを「特定アイテム」と称する。

次に、先進ファッション画像属性データベースにおいて、特定アイテムに係る先進ファッション画像の他のファッションアイテムを、特定する（ステップ３）。なお、本実施形態のシステムの例において、特定されたファッションアイテムを「関連アイテム」と称する。ここで、関連アイテムは、一又は複数であってよい。

次に、利用者属性データベースにおいて、一又は複数の関連アイテムと、同一又は類似のファッションアイテムを、特定する（ステップ４）。

本実施形態のシステムが、上述の構成を採用することにより、利用者が有する複数のファッションアイテムの中から、先進ファッション画像に照らし、組み合わせるファッションアイテムを特定することができ、利用者は、ファッションアイテムの組み合わせを迷うことがなくなる利点がある。

一の画像グループ又は他の画像グループとしては、複数の上述の参考ファッション画像、すなわち、先進ファッション画像、普及ファッション画像、ブランド画像、特定年齢画像、特定地域画像、興味画像、接触画像、特定団体関連画像、その他特定の観点で収集された画像などの画像が複数用意されていてもよいし、複数の参考ファッション画像種に対して集合演算を施したものであってもよい。

本実施形態のシステムの一例として、例えば、一の画像グループに係る属性データベースを舞台衣装に係る属性データベースとし、他の画像グループに係る属性データベースとして特定の時代・地域のファッション画像に係る属性データベースとすると、特定の時代・地域のファッション画像に照らして、舞台衣装の中の一のファッションアイテムと組み合わせるとよい他のファッションアイテムを特定することができるため、例えば、演劇で使用するファッションを、特定の時代・地域に沿ったファッションアイテムの組み合わせを選択することができる。上述の舞台衣装が、例えば、利用者が保有済みのものであれば、保有済みファッションアイテムの中でのより良いファッションアイテムの組み合わせを特定することができる。また、上述の舞台衣装に係る属性データベースが、例えば、購入や注文が可能な商品属性データベースであれば、購入や注文が可能な商品の中から、上述の特定の時代・地域に沿ったファッションアイテムを選択することが可能となり、より前記特定の時代・地域に沿った雰囲気を持つファッションアイテムを特定することができる。また、本実施形態のシステムにおいて、上述の特定や選択されたファッションアイテムは、情報として生成されてよく、また、利用者に対して閲覧できるよう表示されてよい。

上述において、画像は、画像のデータ又は画像のファイルであってよい。データフォーマット又はデータ形式は種々のものが使われてよい。画像は、ラスター形式でもよいし、ベクター形式でもよい。例えば、ＢＭＰ、ＧＩＦ、ＪＰＥＧ，ＰＮＧ、ＰＮＭ、ＴＩＦＦ、ＸＰＭ、ＷｅｂＰ、ＰＳ、ＥＰＳ、ＰＤＦ，ＳＶＧ、ＷＭＦ、などが挙げられるが、これらに限られない。

また、画像は、動画の一部であってもよい。例えば、画像は、動画の一部の静止画であってもよい。

上述では、本例のシステムが実施する構成として説明したが、これらは、システム内の一又は複数の情報処理装置が実施する構成であってよい。

本願書類の実施形態において述べた発明例は、本願書類で説明されたものに限らず、その技術的思想の範囲内で、種々の例に適用されてよい。例えば、本願書類の実施形態に係るシステムにおいて、一の情報処理装置の画面に提示される情報は、他の情報処理装置における画面で表示するために前記他の情報処理装置に対して送信できるよう、前記一の情報処理装置が送信部を有するよう、各実施形態のシステムが構成されてよい。

また、本願書類で説明される処理及び手順は、実施形態において明示的に説明されたものによってのみならず、ソフトウェア、ハードウェア又はこれらの組み合わせによっても実現可能なものであってよい。また、本願書類で説明される処理及び手順は、それらの処理・手順をコンピュータプログラムとして実装し、各種のコンピュータに実行させることが可能であってよい。

１０・・・情報処理装置
１１・・・バス
１２・・・演算装置
１３・・・記憶装置
１４・・・入力装置
１５・・・表示装置
１６・・・通信ＩＦ
１９・・・ネットワーク
２１・・・システムサーバ
２２・・・機械学習装置
２３・・・端末
２４・・・商品データベース
２５・・・属性データベース
２６・・・商品属性データベース

Claims (15)

