WO2020090054A1 - 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

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 Download PDF

Info

Publication number
WO2020090054A1
WO2020090054A1 PCT/JP2018/040594 JP2018040594W WO2020090054A1 WO 2020090054 A1 WO2020090054 A1 WO 2020090054A1 JP 2018040594 W JP2018040594 W JP 2018040594W WO 2020090054 A1 WO2020090054 A1 WO 2020090054A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
fashion
information
database
fashion item
Prior art date
Application number
PCT/JP2018/040594
Other languages
English (en)
French (fr)
Inventor
佐々木　雄一
太一 小井土
路威 重松
Original Assignee
ニューラルポケット株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ニューラルポケット株式会社 filed Critical ニューラルポケット株式会社
Priority to JP2018558437A priority Critical patent/JP6511204B1/ja
Priority to PCT/JP2018/040594 priority patent/WO2020090054A1/ja
Priority to PCT/JP2018/048120 priority patent/WO2020090126A1/ja
Priority to SG11202104451WA priority patent/SG11202104451WA/en
Priority to EP18939000.8A priority patent/EP3876526A4/en
Priority to US17/289,378 priority patent/US11551378B2/en
Priority to CN201880100571.9A priority patent/CN113261277B/zh
Priority to JP2018568456A priority patent/JP6516943B1/ja
Priority to JP2019077912A priority patent/JP6607544B1/ja
Priority to JP2019188768A priority patent/JP7313052B2/ja
Publication of WO2020090054A1 publication Critical patent/WO2020090054A1/ja
Priority to JP2023110200A priority patent/JP2023126906A/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/292—Multi-camera tracking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Definitions

  • the technology disclosed in this application relates to an information processing system, an information processing device, a server device, a program, or a method.
  • the system of the first embodiment is An image for machine learning and a plurality of attribute information included in the image for machine learning are used, and the image and the attribute information, a neural network unit machine-learned by deep learning, An acquisition unit that acquires a first target image, A generation unit that generates a plurality of attribute information related to the first target image by applying the first target image to the neural network; A system comprising.
  • the first target image is a reference image used as a reference
  • An association unit that associates information related to the reference image with attribute information related to the reference image generated by the generation unit to generate a first database, The system of the first embodiment.
  • the reference image has, as its subordinate concept, one or more advanced fashion images, popular fashion images, periodic fashion images, brand images, specific age images, specific area images, interest images, contact images, It may be an image related to a specific group or an image from another specific viewpoint.
  • the first database may be an attribute database according to the reference image.
  • advanced fashion image attribute database popular fashion image attribute database, periodic fashion image attribute database, brand image attribute database, specific age image attribute database, specific area image attribute database, interest image attribute database, contact image It may be an attribute database, a specific group related image attribute database, or the like.
  • the first database may not include information related to the reference image.
  • the first database may be generated by associating a plurality of attribute information items related to the reference image generated by the generation unit.
  • the system of the third embodiment is The information related to the reference image is information related to the medium of fashion related to the reference image, The system according to the first or second embodiment.
  • the system of the fourth embodiment is A statistical processing unit that performs statistical processing using the information in the first database;
  • the system of the fourth embodiment may not have a part related to machine learning. That is, the system of the other fourth embodiment is A first attribute database having a plurality of attribute information associated with one reference image, A statistical processing unit that performs statistical processing using the information in the first database; May be the system of the embodiment.
  • the system of the fourth embodiment may include an acquisition unit that acquires a part of the first attribute database from the network, instead of having the first attribute database.
  • the first attribute database further associates information related to the one reference image with a plurality of attribute information related to the one reference image. You may.
  • the system of the fifth embodiment is A plurality of image databases including a plurality of image data including the first target image, A selection unit that selects an image database including the first target image from the plurality of image databases;
  • the system according to any one of the systems of the first to fourth embodiments.
  • the system of the sixth embodiment is An acquisition unit that acquires a second target image, A generation unit that generates a plurality of attribute information relating to the second target image by applying the second target image to the neural network; A specifying unit that specifies a second fashion item that is the same as or similar to the second target image using the attribute information in the first database; A system according to any one of the systems of the first to fifth embodiments further comprising:
  • the system of the seventh embodiment is An acquisition unit for acquiring a third target image including a selectable fashion item, A generation unit that generates a plurality of attribute information related to the third target image by applying the third target image to the neural network; An associating unit that associates information about the selectable fashion item with a plurality of generated attribute information about the third target image and stores the associated information in a second database.
  • the system of the eighth embodiment is An acquisition unit for acquiring a fourth target image including a selectable fashion item, A generation unit that generates a plurality of attribute information related to the fourth target image by applying the fourth target image to the neural network; An associating unit that associates the selectable fashion item with a plurality of generated attribute information related to the fourth target image and stores the associated attribute information in a second database; A specifying unit that specifies a fourth fashion item different from the second fashion item in the image related to the second fashion item in the first database; A specifying unit for specifying a fifth fashion item, which is the same as or similar to the fourth fashion item, in the second database; A system according to any one of the systems of the first to seventh embodiments further comprising:
  • the system of the ninth embodiment is An acquisition unit for acquiring a third database having a plurality of images including fashion items related to the user; A generation unit that generates a plurality of attribute information items related to each image by applying each image related to the third database to the neural network; An associating unit that associates each of the images with a plurality of generated attribute information relating to each of the images as a fourth database, and An acquisition unit that acquires information indicating the first user image from the third database; A specifying unit that specifies, in the first database, a sixth fashion item that is the same as or similar to the one fashion item related to the first user image in the fourth database, A specifying unit for specifying a seventh fashion item different from the sixth fashion item in the image relating to the sixth fashion item; A specifying unit for specifying an eighth fashion item, which is the same as or similar to the seventh fashion item, in the fourth database; A system according to any one of the systems of the first to eighth embodiments, further comprising:
  • the system of the tenth embodiment is
  • the first target image is an image including a fashion item related to the first group
  • the system further comprises A generation unit that generates a fifth database including a plurality of pieces of attribute information related to the first target image generated by the generation unit;
  • a generation unit that generates a fifth database including a plurality of pieces of attribute information related to the first target image generated by the generation unit;
  • a sixth configuration including a plurality of attribute information related to an image including a fashion item related to the second organization
  • a generator that generates a database
  • a statistical processing unit that statistically processes the information in the fifth database and the information in the sixth database;
  • the method of the eleventh embodiment is Computer An image for machine learning and a plurality of attribute information included in the image for machine learning, a machine learning step of machine learning the relationship between the image and the attribute information by deep learning, Acquiring a first target image, Generating a plurality of attribute information relating to the first target image by applying the first target image to the neural network, Including the method.
  • the method of the twelfth embodiment is
  • the first target image is a reference image used as a reference, Generating a first database by associating information related to the reference image with a plurality of attribute information related to the reference image generated by the generation unit, Statistically processing the information in the first database;
  • the method of the eleventh embodiment including.
  • the method of the twelfth embodiment does not need to include a step related to machine learning. That is, the method of the other twelfth embodiment may be a step of performing statistical processing using information in the first attribute database that has a plurality of attribute information items associated with one reference image in association with each other.
  • another method of the twelfth embodiment includes a step of acquiring a part of the information in the first attribute database that has a plurality of attribute information related to one reference image in association with each other, and The method may include a step of statistically processing using all or part.
  • the method of the thirteenth embodiment is Acquiring a second target image, Applying the second target image to the neural network to generate a plurality of attribute information of the first fashion item related to the second target image; Identifying a second fashion item in the first database that is the same as or similar to the first fashion item associated with the second target image;
  • the method of the eleventh or twelfth embodiment comprising:
  • the method of the fourteenth embodiment is Obtaining a fourth target image including a selectable fashion item, Generating a plurality of attribute information related to the fourth target image by applying the fourth target image to the neural network, Storing the selectable fashion item and the generated information in a second database in association with each other; Identifying, in the first database, a fourth fashion item different from the second fashion item in the image related to the second fashion item; Identifying a fifth fashion item in the second database that is the same as or similar to the fourth fashion item;
  • the program according to the fifteenth embodiment is a program for causing a computer to function as the system according to any one of the first to tenth embodiments.
  • the attribute information in the above system, method, or program is a plurality of fashion item attributes related to one fashion item, a plurality of fashion item attributes related to each fashion item in a plurality of fashion items, and a plurality of people related to one person. Attributes, a plurality of person attributes of each person in a plurality of persons, or a plurality of person attributes of one or more persons in each person and a plurality of fashion items in one or more fashion items of each person It may be a fashion item attribute or the like.
  • information on fashion can be utilized more appropriately.
  • FIG. 1 is a block diagram showing the configuration of an information processing device of a system according to an embodiment.
  • FIG. 2 is a block diagram showing the configuration of another information processing apparatus of the system according to the embodiment.
  • FIG. 3 is a block diagram showing functions of the system according to the embodiment.
  • FIG. 4 is an example of a flow of the system according to the embodiment.
  • FIG. 5 is an example of a data structure of the system according to the embodiment.
  • FIG. 6 is an example of a data structure of the system according to the embodiment.
  • FIG. 7 is an example of a data structure of the system according to the embodiment.
  • FIG. 8 is an example of a data structure of the system according to the embodiment.
  • FIG. 9 is an example of a data structure of the system according to the embodiment.
  • FIG. 1 is a block diagram showing the configuration of an information processing device of a system according to an embodiment.
  • FIG. 2 is a block diagram showing the configuration of another information processing apparatus of the system according to the embodiment.
  • FIG. 3
  • FIG. 10 is an example of the data structure of the system according to the embodiment.
  • FIG. 11 is an example of the flow of the system according to the embodiment.
  • FIG. 12 is an example of a data structure of the system according to the embodiment.
  • FIG. 13 is an example of a data structure of the system according to the embodiment.
  • FIG. 14 is an example of the flow of the system according to the embodiment.
  • FIG. 15 is an example of the data structure of the system according to the embodiment.
  • FIG. 16 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 17 is an example of the data structure of the system according to the embodiment.
  • FIG. 18 is an example of a display screen of the system according to the embodiment.
  • FIG. 19 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 20 is an example of a display screen of the system according to the embodiment.
  • FIG. 21 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 22 is an example of a displayable table of the system according to the embodiment.
  • FIG. 23 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 24 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 25 is an example of the flow of the system according to the embodiment.
  • FIG. 26 is an example of the flow of the system according to the embodiment.
  • FIG. 27 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 28 is an example of the flow of the system according to the embodiment.
  • FIG. 29 is an example of the flow of the system according to the embodiment.
  • FIG. 30 is an example of the flow of the system according to the embodiment.
  • FIG. 31 is an example of the flow of the system according to the embodiment.
  • FIG. 32 is an example of the flow of the system according to the embodiment.
  • FIG. 33 is an example of the flow of the system according to the embodiment.
  • FIG. 34 is a block diagram showing the configuration of another information processing apparatus of the system according to the embodiment.
  • FIG. 35 is a block diagram showing the configuration of another information processing apparatus of the system according to the embodiment.
  • FIG. 36 is an example of the flow of the system according to the embodiment.
  • FIG. 37 is an example of a display screen of the system according to the embodiment.
  • FIG. 38 is an example of a display screen of the system according to the embodiment.
  • FIG. 39 is an example of a display screen of the system according to the embodiment.
  • FIG. 40 is an example of the flow of the system according to the embodiment.
  • FIG. 41 is an example of the flow of the system according to the embodiment.
  • FIG. 42 is an example of the data structure of the system according to the embodiment.
  • FIG. 43 is an example of the data structure of the system according to the embodiment.
  • FIG. 44 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 45 is an example of a graph that can be displayed by the system according to the embodiment.
  • FIG. 46 is a block diagram showing the configuration of another information processing apparatus of the system according to the embodiment.
  • FIG. 47 is an example of the flow of the system according to the embodiment.
  • FIG. 48 is a block diagram showing functions of the system according to the embodiment.
  • FIG. 49 is a block diagram showing functions of the system according to the embodiment.
  • FIG. 50 is an example of the flow of the system according to the embodiment.
  • Each Configuration of Information Processing Device 10 The system of this embodiment may have a configuration as shown in FIG. 1, for example.
  • the system according to the present embodiment includes an information processing device 10.
  • an information processing device 10 As an example of configuring the information processing device 10, for example, as illustrated in FIG. 1, a configuration including a bus 11, a computing device 12, a storage device 13, an input device 14, a display device 15, and a communication IF 16 may be used. Further, the information processing device 10 may be configured to be directly or indirectly connected to the network 19.
  • the bus 11 has a function of transmitting information among the arithmetic device 12, the storage device 13, the input device 14, the display device 15, and the communication IF 16.
  • the arithmetic unit 12 is a device that can execute the instructions of the program.
  • An example is a processor. This may be a CPU or an MPU. Further, it may have a graphics processing unit, a digital signal processor, or the like.
  • the storage device 13 is a device that records information.
  • the memory may be temporary memory or long-term memory.
  • the storage device 13 may be either an internal memory or an external memory, or both of them.
  • the storage device 13 may be a magnetic disk (hard disk), an optical disk, a magnetic tape, a semiconductor memory, or the like.
  • the storage device 13 may be a storage device via a network or a storage device on a cloud via the network.
  • a register, an L1 cache, an L2 cache, etc. which stores information at a position close to the arithmetic unit may be included in the arithmetic unit 12 in the block diagram of FIG. 1, but in the design of the computer architecture,
  • the storage device 13 may include these as a device for recording. In short, it suffices that the arithmetic unit 12, the storage unit 13 and the bus 11 are configured to cooperate with each other to execute information processing.
  • the storage device 13 can be provided with a program for executing the technique related to the invention of the present application, and can also appropriately record data necessary for relating to the invention of the present application.
  • an attribute information generation function that is generated by storing learning data necessary for machine learning to be described later, storing a program for executing the machine learning, and performing learning after the machine learning is executed. May store the necessary information.
  • the storage device 13 may include a database.
  • the storage device 13 may be a short-term storage device or a long-term storage device. Examples of the short-term storage device include a cache, and examples of the long-term storage device include an HDD and a USB.
  • the information generated by the attribute information generation function described later may be stored in a short-term storage device or a long-term storage device.
  • the above description has been made by taking the case where the arithmetic unit 12 is executed based on the program provided in the storage unit 13 as an example.
  • the above-mentioned bus 11, the arithmetic unit 12 and the storage unit 13 are combined.
  • the information processing according to the system of the present application may be realized by a programmable logic device capable of changing the hardware circuit itself or a dedicated circuit in which the information processing to be executed is determined.
  • the arithmetic unit 12 may be configured to be capable of parallel calculation.
  • the arithmetic unit 12 when the arithmetic unit 12 performs machine learning, machine learning may be simultaneously realized for a plurality of learning data. Further, when the attribute information generation function is realized by the arithmetic unit 12 by machine learning as described below, the attribute information generation function may be realized by parallel calculation for a reference image or the like described later.
  • the input device 14 is for inputting information.
  • Examples of the input device 14 include an input device such as a keyboard, a mouse, a touch panel, or a pen-type pointing device.
  • the input device 14 may have another function so that the touch panel has a display function.
  • an input person of the input device 14 for example, a user who performs machine learning, a user who applies a machine-learned attribute information generation function to a reference image to be described below to generate information, and information to be described using attribute information described below. Examples include users to be compared or users to specify fashion items.
  • the display device 15 has a function of displaying information.
  • a liquid crystal display, a plasma display, an organic EL display and the like can be mentioned, but in short, any device capable of displaying information may be used.
  • the input device 14 may be partially provided like a touch panel.
  • the network 19 has a function of transmitting information together with the communication IF 16.
  • the information processing apparatus 10 has a function of transmitting information held by the information processing apparatus 10 to another information processing apparatus via the network 19.
  • the communication IF 16 may have any connection format.
  • USB, IEEE1394, Ethernet (registered trademark), PCI, SCSI or the like may be used.
  • the network 19 may be wired or wireless, and when wired, an optical fiber, a coaxial cable or the like may be used.
  • the information processing device 10 may be a dedicated information processing device for a part or all of the technology described in the present application document, or may be an information processing device capable of executing a technology other than the technology described in the present application document. Good.
  • the information processing device 10 may be a server, a workstation, a desktop computer, a laptop computer, a notebook computer, a PDA, a mobile phone, a smartphone, or the like.
  • the information processing device 10 is described as one unit, but the information processing device 10 may be configured by a plurality of information processing devices.
  • the plurality of information processing devices may be internally connected or may be externally connected via a network.
  • the information processing device 10 may be a physical entity or a virtual entity.
  • the information processing device 10 may be virtually realized by using cloud computing.
  • FIG. 1 illustrates the basic configuration of the system of the present embodiment. However, in the case where these are linked with other information processing devices, the input device 14 and the display device 15 are not provided. It may be.
  • the system according to the present exemplary embodiment includes a system server 21 that manages the entire system, a machine learning device 22a and a machine learning device 22b that perform machine learning, and a terminal 23 that displays the results of program execution and information processing.
  • the system of this embodiment may not include the machine learning device.
  • the terminal 23 uses a general PC, the system of the present embodiment may not have the terminal 23.
  • Example of System Function An example of the function of this system will be described with reference to FIG. 48 and 49 are other examples of system functions. Each of these units may be configured to perform information processing by using each hardware device described in FIGS. 1 and 2. Further, the system of the present embodiment does not always have all of the following parts, but may have a part of the structure thereof in relation to the business form or the technical advantage realized.
  • the learning data unit has a function of acquiring data in which a learning image and information related to the learning image are associated with each other.
  • the learning data unit may have a database including the associated data, or the associated data may be acquired from outside the network.
  • Reference image part has a function of providing a reference image described later.
  • the reference image portion itself may have the reference image, or the reference image portion may acquire the reference image from the network. When the reference image is acquired from the network, it may be acquired from another information processing device or may be acquired from the cloud. These cloud and other information processing devices may be owned by the user of this system, managed, or accessible by contract.
  • the reference image section may have a database including a plurality of reference images (hereinafter, also referred to as “reference image set”). As described below, the reference image set includes, for example, a plurality of fashion images, a plurality of advanced fashion images, a plurality of specific age images, a plurality of specific group related images, and the like. Further, the reference image section may include a plurality of reference image sets.
  • the reference image selection section has a function of selecting one or a plurality of reference image sets in the reference image section.
  • the number of reference image sets selected may be one or more.
  • the reference image selection unit applies a set operation such as sum, product, difference, and complementary set to the selected plurality of reference image sets, and sets the plurality of applied images as a reference image set. You may use.
  • Target Image Part has a function of providing a target image.
  • the target image to be provided may be held by the target image section or may be acquired from the network. When the target image is acquired from the network, it may be acquired from another information processing device or may be acquired from the cloud. These cloud and other information processing devices may be owned by the user of this system, managed, or accessible by contract.
  • the artificial intelligence unit has a function of generating attribute information.
  • the artificial intelligence unit may acquire the reference image or the reference image set and generate the attribute information. Attribute information corresponding to each reference image may be generated for the reference image set. Further, the artificial intelligence unit may generate attribute information by inputting the target image.
  • the artificial intelligence unit may have a machine learning function to improve the function of generating attribute information.
  • the statistical processing unit performs statistical processing.
  • the result of the statistical processing may only be generated as information, the generated information may be transmitted to another information processing device on the network, or may be displayed on a display device connected to the present system. Good.
  • Embodiment 3.1. Embodiment 1 In general, it is difficult to collect information on what kind of person wears what kind of fashion to wear. Therefore, the system according to the first embodiment provides a technique for collecting information on the relationship between fashion items.
  • a learning image is acquired in order to machine-learn fashion information (step 1).
  • the learning images may be obtained from various sources. For example, it may be prepared from media in the fashion industry, such as collection photos, collection videos, top brand photos, top brand videos, top buddick brand photos, top buddick brand videos, select shop photos, select shop videos, general brand photos, general brands.
  • An animation, a general consumer photograph, a general consumer animation, etc. are mentioned.
  • the media include, for example, fashion shows, designer websites, and publications of fashion-related associations.
  • Information related to the learning image may be stored in association with the learning image.
  • the information related to the learning image may be, for example, the type of fashion item, the color of the fashion item, the pattern of the fashion item, the processing of the fashion item, the accessory of the fashion item, the length of the fashion item, and the like.
  • the specific viewpoint of the property of these fashion items is referred to as a fashion item attribute.
  • the fashion item attributes are not limited to those described above.
  • the category of fashion items there are shirts, blouses, blousons, and the like as subordinate concepts under tops and outerwear.
  • the detailed category of the fashion item type may be a fashion item attribute.
  • the subordinate concept is not limited to the type of fashion item, and may be another fashion item attribute.
  • the fact that one fashion item attribute has a subordinate fashion item attribute may be referred to as a fashion item attribute hierarchy.
  • fashion item attribute may indicate information used in machine learning, or may be generated by applying it to a target image using a system after machine learning. It may also indicate attribute information.
  • tops T-shirt / cut-sew, shirt, blouse, polo shirt, sweater / knit, vest, hoodie, sweatshirt, cardigan, tank top, camisole, bustier, vest
  • outerwear tailored jacket, Collarless jacket, denim jacket, rider's jacket, blouson, down jacket, coat, trench coat, military jacket, down vest, knit coat, gown dress
  • pants denim pants, cargo pants, chinos, slacks
  • dress dress, All-in-one
  • bag shoulderer bag, tote bag, backpack / backpack, Boston bag, body bag / waist pouch, handbag, clutch bag
  • shoes suitcase / carry bag, basket bag
  • shoes suitcase / carry bag, basket bag
  • shoes suitcase / carry bag, basket bag
  • shoes suitcase / carry bag, basket bag
  • shoes suitcase / carry bag, basket bag
  • shoes suitcase / carry bag, basket bag
  • shoes suit
  • the colors of fashion items may be, for example, white, black, gray, brown, beige, green, blue, purple, yellow, pink, red, orange, gold, silver, etc.
  • the pattern of fashion items may be, for example, a plain pattern, a border pattern, a dot pattern, a stripe pattern, a check pattern, a floral pattern, a camouflage pattern, a leopard pattern, or the like.
  • fashion item processing for example, it may be unprocessed, lace processing, pleated processing, chiffon processing, gather processing, fur processing, corderoy processing, etc.
  • it is a fashion item accessory, for example, it may be without accessories, with frills, with ribbon, with bijou, with one point, with damage, with point fur, etc.
  • fashion item attribute values specific values such as white, black, or gray in the color of the fashion item, and specific values such as the plain pattern, the border pattern, and the dot pattern in the pattern of the fashion item.
  • FIG. 5 is an example in which the ID indicating the learning image and the attribute information related to the learning image are associated and recorded in the database.
  • An ID indicating each learning image is associated with one fashion item included therein.
  • a plurality of fashion item attributes are associated with the one fashion item.
  • the fashion item attributes include the type of fashion item, the color of the fashion item, the processing of the fashion item, and the like. Further, specific attribute values are stored for each learning ID. Further, regarding the types of fashion items, as detailed categories, type details 1 and type details 2 are detailed. In this way, fashion item attributes may be layered.
  • the fashion item attribute to be hierarchized is not limited to the type of fashion item, and may be another fashion item attribute or may be hierarchized.
  • By layering the fashion item attributes in the learning data there is an advantage that the fashion item attributes generated by the attribute information generating device described later can also be layered.
  • the system according to the present embodiment may be configured to associate a plurality of fashion item attributes related to one fashion item with one learning image and perform machine learning as learning data to generate attribute information.
  • attribute information generation function thus generated is applied to an image including a fashion item
  • a plurality of fashion item attributes related to the one fashion item can be generated.
  • the plurality of fashion item attributes are stored in association with each other, information about the plurality of fashion item attributes can be used. Specifically, in a certain image, information about a polo shirt is generated as the type of fashion item having the fashion item attribute, information about green is generated as the color of the fashion item having the fashion item attribute, and fashion item having the fashion item attribute is generated.
  • the polo shirt, the green, and the border pattern are stored in association with each other.
  • This has an advantage in that such information is stored in association with each other, because a combination of a plurality of fashion item attributes related to a fashion item has a great influence on a person's taste and impression of fashion.
  • FIG. 6 shows another example in which the ID indicating the learning image and the attribute information related to the learning image are associated and recorded in the database.
  • An ID indicating each learning image is associated with a plurality of fashion items included therein. Further, a plurality of fashion item attributes are associated with each fashion item. In this way, the learning image and the attribute information related to the learning image may be stored in association with each other.
  • the system of the present embodiment may use one fashion item in association with one learning image as learning data
  • the system of the present embodiment may provide a plurality of fashion images for one learning image. It may be configured such that the items of information can be associated and machine learning can be performed as learning data to generate attribute information. For example, when a certain learning image includes tops, skirts, and bags, information such as fashion item names, colors, patterns, processing, accessories, etc. of these tops, skirts, and bags is displayed. , May be associated as information related to the learning image.
  • the attribute information generation function generated in this way is applied to a target image in which a plurality of fashion items are included in one image, a plurality of fashion item attributes relating to the plurality of fashion items are displayed.
  • the attribute information related to the learning image may be information related to the person included in the learning image.
  • it may be information indicating a person such as sex, age, age group, height, physique, and facial expression from a specific viewpoint.
  • human attributes such as sex, age, age group, height, physique, and facial expression from a specific viewpoint.
  • the specific value is called a person attribute value.
  • the person attribute has an advantage that information about fashion items can be enriched. That is, whether fashion items are liked by men, women, by what age group, and by what height person. It also has something to do with information about the person, such as what type of person they like.
  • the person attribute may be hierarchized. For example, there are age groups such as 10-year-old age groups, 5-year-old-aged age groups, and 2-year-old-aged age groups, or 5-year-old-aged age groups and specific ages. As described above, the age group and the age may be stratified.
  • the human attribute may also indicate information used in machine learning, or the result obtained by applying it to the target image using the system after machine learning. It may also indicate the corresponding information in.
  • the item including the fashion item attribute and the person attribute may be referred to as “attribute information”, and the item including the fashion item attribute value and the person attribute value may be referred to as the “attribute value”.
  • the attribute information may also be hierarchized.
  • FIG. 7 shows another example in which the ID indicating the learning image and the attribute information relating to the learning image are associated and recorded in the database.
  • the ID indicating the learning image is associated with the person and the fashion item included in the learning image.
  • the association between a person and a fashion item may be a relationship of a fashion item worn by a person, but is not limited to the relationship.
  • a plurality of person attributes are associated with each person.
  • a plurality of fashion item attributes are associated with each fashion item. In this way, the learning image and the information related to the learning image may be stored in association with each other.
  • FIG. 8 shows still another example in which the ID indicating the learning image and the attribute information related to the learning image are associated and recorded in the database. It is an example of a relational database, and is associated through a learning image ID and a person in the learning image. For example, with regard to the learning image ID 1002, there are three people in the image, one or a plurality of fashion items are associated with each person, and a plurality of fashion item attributes are associated with each one fashion item. Has been.
  • the number of records including one attribute value of the type of fashion item indicates the number of the fashion items, and one reference image includes one fashion item.
  • the human attributes shown in FIG. 8 include an example in which the human attributes are hierarchical, with attribute information of a rough age group and fine age groups.
  • the relationship between the person and the fashion item the person and the fashion item captured in the image at the position worn by the person are associated, but the relationship between the person and the fashion item is different. It may be attached. For example, a person holds a fashion item by hand, a person is located behind the fashion item, and the like. In this way, if a person can find a relation between a person and a fashion item when looking at an image, machine learning may be able to derive a rule regarding the relation that a person can find. People and fashion items may be associated based on machine-learned rules.
  • the system of this embodiment may perform machine learning and generate an attribute information generation function (step 2).
  • As input information information in which a learning ID based on the above-described learning image ID and attribute information related to the learning image are associated with each other may be used. With these, machine learning may be performed on the relationship between the learning image and the attribute information related to the learning image.
  • the system according to the present embodiment may have an attribute information generation function that can generate attribute information related to an input image by machine learning.
  • artificial intelligence techniques may be used for machine learning.
  • artificial intelligence technologies include machine learning technologies such as neural networks, genetic programming, functional logic programming, support vector machines, clustering, regression, classification, Bayesian networks, reinforcement learning, expression learning, decision trees, and k-means. May be used. In the following, an example using a neural network is used, but it is not necessarily limited to the neural network.
  • the machine learning technology using the neural network may use the deep learning technology. This is a technology that enables output even for unknown inputs by learning the relationship between inputs and outputs using multiple layers. There are supervised and unsupervised methods, but either method may be applied. In FIG. 7 described above, the ID indicating the learning image and the attribute information related to the learning image are associated with each other, and the information related to the learning image is given as the teacher. This is an example of the existence, but it is not always necessary to use a method with a teacher, and a method without a teacher may be used.
  • the system according to the present embodiment may perform machine learning on learning data in which a learning image and a plurality of fashion item attributes related to one fashion item included in the learning image are associated with each other.
  • Machine learning may be performed on learning data in which a training image and a plurality of fashion item attributes related to a plurality of fashion items included in the learning image are associated with each other.
  • the fashion item attribute and the human attribute for the learning image may be collectively machine-learned in one machine learning device, or the machine learning for the fashion item attribute related to the learning image and the human attribute related to the learning image may be performed.
  • the machine learning about may be performed separately.
  • it may be a device that machine-learns only fashion item attributes. This is because among the objects to be learned by human attributes, the attributes of a person, age and sex, may be collected from external information of the image.
  • the system of the present embodiment after machine learning may be configured to be able to output attribute information related to the target image when applied to the acquired target image.
  • the attribute information may be one or more fashion item attributes related to one or more fashion items in the target image, or one or more person attributes related to one or more people in the target image. It may be one or more fashion item attributes relating to one or more fashion items in the target image and one or more person attributes relating to one or more persons in the target image.
  • FIG. 9 is an example of the generated attribute information.
  • attribute information a person attribute and a fashion item attribute are associated with each other.
  • the attribute information generated by the attribute information generation function may also be hierarchized by, for example, hierarchizing the attribute information of the learning database. By layering the attribute information, it is possible to generate more detailed attribute information regarding the target image.
  • the system of the present embodiment after machine learning is applied to a target image including a plurality of people, one or more attributes related to one or more fashion items in the target image, and / or A plurality of attributes regarding a plurality of persons in the target image may be output.
  • the attribute of one or more fashion items may be associated with the attribute of the person in association with the person wearing the fashion item.
  • FIG. 10 relates one or more person attributes and one or more fashion item attributes related to one or more fashion items to each of a plurality of persons in the target image based on the order described. It is an example generated by being generated.
  • the system of the present embodiment after machine learning, when applied to the acquired target image, one or more attributes relating to one or more fashion items in the target image, and Alternatively, a plurality of attributes regarding one or more persons in the target image may be output.
  • the system of this embodiment is An acquisition unit that acquires a machine learning image including one or more fashion items in the image, A neural network unit that machine-learns the relationship between the one learning image and one or more fashion item attributes related to the one or more fashion items by deep learning, It may be an attribute information generation system provided with.
  • fashion item attributes which are information about one or more fashion items, can be acquired from an image containing one or more fashion items.
  • An acquisition unit for acquiring a machine learning image including one or more fashion items in the image and a person A neural network unit that machine-learns the relationship between the one learning image, the human attribute of the person, and one or more fashion item attributes of the one or more fashion items by deep learning, It may be an attribute information generation system provided with.
  • An acquisition unit that acquires a machine learning image including one or more people and one or more fashion items in the image, The one learning image, one or more person attributes of the one or more persons, and one or more fashion item attributes of the one or more fashion items associated with the one or more persons.
  • the network unit in the document of the present application for a machine learning image including one or more people and one or more fashion items, the one learning image and one or more people related to the one or more people.
  • Machine learning the relationship between attributes and one or more fashion item attributes relating to the one or more fashion items associated with the one or more people by deep learning to produce a learned neural network unit.
  • a method (including a method of manufacturing the neural network unit, but expressed as production in this document) may be included.
  • the neural network unit may be a program.
  • one or more attributes of one or more people and each of the plurality of people are selected from an image including one or more people and one or more fashion items.
  • the system of the present embodiment includes one or more people and / or one or more fashion items in one learning image, and is associated with the one learning image,
  • the machine learning device that learned one or more person attributes of the one or more persons and / or one or more fashion item attributes of the one or more fashion items as learning data is attribute information. Will be able to generate.
  • the system of the present embodiment having the attribute information generation function can generate attribute information when applied to an image including a fashion item. Therefore, information about the fashion item is sorted from the image including the fashion item. There is an advantage that can be acquired.
  • Embodiment 2 It may be useful for those involved in the fashion industry or general consumers to refer to fashion information provided by experts and consumers. However, these pieces of information are not always organized and it is sometimes difficult to utilize the information. Therefore, the system of the present embodiment provides a technique for organizing information (hereinafter, referred to as “reference image”) related to such information to be referred to (hereinafter referred to as “reference information”). ..
  • the hardware configuring the system of this embodiment may have the same configuration as the hardware described in the first embodiment.
  • the information generated by the part related to the statistical processing may be stored in the storage device 13. Further, the information may be displayed on the display device 15 or may be transmitted to the network 19 via the communication IF 16. The transmitted information may be information that is supposed to be displayed by another information processing device.
  • a reference image set is acquired (step 1).
  • the reference image set that is, the plurality of reference images may be sequentially acquired on the network.
  • the attribute information generation function of the system of this embodiment is used for the reference image set (step 2).
  • the information generated by the attribute information generation function is referred to as “attribute information related to the reference image”.
  • the attribute information may be generated by a machine-learned device.
  • the attribute information may be generated by the function described in the first embodiment.
  • attribute information generation function may be applied to each reference image individually, or the attribute information generation function may be applied to multiple reference images at the same time by parallel calculation or the like.
  • the system of the present embodiment stores the information relating to each reference image and the attribute information relating to each reference image in association with each other (step 3).
  • the information relating to the reference image and the attribute information relating to the reference image are associated with each other, which is referred to as a “reference image attribute database”. Since the reference image may include various images, the reference image attribute database may be simply referred to as “attribute database”.
  • FIG. 12 is an example of a reference image attribute database.
  • the attribute information is stored in association with the reference image ID.
  • attribute information a person attribute and a fashion item attribute are associated with each other.
  • the attribute information generated by the machine-learned attribute information generation function may also be hierarchized by, for example, hierarchizing the attribute information of the learning database. By layering the attribute information, it is possible to generate more precise attribute information.
  • the system according to the present embodiment may include information related to each of the reference images.
  • FIG. 13 is an example of a database of information related to reference images.
  • the information relating to the reference image may be, for example, an ID indicating the reference image, information regarding the source of the reference image, information regarding the person in the reference image, information regarding the time of creating the reference image, or the like.
  • the information regarding the source of the reference image may be the medium name of the medium in which the reference image first appeared, the company that created the medium, or the author of the medium.
  • the information about the person in the reference image may be the age, age group, age, sex, etc. of the person.
  • the information related to the reference image may be only the ID indicating the reference image as described above, or may include information about other reference images.
  • a database including information related to the reference image other than the ID indicating the reference image is referred to as “enlarged reference image attribute database”.
  • the enlarged reference image attribute database connects a database of attribute information and a database of information related to reference images other than the ID indicating the reference image through the reference image ID, but is not limited to this.
  • various database methods may be applied.
  • the configuration in which the attribute information and the information related to the reference image are stored in association with each other has been described, but it is not limited to the example.
  • the attribute information is simply aggregated and the information related to the reference image is not used, the information related to the reference image may not be associated.
  • a user who wants to refer to a reference image can perform various analyzes related to the reference image by using the reference image attribute database. For example, by performing statistical processing on the information in the reference image attribute database, it is possible to acquire more information regarding the reference image.
  • Statistic processing may display some or all of the information in the reference image attribute database as numerical values, or may display it after processing. By displaying a part, unnecessary information can be deleted in relation to the display, and the understanding of the viewer can be promoted.
  • a certain calculation may be applied to the information pieces or a graph may be formed. The constant calculation may be averaging or subtraction at the same time. Further, for the graphing, an appropriate method may be applied in relation to the display purpose.
  • ⁇ Application to fashion images> There may be various reference images. For example, it may be a fashion image of a collection, a top brand, an overseas celebrity, or the like in the fashion industry, or a fashion image of a reader model, a domestic shop clerk, or a general consumer. These fashion-related images (hereinafter referred to as “fashion images”) may be referred to when viewing the overall fashion trends.
  • fashion images When the system of the present embodiment uses a fashion image as the reference image, it is possible to generate information on the fashion tendency included in the fashion image.
  • fashion images include collection photos, collection videos, top brand photos, top brand videos, top buddick brand photos, top buddick brand videos, select shop photos, select shop videos, general brand photos, general brand videos, and general consumers. Examples include images such as photographs and general consumer videos. Further, media of these materials include magazines, videos, interviews, security cameras installed at stores, in-store shooting cameras, and the like.
  • the plurality of fashion images (hereinafter, also referred to as “fashion image set”) may or may not include all types of images described above. Any image related to these fashions will do.
  • the system of this embodiment may have a fashion image set in advance, or may acquire the fashion image set via another network.
  • the medium as the source of the fashion image may be purchased from a company that handles fashion images, or images on the network may be collected by crawling technology or the like.
  • the target of collection may be a home page or SNS (Social Network Service).
  • SNS Social Network Service
  • the fashion image set may be collected from the same type of medium as the learning image, or may be collected from a different type of medium.
  • the part of the fashion image set may be the same as the part of the learning image, but it is preferably different.
  • the system of the present embodiment stores information indicating each fashion image and information related to each fashion image in step 3 in association with each other in the fashion image attribute database (step 3). ..
  • FIG. 15 is an example of a database in which information indicating a fashion image and information related to the fashion image are stored in association with each other.
  • the information about the fashion image includes, for example, an ID indicating the fashion image, the fashion image itself, the time when the fashion image was published, the name of the brand that is the source of the fashion image, the type of the brand that is the basis of the fashion image, and / or Alternatively, it may be the sex, age information, etc. of the person in the fashion image.
  • Information related to these fashion images may be given in advance.
  • the user can analyze the brand by using the fashion image attribute database.
  • the system of this embodiment may perform statistical processing using the fashion image attribute database (step 4).
  • a part or all of the information in the fashion image attribute database may be used to display a numerical value or may be processed and displayed.
  • FIG. 16 is an example of a screen that is statistically processed and displayed.
  • the vertical axis represents the number of times the corresponding fashion item was included in the reference image.
  • the number of reference images including tops, outerwear, pants, and the like, which are specific contents within the types of fashion items.
  • the number of times may be the number of fashion items, the number of reference images, or a number calculated by a method of counting those having a predetermined relationship as one, and the calculation method is, for example, in one reference image.
  • one fashion item is included, it may be the number of reference images, and if one reference image includes a plurality of fashion items, it may be the number corresponding to each fashion item. Good.
  • the attribute database for example, as shown in FIG. It may be configured such that one fashion item is input.
  • the horizontal axis is a time axis, which is an axis for each year, spring, summer, autumn, and winter. That is, on the horizontal axis, reference images that are said to have been published during the period from March to May as spring, June to August as summer, September to November as autumn, and December to January as winter are targeted. Is calculated as The numerical value may be the total number of these periods or an average value.
  • fashion item attributes may be indicated.
  • the color of the fashion item, the pattern of the fashion item, the processing of the fashion item, the accessory of the fashion item, the length of the fashion item, or the like may be used.
  • Statistic processing unit may generate a numerical value by statistically processing specific attribute information for a specific period using the attribute database. For example, as described above, the statistical processing unit may generate a total numerical value for each specific fashion item attribute such as tops, outerwear, and pants of the fashion item type. In addition, a total value may be generated for each T-shirt, shirt, blouse, etc. in the tops of the fashion item type, or a plain pattern or a border pattern of the fashion item pattern, or a green or black fashion item color. You may generate the numerical value totaled for every. Further, the target to be totaled may be the number of fashion items or the number of reference images including fashion items.
  • the total may be a predetermined period such as each period of spring, summer, autumn and winter, each month, or the like, or a numerical value obtained by summing every predetermined period, or an average value for each of the predetermined period or each predetermined period. May be generated.
  • the predetermined period of time may be the latest one month, the latest three months, a specific month, a specific three months, or the like. These generated numbers may be displayed.
  • the attribute information described above may be a fashion item attribute or a person attribute, as described above.
  • the statistical processing unit may be configured to present FIG. 18 and allow the viewer to select in order to allow the user to select one or more pieces of attribute information to be displayed in time series.
  • the statistical processing unit may generate a total numerical value for each selected attribute information. Further, similarly to the above, the total may be a predetermined period such as each period of spring, summer, autumn, winter, or a predetermined period such as each month, or may be a numerical value summed for each predetermined period, or the predetermined period or the predetermined period. An average value may be generated for each.
  • the vertical axis may be generated or displayed instead of the numerical value related to the reference image.
  • the proportion of each element in the type of fashion item may be shown along the time axis as described above.
  • combinations within fashion item types may be combined as a realistic possibility.
  • the others are images including only a part of the upper body and the lower body of the body.
  • FIG. 19 shows an example of such a combination. In this way, by displaying the proportion of the entire fashion item, it is possible to display the relative proportion of each type of fashion item in the whole, and the viewer can display the proportion of each fashion item type as a whole. Understand the relative proportion of
  • Statistic processing unit may generate a ratio for each attribute information when all target attribute information is 100%.
  • the generated ratio may be displayed.
  • the predetermined period or each predetermined period may be the same as described above.
  • a display mode by making a biaxial graph of one attribute information and time, it is possible to display a transition according to time for the one attribute information, and the viewer can display the one attribute information. It is possible to easily understand the temporal transition in terms of the attribute information of.
  • the statistical processing unit may set the target of the reference image in which a numerical value is generated or displayed in the figure as data having one specific attribute information among the data having the attribute database.
  • the fashion image set included in the fashion image attribute database only the fashion items having the shoe attribute information as the fashion item type are targeted, or the fashion items having the skirt attribute information as the fashion item type are targeted. Items may be targeted.
  • the types of fashion items such as shoes only and skirts only, it is possible to display a temporal transition in a specific type of fashion item.
  • the fashion item concerned is displayed. Can design designs and sales strategies limited to the type of.
  • the statistical processing unit may set the target of the reference image for which a numerical value is generated or displayed in the figure to be data having a plurality of specific attribute information in one attribute information among the data having the attribute database.
  • one item of attribute information which is the type of fashion item
  • items other than tops or bottoms such as bags, shoes, and hats may be targeted, or conversely, tops and bottoms may be targeted.
  • the transition of the color in the type of the specific fashion item is displayed.
  • one or more other fashion item attributes are used as a part of the data instead of the type of the fashion item. , May be shown.
  • the color of the fashion item, the pattern of the fashion item, the processing of the fashion item, the accessory of the fashion item, the length of the fashion item, or the like may be used.
  • the statistical processing unit sets the target of the reference image for which a numerical value is generated or is displayed in the figure as one or more specific attribute information in each of the attribute information in a plurality of attribute information among the data included in the attribute database.
  • the predetermined period or each predetermined period may be the same as described above.
  • the generated numerical value may be displayed. As described above, by limiting the objects to be generated or displayed for a plurality of attributes, it is possible to investigate the limited ones.
  • the system of the present embodiment may be configured to present FIG. 20 and allow the viewer to select in order to select the attribute information used for the graph to be displayed.
  • the statistical processing unit may generate a total numerical value for each specific attribute information or each selected attribute information only for the data having the selected one or more attribute information as the attribute information. Further, similarly to the above, the total may be a predetermined period such as each period of spring, summer, autumn, winter, or a predetermined period such as each month, or may be a numerical value summed for each predetermined period, or the predetermined period or the predetermined period. An average value may be generated for each.
  • the statistical processing unit may use information related to the reference image instead of the above-mentioned attribute information, or may use both attribute information and information related to the reference image as a mixture. That is, the statistical processing unit may limit the target of one piece of information related to the reference image, may sum the numerical values, or may display the generated numerical value.
  • the statistical processing unit may use either one or both.
  • a mode in which one is used it may be determined in advance as information related to attribute information or a reference image, or may be determined in accordance with other information.
  • the other information may be, for example, information in which one information has higher credibility than other information.
  • a specific example of handling the same kind of information in which the attribute information and the information related to the reference image are the same is, for example, information about a person's age group.
  • the information of the age group of the person in the attribute information is used.
  • the information of the age group of the person in the information related to the reference image may be used. At this time, for example, it may be judged that the information related to the reference image is highly reliable because it is determined from the age group of purchase of the magazine, while the information related to the reference image is manually input. Therefore, it may be judged that the reliability is low.
  • such reliability information is included as one of the information related to the reference image, and if the reliability information is higher than a predetermined threshold, the reliability information is high, and the information related to the reference image is high.
  • the reliability information may be compared with a predetermined threshold value, and if the reliability information is not higher than the predetermined threshold value, the information in the attribute information may be used.
  • the attribute information and the information related to the reference image handle the same type of information
  • the gender of the person if there is information on the gender of the person in the attribute information, particularly human information, and information on the gender of the person based on the information related to the reference image, the information on the gender of the person in the attribute information may be used.
  • the information on the gender of the person in the information related to the reference image may be used.
  • information regarding reliability may be provided as one of the information related to the reference image, as described above, and based on such information, the attribute information and the information related to the reference image You may decide which to use.
  • the axis of the graph is taken as the time axis, but the time axis is not limited to the time, and a certain period may be targeted, and the axis of the graph may not be taken as the time axis.
  • the fixed period if it is desired to browse the latest situation, for example, a period such as the past 6 months may be selected and used as the total or average value thereof, and the season in which fashion is influenced is considered. Then, it may be displayed as a total or average value for a specific period of spring, summer, autumn, and winter.
  • one axis of the graph may be changed to time and used as attribute information.
  • a two-dimensional graph may be displayed from two viewpoints.
  • types of fashion items such as tops, outerwear, pants, and dresses
  • colors of fashion items such as white, black, and gray
  • the one attribute information is generated, and based on these, a two-dimensional graph is created. From this graph, it is possible to understand the situation of the type of each fashion item for each color.
  • the statistical processing unit may generate a numerical value of the number of fashion items or the number of reference images that have one attribute information and the other attribute information in common, and generate a graph based on these numerical values.
  • two items may be selected and displayed according to the browsing purpose from information on other fashion item attributes and brands.
  • three-dimensional graphs or higher-order graphs may be used as three viewpoints.
  • numerical information may be displayed as it is, not limited to graphing.
  • FIG. 22 is an example of numerical information displayed from the viewpoint of the color of the fashion item and the pattern of the fashion item.
  • the display form of the numerical information to be noted may be changed according to the purpose of browsing.
  • the display form of the numerical value that satisfies the predetermined condition may be changed and displayed.
  • the bold and slanted letters are underlined. In this way, by setting the display mode different from the other numerical values or targets for the numerical values or targets that satisfy the predetermined conditions, the viewer can easily pay attention to these.
  • the target for changing the display mode is not limited to the target numerical value, and the display mode of the attribute information related thereto may be changed. Further, as an example of changing the display mode, it is possible to change the font, style, underline, color, size, character decoration, arrangement, etc. of the numeric value or character format, and the column related to the numeric value or attribute information.
  • the background may be changed in filling or pattern.
  • the statistical processing unit may generate the total number of fashion items or reference images having one attribute information and other attribute information. Moreover, the statistical processing unit may display the numerical value. In addition, when the numerical value satisfies the predetermined condition, the statistical processing unit may display the display mode of the numerical value in a mode different from the numerical value that does not satisfy the predetermined condition.
  • the different aspect may be a different aspect such as a font, a style, an underline, a color, a size, a character decoration, an arrangement, etc. regarding a numerical value or a character format, and a column or background related to the numerical value or attribute information may be filled.
  • the patterns may be different.
  • information may be processed in numerical display or graph display.
  • the seasons may be, for example, spring, summer, autumn, winter, or the months corresponding to these.
  • the above numerical value or graph display may be displayed by subtracting the numerical value of the same period of the previous year from the numerical value of the above, or the numerical value of the above and the same period of the previous year.
  • the ratio may be displayed.
  • FIG. 23 is an example of displaying the ratio between the numerical value and the numerical value of the same period in the previous year. The same period is calculated as the ratio divided by the same month last year.
  • the number of target images is counted every two months, such as January, February, March, and April, and a line graph is created in colors of fashion items such as white, black, and green.
  • the vertical axis shows the ratio with the same period of the previous year, and in July and August, the number of reds is about 6 times and the number of greens is about 5 times.
  • the statistical processing unit may generate a numerical value by subtracting, from the numerical value, the numerical value corresponding to the period corresponding to the period in the year before the year, using the year and the period used for the numerical value. .. Moreover, you may display the said numerical value.
  • the year prior to the year may be the year before the year.
  • the statistical processing unit may generate a numerical value by dividing the numerical value by the numerical value corresponding to the period corresponding to the period in the year before the year, using the year and the period used for the numerical value. .. Moreover, you may display the said numerical value.
  • the year prior to the year may be the year before the year.
  • relative numerical information may be generated for fashion item attribute colors. For example, in FIG. 24, 3.4%, 4.3%, 4.8%, and 5.6% indicate the relative proportion of the green color in the overall color in each year period. .. When the system of the present embodiment displays such a diagram, the viewer can understand that the green color is relatively occupying a larger proportion of the total color.
  • the statistical processing unit may generate a numerical value of a ratio of a numerical value relating to one or a plurality of attribute values in one attribute information to the one attribute information.
  • the numerical value may be displayed.
  • a graph based on the numerical values may be displayed.
  • the numerical value of the ratio may be a numerical value obtained by dividing the numerical value of the one or more attribute values by the total numerical value of the attribute values included in the one attribute information.
  • the statistical processing unit may use the values in the reference image attribute database to predict the numerical values relating to future attribute values.
  • the prediction may use numerical values for a certain period such as the latest 3 months and the latest 6 months.
  • a simple averaging method in which the average value of the numerical values of the fixed period is set as a future value may be applied, or a method of reducing seasonal factors such as a moving average method or a weighted moving average method using the numerical values of the fixed period. May be applied, or a method of predicting a value in a future period by generating a linear equation using the numerical value of the fixed period may be applied.
  • the attribute information is described as being given in advance, but the attribute information may be configured so that the category can be changed. Specifically, a plurality of attribute values may be changed to one attribute value, and the sum of the numerical values related to the plurality of attribute values may be generated as the numerical value related to the one attribute value after the change.
  • the color of a fashion item if there are attribute values of white, black, gray, brown, beige, green, blue, purple, yellow, pink, red, and orange in the attribute database, as new attribute values, Create light and dark colors, for example, change white, green, blue, yellow, pink, red, orange to light, and change black, gray, brown, beige, and purple to dark, and then change the value. May be generated.
  • Each of the above displays is a material of a designer of a fashion item, a person who is in charge of adjusting the production amount of the fashion item, a person who identifies a popular fashion item when selling the fashion item over the counter, and a person who predicts the trend of the fashion item. And so on.
  • the above fashion images may be divided into groups from any viewpoints or viewpoints. For example, collection / designer images, celebrity images, domestic celebrity images, domestic reader model images, domestic shop clerk images, domestic consumers in general. Consider the case where images are classified.
  • collection / designer images include images related to fashion designers and fashion shows.
  • Celebrity images include images related to celebrities who are considered advanced in fashion.
  • the domestic celebrity image is an image of people who are considered to be talents or entertainers.
  • the domestic reader model image is an image shown as an example of wearing a fashion in a fashion magazine, although it is an ordinary person.
  • the domestic shop clerk image is an image of a clerk in a fashion-related shop.
  • the domestic general consumer image is an image related to the general public.
  • Domestic reader model images and domestic shop clerk images may be provided by fashion manufacturers and retailers as part of sales promotion.
  • Advanced fashion image Collection / designer images and celebrity images are collectively referred to as “advanced fashion images”.
  • the advanced fashion image often relates to overseas fashion, but may also include domestic fashion.
  • advanced fashion design is often dealt with mainly.
  • the flow when the system of the present embodiment acquires an advanced fashion image as a reference image is as shown in FIG.
  • the “advanced fashion image attribute database” can be used instead of the fashion image attribute database in the case of using the fashion image.
  • the statistical processing unit in the system of the present embodiment may perform the same statistical processing as the statistical processing unit in the fashion image based on the advanced fashion image attribute database.
  • the information generated by the statistical processing or the display based on the information is information based on advanced fashion.
  • ⁇ Popular fashion image> The image of the domestic reader model, the image of the domestic shop clerk, and the image of the domestic general consumer are collectively referred to as the "popular fashion image”. Popularized fashion images often deal with generally popularized fashion designs.
  • the flow when the system of this embodiment acquires a popular fashion image as a reference image is as shown in FIG.
  • the “popular fashion image attribute database” can be used instead of the fashion image attribute database when the fashion image is used.
  • the statistical processing unit in the system of the present embodiment may perform the same statistical processing as the statistical processing unit in the fashion image described above based on the popular fashion image attribute database.
  • the information generated by the statistical processing or the display based on the information becomes information based on popular fashion. Therefore, it is possible to display the above-mentioned various tendencies particularly in popular fashion such as design for general consumers and adjustment of production amount related to sales channels for general consumers.
  • FIG. 27 is an example in which the statistical information based on the advanced fashion image and the statistical information based on the popular fashion image are displayed in contrast with each other.
  • the white color indicated by the dotted line displays a prominent value in the summer of 2016 in the statistical processing based on the advanced fashion image, whereas it is displayed in the spring of 2018 in the statistical processing based on the popular fashion image.
  • the outstanding value is displayed.
  • the black color indicated by the straight line displays a value that is outstanding in the winter of 2016 in the statistical processing based on the advanced fashion image, whereas it is projected in the autumn of 2018 in the statistical processing based on the popular fashion image. The value is displayed.
  • a portion having a numerical value equal to or higher than a predetermined numerical value which is considered to be projected in the advanced fashion image and the popular fashion image is displayed.
  • the fashion images in association with each other, it may be displayed in a manner that brings attention to the fact that the contents of the advanced fashion image influence the popular fashion image.
  • the system of the present embodiment displays the statistical information based on the advanced fashion image and the statistical information based on the popular fashion image in contrast, it may be a reference or a prediction for the popular fashion image in the future.
  • ⁇ Cycle fashion image> It is said that fashion trends in the fashion industry have periodicity.
  • the system according to the present embodiment may mainly use a reference image (hereinafter, referred to as “periodic fashion image”) in consideration of the periodicity.
  • periodic fashion image when focusing on a cycle of 12 years, a predetermined period including 12 years ago from the present (for example, a period from January to December 12 years ago or 12 years ago) A fashion image that has been published in a medium issued in the previous applicable season period) or a medium targeted for the period.
  • the flow when the system of this embodiment acquires a periodic fashion image as a reference image is as shown in FIG.
  • a “periodic fashion image attribute database” can be used instead of the fashion image attribute database when the fashion image is used.
  • the statistical processing unit in the system of the present embodiment may perform the same statistical processing as the statistical processing unit in the fashion image described above based on the periodic fashion image attribute database.
  • the information generated by the statistical processing or the display based on the information becomes the information on the fashion before a predetermined time from the present. Therefore, the viewer can consider the 12-year periodicity and consider the fashion design and the adjustment of the production amount of the fashion item sales channel.
  • the system of the present embodiment may display the fashion periodicity to make it easier to understand.
  • the statistical processing unit may display the information based on the periodic fashion image and the information based on the fashion image in the period corresponding to the information based on the periodic fashion image in comparison.
  • the system according to the present embodiment is applied to a medium issued during a predetermined period 12 years ago from the present, for example, a summer period from July to September or a medium targeted for fashion items in the period.
  • a periodic fashion image attribute database is generated by using an image including the posted image as a periodic fashion image, and targets of two types of fashion item attributes (for example, tops and outerwear as the type of fashion item and each color as the color of the fashion item) Are calculated and a numerical value is generated and displayed.
  • the mode of displaying in comparison may be a mode of displaying the same axes on the same screen or a mode of displaying side by side or vertically. In this way, by displaying the fashion information before the cycle and the current fashion information for a predetermined period in contrast, it is possible that the fashion changes at the same period based on the idea that fashion has periodicity. The material for studying about can be easily obtained.
  • the numerical values aggregated based on the periodic fashion image attribute database information different from numerical values higher than the predetermined numerical value may be added to the numerical values higher than the predetermined numerical value.
  • numerical values higher than a predetermined numerical value may be displayed differently from numerical values not higher than the predetermined numerical value.
  • the fashion item attribute related to a numerical value higher than the predetermined numerical value may have a display mode different from the numerical value not higher than the predetermined numerical value. With such different displays, the viewer can easily understand the numerical values or fashion item attributes that are considered to be trends in the fashion before the cycle.
  • rankings may be generated in descending order of numerical values. The numerical values or rankings may be displayed in descending order of rank.
  • the ranking may be a ranking for one or more specific fashion item attributes such as the type of fashion item, the color of the fashion item, the pattern of the fashion item, and the like.
  • fashion information related to a specific age group fashion information related to a specific country or region
  • fashion information related to people / groups / targets of which I am interested fashion information related to things that I often interact with, etc. explain.
  • the image including a fashion item worn by a person of a specific age may be an image related to fashion worn by a person of a specific age, or a specific image. It may be an image related to fashion worn by people having a predetermined age range including age.
  • the predetermined age range may be a 2-year-old width, a 3-year-old width, a 5-year-old width, a 10-year-old width, or the like. Also, different age ranges may be selected according to age.
  • the teens may have a predetermined age range of 2 years
  • the 20s may have a predetermined age range of 3 years
  • the 30s may have a predetermined age range of 5 years. This is because as the age increases, the apparent relationship between the age and the age generally becomes loose.
  • Part of the specific age group image may or may not overlap with part of the fashion image. Further, an image other than the fashion image may or may not be included.
  • the flow of the system of this embodiment when a specific age group image is used as a reference image is as shown in FIG.
  • information of a specific age group is acquired.
  • the specific age group here may have a certain width or may be a specific age.
  • the information of this specific age group may be selected in advance in the system of the present embodiment, or the system of the present embodiment may acquire the information from the user terminal.
  • a “specific age group image attribute database” can be used instead of the fashion image attribute database when a fashion image is used.
  • the system of the present embodiment may display the statistical processing similar to that described above even if the image attribute database of the specific age group is used. Compared with the case where a specific area is displayed in the fashion image attribute database, when the specific age group image attribute database is used, it is possible to display the statistical processing based on the information peculiar to each age.
  • the purchase destination for the fashion item specified by referring to the image attribute database of the specific age group By making it possible to refer to, it is possible to do business for those who are interested in a specific age group.
  • the image including a fashion item related to a specific country or area may be an image including a fashion item related to the specific country or area.
  • the fashion item associated with a specific country or region may be a fashion item having a cultural origin in the specific country or region, or a fashion item that is prevalent in the specific country or region. Or a fashion item simply worn in the particular country or region.
  • the region may be a plurality of countries or a part of the countries.
  • Part of the specific age image may or may not overlap with part of the fashion image. Further, an image other than the fashion image may or may not be included.
  • the system flow of this embodiment when a specific area image is used as a reference image is as shown in FIG. Note that, in FIG. 29, information on a specific area is acquired in order to determine the specific area image of the target image.
  • the specific area here may be an area, a country, or a state or a municipality.
  • the information on the specific area may be selected in advance in the system of the present embodiment, or the system of the present embodiment may acquire the information from the user terminal.
  • a “specific area image attribute database” can be used instead of the fashion image attribute database when a fashion image is used.
  • the system of the present embodiment may perform the statistical processing similar to the above and display it. Compared with the case where a specific area is displayed in the fashion image attribute database, when the specific area image attribute database is used, it is possible to display the statistical processing based on the information peculiar to each area.
  • an image that includes a fashion item related to a person, a group, or an object that the user is interested in, even if the person or group that the user is interested in is a prominent person or group. It may be an unfamous person or group. It may be an animation, movie, novel, painting, etc. that you are interested in. For example, there are fashion items related to people who follow on Twitter, fashion items related to people who have pressed “like” or articles, and fashion items related to celebrities who are fans.
  • the object of interest to me may be, for example, a home page that is bookmarked or bookmarked on the PC that I use.
  • Part of the specific age image may or may not overlap with part of the fashion image. Further, an image other than the fashion image may or may not be included.
  • the flow of the system of this embodiment when an interest image is used as a reference image includes, for example, FIG. 30 and FIG. 31, but is not limited to these.
  • the information of the user's interest may be acquired in order to determine the specific interest image of the target image.
  • the information of interest is a method of searching for related information from all the reference images in the system of the present embodiment based on the information from the user terminal. This search method may be any method.
  • the database of reference images may be of a format in which, when the information related to the reference image is included, an image related to the user's interest is selected from them.
  • FIG. 30 the information of the user's interest may be acquired in order to determine the specific interest image of the target image.
  • the information of interest is a method of searching for related information from all the reference images in the system of the present embodiment based on the information from the user terminal. This search method may be any method.
  • the database of reference images may be of a format in which, when the information related to the reference image is included, an image related
  • the system of the present embodiment holds the option of interest and the image corresponding thereto in advance, and presents the option of interest to the terminal used by the user. Then, the system of the present embodiment may be in a format in which the option of interest is acquired from the terminal used by the user and the image corresponding to the selected interest is used as the interest image.
  • the “interest image attribute database” can be used instead of the fashion image attribute database when the fashion image is used.
  • the system of the present embodiment may perform the statistical processing similar to the above and display it.
  • the interest image attribute database it is possible to display the statistical processing based on the information of the user's specific interest.
  • the object with which the user often contacts may be an object that the user is interested in.
  • the target may not be of interest to the user.
  • the degree of contact with the user may be determined using a predetermined standard. For example, in the case of homepages browsed using a PC, the homepages browsed more than a certain degree out of all the browsed homepages may be determined as the homepages with which the user often contacts.
  • the ratio of the browsing time to the total browsing time of the homepage may be a predetermined or more, the ratio of the number of browsing times to the total number of browsing of the homepage may be a predetermined or more, It may be a combination of these according to a predetermined rule or weighting.
  • -Part of the contact image may or may not overlap with part of the fashion image. Further, an image other than the fashion image may or may not be included.
  • a “contact image attribute database” can be used instead of the fashion image attribute database when a fashion image is used.
  • the system of the present embodiment may perform the statistical processing similar to the above and display it.
  • the contact image attribute database it is possible to display the statistical processing based on the information that the user specifically contacts.
