WO2022162780A1 - 部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム - Google Patents

部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム Download PDF

Info

Publication number
WO2022162780A1
WO2022162780A1 PCT/JP2021/002815 JP2021002815W WO2022162780A1 WO 2022162780 A1 WO2022162780 A1 WO 2022162780A1 JP 2021002815 W JP2021002815 W JP 2021002815W WO 2022162780 A1 WO2022162780 A1 WO 2022162780A1
Authority
WO
WIPO (PCT)
Prior art keywords
action
actions
estimation model
partial action
data
Prior art date
Application number
PCT/JP2021/002815
Other languages
English (en)
French (fr)
Inventor
純也 藤本
收文 中山
Original Assignee
富士通株式会社
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 富士通株式会社 filed Critical 富士通株式会社
Priority to PCT/JP2021/002815 priority Critical patent/WO2022162780A1/ja
Priority to JP2022577872A priority patent/JPWO2022162780A1/ja
Priority to EP21922804.6A priority patent/EP4258183A4/en
Publication of WO2022162780A1 publication Critical patent/WO2022162780A1/ja
Priority to US18/341,548 priority patent/US20230343080A1/en

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
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • 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
    • 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
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G06V10/85—Markov-related models; Markov random fields
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training

Definitions

  • the present disclosure relates to a partial action interval estimation model construction device, a partial action interval estimation model construction method, and a partial action interval estimation model construction program.
  • the cost of creating teacher information for supervised data when learning a model that estimates the time interval of actions is high.
  • the present disclosure aims to efficiently build a partial action segment estimation model.
  • the hidden semi-Markov model includes a plurality of second hidden Markov models including a plurality of first hidden Markov models, each of which states a type of human motion.
  • Each of the plurality of second Hidden Markov Models has a state of a partial action that is a portion of action determined by combining a plurality of actions.
  • the observation probability for each type of motion of a plurality of first hidden Markov models is learned by unsupervised learning. The learned observation probability is fixed, the input first supervised data is padded to obtain second supervised data, and the transition probability of the action of the first hidden Markov model is supervised learning using the second supervised data. learn in A hidden semi-Markov model, which is a model for estimating segments of partial actions, is constructed using learned observation probabilities and transition probabilities.
  • FIG. 4 is a conceptual diagram illustrating the state of the first hidden Markov model of the embodiment;
  • FIG. 4 is a conceptual diagram explaining padding of supervised data;
  • FIG. 4 is a conceptual diagram explaining padding of supervised data;
  • FIG. 4 is a conceptual diagram explaining padding of supervised data;
  • FIG. 4 is a conceptual diagram explaining padding of supervised data;
  • It is a block diagram which illustrates the hardware constitutions of this embodiment.
  • FIG. 10 is a flowchart illustrating the flow of action phase section estimation model construction processing
  • 7 is a flowchart illustrating the flow of feature vector extraction processing
  • It is a flow chart which illustrates a flow of action section presumption processing.
  • It is a conceptual diagram explaining the action of related technology.
  • It is a conceptual diagram which illustrates the hierarchical hidden Markov model of related technology.
  • It is a conceptual diagram which illustrates the outline
  • It is a conceptual diagram which illustrates the outline
  • It is a conceptual diagram explaining the hidden semi-Markov model of this embodiment.
  • 1 is a conceptual diagram illustrating a related art hidden semi-Markov model
  • FIG. It is a conceptual diagram which illustrates the fluctuation
  • FIG. 4 is a conceptual diagram illustrating erroneous estimation of an action section;
  • HSMM hidden semi-Markov model
  • HMM Hidden Markov model
  • the HSMM of this embodiment includes a plurality of first HMMs whose states are each of human actions, and a second HMM whose states are action phases corresponding to partial actions.
  • m1, m2, and m3 are examples of actions
  • a1, a2, and a3 are examples of action phases.
  • a motion is a combination of multiple postures.
  • An action is a combination of multiple actions and a combination of multiple action phases.
  • An action phase is a combination of actions, but the number of actions included in an action phase is less than the number of actions included in an action.
  • An action phase may be generated by, for example, dividing an action into a predetermined number, as will be described later. The number of divisions of action can be determined experimentally.
  • the HSMM estimates the optimal action phase time interval (hereinafter referred to as action interval).
  • action interval the optimal action phase time interval
  • HMM parameters include observation probability and transition probability.
  • O1, . . . , O8 are examples of observation probabilities, and transition probabilities are probabilities corresponding to arrows connecting states. Observation probability is the probability of observing a certain feature in each state, and transition probability is the probability of transitioning from one state to another. If the order of transitions is fixed, transition probabilities are unnecessary. Note that the number of actions and the number of action phases, that is, the number of first HMMs and the number of second HMMs are examples, and are not limited to the numbers illustrated in FIG.
  • FIG. 2 is an example of a functional block diagram of the action phase interval estimation model construction device 10 of this embodiment.
  • the action phase section estimation model construction device 10 has an observation probability learning unit 11 , a transition probability learning unit 12 and a construction unit 13 .
  • the observation probability learning unit 11 learns the observation probability of HSMM, which is an example of an action phase interval estimation model, using unsupervised data.
  • This embodiment targets limited actions for achieving a certain work goal.
  • Such actions are, for example, actions in routine work performed in a factory line, and have the following properties.
  • Property 1 The difference in each action that constitutes a task is the difference in the combination of a plurality of limited actions.
  • Property 2 Multiple postures observed when performing the same work are similar.
  • all actions are composed of actions included in one action group.
  • the action group includes, for example, three actions m11, m12, and m13.
  • the action m11 may be "raise the arm”
  • the action m12 may be “lower the arm”
  • the action m13 may be "stretch the arm forward”.
  • the number of actions included in the action group is not limited to the example in FIG. Also, the number of actions included in each action is not limited to the example in FIG.
  • the observation probability of each action corresponding to the dashed arrow does not depend on the action phase, so it can be learned with unsupervised data in the action phase section. Learning is performed using, for example, machine learning, neural networks, deep learning, and the like.
  • the model used for unsupervised learning of observation probability may be a Gaussian mixture distribution (hereinafter referred to as GMM (Gaussian Mixture Model)).
  • GMM Gaussian Mixture Model
  • each observation is generated by a Gaussian distribution over which one of the actions is stochastically selected. This is a different assumption from supervised learning, which does not use temporal dependencies of observations.
  • Each Gaussian parameter of the learned GMM is assigned to a Gaussian distribution that is the probability distribution of the observed probability in each action.
  • the transition probability learning unit 12 learns the transition probability of the motion of the first HMM using learning data having teacher information (hereinafter referred to as supervised data), as described below.
  • the teacher information is information that gives the correct answer for the time interval in which each action phase occurs with respect to the posture time series data. Learning is performed using, for example, maximum likelihood estimation or EM algorithm (Expectation-Maximization algorithm) (other methods such as machine learning, neural network, and deep learning may be used).
  • the observation probability learned by the observation probability learning unit 11 is fixed, and the transition probability is learned from existing supervised data.
  • data of existing supervised data which is an example of the first supervised data
  • seed data SD data of existing supervised data
  • noise is added to the seed data SD
  • oversampling is performed to obtain data.
  • Inflate since the postures of the same work are similar, by adding noise, it is possible to generate data with variations similar to the actual variations for each observation, as illustrated in FIG. can.
  • the noise may be random noise, for example.
  • the supervised data is padded by commonly applying the supervised information TI of the seed data SD to each padded data.
  • the padded supervised data which is an example of the second supervised data, is used to learn the transition probabilities of the multiple actions of the first HMM by supervised learning.
  • noise within a predetermined range is generated and added to the observed samples at each time.
  • noise a motion that has a high probability of generating the observed sample is identified, and an appropriate noise is generated in consideration of the relationship between the sample group of the motion and the sample group of another motion in the feature space. Generate and add noise of magnitude. This makes it possible to generate more appropriate supervised data.
  • noise generated from the multivariate Gaussian distribution of the covariance that is a constant multiple of the covariance of the sample group of the specified motion may be added.
  • the center distance d from the specified motion sample group to the motion sample group with the closest center distance is calculated, and the isotropic Gaussian distribution ( The noise generated from the covariance matrix is diagonal) may be added.
  • FIG. 6 illustrates sample groups of actions m31, m32, and m33.
  • FIG. 7 illustrates a state in which random noise is added to the samples of operation m32.
  • the range of random noise is large, many samples are far from the original motion m32. Even in such a case, as described above, it is possible to add an appropriate amount of noise in consideration of the spread relationship between a sample group of a certain motion and a sample group of another motion in the feature space. , can inflate more appropriate supervised data.
  • the building unit 13 uses the observation probabilities learned by the observation probability learning unit 11 and the state transition probabilities learned by the transition probability learning unit 12 to build an HSMM as illustrated in FIG. O1, O2, . 12 correspond to the state transition probabilities learned in 12. d1, d2, and d3 represent the duration of each action phase, and the probability distribution of the duration is determined from the duration of the action phase of teacher information.
  • the duration probability distribution may be a uniform distribution over a range.
  • the action phase section estimation model construction device 10 of this embodiment has the following features. 1. Observation probabilities of actions common to all actions of the first HMM are learned by unsupervised learning. 2. The transition probabilities between actions of the first HMM are learned by supervised learning using supervised data padded from the supervised seed data.
  • the action phase section estimation model construction device 10 includes a CPU (Central Processing Unit) 51, a primary storage device 52, a secondary storage device 53, and an external interface 54, as shown in FIG.
  • the CPU 51 is an example of a processor that is hardware.
  • the CPU 51 , primary storage device 52 , secondary storage device 53 and external interface 54 are interconnected via a bus 59 .
  • the CPU 51 may be a single processor or multiple processors.
  • a GPU Graphics Processing Unit
  • the primary storage device 52 is, for example, a volatile memory such as RAM (Random Access Memory).
  • the secondary storage device 53 is, for example, a non-volatile memory such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive).
  • the secondary storage device 53 includes a program storage area 53A and a data storage area 53B.
  • the program storage area 53A stores, for example, programs such as an action phase section estimation model construction program.
