JPWO2020110272A1 - 機械学習装置、機械学習方法、及びプログラム - Google Patents
機械学習装置、機械学習方法、及びプログラム Download PDFInfo
- Publication number
- JPWO2020110272A1 JPWO2020110272A1 JP2020557493A JP2020557493A JPWO2020110272A1 JP WO2020110272 A1 JPWO2020110272 A1 JP WO2020110272A1 JP 2020557493 A JP2020557493 A JP 2020557493A JP 2020557493 A JP2020557493 A JP 2020557493A JP WO2020110272 A1 JPWO2020110272 A1 JP WO2020110272A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- task
- pseudo data
- machine learning
- learning
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
Description
前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、疑似データ生成部と、
前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、学習部と、
を備えている、
ことを特徴とする。
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を有している、
ことを特徴とする。
前記コンピュータに、
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を実行させる命令を含む、プログラムを記録している、
ことを特徴とする。
以下、本発明の実施の形態1における、機械学習装置、機械学習方法、及びプログラムについて、図1〜図6を参照しながら説明する。
最初に、図1を用いて、本発明の実施の形態1における機械学習装置の概略構成について説明する。図1は、本発明の実施の形態1における機械学習装置の概略構成を示すブロック図である。
次に、本発明の実施の形態1における機械学習装置100の動作について図4を用いて説明する。図4は、本発明の実施の形態1における機械学習装置の動作を示すフロー図である。以下の説明においては、適宜図1〜図3を参酌する。また、本実施の形態1では、機械学習装置100を動作させることによって、機械学習方法が実施される。よって、本実施の形態1における機械学習方法の説明は、以下の機械学習装置100の動作説明に代える。
このように、本実施の形態1では、疑似データは、目的タスクの実データから生成されており、両者は類似している。また、転送元タスクの識別用辞書を用いて得られた、疑似データのタスクの学習結果を用いて、実データのタスクが学習され、目的タスクの識別用辞書が構築される。このため、本実施の形態1によれば、転移元タスクの識別用辞書から目的タスクの識別用辞書を構築する転移学習において、成功率の向上を図ることができる。
本実施の形態1におけるプログラムは、コンピュータに、図4に示すステップA1〜A6を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態1における機械学習装置100と機械学習方法とを実現することができる。この場合、コンピュータのプロセッサは、疑似データ生成部10及び学習部20として機能し、処理を行なう。
続いて、図5及び図6を用いて、本実施の形態1における機械学習装置100の変形例について以下に説明する。
図5は、本発明の実施の形態1の変形例1における機械学習装置の構成を示すブロック図である。図5に示すように、本変形例1では、疑似データ生成部10において、動作映像合成部12は、第2のパラメータ更新部22が第2の転移学習の際に算出している損失値を取得し、取得した損失値に基づいて、関節を摂動させる際の程度(設定量)を調整して、疑似データを生成する。
図6は、本発明の実施の形態1の変形例2における機械学習装置の構成を示すブロック図である。図6に示すように、本変形例2では、疑似データ生成部10において、動作映像合成部12は、第1のパラメータ更新部21が第1の転移学習の際に算出している損失値を取得し、取得した損失値に基づいて、関節を摂動させる際の程度(設定量)を調整して、疑似データを生成する。
続いて、本発明の実施の形態2における、機械学習装置、機械学習方法、及びプログラムについて、図7〜図9を参照しながら説明する。
最初に、図7を用いて、本発明の実施の形態2における機械学習装置の構成について説明する。図7は、本発明の実施の形態2における機械学習装置の構成を示すブロック図である。
次に、本発明の実施の形態2における機械学習装置101の動作について図8を用いて説明する。図8は、本発明の実施の形態2における機械学習装置の動作を示すフロー図である。以下の説明においては、適宜図7を参酌する。また、本実施の形態2では、機械学習装置101を動作させることによって、機械学習方法が実施される。よって、本実施の形態2における機械学習方法の説明は、以下の機械学習装置101の動作説明に代える。
このような構成により、本実施の形態2では、疑似データ選択部60は、初期の学習処理においては、学習において識別がし易くなるように、即ち、損失値が小さくなるように、摂動の大きい疑似データを選択することができる。また、疑似データ選択部60は、学習が進んでいくと、識別が難しくなるように、即ち、損失値が高くなるように、摂動の小さい疑似データを選択することができる。この結果、本実施の形態2でも、上述の実施の形態1の変形例1及び2と同様に、徐々に、転移元のタスクの実データにより近い疑似データが生成されるので、転移学習の成功率がよりいっそう向上することになる。
本実施の形態2におけるプログラムは、コンピュータに、図8に示すステップB1〜B8を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態2における機械学習装置100と機械学習方法とを実現することができる。この場合、コンピュータのプロセッサは、疑似データ生成部10、学習部20、及び疑似データ選択部60として機能し、処理を行なう。
続いて、図9を用いて、本実施の形態2における機械学習装置100の変形例について以下に説明する。図9は、本発明の実施の形態2の変形例における機械学習装置の構成を示すブロック図である。
