WO2021059375A1 - 学習装置、学習方法、及び、記録媒体 - Google Patents

Abstract

学習装置は、ターゲットドメインデータの固有特徴に基づいてターゲットドメインデータを（Ｎ－ｃ）クラスに分類し、ソースドメインデータの固有特徴に基づいてソースドメインデータをＮクラスに分類し、ターゲットドメインデータの共通特徴及びソースドメインデータの共通特徴に基づいてターゲットドメインデータ及びソースドメインデータをＮクラスに分類する。また、学習装置は、ターゲットドメインデータの共通特徴と、ソースドメインデータの共通特徴との第１の距離を計算し、ターゲットドメインデータの固有特徴と、ソースドメインデータの固有特徴との第２の距離を計算する。そして、学習装置は、第１の距離に基づいて共通特徴抽出部のパラメータを更新し、第２の距離に基づいてターゲットドメイン特徴抽出部及びソースドメイン特徴抽出部のパラメータを更新する。

Description

学習装置、学習方法、及び、記録媒体

　本発明は、画像に含まれる物体を認識する技術に関する。

　ニューラルネットワークを用いて画像に含まれる物体を認識することが行われている。この際、学習用データの不足を補ったり、異なる環境で得られる画像データからの認識精度を向上させたりするための手法として、ドメイン適応と呼ばれる手法が知られている。この手法では、ある環境（ソースドメイン）において得られた学習用データに加えて、別の環境（ターゲットドメイン）において得られた学習用データを用いて物体認識モデルを学習する際、２つのドメインの違いを吸収するような特徴抽出を行うように物体認識モデルを学習する。これにより、異なる環境で得られた画像に対しても認識精度を確保することが可能となる。ドメイン適応の手法を適用した学習方法の例が特許文献１に記載されている。

特開２０１６－１９１９６６号公報

　しかし、新たに認識対象とするクラスの学習用画像データが、特定のドメインにおいてのみ不足するような場合には、そのクラスについてのみ認識精度が低下してしまうという問題が生じる。

　本発明の１つの目的は、認識対象の新たなクラスが出現した場合に、そのクラスについて学習用データの不足を補い、認識精度の低下を防止することにある。

　上記の課題を解決するため、本発明の一つの観点では、学習装置は、
　ターゲットドメインデータの固有特徴を抽出するターゲットドメイン特徴抽出部と、
　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類するターゲットドメイン特徴識別部と、
　ソースドメインデータの固有特徴を抽出するソースドメイン特徴抽出部と、
　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類するソースドメイン特徴識別部と、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出する共通特徴抽出部と、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類する共通特徴識別部と、
　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算する第１の距離計算部と、
　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算する第２の距離計算部と、
　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する最適化部と、を備える。

　本発明の他の観点では、学習方法は、
　ターゲットドメイン特徴抽出部により、ターゲットドメインデータの固有特徴を抽出し、
　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類し、
　ソースドメイン特徴抽出部により、ソースドメインデータの固有特徴を抽出し、
　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類し、
　共通特徴抽出部により、前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出し、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類し、
　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算し、
　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算し、
　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する。

　本発明のさらに他の観点では、記録媒体は、
　ターゲットドメイン特徴抽出部により、ターゲットドメインデータの固有特徴を抽出し、
　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類し、
　ソースドメイン特徴抽出部により、ソースドメインデータの固有特徴を抽出し、
　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類し、
　共通特徴抽出部により、前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出し、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類し、
　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算し、
　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算し、
　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する処理をコンピュータに実行させるプログラムを記録する。

　本発明によれば、認識対象の新たなクラスが出現した場合に、そのクラスについて学習用データの不足を補い、認識精度の低下を防止することが可能となる。

物体認識装置のハードウェア構成を示すブロック図である。 第１実施形態による学習時の基本アルゴリズムを模式的に示す。 第１実施形態による推論時の基本アルゴリズムを模式的に示す。 第１実施形態の実施例による学習時の物体認識装置の機能構成を示す。 第１実施形態による学習処理のフローチャートである。 第１実施形態の実施例による推論時の物体認識装置の機能構成を示す 第１実施形態による推論処理のフローチャートである。 第２実施形態による学習時の基本アルゴリズムを模式的に示す。 第２実施形態による推論時の基本アルゴリズムを模式的に示す。 第２実施形態の実施例による推論時の物体認識装置の機能構成を示す。 第２実施形態による推論処理のフローチャートである。 第３実施形態による推論時の基本アルゴリズムを模式的に示す。 第３実施形態の実施例による推論時の物体認識装置の機能構成を示す。 第３実施形態による推論処理のフローチャートである。 第４実施形態による学習装置の機能構成を示す。

　［前提となる環境］
　以下の実施形態では、ソースドメインでは認識対象とするＮクラスの全てについて画像データが用意されているが、ターゲットドメインではＮクラスのうちの一部のクラス（ｃ個のクラスとする。）については画像データが用意できていないという環境を想定する。例えば、自動車の車種を認識する車種認識システムでは、ソースドメインとして自動車のＣＧ画像データを使用し、ターゲットドメインとして自動車の実写画像データを使用する。ここで、新たに販売されたｃ種類の新車の認識を行いたい場合、そのＣＧ画像データはある程度用意することができるが、当初から十分な量の実写画像データを用意することは難しい。このため、ソースドメインでは認識対象とするＮクラスの全てについてＣＧ画像データが用意されているが、ターゲットドメインではその新車に相当するｃクラスの実写画像データが不足しており、その新車のクラスを除いた（Ｎ－ｃ）クラスの実写画像データが用意されている。以下の実施形態は、このような環境において、ターゲットドメインの実写画像データから、ｃ種類の新車を含む車種の認識を行うケースを想定する。

　［第１実施形態］
　次に、本発明の第１実施形態について説明する。
　（ハードウェア構成）
　図１は、物体認識装置のハードウェア構成を示すブロック図である。図示のように、物体認識装置１０は、インタフェース（ＩＦ）２と、プロセッサ３と、メモリ４と、記録媒体５と、データベース（ＤＢ）６と、を備える。

　インタフェース２は、外部装置との通信を行う。具体的に、インタフェース２は、物体認識装置１０の学習に用いられる学習用データや、実際の認識対象の画像データを外部から入力したり、認識結果を外部装置へ出力する際に使用される。

　プロセッサ３は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、又はＣＰＵとＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｉｔ）などのコンピュータであり、予め用意されたプログラムを実行することにより、物体認識装置１０の全体を制御する。メモリ４は、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などにより構成される。メモリ４は、プロセッサ３により実行される各種のプログラムを記憶する。また、メモリ４は、プロセッサ３による各種の処理の実行中に作業メモリとしても使用される。

　記録媒体５は、ディスク状記録媒体、半導体メモリなどの不揮発性で非一時的な記録媒体であり、物体認識装置１０に対して着脱可能に構成される。記録媒体５は、プロセッサ３が実行する各種のプログラムを記録している。物体認識装置１０が学習処理や推論処理（即ち、物体認識処理）を実行する際には、記録媒体５に記録されているプログラムがメモリ４にロードされ、プロセッサ３により実行される。

　データベース６は、物体認識装置１０の学習処理において使用される学習用画像データを記憶する。学習用画像データは、正解ラベルを含む。なお、上記に加えて、物体認識装置１０は、キーボード、マウスなどの入力機器や、表示装置などを備えていても良い。

