特許ウォッチ

公開番号2024071824
公報種別公開特許公報(A)
公開日2024-05-27
出願番号2022182261
出願日2022-11-15
発明の名称学習装置、情報処理装置、学習方法、及びプログラム
出願人KDDI株式会社
代理人弁理士法人創光国際特許事務所,個人,個人,個人
主分類G06N 3/08 20230101AFI20240520BHJP(計算;計数)
要約【課題】感情の認識モデルの認識性能を向上させる。
【解決手段】情報処理システムの学習装置1は、所定のラベルが対応付けられている第1ベクトルデータを複数の層から構成される第1ニューラルネットワークに入力したときに、当該第1ベクトルデータに対応付けられているラベルを出力するように第1ニューラルネットワークの各層のパラメータを学習する第1学習部122と、第1学習部122が学習した第1ニューラルネットワークを構成する各層のパラメータを、複数の層から構成される第2ニューラルネットワークの各層に設定する設定部124と、第1ベクトルデータに対応付けられているラベルと同じラベルが対応付けられている第2ベクトルデータを第2ニューラルネットワークに入力したときに、当該第2ベクトルデータに対応付けられているラベルを出力するように第2ニューラルネットワークの各層のパラメータを学習する第2学習部123と、を有する。
【選択図】図2
特許請求の範囲【請求項１】
所定のラベルが対応付けられている第１ベクトルデータを複数の層から構成される第１ニューラルネットワークに入力したときに、当該第１ベクトルデータに対応付けられている前記ラベルを出力するように前記第１ニューラルネットワークを構成する各層のパラメータを学習する第１学習部と、
前記第１学習部が学習した前記第１ニューラルネットワークを構成する各層のパラメータを、複数の層から構成される第２ニューラルネットワークを構成する各層に設定する設定部と、
前記第１ベクトルデータに対応付けられている前記ラベルと同じ前記ラベルが対応付けられている第２ベクトルデータを前記第２ニューラルネットワークに入力したときに、当該第２ベクトルデータに対応付けられている前記ラベルを出力するように前記第２ニューラルネットワークを構成する各層のパラメータを学習する第２学習部と、
を有する学習装置。
続きを表示（約 1,700 文字）【請求項２】
前記ラベルが対応付けられているモーダルデータを取得するモーダルデータ取得部と、
前記モーダルデータを当該モーダルデータに対応するモーダルの種類とは異なる他の種類のモーダルの特徴が表現された前記第１ベクトルデータに変換する第１変換部と、
前記モーダルデータを当該モーダルデータに対応するモーダルの特徴が表現された前記第２ベクトルデータに変換する第２変換部と、
をさらに有する、
請求項１に記載の学習装置。
【請求項３】
前記第１変換部は、前記モーダルデータを、それぞれモーダルの種類が異なる複数の前記第１ベクトルデータに変換し、
前記第１変換部が変換した前記第１ベクトルデータごとに、前記第１学習部が実行する処理と、前記設定部が実行する処理と、前記第２学習部が実行する処理とを順番に実行させる学習制御部をさらに有し、
前記学習制御部は、前記第２学習部が実行する処理を実行させた後において、前記第１学習部が実行する処理を実行させる前に、前記設定部に対して、前記第２学習部が学習した前記第２ニューラルネットワークを構成する各層のパラメータを、前記第１ニューラルネットワークを構成する各層に設定する処理を実行させる、
請求項２に記載の学習装置。
【請求項４】
前記学習制御部は、前記第１変換部が変換した前記第１ベクトルデータごとに各処理を順番に実行させた後に、再度、前記第１変換部が変換した前記第１ベクトルデータごとに各処理を順番に実行させる、
請求項３に記載の学習装置。
【請求項５】
請求項２から４のいずれか一項に記載の学習装置が生成した前記第２ニューラルネットワークを構成する各層のパラメータを学習モデルとして記憶する記憶部と、
前記モーダルデータとモーダルが同じ種類の同種データを取得する同種データ取得部と、
前記記憶部が記憶する学習モデルを前記同種データ取得部が取得した前記同種データに適用することにより、前記同種データに対応するラベルを出力するモデル適用部と、
を有する情報処理装置。
【請求項６】
コンピュータが実行する、
所定のラベルが対応付けられている第１ベクトルデータを複数の層から構成される第１ニューラルネットワークに入力したときに、当該第１ベクトルデータに対応付けられている前記ラベルを出力するように前記第１ニューラルネットワークを構成する各層のパラメータを学習するステップと、
学習した前記第１ニューラルネットワークを構成する各層のパラメータを、複数の層から構成される第２ニューラルネットワークを構成する各層に設定するステップと、
前記第１ベクトルデータに対応付けられている前記ラベルと同じ前記ラベルが対応付けられている第２ベクトルデータを前記第２ニューラルネットワークに入力したときに、当該第２ベクトルデータに対応付けられている前記ラベルを出力するように前記第２ニューラルネットワークを構成する各層のパラメータを学習するステップと、
を有する学習方法。
【請求項７】
コンピュータを、
所定のラベルが対応付けられている第１ベクトルデータを複数の層から構成される第１ニューラルネットワークに入力したときに、当該第１ベクトルデータに対応付けられている前記ラベルを出力するように前記第１ニューラルネットワークを構成する各層のパラメータを学習する第１学習部、