ここで、実施の形態1及び2におけるプログラムを実行することによって、機械学習装置を実現するコンピュータについて図10を用いて説明する。図10は、本発明の実施の形態における機械学習装置を実現するコンピュータの一例を示すブロック図である。
転移学習によって、第1のタスクで用いる第1の識別用辞書から、第2のタスクで用いる第2の識別用辞書を構築するための装置であって、
前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、疑似データ生成部と、
前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、学習部と、
を備えている、
ことを特徴とする機械学習装置。
付記1に記載の機械学習装置であって、
前記疑似データ生成部が、前記疑似データとして、前記第2のタスクにおける実データに類似しているデータを生成する、
ことを特徴とする機械学習装置。
付記2に記載の機械学習装置であって、
前記第1のタスクが、人物の動作を識別するタスクであり、前記第2のタスクが、前記第1のタスクで識別される動作とは別の動作を識別するタスクである場合において、
前記疑似データ生成部が、
前記第2のタスクにおける実データである人物の映像データから、前記人物の関節を特定し、前記映像データに対して、特定した前記関節を摂動させる画像処理を実行して、前記人物の姿勢を変化させることによって、前記疑似データを生成する、
ことを特徴とする機械学習装置。
付記3に記載の機械学習装置であって、
前記疑似データ生成部が、前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習装置。
付記3に記載の機械学習装置であって、
前記疑似データ生成部が、前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習装置。
付記3に記載の機械学習装置であって、
前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記学習部に出力する、疑似データ選択部を、
更に備えている、
ことを特徴とする機械学習装置。
付記3に記載の機械学習装置であって、
前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記学習部に出力する、疑似データ選択部を、
更に備えている、
ことを特徴とする機械学習装置。
転移学習によって、第1のタスクで用いる第1の識別用辞書から、第2のタスクで用いる第2の識別用辞書を構築するための方法であって、
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を有している、
ことを特徴とする機械学習方法。
付記8に記載の機械学習方法であって、
前記(a)のステップにおいて、前記疑似データとして、前記第2のタスクにおける実データに類似しているデータを生成する、
ことを特徴とする機械学習方法。
付記9に記載の機械学習方法であって、
前記第1のタスクが、人物の動作を識別するタスクであり、前記第2のタスクが、前記第1のタスクで識別される動作とは別の動作を識別するタスクである場合において、
前記(a)のステップにおいて、
前記第2のタスクにおける実データである人物の映像データから、前記人物の関節を特定し、前記映像データに対して、特定した前記関節を摂動させる画像処理を実行して、前記人物の姿勢を変化させることによって、前記疑似データを生成する、
ことを特徴とする機械学習方法。
付記10に記載の機械学習方法であって、
前記(a)のステップにおいて、前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習方法。
付記10に記載の機械学習方法であって、
前記(a)のステップにおいて、前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習方法。
付記10に記載の機械学習方法であって、
(c)前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
更に有する、
ことを特徴とする機械学習方法。
付記10に記載の機械学習方法であって、
(d)前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
更に有する、
ことを特徴とする機械学習方法。
コンピュータを用いて転移学習によって、第1のタスクで用いる第1の識別用辞書から、第2のタスクで用いる第2の識別用辞書を構築するための、プログラムを記録した、コンピュータ読み取り可能な記録媒体であって、
前記コンピュータに、
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を実行させる命令を含む、プログラムを記録している、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
付記15に記載のコンピュータ読み取り可能な記録媒体であって、
前記(a)のステップにおいて、前記疑似データとして、前記第2のタスクにおける実データに類似しているデータを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
付記16に記載のコンピュータ読み取り可能な記録媒体であって、
前記第1のタスクが、人物の動作を識別するタスクであり、前記第2のタスクが、前記第1のタスクで識別される動作とは別の動作を識別するタスクである場合において、
前記(a)のステップにおいて、
前記第2のタスクにおける実データである人物の映像データから、前記人物の関節を特定し、前記映像データに対して、特定した前記関節を摂動させる画像処理を実行して、前記人物の姿勢を変化させることによって、前記疑似データを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
付記17に記載のコンピュータ読み取り可能な記録媒体であって、
前記(a)のステップにおいて、前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
付記17に記載のコンピュータ読み取り可能な記録媒体であって、
前記(a)のステップにおいて、前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
付記17に記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータに、