　（基本アルゴリズム）
　まず、学習時の基本アルゴリズムについて説明する。図２は、第１実施形態による学習時の基本アルゴリズムを模式的に示す図である。学習時の物体認識装置１００ａは、物体認識のためのニューラルネットワークにより構成される。学習時の物体認識装置１００ａには、前述のように（Ｎ－ｃ）クラスのターゲットドメイン学習用データＸｔと、Ｎクラスのソースドメイン学習用データＸｓとが入力される。これらの学習用データには、予め正解ラベルが用意されている。

　物体認識装置１００ａは、大別して、ターゲットドメインネットワーク、共通ネットワーク、及び、ソースドメインネットワークの３つのネットワークを含む。以下、ターゲットドメインネットワークに関連する要素には添え字「ｔ」を用い、共通ネットワークに関連する要素には添え字「ｃ」を用い、ソースドメインネットワークに関連する要素には添え字「ｓ」を用いる。

　物体認識装置１００ａは、画像データから特徴を抽出する特徴抽出器１２ｔ、１２ｃ、１２ｓと、クラス分類器１４ｔ、１４ｃ、１４ｓと、ドメイン識別器１６ａ、１６ｂと、を備える。ターゲットドメイン学習用データＸｔは特徴抽出器１２ｔ、１２ｃに入力され、ソースドメイン学習用データＸｓは特徴抽出器１２ｃ、１２ｓに入力される。特徴抽出器１２ｔ、１２ｃ、１２ｓは、例えばＲｅｓ－Ｎｅｔなど、畳み込みにより画像の特徴を抽出するネットワークにより構成される。また、クラス分類器１４ｔ、１４ｃ、１４ｓは、特徴抽出器１２ｔ、１２ｃ、１２ｓにより抽出された特徴が入力される全結合層を含む。特徴抽出器１２ｔ及びクラス分類器１４ｔはターゲットドメインネットワークを構成し、特徴抽出器１２ｃ及びクラス分類器１４ｃは共通ネットワークを構成し、特徴抽出器１２ｓ及びクラス分類器１４ｓはソースドメインネットワークを構成する。

　特徴抽出器１２ｔは、ターゲットドメイン学習用データＸｔからターゲットドメインに固有の特徴（以下、「ターゲットドメイン固有特徴」と呼ぶ。）１３ｔを抽出する。特徴抽出器１２ｃは、ターゲットドメイン学習用データＸｔとソースドメイン学習用データＸｓから、ターゲットドメインとソースドメインに共通する特徴（以下、「共通特徴」と呼ぶ。）１３ｃを抽出する。なお、共通特徴１３ｔは、ターゲットドメイン学習用データＸｔから抽出された共通特徴と、ソースドメイン学習用データＸｓから抽出された共通特徴を含む。特徴抽出器１２ｓは、ソースドメイン学習用データＸｓからソースドメインに固有の特徴（以下、「ソースドメイン固有特徴」と呼ぶ。）１３ｓを抽出する。

　クラス分類器１４ｔは、ターゲットドメイン固有特徴１３ｔに基づいて（Ｎ－ｃ）クラスの識別結果１５ｔを出力する。出力された（Ｎ－ｃ）クラスの識別結果１５ｔと、予め用意された正解ラベルとから損失（Ｌｏｓｓ）Ｌｔが算出され、これが逆伝搬されてクラス分類器１４ｔ及び特徴抽出器１２ｔのパラメータが更新される。こうして、特徴抽出器１２ｔ及びクラス分類器１４ｔは、ターゲットドメインにおける識別精度が上がるように学習される。

　クラス分類器１４ｃは、共通特徴１３ｃに基づいてＮクラスの識別結果１５ｃを出力する。出力されたＮクラスの識別結果１５ｃと、予め用意された正解ラベルとから損失Ｌｃが算出され、これが逆伝搬されてクラス分類器１４ｃ及び特徴抽出器１２ｃのパラメータが更新される。こうして、特徴抽出器１２ｃ及びクラス分類器１４ｃは、ターゲットドメインとソースドメインにおける識別精度が上がるように学習される。

　また、クラス分類器１４ｓは、ソースドメイン固有特徴１３ｓに基づいてＮクラスの識別結果１５ｓを出力する。出力されたＮクラスの識別結果１５ｓと、予め用意された正解ラベルとから損失Ｌｓが算出され、これが逆伝搬されてクラス分類器１４ｓ及び特徴抽出器１２ｓのパラメータが更新される。こうして、特徴抽出器１２ｓ及びクラス分類器１４ｓは、ソースドメインにおける識別精度が上がるように学習される。

　ドメイン識別器１６ａは、特徴抽出器１２ｃから入力された共通特徴１３ｃ、即ち、ターゲットドメイン学習用データＸｔから抽出された共通特徴と、ソースドメイン学習用データＸｓから抽出された共通特徴の類似度を算出し、損失Ｌａとして出力する。なお、ここでは、２つの共通特徴の類似度が低いほど、損失Ｌａの値は大きくなる。算出された損失Ｌａは、ドメイン識別器１６ａ及び特徴抽出器１２ｃに逆伝搬される。このとき、損失ＬａはＧＲＬ（Ｇｒａｄｉｅｎｔ　Ｒｅｖｅｒｓａｌ　Ｌａｙｅｒ）１８を通じて特徴抽出器１２ｃに逆伝搬される。これにより、特徴抽出器１２ｃは、ターゲットドメインとソースドメインとの違いが分からなくなるように、即ち、ターゲットドメインとソースドメインに共通する特徴を抽出するように学習される。

　ドメイン識別器１６ｂは、特徴抽出器１２ｔから入力されたターゲットドメイン固有特徴１３ｔと、特徴抽出器１２ｓから入力されたソースドメイン固有特徴１３ｓとの類似度を算出し、損失Ｌｂとして出力する。損失Ｌｂは、ドメイン識別器１６ｂ及び特徴抽出器１２ｔ、１２ｓに逆伝搬される。これにより、特徴抽出器１２ｔ、１２ｓは、ターゲットドメインとソースドメインの違いを際立たせるように学習される。

　こうして、ターゲットドメインネットワークはターゲットドメイン学習用データＸｔから（Ｎ－ｃ）クラスの識別を行い、共通ネットワークはターゲットドメイン学習用データＸｔからＮクラスの識別を行うように学習される。ここで、両者の性質を考えると、ターゲットドメインネットワークは、ターゲットドメイン学習用データＸｔに基づいて学習しているため、（Ｎ－ｃ）クラスのターゲットドメインデータに対しては認識精度が高いものとなっている。前述の車種認識システムの例で言えば、ターゲットドメインネットワークは、ｃ種類の新車以外の車両（以下、「既存車」とも呼ぶ。）については十分な実写画像に基づいて学習しており、高精度の認識が可能であるが、新車に関しては実写画像に基づいて学習していないため識別ができない。一方、共通ネットワークは、新車を含むＮクラスについて実写画像とＣＧ画像に共通する特徴を利用して学習している。つまり、新車についてもＣＧ画像を用いて学習しているので、ある程度の精度で認識が可能となっている。即ち、実写画像を入力とした場合、既存車についてはターゲットドメインネットワークの方が高精度に認識可能であり、新車については共通ネットワークの方が高精度に認識可能となっている。