前記第１学習部が学習した前記第１ニューラルネットワークを構成する各層のパラメータを、複数の層から構成される第２ニューラルネットワークを構成する各層に設定する設定部、及び
前記第１ベクトルデータに対応付けられている前記ラベルと同じ前記ラベルが対応付けられている第２ベクトルデータを前記第２ニューラルネットワークに入力したときに、当該第２ベクトルデータに対応付けられている前記ラベルを出力するように前記第２ニューラルネットワークを構成する各層のパラメータを学習する第２学習部、
として機能させるためのプログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、学習装置、情報処理装置、学習方法、及びプログラムに関する。
続きを表示（約 2,000 文字）【背景技術】
【０００２】
従来、コミュニケーションシーンに参加している人間同士の雰囲気を認識する技術が提案されている。例えば、非特許文献１には、画像から顔、ポーズ、ジェスチャ、視線などの特徴量を抽出して、既知の深層学習手法を利用してグループレベルでの感情の認識モデルを実現するための技術が開示されている。
【先行技術文献】
【非特許文献】
【０００３】
Xin Guo, Bin Zhu, Luisa F. Polania, Charles Boncelet, and Kenneth E. Barner. 2018. Group-Level Emotion Recognition using Hybrid Deep Models based on Faces, Scenes, Skeletons and Visual Attentions. ACM International Conference on Multimodal Interaction 2018.
【発明の概要】
【発明が解決しようとする課題】
【０００４】
上記の技術は、画像に含まれる視覚特徴を抽出して複数のモデルを構築し、それらのモデルで認識した結果を融合することで雰囲気認識の実現を試みる技術である。しかしながら、画像のような１つのモーダルの種類のデータから抽出された特徴（例えば、顔特徴や表情特徴等）だけでは、実用的な認識性能を担保することが難しい場合がある。
【０００５】
そこで、本発明はこれらの点に鑑みてなされたものであり、モデルの認識性能を向上させることを目的とする。
【課題を解決するための手段】
【０００６】
本発明の第１の態様にかかる学習装置は、所定のラベルが対応付けられている第１ベクトルデータを複数の層から構成される第１ニューラルネットワークに入力したときに、当該第１ベクトルデータに対応付けられている前記ラベルを出力するように前記第１ニューラルネットワークを構成する各層のパラメータを学習する第１学習部と、前記第１学習部が学習した前記第１ニューラルネットワークを構成する各層のパラメータを、複数の層から構成される第２ニューラルネットワークを構成する各層に設定する設定部と、前記第１ベクトルデータに対応付けられている前記ラベルと同じ前記ラベルが対応付けられている第２ベクトルデータを前記第２ニューラルネットワークに入力したときに、当該第２ベクトルデータに対応付けられている前記ラベルを出力するように前記第２ニューラルネットワークを構成する各層のパラメータを学習する第２学習部と、を有する。
【０００７】
前記学習装置は、前記ラベルが対応付けられているモーダルデータを取得するモーダルデータ取得部と、前記モーダルデータを当該モーダルデータに対応するモーダルの種類とは異なる他の種類のモーダルの特徴が表現された前記第１ベクトルデータに変換する第１変換部と、前記モーダルデータを当該モーダルデータに対応するモーダルの特徴が表現された前記第２ベクトルデータに変換する第２変換部と、をさらに有してもよい。
【０００８】
前記第１変換部は、前記モーダルデータを、それぞれモーダルの種類が異なる複数の前記第１ベクトルデータに変換してもよいし、前記学習装置は、前記第１変換部が変換した前記第１ベクトルデータごとに、前記第１学習部が実行する処理と、前記設定部が実行する処理と、前記第２学習部が実行する処理とを順番に実行させる学習制御部をさらに有してもよいし、前記学習制御部は、前記第２学習部が実行する処理を実行させた後において、前記第１学習部が実行する処理を実行させる前に、前記設定部に対して、前記第２学習部が学習した前記第２ニューラルネットワークを構成する各層のパラメータを、前記第１ニューラルネットワークを構成する各層に設定する処理を実行させてもよい。
【０００９】
前記学習制御部は、前記第１変換部が変換した前記第１ベクトルデータごとに各処理を順番に実行させた後に、再度、前記第１変換部が変換した前記第１ベクトルデータごとに各処理を順番に実行させてもよい。
【００１０】
本発明の第２の態様にかかる情報処理装置は、前記学習装置が生成した前記第２ニューラルネットワークを構成する各層のパラメータを学習モデルとして記憶する記憶部と、前記モーダルデータとモーダルが同じ種類の同種データを取得する同種データ取得部と、前記記憶部が記憶する学習モデルを前記同種データ取得部が取得した前記同種データに適用することにより、前記同種データに対応するラベルを出力するモデル適用部と、を有する。
（【００１１】以降は省略されています）

関連特許