1. 機械学習用の画像と、前記機械学習用の画像に含まれる複数の属性情報と、が使用されて、画像と、属性情報と、の関係をディープラーニングにより機械学習したニューラルネットワーク部と、
   第１対象画像を取得する取得部と、
   前記第１対象画像を前記ニューラルネットワークに適用することで、前記第１対象画像に係る複数の属性情報を生成する生成部と、
   を備えるシステム。
2. 前記第１対象画像は、参考とされる参考画像であり、
   前記参考画像に係る情報と、前記生成部によって生成された前記参考画像に係る属性情報と、を関連付けて第１データベースを生成する、関連付け部を備える、
   請求項１に記載のシステム。
3. 前記参考画像に係る情報は、前記参考画像に係るファッションの媒体に係る情報である、
   請求項２に記載のシステム。
4. 前記第１データベース内の情報を使用して、統計処理する統計処理部、
   を備える請求項２に記載のシステム。
5. 前記システムは、
   前記第１対象画像を含む複数の画像データを含む画像データベースを、複数備え、
   前記複数の画像データベースの中から、前記第１対象画像を含む画像データベースを選択する選択部を備える、
   請求項１乃至４のいずれか１項に記載のシステム。
6. 前記システムは、
   第２対象画像を取得する取得部と、
   前記第２対象画像を前記ニューラルネットワークに適用することで、前記第２対象画像に係る複数の属性情報を生成する生成部と、
   前記第１データベース内において、属性情報を用いて、前記第２対象画像と同一又は類似の第２ファッションアイテムを特定する特定部と、
   を備える請求項２乃至５のいずれか１項に記載のシステム。
7. 前記システムは、
   選択可能なファッションアイテムを含む第３対象画像を取得する取得部と、
   前記第３対象画像を前記ニューラルネットワークに適用することで、前記第３対象画像に係る複数の属性情報を生成する生成部と、
   前記選択可能なファッションアイテムに係る情報と、前記生成された前記第３対象画像に係る複数の属性情報と、を関連付けて第２データベースに記憶する関連付け部と、
   前記第２ファッションアイテムと同一又は類似する第３ファッションアイテムを、前記第２データベース内で特定する特定部と、
   を備える請求項６に記載のシステム。
8. 前記システムは、
   選択可能なファッションアイテムを含む第４対象画像を取得する取得部と、
   前記第４対象画像を前記ニューラルネットワークに適用することで、前記第４対象画像に係る複数の属性情報を生成する生成部と、
   前記選択可能なファッションアイテムと、生成された前記第４対象画像に係る複数の属性情報と、を関連付けて第２データベースに記憶する関連付け部と、
   前記第２ファッションアイテムに係る画像内において、前記第２ファッションアイテムと異なる第４ファッションアイテムを、前記第１データベース内において特定する特定部と、
   前記第４ファッションアイテムと同一又は類似する第５ファッションアイテムを、前記第２データベース内で特定する特定部と、
   を備える請求項６に記載のシステム。
9. 前記システムは、
   利用者に係るファションアイテムを含む複数の画像を有する第３データベースを取得する取得部と、
   前記第３データベースに係る各画像を前記ニューラルネットワークに適用することで、前記各画像に係る複数の属性情報、を生成する生成部と、
   前記各画像と、生成された前記各画像に係る複数の属性情報と、を関連付けて第４データベースとして記憶する関連付け部と、
   前記第３データベース内の中から、第１利用者画像を示す情報を取得する取得部と、
   前記第４データベース内における前記第１利用者画像に係る一のファッションアイテムと同一又は類似する第６ファッションアイテムを、前記第１データベース内で特定する特定部と、
   前記第６ファッションアイテムに係る画像内において、前記第６ファッションアイテムと異なる第７ファッションアイテムを特定する特定部と、
   前記第７ファッションアイテムと同一又は類似の第８ファッションアイテムを、前記第４データベース内において特定する特定部と、
   を備える請求項２乃至８のいずれかに記載のシステム。
10. 前記第１対象画像は、第１団体に係るファッションアイテムを含む画像であり、
    前記システムは、更に、
    前記生成部によって生成された前記第１対象画像に係る複数の属性情報から構成される第５データベースを生成する生成部と、
    前記第１団体以外の第２団体に係るファッションアイテムを含む画像を、前記ニューラルネットワークに適用することで、前記第２団体に係るファッションアイテムを含む画像に係る複数の属性情報から構成される第６データベースを生成する生成部と、
    前記第５データベース内の情報と、前記第６データベース内の情報とを、統計処理する統計処理部と、
    を備える請求項１乃至９のいずれか１項に記載のシステム。
11. コンピュータが、
    機械学習用の画像と前記機械学習用の画像に含まれる複数の属性情報とを使用して、画像と属性情報との関係をディープラーニングにより機械学習する機械学習ステップと、
    第１対象画像を取得するステップと、
    前記第１対象画像を前記ニューラルネットワークに適用することで、前記第１対象画像に係る複数の属性情報を生成するステップと、
    を含む方法。
12. 前記第１対象画像は、参考とされる参考画像であり、
    前記参考画像に係る情報と、前記生成部によって生成された前記参考画像に係る複数の属性情報と、を関連付けて第１データベースを生成するステップと、
    前記第１データベース内の情報を統計処理するステップと、
    を含む請求項１１に記載の方法。
13. 第２対象画像を取得するステップと、
    前記第２対象画像を前記ニューラルネットワークに適用して、前記第２対象画像に係る第１ファッションアイテムの複数の属性情報を生成するステップと、
    前記第１データベース内において、前記第２対象画像に係る前記第１ファッションアイテムと同一又は類似の第２ファッションアイテムを特定するステップと、
    を含む請求項１２に記載の方法。
14. 選択可能なファッションアイテムを含む第４対象画像を取得するステップと、
    前記第４対象画像を前記ニューラルネットワークに適用することで、前記第４対象画像に係る複数の属性情報を生成するステップと、
    前記選択可能なファッションアイテムと、前記生成された情報と、を関連付けて第２データベースに記憶するステップと、
    前記第２ファッションアイテムに係る画像内において、前記第２ファッションアイテムと異なる一の第４ファッションアイテムを、前記第１データベース内において特定するステップと、
    前記一の第４ファッションアイテムと同一又は類似する第５ファッションアイテムを、前記第２データベース内で特定するステップと、
    を含む請求項１３に記載の方法。
15. コンピュータを、請求項１乃至１０のいずれか一項に記載のシステムとして機能させるためのプログラム。

Images