特許ウォッチ

公開番号2023078763
公報種別公開特許公報(A)
公開日2023-06-07
出願番号2021192033
出願日2021-11-26
発明の名称機械学習モデルを用いてクラス分類処理を実行するクラス分類装置、方法、及び、コンピュータープログラム
出願人セイコーエプソン株式会社
代理人弁理士法人明成国際特許事務所
主分類G06N 3/08 20230101AFI20230531BHJP(計算;計数)
要約【課題】クラス分類処理の精度を高めることのできる技術を提供する。
【解決手段】機械学習モデルは、1個以上の既知クラスと、1個以上のダミークラスと、を有し、既知クラスのための第1教師データ群と、ダミークラスのための第2教師データ群とを用いて学習が実行されている。クラス分類処理部は、機械学習モデルを用いた被分類データのクラス分類結果がダミークラスである場合に、被分類データのクラスを未知と判定する。
【選択図】図3
特許請求の範囲【請求項１】
複数のベクトルニューロン層を有するベクトルニューラルネットワークを含む機械学習モデルを用いて被分類データのクラス分類処理を実行するクラス分類装置であって、
前記クラス分類処理を実行するクラス分類処理部を備え、
前記機械学習モデルは、１個以上の既知クラスと、１個以上のダミークラスと、を有し、
前記機械学習モデルは、前記既知クラスのための第１教師データ群と、前記ダミークラスのための第２教師データ群とを用いて学習が実行されており、
前記クラス分類処理部は、前記機械学習モデルを用いた前記被分類データのクラス分類結果が前記ダミークラスである場合に、前記被分類データのクラスを未知と判定する、
クラス分類装置。
続きを表示（約 2,400 文字）【請求項２】
請求項１に記載のクラス分類装置であって、
Ｎを２以上の整数とするとき、前記クラス分類装置は、Ｎ個の前記機械学習モデルを有し、
前記クラス分類処理部は、前記Ｎ個の前記機械学習モデルによる前記クラス分類結果がすべて前記ダミークラスである場合に、前記被分類データのクラスを未知と判定する、
クラス分類装置。
【請求項３】
請求項２に記載のクラス分類装置であって、
個々の前記機械学習モデルの前記ダミークラスのための前記第２教師データ群は、他のＮ－１個の前記機械学習モデルのためのＮ－１個の前記第１教師データ群の中から選択されたデータであり、前記Ｎ－１個の前記第１教師データ群のそれぞれの一部を含むように選択されている、クラス分類装置。
【請求項４】
請求項２に記載のクラス分類装置であって、
前記Ｎ個の前記機械学習モデルのそれぞれは、Ｎ－１個の前記ダミークラスを有し、
個々の前記機械学習モデルの前記Ｎ－１個の前記ダミークラスのためのＮ－１個の前記第２教師データ群は、他のＮ－１個の前記機械学習モデルのためのＮ－１個の前記第１教師データ群の中から選択されたデータであり、前記Ｎ－１個の前記第２教師データ群が前記Ｎ－１個の前記第１教師データ群に対応するように選択されている、クラス分類装置。
【請求項５】
請求項２に記載のクラス分類装置であって、
前記Ｎ個の前記機械学習モデルのそれぞれは、Ｎ－１個の前記ダミークラスを有し、
前記第１教師データ群に含まれる個々の第１教師データは、前記第１教師データよりもサイズの大きなサンプルデータから抽出されたデータであり、
個々の前記機械学習モデルの前記Ｎ－１個の前記ダミークラスのためのＮ－１個の前記第２教師データ群は、他のＮ－１個の前記機械学習モデルのためのＮ－１個の前記第１教師データ群を抽出するために使用されたＮ－１個のサンプルデータ群をそれぞれ平均化したＮ－１個の平均サンプルデータから抽出されたデータであり、前記Ｎ－１個の前記第２教師データ群が前記Ｎ－１個の前記平均サンプルデータに対応するように抽出されている、クラス分類装置。
【請求項６】
請求項２に記載のクラス分類装置であって、
前記Ｎ個の前記機械学習モデルの学習を実行する学習実行部を備え、
前記学習実行部は、前記Ｎ個の前記機械学習モデルの性能についてユーザーにより選択された性能プリファレンスを受け付け、前記性能プリファレンスに応じて、前記Ｎ個の前記機械学習モデルにおける前記ダミークラスの数と前記第２教師データ群の作成方法について複数の選択肢の中から１つ選択する、クラス分類装置。
【請求項７】
請求項１～６のいずれか一項に記載のクラス分類装置であって、
前記機械学習モデルに複数の教師データが入力されたときに前記機械学習モデルの特定層の出力から得られた既知特徴スペクトル群を記憶するメモリーを備え、