  • the data storage area 53B stores, for example, supervised data, unsupervised data, learned observation probabilities, transition probabilities, and the like.
  • the CPU 51 reads the action phase section estimation model construction program from the program storage area 53A and develops it in the primary storage device 52 .
  • the CPU 51 loads and executes the action phase section estimation model construction program, thereby operating as the observation probability learning unit 11, the transition probability learning unit 12, and the construction unit 13 of FIG.
  • programs such as the action phase section estimation model construction program may be stored in an external server and deployed in the primary storage device 52 via a network.
  • the program such as the action phase section estimation model generation program may be stored in a non-temporary recording medium such as a DVD (Digital Versatile Disc), and expanded in the primary storage device 52 via a recording medium reader.
  • An external device is connected to the external interface 54 , and the external interface 54 controls transmission and reception of various information between the external device and the CPU 51 .
  • 8 shows an example in which a display 55A and an external storage device 55B are connected to the external interface 54.
  • the external storage device 55B stores, for example, supervised data, unsupervised data, constructed HSMM, and the like.
  • the display 55A visually displays the constructed HSMM model, for example.
  • the action phase interval estimation model construction device 10 may be, for example, a personal computer, a server, or a computer on the cloud.
  • FIG. 9 illustrates the flow of action phase section estimation model construction processing.
  • the CPU 51 extracts a feature vector representing a motion, which is a chain of human postures, from learning data, as will be described later.
  • the CPU 51 classifies the feature vectors extracted at step 101 by clustering (GMM parameter estimation) into element motions, and learns the observation probability of each motion by unsupervised learning.
  • GMM parameter estimation clustering
  • step 103 the CPU 51 adds noise to the supervised seed data and adds supervised data to the data generated by oversampling, thereby padding the supervised data.
  • step 104 the CPU 51 distributes the feature vectors of the supervised data for each time interval of each action given by the supervised information.
  • step 105 the CPU 51 uses the series of feature vectors in the time interval distributed in step 104 as observed data and the supervised data padded in step 103 to learn the transition probability of the motion of the first HMM by supervised learning. do.
  • the CPU 51 sets a uniform distribution within a predetermined range for the duration of each action phase given by the teacher information as the probability distribution of the duration of each action phase.
  • the CPU 51 uses the observation probabilities learned in step 102 and the transition probabilities learned in step 105 to construct the HSMM.
  • an HSMM is constructed in which the behavior of the second HMM transitions in the order of each behavior phase given by the teacher information after continuation for a certain period of time.
  • the constructed HSMM may be stored, for example, in the data storage area 53B.
  • FIG. 10 illustrates details of the feature vector extraction process in step 101 of FIG.
  • the CPU 51 acquires posture information of a person by observing and tracking the person from the data used for learning.
  • the CPU 51 acquires time-series data of posture information to be analyzed from the time-series data of posture information.
  • Posture information to be analyzed is selected from the size of a bounding box surrounding a person, time, and the like.
  • the CPU 51 acquires time-series data of exercise information for each part of the body from the time-series data of posture information acquired at step 152.
  • the time series of motion information may be, for example, the degree of bending of each part, the speed of bending, and the like.
  • Each part may be, for example, an elbow, a knee, or the like.
  • the CPU 51 averages the motion information of step 153 within the window in the time direction at regular time intervals using a sliding time window to calculate a feature vector.
  • FIG. 11 illustrates the flow of activity segment estimation processing using the HSMM constructed in this embodiment.
  • the action interval estimation model construction device 10 of FIG. 8 may function as an action phase interval estimation device by storing the constructed HSMM in the data storage area 53B.
  • the CPU 51 extracts feature vectors from sensor data generated by detecting a person's posture with a sensor.
  • a sensor is a device that detects a person's posture, and may be, for example, a camera, an infrared sensor, a motion capture device, or the like. Since step 201 in FIG. 11 is the same as step 101 in FIG. 9, detailed description is omitted.
  • the CPU 51 uses the series of feature vectors extracted at step 201 as observation data, compares it with the HSMM constructed in the action phase section estimation model construction process, and estimates the duration of each action phase.
  • the CPU 51 calculates the duration of each action by adding the duration of action phases included in each action, and estimates the time interval of each action from the duration of each action state.
  • a specific action in a video is a combination of elemental actions, and is a more complicated upper action.
  • Basic action recognition is posture recognition for each frame
  • elemental action recognition is temporal and spatial recognition, It is to recognize simple actions over a certain length of time.
  • High-level behavior recognition is recognition of complex behavior over a certain length of time.
  • an action interval estimation model construction process and the constructed action interval estimation model can be applied to estimate an action interval.
  • HSMM may be used in which actions included in actions are not particularly limited.
  • actions for example, as illustrated in FIG. 12, it is assumed that the following operations exist. (1) Raise arm, (2) Lower arm, (3) Extend arm forward, (4) Bring hands closer together in front of body, (5) Move forward, (6) Move sideways, (7) squat, (8) stand
  • Action A31 (1) Raise your arms ⁇ (3) Stretch your arms forward ⁇ (1) Raise your arms ⁇ (4) Bring your hands closer together in front of your body ⁇ (7) Squat down.
  • Action A32 (7) crouch ⁇ (4) bring both hands closer in front of the body ⁇ (8) stand ⁇ (5) move forward ⁇ (3) extend the arm forward, etc.
  • an upper layer HMM includes a plurality of lower layer HMMs as states.
  • Actions A51, A52, and A53 are examples of lower-level HMMs.
  • Each of the lower-level HMMs includes an action as a state, m51, m52, m53, m61, m62, m63, m71, and m72 are examples of actions.
  • FIG. 14 illustrates the observation probability p11 and transition probability p21 of action A51, the observation probability p12 and transition probability p22 of action A52, the observation probability p13 and transition probability p23 of action A53, respectively.
  • the number of parameters is large and the degree of freedom of the parameters is high, so a large amount of supervised data is used for parameter learning. It takes time and effort to create teacher information for supervised data.
  • the observation probability p1 common to each of the first HMMs corresponding to the behavior of the HSMM is learned by unsupervised learning using the unsupervised data LDN.
  • the transition probabilities p21D, p22D, and p23D of each motion of the first HMM are learned by supervised learning using supervised data.
  • the supervised data is inflated and used for supervised learning by adding the supervised data TIL of the supervised data LDD to the data generated by adding noise to the existing supervised data LDD and oversampling. . Therefore, in the present embodiment, even when there is little existing supervised data, an action phase interval estimation model can be efficiently constructed.
  • each second HMM corresponds to an action phase.
  • action A61 which includes actions 3, 1, 5, 3, 6, 1, 2, is divided equally in time into action phases a71, a72, a73, actions 6, 7, 2, 8, Action A62, which includes 5, 4, and 1, is divided equally into action phases a81, a82, and a83.
  • the HSMMs at the bottom of FIG. 16 include second HMMs corresponding to action phases a71, a72, a73, a81, a82, and a83. If dividing the action results in fractional times, the action phases may be generated by dividing the action approximately equally.
  • each of the second HMMs corresponds to an action.
  • behavior is modeled by the order of actions contained in the basic data.
  • the order of motions included in action A61 of the basic data is motions 3, 7, 6, and 2, but the order of motions is 3, 5, 6, and 2 in the observed data.
  • the transition probability between common actions within one action is modeled, the probability that action 1 is followed by action 2 near the start of the action is high, but near the end of the action, the probability of action 2 is high.
  • the transition probability of actions is modeled for the action phases generated by dividing each action. Since a plurality of actions included in each action is predetermined by, for example, user definition, the number of actions included in each action cannot be controlled. However, in the present disclosure, the number of actions is controlled by dividing each action to generate action phases, and modeling is performed in action phases that appear in a deterministic order rather than stochastic.
  • the transition probability of actions in each action phase within one action can be handled separately, so the order constraint can be strengthened. Also, by increasing the number of action divisions and reducing the number of actions included in the action phase, the order constraint can be further strengthened. That is, observation data that is not in the same order as the basic data is not highly evaluated. Therefore, the strength of the order constraint can be adjusted by experimentally determining the number of divisions of actions.
  • the number of divisions may be determined based on the number of motions in the action, that is, the number of motion transitions.
  • the probability of occurrence of the same action differs between short and long actions, and if the number of divisions is the same, the strength of the constraint on the order will differ. It takes time to try.
  • labor can be saved.
  • the number of motion transitions within an action phase is too large, similar motions within that action phase and in adjacent action phases tend to appear.
  • the number of motion transitions within an action phase is too small, the effect of modeling the order with probabilistic transitions is diminished. That is, even if the basic data and the appearance order of the actions do not completely match, the effect of evaluating the order of the plausible actions is weakened. Therefore, the number of divisions is determined so that the number of transitions of actions included in the action phase is equal. If dividing the action results in a fractional number of actions, the action phases may be generated by dividing the action approximately equally. For example, if the number of actions included in the action is 15, the number of actions included in the action phase may be 5, 5, 5; The number of actions involved may be 5, 5, 6.
  • the hidden semi-Markov models include a plurality of second hidden Markov models each including a plurality of first hidden Markov models whose state is the type of human motion.
  • Each of the plurality of second Hidden Markov Models has a state of a partial action that is a portion of action determined by combining a plurality of actions.
  • the observation probability for each type of motion of a plurality of first hidden Markov models is learned by unsupervised learning.
  • the learned observation probability is fixed, the input first supervised data is padded to obtain second supervised data, and the transition probability of the action of the first hidden Markov model is supervised learning using the second supervised data.
  • learn in A hidden semi-Markov model which is a model for estimating segments of partial actions, is constructed using learned observation probabilities and transition probabilities.
  • the present disclosure it is possible to efficiently construct a partial action interval estimation model. That is, for example, for routine work in a factory, dance, and martial arts, the time interval of each action is accurately determined under the condition that the order of occurrence is restricted. can be estimated. Moreover, according to the present disclosure, by appropriately estimating the time interval of the partial action, it is possible to more appropriately estimate the time interval of the action including the partial action.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