　次に、推論時の基本アルゴリズムについて説明する。図３は、第１実施形態による推論時の基本アルゴリズムを模式的に示す図である。推論時の物体認識装置１００ｂは、図２に示す学習時の物体認識装置１００ａの構成のうち、ターゲットドメインネットワークと共通ネットワークのみを使用する。即ち、推論時の物体認識装置１００ｂは、学習済みの特徴抽出器１２ｔ、１２ｃと、学習済みのクラス分類器１４ｔ、１４ｃと、統合部２０と、を備える。

　推論時には、実際の物体認識の対象となる画像データとして、Ｎクラスのターゲットドメイン画像データＸｔが入力される。前述の車種認識システムの例では、新車のｃクラスを含むＮクラスの実写画像データが入力される。特徴抽出器１２ｔ及びクラス分類器１４ｔを有するターゲットドメインネットワークは、入力された画像データから（Ｎ－ｃ）クラスの識別結果１５ｔを出力する。特徴抽出器１２ｃ及びクラス分類器１４ｃを有する共通ネットワークは、入力された画像データからＮクラスの識別結果１５ｃを出力する。統合部２０は、（Ｎ－ｃ）クラスの識別結果１５ｔと、Ｎクラスの識別結果１５ｃに基づいて、最終的な認識結果を出力する。なお、統合部２０の処理については後に詳しく説明する。

　（実施例）
　次に、第１実施形態による物体認識装置の実施例について説明する。
（１）学習時
　図４は、第１実施形態の実施例による学習時の物体認識装置１１０ａの機能構成を示すブロック図である。物体認識装置１１０ａは、学習画像データベース（以下、「データベース」を「ＤＢ」と記す。）３１と、学習バッチ生成部３２と、ターゲットドメイン特徴抽出部３３と、共通特徴抽出部３４と、ソースドメイン特徴抽出部３５と、ターゲットドメイン特徴識別部３６と、共通特徴識別部３７と、ドメイン距離計算部３８と、ソースドメイン特徴識別部３９と、ドメイン距離計算部４０と、最適化部４１とを備える。

　学習画像ＤＢ３１は、ターゲットドメインとソースドメインの学習用データを記憶している。各学習用データは、正解ラベルを有している。学習バッチ生成部３２は、学習画像ＤＢ３１から学習用データを取り出し、学習用のミニバッチを生成してターゲットドメイン特徴抽出部３３、共通特徴抽出部３４及びソースドメイン特徴抽出部３５に出力する。

　ターゲットドメイン特徴抽出部３３は、図２における特徴抽出器１２ｔに相当し、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）などによりミニバッチ中のターゲットドメイン学習用データから特徴を抽出し、ターゲットドメイン特徴識別部３６に供給する。共通特徴抽出部３４は、図２における特徴抽出器１２ｃに相当し、ＣＮＮなどによりミニバッチ中のターゲットドメイン学習用データ及びソースドメイン学習用データから特徴を抽出し、共通特徴識別部３７に供給する。ソースドメイン特徴抽出部３５は、図２における特徴抽出器１２ｓに相当し、ＣＮＮなどによりミニバッチ中のソースドメイン学習用データから特徴を抽出し、ソースドメイン特徴識別部３９に供給する。

　ターゲットドメイン特徴識別部３６は、図２におけるクラス分類器１４ｔに相当し、ターゲットドメイン特徴抽出部３３が抽出した特徴に基づいて全結合層でクラス分類を行い、クラス分類結果を最適化部４１に供給する。共通特徴識別部３７は、図２におけるクラス分類器１４ｃに相当し、共通特徴抽出部３４が抽出した特徴に基づいて全結合層でクラス分類を行い、クラス分類結果を最適化部４１に供給する。ソースドメイン特徴識別部３９は、図２におけるクラス分類器１４ｓに相当し、ソースドメイン特徴抽出部３５が抽出した特徴に基づいて全結合層でクラス分類を行い、クラス分類結果を最適化部４１に供給する。

　ドメイン距離計算部３８は、図２に示すドメイン識別器１６ａに相当し、共通特徴抽出部３４がターゲットドメイン学習用データから抽出した特徴とソースドメイン学習用データから抽出した特徴との距離を計算し、最適化部４１に供給する。ドメイン距離計算部４０は、図２に示すドメイン識別器１６ｂに相当し、ターゲットドメイン特徴抽出部３３がターゲットドメイン学習用データから抽出した特徴と、ソースドメイン特徴抽出部３５がソースドメイン学習用データから抽出した特徴との距離を計算し、最適化部４１に供給する。

　最適化部４１は、ターゲットドメイン特徴識別部３６によるクラス分類結果と、予め用意された正解クラスとから損失を計算し、その損失が小さくなるようにターゲットドメイン特徴抽出部３３及びターゲットドメイン特徴識別部３６のパラメータを更新する。また、最適化部４１は、共通特徴識別部３７によるクラス分類結果と、予め用意された正解クラスとから損失を計算し、その損失が小さくなるように共通特徴抽出部３４及び共通特徴識別部３７のパラメータを更新する。また、最適化部４１は、ソースドメイン特徴識別部３９によるクラス分類結果と、予め用意された正解クラスとから損失を計算し、その損失が小さくなるようにターゲットドメイン特徴抽出部３３及びソースドメイン特徴識別部３９のパラメータを更新する。

　さらに、最適化部４１は、ドメイン距離計算部３８が算出した距離が小さくなるように、即ち、ターゲットドメイン学習用データから抽出した特徴と、ソースドメイン学習用データから抽出した特徴が近づくように、共通特徴抽出部３４のパラメータを更新する。また、最適化部４１は、ドメイン距離計算部４０が算出した距離が大きくなるように、即ち、ターゲットドメイン学習用データから抽出した特徴と、ソースドメイン学習用データから抽出した特徴が離れるように、ターゲットドメイン特徴抽出部３３及びソースドメイン特徴抽出部３５のパラメータをそれぞれ更新する。

　次に、物体認識装置１１０ａによる学習処理について説明する。図５は、物体認識装置１１０ａにより実行される学習処理のフローチャートである。この処理は、図１に示すプロセッサ３が予め用意されたプログラムを実行し、図４に示す各要素として動作することにより実施される。まず、学習バッチ生成部３２は、学習画像ＤＢ３１に記憶されている学習用データからミニバッチを生成する（ステップＳ１０）。

　次に、共通特徴抽出部３４はミニバッチ中のターゲットドメイン学習用データ及びソースドメイン学習用データから特徴を抽出し（ステップＳ１１）、ターゲットドメイン特徴抽出部３３はミニバッチ中のターゲットドメイン学習用データから特徴を抽出し（ステップＳ１２）、ソースドメイン特徴抽出部３５はミニバッチ中のソースドメイン学習用データから特徴を抽出する（ステップＳ１３）。

　次に、共通特徴識別部３７はターゲットドメイン学習用データ及びソースドメイン学習用データの特徴に基づいてクラス分類を行い（ステップＳ１４）、ターゲットドメイン特徴識別部３６はターゲットドメイン学習用データの特徴に基づいてクラス分類を行い（ステップＳ１５）、ソースドメイン特徴識別部３９はソースドメイン学習用データの特徴に基づいてクラス分類を行う（ステップＳ１６）。