(c)前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
実行させる命令を更に含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
付記17に記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータに、
(d)前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
実行させる命令を更に含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
11 動作解析部
12 動作映像合成部
20 学習部
21 第1のパラメータ更新部
22 第2のパラメータ更新部
30 辞書格納部
31 転移元タスクの識別用辞書
32 疑似タスクの識別用辞書
33 目的タスクの識別用辞書
40 実データ格納部
50 疑似データ格納部
100 機械学習装置(実施の形態1)
101 機械学習装置(実施の形態2)
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
前記コンピュータに、
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を実行させる、
ことを特徴とする。
本実施の形態2におけるプログラムは、コンピュータに、図8に示すステップB1〜B8を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態2における機械学習装置101と機械学習方法とを実現することができる。この場合、コンピュータのプロセッサは、疑似データ生成部10、学習部20、及び疑似データ選択部60として機能し、処理を行なう。
続いて、図9を用いて、本実施の形態2における機械学習装置101の変形例について以下に説明する。図9は、本発明の実施の形態2の変形例における機械学習装置の構成を示すブロック図である。
コンピュータを用いて転移学習によって、第1のタスクで用いる第1の識別用辞書から、第2のタスクで用いる第2の識別用辞書を構築するための、プログラムであって、
前記コンピュータに、
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を実行させる、プログラム。
付記15に記載のプログラムであって、
前記(a)のステップにおいて、前記疑似データとして、前記第2のタスクにおける実データに類似しているデータを生成する、
ことを特徴とするプログラム。
付記16に記載のプログラムであって、
前記第1のタスクが、人物の動作を識別するタスクであり、前記第2のタスクが、前記第1のタスクで識別される動作とは別の動作を識別するタスクである場合において、
前記(a)のステップにおいて、
前記第2のタスクにおける実データである人物の映像データから、前記人物の関節を特定し、前記映像データに対して、特定した前記関節を摂動させる画像処理を実行して、前記人物の姿勢を変化させることによって、前記疑似データを生成する、
ことを特徴とするプログラム。
付記17に記載のプログラムであって、
前記(a)のステップにおいて、前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とするプログラム。
付記17に記載のプログラムであって、
前記(a)のステップにおいて、前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とするプログラム。
付記17に記載のプログラムであって、
前記コンピュータに、
(c)前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
更に実行させる、
ことを特徴とするプログラム。
付記17に記載のであって、
前記コンピュータに、
(d)前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
更に実行させる、
ことを特徴とするプログラム。
Claims (21)
- 転移学習によって、第1のタスクで用いる第1の識別用辞書から、第2のタスクで用いる第2の識別用辞書を構築するための装置であって、
前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、疑似データ生成手段と、
前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、学習手段と、
を備えている、
ことを特徴とする機械学習装置。 - 請求項1に記載の機械学習装置であって、
前記疑似データ生成手段が、前記疑似データとして、前記第2のタスクにおける実データに類似しているデータを生成する、
ことを特徴とする機械学習装置。 - 請求項2に記載の機械学習装置であって、
前記第1のタスクが、人物の動作を識別するタスクであり、前記第2のタスクが、前記第1のタスクで識別される動作とは別の動作を識別するタスクである場合において、
前記疑似データ生成手段が、
前記第2のタスクにおける実データである人物の映像データから、前記人物の関節を特定し、前記映像データに対して、特定した前記関節を摂動させる画像処理を実行して、前記人物の姿勢を変化させることによって、前記疑似データを生成する、
ことを特徴とする機械学習装置。 - 請求項3に記載の機械学習装置であって、
前記疑似データ生成手段が、前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習装置。 - 請求項3に記載の機械学習装置であって、
前記疑似データ生成手段が、前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習装置。 - 請求項3に記載の機械学習装置であって、
前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記学習手段に出力する、疑似データ選択手段を、
更に備えている、
ことを特徴とする機械学習装置。 - 請求項3に記載の機械学習装置であって、
前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記学習手段に出力する、疑似データ選択手段を、
更に備えている、
ことを特徴とする機械学習装置。 - 転移学習によって、第1のタスクで用いる第1の識別用辞書から、第2のタスクで用いる第2の識別用辞書を構築するための方法であって、
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を有している、