隠れセミマルコフモデルは、各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む。複数の第２隠れマルコフモデルの各々は、複数の動作を組み合わせて定まる行動の部分である部分行動を状態とする。隠れセミマルコフモデルにおいて、複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習する。学習した観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、第１隠れマルコフモデルの動作の遷移確率を第２教師ありデータを使用した教師あり学習で学習する。学習した観測確率及び遷移確率を使用して部分行動の区間を推定するモデルである隠れセミマルコフモデルを構築する。

Description

部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム
　本開示は、部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラムに関する。
　ディープラーニング技術の発展により通常のＲＧＢカメラで撮影した人の映像から姿勢を高精度に認識できるようになり、この認識情報を利用して人の行動を推定する様々な研究開発が行われている。当該状況下において、人の映像から観測した姿勢の時系列データから指定した行動が発生した時間区間を推定する取り組みが行われている。
山本龍一、酒向慎司、北村正、「隠れセミマルコフモデルと線形動的システムを組み合わせた音楽音響信号と楽譜の実時間アライメント手法」、研究報告音楽情報科学（ＭＵＳ）、２０１２年 Ｓｈｕｎ－ＺｈｅｎｇＹｕ、「Ｈｉｄｄｅｎ　ｓｅｍｉ－Ｍａｒｋｏｖ　ｍｏｄｅｌｓ」、Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ、Ｖｏｌｕｍｅ　１７４、Ｉｓｓｕｅ　２、２０１０年２月、２１５～２４３頁 若林啓、三浦孝夫、「階層型隠れマルコフモデルの高速パラメータ推定」、電子情報通信学会論文誌、２０１１年 "映像から人の様々な行動を認識するＡＩ技術「行動分析技術　Ａｃｔｌｙｚｅｒ」を開発"、［ｏｎｌｉｎｅ］、２０１９年１１月２５日、富士通株式会社、［２０２１年１月１９日検索］、インターネット（ＵＲＬ：ｈｔｔｐｓ：／／ｐｒ．ｆｕｊｉｔｓｕ．ｃｏｍ／ｊｐ／ｎｅｗｓ／２０１９／１１／２５．ｈｔｍｌ）
　行動の時間区間を推定するモデルを学習させる際の教師ありデータの教師情報を作成するコストが高い。
　本開示は、１つの側面として、部分行動区間推定モデルを効率的に構築することを目的とする。
　１つの実施形態では、隠れセミマルコフモデルは、各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む。複数の第２隠れマルコフモデルの各々は、複数の動作を組み合わせて定まる行動の部分である部分行動を状態とする。隠れセミマルコフモデルにおいて、複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習する。学習した観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、第１隠れマルコフモデルの動作の遷移確率を第２教師ありデータを使用した教師あり学習で学習する。学習した観測確率及び遷移確率を使用して部分行動の区間を推定するモデルである隠れセミマルコフモデルを構築する。
　本開示は、１つの側面として、部分行動区間推定モデルを効率的に構築することができる。
本実施形態の隠れセミマルコフモデルを例示する概念図である。 本実施形態の機能構成を例示するブロック図である。 本実施形態の第１隠れマルコフモデルの状態を例示する概念図である。 教師ありデータの水増しを説明する概念図である。 教師ありデータの水増しを説明する概念図である。 教師ありデータの水増しを説明する概念図である。 教師ありデータの水増しを説明する概念図である。 本実施形態のハードウェア構成を例示するブロック図である。 行動フェーズ区間推定モデル構築処理の流れを例示するフローチャートである。 特徴ベクトル抽出処理の流れを例示するフローチャートである。 行動区間推定処理の流れを例示するフローチャートである。 関連技術の行動を説明する概念図である。 関連技術の階層型隠れマルコフモデルを例示する概念図である。 関連技術の概要を例示する概念図である。 本実施形態の概要を例示する概念図である。 本実施形態の隠れセミマルコフモデルを説明する概念図である。 関連技術の隠れセミマルコフモデルを例示する概念図である。 行動に含まれる動作の揺らぎを例示する概念図である。 行動区間の誤推定を例示する概念図である。
　本実施形態では、人の行動が発生した時間区間を推定する部分行動区間推定モデルの一例として、図１に例示するような隠れセミマルコフモデル（以下、ＨＳＭＭ（Ｈｉｄｄｅｎ　ｓｅｍｉ－Ｍａｒｋｏｖ　ｍｏｄｅｌ）という。）を構築する。ＨＳＭＭは、隠れマルコフモデル（以下、ＨＭＭ（Ｈｉｄｄｅｎ　Ｍａｒｋｏｖ　ｍｏｄｅｌ）という。）のパラメータに加え、状態ごとの継続時間の確率分布をパラメータとしてもつ。
　本実施形態のＨＳＭＭは、人の動作の各々を状態とする複数の第１ＨＭＭと、部分行動に対応する行動フェーズを状態とする第２ＨＭＭと、を含む。ｍ１、ｍ２、ｍ３は動作の一例であり、ａ１、ａ２、ａ３は行動フェーズの一例である。動作は複数の姿勢の組合せである。行動は複数の動作の組合せであり、複数の行動フェーズの組合せでもある。行動フェーズは、動作の組合せであるが、行動フェーズに含まれる動作の数は行動に含まれる動作の数より少ない。行動フェーズは、後述するように、例えば、行動を所定数に分割することで生成してもよい。行動の分割数は実験的に定めることができる。
　パラメータを設定することで構築されたＨＳＭＭに人の姿勢を検知することで生成された時系列センサデータが与えられると、ＨＳＭＭは最適な行動フェーズの時間区間（以下、行動区間という。）を推定する。ｄ１、ｄ２、ｄ３は行動フェーズ区間の一例である。
　ＨＭＭのパラメータには、観測確率及び遷移確率が存在する。Ｏ１、…、Ｏ８は観測確率の一例であり、遷移確率は状態をつなぐ矢印に対応する確率である。観測確率とは、各状態において、ある特徴が観測される確率であり、遷移確率とは、ある状態から別の状態に遷移する確率である。遷移の順番が定まっている場合は、遷移確率は不要である。なお、動作の数、行動フェーズの数、即ち、第１ＨＭＭの数、第２ＨＭＭの数は例示であり、図１に例示される数に限定されない。
　図２は、本実施形態の行動フェーズ区間推定モデル構築装置１０の機能ブロック図の一例である。行動フェーズ区間推定モデル構築装置１０は、観測確率学習部１１、遷移確率学習部１２、構築部１３を有する。観測確率学習部１１は、以下に説明するように、教師なしデータで行動フェーズ区間推定モデルの一例であるＨＳＭＭの観測確率を学習する。
　本実施形態では、ある作業目標を達成するための限定された行動を対象とする。このような行動は、例えば、工場のラインで行われる定型作業での行動であり、以下の性質を有する。