　次に、ドメイン距離計算部３８は、共通特徴抽出部３４が出力したターゲットドメイン学習用データの特徴とソースドメイン学習用データの特徴の距離を計算する（ステップＳ１７）。ドメイン距離計算部４０は、ターゲットドメイン特徴抽出部３３が出力したターゲットドメイン学習用データの特徴と、ソースドメイン特徴抽出部３５が出力したソースドメイン学習用データの特徴の距離を計算する（ステップＳ１８）。そして、最適化部４１は、各クラス分類結果と、学習用データの正解ラベルとから損失を計算し、その損失を最適化するように各特徴抽出部３３～３５及び各特徴識別部３６、３７、３９のパラメータを更新する。さらに、最適化部４１は、ドメイン距離計算部３８が出力した距離が小さくなり、ドメイン距離計算部４０が出力した距離が大きくなるように、各特徴抽出部３３～３５のパラメータを更新する（ステップＳ１９）。そして、ステップＳ１０で生成されたミニバッチについて処理が終了すると、学習処理は終了する。

（２）推論時
　図６は、第１実施形態の実施例による推論時の物体認識装置１１０ｂの機能構成を示すブロック図である。物体認識装置１１０ｂは、上述の学習処理により学習済みのターゲットドメイン特徴抽出部３３、共通特徴抽出部３４、ターゲットドメイン特徴識別部３６、共通特徴識別部３７に加えて、データ入力部４２と、統合部４３とを備える。

　データ入力部４２は、推論の対象であるターゲットドメインの画像データをターゲットドメイン特徴抽出部３３及び共通特徴抽出部３４に出力する。ターゲットドメイン特徴抽出部３３は、入力された画像データから特徴を抽出し、ターゲットドメイン特徴識別部３６に出力する。ターゲットドメイン特徴識別部３６は、ターゲットドメイン特徴抽出部３３により抽出された特徴に基づいてクラス分類を行い、クラス分類結果を統合部４３に出力する。共通特徴抽出部３４は、入力された画像データから特徴を抽出し、共通特徴識別部３７に出力する。共通特徴識別部３７は、共通特徴抽出部３４により抽出された特徴に基づいてクラス分類を行い、クラス分類結果を統合部４３に出力する。なお、クラス分類結果は、クラス毎にその確信度の値を示すベクトル（「確信度ベクトル」とも言う。）として出力される。

　統合部４３は、ターゲットドメイン特徴識別部３６及び共通特徴識別部３７によるクラス分類結果に基づいて、最終的な認識結果を生成する。ここで、第１実施形態では、ターゲットドメイン特徴識別部３６は（Ｎ－ｃ）クラスのクラス分類結果を出力し、共通特徴識別部３７はＮクラスのクラス識別結果を出力する。このように、クラス分類結果の次元が異なると、単純に２つのクラス分類結果を演算することができない。そこで、第１実施形態では、統合部４３は以下のような処理を行う。

　前述のように、ターゲットドメインネットワークは、（Ｎ－ｃ）クラスについては認識精度が高いが、ｃクラスについては認識ができない。一方、共通ネットワークは、ｃクラスを含むＮクラス全体についてある程度の精度で認識が可能である。前述の車種認識システムの例で言えば、新車以外の（Ｎ－ｃ）クラスについては、ターゲットドメインネットワークと共通ネットワークのいずれも認識可能であるが、ターゲットドメインネットワークの方がより高精度である。一方、新車のｃクラスについては、ターゲットドメインネットワークは識別ができないが、共通ネットワークはある程度の精度で識別ができる。そこで、統合部４３は、認識対象の画像データが上記の（Ｎ－ｃ）クラスとｃクラスのいずれに属するかを推測する。

　具体的には、統合部４３は、ターゲットドメイン特徴識別部３６によるクラス分類結果（以下、「ターゲットドメイン分類結果」と呼ぶ。）と、共通特徴識別部３７によるクラス分類結果（以下、「共通分類結果」と呼ぶ。）を比較する。ここで、仮に認識対象の画像データが（Ｎ－ｃ）クラスに属する場合、ターゲットドメイン特徴識別部３６も共通特徴識別部３７もある程度の精度で認識することができるので、２つのクラス分類結果において同一のクラスが最大の確信度を有すると推測される。また、２つのクラス分類結果において、その最大の確信度はいずれも高い値であり、特徴ベクトルを示す距離空間におけるそのクラスの距離は小さいと推測される。一方、仮に認識対象の画像データがｃクラスに属する場合、ターゲットドメイン特徴識別部３６は基本的によるそのクラスの認識ができないので２つのクラス分類結果において最大の確信度を有するクラスは一致せず、また、共通特徴識別部３７によるそのクラスの認識精度は高くなる。そこで、統合部４３は、以下のいずれかの方法で、最終的な認識結果を決定する。

　（Ａ）第１の方法
　統合部４３は、以下の（ａ）～（ｄ）のいずれかに該当する場合には、認識対象の画像データが（Ｎ－ｃ）クラスに属すると推測し、ターゲットドメイン分類結果を最終的な認識結果とする。
（ａ）ターゲットドメイン分類結果及び共通分類結果が同一クラスを最大の確信度で出力し、かつ、ターゲットドメイン分類結果及び共通分類結果の最大の確信度が第１の閾値以上である。
（ｂ）ターゲットドメイン分類結果及び共通分類結果が同一クラスを最大の確信度で出力し、かつ、ターゲットドメイン分類結果及び共通分類結果の分布間の距離が第２の閾値以下である。
（ｃ）共通分類結果におけるｃクラスの確信度が第３の閾値以下であり、かつ、ターゲットドメイン分類結果及び共通分類結果の最大の確信度が第１の閾値以上である。
（ｄ）共通分類結果におけるｃクラスの確信度が第３の閾値以下であり、かつ、ターゲットドメイン分類結果及び共通分類結果の分布間の距離が第２の閾値以下である場合。
　一方、上記の（ａ）～（ｄ）のいずれにも該当しない場合、統合部４３は、認識対象の画像データがｃクラスに属すると推測し、共通分類結果を最終的な認識結果とする。

　（Ｂ）第２の方法
　別の方法としては、統合部４３は、共通分類結果におけるｃクラスの確信度が所定の閾値よりも高い場合、認識対象の画像データがｃクラスに属すると推測し、共通分類結果を最終的な認識結果とする。それ以外の場合、統合部４３は、ターゲットドメイン分類結果を最終的な認識結果とする。

　上記のいずれかの方法により、統合部４３は、次元が異なる２つのクラス分類結果から、最終的な認識結果を決定することができる。

　次に、物体認識装置１１０ｂによる推論処理（物体認識処理）について説明する。図７は、物体認識装置１１０ｂにより実行される推論処理のフローチャートである。この処理は、図１に示すプロセッサ３が予め用意されたプログラムを実行し、図６に示す各要素として動作することにより実施される。まず、ターゲットドメイン特徴抽出部３３、共通特徴抽出部３４、ターゲットドメイン特徴識別部３６及び共通特徴識別部３７のパラメータが学習処理により更新された値に設定される（ステップＳ２１）。