ことを特徴とする機械学習方法。 - 請求項8に記載の機械学習方法であって、
前記(a)のステップにおいて、前記疑似データとして、前記第2のタスクにおける実データに類似しているデータを生成する、
ことを特徴とする機械学習方法。 - 請求項9に記載の機械学習方法であって、
前記第1のタスクが、人物の動作を識別するタスクであり、前記第2のタスクが、前記第1のタスクで識別される動作とは別の動作を識別するタスクである場合において、
前記(a)のステップにおいて、
前記第2のタスクにおける実データである人物の映像データから、前記人物の関節を特定し、前記映像データに対して、特定した前記関節を摂動させる画像処理を実行して、前記人物の姿勢を変化させることによって、前記疑似データを生成する、
ことを特徴とする機械学習方法。 - 請求項10に記載の機械学習方法であって、
前記(a)のステップにおいて、前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習方法。 - 請求項10に記載の機械学習方法であって、
前記(a)のステップにおいて、前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とする機械学習方法。 - 請求項10に記載の機械学習方法であって、
(c)前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
更に有する、
ことを特徴とする機械学習方法。 - 請求項10に記載の機械学習方法であって、
(d)前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
更に有する、
ことを特徴とする機械学習方法。 - コンピュータを用いて転移学習によって、第1のタスクで用いる第1の識別用辞書から、第2のタスクで用いる第2の識別用辞書を構築するための、プログラムを記録した、コンピュータ読み取り可能な記録媒体であって、
前記コンピュータに、
(a)前記第1のタスクにおける実データ及び前記第2のタスクにおける実データのいずれか又は両方を加工して、疑似データを生成する、ステップと、
(b)前記第1の識別用辞書を用いて、前記疑似データを学習データとした第1の転移学習を行って、第3の識別用辞書を構築し、更に、前記第3の識別用辞書を用いて、前記第2のタスクにおける実データを学習データとした第2の転移学習を行って、前記第2の識別用辞書を構築する、ステップと、
を実行させる命令を含む、プログラムを記録している、
ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 請求項15に記載のコンピュータ読み取り可能な記録媒体であって、
前記(a)のステップにおいて、前記疑似データとして、前記第2のタスクにおける実データに類似しているデータを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 請求項16に記載のコンピュータ読み取り可能な記録媒体であって、
前記第1のタスクが、人物の動作を識別するタスクであり、前記第2のタスクが、前記第1のタスクで識別される動作とは別の動作を識別するタスクである場合において、
前記(a)のステップにおいて、
前記第2のタスクにおける実データである人物の映像データから、前記人物の関節を特定し、前記映像データに対して、特定した前記関節を摂動させる画像処理を実行して、前記人物の姿勢を変化させることによって、前記疑似データを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 請求項17に記載のコンピュータ読み取り可能な記録媒体であって、
前記(a)のステップにおいて、前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 請求項17に記載のコンピュータ読み取り可能な記録媒体であって、
前記(a)のステップにおいて、前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、前記関節を摂動させる際の程度を調整して、前記疑似データを生成する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 請求項17に記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータに、
(c)前記第2の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
実行させる命令を更に含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 請求項17に記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータに、
(d)前記第1の転移学習の際に算出されている損失値を取得し、取得した前記損失値に基づいて、生成された前記疑似データの中から特定の疑似データを選択し、選択した疑似データのみを前記(b)のステップのために出力する、ステップを、
実行させる命令を更に含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/044072 WO2020110272A1 (ja) | 2018-11-29 | 2018-11-29 | 機械学習装置、機械学習方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020110272A1 true JPWO2020110272A1 (ja) | 2021-10-07 |
JP7211430B2 JP7211430B2 (ja) | 2023-01-24 |
Family
ID=70854193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020557493A Active JP7211430B2 (ja) | 2018-11-29 | 2018-11-29 | 機械学習装置、機械学習方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220012551A1 (ja) |
JP (1) | JP7211430B2 (ja) |
WO (1) | WO2020110272A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526340A (zh) * | 2022-11-25 | 2022-12-27 | 北京烽火万家科技有限公司 | 一种稳态视觉诱发电位范式迁移学习的方法及装置 |