　性質１：作業を構成する各行動の違いは、限定された複数の動作の組合せの違いである。
　性質２：同じ作業を行う際に観測される複数の姿勢は類似している。
　本実施形態では、性質１に基づいて、全ての行動が１つの動作群に含まれる動作で構成される。図３に例示するように、動作群には、例えば、３つの動作ｍ１１、ｍ１２、ｍ１３が含まれている。
　例えば、動作ｍ１１は「腕を上げる」、動作ｍ１２は「腕を降ろす」、動作ｍ１３は「腕を前に伸ばす」であってよい。動作群に含まれる動作の数は図３の例に限定されない。また、各行動に含まれる動作の数も図３の例に限定されない。
　図３のＨＭＭにおいて、破線矢印に対応する各動作の観測確率は行動フェーズには依存しないため、行動フェーズ区間の教師なしデータで学習することができる。学習は、例えば、機械学習、ニューラルネットワーク、ディープラーニングなどを使用して行う。
　詳細には、観測確率の教師なし学習に使用するモデルは混合ガウス分布（以下、ＧＭＭ（Ｇａｕｓｓｉａｎ　Ｍｉｘｔｕｒｅ　Ｍｏｄｅｌ）という。）であってよい。各観測は動作のうちの１つの動作が確率的に選択され、その動作についてのガウス分布により生成されると仮定する。これは、観測の時系列的な依存関係を使用しない教師あり学習とは異なる仮定である。学習したＧＭＭの各ガウス分布のパラメータを各動作における観測確率の確率分布であるガウス分布に割り当てる。
　遷移確率学習部１２は、以下に説明するように、教師情報をもつ学習データ（以下、教師ありデータという。）で、第１ＨＭＭの動作の遷移確率を学習する。教師情報は、姿勢の時系列データに対して各行動フェーズが発生している時間区間の正解を与える情報である。学習は、例えば、最尤推定やＥＭアルゴリズム（Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ）などを使用して行う（その他の機械学習、ニューラルネットワーク、ディープラーニングなどの方式を使用してもよい）。
　教師ありデータの生成には、時間及び労力がかかる。したがって、本実施形態では、観測確率学習部１１で学習した観測確率を固定し、既存の教師ありデータから遷移確率を学習する。
　詳細には、図４に例示するように、第１教師ありデータの一例である既存の教師ありデータのデータを種データＳＤとし、種データＳＤにノイズを付加し、オーバーサンプリングすることでデータを水増しする。上記性質２によれば、同じ作業の姿勢は類似しているため、ノイズを付加することで、図５に例示するように実際の観測ごとのばらつきに類似したばらつきをもつデータを生成することができる。ノイズは、例えば、ランダムノイズであってよい。
　種データＳＤの教師情報ＴＩを、水増ししたデータの各々に共通に適用することで教師ありデータを水増しする。第２教師ありデータの一例である水増しした教師ありデータを使用して、第１ＨＭＭの複数の動作の遷移確率を教師あり学習で学習する。
　オーバーサンプリングでは、各時刻の観測サンプルに所定の範囲のノイズを生成して付加する。ノイズを生成する際に、当該観測サンプルを生成した確率が高い動作を特定し、当該動作のサンプル群と別の動作のサンプル群との特徴空間内での広がり方の関係を考慮して適切な大きさのノイズを生成して付加する。これにより、より適切な教師ありデータを生成することができる。
　例えば、特定した動作のサンプル群の共分散の定数倍の共分散の多変量ガウス分布から生成したノイズを付加してもよい。また、特定した動作のサンプル群から最も中心距離が近い動作のサンプル群までの中心距離ｄを算出し、特徴空間の各軸方向の標準偏差がｄの定数倍となる等方性のガウス分布（共分散行列が対角行列である）から生成したノイズを付加してもよい。
　各動作のサンプル群に含まれるサンプルの散らばり、即ち、特徴空間内での広がりには差がある。即ち、散らばりが非常に小さい動作もあるし、非常に大きい動作もある。全ての動作について一律の範囲のランダムノイズを使用した場合、ある動作のサンプル群が散らばりの大きいサンプルを含むと、ランダムノイズによるばらつかせ方が相対的に小さい。一方、ある動作のサンプル群が散らばりの小さいサンプルを含むと、ランダムノイズによるばらつかせ方が相対的に大きい。
　図６は、動作ｍ３１、動作ｍ３２、及び動作ｍ３３のサンプル群を例示する。図７は、動作ｍ３２のサンプル群にランダムノイズを付加した状態を例示する。図７では、ランダムノイズの範囲が大きいため、元の動作ｍ３２から離れているサンプルが多い。このような場合にも、上記したように、ある動作のサンプル群と別の動作のサンプル群との特徴空間内での広がり方の関係を考慮して適切な大きさのノイズを付加することで、より適切な教師ありデータを水増しすることができる。
　構築部１３は、観測確率学習部１１で学習した観測確率、及び遷移確率学習部１２で学習した状態遷移確率を使用して、図１に例示するようなＨＳＭＭを構築する。Ｏ１、Ｏ２、…、Ｏ８は、観測確率学習部１１で学習した観測確率を表し、行動フェーズａ１、ａ２、ａ３の各々に含まれる動作ｍ１、ｍ２、及びｍ３間の矢印は、遷移確率学習部１２で学習した状態遷移確率に対応する。ｄ１、ｄ２、ｄ３は、各行動フェーズの継続時間を表し、継続時間の確率分布は、教師情報の行動フェーズの継続時間から決定される。例えば、継続時間の確率分布は、一定範囲の一様分布であってよい。構築したＨＳＭＭに、センサで人の姿勢を検知して生成したセンサデータを適用して、各行動フェーズの時間区間である行動フェーズ区間を推定する。推定についての詳細は、後述する。
　本実施形態の行動フェーズ区間推定モデル構築装置１０は、以下の特徴を有する。
１．第１ＨＭＭの全行動で共通な動作の観測確率は教師なし学習で学習する。
２．第１ＨＭＭの動作間の遷移確率は、教師あり種データから水増しした教師ありデータを使用して、教師あり学習で学習する。
　行動フェーズ区間推定モデル構築装置１０は、一例として、図８に示すように、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）５１、一次記憶装置５２、二次記憶装置５３、及び、外部インターフェイス５４を含む。ＣＰＵ５１は、ハードウェアであるプロセッサの一例である。ＣＰＵ５１、一次記憶装置５２、二次記憶装置５３、及び、外部インターフェイス５４は、バス５９を介して相互に接続されている。ＣＰＵ５１は、単一のプロセッサであってもよいし、複数のプロセッサであってもよい。また、ＣＰＵ５１に代えて、例えば、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）が使用されてもよい。
　一次記憶装置５２は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などの揮発性のメモリである。二次記憶装置５３は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）などの不揮発性のメモリである。
　二次記憶装置５３は、プログラム格納領域５３Ａ及びデータ格納領域５３Ｂを含む。プログラム格納領域５３Ａは、一例として、行動フェーズ区間推定モデル構築プログラムなどのプログラムを記憶している。データ格納領域５３Ｂは、一例として、教師ありデータ、教師なしデータ、学習した観測確率、及び遷移確率などを記憶する。
　ＣＰＵ５１は、プログラム格納領域５３Ａから行動フェーズ区間推定モデル構築プログラムを読み出して一次記憶装置５２に展開する。ＣＰＵ５１は、行動フェーズ区間推定モデル構築プログラムをロードして実行することで、図２の観測確率学習部１１、遷移確率学習部１２、及び、構築部１３として動作する。
　なお、行動フェーズ区間推定モデル構築プログラムなどのプログラムは、外部サーバに記憶され、ネットワークを介して、一次記憶装置５２に展開されてもよい。また、行動フェーズ区間推定モデル生成プログラムなどのプログラムは、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）などの非一時的記録媒体に記憶され、記録媒体読込装置を介して、一次記憶装置５２に展開されてもよい。
　外部インターフェイス５４には外部装置が接続され、外部インターフェイス５４は、外部装置とＣＰＵ５１との間の各種情報の送受信を司る。図８では、外部インターフェイス５４に、ディスプレイ５５Ａ及び外部記憶装置５５Ｂが接続されている例を示している。外部記憶装置５５Ｂには、例えば、教師ありデータ、教師なしデータ、及び、構築したＨＳＭＭなどを記憶する。ディスプレイ５５Ａは、例えば、構築したＨＳＭＭモデルを視認可能に表示する。
　行動フェーズ区間推定モデル構築装置１０は、例えば、パーソナルコンピュータ、サーバ、及び、クラウド上のコンピュータなどであってよい。
　図９に、行動フェーズ区間推定モデル構築処理の流れを例示する。ＣＰＵ５１は、ステップ１０１で、後述するように、学習データから人の姿勢の連鎖である運動を表す特徴ベクトルを抽出する。ＣＰＵ５１は、ステップ１０２で、ステップ１０１で抽出した特徴ベクトルのクラスタリング（ＧＭＭのパラメータ推定）により、要素となる動作に分類し、各動作の観測確率を教師なし学習で学習する。
　ＣＰＵ５１は、ステップ１０３で、教師あり種データにノイズを付加し、オーバーサンプリングして生成したデータに教師あり種データの教師情報を付与することで、教師ありデータを水増しする。ＣＰＵ５１は、ステップ１０４で、教師ありデータについて、教師情報で与えられた各行動の時間区間ごとに特徴ベクトルを振り分ける。
　ＣＰＵ５１は、ステップ１０５で、ステップ１０４で振り分けた時間区間内の特徴ベクトルの系列を観測データとして、ステップ１０３で水増しした教師ありデータを使用し、第１ＨＭＭの動作の遷移確率を教師あり学習で学習する。
　ＣＰＵ５１は、ステップ１０６で、各行動フェーズの継続時間の確率分布として、教師情報で与えられた各行動フェーズの継続時間に対して所定の範囲の一様分布を設定する。ＣＰＵ５１は、ステップ１０２で学習した観測確率及びステップ１０５で学習した遷移確率を使用して、ＨＳＭＭを構築する。ステップ１０６の設定で一定時間継続後に教師情報で与えられた各行動フェーズの順番に第２ＨＭＭの行動が遷移するＨＳＭＭを構築する。構築したＨＳＭＭは、例えば、データ格納領域５３Ｂに格納されてもよい。
　図１０は、図９のステップ１０１の特徴ベクトル抽出処理の詳細を例示する。ＣＰＵ５１は、ステップ１５１で、学習に使用するデータから人を観測し、追跡することで、人の姿勢情報を取得する。ＣＰＵ５１は、ステップ１５２で、ステップ１５１で取得した姿勢情報が複数人の姿勢情報を含む場合、姿勢情報の時系列データから分析対象とする姿勢情報の時系列データを取得する。分析対象とする姿勢情報は、人を囲むバウンディングボックスの大きさ、及び時間などから選択する。
　ＣＰＵ５１は、ステップ１５３で、ステップ１５２で取得した姿勢情報の時系列データから身体の各部位についての運動情報の時系列データを取得する。運動情報の時系列とは、例えば、各部位の曲げの程度、曲げの速度などであってよい。各部位とは、例えば、肘、膝などであってよい。
　ＣＰＵ５１は、ステップ１５４で、スライディングタイムウィンドウにより一定の時間間隔ごとにウィンドウ内のステップ１５３の運動情報を時間方向で平均化して特徴ベクトルを算出する。
　図１１に、本実施形態で構築したＨＳＭＭを使用した行動区間推定処理の流れを例示する。図８の行動区間推定モデル構築装置１０は、構築したＨＳＭＭをデータ格納領域５３Ｂに格納することで行動フェーズ区間推定装置として機能してもよい。
　ＣＰＵ５１は、ステップ２０１で、センサで人の姿勢を検知することにより生成されたセンサデータから特徴ベクトルを抽出する。センサは、人の姿勢を検知するデバイスであり、例えば、カメラ、赤外線センサ、モーションキャプチャデバイスなどであってよい。図１１のステップ２０１は、図９のステップ１０１と同様であるため、詳細な説明は省略する。
　ＣＰＵ５１は、ステップ２０２で、ステップ２０１で抽出した特徴ベクトルの系列を観測データとして、行動フェーズ区間推定モデル構築処理で構築したＨＳＭＭと照合して各行動フェーズの継続時間を推定する。ＣＰＵ５１は、ステップ２０４で、各行動に含まれる行動フェーズの継続時間を加算することで、各行動の継続時間を算出し、各行動状態の継続時間から各行動の時間区間を推定する。
　例えば、映像を入力として、映像における特定の行動を認識するような技術では、基本動作認識、要素行動認識、及び上位行動認識を行う。映像における特定の行動とは、要素行動の組合せで、さらに複雑な上位行動であり、基本動作認識とは、フレームごとの姿勢認識であり、要素行動認識とは、時間的空間的認識を行い、ある程度の時間長における単純行動を認識することである。上位行動認識とは、ある程度の時間長における複雑行動の認識である。当該技術において、行動区間推定モデル構築処理及び構築した行動区間推定モデルを適用し、行動区間を推定することができる。
　関連技術では、行動に含まれる動作が特に限定されないＨＳＭＭが使用され得る。当該関連技術では、図１２に例示するように、例えば、以下の動作が存在すると仮定する。
（１）腕を上げる、（２）腕を降ろす、（３）腕を前に伸ばす、（４）両手を身体の前で近づける、（５）前に移動する、（６）横に移動する、（７）しゃがむ、（８）立つ
　行動の例は、例えば、以下の通りである。
行動Ａ３１：（１）腕を上げる→（３）腕を前に伸ばす→（１）腕を上げる→（４）両手を身体の前で近づける→（７）しゃがむ、
行動Ａ３２：（７）しゃがむ→（４）両手を身体の前で近づける→（８）立つ→（５）前に移動する→（３）腕を前に伸ばす、など
　上記のように、一般的な行動の動作、即ち、推定する行動が制限されない複数の動作をＨＭＭが含む場合、動作の観測確率を１つの単純な確率分布で表すことは困難である。この問題に対処するために、階層型隠れマルコフモデルを使用する技術が存在する。階層型隠れマルコフモデルは、図１３に例示するように、上位階層ＨＭＭが複数の下位階層ＨＭＭを状態として含む。行動Ａ５１、Ａ５２、及びＡ５３は、下位階層ＨＭＭの例である。下位階層ＨＭＭの各々は、動作を状態として含み、ｍ５１、ｍ５２、ｍ５３、ｍ６１、ｍ６２、ｍ６３、ｍ７１、及びｍ７２は、動作の例である。