　次に、データ入力部４２は、認識対象となるターゲットドメインの画像データをターゲットドメイン特徴抽出部３３及び共通特徴抽出部３４に入力する（ステップＳ２２）。共通特徴抽出部３４は、入力された画像データから特徴を抽出し（ステップＳ２３）、共通特徴識別部３７は抽出された特徴に基づいてクラス分類を行って統合部４３に出力する（ステップＳ２４）。また、ターゲットドメイン特徴抽出部３３は入力された画像データから特徴を抽出し（ステップＳ２５）、ターゲットドメイン特徴識別部３６は抽出された特徴に基づいてクラス分類を行って統合部４３に出力する（ステップＳ２６）。そして、統合部４３は、前述した第１又は第２の方法により、２つのクラス分類結果から最終的な認識結果を出力する（ステップＳ２７）。

　［第２実施形態］
　次に、本発明の第２実施形態について説明する。
　（基本アルゴリズム）
　まず、学習時の基本アルゴリズムについて説明する。図８は、第２実施形態による学習時の基本アルゴリズムを模式的に示す図である。学習時の物体認識装置２００ａは、基本的に図２に示す第１実施形態の物体認識装置１００ａと同様の構成を有する。但し、第２実施形態に係る物体認識装置２００ａでは、ドメイン識別器１６ｂが出力したドメイン識別結果１７ｂに基づいて生成された損失Ｌｂが、ＧＲＬ１８ｘを通じて特徴抽出器１２ｔ、１２ｓに逆伝搬される。これにより、特徴抽出器１２ｔ、１２ｓは、ターゲットドメインとソースドメインの違いを吸収するように学習される。

　次に、推論時の基本アルゴリズムについて説明する。図９は、第２実施形態による推論時の基本アルゴリズムを模式的に示す図である。推論時の物体認識装置２００ｂは、図８に示す学習時の物体認識装置２００ａの構成のうち、特徴抽出器１２ｔ、１２ｃと、クラス分類器１４ｃ、１４ｓを使用する。即ち、推論時の物体認識装置２００ｂは、学習済みの特徴抽出器１２ｔ、１２ｃと、学習済みのクラス分類器１４ｃ、１４ｓと、統合部２０と、を備える。

　推論時には、実際の認識対象となる画像データとして、Ｎクラスのターゲットドメイン画像データＸｔが入力される。前述の車種認識システムの例では、新車のｃクラスを含むＮクラスの実写画像データが入力される。特徴抽出器１２ｔは入力された画像データから特徴１３ｔを抽出し、クラス分類器１４ｓは特徴１３ｔからＮクラスの識別結果１５ｓを出力する。特徴抽出器１２ｃは入力された画像データから特徴１３ｃを抽出し、クラス分類器１４ｃは特徴１３ｃからＮクラスの識別結果１５ｃを出力する。そして、統合部２０は、Ｎクラスの識別結果１５ｃと、Ｎクラスの識別結果１５ｓに基づいて、最終的な認識結果を出力する。

　（実施例）
　次に、第２実施形態による物体認識装置の具体的な実施例について説明する。
（１）学習時
　第２実施形態の実施例による学習時の物体認識装置は、基本的に図４に示す第１実施形態の物体認識装置１１０ａと同様の構成を有する。但し、第２実施形態においては、最適化部４１は、ドメイン距離計算部４０が算出した距離が小さくなるように、即ち、ターゲットドメイン学習用データから抽出した特徴と、ソースドメイン学習用データから抽出した特徴が近づくように、ターゲットドメイン特徴抽出部３３及びソースドメイン特徴抽出部３５のパラメータをそれぞれ更新する。

　次に、第２実施形態の物体認識装置による学習処理について説明する。第２実施形態の物体認識装置による学習処理は、基本的に図５に示す第１実施形態の学習処理と同様である。但し、第２実施形態では、図５に示すステップＳ１９において、最適化部４１は、ドメイン距離計算部４０が出力した距離が小さくなるように、ターゲットドメイン特徴抽出部３３及びソースドメイン特徴抽出部３５のパラメータを更新する。

（２）推論時
　図１０は、第２実施形態の実施例による推論時の物体認識装置２１０ｂの機能構成を示すブロック図である。物体認識装置２１０ｂは、上述の学習処理により学習済のターゲットドメイン特徴抽出部３３、共通特徴抽出部３４、共通特徴識別部３７、ソースドメイン特徴識別部３９に加えて、データ入力部４２と、統合部４３とを備える。

　データ入力部４２は、認識対象となるターゲットドメインの画像データをターゲットドメイン特徴抽出部３３及び共通特徴抽出部３４に出力する。ターゲットドメイン特徴抽出部３３は、入力された画像データから特徴を抽出し、ソースドメイン特徴識別部３９に出力する。ソースドメイン特徴識別部３９は、ターゲットドメイン特徴抽出部３３により抽出された特徴に基づいてクラス分類を行い、クラス分類結果を統合部４３に出力する。共通特徴抽出部３４は、入力された画像データから特徴を抽出し、共通特徴識別部３７に出力する。共通特徴識別部３７は、共通特徴抽出部３４により抽出された特徴に基づいてクラス分類を行い、クラス分類結果を統合部４３に出力する。

　統合部４３は、共通特徴識別部３７及びソースドメイン特徴識別部３９によるクラス分類結果に基づいて、最終的な認識結果を生成する。第２実施形態では、共通特徴識別部３７とソースドメイン特徴識別部３９は、ともにＮクラスのクラス分類結果を出力する。クラス分類結果の次元が一致しているため、統合部４３は、単純に２つのクラス分類結果を演算すればよい。具体的には、統合部４３は、２つのクラス分類結果における確信度をクラス毎に加算し、確信度の和が最大となるクラスを最終的な認識結果とする。

　次に、物体認識装置２１０ｂによる推論処理（物体認識処理）について説明する。図１１は、物体認識装置２１０ｂにより実行される推論処理のフローチャートである。この処理は、図１に示すプロセッサ３が予め用意されたプログラムを実行し、図１０に示す各要素として動作することにより実施される。まず、ターゲットドメイン特徴抽出部３３、共通特徴抽出部３４、共通特徴識別部３７、及び、ソースドメイン特徴識別部３９のパラメータが学習処理により更新された値に設定される（ステップＳ３１）。

　次に、データ入力部４２は、認識対象のターゲットドメインの画像データをターゲットドメイン特徴抽出部３３及び共通特徴抽出部３４に入力する（ステップＳ３２）。共通特徴抽出部３４は入力された画像データから特徴を抽出し（ステップＳ３３）、共通特徴識別部３７は抽出された特徴に基づいてクラス分類を行ってクラス分類結果を統合部４３に出力する（ステップＳ３４）。また、ターゲットドメイン特徴抽出部３３は、入力された画像データから特徴を抽出し（ステップＳ３５）、ソースドメイン特徴識別部３９は抽出された特徴に基づいてクラス分類を行ってクラス分類結果を統合部４３に出力する（ステップＳ３６）。そして、統合部４３は、上述した方法により、２つのクラス分類結果から最終的な認識結果を出力する（ステップＳ３７）。

　［第３実施形態］
　次に、本発明の第３実施形態について説明する。
　（基本アルゴリズム）
　第３実施形態に係る物体認識装置１０の学習時の基本アルゴリズムは、図８に示す第２実施形態に係る物体認識装置２００ａと同様であるので、図示及びその説明を省略する。