-
2018
- 2018-11-29 WO PCT/JP2018/044072 patent/WO2020110272A1/ja active Application Filing
- 2018-11-29 JP JP2020557493A patent/JP7211430B2/ja active Active
- 2018-11-29 US US17/296,003 patent/US20220012551A1/en active Pending
Non-Patent Citations (2)
Title |
---|
"daisukelab, 小さなデータセットで良い分類器を学習させるとき", QIITA [オンライン], JPN6022024881, 7 October 2018 (2018-10-07), ISSN: 0004804412 * |
庄野逸ほか: "2段階転移学習を用いたディープコンボリューションネットの医用画像認識", 日本神経回路学会誌, vol. 第24巻 第1号, JPN6022024880, March 2017 (2017-03-01), pages 3 - 12, ISSN: 0004804411 * |
Also Published As
Publication number | Publication date |
---|---|
US20220012551A1 (en) | 2022-01-13 |
JP7211430B2 (ja) | 2023-01-24 |
WO2020110272A1 (ja) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963783B2 (en) | Technologies for optimized machine learning training | |
US10977549B2 (en) | Object animation using generative neural networks | |
JP2019508805A (ja) | 大域的最適化に基づく意味的セグメント化 | |
JP7276436B2 (ja) | 学習装置、学習方法、コンピュータプログラム及び記録媒体 | |
KR20190125029A (ko) | 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치 | |
WO2020218314A1 (ja) | 特徴ベクトルを生成するシステム | |
JP7176590B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP7014230B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP7211430B2 (ja) | 機械学習装置、機械学習方法、及びプログラム | |
KR102371487B1 (ko) | 명목형 데이터를 포함하는 데이터를 기반으로 하는 학습 방법 및 장치 | |
US11488007B2 (en) | Building of custom convolution filter for a neural network using an automated evolutionary process | |
JP2019086979A (ja) | 情報処理装置、情報処理方法及びプログラム | |
KR102105951B1 (ko) | 추론을 위한 제한된 볼츠만 머신 구축 방법 및 추론을 위한 제한된 볼츠만 머신을 탑재한 컴퓨터 장치 | |
JP2020052935A (ja) | 学習済みモデルを生成する方法、データを分類する方法、コンピュータおよびプログラム | |
CN113656669B (zh) | 标签更新方法及装置 | |
US20210374543A1 (en) | System, training device, training method, and predicting device | |
JP2023090592A (ja) | OCT-GAN(Neural ODE-based Conditional Tabular Generative Adversarial Networks)装置及びOCT-GAN方法 | |
WO2022038753A1 (ja) | 学習装置、学習済みモデル生成方法、分類装置、分類方法、及びコンピュータ読み取り可能な記録媒体 | |
KR102196874B1 (ko) | 위성 이미지 생성 학습 장치, 위성 이미지 생성 학습 방법, 위성 이미지 생성 장치 및 위성 이미지 생성 방법 | |
WO2022269708A1 (ja) | 情報処理装置及び情報処理方法 | |
WO2022195691A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
US20230316731A1 (en) | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium | |
WO2022181251A1 (ja) | 関節点検出装置、関節点検出方法、及びコンピュータ読み取り可能な記録媒体 | |
WO2021214861A1 (ja) | 学習装置、学習済みモデル生成方法、分類装置、分類方法、及びコンピュータ読み取り可能な記録媒体 | |
JP2022148878A (ja) | プログラム、情報処理装置、及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210524 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210524 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220621 |
|
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: 20221213 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221226 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7211430 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |