WO2020217426A1 - 教師データ生成装置 - Google Patents

教師データ生成装置 Download PDF

Info

Publication number
WO2020217426A1
WO2020217426A1 PCT/JP2019/017767 JP2019017767W WO2020217426A1 WO 2020217426 A1 WO2020217426 A1 WO 2020217426A1 JP 2019017767 W JP2019017767 W JP 2019017767W WO 2020217426 A1 WO2020217426 A1 WO 2020217426A1
Authority
WO
WIPO (PCT)
Prior art keywords
moving image
image data
data
frame images
frame
Prior art date
Application number
PCT/JP2019/017767
Other languages
English (en)
French (fr)
Inventor
哲夫 井下
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2021515438A priority Critical patent/JP7211496B2/ja
Priority to PCT/JP2019/017767 priority patent/WO2020217426A1/ja
Priority to US17/603,100 priority patent/US11900659B2/en
Publication of WO2020217426A1 publication Critical patent/WO2020217426A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Definitions

  • the present invention relates to a teacher data generator, a teacher data generation method, and a recording medium.
  • Patent Document 1 describes a method of creating teacher data using a data processing device having a display unit and a touch panel unit for detecting a touch operation.
  • the operator confirms the image displayed on the display unit, determines the category of the image, and performs a flick operation on the touch panel unit in a direction according to the determination result.
  • the data processing device detects a flick, it determines a label according to the flick direction, and generates teacher data from the determined label and the image displayed on the display unit.
  • An object of the present invention is to provide a teacher data generation device that solves the above-mentioned problem, that is, it takes a lot of time and effort to generate a large amount of teacher data.
  • the teacher data generator is A plurality of frame images constituting the moving image data which are selected as the first moving image data and not selected as the first moving image data among the plurality of frame images constituting the moving image data.
  • a selection means for selecting a plurality of frame images of all or a part of the second moving image data, and
  • a first generation means for generating first teacher data, which is labeled data related to a specific recognition target, from a plurality of frame images constituting the first moving image data.
  • a first learning means for learning a first model that recognizes the specific recognition target using the first teacher data, and A second generation using the first model to generate second teacher data, which is labeled data relating to the specific recognition target, from a plurality of frame images constituting the second moving image data. Means and including.
  • the teacher data generation method is A plurality of frame images constituting the moving image data which are selected as the first moving image data and not selected as the first moving image data among the plurality of frame images constituting the moving image data. Select all or some of the multiple frame images as the second video data,
  • the first teacher data which is labeled data related to a specific recognition target, is generated from the plurality of frame images constituting the first moving image data.
  • the first model that recognizes the specific recognition target is trained, and the first model is trained.
  • the first model is used to generate second teacher data, which is labeled data relating to the particular recognition target, from a plurality of frame images constituting the second moving image data.
  • the computer-readable recording medium is On the computer A plurality of frame images constituting the moving image data which are selected as the first moving image data and not selected as the first moving image data among the plurality of frame images constituting the moving image data.
  • the present invention can reduce the labor and time required to generate a large amount of teacher data.
  • FIG. 1 is a block diagram of the teacher data generation device 100 according to the present embodiment.
  • the teacher data generation device 100 calculates the camera I / F (interface) unit 101, the communication I / F unit 102, the operation input unit 103, the screen display unit 104, and the storage unit 105. It is configured to include the processing unit 106.
  • the camera I / F unit 101 is connected to the image server 110 by wire or wirelessly, and is configured to transmit / receive data between the image server 110 and the arithmetic processing unit 106.
  • the image server 110 is connected to the camera 111 by wire or wirelessly, and is configured to accumulate moving images taken by the camera 111 for a certain period of time in the past.
  • the camera 111 is an imaging device that captures a moving image including a specific recognition target.
  • the camera 111 may be, for example, a color camera provided with a CCD (Charge-Coupled Device) image sensor or a CMOS (Complementary MOS) image sensor having a pixel capacity of about several million pixels.
  • the camera 111 may be a dedicated camera installed on a street where many people and things come and go for the purpose of shooting a moving image for creating teacher data.
  • the camera 111 may be a camera installed for other purposes such as crime prevention and surveillance.
  • it is desirable that the camera 111 is a camera that shoots a moving image from a fixed place in a fixed shooting direction. The reason is that a video shot from a fixed location in a fixed shooting direction has a fixed background, so from the rest of the video using the model learned from the teacher data generated from a part of the video. This is because when performing object recognition, the background is the same as during learning, so the object recognition accuracy is improved.
  • a video in which miscellaneous objects take various positions and postures in front of a fixed background is better. This is because object recognition by deep learning can be performed more easily and accurately.
  • the present invention is not limited to moving image data having a fixed background.
  • the background may change, such as moving image data taken by a camera mounted on a moving body such as a car.
  • the communication I / F unit 102 is composed of a data communication circuit, and is configured to perform data communication with an external device (not shown) by wire or wirelessly.
  • the operation input unit 103 is composed of an operation input device such as a keyboard and a mouse, and is configured to detect an operator's operation and output it to the arithmetic processing unit 106.
  • the screen display unit 104 is composed of a screen display device such as an LCD (Liquid Crystal Display), and is configured to display various information on the screen in response to an instruction from the arithmetic processing unit 106.
  • the storage unit 105 is composed of a storage device such as a hard disk or a memory, and is configured to store processing information and a program 105-1 required for various processes in the arithmetic processing unit 106.
  • the program 105-1 is a program that realizes various processing units by being read and executed by the arithmetic processing unit 116, and is an external device or recording (not shown) via a data input / output function such as the communication I / F unit 102. It is read in advance from the medium and stored in the storage unit 105.
  • the main processing information stored in the storage unit 105 includes moving image data 105-2, first moving image data 105-3, first teacher data 105-4, first model 105-5, and second moving image. There are data 105-6, second teacher data 105-7, second model 105-8, third moving image data 105-9, and third teacher data 105-10.
  • the moving image data 105-2 is a time-series image taken by the camera 111.
  • the moving image data 105-2 may be a plurality of frame images constituting the moving image taken by the camera 111.
  • the moving image data 105-2 may be a plurality of frame images obtained by downsampling the frame rate of the moving image taken by the camera 111. The shooting time is added to each frame image.
  • the first moving image data 105-3 is moving image data composed of a very small number of frame images selected from the moving image data 105-2.
  • the first teacher data 105-4 is teacher data manually generated from the frame images constituting the first moving image data 105-3.
  • the teacher data includes image data, coordinate data indicating where an object corresponding to the class (for example, a person, a car, a cane, a backpack, etc.) exists in the image, and a correct answer label indicating the class. It is configured.
  • the first model 105-5 is a deep learning model (simply also referred to as a model) obtained by learning using the first teacher data 105-4.
  • the second moving image data 105-6 is moving image data composed of a plurality of frame images selected from the moving image data 105-2.
  • the second moving image data 105-6 is configured to have a larger amount of data than the first moving image data 105-3. That is, the number of frame images constituting the second moving image data 105-6 is larger than that of the first moving image data 105-3.
  • the second teacher data 105-7 is teacher data generated from the second moving image data 105-6 using the first model 105-5.
  • the second model 105-8 is a deep learning model obtained by learning using the second teacher data 105-7.
  • the third moving image data 105-9 is moving image data composed of a plurality of frame images selected from the moving image data 105-2.
  • the third moving image data 105-9 has a larger amount of data than the second moving image data 105-6.
  • the third teacher data 105-10 is teacher data generated from the third moving image data 105-9 using the second model 105-8.
  • the arithmetic processing unit 106 has a processor such as an MPU and its peripheral circuits, and by reading and executing the program 105-1 from the storage unit 105, the hardware and the program 105-1 cooperate with each other to perform various processes. It is configured to realize the part.
  • the main processing units realized by the arithmetic processing unit 106 are the input unit 106-1, the selection unit 106-2, the labeling tool 106-3, the learning unit 106-4, the generation unit 106-5, and the check tool 106-6. , Output unit 106-7, and control unit 106-8.
  • the input unit 106-1 acquires the moving image data taken by the camera 111 or the moving image data obtained by downsampling the frame rate of the moving image data from the image server 110 through the camera I / F unit 101, and the moving image data is stored in the storage unit 105. It is configured to be stored as 105-2.
  • the selection unit 106-2 reads the moving image data 105-2 from the storage unit 105, and selects a plurality of frame images among the plurality of frame images constituting the moving image data 105-2 as the first moving image data 105-3. It is configured to be selected as and stored in the storage unit 105. In addition, the selection unit 106-2 selects a plurality of frame images of all or a part of the plurality of frame images constituting the moving image data 105-2 not selected as the first moving image data 105-3. It is configured to be selected as moving image data 105-6 and stored in the storage unit 105.
  • the selection unit 106-2 is a plurality of all of the plurality of frame images constituting the moving image data 105-2 not selected as the first moving image data 105-3 and the second moving image data 105-6.
  • the frame image is selected as the third moving image data 105-9 and stored in the storage unit 105.
  • the selection unit 106-2 is a plurality of frame images constituting the moving image data 105-2 not selected as the first moving image data 105-3 based on the total number of frame images constituting the moving image data 105-2. All of the frame images are selected as the second moving image data 105-6, or some of the plurality of frame images are selected as the second moving image data 105-6. .. In other words, the selection unit 106-2 sets the moving image data 105-2 to the first moving image data 105-3 and the second moving image data 105- based on the total number of frame images constituting the moving image data 105-2. It is determined whether to divide into 6 or 3 to the first moving image data 105-3, the second moving image data 105-6, and the third moving image data 105-9.
  • the selection unit 106-2 is configured to divide the total number of frame images of the moving image data 105-2 into the above two if it is less than the threshold number, and to divide it into the above three if it is equal to or more than the threshold number.
  • the threshold number is predetermined and stored based on a statistic of the actual processing time and the like.
  • the labeling tool 106-3 reads the first moving image data 105-3 from the storage unit 105, and performs interactive processing with the user through the operation input unit 103 and the screen display unit 104 from the first moving image data 105-3. It is configured to generate the first teacher data 105-4 and store it in the storage unit 105 as the first teacher data 105-4.
  • the labeling tool 106-3 displays, for example, an image of the frame image on the screen display unit 104 for each frame image constituting the first moving image data 105-3, and the user sends the image through the operation input unit 103.
  • the labeling tool 106-3 can be realized by, for example, a commercially available annotation tool for generating teacher data.
  • the learning unit 106-4 reads out the first teacher data 105-4 from the storage unit 105, and uses the first teacher data 105-4 to perform learning by an object recognition method by deep learning to obtain a learned model. It is configured to be created and the trained model to be stored in the storage unit 105 as the first model 105-5. Further, the learning unit 106-4 reads out the second teacher data 105-7 from the storage unit 105, and uses the second teacher data 105-7 to perform learning by an object recognition method by deep learning to perform a learned model. Is created, and this trained model is stored in the storage unit 105 as a second model 105-8. Specifically, the learning unit 106-4 creates the first model 105-5 and the second model 105-8 as follows.
  • the learning unit 106-4 builds the first model 105-5 on the convolutional neural network (CNN), which is a specific architecture of the neural network.
  • CNN convolutional neural network
  • the architecture of the neural network is not limited to the convolutional neural network. It may be a recurrent neural network or the like.
  • the learning unit 106-4 learns by giving the first teacher data 105-4 which has not been learned in advance in the pre-trained model such as RetinaNet to the pre-trained model.
  • a first model 105-5 is created that identifies a desired recognition object (eg, a person, a car, a cane, a backpack, etc.).
  • the object recognition method based on the deep learning model used by the learning unit 106-4 can be, for example, an R-CNN-based algorithm or a YOLO (You Only LookOnce) type algorithm. Further, the learning unit 106-4 learns by giving the second teacher data 105-7 to the created first model 105-5 after creating the first model 105-5. , Create a second model 105-8.
  • the learning unit 106-4 created the second model 105-8 by using the first model 105-5.
  • the learning unit 106-4 refers to a pre-trained model such as RetinaNet with a second teacher that has not been pre-trained in that model.
  • a second model 105-8 may be created by giving data 105-7 (and, if necessary, first teacher data 105-4) and performing learning.
  • the generation unit 106-5 reads the first model 105-5 and the second moving image data 105-6 from the storage unit 105, and uses the first model 105-5 to read the second moving image data 105-6. It is configured to detect a specific identification target by inferring from the frame image constituting the above by an object recognition method by deep learning. Further, the generation unit 106-5 is configured to create teacher data related to the detected identification target and store it in the storage unit 105 as the second teacher data 105-7. For example, in the object recognition process performed by inputting a certain frame image constituting the second moving image data 105-6 into the first model 105-5, the generation unit 106-5 performs the coordinate value (x1) of the upper left vertex.
  • the reliability is an index value indicating the certainty of the detection result.
  • the generation unit 106-5 reads the second model 105-8 and the third moving image data 105-9 from the storage unit 105, and uses the first model 105-5 to read the second teacher data 105-. It is configured to perform the same processing as the processing that generated 7. That is, the generation unit 106-5 uses the second model 105-8 to infer from the frame image constituting the third moving image data 105-9 by the object recognition method by deep learning to identify a specific identification target. Is configured to detect. Further, the generation unit 106-5 is configured to create teacher data related to the detected identification target and store it in the storage unit 105 as the third teacher data 105-10.
  • the check tool 106-6 reads the second teacher data 105-7 from the storage unit 105, and modifies the second teacher data 105-7 by interactive processing with the user through the operation input unit 103 and the screen display unit 104. Is performed, and the modified teacher data is configured to overwrite the second teacher data 105-7 of the storage unit 105.