  • An image including a fashion item specified from the viewpoint of one or more specific designers, one or more producers, sellers, and distributors of fashion items is Fashion items designed by one or more fashion designers, fashion items designed by designers belonging to one or more design makers, prototype fashion items created by one or more producers / sellers, one or more productions
  • the item may be a fashion item to be sold by a person / seller, a fashion item already sold by one or more sellers, or a combination thereof.
  • Part of the specific group image may or may not overlap with part of the fashion image. Further, an image other than the fashion image may or may not be included.
  • a “specific group image attribute database” can be used instead of the fashion image attribute database when a fashion image is used.
  • Reference fashion images Images collected from the above-mentioned fashion images, advanced fashion images, popular fashion images, specific age images, specific area images, interest images, contact images, specific group images, and other specific points of view (hereinafter, these are collectively referred to as "reference fashion images.
  • the image type collected from each viewpoint may be referred to as a “reference fashion image type”.) May be collected by various methods.
  • the reference fashion image may be collected from the database included in the system of the present embodiment, the information processing device on the network, or the like by using the information of the PC related to the user.
  • these pieces of information may be updated as appropriate according to the time axis.
  • the PC related to the user is a PC owned by the user, a PC managed by the user, a PC for which the user has an account, a PC for which the user has an access right, or the like.
  • the information on the PC related to the user may be information on the application used by the user on the PC related to the user. For example, it may be information such as a browsing history on the browser, bookmarks on the browser, and favorites.
  • system of the present embodiment may have a configuration capable of selecting an information source as a reference image.
  • system of this embodiment may include a selection unit that selects a reference fashion image type.
  • the selection unit is not limited to the case of selecting one of the plurality of reference fashion image types described above, and may be one that has performed a set operation on a plurality of reference fashion image types.
  • the set operation may be, for example, a sum, a product, a difference, a complementary set, or the like. Accordingly, for example, by summing a plurality of images of a specific age and a plurality of images of a specific area, it becomes possible to perform information processing regarding a fashion image of a specific age and a specific area. By performing the statistical processing, the viewer can understand the tendency of the specific age and the specific area.
  • the set operation can be performed on the reference fashion image type, the user can acquire the information on the desired reference fashion image type.
  • the target may be limited at the stage of aggregation, or the browsing target may be limited at the stage of statistical processing, but when the target is limited at the stage of aggregation, the number of targets to which machine learning is applied decreases. Therefore, there is an advantage that the amount of calculation and the amount of storage of the database after applying the machine learning are reduced.
  • the browsing target is limited at the stage of statistical processing, there is an advantage that information other than the target browsing target can be easily browsed only by the calculation amount of the statistical processing.
  • the attribute database has been described by applying the attribute information generation device by machine learning, but the attribute information may be generated by another method.
  • the attribute database may be manually generated, or by appropriately modifying the source of the mechanically generated attribute database by a rule-based method or manual input.
  • An attribute database may be generated. It is conceivable that after gathering the information collected in other databases, different parts are generated by a method such as a rule base. It is also conceivable that an updated part or the like of an image to be newly added is manually generated in the database once generated by the attribute information generating function based on machine learning.
  • the system of the present embodiment does not have the attribute information generation function based on the machine learning function, A database containing multiple attribute information, A statistical processing unit that performs statistical processing, May be provided.
  • system of the present embodiment may not have the attribute information generation function based on the machine learning function, but may have one or more of the functions that the above-described statistical processing unit can have.
  • the system of the present embodiment that does not have the attribute information generation function has the advantage of having the above-mentioned various effects simply by preparing the attribute database without the burden of machine learning for the attribute information generation function.
  • system of the present embodiment may be able to access the attribute database owned or managed by another person without having the attribute database itself, and it may be sufficient if the attribute information can be obtained. This is because the attribute database may be available from a company that manages and provides the database.
  • the system of this embodiment is An acquisition unit that acquires information including a plurality of attribute information via a network, A statistical processing unit that performs statistical processing using the plurality of attribute information, May be provided.
  • system of the present embodiment may not have the attribute database but may have one or more of the functions that the above-mentioned statistical processing unit can have.
  • the information including the plurality of attribute information may be information including each attribute value corresponding to the plurality of attribute information, such as a record, or one of the attribute values such as a field.
  • the information including the attribute value may be a value collected in association with the plurality of attribute information.
  • Embodiment 3 There are times when you want to know how the target fashion item is related to the fashion you are referring to.
  • the above-mentioned fashion images are used as the fashion for which I refer, but advanced fashion images, popular fashion images, periodic fashion images, brand images, specific age images, specific area images, interest images, contact images, specific groups It may be a reference fashion image such as an image or an image collected from a specific viewpoint, or may be a set of a plurality of reference fashion image types subjected to a set operation.
  • the hardware configuration according to the system of this embodiment may be the same as the hardware configuration described in the first embodiment, or may have different parts. For example, description will be made with reference to FIG. 34.
  • the system of this embodiment includes a system server 21.
  • the system of this embodiment may further include a machine learning device 22.
  • the system of this embodiment may further include a product database 24. Further, the system of this embodiment may include the terminal 23.
  • the machine learning device may be a device that performs machine learning, or may have a machine learning device-completed attribute information generation function. Note that even if the attribute information generation device has already been machine-learned, it may be machine-learned with new learning data, or may have a function for carrying out such machine learning.
  • FIG. 34 two product databases 24, 24a and 24b, are shown, but as described above, two or more product databases may be used, or a single product database may be used.
  • system server 21 In FIG. 34, only one system server 21 is shown, but as described above, it may be composed of a plurality of information processing devices, or part of the system server 21 may be positioned via the network.
  • the machine learning device 22 and the product database 24 are shown at positions via the network, separately from the system server, but either one or both of the machine learning device 22 and the product database 24 are shown. It may be included in the system server 21.
  • the system server 21 may be connected to the machine learning devices 22a and 22b and the product databases 24a and 24b via the network 19 so that information can be transmitted to each other. Further, the system server 21 may be connected to the terminal 23 so as to be able to exchange information with each other.
  • the system of this embodiment may have another hardware configuration. This is an example configuration without a machine learning device.
  • the system of this embodiment has a system server 21.
  • the system of this embodiment may further include an attribute database 25.
  • the system of this embodiment may further include a product database 24. Further, the system of this embodiment may include the terminal 23.
  • the attribute database has a database regarding attribute information.
  • the attribute information may be generated by the attribute information generation device or may be generated manually. When generated by the attribute information generating device, the attribute information generating device may be generated by machine learning, a rule-based method, or a function such as OCR from a medium. Good.
  • the attribute database 25 may be connected to the system server 21 via the network 19, or the attribute database 25 may be included in the system server 21.
  • the product database 24, the system server 21, and the terminal 23 in FIG. 35 may be the same as those in FIG. 34.
  • a target image including a fashion item to be analyzed (hereinafter referred to as "analysis target image") is prepared (step 1).
  • the analysis target image may be, for example, an image of a fashion item held by the user captured by a digital camera, or an image displayed for sale on the net. ..
  • the fashion item attribute relating to the analysis target image is generated for the analysis target image (step 2).
  • the attribute information generation function may be generated by machine learning.
  • the attribute information generation function may be the attribute information generation function described in the first embodiment.
  • the analysis target image is compared with the data in the fashion image attribute database, and a fashion item that is the same as or similar to the fashion item in the analysis target image is specified in the fashion image attribute database (step 3).
  • the specified fashion item is referred to as "specific item”.
  • the image in the fashion image attribute database from which the specific item is extracted is referred to as “original fashion image”.
  • the comparison of the analysis target image and the data in the fashion image attribute database may be a comparison between the fashion item attribute related to the fashion item in the analysis target image and the fashion item attribute in the fashion image attribute database.
  • the comparison may compare attribute values within the corresponding fashion item attributes.
  • Identical and similar may be judged by various criteria. If the same or similar criteria are used as a loose criterion, the number of objects that are determined to be the same or similar increases, and if the same or similar criteria are used as a severe criterion, the number of objects that are determined to be the same or similar decreases. Have a relationship with you. An example of determining the same or similar will be described below, but the present invention is not limited to these, and any means that can determine the relationship of fashion items as the same or similar may be used. In particular, various methods may be used as long as they can determine the same or similar using the fashion item attribute.
  • Identical may mean that the corresponding fashion item attributes are all the same, for example.
  • the fashion item attributes include the fashion item type, the fashion item color, and the fashion item pattern information
  • the fashion item type is bottoms
  • the fashion item color is black
  • the fashion item pattern is a floral pattern.
  • the attribute values of the corresponding fashion item attributes such as, may match.
  • Similarity may be, for example, a case where, of a plurality of corresponding fashion item attributes, the attribute values of one fashion item attribute are the same, but the attribute values of another fashion item attribute are different.
  • the attribute values of the fashion item types may be the same, but the attribute values of the fashion item processing may be different.
  • one or more fashion item attributes that should be the same may be defined in order to be judged as being similar.
  • the type of fashion item and the color of the fashion item may need to have the same attribute value relationship in order to be determined to be similar.
  • the above-mentioned one or more fashion item attributes that should be the same may be determined in advance, or may be appropriately changed and determined by machine learning or the like to be described later.
  • the fashion item A and the fashion item B are not the same as the fashion item A and the fashion item B to be compared, all the fashion items that the fashion items A and B have in common.
  • the attributes if it is determined that the corresponding fashion item attributes with respect to all of the one or more fashion item attributes that are supposed to be the same have the same attribute value, the fashion item A and the fashion item B are similar. May be determined.
  • one of the fashion items A and B has a fashion item attribute that the other does not have, it may not be determined to be similar.
  • a group is defined for the attribute values in the fashion item attributes, and the attribute values of the fashion item attributes related to the two fashion items to be compared both belong to the related group. May be determined to be similar to.
  • a coat and a trench coat are defined as related groups, and when one fashion item is a coat and another fashion item is a trench coat, the one fashion item is The other fashion item may be determined to be similar with respect to the type of fashion item.
  • T-shirts and sweaters are defined as unrelated groups, and if one fashion item is a T-shirt and another fashion item is a sweater, It may be determined that one fashion item and the other fashion item are not the same or similar with respect to the type of fashion item.
  • the fashion item A and the fashion item B to be compared are not the same as the fashion item A and the fashion item B, and all the fashion items that the fashion items A and B have in common.
  • the fashion item A and the fashion item B may be determined to be similar.
  • one of the fashion items A and B has a fashion item attribute that the other does not have, it may not be determined to be similar.
  • similarities may be ranked in descending order of similarity of fashion item attributes instead of the same or similar fashion item attributes.
  • the similarity ranking may be set high for items having the same fashion item attribute, and the similarity ranking may be set according to the fashion item attribute, the above-mentioned group in the fashion item attribute, and the like.
  • fashion item attributes of fashion items that a person may consider to be the same or similar when looking at a fashion item to be determined to be the same or similar. It can be anything.
  • These same or similar may be determined on a rule basis or may be determined by machine learning. For example, with respect to fashion item A and fashion item B, the attribute related to fashion item A, the attribute related to fashion item B, and the result of the determination that the person is the same or similar to A and B are associated with each other. Alternatively, a machine learning machine learning machine may be used.
  • the result determined by the person being the same or similar may be statistical data or the result of a questionnaire determined by the person being the same or similar. Further, although the same or similar is described above, the same or similar may be used.
  • the system according to the present embodiment may acquire information on the fashion image of the specific item from the fashion image attribute database.
  • information regarding the acquired fashion image may be displayed on the terminal.
  • the system according to the present embodiment may display the information regarding the source of the fashion image as the information regarding the fashion image.
  • the information regarding the source may be a medium name where the image is published, a brand name, a magazine code, an ISBN code, a publisher, and / or a volume number.
  • the analysis target image is an image of a fashion item held by the user
  • the system of the present embodiment presents information on the source of the specific item in the analysis target image
  • the viewer is It is possible to understand what kind of medium the fashion item that is the same as or similar to the fashion item owned by the user is displayed in the image.
  • the medium is a famous or famous fashion magazine
  • the user understands that the owned fashion item is the same or similar to the fashion item introduced in the famous or famous fashion magazine. In some cases, you can gain confidence in wearing the fashion items you own.
  • the analysis target image is, for example, an image obtained by capturing a fashion item owned by another company
  • the system of the present embodiment presents information regarding the source of the specific item in the analysis target image, The viewer can understand what medium the image of the fashion item that is the same as or similar to the fashion item owned by another company is displayed.
  • the analysis target image is an image of a fashion item captured on the Internet
  • the system of the present embodiment presents information on the source of the specific item in the analysis target image
  • the viewer is on the Internet. It is possible to understand what kind of medium the fashion item that is the same as or similar to the above fashion item is displayed in the image. At this time, if the medium is a famous or famous fashion magazine, the user must confirm that the fashion item on the Internet is the same as or similar to the fashion item introduced in the famous or famous fashion magazine. Can be understood and can deepen interest in the fashion item.
  • ⁇ Display of analysis target image and original fashion image> when the system of the present embodiment displays the analysis target image and the original fashion image, the user can determine how similar and different the analysis target image and the original fashion image are. Can be visually intuitively understood. In particular, when the system of the present embodiment displays the analysis target image and the original fashion image on the same screen, how similar the analysis target image and the original fashion image are and how different they are. The user can intuitively understand whether or not it is within the same screen.
  • the information may be character string information. In the case of character string information, there is an advantage that the user can search on the Internet using the character string information.
  • FIG. 37 is an example of the above display.
  • FIG. 37 shows an example in which the source display, the analysis image target, and the original fashion image are displayed in the above description
  • the display example is not limited to such display examples, and various displays may be displayed.
  • the fashion item attribute of the analysis target image and the fashion item attribute of the original fashion image may be displayed as information. The information may be displayed only when the fashion item attribute of the analysis target image and the fashion item attribute of the original fashion image are different. Further, different portions having different fashion item attributes and different fashion item attributes of the original fashion image may be displayed in a different mode from those of the same portion.
  • the system of the present embodiment further includes one or more fashion items in the original fashion image, which is the image from which the specific item is extracted, and which is one or more fashion items other than the specific item (
  • each fashion item of one or more fashion items other than the specific item may be specified as “related specific item” in the fashion image attribute database (step 4).
  • the related specific item may be a fashion item other than the specific item among the fashion items associated with the original fashion image in the fashion image attribute database.
  • the system of the present embodiment may display one or more related specific items. Further, the system of the present embodiment may display information on the fashion item attribute related to the related specific item.
  • FIG. 38 is an example in which two related specific items are displayed. Further, in this example, the type, color, pattern, and processing information are displayed as the fashion item attributes related to the related specific item. When these pieces of information are displayed, the viewer can also use the information to search the Internet independently.
  • the analysis target image is an image of a fashion item that the user holds
  • the system of the present embodiment displays the related specific item
  • the viewer combines it with the fashion item that the user holds. Can understand other good fashion items. This is because in fashion, there is a problem in combining fashion items, so that the viewer can understand the fashion items that should be combined by displaying the related specific items.
  • the analysis target image is an image of a fashion item held by the user and is an advanced fashion image as a reference image
  • the system of the present embodiment displays the related specific item
  • the viewer can understand the other fashion items which the user may combine with the fashion item, in the light of the advanced fashion image.