　次に、推論時の基本アルゴリズムについて説明する。図１２は、第３実施形態による推論時の基本アルゴリズムを模式的に示す図である。推論時の物体認識装置２００ｃは、図８に示す学習時の物体認識装置２００ａの構成のうち、特徴抽出器１２ｔ、１２ｃと、クラス分類器１４ｔ、１４ｃ、１４ｓを使用する。即ち、推論時の物体認識装置２００ｂは、学習済みの特徴抽出器１２ｔ、１２ｃと、学習済みのクラス分類器１４ｔ、１４ｃ、１４ｓと、統合部２０と、を備える。

　推論時には、実際の認識対象となる画像データとして、Ｎクラスのターゲットドメイン画像データＸｔが入力される。前述の車種認識システムの例では、新車のｃクラスを含むＮクラスの実写画像データが入力される。特徴抽出器１２ｔは入力された画像データから特徴１３ｔを抽出し、クラス分類器１４ｔ、１４ｓに出力する。クラス分類器１４ｔは抽出された特徴１３ｔから（Ｎ－ｃ）クラスの識別結果１５ｔを出力する。クラス分類器１４ｓは、抽出された特徴１３ｔからＮクラスの識別結果１５ｓを出力する。また、特徴抽出器１２ｃは入力された画像データから特徴１３ｃを抽出し、クラス分類器１４ｃは特徴１３ｃからＮクラスの識別結果１５ｃを出力する。そして、統合部２０は、（Ｎ－ｃ）クラスの識別結果１５ｔと、Ｎクラスの識別結果１５ｃと、Ｎクラスの識別結果１５ｓに基づいて、最終的な認識結果を出力する。

　（実施例）
　次に、第３実施形態による物体認識装置の具体的な実施例について説明する。
（１）学習時
　第３実施形態の実施例による学習時の物体認識装置は、第２実施形態の物体認識装置と同様であるので、図示及び説明を省略する。

（２）推論時
　図１３は、第３実施形態の実施例による推論時の物体認識装置２１０ｃの機能構成を示すブロック図である。物体認識装置２１０ｃは、学習処理により学習済のターゲットドメイン特徴抽出部３３、共通特徴抽出部３４、ターゲットドメイン特徴識別部３６、共通特徴識別部３７、ソースドメイン特徴識別部３９に加えて、データ入力部４２と、統合部４３とを備える。

　データ入力部４２は、認識対象のターゲットドメインの画像データをターゲットドメイン特徴抽出部３３及び共通特徴抽出部３４に出力する。ターゲットドメイン特徴抽出部３３は、入力された画像データから特徴を抽出し、ターゲットドメイン特徴識別部３６及びソースドメイン特徴識別部３９に出力する。ターゲットドメイン特徴識別部３６及びソースドメイン特徴識別部３９は、ターゲットドメイン特徴抽出部３３により抽出された特徴に基づいてクラス分類を行い、クラス分類結果を統合部４３に出力する。共通特徴抽出部３４は、入力された画像データから特徴を抽出し、共通特徴識別部３７に出力する。共通特徴識別部３７は、共通特徴抽出部３４により抽出された特徴に基づいてクラス分類を行い、クラス分類結果を統合部４３に出力する。

　統合部４３は、ターゲットドメイン特徴識別部３６、共通特徴識別部３７及びソースドメイン特徴識別部３９によるクラス分類結果に基づいて、最終的な認識結果を生成する。第３実施形態では、ターゲットドメイン特徴識別部３６は（Ｎ－ｃ）クラスのクラス分類結果を出力し、共通特徴識別部３７とソースドメイン特徴識別部３９はＮクラスのクラス分類結果を出力する。そこで、統合部４３は、第１実施形態と第２実施形態の手法を組み合わせて最終的な認識結果を決定する。

　具体的には、まず統合部４３は、第２実施形態の手法により、共通特徴識別部３７によるＮクラスの共通分類結果と、ソースドメイン特徴識別部３９によるＮクラスのクラス分類結果（「ソースドメイン分類結果」と呼ぶ。）から、確信度が最大のクラスを認識結果として決定する。この認識結果は、本発明における「非ターゲットドメイン分類結果」に相当する。次に、統合部４３は、この認識結果を第１実施形態における「共通分類結果」として使用して、第１又は第２の方法により、最終的な認識結果を決定する。これにより、（Ｎ－ｃ）クラスのターゲットドメイン分類結果と、Ｎクラスの共通分類結果と、Ｎクラスのソースドメイン分類結果から、最終的な認識結果を決定することができる。

　次に、物体認識装置２１０ｃによる推論処理（物体認識処理）について説明する。図１４は、物体認識装置２１０ｃにより実行される推論処理のフローチャートである。この処理は、図１に示すプロセッサ３が予め用意されたプログラムを実行し、図１３に示す各要素として動作することにより実施される。まず、ターゲットドメイン特徴抽出部３３、共通特徴抽出部３４、ターゲットドメイン特徴識別部３６、共通特徴識別部３７、及び、ソースドメイン特徴識別部３９のパラメータが学習処理により更新された値に設定される（ステップＳ４１）。

　次に、データ入力部４２は、認識対象のターゲットドメインの画像データをターゲットドメイン特徴抽出部３３及び共通特徴抽出部３４に入力する（ステップＳ４２）。共通特徴抽出部３４は入力された画像データから特徴を抽出し（ステップＳ４３）、共通特徴識別部３７は抽出された特徴に基づいてクラス分類を行って統合部４３に出力する（ステップＳ４４）。また、ターゲットドメイン特徴抽出部３３は、入力された画像データから特徴を抽出する（ステップＳ４５）。ターゲットドメイン特徴識別部３６は、ターゲットドメイン特徴抽出部３３により抽出された特徴に基づいてクラス分類を行って統合部４３に出力する（ステップＳ４６）。また、ソースドメイン特徴識別部３９は、ターゲットドメイン特徴抽出部３３により抽出された特徴に基づいてクラス分類を行って統合部４３に出力する（ステップＳ４７）。そして、統合部４３は、上述した方法により、３つのクラス分類結果から最終的な認識結果を出力する（ステップＳ４８）。

　［第４実施形態］
　次に、本発明の第４実施形態について説明する。図１５は、第４実施形態による学習装置３００の機能構成を示すブロック図である。なお、学習装置３００は、図１に示すハードウェア構成により実現される。学習装置３００は、ターゲットドメイン特徴抽出部３０１と、共通特徴抽出部３０２と、ソースドメイン特徴抽出部３０３と、ターゲットドメイン特徴識別部３０４と、共通特徴識別部３０５と、ソースドメイン特徴識別部３０６と、第１の距離計算部３０７と、第２の距離計算部３０８と、最適化部３０９と、を備える。

　ターゲットドメイン特徴抽出部３０１は、ターゲットドメインデータの固有特徴を抽出する。ターゲットドメイン特徴識別部３０４は、ターゲットドメインデータの固有特徴に基づいてターゲットドメインデータを（Ｎ－ｃ）クラスに分類する。ソースドメイン特徴抽出部３０３は、ソースドメインデータの固有特徴を抽出する。ソースドメイン特徴識別部３０６は、ソースドメインデータの固有特徴に基づいてソースドメインデータをＮクラスに分類する。共通特徴抽出部３０２は、ターゲットドメインデータの共通特徴及びソースドメインデータの共通特徴を抽出する。共通特徴識別部３０５は、ターゲットドメインデータの共通特徴及びソースドメインデータの共通特徴に基づいて、ターゲットドメインデータ及びソースドメインデータをＮクラスに分類する。