  • the check tool 106-6 displays, for example, an image of a frame image in which the detected object is surrounded by a rectangle and a detection list for each frame image constituting the second teacher data 105-7.
  • the detection list is composed of list elements having a one-to-one correspondence with the generated teacher data.
  • One list element is composed of a check box, a class (object), a posture (whether or not concealed), a reliability label, and the like, and is sorted in descending order by reliability.
  • the user confirms the display of the screen display unit 104, and if there is an error, corrects the teacher data by operating the operation input unit 103. For example, if the position of the rectangle surrounding the object is incorrect, the user manually corrects the position of the rectangle by inputting from the operation input unit 103. Further, if the estimated label is incorrect, the user corrects the label by inputting from the operation input unit 103. Further, if there is teacher data that erroneously recognizes something other than a specific object as a specific object, the user deletes the teacher data by input from the operation input unit 103. Further, if there is an omission in the detection of a specific object, the user encloses the area of the object with a rectangle by input from the operation input unit 103, inputs a correct answer label, and creates new teacher data.
  • check tool 106-6 is configured to read the third teacher data 105-10 from the storage unit 105 and perform the same processing as the second teacher data 105-7.
  • the output unit 106-7 reads out the first teacher data 105-4, the second teacher data 105-7, and the third teacher data 105-10 from the storage unit 105 and displays them on the screen display unit 104. Or / and, it is configured to output to an external device through the communication I / F unit 102.
  • the control unit 106-8 includes an input unit 106-1, a selection unit 106-2, a labeling tool 106-3, a learning unit 106-4, a generation unit 106-5, a check tool 106-6, and an output unit 106-. It is configured to control the operation of the entire teacher data generation device 100 by selectively starting or stopping 7.
  • FIG. 2 is a flowchart showing an example of the operation of the teacher data generation device 100.
  • the operation of the teacher data generation device 100 will be described with reference to each figure.
  • control unit 106-8 activates the input unit 106-1.
  • the input unit 106-1 acquires the moving image data taken by the camera 111 from the image server 110 through the camera I / F unit 101 for a certain period of time in the past, and stores the moving image data in the storage unit 105 as the moving image data 105-2 (step S1). ..
  • the control unit 106-8 activates the selection unit 106-2.
  • the selection unit 106-2 reads out the moving image data 105-2 from the storage unit 105, and determines whether or not the amount of data (the number of frame images) of the moving image data 105-2 is larger than the preset threshold value (step S2). ..
  • the selection unit 106-2 sets the value 2 in the internal variable K when the amount of data of the moving image data 105-2 is not larger than the threshold value (step S3), and sets the value 3 in the internal variable K when the amount is large (step S3). S4).
  • the selection unit 106-2 divides the moving image data 105-2 into K (step S5).
  • the selection unit 106-2 displays the moving image data 105-2 with a very small number of first moving image data 105-3 and a second having a larger amount of data than the first moving image data 105-3.
  • the moving image data 105-6 is divided into a third moving image data 105-9 having a larger amount of data than the second moving image data 105-6.
  • the selection unit 106-2 displays the moving image data 105-2 with a very small number of first moving image data 105-3 and a second having a larger amount of data than the first moving image data 105-3. It is divided into the moving image data 105-6 of.
  • control unit 106-8 sets the internal variable J to 1 (step S6).
  • the control unit 106-8 activates the labeling tool 106-3.
  • the labeling tool 106-3 reads the first moving image data 105-3 from the storage unit 105, and performs interactive processing with the user through the operation input unit 103 and the screen display unit 104 from the first moving image data 105-3.
  • the first teacher data 105-4 is generated and stored in the storage unit 105 as the first teacher data 105-4 (step S7).
  • the control unit 106-8 activates the learning unit 106-4.
  • the learning unit 106-4 reads out the first teacher data 105-4 from the storage unit 105, and uses the first teacher data 105-4 to perform learning by an object recognition method by deep learning to obtain a learned model.
  • the trained model is created and stored in the storage unit 105 as the first model 105-5 (step S8).
  • the control unit 106-8 activates the generation unit 106-5.
  • the generation unit 106-5 reads the first model 105-5 and the second moving image data 105-6 from the storage unit 105, and uses the first model 105-5 to read the second moving image data 105-6.
  • a specific identification target is detected by inferring from the frame image constituting the frame image by an object recognition method by deep learning, and teacher data related to the detected identification target is created, and the second teacher data 105- is stored in the storage unit 105. It is stored as 7 (step S9).
  • control unit 106-8 activates the check tool 106-6.
  • the check tool 106-6 reads the second teacher data 105-7 from the storage unit 105, and modifies the second teacher data 105-7 by interactive processing with the user through the operation input unit 103 and the screen display unit 104. Is performed, and the second teacher data 105-7 of the storage unit 105 is overwritten with the corrected teacher data (step S10).
  • control unit 106-8 increments the internal variable J to a value 2 (step S11).
  • control unit 106-8 determines whether or not the value 2 of the internal variable J is smaller than the value of the internal variable K (step S12).
  • the control unit 108-8 activates the output unit 106-7 when the value 2 of the internal variable J is not smaller than the value of the internal variable K.
  • the output unit 106-7 reads the first teacher data 105-4 and the second teacher data 105-7 from the storage unit 105 and displays them on the screen display unit 104, or / and the communication I / F unit. Output to an external device through 102 (step S13). Then, the control unit 106-8 ends the process shown in FIG.
  • control unit 108-8 returns to step S8 and repeats the same processing as described above.
  • control unit 106-8 activates the learning unit 106-4.
  • the learning unit 106-4 reads out the second teacher data 105-7 from the storage unit 105, and uses the second teacher data 105-7 to perform learning by an object recognition method by deep learning to obtain a trained model.
  • the trained model is created and stored in the storage unit 105 as the second model 105-8 (step S8).
  • control unit 106-8 activates the generation unit 106-5.
  • the generation unit 106-5 reads the second model 105-8 and the third moving image data 105-9 from the storage unit 105, and uses the second model 105-8 to read the third moving image data 105-9.
  • a specific identification target is detected by inferring from the frame image constituting the frame image by an object recognition method by deep learning, and teacher data related to the detected identification target is created, and the third teacher data 105- is stored in the storage unit 105. It is stored as 10 (step S9).
  • control unit 106-8 activates the check tool 106-6.
  • the check tool 106-6 reads the third teacher data 105-10 from the storage unit 105, and modifies the third teacher data 105-10 by interactive processing with the user through the operation input unit 103 and the screen display unit 104. Is performed, and the third teacher data 105-10 of the storage unit 105 is overwritten with the corrected teacher data (step S10).
  • control unit 106-8 increments the internal variable J to a value 3 (step S11).
  • control unit 106-8 starts the output unit 106-7 because the value 3 of the internal variable J is not smaller than the value of the internal variable K.
  • the output unit 106-7 reads out the first teacher data 105-4, the second teacher data 105-7, and the third teacher data 105-10 from the storage unit 105 and displays them on the screen display unit 104. Or / and output to an external device through the communication I / F unit 102 (step S13). Then, the control unit 106-8 ends the process shown in FIG. Up S10).
  • FIG. 3 is a flowchart showing an example of the processing of the selection unit 106-2.
  • the selection unit 106-2 calculates an average RGB value which is an average value of each of R, G, and B for each frame image constituting the moving image data 105-2 (step S21).
  • the RGB color system is used as the color information, but other color systems such as the HSV color system may be used.
  • the selection unit 106-2 sets n groups (n clusters) of frame image groups constituting the moving image data 105-2 by the k-means method using the calculated average RGB values. It is divided into (step S22).
  • n is a predetermined positive integer of 2 or more.
  • n 10.
  • clustering by the k-means method may be performed as follows, for example. First, clusters are randomly assigned to each frame image, and the center of gravity of each cluster is obtained based on the average RGB value of the allocated frame images. Next, the distance between each frame image and each cluster is obtained, and each frame image is assigned to the clusters having a short distance. If there is no change in the center of gravity of each cluster, or if the calculation of the center of gravity of each cluster is repeated a predetermined number of times, it is determined that the cluster has converged.
  • the selection unit 106-2 randomly extracts one frame image from each group, and selects the first moving image data 105-3 composed of a total of 10 frame images. Create (step S23).
  • one frame image is extracted from each group, but two or more frame images may be extracted from each group.
  • the selection unit 106-2 randomly extracts four frame images from each group after the frame images for the first moving image data 105-3 are extracted, and totals them.
  • the second moving image data 105-6 composed of 40 frame images is created (step S24).
  • four frame images are extracted from each group, but if the number of frame images is larger than the number of frame images extracted from each group for the first moving image data 105-3, the number is not limited to four, and three or three. It may be 5 or more.
  • the selection unit 106-2 remains in each group after the frame images for the first moving image data 105-3 and the second moving image data 105-6 have been extracted.
  • a set of all frame images is generated as the third moving image data 105-9 (step S25).
  • the selection unit 106-2 of this example is a frame image forming the first moving image data 105-3 from each group in which the frame image groups constituting the moving image data 105-2 are clustered by color information, the second.
  • the frame image constituting the moving image data 105-6 and the frame image forming the third moving image data 105-9 are extracted. Therefore, the second moving image data 105-6 tends to be a set of frame images representing the third moving image data 105-9, and the first moving image data 105-3 is the second moving image data 105-.
  • the average RGB value of the frame image is similar if the background is the same and the color information of the object (for example, a person, a car, a cane, a backpack, etc.) is similar. Therefore, the n groups obtained by clustering the moving image data 105-2 with a fixed background based on the color information are classified according to the color of the target in which the frame image group is captured. As a result, a plurality of frame images belonging to the same group tend to include the same or similar objects.
  • the first moving image data 105-3 is a set of frame images representing the second moving image data 105-6
  • the first moving image data 105-3 is generated by the target included in the first moving image data 105-3.
  • the object included is similar to that at the time of learning, so that the object recognition accuracy is improved. be able to.
  • the second moving image data 105-6 is a set of frame images representing the third moving image data 105-9
  • the second moving image data 105-6 is generated by the target included in the second moving image data 105-6.
  • the object included is similar to that at the time of learning, so that the object recognition accuracy is improved. be able to.
  • FIG. 5 shows the object recognition accuracy in the case where the 10 frame images constituting the first moving image data 105-3 are selected by the above-mentioned k-means method and the case where they are randomly selected from the moving image data 105-2. It shows the result of the experiment by the present inventor conducted to confirm how much the difference is.
  • the accuracy is the average value of 12 experiments.
  • the method of selecting the frame image by the k-means method has higher object recognition accuracy than the method of selecting the frame image by the random method.
  • the selection unit 106-2 clustered a plurality of frame images constituting the moving image data 105-2 based on the color information.
  • the image feature amount used for clustering is not limited to color information.
  • the selection unit 106-2 may cluster a plurality of frame images constituting the moving image data 105-2 based on an image feature amount such as edge information.
  • the edge information can be, for example, the presence / absence of an edge, the amount of the edge, the shape of the edge, and the like.
  • FIG. 6 is a flowchart showing another example of the processing of the selection unit 106-2.
  • the selection unit 106-2 first detects a scene change point from the moving image data 105-2 (step S31).
  • the selection unit 106-2 measures and measures the amount of change in the image feature amount (for example, color information or edge information) from the immediately preceding frame image in time for each frame image constituting the moving image data 105-2.
  • a scene change is detected when the amount of change in the image feature amount exceeds a predetermined value.
  • the selection unit 106-2 divides the moving image data 105-2 into a plurality of groups (a plurality of time-series image data) with the detected scene change point as a dividing point (step S32).
  • the number of detected scene change points is m-1
  • the number of generated groups is m.
  • the selection unit 106-2 randomly extracts one frame image from each group and creates the first moving image data 105-3 composed of a total of m frame images (step S33).
  • one frame image is extracted from each group, but two or more frame images may be extracted from each group.
  • the selection unit 106-2 randomly extracts four frame images from each group after the frame images for the first moving image data 105-3 are extracted, and a total of 4 ⁇ m frame images.
  • the second moving image data 105-6 composed of the above is created (step S34).
  • four frame images are extracted from each group, but if the number of frame images is larger than the number of frame images extracted from each group for the first moving image data 105-3, the number is not limited to four, and three or three. It may be 5 or more.
  • the selection unit 106-2 sets a set of all the frame images remaining in each group after the frame images for the first moving image data 105-3 and the second moving image data 105-6 are extracted. It is generated as the third moving image data 105-9 (step S35).
  • the selection unit 106-2 of this example divides the frame image group constituting the moving image data 105-2 into a plurality of groups with the scene change point as a dividing point, and from each group, the first moving image data 105
  • the frame image constituting -3, the frame image constituting the second moving image data 105-6, and the frame image constituting the third moving image data 105-9 are extracted. Therefore, the second moving image data 105-6 becomes a frame image constituting the same scene as the third moving image data 105-9, and the first moving image data 105-3 becomes the second moving image data 105-6. It becomes a frame image of the same scene.
  • the first moving image data 105-3 becomes a frame image of the same scene as the second moving image data 105-6, so that the first teacher generated by the object included in the first moving image data 105-3
  • the object recognition accuracy can be improved because the scene is the same as that at the time of learning.
  • the second moving image data 105-6 becomes a frame image of the same scene as the third moving image data 105-9
  • the second teacher generated by the object included in the second moving image data 105-6 When object recognition is performed from the third moving image data 105-9 using the second model 105-8 learned from the data 105-7, the object recognition accuracy can be improved because the scenes are the same.
