特許ウォッチ

公開番号2023122206
公報種別公開特許公報(A)
公開日2023-09-01
出願番号2022025775
出願日2022-02-22
発明の名称学習装置および推論装置
出願人キヤノン株式会社
代理人個人
主分類G06N 20/00 20190101AFI20230825BHJP(計算;計数)
要約【課題】属性によるメインタスクの精度差を改善できるようにする。
【解決手段】学習装置は、データを基に第一特徴量を取得する取得手段と、前記第一特徴量に基づいて、前記データに含まれる物体の属性を推定する推定処理を実行する推定手段と、前記推定処理に対する前記第一特徴量の寄与度を決定する決定手段と、前記決定された寄与度に応じて、前記第一特徴量を調整する調整手段と、前記データと前記調整された第一特徴量とに基づいて、メインタスクを学習する学習手段とを有する。
【選択図】図1
特許請求の範囲【請求項１】
データを基に第一特徴量を取得する取得手段と、
前記第一特徴量に基づいて、前記データに含まれる物体の属性を推定する推定処理を実行する推定手段と、
前記推定処理に対する前記第一特徴量の寄与度を決定する決定手段と、
前記決定された寄与度に応じて、前記第一特徴量を調整する調整手段と、
前記データと前記調整された第一特徴量とに基づいて、メインタスクを学習する学習手段と、
を有することを特徴とする学習装置。
続きを表示（約 1,300 文字）【請求項２】
前記調整手段は、前記推定処理に対する前記第一特徴量の寄与度が第一閾値より大きい場合に、前記第一特徴量を構成する要素値を調整することを特徴とする請求項１に記載の学習装置。
【請求項３】
前記決定手段は、前記第一特徴量に基づいて、第二特徴量を更に取得し、
前記推定手段は、前記第二特徴量に基づいて、前記データに含まれる物体の属性を推定し、
前記学習手段は、前記調整された第一特徴量に基づいて取得された第二特徴量に基づいて、前記メインタスクを学習することを特徴とする請求項１または２に記載の学習装置。
【請求項４】
前記決定手段は、更に前記メインタスクに対する前記第一特徴量の寄与度を決定し、
前記調整手段は、前記推定処理に対する前記第一特徴量の寄与度と、前記メインタスクに対する前記第一特徴量の寄与度とに応じて、前記第一特徴量を調整することを特徴とする請求項１～３のいずれか１項に記載の学習装置。
【請求項５】
前記調整手段は、前記推定処理に対する前記第一特徴量の寄与度が第一閾値より大きく、かつ、前記メインタスクに対する前記第一特徴量の寄与度が第二閾値より大きい場合に、前記第一特徴量を調整することを特徴とする請求項４に記載の学習装置。
【請求項６】
前記学習手段は、更に前記推定処理を学習することを特徴とする請求項１～５のいずれか１項に記載の学習装置。
【請求項７】
前記推定処理の精度を特定する特定手段を更に有し、
前記調整手段は、前記推定処理の精度が第三閾値より低い場合には、前記第一特徴量の調整を抑制することを特徴とする請求項６に記載の学習装置。
【請求項８】
前記特定手段は、更に属性ごとのメインタスクの精度を特定し、
前記調整手段は、前記属性ごとのメインタスクの精度のうちの前記推定処理により推定された属性に対応するメインタスクの精度が第四閾値より高い場合には、前記属性ごとのメインタスクの精度のうちの前記推定処理により推定された属性に対応するメインタスクの精度が第四閾値より低い場合より、前記第一特徴量の調整を抑制することを特徴とする請求項７に記載の学習装置。
【請求項９】
前記調整手段は、前記属性ごとのメインタスクの精度のうちの前記推定処理により推定された属性に対応するメインタスクの精度が前記第四閾値より低い場合には、前記属性ごとのメインタスクの精度のうちの前記推定処理により推定された属性に対応するメインタスクの精度が前記第四閾値より高い場合より、前記第一特徴量の調整の頻度または調整量を増やすことを特徴とする請求項８に記載の学習装置。