　階層型ＨＭＭでは、図１４に例示するように、教師情報ＴＩＬをもつ学習データＬＤを使用して、各行動の動作の観測確率及び遷移確率を教師あり学習で学習する。図１４では、行動Ａ５１の観測確率ｐ１１、遷移確率ｐ２１、行動Ａ５２の観測確率ｐ１２、遷移確率ｐ２２、行動Ａ５３の観測確率ｐ１３、遷移確率ｐ２３を例示する。しかしながら、階層型ＨＭＭでは、パラメータの数が多く、パラメータの自由度が高いため、パラメータの学習のために教師ありデータを多数使用する。教師ありデータの教師情報を作成するには、時間及び労力を要する。
　一方、本開示では、図１５に例示するように、ＨＳＭＭの行動に対応する第１ＨＭＭの各々で共通の観測確率ｐ１は教師なしデータＬＤＮを使用して教師なし学習で学習する。学習した観測確率ｐ１を固定して、第１ＨＭＭの各々の動作の遷移確率ｐ２１Ｄ、ｐ２２Ｄ、ｐ２３Ｄを教師ありデータを使用して教師あり学習で学習する。本開示では、既存の教師ありデータＬＤＤにノイズを付加しオーバーサンプリングし生成したデータに、教師ありデータＬＤＤの教師情報ＴＩＬを付加することで、教師ありデータを水増しして教師あり学習に使用する。したがって、本実施形態では、既存の教師ありデータが少ない場合でも、行動フェーズ区間推定モデルを効率的に構築することができる。
　本開示では、図１６に例示するように、第２ＨＭＭの各々は、行動フェーズに対応する。図１６の例では、動作３、１、５、３、６、１、２を含む行動Ａ６１は、行動フェーズａ７１、ａ７２、ａ７３に時間的に等しく分割され、動作６、７、２、８、５、４、１を含む行動Ａ６２は、行動フェーズａ８１、ａ８２、ａ８３に等しく分割されている。図１６の下のＨＳＭＭは、行動フェーズａ７１、ａ７２、ａ７３、ａ８１、ａ８２、ａ８３に対応する第２ＨＭＭを含む。行動を分割することで端数の時間が生じる場合には、行動を略等しく分割することで行動フェーズを生成してもよい。
　図１７に例示するように、第２ＨＭＭの各々が行動に対応する場合について検討する。図１８に例示するように、基本データに含まれる動作の順序により行動をモデル化する。しかしながら、実際の作業中の動作及び動作の順序には同じ行動であっても揺らぎがあり、完全に同じにはならない。例えば、図１８の例では、基本データの行動Ａ６１に含まれる動作は、動作３、７、６、２の順序であるが、観測データでは、動作３、５、６、２の順序である。
　図１７に例示するように、基本データから動作間の遷移確率で各行動の動作の順序をモデル化することで、観測データにおいて、動作の出現順序に揺らぎがある場合であっても、全体として確率が高い行動系列を推定することができる。しかしながら、動作間の遷移確率によるモデル化では順序制約が弱く、順序が大きく異なる場合であっても高評価が示される場合がある。
　詳細には、１つの行動内で共通の動作間の遷移確率でモデル化されるため、行動の開始時点付近では動作１の後は動作２である確率が高いが、行動の終了時点付近では動作１の後は動作３である確率が高い、というモデル化を行うことができない。即ち、動作の出現順序ではなく、動作の遷移関係、即ち、第１動作の後には第２動作が出現しやすい、という関係が学習される。したがって、本来、第１行動ではなく、第２行動に含まれると判定されるべき動作が第１行動に含まれる、と判定される場合が生じる。
　例えば、図１９に例示するように、行動Ａ９１が「部品Ｘ１をとり操作Ｙ１を行う」という行動であり、行動Ａ９２が「部品Ｘ２をとり操作Ｙ２を行う」という行動である場合、誤推定が生じやすい。図１９に例示されるように、「部品Ｘ１をとる」と「部品Ｘ２をとる」とは、双方とも同じ順序で発生する動作１、２を含むため、本来行動Ａ９２の開始部分に含まれる動作１、２が行動Ａ９１の終了部分に含まれると誤推定されている。
　本開示では、各行動を分割して生成した行動フェーズについて動作の遷移確率をモデル化する。各行動に含まれる複数の動作は、例えば、ユーザの定義などにより予め定められるため、各行動に含まれる動作の数を制御することはできない。しかしながら、本開示では、各行動を分割して行動フェーズを生成することで動作の数を制御し、確率的ではなく、決定的な順序で出現する行動フェーズでモデル化を行う。
　これにより、１つの行動内の各行動フェーズにおける動作の遷移確率を別々に取り扱うことができるため、順序的な制約を強めることができる。また、行動の分割数を増大させ、行動フェーズに含まれる動作の数を低減することで、順序制約をさらに強めることができる。即ち、基本データと同様の順序でない観測データは高評価とならない。したがって、行動の分割数を実験的に決定することで順序制約の強さを調整することができる。
　例えば、行動内の動作の数、即ち、動作の遷移回数に基づいて分割数を決定してもよい。時間的に短い行動と長い行動とでは、同じ動作の出現しやすさが異なり、分割数を等しくした場合、順序性に対する制約の強さに差異が生じるため、行動の分割数を実験的に決定しようとすると手間がかかる。しかしながら、行動内の動作の数に基づいて分割数を決定することで、手間を省くことができる。
　行動フェーズ内の動作の遷移回数が多過ぎると、当該行動フェーズ内で、及び隣接する行動フェーズと、同様の動作が出現しやすい。一方、行動フェーズ内の動作の遷移回数が少な過ぎると、確率的な遷移で順序をモデル化する効果が薄れる。即ち、基本データと、動作の出現順序が完全に一致しない場合でも、尤もらしい動作の順序を評価する効果が薄れる。したがって、行動フェーズに含まれる動作の遷移回数が等しくなるように、分割数を決定する。行動を分割することで端数の動作が生じる場合には、行動を略等しく分割することで行動フェーズを生成してもよい。例えば、行動に含まれる動作の数が１５である場合、行動フェーズに含まれる動作の数を５、５、５としてもよいし、行動に含まれる動作の数が１６である場合、行動フェーズに含まれる動作の数を５、５、６としてもよい。
　本実施形態では、隠れセミマルコフモデルは、各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む。複数の第２隠れマルコフモデルの各々は、複数の動作を組み合わせて定まる行動の部分である部分行動を状態とする。隠れセミマルコフモデルにおいて、複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習する。学習した観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、第１隠れマルコフモデルの動作の遷移確率を第２教師ありデータを使用した教師あり学習で学習する。学習した観測確率及び遷移確率を使用して部分行動の区間を推定するモデルである隠れセミマルコフモデルを構築する。
　本開示によれば、部分行動区間推定モデルを効率的に構築することができる。即ち、例えば、工場での定型作業、ダンス、武道の型のように決まった順序で動作を行う複数の行動について、発生する順序に制約があるという条件の下で各行動の時間区間を正確に推定することができる。また、本開示によれば、部分行動の時間区間が適切に推定されることで、部分行動を含む行動の時間区間をより適切に推定することができる。
１０　行動フェーズ区間推定モデル構築装置
１１　観測確率学習部
１２　遷移確率学習部
１３　構築部
５１　ＣＰＵ
５２　一次記憶装置
５３　二次記憶装置