前記クラス分類処理部は、
（ａ）前記既知特徴スペクトル群を前記メモリーから読み出す処理と、
（ｂ）前記機械学習モデルに前記被分類データが入力されたときに前記特定層の出力から得られる特徴スペクトルと、前記既知特徴スペクトル群との類似度を演算する処理と、
（ｃ）前記類似度を用いて、前記被分類データのクラスを決定する処理と、
を実行するように構成されている、クラス分類装置。
【請求項８】
請求項７に記載のクラス分類装置であって、
前記クラス分類処理部は、前記機械学習モデルを用いた前記被分類データのクラス分類結果が前記ダミークラスである場合、又は、前記類似度が閾値未満の場合に、前記被分類データのクラスを未知と判定する、
クラス分類装置。
【請求項９】
請求項７又は８に記載のクラス分類装置であって、
前記特定層は、第１軸と第２軸の２つの軸で規定された平面に配置されたベクトルニューロンが、前記２つの軸とは異なる方向の第３軸に沿って複数のチャンネルとして配置されている構成を有し、
前記特徴スペクトルは、
（ｉ）前記特定層のうちの１つの平面位置におけるベクトルニューロンの出力ベクトルの複数の要素値を、前記第３軸に沿った前記複数のチャンネルにわたって配列した第１種の特徴スペクトルと、
（ｉｉ）前記第１種の特徴スペクトルの各要素値に、前記出力ベクトルのベクトル長に相当するアクティベーション値を乗じることによって得られる第２種の特徴スペクトルと、
（ｉｉｉ）前記特定層のうちの１つの平面位置における前記アクティベーション値を、前記第３軸に沿った前記複数のチャンネルにわたって配列した第３種の特徴スペクトルと、
のうちのいずれかである、クラス分類装置。
【請求項１０】
複数のベクトルニューロン層を有するベクトルニューラルネットワークを含む機械学習モデルを用いて被分類データのクラス分類処理を実行する方法であって、
（ａ）前記機械学習モデルに前記被分類データを入力してクラス分類結果を求める工程であって、前記機械学習モデルは、１個以上の既知クラスと、１個以上のダミークラスと、を有し、前記機械学習モデルは、前記既知クラスのための第１教師データ群と、前記ダミークラスのための第２教師データ群とを用いて学習が実行されている、工程と、
（ｂ）前記クラス分類結果が前記ダミークラスである場合に、前記被分類データのクラスを未知と判定する工程と、
を含む、方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、機械学習モデルを用いてクラス分類処理を実行するクラス分類装置、方法、及び、コンピュータープログラムに関する。
続きを表示（約 2,800 文字）【背景技術】
【０００２】
特許文献１，２には、ベクトルニューロンを用いるベクトルニューラルネットワーク型の機械学習モデルとして、カプセルネットワークと呼ばれるものが開示されている。ベクトルニューロンとは、入出力がベクトルであるニューロンを意味する。カプセルネットワークは、カプセルと呼ばれるベクトルニューロンをネットワークのノードとする機械学習モデルである。カプセルネットワークなどのベクトルニューラルネットワーク型の機械学習モデルは、入力データのクラス分類に利用することができる。
【先行技術文献】
【特許文献】
【０００３】
米国特許第５２１０７９８号公報
国際公開２０１９／０８３５５３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、従来技術では、未知と判別されるべき被分類データに関するクラス分類結果が既知クラスと誤判定される場合があるため、クラス分類処理の精度を高めたいという要望があった。
【課題を解決するための手段】
【０００５】
本開示の第１の形態によれば、複数のベクトルニューロン層を有するベクトルニューラルネットワークを含む機械学習モデルを用いて被分類データのクラス分類処理を実行するクラス分類装置が提供される。このクラス分類装置は、前記クラス分類処理を実行するクラス分類処理部を備える。前記機械学習モデルは、１個以上の既知クラスと、１個以上のダミークラスと、を有し、前記機械学習モデルは、前記既知クラスのための第１教師データ群と、前記ダミークラスのための第２教師データ群とを用いて学習が実行されている。前記クラス分類処理部は、前記機械学習モデルを用いた前記被分類データのクラス分類結果が前記ダミークラスである場合に、前記被分類データのクラスを未知と判定する。