  • the selection unit 106-2 may generate the first moving image data 105-3, the second moving image data 105-6, and the third moving image data 105-9 by the following method. ..
  • the selection unit 106-2 randomly selects a plurality of frame images constituting the first moving image data 105-2 and a plurality of frame images constituting the second moving image data 105-6 from the moving image data 105, respectively. To do.
  • the selection unit 106-2 displays the moving image data 105-2 along the time axis with about 10 consecutive first moving image data 105-3 and about 40 consecutive second moving image data 105-6. , It is mechanically divided into the remaining third moving image data 105-9.
  • the selection unit 106-2 displays an image of the frame image constituting the moving image data 105-2 on the screen display unit 104, and displays the frame image selected by the user through the operation input unit 103 as the first moving image data 105-3. And.
  • the user selects a frame image that is likely to be effective for learning as the first moving image data 105-3.
  • the user selects one or several frame images including the target as the first moving image data 105-3 for each target to be labeled.
  • the selection unit 106-2 clusters the moving image data 105-2 for each target to be labeled, and selects a representative frame image from each cluster as the first moving image data 105-3.
  • the selection unit 106-2 selects a predetermined number of frame images including a larger number of objects to be labeled as the first moving image data 105-3 from the moving image data 105-2.
  • the selection unit 106-2 selects a predetermined number of frame images with less occlusion as the first moving image data from the moving image data 105-2.
  • the selection unit 106-2 divides the moving image data 105-2 into a plurality of frame image groups so that the similarity between the dividing units increases, and one frame image group out of the plurality of frame image groups is the first moving image.
  • the teacher data generation device 100 it is possible to reduce the labor and time required to generate a large amount of teacher data. The reason is that only a small part of the teacher data needs to be manually created by the user, and most of the remaining teacher data is automatically created mechanically by the teacher data generator 100 by inference by the deep learning model. Because.
  • FIG. 7 is a flow chart showing a procedure and a required time for actually generating data (teacher data) labeled from 300 frame images by the method of the present embodiment.
  • the selection unit 106-2 uses the color information to convert the moving image data 105-2 composed of 300 frame images into the first 10 frame images by the k-means method.
  • the moving image data 105-3 was divided into a second moving image data 105-6 composed of 40 frame images and a third moving image data 105-9 composed of 250 frame images.
  • the labeling tool 106-3 created the first moving image data 105-3 to the first teacher data 105-4 by interactive processing with the user. The time required for this was 36 minutes.
  • the learning unit 106-4 learns the first model 105-5 using the first teacher data 105-4, and the generating unit 106-5 uses the first model 105-5.
  • the second teacher data 105-7 was generated from the second moving image data 105-6.
  • the time required for this learning and generation was 22 minutes.
  • the object authentication accuracy (mAP) at the time of this generation was 71.31%.
  • the check tool 106-6 checks the second teacher data 105-7 by interactive processing with the user, and creates the checked second teacher data 105-7. The time required for this check was 50 minutes.
  • the learning unit 106-4 learns the second model 105-8 using the first teacher data 105-4 and the checked second teacher data 105-7, and the generation unit 106-5.
  • a third teacher data 105-10 from a third moving image data 105-9 using a second model 105-8.
  • the time required for this learning and generation was 1 hour and 45 minutes.
  • the object authentication accuracy (mAP) at the time of this generation was 95.05%.
  • the check tool 106-6 checks the third teacher data 105-10 by interactive processing with the user, and creates the checked third teacher data 105-10. The time required for this check was 2 hours and 30 minutes.
  • the total time required to generate the data labeled (teacher data) from the 300 frame images by the method of the present embodiment is the above time (36 minutes, 22 minutes, 50 minutes, 1 hour 45 minutes). It was 6 hours and 3 minutes, which was the sum of 2 hours and 30 minutes. Since the time for generating the first to third moving image data by the selection unit 106-2 is extremely short, it was ignored. On the other hand, when all the 300 frame images were manually labeled using the labeling tool 106-3, it took 18 hours. Therefore, the method according to the present embodiment was able to create teacher data in about 1/3 of the processing time as compared with the manual method.
  • the object authentication accuracy (mAP: 71.31%) at the time of generating the second teacher data 105-7 in FIG. 7 is a frame image by the k-means method using the color information described with reference to FIG. It was obtained by selecting. Therefore, when the frame image is selected by the random selection method described with reference to FIG. 5 instead of the k-means method, the object authentication accuracy (mAP) at the time of generating the second teacher data 105-7 in FIG. 7 is increased. It drops to 65.70%. Then, the check time for the second teacher data 105-7 will be longer than 50 minutes. As can be understood from this, the configuration in which the frame image group constituting the first moving image data 105-3 is selected by the k-means method greatly contributes to the reduction of labor and time when generating the teacher data. ing.
  • the moving image data 105-2 when the number of frame images of the moving image data 105-2 is larger than the threshold value, the moving image data 105-2 is divided into three and the teacher data is generated by two times of model learning and inference. Therefore, when the number of frame images is large, the time and effort required to generate the teacher data is reduced compared to the method of always dividing the video data 105-2 into two regardless of the number of frame images. It can be reduced. Hereinafter, this point will be described with reference to FIG. 7.
  • FIG. 7 using the first model 105-5, from a total of 290 frame images of 40 images of the second moving image data 105-6 and 250 images of the third moving image data 105-9.
  • this generation method will be referred to as a two-division method.
  • the amount of data of the second teacher data 105-7 is larger than that of the method according to the present embodiment, so that the 50 minutes required for checking the second teacher data 105-7 is increased. become.
  • the moving image data 105-2 when the number of frame images of the moving image data 105-2 is less than the threshold value, the moving image data 105-2 is divided into two to generate teacher data by one model learning and inference. Therefore, when the number of frame images is small, the time and effort required to generate the teacher data is reduced compared to the method of always dividing the video data 105-2 into three regardless of the number of frame images. It can be reduced. The reason is that in the method of dividing a small amount of frame images into three, the amount of data of the third moving image data 105-9 becomes extremely small, so that the learning time of the second model 105-8 becomes a bottleneck. ..
  • the upper limit of the number of divisions by the selection unit 106-2 was 3, but the upper limit of the number of divisions may be 4 or more.
  • the processing of steps S2 to S5 in FIG. 2 is changed to the following processing. That is, the selection unit 106-2 compares the amount of data of the moving image data 105-2 with the first threshold value and the second threshold value, and if the amount of data is less than the first threshold value, the moving image data 105-2 is subjected to the first. If the amount of data is equal to or greater than the first threshold and less than the second threshold, the moving image data 105-2 is divided into the first to third moving image data and the data is divided into the first and second moving image data.
  • the moving image data 105-2 is divided into the first to fourth moving image data.
  • the amount of data is smaller in the order of the first moving image data, the second moving image data, the third moving image data, and the fourth moving image data.
  • the upper limit of the number of divisions by the selection unit 106-2 is 3, but when the configuration is such that the moving image data 105-2 with a small amount of data is always handled, the upper limit of the number of divisions is fixed to 2. It may be configured in.
  • FIG. 8 is a block diagram of the teacher data generation device 200 according to the present embodiment.
  • the teacher data generation device 200 is composed of the selection means 201, the first generation means 202, the learning means 203, and the second generation means 204.
  • the selection means 201 selects a plurality of frame images of a plurality of frame images constituting the moving image data as the first moving image data, and constitutes a plurality of moving image data not selected as the first moving image data. It is configured to select a plurality of frame images of all or a part of the frame images of the above as the second moving image data.
  • the selection means 201 can be configured in the same manner as the selection unit 106-2 of FIG. 1, but is not limited thereto.
  • the first generation means 202 is configured to generate first teacher data, which is labeled data related to a specific recognition target, from a plurality of frame images constituting the first moving image data.
  • the first generation means 202 can be configured in the same manner as the labeling tool 106-3 of FIG. 1, but is not limited thereto.
  • the learning means 203 is configured to learn a first model that recognizes a specific recognition target by using the first teacher data.
  • the learning means 203 can be configured in the same manner as the learning unit 106-4 of FIG. 1, but is not limited thereto.
  • the second generation means 204 uses the first model to generate second teacher data, which is labeled data related to a specific recognition target, from a plurality of frame images constituting the second moving image data. It is configured to do.
  • the second generation means 204 can be configured in the same manner as the learning unit 106-4 of FIG. 1, but is not limited thereto.
  • the teacher data generator 200 configured as described above operates as follows. That is, the selection means 201 selects a plurality of frame images among the plurality of frame images constituting the moving image data as the first moving image data, and selects the moving image data that is not selected as the first moving image data. A plurality of frame images of all or a part of the plurality of constituent frame images are selected as the second moving image data.
  • the first generation means 202 generates the first teacher data, which is the labeled data related to the specific recognition target, from the plurality of frame images constituting the first moving image data.
  • the learning means 203 learns the first model that recognizes a specific recognition target by using the first teacher data.
  • the second generation means 204 is the second data labeled with respect to a specific recognition target from the plurality of frame images constituting the second moving image data by using the first model. Generate teacher data for.
  • the teacher data generation device 200 configured and operating as described above, it is possible to reduce the labor and time required to generate a large amount of teacher data. The reason is that only a small part of the teacher data needs to be manually created by the user, and most of the remaining teacher data is automatically created by the teacher data generator 200 mechanically.
  • the present invention can be used in the field of creating teacher data used when learning a model for recognizing an object in an image by deep learning.
  • [Appendix 1] A plurality of frame images constituting the moving image data which are selected as the first moving image data and not selected as the first moving image data among the plurality of frame images constituting the moving image data.
  • a selection means for selecting a plurality of frame images of all or a part of the second moving image data, and
  • a first generation means for generating first teacher data, which is labeled data related to a specific recognition target, from a plurality of frame images constituting the first moving image data.
  • Means and Teacher data generator including.
  • the selection means is configured to make the selection so that the second moving image data has a larger amount of data than the first moving image data.
  • the teacher data generator according to Appendix 1.
  • the selection means clusters a plurality of frame images constituting the moving image data into a plurality of groups based on a specific image feature amount, and at least one frame image from each of the plurality of groups is used as the first moving image data.
  • the selection means clusters a plurality of frame images constituting the moving image data into a plurality of groups based on a specific image feature amount, and at least one frame image from each of the plurality of groups is used as the second moving image data. Is configured to be extracted as a frame image that composes The teacher data generator according to any one of Supplementary Notes 1 to 3.
  • the selection means detects a scene change point of the moving image data, divides a plurality of frame images constituting the moving image data into a plurality of groups with the detected scene change point as a dividing point, and of the plurality of groups.
  • the teacher data generator according to Appendix 1 or 2.
  • the selection means detects a scene change point of the moving image data, divides a plurality of frame images constituting the moving image data into a plurality of groups with the detected scene change point as a dividing point, and of the plurality of groups. It is configured to extract at least one frame image from each as a frame image constituting the second moving image data.
  • the teacher data generator according to Appendix 1, 2, or 5.
  • Appendix 7 Further including an input means for acquiring time-series image data obtained by taking a picture from a fixed camera position in a fixed camera field of view as the moving image data.
  • the teacher data generator according to any one of Supplementary Notes 1 to 6.
  • the selection means selects all the frame images among the plurality of frame images constituting the moving image data that were not selected as the first moving image data. It is configured to determine whether to select as the second moving image data or to select some of the plurality of frame images as the second moving image data.
  • the teacher data generator according to any one of Supplementary Notes 1 to 7.
  • Appendix 9 A plurality of frame images constituting the moving image data which are selected as the first moving image data and not selected as the first moving image data among the plurality of frame images constituting the moving image data.
  • the first teacher data which is labeled data related to a specific recognition target, is generated from the plurality of frame images constituting the first moving image data.
  • the first model that recognizes the specific recognition target is trained, and the first model is trained.
  • a second teacher data which is labeled data relating to the specific recognition target, is generated from a plurality of frame images constituting the second moving image data.
  • Teacher data generation method [Appendix 10] In the selection, the selection is made so that the amount of the second moving image data is larger than that of the first moving image data.
  • At least one frame image is extracted from the above as a frame image constituting the second moving image data.
  • the teacher data generation method according to Appendix 9, 10, or 13.
  • Appendix 15 The time-series image data obtained by being photographed by an imaging means that photographs from a fixed camera position in a fixed camera field of view is acquired as the moving image data.
  • the teacher data generation method according to any one of Appendix 9 to 14.
  • Appendix 16 In the selection, based on the total number of frame images constituting the moving image data, all the frame images among the plurality of frame images constituting the moving image data not selected as the first moving image data are selected as the second. Determines whether to select as the moving image data of the above or to select some plurality of frame images as the second moving image data.
  • the teacher data generation method according to any one of Appendix 9 to 15.
  • Appendix 17 On the computer A plurality of frame images constituting the moving image data which are selected as the first moving image data and not selected as the first moving image data among the plurality of frame images constituting the moving image data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

