JPWO2022162782A5 - - Google Patents

Claims (7)

1. 各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む隠れセミマルコフモデルであって、複数の第２隠れマルコフモデルの各々が複数の前記動作を組み合わせて定まる行動を状態とする隠れセミマルコフモデルにおいて、前記複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習する観測確率学習部と、
   前記観測確率学習部にて学習した前記観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、前記第１隠れマルコフモデルの前記動作の遷移確率を前記第２教師ありデータを使用した教師あり学習で学習する遷移確率学習部と、
   前記観測確率学習部で学習した前記観測確率及び前記遷移確率学習部で学習した前記遷移確率を使用して前記行動の区間を推定するモデルである前記隠れセミマルコフモデルを構築する構築部と、
   を含み、
   前記遷移確率学習部は、前記第１教師ありデータに、時間方向のオーバーサンプリング及び特徴空間上のオーバーサンプリングの少なくとも一方を行うことで生成したデータの各々に前記第１教師ありデータの教師情報を付加することで水増しする、
   行動区間推定モデル構築装置。
2. 前記時間方向のオーバーサンプリングは、各時刻でランダムに設定されたオリジナルパラメータを減衰させながら前後の時刻に伝播し、
   各時刻において、前記オリジナルパラメータ、前後の時刻から伝播されたパラメータの内、最大のパラメータの時刻に対応する前記動作の特徴値を前記各時刻の特徴値として選択する、
   請求項１に記載の行動区間推定モデル構築装置。
3. 前記オリジナルパラメータは、所定数離れた時刻で０となるように減衰される、
   請求項２に記載の行動区間推定モデル構築装置。
4. 前記特徴空間上のオーバーサンプリングは、前記第１教師ありデータに、動作を行う人の身体部位ごとの速度に関連するノイズを前記身体部位ごとの前記動作の特徴値に付加する、
   請求項１～請求項３の何れか１項に記載の行動区間推定モデル構築装置。
5. 前記身体部位ごとの速度に関連するノイズの大きさは、前記身体部位ごとの角速度の各々が大きいほど大きい、
   請求項４に記載の行動区間推定モデル構築装置。
6. 各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む隠れセミマルコフモデルであって、複数の第２隠れマルコフモデルの各々が複数の前記動作を組み合わせて定まる行動を状態とする隠れセミマルコフモデルにおいて、前記複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習し、
   学習した前記観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、前記第１隠れマルコフモデルの前記動作の遷移確率を前記第２教師ありデータを使用した教師あり学習で学習し、
   学習した前記観測確率及び前記遷移確率を使用して前記行動の区間を推定するモデルである前記隠れセミマルコフモデルを構築する、
   行動区間推定モデル構築方法であって、
   前記第１教師ありデータに、時間方向のオーバーサンプリング及び特徴空間上のオーバーサンプリングの少なくとも一方を行うことで生成したデータの各々に前記第１教師ありデータの教師情報を付加することで水増しする、
   行動区間推定モデル構築方法。
7. 各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む隠れセミマルコフモデルであって、複数の第２隠れマルコフモデルの各々が複数の前記動作を組み合わせて定まる行動を状態とする隠れセミマルコフモデルにおいて、前記複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習し、
   学習した前記観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、前記第１隠れマルコフモデルの前記動作の遷移確率を前記第２教師ありデータを使用した教師あり学習で学習し、
   学習した前記観測確率及び前記遷移確率を使用して前記行動の区間を推定するモデルである前記隠れセミマルコフモデルを構築する、
   処理であって、
   前記第１教師ありデータに、時間方向のオーバーサンプリング及び特徴空間上のオーバーサンプリングの少なくとも一方を行うことで生成したデータの各々に前記第１教師ありデータの教師情報を付加することで水増しする、
   処理をコンピュータに実行させる行動区間推定モデル構築プログラム。