【０００６】
本開示の第２の形態によれば、複数のベクトルニューロン層を有するベクトルニューラルネットワークを含む機械学習モデルを用いて被分類データのクラス分類処理を実行する方法が提供される。この方法は、（ａ）前記機械学習モデルに前記被分類データを入力してクラス分類結果を求める工程であって、前記機械学習モデルは、１個以上の既知クラスと、１個以上のダミークラスと、を有し、前記機械学習モデルは、前記既知クラスのための第１教師データ群と、前記ダミークラスのための第２教師データ群とを用いて学習が実行されている、工程と、（ｂ）前記クラス分類結果が前記ダミークラスである場合に、前記被分類データのクラスを未知と判定する工程と、を含む。
【０００７】
本開示の第３の形態によれば、複数のベクトルニューロン層を有するベクトルニューラルネットワークを含む機械学習モデルを用いて被分類データのクラス分類処理をプロセッサーに実行させるコンピュータープログラムが提供される。このコンピュータープログラムは、（ａ）前記機械学習モデルに前記被分類データを入力してクラス分類結果を求める処理であって、前記機械学習モデルは、１個以上の既知クラスと、１個以上のダミークラスと、を有し、前記機械学習モデルは、前記既知クラスのための第１教師データ群と、前記ダミークラスのための第２教師データ群とを用いて学習が実行されている、処理と、（ｂ）前記クラス分類結果が前記ダミークラスである場合に、前記被分類データのクラスを未知と判定する処理と、を前記プロセッサーに実行させる。
【図面の簡単な説明】
【０００８】
第１実施形態におけるクラス分類システムを示すブロック図。
機械学習モデルの構成例を示す説明図。
第１実施形態における機械学習モデルのクラス構成を示す説明図。
第１実施形態における準備工程の処理手順を示すフローチャート。
サンプル画像からパッチ画像を作成する様子を示す説明図。
特徴スペクトルを示す説明図。
既知特徴スペクトル群の構成を示す説明図。
第１実施形態におけるクラス分類工程の処理手順を示すフローチャート。
第２実施形態における機械学習モデルのクラス構成を示す説明図。
第２実施形態における準備工程の処理手順を示すフローチャート。
サンプル画像のクラスタリング処理を示す説明図。
グループ化されたサンプル画像を示す説明図。
サンプル画像から抽出されたパッチ画像で構成される教師データ群を示す説明図。
第２実施形態におけるダミークラス用教師データ群の作成方法を示す説明図。
第２実施形態におけるクラス分類工程の処理手順を示すフローチャート。
第３実施形態における機械学習モデルのクラス構成を示す説明図。
第３実施形態におけるダミークラス用教師データ群の作成方法を示す説明図。
第４実施形態におけるダミークラス用教師データ群の作成方法を示す説明図。
第５実施形態における準備工程の処理手順を示すフローチャート。
第５実施形態における性能プリファレンスの選択用画面を示す説明図。
クラス別類似度の第１の演算方法を示す説明図。
クラス別類似度の第２の演算方法を示す説明図。
クラス別類似度の第３の演算方法を示す説明図。
【発明を実施するための形態】
【０００９】
Ａ．第１実施形態：
図１は、第１実施形態におけるクラス分類システムを示すブロック図である。このクラス分類システムは、情報処理装置１００と、カメラ４００とを備える。カメラ４００は、分類対象品の画像を撮影するためのものである。カメラ４００としては、カラー画像を撮影するカメラを用いても良く、或いは、モノクロ画像や分光画像を撮影するカメラを用いても良い。本実施形態では、カメラ４００で撮影された画像を教師データや被分類データとして使用するが、画像以外のデータを教師データや被分類データとして使用してもよい。この場合には、カメラ４００の代わりに、データの種類に応じた被分類データ取得装置が使用される。
【００１０】
情報処理装置１００は、プロセッサー１１０と、メモリー１２０と、インターフェイス回路１３０と、インターフェイス回路１３０に接続された入力デバイス１４０及び表示デバイス１５０と、を有している。インターフェイス回路１３０には、カメラ４００も接続されている。限定されないが例えば、プロセッサー１１０は、以下で詳述される処理を実行する機能を有するだけでなく、表示デバイス１５０に、当該処理によって得られるデータ、および当該処理の過程で生成されるデータを表示する機能も有する。
（【００１１】以降は省略されています）

関連特許