選択手段は、動画データを構成する複数のフレーム画像から、第１の動画データおよび第２の動画データを構成する複数のフレーム画像を選択する。第１の生成手段は、第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する。第１の学習手段は、第１の教師データを使用して、特定の認識対象を認識する第１のモデルを学習する。第２の生成手段は、第１のモデルを使用して、第２の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する。

Description

教師データ生成装置
　本発明は、教師データ生成装置、教師データ生成方法、および記録媒体に関する。
　近年、ディープラーニングを用いたデータ解析システムが提案ないし実用化されている。ディープラーニングによって画像中の物体認識を行うためには、その物体が何であるかという正解ラベルを伴った画像が必要となる。ここで、正解ラベルと画像のペアを教師データまたは学習データまたは訓練データと呼ぶ。
　教師データの生成は、基本的に人手で行われる。例えば、特許文献１には、表示部とタッチ操作を検出するタッチパネル部とを有するデータ処理装置を使って教師データを作成する方法が記載されている。この特許文献１に記載される方法では、オペレータは、表示部に表示された画像を確認し、その画像のカテゴリを判断し、判断結果に応じた方向にタッチパネル部上でフリック操作を行う。データ処理装置は、フリックを検出すると、そのフリック方向に応じたラベルを決定し、決定したラベルと表示部に表示されている画像とから教師データを生成する。
特開２０１５－１４８９８１号公報
　ディープラーニングによって画像中の物体認識を精度良く行うためには、大量の教師データが必要となる。そのような大量の教師データを、特許文献１に記載されるように全て人手で生成すると、多くの手間と時間を必要とする。
　本発明の目的は、上述した課題、すなわち、教師データを大量に生成するためには多くの手間と時間がかかる、という課題を解決する教師データ生成装置を提供することにある。
　本発明の一形態に係る教師データ生成装置は、
　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択する選択手段と、
　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する第１の生成手段と、
　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習する第１の学習手段と、
　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する第２の生成手段と、
を含む。
　また、本発明の他の形態に係る教師データ生成方法は、
　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択し、
　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成し、
　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習し、
　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する。
　また、本発明の他の形態に係るコンピュータ読み取り可能な記録媒体は、
　コンピュータに、
　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択する処理と、
　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する処理と、
　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習する処理と、
　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する処理と、
を行わせるためのプログラムを記録する。
　本発明は、上述したような構成を有することにより、教師データを大量に生成する際の手間と時間を削減することができる。
本発明の第１の実施形態に係る教師データ生成装置のブロック図である。 本発明の第１の実施形態に係る教師データ生成装置の動作の一例を示すフローチャートである。 本発明の第１の実施形態に係る教師データ生成装置における選択部の処理の一例を示すフローチャートである。 本発明の第１の実施形態に係る教師データ生成装置における選択部の動作説明図である。 第１の動画データを構成する１０枚のフレーム画像をｋ－ｍｅａｎｓ法によって選択した場合とランダムに選択した場合とにおける物体認識精度の違いを示す表である。 本発明の第１の実施形態に係る教師データ生成装置における選択部の処理の他の例を示すフローチャートである。 本発明の第１の実施形態の方法によって３００枚のフレーム画像から教師データを実際に生成した手順と所要時間とを示すフロー図である。 本発明の第２の実施形態に係る教師データ生成装置のブロック図である。
［第１の実施の形態］
　次に、本発明の第１の実施形態について、図面を参照して説明する。図１は、本実施形態に係る教師データ生成装置１００のブロック図である。図１を参照すると、教師データ生成装置１００は、カメラＩ／Ｆ（インターフェース）部１０１と、通信Ｉ／Ｆ部１０２と、操作入力部１０３と、画面表示部１０４と、記憶部１０５と、演算処理部１０６とを含んで構成されている。
　カメラＩ／Ｆ部１０１は、有線または無線により画像サーバ１１０に接続され、画像サーバ１１０と演算処理部１０６との間でデータの送受信を行うように構成されている。画像サーバ１１０は、有線または無線によりカメラ１１１に接続され、カメラ１１１で撮影された動画を過去一定期間分蓄積するように構成されている。カメラ１１１は、特定の認識対象を含む動画を撮影する撮像装置である。カメラ１１１は、例えば、数百万画素程度の画素容量を有するＣＣＤ（Ｃｈａｒｇｅ－Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）イメージセンサやＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　ＭＯＳ）イメージセンサを備えたカラーカメラであってよい。カメラ１１１は、教師データを作成するための動画を撮影する目的で多くの人や物が行きかう街頭などに設置された専用カメラであってよい。あるいはカメラ１１１は、防犯・監視などの他の目的のために設置されたカメラであってよい。またカメラ１１１は、固定された場所から固定された撮影方向で動画を撮影するカメラであることが望ましい。その理由は、固定された場所から固定された撮影方向で撮影する動画は、背景が固定しているため、動画の一部から生成した教師データで学習したモデルを使って動画の残りの部分から物体認識を行う際、背景が学習時と同じなので物体認識精度が高まるためである。すなわち、自由な背景の前で雑多なオブジェクトが多様な位置・姿勢をとっている動画に比べて、固定された背景の前で雑多なオブジェクトが多様な位置・姿勢をとっている動画の方が、ディープラーニングによる物体認識がより簡単かつ精度良く行えるためである。但し、本発明は、背景が固定されている動画データに限定されない。車などの移動体に搭載されたカメラで撮影された動画データのように背景が変化するものであってもよい。
　通信Ｉ／Ｆ部１０２は、データ通信回路から構成され、有線または無線によって図示しない外部装置との間でデータ通信を行うように構成されている。操作入力部１０３は、キーボードやマウスなどの操作入力装置から構成され、オペレータの操作を検出して演算処理部１０６に出力するように構成されている。画面表示部１０４は、ＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）などの画面表示装置から構成され、演算処理部１０６からの指示に応じて、各種情報を画面表示するように構成されている。
　記憶部１０５は、ハードディスクやメモリなどの記憶装置から構成され、演算処理部１０６における各種処理に必要な処理情報およびプログラム１０５－１を記憶するように構成されている。プログラム１０５－１は、演算処理部１１６に読み込まれて実行されることにより各種処理部を実現するプログラムであり、通信Ｉ／Ｆ部１０２などのデータ入出力機能を介して図示しない外部装置や記録媒体から予め読み込まれて記憶部１０５に保存される。記憶部１０５に記憶される主な処理情報には、動画データ１０５－２、第１の動画データ１０５－３、第１の教師データ１０５－４、第１のモデル１０５－５、第２の動画データ１０５－６、第２の教師データ１０５－７、第２のモデル１０５－８、第３の動画データ１０５－９、第３の教師データ１０５－１０がある。
　動画データ１０５－２は、カメラ１１１で撮影された時系列画像である。この動画データ１０５－２は、カメラ１１１で撮影された動画を構成する複数のフレーム画像であってよい。あるいは動画データ１０５－２は、カメラ１１１で撮影された動画のフレームレートをダウンサンプリングして得られた複数のフレーム画像であってよい。各フレーム画像には、撮影時刻が付加されている。
　第１の動画データ１０５－３は、動画データ１０５－２から選択されたごく少数のフレーム画像から構成された動画データである。
　第１の教師データ１０５－４は、第１の動画データ１０５－３を構成するフレーム画像から人手によって生成された教師データである。教師データは、画像データと、その画像の中にクラスに対応する対象（例えば、人、車、杖、リュックなど）がどこに存在するかを示す座標データと、クラスを表す正解ラベルとを含んで構成されている。
　第１のモデル１０５－５は、第１の教師データ１０５－４を使用して学習して得られたディープラーニングモデル（単に、モデルとも称す）である。
　第２の動画データ１０５－６は、動画データ１０５－２から選択された複数のフレーム画像から構成される動画データである。好ましくは、第２の動画データ１０５－６は、第１の動画データ１０５－３よりもデータ量が多くなるように構成されている。即ち、第２の動画データ１０５－６を構成するフレーム画像の数は、第１の動画データ１０５－３よりも多い。
　第２の教師データ１０５－７は、第１のモデル１０５－５を使用して第２の動画データ１０５－６から生成された教師データである。
　第２のモデル１０５－８は、第２の教師データ１０５－７を使用して学習して得られたディープラーニングモデルである。
　第３の動画データ１０５－９は、動画データ１０５－２から選択された複数のフレーム画像から構成される動画データである。好ましくは、第３の動画データ１０５－９は、第２の動画データ１０５－６よりもデータ量が多い。
　第３の教師データ１０５－１０は、第２のモデル１０５－８を使用して第３の動画データ１０５－９から生成された教師データである。
　演算処理部１０６は、ＭＰＵなどのプロセッサとその周辺回路を有し、記憶部１０５からプログラム１０５－１を読み込んで実行することにより、上記ハードウェアとプログラム１０５－１とを協働させて各種処理部を実現するように構成されている。演算処理部１０６で実現される主な処理部は、入力部１０６－１、選択部１０６－２、ラベル付けツール１０６－３、学習部１０６－４、生成部１０６－５、チェックツール１０６－６、出力部１０６－７、および、制御部１０６－８である。
　入力部１０６－１は、カメラＩ／Ｆ部１０１を通じて画像サーバ１１０から、カメラ１１１で撮影された動画データあるいは当該動画データのフレームレートをダウンサンプリングした動画データを取得し、記憶部１０５に動画データ１０５－２として記憶するように構成されている。
　選択部１０６－２は、記憶部１０５から動画データ１０５－２を読み出し、動画データ１０５－２を構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データ１０５－３として選択し、記憶部１０５に記憶するように構成されている。また、選択部１０６－２は、第１の動画データ１０５－３として選択されなかった動画データ１０５－２を構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データ１０５－６として選択し、記憶部１０５に記憶するように構成されている。また、選択部１０６－２は、第１の動画データ１０５－３および第２の動画データ１０５－６として選択されなかった動画データ１０５－２を構成する複数のフレーム画像のうちの全部の複数のフレーム画像を第３の動画データ１０５－９として選択し、記憶部１０５に記憶するように構成されている。
　また、選択部１０６－２は、動画データ１０５－２を構成するフレーム画像の総数に基づいて、第１の動画データ１０５－３として選択されなかった動画データ１０５－２を構成する複数のフレーム画像のうちの全部のフレーム画像を第２の動画データ１０５－６として選択するか、一部の複数のフレーム画像を第２の動画データ１０５－６として選択するかを決定するように構成されている。換言すれば、選択部１０６－２は、動画データ１０５－２を構成するフレーム画像の総数に基づいて、動画データ１０５－２を、第１の動画データ１０５－３および第２の動画データ１０５－６に２分割するか、あるいは、第１の動画データ１０５－３、第２の動画データ１０５－６、および第３の動画データ１０５－９に３分割するかを決定する。例えば、選択部１０６－２は、動画データ１０５－２のフレーム画像の総数が、閾値枚数未満であれば上記２分割し、閾値枚数以上であれば上記３分割するように構成されている。ここで、閾値枚数は、実際の処理時間の統計量などに基づいて事前に定められ、記憶されている。