  • the latest fashion such as advanced fashion images can be referred to.
  • the analysis target image is an image obtained by capturing a fashion item held by the user and is a popular fashion image as a reference image
  • the system of the present embodiment displays the related specific item
  • the viewer can understand other fashion items that may be combined with the fashion items owned by the user in the light of the popular fashion image.
  • general fashion such as popular fashion images can be referred to.
  • the system of the present embodiment uses the attribute information generation function of the system of the present embodiment, and a database having a plurality of images including fashion items that can be selected by the user (hereinafter referred to as “product images”).
  • product images For each product image in (hereinafter, referred to as “product database”), a fashion item attribute related to the product image may be generated (step 5).
  • the attribute information generation function may be generated by machine learning.
  • the attribute information generation function may be the attribute information generation function described in the first embodiment.
  • the product database may be included in the system of the present embodiment, or may be stored in another information processing device via the net.
  • the other information processing device may be a file server having images or an information storage device on the cloud.
  • the owner of the product database may be different from the owner or administrator of the system of this embodiment.
  • product images and information on fashion items related to the product images may be stored in association with each other.
  • the fashion item information may be, for example, information such as the seller, manufacturer, price, and / or URL of the fashion item.
  • the information on these fashion items may be stored in the product attribute database described later in association with the information indicating the product image.
  • the selectable fashion item in the product image may be a fashion item that can be purchased or a fashion item that can be borrowed.
  • the system of the present embodiment may store the information indicating the product image and the fashion item attribute related to the generated product image in the storage unit as a product attribute database in association with each other (step 6). ).
  • the system of the present embodiment compares one of the related specific items with a fashion item in a product attribute database, and identifies the same or similar fashion item as the one of the related specific items (hereinafter, " "Related target product”) may be identified in the product attribute database (step 7).
  • the comparison, the same, and the similarity may be various methods as in the technique described above.
  • the comparison and similarity for specifying the specific item and the comparison and similarity for specifying the related purpose product may be the same or different.
  • the system of the present embodiment may present information about one or more related target products.
  • Examples of the information on the related purpose product include a manufacturer of the related purpose product, a start time of sale of the related purpose product, a price of the related purpose product, and information on a method of obtaining the related purpose product.
  • the information regarding the means for obtaining the related purpose product may be information regarding the seller of the related purpose product, information regarding the rental company of the related purpose product, and the like.
  • the information about the seller of the related purpose product may be the location of the store of the related purpose product, the URL of the seller of the related purpose product, and the like.
  • the information related to the one or more related purpose products may be stored and acquired in the product attribute database, or may be stored in another database associated with the related purpose product, and the information may be appropriately provided. It may be a configuration that can be acquired.
  • FIG. 39 is an example in which a seller name, a product name, a product price, and a related URL for purchasing online are displayed as information about the related purpose product.
  • the name of the product may be a model number or the like.
  • the sale price and the like may be described as appropriate for the price of the product.
  • the related URL may be a URL that can be directly accessed to purchase the product online or a URL for explaining the product.
  • two sellers are displayed for each related specific item, one seller may be displayed or three or more sellers may be displayed. Further, the number of sellers in the related specific item may be different from each other.
  • the system of the present embodiment may be a system capable of specifying a selectable fashion item that is the same as or similar to the specific item in the product attribute database, instead of specifying the related specific item.
  • a target image including a fashion item to be analyzed by a user is prepared as an analysis target image (step 1).
  • the analysis target image may be, for example, an image including a fashion item owned by the user's friend, or an image including a fashion item worn by a person whom the user longs for. These may be images found on the net or images taken by a digital camera or the like.
  • the fashion item attribute relating to the analysis target image is generated for the analysis target image (step 2).
  • the attribute information generation function may be generated by machine learning.
  • the attribute information generation function may be the attribute information generation function described in the first embodiment.
  • the fashion item related to the analysis target image is compared with the fashion item in the product attribute database, and the same or similar fashion item as the fashion item related to the analysis target image is specified in the product attribute database (Ste 3).
  • the identified fashion item is called a "special purpose product”.
  • comparison, the same, and the similarity may be various methods like the above-described technique.
  • the comparison and similarity for specifying the specific item and the comparison and similarity for specifying the related purpose product may be the same or different.
  • the system of this embodiment may present information related to one or more specific purpose products.
  • the information on the special purpose product include the manufacturer of the special purpose product, the start time of sale of the special purpose product, the price of the special purpose product, and information on the means for obtaining the special purpose product.
  • the information regarding the means for obtaining the special purpose product may be information regarding the seller of the special purpose product, information regarding the rental company of the special purpose product, and the like.
  • the information about the seller of the special purpose product may be the location of the store of the special purpose product, the URL of the seller of the related purpose product, or the like.
  • the information related to the one or more specific purpose products may be stored and acquired in the product attribute database, or may be stored in another database associated with the specific purpose product, and the information may be appropriately stored. It may be a configuration that can be acquired.
  • the display example of the special purpose product may be the same as the display example of the related purpose product shown in FIG. 39, and therefore the display example is omitted here.
  • the attribute information generation function based on machine learning may not be provided. ..
  • the system of this embodiment is An acquisition unit that acquires one fashion item related to the analysis target image, A specifying unit that specifies the same or similar fashion item as the one fashion item in the attribute database using the fashion item attribute value; May be provided.
  • the system of this embodiment is An acquisition unit for acquiring a plurality of attribute values of one fashion item related to the image to be analyzed, A plurality of attribute values, the attribute value corresponding to each of the plurality of attribute values, the identification unit that identifies in the attribute database fashion items having the same or similar attribute value, May be provided.
  • Embodiment 4 The system of this embodiment creates a tendency of one image group and a tendency of another image group, and compares these tendencies.
  • each image file in the first company image database includes one fashion item manufactured and sold by the first company, and the second company image database is manufactured and sold by the second company. It shall include one fashion item.
  • the fashion item attribute is generated for each image in the first company image database (step 2).
  • the attribute information generation function may be generated by machine learning.
  • the attribute information generation function may be the attribute information generation function described in the first embodiment.
  • the generated information may be stored.
  • the database generated based on the first company image database is referred to as “first company image attribute database”.
  • FIG. 42 is an example of a first company image attribute database.
  • image ID is described here, when the image ID is used only for the purpose of totalizing each attribute, the image ID may or may not be present. Further, an ID for simply distinguishing each piece of information may or may not exist.
  • fashion item attributes are generated for each image in the second company image database (step 3).
  • the database generated based on the second company image database is referred to as a “second company image attribute database”.
  • the specific attribute information is statistically processed for the first company image attribute database and the second company image attribute database (step 4).
  • FIG. 43 is an example in which the same attribute values of the fashion item types are aggregated. More specifically, as the type of fashion item, the numerical value of the aggregation result is stored for each attribute value such as tops, outerwear, pants, and skirts. The aggregation may be calculated so that the total number of fashion items or reference images having the same attribute value can be calculated. Note that, in FIG. 43, the total result based on the first company image attribute database and the total result based on the second company image attribute database are stored in the same database, but they are stored in separate databases. Alternatively, after the totaling, the step of storing in the database may be omitted and the display processing described below may proceed.
  • the statistical processing unit may display the comparison result in comparison.
  • FIG. 44 is an example in which the types of fashion items are aggregated and displayed for the products of the first company and the products of the second company.
  • the types of fashion items were tops, outerwear, pants, skirts, bags, and shoes.
  • the product of the fashion item of the first company and the product of the fashion item of the second company are compared from the viewpoint of each attribute value of the type of fashion item such as tops and outerwear. Can be displayed.
  • a fashion attribute it may be aggregated and displayed for each more detailed type of fashion item.
  • FIG. 45 an example is shown in which tops are targeted and T-shirts, shirts, shirts, blouses, polo shirts, sweaters, and the like are targeted.
  • the naming method of the product type may be different for each company.
  • the criteria may be unclear.
  • the number of product types of each company can be determined according to a certain criterion because the product can be classified by a uniform determination according to the determination criterion by the device, for example, the first company or the third company. It is also possible for a person or the like to carry out marketing and product research.
  • the system of this embodiment is An image for machine learning and a plurality of attribute information of a plurality of fashion items included in the image for machine learning and / or attribute information of a person included in the image for machine learning are used to generate an image, , A neural network part machine-learned by deep learning the relationship between fashion item attribute information and / or person attribute information, An acquisition unit that acquires a first target image belonging to the first group, By applying the first target image to the neural network, the plurality of attribute information of the plurality of fashion items related to the first target image and / or the attribute information of the person related to the first target image is configured.
  • a generation unit that generates a fifth database; By applying the second target image belonging to the second group to the neural network, a plurality of attribute information of a plurality of fashion items related to the second target image and / or attribute information of a person related to the second target image.
  • a generating unit for generating a sixth database composed of The system may include a statistical processing unit that statistically processes the information in the fifth database and the information in the sixth database by using the fifth database and the sixth database. ..
  • the images belonging to the first group and the images belonging to the second group may be the various images described above.
  • the images belonging to the first group may be plural images related to the first group
  • the images belonging to the second group may be plural images related to the second group.
  • the first group and the second group may be different groups.
  • An example of the plurality of images related to the first group may be the above-mentioned first company image database, and an example of the plurality of images related to the second group may be the above-described second company image database, the fifth An example of the database may be the above-mentioned first company image attribute database, and an example of the sixth database may be the above-mentioned second company image attribute database. Also, these may be reversed.
  • the statistical processing unit may be configured to be able to generate and display the aggregated numerical value for the first attribute information in the fifth database and the aggregated numerical value for the first attribute information in the sixth database.
  • the aggregated information about the first attribute information in the criteria of the attribute information generation function can be displayed in contrast, so that the viewer can easily compare the same information.
  • the information generated by the configuration can be displayed by transmitting it to any information processing apparatus via the network, and thus has an advantage that it can be displayed to a viewer who is far away.
  • the configurations of the fifth database and the sixth database are described for the images belonging to the first group and the images belonging to the second group, respectively, but the same applies to the images belonging to the third and higher groups.
  • a database composed of a plurality of attribute information of a plurality of fashion items and / or attribute information of a person is generated, and regarding the first attribute information, May be aggregated and / or displayed. With this configuration, it is possible to compare images related to three or more groups.
  • the attribute database may be generated by other means without depending on the attribute information generation function.
  • the system uses the seventh database including a plurality of fashion item attributes and / or a plurality of person attributes and the eighth database including a plurality of fashion item attributes and / or a plurality of person attributes, respectively. It may be configured to generate a total numerical value for the attribute information. Further, the generated aggregated numerical value may be configured to be displayed in contrast.
  • system of the present embodiment may have a configuration in which, in the above configuration, the seventh database and the eighth database are stored in another information processing device or a storage device and a part of them is acquired from them.
  • the above-mentioned two databases that is, the seventh database and the eighth database, are not limited to, and three or more databases are used or information is acquired from these databases, and the aggregate numerical values aggregated from the plurality of databases are compared. It may be configured and generated and / or displayed.
  • one image group or another image group mainly the image related to a specific group has been mainly described, but as one image group or another image group, a plurality of the reference fashion images described above, That is, even if a plurality of images such as advanced fashion images, popular fashion images, periodic fashion images, brand images, specific age images, specific region images, interest images, contact images, and images collected from other specific viewpoints are prepared, Alternatively, a set operation may be performed on a plurality of reference fashion image types.
  • Embodiment 5 The system according to the present embodiment identifies a combination of fashion items in one image group with reference to information in another image group. For example, the system of the present embodiment, for one fashion item in the fashion items that the user has, identifies a fashion item that is appropriate when combined with the one fashion item, from the fashion image that the user has, by referring to the reference image. It is a system that can.
  • the system of this embodiment will be described with reference to FIG.
  • the system of this embodiment may include a system server 21 and an attribute database 25, and may be configured to be able to acquire information input from a terminal.
  • the attribute database 25a is, for example, an advanced fashion image attribute database related to an advanced fashion image
  • the attribute database 25b is, for example, an attribute database related to a fashion item owned by a user and is referred to as a user attribute database. I will.
  • the attribute database may be composed of attribute information generated by using the machine learning function, may be composed of attribute information generated by another method, or may be information input by a human. It may be composed of attribute information based on. Further, information about the fashion item related to the attribute information may be stored in association with the attribute information.
  • a plurality of pieces of attribute information regarding one fashion item are acquired from the user attribute database and stored in the storage unit (step 1).
  • the same or similar fashion item as the one fashion item is identified from the advanced fashion image attribute database using the attribute information (step 2).
  • the specified fashion item is referred to as a "specific item”.
  • step 3 in the advanced fashion image attribute database, other fashion items of the advanced fashion image related to the specific item are specified (step 3).
  • the specified fashion item is referred to as a “related item”.
  • the related item may be one or more.
  • step 4 in the user attribute database, one or more related items and the same or similar fashion items are specified (step 4).
  • the system of the present exemplary embodiment can identify a fashion item to be combined with the advanced fashion image from a plurality of fashion items that the user has, and the user can select the fashion item. There is an advantage that the combination of is not lost.
  • a plurality of the above-mentioned reference fashion images that is, advanced fashion images, popular fashion images, brand images, specific age images, specific area images, interest images, contact images, specific group associations, etc.
  • a plurality of images such as images and images collected from a specific viewpoint may be prepared, or a plurality of reference fashion image types may be subjected to a set operation.
  • an attribute database related to one image group is used as an attribute database related to stage costumes
  • an attribute database related to other image groups is used as an attribute database related to fashion images of a specific era / region. Then, it is possible to identify other fashion items that should be combined with one fashion item in the stage costume in the light of the fashion image of a particular era / region. You can select a combination of fashion items according to the time and region. If the above-mentioned stage costume is owned by the user, for example, a better combination of fashion items among the owned fashion items can be specified.
  • the attribute database related to the above stage costume is, for example, a product attribute database that can be purchased or ordered
  • fashion items along the above-mentioned specific era / region are selected. Can be selected, and a fashion item having an atmosphere more in line with the specific era / region can be specified.
  • the specified or selected fashion item may be generated as information or may be displayed so that the user can browse it.
  • the image may be image data or an image file.
  • Various data formats or data formats may be used.
  • the image may be in raster format or vector format. Examples include, but are not limited to, BMP, GIF, JPEG, PNG, PNM, TIFF, XPM, WebP, PS, EPS, PDF, SVG, WMF, and the like.
  • the image may be a part of the moving image.
  • the image may be a still image of a part of the moving image.
  • the invention examples described in the embodiments of the present application document are not limited to those described in the present application document, and may be applied to various examples within the scope of the technical idea thereof.
  • the information presented on the screen of one information processing device can be transmitted to the other information processing device for display on the screen of the other information processing device.
  • the system of each embodiment may be configured such that the one information processing apparatus has a transmission unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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。