Claims (18)

  1. 　各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む隠れセミマルコフモデルであって、複数の第２隠れマルコフモデルの各々が複数の前記動作を組み合わせて定まる行動の部分である部分行動を状態とする隠れセミマルコフモデルにおいて、前記複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習する観測確率学習部と、
    　前記観測確率学習部にて学習した前記観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、前記第１隠れマルコフモデルの前記動作の遷移確率を前記第２教師ありデータを使用した教師あり学習で学習する遷移確率学習部と、
    　前記観測確率学習部で学習した前記観測確率及び前記遷移確率学習部で学習した前記遷移確率を使用して前記部分行動の区間を推定するモデルである前記隠れセミマルコフモデルを構築する構築部と、
    　を含む部分行動区間推定モデル構築装置。
  2. 　前記部分行動は、各々が等しい長さの時間を含むように前記行動を分割することで生成される、
    　請求項１に記載の部分行動区間推定モデル構築装置。
  3. 　前記部分行動は、各々が等しい数の動作を含むように前記行動を分割することで生成される、
    　請求項１に記載の部分行動区間推定モデル構築装置。
  4. 　前記遷移確率学習部は、前記第１教師ありデータにノイズを付加してオーバーサンプリングすることで生成したデータの各々に前記第１教師ありデータの教師情報を付加することで水増しをする、
    　請求項１～請求項３の何れか１項に記載の部分行動区間推定モデル構築装置。
  5. 　前記ノイズはランダムノイズである、
    　請求項４に記載の部分行動区間推定モデル構築装置。
  6. 　前記ノイズは、前記動作のサンプルの散らばりが大きいほど大きくばらつくノイズである、
    　請求項４に記載の部分行動区間推定モデル構築装置。
  7. 　コンピュータが、
    　各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む隠れセミマルコフモデルであって、複数の第２隠れマルコフモデルの各々が複数の前記動作を組み合わせて定まる行動の部分である部分行動を状態とする隠れセミマルコフモデルにおいて、前記複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習し、
    　学習した前記観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、前記第１隠れマルコフモデルの前記動作の遷移確率を前記第２教師ありデータを使用した教師あり学習で学習し、
    　学習した前記観測確率及び前記遷移確率を使用して前記部分行動の区間を推定するモデルである前記隠れセミマルコフモデルを構築する、
    　部分行動区間推定モデル構築方法。
  8. 　前記部分行動は、各々が等しい長さの時間を含むように前記行動を分割することで生成される、
    　請求項７に記載の部分行動区間推定モデル構築方法。
  9. 　前記部分行動は、各々が等しい数の動作を含むように前記行動を分割することで生成される、
    　請求項７に記載の部分行動区間推定モデル構築方法。
  10. 　前記第１教師ありデータにノイズを付加してオーバーサンプリングすることで生成したデータの各々に前記第１教師ありデータの教師情報を付加することで水増しをする、
    　請求項７～請求項９の何れか１項に記載の部分行動区間推定モデル構築方法。
  11. 　前記ノイズはランダムノイズである、
    　請求項１０に記載の部分行動区間推定モデル構築方法。
  12. 　前記ノイズは、前記動作のサンプルの散らばりが大きいほど大きくばらつくノイズである、
    　請求項１０に記載の部分行動区間推定モデル構築方法。
  13. 　各々が人の動作の種類を状態とする複数の第１隠れマルコフモデルを含む第２隠れマルコフモデルを複数含む隠れセミマルコフモデルであって、複数の第２隠れマルコフモデルの各々が複数の前記動作を組み合わせて定まる行動の部分である部分行動を状態とする隠れセミマルコフモデルにおいて、前記複数の第１隠れマルコフモデルの前記動作の種類ごとの観測確率を教師なし学習で学習し、
    　学習した前記観測確率を固定し、入力された第１教師ありデータを水増しすることで第２教師ありデータとし、前記第１隠れマルコフモデルの前記動作の遷移確率を前記第２教師ありデータを使用した教師あり学習で学習し、
    　学習した前記観測確率及び前記遷移確率を使用して前記部分行動の区間を推定するモデルである前記隠れセミマルコフモデルを構築する、
    　処理をコンピュータに実行させる部分行動区間推定モデル構築プログラム。
  14. 　前記部分行動は、各々が等しい長さの時間を含むように前記行動を分割することで生成される、
    　請求項１３に記載の部分行動区間推定モデル構築プログラム。
  15. 　前記部分行動は、各々が等しい数の動作を含むように前記行動を分割することで生成される、
    　請求項１３に記載の部分行動区間推定モデル構築プログラム。
  16. 　前記第１教師ありデータにノイズを付加してオーバーサンプリングすることで生成したデータの各々に前記第１教師ありデータの教師情報を付加することで水増しをする、
    　請求項１３～請求項１５の何れか１項に記載の部分行動区間推定モデル構築プログラム。
  17. 　前記ノイズはランダムノイズである、
    　請求項１６に記載の部分行動区間推定モデル構築プログラム。
  18. 　前記ノイズは、前記動作のサンプルの散らばりが大きいほど大きくばらつくノイズである、
    　請求項１６に記載の部分行動区間推定モデル構築プログラム。
PCT/JP2021/002815 2021-01-27 2021-01-27 部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム WO2022162780A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/JP2021/002815 WO2022162780A1 (ja) 2021-01-27 2021-01-27 部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム
JP2022577872A JPWO2022162780A1 (ja) 2021-01-27 2021-01-27
EP21922804.6A EP4258183A4 (en) 2021-01-27 2021-01-27 PARTIAL ACTION INTERVAL ESTIMATION MODEL CONSTRUCTION DEVICE, PART ACTION INTERVAL ESTIMATION MODEL CONSTRUCTION METHOD, AND PART ACTION INTERVAL ESTIMATION MODEL CONSTRUCTION PROGRAM
US18/341,548 US20230343080A1 (en) 2021-01-27 2023-06-26 Partial action segment estimation model building device, method, and non-transitory recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/002815 WO2022162780A1 (ja) 2021-01-27 2021-01-27 部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/341,548 Continuation US20230343080A1 (en) 2021-01-27 2023-06-26 Partial action segment estimation model building device, method, and non-transitory recording medium