　ラベル付けツール１０６－３は、記憶部１０５から第１の動画データ１０５－３を読み出し、操作入力部１０３および画面表示部１０４を通じたユーザとの対話型処理によって第１の動画データ１０５－３から第１の教師データ１０５－４を生成し、記憶部１０５に第１の教師データ１０５－４として記憶するように構成されている。ラベル付けツール１０６－３は、例えば、第１の動画データ１０５－３を構成するフレーム画像毎に、そのフレーム画像のイメージを画面表示部１０４に表示し、操作入力部１０３を通じてユーザから、その画像の中にクラスに対応する対象がどこに存在するかを示す座標データおよびその対象が何であるかを示す正解ラベルを入力し、上記フレーム画像と座標データと正解ラベルとを関連付けた教師データを生成するように構成されている。ラベル付けツール１０６－３は、例えば教師データ生成用の市販のアノテーションツールによって実現することができる。
　学習部１０６－４は、記憶部１０５から第１の教師データ１０５－４を読み出し、この第１の教師データ１０５－４を使用してディープラーニングによる物体認識手法により学習を行って学習済モデルを作成し、この学習済モデルを記憶部１０５に第１のモデル１０５－５として記憶するように構成されている。また学習部１０６－４は、記憶部１０５から第２の教師データ１０５－７を読み出し、この第２の教師データ１０５－７を使用してディープラーニングによる物体認識手法により学習を行って学習済モデルを作成し、この学習済モデルを記憶部１０５に第２のモデル１０５－８として記憶するように構成されている。具体的には、学習部１０６－４は、以下のようにして第１のモデル１０５－５、および、第２のモデル１０５－８を作成する。
　学習部１０６－４は、ニューラルネットワークの特定のアーキテクチャである畳み込みニューラルネットワーク（ＣＮＮ）上に第１のモデル１０５－５を構築する。但し、ニューラルネットワークのアーキテクチャは畳み込みニューラルネットワークに限定されない。リカレントニューラルネットワークなどであってもよい。また、学習部１０６－４は、ＲｅｔｉｎａＮｅｔなどのような事前に訓練されたモデルに対して、そのモデルでは事前に学習されていない第１の教師データ１０５－４を与えて学習を行うことにより、所望の認識対象（例えば、人、車、杖、リュックなど）を識別する第１のモデル１０５－５を作成する。学習部１０６－４が使用するディープラーニングモデルによる物体認識手法は、例えば、Ｒ－ＣＮＮベースのアルゴリズム、あるいは、ＹＯＬＯ（Ｙｏｕ　Ｏｎｌｙ　Ｌｏｏｋ　Ｏｎｃｅ）型アルゴリズムなどとすることができる。また学習部１０６－４は、第１のモデル１０５－５を作成した後、作成された第１のモデル１０５－５に対して、第２の教師データ１０５－７を与えて学習を行うことにより、第２のモデル１０５－８を作成する。
　上記説明では、学習部１０６－４は、第１のモデル１０５－５を利用して第２のモデル１０５－８を作成した。しかし、学習部１０６－４は、第１のモデル１０５－５を利用する代わりに、ＲｅｔｉｎａＮｅｔなどのような事前に訓練されたモデルに対して、そのモデルでは事前に学習されていない第２の教師データ１０５－７（および必要に応じて第１の教師データ１０５－４）を与えて学習を行うことにより、第２のモデル１０５－８を作成するようにしてもよい。
　生成部１０６－５は、記憶部１０５から第１のモデル１０５－５および第２の動画データ１０５－６を読み出し、第１のモデル１０５－５を使用して、第２の動画データ１０５－６を構成するフレーム画像からディープラーニングによる物体認識手法により推論を行って特定の識別対象を検出するように構成されている。また生成部１０６－５は、検出した識別対象に係る教師データを作成し、記憶部１０５に第２の教師データ１０５－７として記憶するように構成されている。例えば、生成部１０６－５は、第２の動画データ１０５－６を構成する或るフレーム画像を第１のモデル１０５－５に入力して行った物体認識処理において、左上頂点の座標値（ｘ１，ｙ１）および右下頂点の座標値（ｘ２，ｙ２）で特定される矩形領域内の画像が「人」として検出された場合、当該フレーム画像と上記座標値と正解ラベル「人」と信頼度とを関連付けた教師データを生成する。ここで、信頼度は、検出結果の確からしさを表す指標値である。１つのフレーム画像中に複数種類の対象物が存在する場合、１つのフレーム画像から複数の教師データが生成される。
　また、生成部１０６－５は、記憶部１０５から第２のモデル１０５－８および第３の動画データ１０５－９を読み出し、第１のモデル１０５－５を使用して第２の教師データ１０５－７を生成した処理と同様な処理を行うように構成されている。すなわち、生成部１０６－５は、第２のモデル１０５－８を使用して、第３の動画データ１０５－９を構成するフレーム画像からディープラーニングによる物体認識手法により推論を行って特定の識別対象を検出するように構成されている。また生成部１０６－５は、検出した識別対象に係る教師データを作成し、記憶部１０５に第３の教師データ１０５－１０として記憶するように構成されている。
　チェックツール１０６－６は、記憶部１０５から第２の教師データ１０５－７を読み出し、操作入力部１０３および画面表示部１０４を通じたユーザとの対話型処理によって第２の教師データ１０５－７に対する修正を行い、修正後の教師データで記憶部１０５の第２の教師データ１０５－７を上書きするように構成されている。チェックツール１０６－６は、例えば、第２の教師データ１０５－７を構成するフレーム画像毎に、検出した対象物を矩形で囲んだフレーム画像のイメージと、検出リストとを表示する。上記検出リストは、生成した教師データに１対１に対応するリスト要素から構成される。１つのリスト要素は、チェックボックス、クラス（対象物）、姿勢（隠蔽の有無）、信頼度ラベルなどで構成され、信頼度で降順にソートされている。ユーザは、画面表示部１０４の表示を確認し、誤りがあれば、操作入力部１０３による操作によって教師データを修正する。例えば、ユーザは、対象物を囲む矩形の位置が誤っていれば、操作入力部１０３からの入力によって矩形の位置を手動で修正する。また、ユーザは、推定されたラベルが誤っていれば、操作入力部１０３からの入力によって正しいラベルに修正する。また、ユーザは、特定の対象物以外のものを特定の対象物と誤認識している教師データがあれば、操作入力部１０３からの入力によって当該教師データを削除する。また、ユーザは、特定の対象物の検出漏れがあれば、操作入力部１０３からの入力によって、対象物の領域を矩形で囲み、正解ラベルを入力して、新規の教師データを作成する。
　またチェックツール１０６－６は、記憶部１０５から第３の教師データ１０５－１０を読み出し、第２の教師データ１０５－７と同様な処理を行うように構成されている。
　出力部１０６－７は、記憶部１０５から第１の教師データ１０５－４、第２の教師データ１０５－７、および、第３の教師データ１０５－１０を読み出し、画面表示部１０４に表示し、または／および、通信Ｉ／Ｆ部１０２を通じて外部装置へ出力するように構成されている。
　制御部１０６－８は、入力部１０６－１、選択部１０６－２、ラベル付けツール１０６－３、学習部１０６－４、生成部１０６－５、チェックツール１０６－６、および、出力部１０６－７を選択的に起動し、または停止することにより、教師データ生成装置１００全体の動作を制御するように構成されている。
　図２は教師データ生成装置１００の動作の一例を示すフローチャートである。以下、各図を参照して、教師データ生成装置１００の動作を説明する。
　ユーザが、教師データを生成するために、操作入力部１０３から起動指示を入力すると、制御部１０６－８の制御の下で図２に示す処理が開始される。
　先ず、制御部１０６－８は入力部１０６－１を起動する。入力部１０６－１は、カメラＩ／Ｆ部１０１を通じて画像サーバ１１０からカメラ１１１で撮影された動画データを過去一定期間分取得し、記憶部１０５に動画データ１０５－２として記憶する（ステップＳ１）。
　次に、制御部１０６－８は選択部１０６－２を起動する。選択部１０６－２は、記憶部１０５から動画データ１０５－２を読み出し、動画データ１０５－２のデータ量（フレーム画像数）が予め設定された閾値より多いか否かを判定する（ステップＳ２）。選択部１０６－２は、動画データ１０５－２のデータ量が閾値より多くない場合、内部変数Ｋに値２を設定し（ステップＳ３）、多い場合は内部変数Ｋに値３を設定する（ステップＳ４）。次に、選択部１０６－２は、動画データ１０５－２をＫ分割する（ステップＳ５）。即ち、選択部１０６－２は、Ｋ＝３の場合、動画データ１０５－２を、ごく少数の第１の動画データ１０５－３と、第１の動画データ１０５－３よりデータ量の多い第２の動画データ１０５－６と、第２の動画データ１０５－６よりデータ量の多い第３の動画データ１０５－９とに分割する。また、選択部１０６－２は、Ｋ＝２の場合、動画データ１０５－２を、ごく少数の第１の動画データ１０５－３と、第１の動画データ１０５－３よりデータ量の多い第２の動画データ１０５－６とに分割する。
　次に、制御部１０６－８は、内部変数Ｊに１を設定する（ステップＳ６）。
　次に、制御部１０６－８はラベル付けツール１０６－３を起動する。ラベル付けツール１０６－３は、記憶部１０５から第１の動画データ１０５－３を読み出し、操作入力部１０３および画面表示部１０４を通じたユーザとの対話型処理によって第１の動画データ１０５－３から第１の教師データ１０５－４を生成し、記憶部１０５に第１の教師データ１０５－４として記憶する（ステップＳ７）。
　次に、制御部１０６－８は学習部１０６－４を起動する。学習部１０６－４は、記憶部１０５から第１の教師データ１０５－４を読み出し、この第１の教師データ１０５－４を使用してディープラーニングによる物体認識手法により学習を行って学習済モデルを作成し、この学習済モデルを記憶部１０５に第１のモデル１０５－５として記憶する（ステップＳ８）。
　次に、制御部１０６－８は生成部１０６－５を起動する。生成部１０６－５は、記憶部１０５から第１のモデル１０５－５および第２の動画データ１０５－６を読み出し、第１のモデル１０５－５を使用して、第２の動画データ１０５－６を構成するフレーム画像からディープラーニングによる物体認識手法により推論を行って特定の識別対象を検出し、かつ、検出した識別対象に係る教師データを作成し、記憶部１０５に第２の教師データ１０５－７として記憶する（ステップＳ９）。
　次に、制御部１０６－８はチェックツール１０６－６を起動する。チェックツール１０６－６は、記憶部１０５から第２の教師データ１０５－７を読み出し、操作入力部１０３および画面表示部１０４を通じたユーザとの対話型処理によって第２の教師データ１０５－７に対する修正を行い、修正後の教師データで記憶部１０５の第２の教師データ１０５－７を上書きする（ステップＳ１０）。
　次に、制御部１０６－８は、内部変数Ｊをインクリメントして値２とする（ステップＳ１１）。次に、制御部１０６－８は、内部変数Ｊの値２が内部変数Ｋの値より小さいか否かを判定する（ステップＳ１２）。制御部１０８－８は、内部変数Ｊの値２が内部変数Ｋの値より小さくない場合、出力部１０６－７を起動する。出力部１０６－７は、記憶部１０５から第１の教師データ１０５－４、および、第２の教師データ１０５－７を読み出し、画面表示部１０４に表示し、または／および、通信Ｉ／Ｆ部１０２を通じて外部装置へ出力する（ステップＳ１３）。そして、制御部１０６－８は、図２に示す処理を終了する。
　他方、制御部１０８－８は、内部変数Ｊの値２が内部変数Ｋの値より小さい場合、ステップＳ８に戻って上述した処理と同様の以下のような処理を繰り返す。
　先ず、制御部１０６－８は、学習部１０６－４を起動する。学習部１０６－４は、記憶部１０５から第２の教師データ１０５－７を読み出し、この第２の教師データ１０５－７を使用してディープラーニングによる物体認識手法により学習を行って学習済モデルを作成し、この学習済モデルを記憶部１０５に第２のモデル１０５－８として記憶する（ステップＳ８）。
　次に、制御部１０６－８は生成部１０６－５を起動する。生成部１０６－５は、記憶部１０５から第２のモデル１０５－８および第３の動画データ１０５－９を読み出し、第２のモデル１０５－８を使用して、第３の動画データ１０５－９を構成するフレーム画像からディープラーニングによる物体認識手法により推論を行って特定の識別対象を検出し、かつ、検出した識別対象に係る教師データを作成し、記憶部１０５に第３の教師データ１０５－１０として記憶する（ステップＳ９）。
　次に、制御部１０６－８はチェックツール１０６－６を起動する。チェックツール１０６－６は、記憶部１０５から第３の教師データ１０５－１０を読み出し、操作入力部１０３および画面表示部１０４を通じたユーザとの対話型処理によって第３の教師データ１０５－１０に対する修正を行い、修正後の教師データで記憶部１０５の第３の教師データ１０５－１０を上書きする（ステップＳ１０）。
　次に、制御部１０６－８は、内部変数Ｊをインクリメントして値３とする（ステップＳ１１）。次に、制御部１０６－８は、内部変数Ｊの値３が内部変数Ｋの値より小さくないので、出力部１０６－７を起動する。出力部１０６－７は、記憶部１０５から第１の教師データ１０５－４、第２の教師データ１０５－７、および、第３の教師データ１０５－１０を読み出し、画面表示部１０４に表示し、または／および、通信Ｉ／Ｆ部１０２を通じて外部装置へ出力する（ステップＳ１３）。そして、制御部１０６－８は、図２に示す処理を終了する。
ップＳ１０）。
　次に、選択部１０６－２の構成例を幾つか説明する。
＜選択部１０６－２の例１＞
　図３は選択部１０６－２の処理の一例を示すフローチャートである。図３を参照すると、選択部１０６－２は、動画データ１０５－２を構成するフレーム画像毎に、Ｒ、Ｇ、Ｂそれぞれの平均値である平均ＲＧＢ値を算出する（ステップＳ２１）。この例では、色情報としてＲＧＢ表色系を使用したが、ＨＳＶ表色系などの他の表色系を使用してもよい。