Description

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
　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。
PCT/JP2018/040594 2018-10-31 2018-10-31 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 WO2020090054A1 (ja)

Priority Applications (11)

Application Number Priority Date Filing Date Title
JP2018558437A JP6511204B1 (ja) 2018-10-31 2018-10-31 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
PCT/JP2018/040594 WO2020090054A1 (ja) 2018-10-31 2018-10-31 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
US17/289,378 US11551378B2 (en) 2018-10-31 2018-12-27 Information processing system, information processing device, server device, program, and method to identify a position in a figure
SG11202104451WA SG11202104451WA (en) 2018-10-31 2018-12-27 Information processing system, information processing device, server device, program, and method
EP18939000.8A EP3876526A4 (en) 2018-10-31 2018-12-27 INFORMATION PROCESSING SYSTEM, INFORMATION PROCESSING DEVICE, SERVER DEVICE, PROGRAM AND METHOD
PCT/JP2018/048120 WO2020090126A1 (ja) 2018-10-31 2018-12-27 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
CN201880100571.9A CN113261277B (zh) 2018-10-31 2018-12-27 确定与图像内的位置对应的图形内的位置的方法和系统
JP2018568456A JP6516943B1 (ja) 2018-10-31 2018-12-27 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
JP2019077912A JP6607544B1 (ja) 2018-10-31 2019-04-16 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
JP2019188768A JP7313052B2 (ja) 2018-10-31 2019-10-15 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
JP2023110200A JP2023126906A (ja) 2018-10-31 2023-07-04 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/040594 WO2020090054A1 (ja) 2018-10-31 2018-10-31 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

Publications (1)

Publication Number Publication Date
WO2020090054A1 true WO2020090054A1 (ja) 2020-05-07

Family

ID=66530818

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2018/040594 WO2020090054A1 (ja) 2018-10-31 2018-10-31 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
PCT/JP2018/048120 WO2020090126A1 (ja) 2018-10-31 2018-12-27 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

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/048120 WO2020090126A1 (ja) 2018-10-31 2018-12-27 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

Country Status (5)

Country Link
EP (1) EP3876526A4 (ja)
JP (4) JP6511204B1 (ja)
CN (1) CN113261277B (ja)
SG (1) SG11202104451WA (ja)
WO (2) WO2020090054A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3971734A1 (en) * 2020-09-22 2022-03-23 Grazper Technologies ApS Evaluation device for re-identification and corresponding method, system and computer program
KR102545190B1 (ko) * 2020-10-29 2023-06-20 씨제이올리브영 주식회사 오프라인 리테일 환경에서의 상품 정보 제공 장치 및 상품 정보 제공 장치의 제어방법
TWI790187B (zh) * 2021-09-22 2023-01-11 日商不二輸送機工業股份有限公司 計數裝置以及計數方法
TW202319957A (zh) * 2021-11-05 2023-05-16 華捷智能股份有限公司 影像辨識系統及影像辨識方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090092A (ja) * 1998-09-08 2000-03-31 Canon Inc 画像処理システム、装置、方法及び記憶媒体
JP2012014544A (ja) * 2010-07-02 2012-01-19 Nippon Telegr & Teleph Corp <Ntt> コーディネート推薦装置、コーディネート推薦方法及びそのプログラム
US20150058079A1 (en) * 2013-08-26 2015-02-26 Google Inc. Detecting trends from images uploaded to a social network
US20160189274A1 (en) * 2014-12-31 2016-06-30 Ebay Inc. Fashion administration
JP2018120527A (ja) * 2017-01-27 2018-08-02 株式会社リコー 画像処理装置、画像処理方法及び画像処理システム
WO2018159095A1 (ja) * 2017-02-28 2018-09-07 株式会社日立製作所 画像検索装置及び画像検索方法

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2685842A1 (fr) * 1991-12-30 1993-07-02 Philips Electronique Lab Procede de recalage d'images.
JP3610087B2 (ja) * 1994-03-25 2005-01-12 オリンパス株式会社 移動物体追跡装置
JP3607653B2 (ja) * 2001-09-12 2005-01-05 技研トラステム株式会社 分離計数装置
JP4424031B2 (ja) 2004-03-30 2010-03-03 株式会社日立製作所 画像生成装置、システムまたは画像合成方法。
JP5301791B2 (ja) * 2007-04-17 2013-09-25 株式会社プロフィールド 広告効果分析装置、広告効果分析方法、およびプログラム
CN101377847B (zh) * 2007-08-29 2010-06-02 中国科学院自动化研究所 一种文档图像的配准及特征点选取方法
JP5163023B2 (ja) * 2007-09-19 2013-03-13 沖電気工業株式会社 位置情報解析装置、位置情報解析方法および位置情報解析システム
US8121433B2 (en) * 2008-01-18 2012-02-21 California Institute Of Technology Ortho-rectification, coregistration, and subpixel correlation of optical satellite and aerial images
KR20100005960A (ko) * 2008-07-08 2010-01-18 (주)인덱스미디어 패션 정보 제공 시스템
JP2010033474A (ja) * 2008-07-31 2010-02-12 Omron Corp 属性別人数集計装置、属性別人数集計方法、および属性別人数集計システム
JP4780596B2 (ja) * 2009-02-03 2011-09-28 オプテックス株式会社 カメラインタフェース装置および画像通信システム
JP5381451B2 (ja) * 2009-07-22 2014-01-08 コニカミノルタ株式会社 画像処理装置、画像処理方法および画像処理プログラム
US20120114229A1 (en) * 2010-01-21 2012-05-10 Guoqing Zhou Orthorectification and mosaic of video flow
JP5272213B2 (ja) * 2010-04-30 2013-08-28 日本電信電話株式会社 広告効果測定装置、広告効果測定方法およびプログラム
JP2015002477A (ja) * 2013-06-17 2015-01-05 キヤノン株式会社 情報処理装置、情報処理システムおよび情報処理方法
IL227627B (en) * 2013-07-24 2020-03-31 Israel Aerospace Ind Ltd Method and device for determining geographic location
JP2015122008A (ja) * 2013-12-25 2015-07-02 昌彦 秋田 測定装置
JP6132811B2 (ja) 2014-06-05 2017-05-24 三菱電機ビルテクノサービス株式会社 プログラム及び情報処理装置
JP6650677B2 (ja) * 2015-02-26 2020-02-19 キヤノン株式会社 映像処理装置、映像処理方法、およびプログラム
KR101801846B1 (ko) * 2015-08-26 2017-11-27 옴니어스 주식회사 상품 영상 검색 및 시스템
US10346688B2 (en) * 2016-01-12 2019-07-09 Hitachi Kokusai Electric Inc. Congestion-state-monitoring system
JP6256885B2 (ja) * 2016-03-31 2018-01-10 パナソニックＩｐマネジメント株式会社 施設内活動分析装置、施設内活動分析システムおよび施設内活動分析方法
JP6156665B1 (ja) * 2016-04-08 2017-07-05 パナソニックＩｐマネジメント株式会社 施設内活動分析装置、施設内活動分析システムおよび施設内活動分析方法
JP2017194760A (ja) * 2016-04-18 2017-10-26 株式会社スカイシーカー 動物生息状況調査方法および動物生息状況調査システム
JP2017211932A (ja) * 2016-05-27 2017-11-30 大日本印刷株式会社 情報処理装置、情報処理システム、プログラム及び情報処理方法
JP2018046415A (ja) * 2016-09-14 2018-03-22 キヤノン株式会社 表示制御装置、表示制御方法及びプログラム
JP2018097422A (ja) * 2016-12-08 2018-06-21 パナソニックＩｐマネジメント株式会社 施設運営支援システム、施設撮像装置および施設運営支援方法
JP2018160213A (ja) * 2017-03-24 2018-10-11 富士ゼロックス株式会社 表示装置及びプログラム
WO2018180588A1 (ja) * 2017-03-27 2018-10-04 株式会社日立国際電気 顔画像照合システムおよび顔画像検索システム
CN107610166B (zh) * 2017-09-26 2020-10-09 上海海事大学 一种基于线性特征区域分割的平面地图图像配准方法
CN107766861A (zh) * 2017-11-14 2018-03-06 深圳码隆科技有限公司 人物图像服装颜色识别方法、装置及电子设备
CN108388840B (zh) * 2018-01-29 2021-01-15 北京捷通华声科技股份有限公司 一种人脸图像的配准方法、装置和人脸识别系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000090092A (ja) * 1998-09-08 2000-03-31 Canon Inc 画像処理システム、装置、方法及び記憶媒体
JP2012014544A (ja) * 2010-07-02 2012-01-19 Nippon Telegr & Teleph Corp <Ntt> コーディネート推薦装置、コーディネート推薦方法及びそのプログラム
US20150058079A1 (en) * 2013-08-26 2015-02-26 Google Inc. Detecting trends from images uploaded to a social network
US20160189274A1 (en) * 2014-12-31 2016-06-30 Ebay Inc. Fashion administration
JP2018120527A (ja) * 2017-01-27 2018-08-02 株式会社リコー 画像処理装置、画像処理方法及び画像処理システム
WO2018159095A1 (ja) * 2017-02-28 2018-09-07 株式会社日立製作所 画像検索装置及び画像検索方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Big Data DAIZEN to grasp everything 2015-2016", NIKKEI BUSINESS PUBLICATIONS, INC.), 1 August 2015 (2015-08-01), pages 48 - 50 *
"non-official translation(TADA, Waichi, "Clarifying trends from images of photo sharing service, LeapMind", publication of analysis service of deep learning utilization,", PUBLICATION OF ANALYSIS SERVICE OF DEEP LEARNING UTILIZATION, NIKKEI BIGDATA), vol. 29, 10 July 2016 (2016-07-10), pages 26 *
SUGIMOTO, AKIHIKO: "Fashion proposal application that utilizes deep learning, developed by Scigineer learning millions of images",", NIKKEI BIGDATA), vol. 33, 10 November 2016 (2016-11-10), pages 10 *

Also Published As

Publication number Publication date
EP3876526A1 (en) 2021-09-08
CN113261277B (zh) 2023-10-31
SG11202104451WA (en) 2021-05-28
JPWO2020090054A1 (ja) 2021-02-15
JP6607544B1 (ja) 2019-11-20
JP2020071860A (ja) 2020-05-07
JP2023126906A (ja) 2023-09-12
EP3876526A4 (en) 2022-07-27
JP2020071874A (ja) 2020-05-07
JP7313052B2 (ja) 2023-07-24
CN113261277A (zh) 2021-08-13
WO2020090126A1 (ja) 2020-05-07
JP6511204B1 (ja) 2019-05-15

Similar Documents

Publication Publication Date Title
Cheng et al. Fashion meets computer vision: A survey
US10242396B2 (en) Automatic color palette based recommendations for affiliated colors
US9710841B2 (en) Method and medium for recommending a personalized ensemble
KR101713502B1 (ko) 이미지 특징 데이터 추출 및 사용
WO2020090054A1 (ja) 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
CN113454670A (zh) 扩展机器学习训练数据以生成人工智能推荐引擎
US9727620B2 (en) System and method for item and item set matching
Cardoso et al. Product characterisation towards personalisation: learning attributes from unstructured data to recommend fashion products
US20210390607A1 (en) Method, apparatus and computer program for style recommendation
Al-Lohibi et al. Awjedni: a reverse-image-search application
US20210350391A1 (en) Methods and systems for providing a personalized user interface
Mameli et al. Deep learning approaches for fashion knowledge extraction from social media: a review
US11509712B2 (en) Fashion item analysis based on user ensembles in online fashion community
CA3162721A1 (en) Automatic item recommendations based on visual attributes and complementarity
KR20210131198A (ko) 추천 상품 광고 방법, 장치 및 컴퓨터 프로그램
Gong et al. Aesthetics, personalization and recommendation: A survey on deep learning in fashion
KR20220019737A (ko) 패션 상품 추천 방법, 장치 및 컴퓨터 프로그램
US11797601B2 (en) System and method for image processing for identifying trends
JP6592755B1 (ja) 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
JP2020071871A (ja) 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
US11961280B2 (en) System and method for image processing for trend analysis
KR102378072B1 (ko) 코디네이션 패션 아이템을 추천하는 방법
Cui An adaptive recommendation algorithm of intelligent clothing design elements based on large database
Ito et al. Deep Neural Network Incorporating CNN and MF for Item-Based Fashion Recommendation
KR20210063665A (ko) 사용자 이벤트 정보 기반 추천 아이템 제공 방법 및 이를 실행하는 장치

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018558437

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18938996

Country of ref document: EP

Kind code of ref document: A1