　第１の距離計算部３０７は、ターゲットドメインデータの共通特徴と、ソースドメインデータの共通特徴との第１の距離を計算する。第２の距離計算部３０８は、ターゲットドメインデータの固有特徴と、ソースドメインデータの固有特徴との第２の距離を計算する。最適化部３０９は、第１の距離に基づいて共通特徴抽出部３０２のパラメータを更新し、第２の距離に基づいてターゲットドメイン特徴抽出部３０１及びソースドメイン特徴抽出部３０３のパラメータを更新する。

　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うるが、以下には限られない。

　（付記１）
　ターゲットドメインデータの固有特徴を抽出するターゲットドメイン特徴抽出部と、
　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類するターゲットドメイン特徴識別部と、
　ソースドメインデータの固有特徴を抽出するソースドメイン特徴抽出部と、
　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類するソースドメイン特徴識別部と、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出する共通特徴抽出部と、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類する共通特徴識別部と、
　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算する第１の距離計算部と、
　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算する第２の距離計算部と、
　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する最適化部と、
　を備える学習装置。

　（付記２）
　前記最適化部は、前記第２の距離が大きくなるように、前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する付記１に記載の学習装置。

　（付記３）
　前記最適化部は、前記第２の距離が小さくなるように、前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する付記１に記載の学習装置。

　（付記４）
　前記最適化部は、前記第１の距離が小さくなるように、前記共通特徴抽出部のパラメータを更新する付記１乃至３のいずれか一項に記載の学習装置。

　（付記５）
　付記１に記載の学習装置により更新されたパラメータが設定されており、入力データの特徴を抽出するターゲットドメイン特徴抽出部及び共通特徴抽出部と、
　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データを（Ｎ－ｃ）クラスに分類してターゲットドメイン分類結果を出力するターゲットドメイン特徴識別部と、
　前記共通特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類して共通分類結果を出力するする共通特徴識別部と、
　前記ターゲットドメイン分類結果及び前記共通分類結果を統合して、最終結果を出力する統合部と、
　を備える推論装置。

　（付記６）
　前記統合部は、
（ａ）前記ターゲットドメイン分類結果及び前記共通分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の最大の確信度が第１の閾値以上である場合、
（ｂ）前記ターゲットドメイン分類結果及び前記共通分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の分布間の距離が第２の閾値以下である場合、
（ｃ）前記共通分類結果におけるｃクラスの確信度が第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の最大の確信度が前記第１の閾値以上である場合、
（ｄ）前記共通分類結果におけるｃクラスの確信度が前記第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の分布間の距離が前記第２の閾値以下である場合、
　のいずれかに該当する場合は前記ターゲットドメイン分類結果を前記最終結果として出力し、いずれかに該当しない場合は前記共通分類結果を前記最終結果として出力する付記５に記載の推論装置。

　（付記７）
　前記統合部は、前記共通分類結果におけるｃクラスの確信度が第４の閾値以上である場合は前記共通分類結果を前記最終結果として出力し、それ以外の場合は前記ターゲットドメイン分類結果を前記最終結果として出力する付記５に記載の推論装置。

　（付記８）
　付記１に記載の学習装置により更新されたパラメータが設定されており、入力データの特徴を抽出するターゲットドメイン特徴抽出部及び共通特徴抽出部と、
　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類してソースドメイン分類結果を出力するソースドメイン特徴識別部と、
　前記共通特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類して共通分類結果を出力するする共通特徴識別部と、
　前記ソースドメイン分類結果及び前記共通分類結果を統合して、最終結果を出力する統合部と、
　を備える推論装置。

　（付記９）
　前記統合部は、前記ソースドメイン分類結果と前記共通分類結果の確信度の和をＮ個のクラス毎に計算し、前記和が最も大きいクラスを前記最終結果として出力する付記８に記載の推論装置。

　（付記１０）
　付記１に記載の学習装置により更新されたパラメータが設定されており、入力データの特徴を抽出するターゲットドメイン特徴抽出部及び共通特徴抽出部と、
　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データを（Ｎ－ｃ）クラスに分類してターゲットドメイン分類結果を出力するターゲットメイン特徴識別部と、
　前記共通特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類して共通分類結果を出力するする共通特徴識別部と、
　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類してソースドメイン分類結果を出力するソースドメイン特徴識別部と、
　前記ターゲットドメイン分類結果、前記共通分類結果及び前記ソースドメイン分類結果を統合して、最終結果を出力する統合部と、
　を備える推論装置。

　（付記１１）
　前記統合部は、
　前記ソースドメイン分類結果と前記共通分類結果の確信度の和をＮ個のクラス毎に計算し、前記和が最も大きいクラスを非ターゲットドメイン分類結果とし、
　さらに、
（ａ）前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の最大の確信度が第１の閾値以上である場合、
（ｂ）前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の分布間の距離が第２の閾値以下である場合、
（ｃ）前記非ターゲットドメイン分類結果におけるｃクラスの確信度が第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の最大の確信度が前記第１の閾値以上である場合、
（ｄ）前記非ターゲットドメイン分類結果におけるｃクラスの確信度が前記第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の分布間の距離が前記第２の閾値以下である場合、
　のいずれかに該当する場合は前記ターゲットドメイン分類結果を前記最終結果として出力し、いずれかに該当しない場合は前記非ターゲットドメイン分類結果を前記最終結果として出力する付記１０に記載の推論装置。

　（付記１２）
　前記統合部は、
　前記ソースドメイン分類結果と前記共通分類結果の確信度の和をＮ個のクラス毎に計算し、前記和が最も大きいクラスを非ターゲットドメイン分類結果とし、
　前記非ターゲットドメイン分類結果におけるｎ個のクラスの確信度が第４の閾値以上である場合は前記非ターゲットドメイン分類結果を前記最終結果として出力し、それ以外の場合は前記ターゲットドメイン分類結果を前記最終結果として出力する付記１０に記載の推論装置。

　（付記１３）
　ターゲットドメイン特徴抽出部により、ターゲットドメインデータの固有特徴を抽出し、
　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類し、
　ソースドメイン特徴抽出部により、ソースドメインデータの固有特徴を抽出し、
　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類し、
　共通特徴抽出部により、前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出し、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類し、
　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算し、
　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算し、
　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する学習方法。

　（付記１４）
　ターゲットドメイン特徴抽出部により、ターゲットドメインデータの固有特徴を抽出し、
　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類し、
　ソースドメイン特徴抽出部により、ソースドメインデータの固有特徴を抽出し、
　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類し、
　共通特徴抽出部により、前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出し、
　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類し、
　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算し、
　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算し、
　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する処理をコンピュータに実行させるプログラムを記録した記録媒体。

　以上、実施形態及び実施例を参照して本発明を説明したが、本発明は上記実施形態及び実施例に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

　１０　物体認識装置
　３３　ターゲットドメイン特徴抽出部
　３４　共通特徴抽出部
　３５　ソースドメイン特徴抽出部
　３６　ターゲットドメイン特徴識別部
　３７　共通特徴識別部
　３８、４０　ドメイン距離計算部
　３９　ソースドメイン特徴識別部
　４１　最適化部
　４３　統合部
　１１０ａ、３００　学習装置
　１１０ｂ、２１０ｂ、２１０ｃ　推論装置