　次に、選択部１０６－２は、図４に示すように、上記算出した平均ＲＧＢ値を使用してｋ－ｍｅａｎｓ法によって動画データ１０５－２を構成するフレーム画像群をｎグループ（ｎクラスタ）に分割する（ステップＳ２２）。ここで、ｎは予め定められた２以上の正の整数である。例えば、ｎ＝１０とすることができる。但し、ｎは１０に限定されず、１０未満であってもよいし、１０以上であってもよい。また、ｋ－ｍｅａｎｓ法によるクラスタリングは、例えば、以下のようにして行ってよい。まず、各フレーム画像に対してランダムにクラスタを割り振り、割り振ったフレーム画像の平均ＲＧＢ値をもとに各クラスタの重心を求める。次に各フレーム画像と各クラスタとの距離を求め、距離の近いクラスタに各フレーム画像を割り振る。各クラスタの重心に変化がない場合、あるいはクラスタの重心計算が所定回数繰り返された場合に、収束したと判断する。
　次に、選択部１０６－２は、図４に示すように、各グループからランダムに１個のフレーム画像を抽出し、合計１０個のフレーム画像から構成される第１の動画データ１０５－３を作成する（ステップＳ２３）。この例では、各グループから１個のフレーム画像を抽出したが、各グループから２個以上のフレーム画像を抽出するようにしてもよい。
　また、選択部１０６－２は、図４に示すように、第１の動画データ１０５－３のためのフレーム画像が抽出された後の各グループからランダムに４個のフレーム画像を抽出し、合計４０個のフレーム画像から構成される第２の動画データ１０５－６を作成する（ステップＳ２４）。この例では、各グループから４個のフレーム画像を抽出したが、第１の動画データ１０５－３のために各グループから抽出したフレーム画像数より多ければ、４個に限定されず、３個あるいは５個以上であってもよい。
　また、選択部１０６－２は、図４に示すように、第１の動画データ１０５－３および第２の動画データ１０５－６のためのフレーム画像が抽出された後の各グループに残っている全てのフレーム画像の集合を第３の動画データ１０５－９として生成する（ステップＳ２５）。
　このように本例の選択部１０６－２は、動画データ１０５－２を構成するフレーム画像群を色情報によってクラスタリングした各グループから、第１の動画データ１０５－３を構成するフレーム画像、第２の動画データ１０５－６を構成するフレーム画像、および、第３の動画データ１０５－９を構成するフレーム画像を抽出する。そのため、第２の動画データ１０５－６は、第３の動画データ１０５－９を代表するフレーム画像の集合になる傾向が強く、第１の動画データ１０５－３は、第２の動画データ１０５－６を代表するフレーム画像の集合になる傾向が強い。その理由は以下の通りである。
　フレーム画像の平均ＲＧＢ値は、背景が同じであれば、写っている対象（例えば、人、車、杖、リュックなど）の色情報が類似していれば類似する。そのため、背景が固定された動画データ１０５－２を色情報によってクラスタリングして得られるｎグループは、フレーム画像群を写っている対象の色によって分類したものとなる。その結果、同じグループに属する複数のフレーム画像には同一あるいは類似する対象が含まれる傾向があるためである。
　そして、第１の動画データ１０５－３が第２の動画データ１０５－６を代表するフレーム画像の集合であることによって、第１の動画データ１０５－３に含まれる対象によって生成された第１の教師データ１０５－４によって学習した第１のモデル１０５－５を使用して、第２の動画データ１０５－６から物体認識を行う際、含まれる対象が学習時と類似するので物体認識精度を高めることができる。また、第２の動画データ１０５－６が第３の動画データ１０５－９を代表するフレーム画像の集合であることによって、第２の動画データ１０５－６に含まれる対象によって生成された第２の教師データ１０５－７によって学習した第２のモデル１０５－８を使用して、第３の動画データ１０５－９から物体認識を行う際、含まれる対象が学習時と類似するので物体認識精度を高めることができる。
　図５は、第１の動画データ１０５－３を構成する１０枚のフレーム画像を上述したｋ－ｍｅａｎｓ法によって選択した場合と動画データ１０５－２からランダムに選択した場合とで、物体認識精度がどの程度相違するかを確かめるために行った本発明者による実験の結果を示している。物体認識の対象は、立っている人、座っている人、頭部、リュックサック、スーツケース、他のカバンの合計６種類である。また、精度（Ｐｒｅｃｉｓｉｏｎ）は１２回の実験の平均値である。図５に示されるように、ｋ－ｍｅａｎｓ法によってフレーム画像を選択する方法は、ランダム方法によってフレーム画像を選択する方法に比較して、物体認識精度が高くなっているのがわかる。
　上記では、選択部１０６－２は、動画データ１０５－２を構成する複数のフレーム画像を色情報に基づいてクラスタリングした。しかし、クラスタリングに使用する画像特徴量は色情報に限定されない。例えば、選択部１０６－２は、動画データ１０５－２を構成する複数のフレーム画像をエッジ情報などの画像特徴量に基づいてクラスタリングするようにしてもよい。ここで、エッジ情報は、例えば、エッジの有無、エッジ量、エッジの形状などとすることができる。
＜選択部１０６－２の例２＞
　図６は選択部１０６－２の処理の他の例を示すフローチャートである。図６を参照すると、選択部１０６－２は、先ず、動画データ１０５－２からシーンチェンジ点を検出する（ステップＳ３１）。例えば、選択部１０６－２は、動画データ１０５－２を構成するフレーム画像毎に、時間的に直前のフレーム画像との画像特徴量（例えば色情報あるいはエッジ情報）の変化量を測定し、測定した画像特徴量の変化量が所定の値を超えることにより、シーンチェンジを検出する。
　次に、選択部１０６－２は、動画データ１０５－２を、検出したシーンチェンジ点を分割点として複数のグループ（複数の時系列画像データ）に分割する（ステップＳ３２）。検出したシーンチェンジ点の個数がｍ－１の場合、生成されるグループ数はｍになる。
　次に、選択部１０６－２は、各グループからランダムに１個のフレーム画像を抽出し、合計ｍ個のフレーム画像から構成される第１の動画データ１０５－３を作成する（ステップＳ３３）。この例では、各グループから１個のフレーム画像を抽出したが、各グループから２個以上のフレーム画像を抽出するようにしてもよい。
　また、選択部１０６－２は、第１の動画データ１０５－３のためのフレーム画像が抽出された後の各グループからランダムに４個のフレーム画像を抽出し、合計４×ｍ個のフレーム画像から構成される第２の動画データ１０５－６を作成する（ステップＳ３４）。この例では、各グループから４個のフレーム画像を抽出したが、第１の動画データ１０５－３のために各グループから抽出したフレーム画像数より多ければ、４個に限定されず、３個あるいは５個以上であってもよい。
　また、選択部１０６－２は、第１の動画データ１０５－３および第２の動画データ１０５－６のためのフレーム画像が抽出された後の各グループに残っている全てのフレーム画像の集合を第３の動画データ１０５－９として生成する（ステップＳ３５）。
　このように本例の選択部１０６－２は、動画データ１０５－２を構成するフレーム画像群を、シーンチェンジ点を分割点として複数のグループに分割し、各グループから、第１の動画データ１０５－３を構成するフレーム画像、第２の動画データ１０５－６を構成するフレーム画像、および、第３の動画データ１０５－９を構成するフレーム画像を抽出する。そのため、第２の動画データ１０５－６は、第３の動画データ１０５－９と同じシーンを構成するフレーム画像になり、第１の動画データ１０５－３は、第２の動画データ１０５－６と同じシーンのフレーム画像になる。
　そして、第１の動画データ１０５－３が第２の動画データ１０５－６と同じシーンのフレーム画像となることによって、第１の動画データ１０５－３に含まれる対象によって生成された第１の教師データ１０５－４によって学習した第１のモデル１０５－５を使用して、第２の動画データ１０５－６から物体認識を行う際、シーンが学習時と同じなので物体認識精度を高めることができる。また、第２の動画データ１０５－６が第３の動画データ１０５－９と同じシーンのフレーム画像となることによって、第２の動画データ１０５－６に含まれる対象によって生成された第２の教師データ１０５－７によって学習した第２のモデル１０５－８を使用して、第３の動画データ１０５－９から物体認識を行う際、シーンが同じなので物体認識精度を高めることができる。
　選択部１０６－２が動画データ１０５－２から第１の動画データ１０５－３、第２の動画データ１０５－６、および、第３の動画データ１０５－９を生成する方法は、上述した例に限定されない。例えば、選択部１０６－２は、以下のような方法によって、第１の動画データ１０５－３、第２の動画データ１０５－６、および、第３の動画データ１０５－９を生成してもよい。
＜選択部１０６－２の例３＞
　選択部１０６－２は、第１の動画データ１０５－２を構成する複数のフレーム画像、および、第２の動画データ１０５－６を構成する複数のフレーム画像を、それぞれ動画データ１０５からランダムに選択する。
＜選択部１０６－２の例４＞
　選択部１０６－２は、動画データ１０５－２を時間軸に沿って、連続する１０枚程度の第１の動画データ１０５－３と、連続する４０枚程度の第２の動画データ１０５－６と、残りの第３の動画データ１０５－９とに機械的に分割する。
＜選択部１０６－２の例５＞
　選択部１０６－２は、動画データ１０５－２からｒ（ｒは２以上の正の整数。例えばｒ＝５）おきに選択した１０枚程度のフレーム画像を第１の動画データ１０５－３とし、４０枚程度のフレーム画像を第２の動画データ１０５－６とし、残りのフレーム画像を第３の動画データ１０５－９とする。
＜選択部１０６－２の例６＞
　選択部１０６－２は、動画データ１０５－２を構成するフレーム画像のイメージを画面表示部１０４に表示し、操作入力部１０３を通じてユーザから選択されたフレーム画像を、第１の動画データ１０５－３とする。ユーザは、学習に効果のありそうなフレーム画像を第１の動画データ１０５－３として選択する。あるいはユーザは、ラベル付けする対象毎に、その対象が含まれるフレーム画像を１枚あるいは数枚、第１の動画データ１０５－３として選択する。
＜選択部１０６－２の例７＞
　選択部１０６－２は、動画データ１０５－２をラベル付けする対象毎にクラスタリングし、各クラスタから代表のフレーム画像を第１の動画データ１０５－３として選択する。
＜選択部１０６－２の例８＞
　選択部１０６－２は、動画データ１０５－２から、ラベル付けする対象がより多く含まれるフレーム画像を所定枚数だけ第１の動画データ１０５－３として選択する。
＜選択部１０６－２の例９＞
　選択部１０６－２は、動画データ１０５－２から、オクルージョンの少ないフレーム画像を所定枚数だけ第１の動画データとして選択する。
＜選択部１０６－２の例１０＞
　選択部１０６－２は、動画データ１０５－２を分割単位間で類似度が増すように複数のフレーム画像群に分割し、複数のフレーム画像群のうちの１つのフレーム画像群を第１の動画データ１０５－３とし、他の１つ以上のフレーム画像群を第２の動画データ１０５－６とし、残りのフレーム画像群を第３の動画データ１０５－９とする。
　次に本実施形態の効果を説明する。
　本実施形態に係る教師データ生成装置１００によれば、教師データを大量に生成する際の手間と時間を削減することができる。その理由は、ユーザが手動で作成する必要があるのはごく一部の教師データであり、残りの多くの教師データは教師データ生成装置１００がディープラーニングモデルによる推論によって機械的に自動で作成するためである。
　図７は、本実施形態の方法によって３００枚のフレーム画像からラベル付けされたデータ（教師データ）を実際に生成した手順と所要時間とを示すフロー図である。図７を参照すると、選択部１０６－２は、３００枚のフレーム画像から構成される動画データ１０５－２を、色情報を用いてｋ－ｍｅａｎｓ法によって１０枚のフレーム画像から構成される第１の動画データ１０５－３、４０枚のフレーム画像から構成される第２の動画データ１０５－６、および、２５０枚のフレーム画像から構成される第３の動画データ１０５－９に分割した。次に、ラベル付けツール１０６－３は、ユーザとの対話型処理によって第１の動画データ１０５－３から第１の教師データ１０５－４を作成した。これに要した時間は３６分であった。次に、学習部１０６－４は、第１の教師データ１０５－４を使用して第１のモデル１０５－５を学習し、生成部１０６－５は、第１のモデル１０５－５を使用して第２の動画データ１０５－６から第２の教師データ１０５－７を生成した。この学習と生成に要した時間は２２分であった。また、この生成時における物体認証精度（ｍＡＰ）は７１．３１パーセントであった。次に、チェックツール１０６－６は、ユーザとの対話型処理によって第２の教師データ１０５－７に対するチェックを行い、チェック済みの第２の教師データ１０５－７を作成した。このチェックに要した時間は５０分であった。次に、学習部１０６－４は、第１の教師データ１０５－４とチェック済みの第２の教師データ１０５－７を使用して第２のモデル１０５－８を学習し、生成部１０６－５は、第２のモデル１０５－８を使用して第３の動画データ１０５－９から第３の教師データ１０５－１０を生成した。この学習と生成に要した時間は１時間４５分であった。また、この生成時における物体認証精度（ｍＡＰ）は９５．０５パーセントであった。最後に、チェックツール１０６－６は、ユーザとの対話型処理によって第３の教師データ１０５－１０に対するチェックを行い、チェック済みの第３の教師データ１０５－１０を作成した。このチェックに要した時間は２時間３０分であった。
　従って、３００枚のフレーム画像からラベル付けされたデータ（教師データ）を本実施形態の方法によって生成するのに要した総時間は、上記時間（３６分、２２分、５０分、１時間４５分、２時間３０分）を加算した６時間３分であった。なお、選択部１０６－２によって第１乃至第３の動画データを生成する時間は極めて短いため無視した。これに対して、３００枚のフレーム画像に対してラベル付けツール１０６－３を使用して全て手動でラベル付け作業を行った場合、１８時間を要した。そのため、本実施形態による方法は、人手による方法に比較して、約１／３の処理時間で教師データを作成することができた。