【請求項１０】
前記調整手段は、前記推定処理の精度が前記第三閾値より高い場合には、前記第一特徴量を調整し、前記推定処理の精度が前記第三閾値より低い場合には、前記第一特徴量を調整しないことを特徴とする請求項７～９のいずれか１項に記載の学習装置。
（【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、学習装置、推論装置、学習装置の処理方法、推論装置の処理方法およびプログラムに関する。
続きを表示（約 1,600 文字）【背景技術】
【０００２】
性別等の属性により機械学習モデルの精度が異なる課題に対して、属性別にモデル（男性モデルおよび女性モデル等）を用意しておき、属性推定結果に応じて属性別モデルの推定結果を統合する方法が知られている（例えば、特許文献１参照）。また、顔画像から顔特徴量を求め、２つの顔画像から得た顔特徴量の類似度を計測することで、本人か否かを判定する顔認証の分野がある。顔認証の分野では、顔特徴量から性別等の属性推定を行えないように学習をすることで、属性による認証精度の差を減らす方法が知られている（例えば、非特許文献１参照）。
【先行技術文献】
【特許文献】
【０００３】
国際公開第２０１８／１７３１９４号
【非特許文献】
【０００４】
ＪｏｓｅｐｈＰＲｏｂｉｎｓｏｎ，ＣａｎＱｉｎ，ＹａｎｎＨｅｎｏｎ，ＳａｍｓｏｎＴｉｍｏｎｅｒａｎｄＹｕｎＦｕ．ＢａｌａｎｃｉｎｇＢｉａｓｅｓａｎｄＰｒｅｓｅｒｖｉｎｇＰｒｉｖａｃｙｏｎＢａｌａｎｃｅｄＦａｃｅｉｎｔｈｅＷｉｌｄ．ａｒｘｉｖ，２０２１
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１の方法では、推論時に属性を推定する必要があり、また複数のモデルを動作させる必要があるため、メモリ使用量が増加し、処理速度が低下するという課題がある。非特許文献１の方法では、顔特徴量から性別などの人物を見分けるうえで重要な属性情報が削除されてしまうため、認証精度を上げにくいという課題がある。
【０００６】
本開示の目的は、属性によるメインタスクの精度差を改善できるようにすることである。
【課題を解決するための手段】
【０００７】
学習装置は、データを基に第一特徴量を取得する取得手段と、前記第一特徴量に基づいて、前記データに含まれる物体の属性を推定する推定処理を実行する推定手段と、前記推定処理に対する前記第一特徴量の寄与度を決定する決定手段と、前記決定された寄与度に応じて、前記第一特徴量を調整する調整手段と、前記データと前記調整された第一特徴量とに基づいて、メインタスクを学習する学習手段とを有する。
【発明の効果】
【０００８】
本開示によれば、属性によるメインタスクの精度差を改善することができる。
【図面の簡単な説明】
【０００９】
コンピュータ装置と学習装置と推論装置の構成例を示す図である。
ニューラルネットワークの構成例を示す図である。
学習装置と推論装置の処理の流れを示すフローチャートである。
学習装置の他の例を示す図である。
学習装置の他の例を示す図である。
学習装置の他の例を示す図である。
ニューラルネットワークの他の構成例を示す図である。
推論装置の他の例を示す図である。
メインタスクの例を示す図である。
【発明を実施するための形態】
【００１０】
（実施形態１）
図１（ａ）は、実施形態１によるコンピュータ装置１００ａのハードウェア構成例を示すブロック図である。コンピュータ装置１００ａは、ＣＰＵ１０１ａと、ＲＯＭ１０２ａと、ＲＡＭ１０３ａと、外部記憶装置１０４ａを有する。さらに、コンピュータ装置１００ａは、入力デバイスインターフェイス１０５ａと、出力デバイスインターフェイス１０６ａと、通信インターフェイス１０７ａと、システムバス１０８ａを有する。
（【００１１】以降は省略されています）

関連特許