Claims (14)

1. 　ターゲットドメインデータの固有特徴を抽出するターゲットドメイン特徴抽出部と、
   　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類するターゲットドメイン特徴識別部と、
   　ソースドメインデータの固有特徴を抽出するソースドメイン特徴抽出部と、
   　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類するソースドメイン特徴識別部と、
   　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出する共通特徴抽出部と、
   　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類する共通特徴識別部と、
   　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算する第１の距離計算部と、
   　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算する第２の距離計算部と、
   　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する最適化部と、
   　を備える学習装置。
2. 　前記最適化部は、前記第２の距離が大きくなるように、前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する請求項１に記載の学習装置。
3. 　前記最適化部は、前記第２の距離が小さくなるように、前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する請求項１に記載の学習装置。
4. 　前記最適化部は、前記第１の距離が小さくなるように、前記共通特徴抽出部のパラメータを更新する請求項１乃至３のいずれか一項に記載の学習装置。
5. 　請求項１に記載の学習装置により更新されたパラメータが設定されており、入力データの特徴を抽出するターゲットドメイン特徴抽出部及び共通特徴抽出部と、
   　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データを（Ｎ－ｃ）クラスに分類してターゲットドメイン分類結果を出力するターゲットドメイン特徴識別部と、
   　前記共通特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類して共通分類結果を出力するする共通特徴識別部と、
   　前記ターゲットドメイン分類結果及び前記共通分類結果を統合して、最終結果を出力する統合部と、
   　を備える推論装置。
6. 　前記統合部は、
   （ａ）前記ターゲットドメイン分類結果及び前記共通分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の最大の確信度が第１の閾値以上である場合、
   （ｂ）前記ターゲットドメイン分類結果及び前記共通分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の分布間の距離が第２の閾値以下である場合、
   （ｃ）前記共通分類結果におけるｃクラスの確信度が第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の最大の確信度が前記第１の閾値以上である場合、
   （ｄ）前記共通分類結果におけるｃクラスの確信度が前記第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記共通分類結果の分布間の距離が前記第２の閾値以下である場合、
   　のいずれかに該当する場合は前記ターゲットドメイン分類結果を前記最終結果として出力し、いずれかに該当しない場合は前記共通分類結果を前記最終結果として出力する請求項５に記載の推論装置。
7. 　前記統合部は、前記共通分類結果におけるｃクラスの確信度が第４の閾値以上である場合は前記共通分類結果を前記最終結果として出力し、それ以外の場合は前記ターゲットドメイン分類結果を前記最終結果として出力する請求項５に記載の推論装置。
8. 　請求項１に記載の学習装置により更新されたパラメータが設定されており、入力データの特徴を抽出するターゲットドメイン特徴抽出部及び共通特徴抽出部と、
   　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類してソースドメイン分類結果を出力するソースドメイン特徴識別部と、
   　前記共通特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類して共通分類結果を出力するする共通特徴識別部と、
   　前記ソースドメイン分類結果及び前記共通分類結果を統合して、最終結果を出力する統合部と、
   　を備える推論装置。
9. 　前記統合部は、前記ソースドメイン分類結果と前記共通分類結果の確信度の和をＮ個のクラス毎に計算し、前記和が最も大きいクラスを前記最終結果として出力する請求項８に記載の推論装置。
10. 　請求項１に記載の学習装置により更新されたパラメータが設定されており、入力データの特徴を抽出するターゲットドメイン特徴抽出部及び共通特徴抽出部と、
    　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データを（Ｎ－ｃ）クラスに分類してターゲットドメイン分類結果を出力するターゲットメイン特徴識別部と、
    　前記共通特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類して共通分類結果を出力するする共通特徴識別部と、
    　前記ターゲットドメイン特徴抽出部が抽出した特徴に基づいて前記入力データをＮクラスに分類してソースドメイン分類結果を出力するソースドメイン特徴識別部と、
    　前記ターゲットドメイン分類結果、前記共通分類結果及び前記ソースドメイン分類結果を統合して、最終結果を出力する統合部と、
    　を備える推論装置。
11. 　前記統合部は、
    　前記ソースドメイン分類結果と前記共通分類結果の確信度の和をＮ個のクラス毎に計算し、前記和が最も大きいクラスを非ターゲットドメイン分類結果とし、
    　さらに、
    （ａ）前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の最大の確信度が第１の閾値以上である場合、
    （ｂ）前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果が同一クラスを最大の確信度で出力し、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の分布間の距離が第２の閾値以下である場合、
    （ｃ）前記非ターゲットドメイン分類結果におけるｃクラスの確信度が第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の最大の確信度が前記第１の閾値以上である場合、
    （ｄ）前記非ターゲットドメイン分類結果におけるｃクラスの確信度が前記第３の閾値以下であり、かつ、前記ターゲットドメイン分類結果及び前記非ターゲットドメイン分類結果の分布間の距離が前記第２の閾値以下である場合、
    　のいずれかに該当する場合は前記ターゲットドメイン分類結果を前記最終結果として出力し、いずれかに該当しない場合は前記非ターゲットドメイン分類結果を前記最終結果として出力する請求項１０に記載の推論装置。
12. 　前記統合部は、
    　前記ソースドメイン分類結果と前記共通分類結果の確信度の和をＮ個のクラス毎に計算し、前記和が最も大きいクラスを非ターゲットドメイン分類結果とし、
    　前記非ターゲットドメイン分類結果におけるｎ個のクラスの確信度が第４の閾値以上である場合は前記非ターゲットドメイン分類結果を前記最終結果として出力し、それ以外の場合は前記ターゲットドメイン分類結果を前記最終結果として出力する請求項１０に記載の推論装置。
13. 　ターゲットドメイン特徴抽出部により、ターゲットドメインデータの固有特徴を抽出し、
    　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類し、
    　ソースドメイン特徴抽出部により、ソースドメインデータの固有特徴を抽出し、
    　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類し、
    　共通特徴抽出部により、前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出し、
    　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類し、
    　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算し、
    　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算し、
    　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する学習方法。
14. 　ターゲットドメイン特徴抽出部により、ターゲットドメインデータの固有特徴を抽出し、
    　前記ターゲットドメインデータの固有特徴に基づいて前記ターゲットドメインデータを（Ｎ－ｃ）クラスに分類し、
    　ソースドメイン特徴抽出部により、ソースドメインデータの固有特徴を抽出し、
    　前記ソースドメインデータの固有特徴に基づいて前記ソースドメインデータをＮクラスに分類し、
    　共通特徴抽出部により、前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴を抽出し、
    　前記ターゲットドメインデータの共通特徴及び前記ソースドメインデータの共通特徴に基づいて前記ターゲットドメインデータ及び前記ソースドメインデータをＮクラスに分類し、
    　前記ターゲットドメインデータの共通特徴と、前記ソースドメインデータの共通特徴との第１の距離を計算し、
    　前記ターゲットドメインデータの固有特徴と、前記ソースドメインデータの固有特徴との第２の距離を計算し、
    　前記第１の距離に基づいて前記共通特徴抽出部のパラメータを更新し、前記第２の距離に基づいて前記ターゲットドメイン特徴抽出部及び前記ソースドメイン特徴抽出部のパラメータを更新する処理をコンピュータに実行させるプログラムを記録した記録媒体。

Images