　また、図７の第２の教師データ１０５－７の生成時における物体認証精度（ｍＡＰ：７１．３１％）は、図５を参照して説明した色情報を用いたｋ－ｍｅａｎｓ法によってフレーム画像を選択したことによって得られたものである。そのため、ｋ－ｍｅａｎｓ法でなく、図５を参照して説明したランダム選択法によってフレーム画像を選択すると、図７の第２の教師データ１０５－７の生成時における物体認証精度（ｍＡＰ）は、６５．７０％に低下する。そうすると、第２の教師データ１０５－７に対するチェック時間は５０分より増加することになる。このことから理解されるように、第１の動画データ１０５－３を構成するフレーム画像群をｋ－ｍｅａｎｓ法によって選択する構成は、教師データを生成する際の手間と時間の削減に大きく寄与している。
　また、本実施形態による方法によれば、動画データ１０５－２のフレーム画像数が閾値より多い場合には動画データ１０５－２を３分割して２回のモデル学習と推論によって教師データを生成するようにしているため、動画データ１０５－２のフレーム画像数に関わらず常に２分割して処理を行う方法と比較して、フレーム画像数が多い場合、教師データを生成する際の手間と時間を削減することができる。以下、この点について図７を参照して説明する。
　今、図７において、第１のモデル１０５－５を使用して、第２の動画データ１０５－６の４０枚と第３の動画データ１０５－９の２５０枚との合計２９０枚のフレーム画像から第２の教師データ１０５－７を生成することを考える。以下、この生成方法を２分割方法と記す。２分割方法によれば、本実施形態による方法で必要であった第２のモデルの学習と推論に要した１時間４５分、および、第３の教師データのチェックに要した２時間３０分の合計４時間１５分は不要になる。一方、２分割方法によれば、第２の教師データ１０５－７のデータ量が本実施形態による方法よりも多くなるので、第２の教師データ１０５－７のチェックに要する５０分は増加することになる。本実施形態による方法では、４０枚のフレーム画像から生成された教師データに対して５０分必要となったため、２９０枚のフレーム画像から生成された教師データでは、５０分×（２９０／４０）＝６時間２．５分だけ要すると考えられる。即ち、２分割方法によれば、本実施形態による方法と比較して、第２の教師データのチェックに５時間１２．５分だけ余分に時間がかかることになる。その結果、総時間でみると、２分割方法は、本実施形態による方法と比較して、５時間１２．５分－４時間１５分＝５７．５分だけ余分に時間がかかることになる。
　また、本実施形態による方法によれば、動画データ１０５－２のフレーム画像数が閾値より少ない場合には動画データ１０５－２を２分割して１回のモデル学習と推論によって教師データを生成するようにしているため、動画データ１０５－２のフレーム画像数に関わらず常に３分割して処理を行う方法と比較して、フレーム画像数が少ない場合、教師データを生成する際の手間と時間を削減することができる。その理由は、少量のフレーム画像を３分割する方法では、第３の動画データ１０５－９のデータ量が極端に少なくなるため、第２のモデル１０５－８の学習時間がネックとなるためである。
　次に、本実施形態の変形例について説明する。
　上記実施形態では、選択部１０６－２による分割数の上限は３であったが、分割数の上限を４以上としてもよい。例えば、分割数の上限を４とする場合、図２のステップＳ２～Ｓ５の処理を以下のような処理に変更する。すなわち、選択部１０６－２は、動画データ１０５－２のデータ量を第１の閾値および第２の閾値と比較し、データ量が第１の閾値未満であれば、動画データ１０５－２を第１および第２の動画データに２分割し、データ量が第１の閾値以上、第２の閾値未満であれば、動画データ１０５－２を第１乃至第３の動画データに３分割し、データ量が第２の閾値以上であれば、動画データ１０５－２を第１乃至第４の動画データに４分割する。ここで、データ量は、第１の動画データ、第２の動画データ、第３の動画データ、第４の動画データの順に少ない。
　また上記実施形態では、選択部１０６－２による分割数の上限は３であったが、常にデータ量の少ない動画データ１０５－２を扱う構成とする場合、分割数の上限を２に固定するように構成されていてよい。
［第２の実施の形態］
　次に、本発明の第２の実施形態について図８を参照して説明する。図８は、本実施形態に係る教師データ生成装置２００のブロック図である。
　図８を参照すると、教師データ生成装置２００は、選択手段２０１と第１の生成手段２０２と学習手段２０３と第２の生成手段２０４とから構成されている。
　選択手段２０１は、動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、第１の動画データとして選択されなかった動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択するように構成されている。選択手段２０１は、図１の選択部１０６－２と同様に構成することができるが、それに限定されない。
　第１の生成手段２０２は、第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成するように構成されている。第１の生成手段２０２は、図１のラベル付けツール１０６－３と同様に構成することができるが、それに限定されない。
　学習手段２０３は、第１の教師データを使用して、特定の認識対象を認識する第１のモデルを学習するように構成されている。学習手段２０３は、図１の学習部１０６－４と同様に構成することができるが、それに限定されない。
　第２の生成手段２０４は、第１のモデルを使用して、第２の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第２の教師データを生成するように構成されている。第２の生成手段２０４は、図１の学習部１０６－４と同様に構成することができるが、それに限定されない。
　以上のように構成された教師データ生成装置２００は、以下のように動作する。すなわち、選択手段２０１は、動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、第１の動画データとして選択されなかった上記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択する。次に、第１の生成手段２０２は、上記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する。次に、学習手段２０３は、上記第１の教師データを使用して、特定の認識対象を認識する第１のモデルを学習する。次に、第２の生成手段２０４は、上記第１のモデルを使用して、上記第２の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する。
　上述したように構成され動作する教師データ生成装置２００によれば、教師データを大量に生成する際の手間と時間を削減することができる。その理由は、ユーザが手動で作成する必要があるのはごく一部の教師データであり、残りの多くの教師データは教師データ生成装置２００が機械的に自動で作成するためである。
　以上、上記各実施形態を参照して本発明を説明したが、本発明は、上述した実施形態に限定されるものではない。本発明の構成や詳細には、本発明の範囲内で当業者が理解しうる様々な変更をすることができる。
　本発明は、ディープラーニングによって画像中の物体認識を行うモデルを学習する際に使用する教師データを作成する分野に利用できる。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。
［付記１］
　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択する選択手段と、
　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する第１の生成手段と、
　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習する学習手段と、
　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する第２の生成手段と、
を含む教師データ生成装置。
［付記２］
　前記選択手段は、前記第２の動画データが前記第１の動画データよりもデータ量が多くなるように前記選択を行うように構成されている、
付記１に記載の教師データ生成装置。
［付記３］
　前記選択手段は、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出するように構成されている、
付記１または２に記載の教師データ生成装置。
［付記４］
　前記選択手段は、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出するように構成されている、
付記１乃至３の何れかに記載の教師データ生成装置。
［付記５］
　前記選択手段は、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出するように構成されている、
付記１または２に記載の教師データ生成装置。
［付記６］
　前記選択手段は、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出するように構成されている、
付記１、２、または５に記載の教師データ生成装置。
［付記７］
　固定されたカメラ位置から固定されたカメラ視野で撮影を行う撮像手段によって撮影されて得られた時系列画像データを前記動画データとして取得する入力手段を、さらに含む、
付記１乃至６の何れかに記載の教師データ生成装置。
［付記８］
　前記選択手段は、前記動画データを構成するフレーム画像の総数に基づいて、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部のフレーム画像を前記第２の動画データとして選択するか、一部の複数のフレーム画像を前記第２の動画データとして選択するかを決定するように構成されている、
付記１乃至７の何れかに記載の教師データ生成装置。
［付記９］
　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択し、
　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成し、
　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習し、
　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する、
教師データ生成方法。
［付記１０］
　前記選択では、前記第２の動画データが前記第１の動画データよりもデータ量が多くなるように前記選択を行う、
付記９に記載の教師データ生成方法。
［付記１１］
　前記選択では、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出する、
付記９または１０に記載の教師データ生成方法。
［付記１２］
　前記選択では、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出する、
付記９乃至１１の何れかに記載の教師データ生成方法。
［付記１３］
　前記選択では、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出する、
付記９または１０に記載の教師データ生成方法。
［付記１４］
　前記選択では、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出する、
付記９、１０、または１３に記載の教師データ生成方法。
［付記１５］
　固定されたカメラ位置から固定されたカメラ視野で撮影を行う撮像手段によって撮影されて得られた時系列画像データを前記動画データとして取得する、
付記９乃至１４の何れかに記載の教師データ生成方法。
［付記１６］
　前記選択では、前記動画データを構成するフレーム画像の総数に基づいて、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部のフレーム画像を前記第２の動画データとして選択するか、一部の複数のフレーム画像を前記第２の動画データとして選択するかを決定する、
付記９乃至１５の何れかに記載の教師データ生成方法。
［付記１７］
　コンピュータに、
　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択する処理と、
　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する処理と、
　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習する処理と、
　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する処理と、
を行わせるためのコンピュータ読み取り可能な記録媒体。
１００　教師データ生成装置
１０１　カメラＩ／Ｆ部
１０２　通信Ｉ／Ｆ部
１０３　操作入力部
１０４　画面表示部
１０５　記憶部
１０５－１　プログラム
１０５－２　動画データ
１０５－３　第１の動画データ
１０５－４　第１の教師データ
１０５－５　第１のモデル
１０５－６　第２の動画データ
１０５－７　第２の教師データ
１０５－８　第２のモデル
１０５－９　第３の動画データ
１０５－１０　第３の教師データ
１０６　演算処理部
１０６－１　入力部
１０６－２　選択部
１０６－３　ラベル付けツール
１０６－４　学習部
１０６－５　生成部
１０６－６　チェックツール
１０６－７　出力部
１０６－８　制御部
２００　教師データ生成装置
２０１　選択手段
２０２　第１の生成手段
２０３　学習手段
２０４　第２の生成手段