Publications (1)

Publication Number Publication Date
WO2022162780A1 true WO2022162780A1 (ja) 2022-08-04

Family

ID=82653205

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/002815 WO2022162780A1 (ja) 2021-01-27 2021-01-27 部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム

Country Status (4)

Country Link
US (1) US20230343080A1 (ja)
EP (1) EP4258183A4 (ja)
JP (1) JPWO2022162780A1 (ja)
WO (1) WO2022162780A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020050111A1 (ja) * 2018-09-03 2020-03-12 国立大学法人東京大学 動作認識方法及び装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020050111A1 (ja) * 2018-09-03 2020-03-12 国立大学法人東京大学 動作認識方法及び装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"Fujitsu Develops New ''Actlyzer'' AI Technology for Video-Based Behavioral Analysis", FUJITSU LIMITED, 25 November 2019 (2019-11-25), Retrieved from the Internet <URL:https://pr.fujitsu.com/jp/news/2019/l1/25.html>
KEI WAKABAYASHITAKAO MIURA: "Efficient Parameter Estimation for Hierarchical Hidden Markov Models", TRANSACTIONS OF INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS, 2011
RYUICHI YAMAMOTOSHINJI SAKOTADASHI KITAMURA: "Real-time Music Audio Signal to Score Alignment Using a Hybrid Hidden Semi-Markov Model and Linear Dynamical System", PROCEEDINGS OF THE INTERNATIONAL SOCIETY FOR MUSIC INFORMATION RETRIEVAL (MUS, 2012
See also references of EP4258183A4
SHUN-ZHENG YU: "Hidden Semi-Markov Models", ARTIFICIAL INTELLIGENCE, vol. 174, no. 2, February 2010 (2010-02-01), pages 215 - 243
SUGINOHARA KAZUYA, MOROOKA KEN'ICHI , TSUJI TOKUO , KURAZUME RYO: "Indoor Human Behavior Estimation by combining Hierarchical Hidden Markov Model and Laser Sensing System", PROCEEDINGS OF THE 2015 JSME CONFERENCE ON ROBOTICS AND MECHATRONICS., 1 January 2015 (2015-01-01), pages 1 - 4, XP055960534, [retrieved on 20220913] *

Also Published As

Publication number Publication date
EP4258183A4 (en) 2024-01-24
EP4258183A1 (en) 2023-10-11
JPWO2022162780A1 (ja) 2022-08-04
US20230343080A1 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
Ahuja et al. Language2pose: Natural language grounded pose forecasting
JP7472658B2 (ja) 行動区間推定モデル構築装置、行動区間推定モデル構築方法及び行動区間推定モデル構築プログラム
Wang et al. Gaussian process dynamical models
KR102239714B1 (ko) 신경망 학습 방법 및 장치, 데이터 처리 장치
KR101967415B1 (ko) 글로벌 모델로부터의 로컬화된 학습
Lane et al. Can deep learning revolutionize mobile sensing?
US20160275341A1 (en) Facial Expression Capture for Character Animation
CN111766948A (zh) 利用递归神经网络的姿态预测
JP2007280053A (ja) データ処理装置、データ処理方法、およびプログラム
JP5520886B2 (ja) 行動モデル学習装置、方法、及びプログラム
JP6248593B2 (ja) 姿勢検出装置、姿勢検出方法および姿勢検出プログラム
Mousas et al. Real-time performance-driven finger motion synthesis
JP6950504B2 (ja) 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置
KR20220113242A (ko) 온-디바이스 활동 인식
JP6645441B2 (ja) 情報処理システム、情報処理方法、及び、プログラム
Rosa-Pujazón et al. Fast-gesture recognition and classification using Kinect: an application for a virtual reality drumkit
US11468270B2 (en) Electronic device and feedback information acquisition method therefor
WO2022162780A1 (ja) 部分行動区間推定モデル構築装置、部分行動区間推定モデル構築方法及び部分行動区間推定モデル構築プログラム
CN108292437B (zh) 图像处理装置和方法
WO2022162781A1 (ja) 行動系列判定装置、行動系列判定方法、及び行動系列判定プログラム
WO2022162782A1 (ja) 行動区間推定モデル構築装置、行動区間推定モデル構築方法及び行動区間推定モデル構築プログラム
JP7428233B2 (ja) クラスタリング装置、クラスタリング方法、および、クラスタリングプログラム
JP7211430B2 (ja) 機械学習装置、機械学習方法、及びプログラム
JP2007280057A (ja) データ処理装置、データ処理方法、およびプログラム
US20190236410A1 (en) Bootstrapping recommendation systems from passive data

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: 21922804

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022577872

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2021922804

Country of ref document: EP

Effective date: 20230704

NENP Non-entry into the national phase

Ref country code: DE