Claims (17)

  1. 　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択する選択手段と、
    　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する第１の生成手段と、
    　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習する学習手段と、
    　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する第２の生成手段と、
    を含む教師データ生成装置。
  2. 　前記選択手段は、前記第２の動画データが前記第１の動画データよりもデータ量が多くなるように前記選択を行うように構成されている、
    請求項１に記載の教師データ生成装置。
  3. 　前記選択手段は、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出するように構成されている、
    請求項１または２に記載の教師データ生成装置。
  4. 　前記選択手段は、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出するように構成されている、
    請求項１乃至３の何れかに記載の教師データ生成装置。
  5. 　前記選択手段は、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出するように構成されている、
    請求項１または２に記載の教師データ生成装置。
  6. 　前記選択手段は、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出するように構成されている、
    請求項１、２、または５に記載の教師データ生成装置。
  7. 　固定されたカメラ位置から固定されたカメラ視野で撮影を行う撮像手段によって撮影されて得られた時系列画像データを前記動画データとして取得する入力手段を、さらに含む、
    請求項１乃至６の何れかに記載の教師データ生成装置。
  8. 　前記選択手段は、前記動画データを構成するフレーム画像の総数に基づいて、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部のフレーム画像を前記第２の動画データとして選択するか、一部の複数のフレーム画像を前記第２の動画データとして選択するかを決定するように構成されている、
    請求項１乃至７の何れかに記載の教師データ生成装置。
  9. 　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択し、
    　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成し、
    　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習し、
    　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する、
    教師データ生成方法。
  10. 　前記選択では、前記第２の動画データが前記第１の動画データよりもデータ量が多くなるように前記選択を行う、
    請求項９に記載の教師データ生成方法。
  11. 　前記選択では、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出する、
    請求項９または１０に記載の教師データ生成方法。
  12. 　前記選択では、前記動画データを構成する複数のフレーム画像を特定の画像特徴量に基づいて複数のグループにクラスタリングし、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出する、
    請求項９乃至１１の何れかに記載の教師データ生成方法。
  13. 　前記選択では、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第１の動画データを構成するフレーム画像として抽出する、
    請求項９または１０に記載の教師データ生成方法。
  14. 　前記選択では、前記動画データのシーンチェンジ点を検出し、前記動画データを構成する複数のフレーム画像を前記検出されたシーンチェンジ点を分割点として複数のグループに分割し、前記複数のグループのそれぞれから少なくとも１つのフレーム画像を前記第２の動画データを構成するフレーム画像として抽出する、
    請求項９、１０、または１３に記載の教師データ生成方法。
  15. 　固定されたカメラ位置から固定されたカメラ視野で撮影を行う撮像手段によって撮影されて得られた時系列画像データを前記動画データとして取得する、
    請求項９乃至１４の何れかに記載の教師データ生成方法。
  16. 　前記選択では、前記動画データを構成するフレーム画像の総数に基づいて、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部のフレーム画像を前記第２の動画データとして選択するか、一部の複数のフレーム画像を前記第２の動画データとして選択するかを決定する、
    請求項９乃至１５の何れかに記載の教師データ生成方法。
  17. 　コンピュータに、
    　動画データを構成する複数のフレーム画像のうちの一部の複数のフレーム画像を第１の動画データとして選択し、前記第１の動画データとして選択されなかった前記動画データを構成する複数のフレーム画像のうちの全部または一部の複数のフレーム画像を第２の動画データとして選択する処理と、
    　前記第１の動画データを構成する複数のフレーム画像から特定の認識対象に係るラベル付けされたデータである第１の教師データを生成する処理と、
    　前記第１の教師データを使用して、前記特定の認識対象を認識する第１のモデルを学習する処理と、
    　前記第１のモデルを使用して、前記第２の動画データを構成する複数のフレーム画像から前記特定の認識対象に係るラベル付けされたデータである第２の教師データを生成する処理と、
    を行わせるためのコンピュータ読み取り可能な記録媒体。
PCT/JP2019/017767 2019-04-25 2019-04-25 教師データ生成装置 WO2020217426A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021515438A JP7211496B2 (ja) 2019-04-25 2019-04-25 教師データ生成装置
PCT/JP2019/017767 WO2020217426A1 (ja) 2019-04-25 2019-04-25 教師データ生成装置
US17/603,100 US11900659B2 (en) 2019-04-25 2019-04-25 Training data generation apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/017767 WO2020217426A1 (ja) 2019-04-25 2019-04-25 教師データ生成装置

Publications (1)

Publication Number Publication Date
WO2020217426A1 true WO2020217426A1 (ja) 2020-10-29

Family

ID=72941621

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/017767 WO2020217426A1 (ja) 2019-04-25 2019-04-25 教師データ生成装置

Country Status (3)

Country Link
US (1) US11900659B2 (ja)
JP (1) JP7211496B2 (ja)
WO (1) WO2020217426A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010033532A (ja) * 2008-06-26 2010-02-12 Sony Corp 電子機器、動きベクトル検出方法及びそのプログラム
JP2018200531A (ja) * 2017-05-26 2018-12-20 富士通株式会社 教師データ生成装置、教師データ生成方法、教師データ生成プログラム、及び物体検出システム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6357787B2 (ja) 2014-02-07 2018-07-18 日本電気株式会社 データ処理装置
JP6768620B2 (ja) 2017-09-27 2020-10-14 富士フイルム株式会社 学習支援装置、学習支援装置の作動方法、学習支援プログラム、学習支援システム、端末装置及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010033532A (ja) * 2008-06-26 2010-02-12 Sony Corp 電子機器、動きベクトル検出方法及びそのプログラム
JP2018200531A (ja) * 2017-05-26 2018-12-20 富士通株式会社 教師データ生成装置、教師データ生成方法、教師データ生成プログラム、及び物体検出システム

Also Published As

Publication number Publication date
JPWO2020217426A1 (ja) 2020-10-29
US20220189146A1 (en) 2022-06-16
JP7211496B2 (ja) 2023-01-24
US11900659B2 (en) 2024-02-13

Similar Documents

Publication Publication Date Title
US11222239B2 (en) Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
KR102596897B1 (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN109325933B (zh) 一种翻拍图像识别方法及装置
CN109657533B (zh) 行人重识别方法及相关产品
JP7386545B2 (ja) 画像中の物体を識別するための方法、及び当該方法を実施するためのモバイル装置
CN108805047B (zh) 一种活体检测方法、装置、电子设备和计算机可读介质
CN111563601A (zh) 使用联合语义向量进行表示学习
EP2336949B1 (en) Apparatus and method for registering plurality of facial images for face recognition
US10440296B2 (en) Method for processing an asynchronous signal
CN108985443B (zh) 动作识别方法及其神经网络生成方法、装置和电子设备
CN105095853B (zh) 图像处理装置及图像处理方法
CN112287867A (zh) 一种多摄像头的人体动作识别方法及装置
JP2018026115A (ja) 火炎検出方法、火炎検出装置及び電子機器
KR20150065370A (ko) 행동 인식 장치 및 그 방법
JP4821355B2 (ja) 人物追跡装置、人物追跡方法および人物追跡プログラム
JP7001150B2 (ja) 識別システム、モデル再学習方法およびプログラム
WO2015064292A1 (ja) 画像の特徴量に関する処理システム、処理方法及びプログラム
JP6384167B2 (ja) 移動体追跡装置及び移動体追跡方法、並びにコンピュータ・プログラム
US11544926B2 (en) Image processing apparatus, method of processing image, and storage medium
KR101961462B1 (ko) 객체 인식 방법 및 장치
JP6738293B2 (ja) カメラキャリブレーション方法、プログラムおよび装置
WO2020217426A1 (ja) 教師データ生成装置
JP7211495B2 (ja) 教師データ生成装置
JP6855175B2 (ja) 画像処理装置、画像処理方法およびプログラム
JP6981553B2 (ja) 識別システム、モデル提供方法およびモデル提供プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19926721

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021515438

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: 19926721

Country of ref document: EP

Kind code of ref document: A1