特許ウォッチ

公開番号2024134111
公報種別公開特許公報(A)
公開日2024-10-03
出願番号2023044225
出願日2023-03-20
発明の名称学習装置、学習方法、およびプログラム
出願人パナソニックIPマネジメント株式会社
代理人個人,個人,個人
主分類G06T 7/00 20170101AFI20240926BHJP(計算;計数)
要約【課題】簡単に安定的な学習モデルを生成することができる学習装置を提供する。
【解決手段】学習装置100は、初期学習用画像グループ182から複数種の学習用画像グループ183を、所定のアルゴリズムに基づいて作成する入力データ作成部101と、複数種の学習用画像グループ183のそれぞれについて、その学習用画像グループ183を用いた機械学習を行うことによって、画像の入力に対して、その画像に映し出されている対象物の異常度を出力する学習モデル186を生成する学習部102と、生成された複数の学習モデル186のそれぞれの性能を評価するモデル性能評価部103と、性能の評価結果に応じて、複数の学習モデル186から1つの学習モデル186を選択するモデル選択部104とを備える。
【選択図】図3
特許請求の範囲【請求項１】
それぞれ対象物が映し出されている複数の画像を含む初期学習用画像グループから、互いに異なる複数種の学習用画像グループを、所定のアルゴリズムに基づいて作成するデータ作成処理を実行するデータ作成部と、
複数種の学習用画像グループのそれぞれについて、当該学習用画像グループを用いた機械学習を行うことによって、画像の入力に対して、前記画像に映し出されている対象物の異常度を出力する学習モデルを生成するモデル生成処理を実行する学習部と、
生成された複数の前記学習モデルのそれぞれの性能を評価する評価処理を実行するモデル性能評価部と、
前記性能の評価結果に応じて、複数の前記学習モデルから１つの学習モデルを選択する選択処理を実行するモデル選択部と、
を備える学習装置。
続きを表示（約 2,100 文字）【請求項２】
前記データ作成部は、
前記初期学習用画像グループに含まれる画像に対して所定の画像処理を行うことによって、前記初期学習用画像グループに含まれる画像の数を増加させ、前記初期学習用画像グループに含まれる増加された複数の画像を用いて、前記複数種の学習用画像グループを作成する、
請求項１に記載の学習装置。
【請求項３】
前記データ作成部は、
前記複数種の学習用画像グループのそれぞれを作成するときには、前記初期学習用画像グループから１以上の画像をランダムに取り除くことによって、当該学習用画像グループを作成する、
請求項２に記載の学習装置。
【請求項４】
前記学習装置は、さらに、
前記データ作成部によって前記学習用画像グループが作成されるごとに、当該学習用画像グループの作成のために取り除かれた１以上の画像を、前記初期学習用画像グループに戻すリセット処理をデータ作成部に実行させるリセット部を備え、
前記データ作成部は、
前記リセット処理を行った後、前記リセット処理済みの前記初期学習用画像グループから、前記学習用画像グループを作成する、
請求項３に記載の学習装置。
【請求項５】
前記学習装置は、さらに、
前記モデル選択部によって選択された学習モデルの前記評価結果が、予め定められた基準を満たしているか否かを判定する判定部と、
前記基準を満たしていると判定された前記評価結果、前記評価結果に対応する前記学習モデル、前記学習モデルの生成に用いられた前記学習用画像グループのうち、少なくとも１つを出力する出力部とを備える、
請求項１に記載の学習装置。
【請求項６】
前記評価結果が前記基準を満たしていないと前記判定部によって判定されたときには、
前記データ作成部、前記学習部、前記モデル性能評価部、および前記モデル選択部は、
前記データ作成処理、前記モデル生成処理、前記評価処理、および前記選択処理を繰り返し実行し、
前記データ作成部は、
前記データ作成処理を繰り返し実行するときには、過去に作成された複数種の学習用画像グループとは異なる複数種の学習用画像グループを作成する、
請求項５に記載の学習装置。
【請求項７】
前記データ作成部は、
前記データ作成処理を繰り返し実行するときには、前記モデル選択部によって直前に選択された前記学習モデルの生成に用いられた前記学習用画像グループに、前記初期学習用画像グループを更新し、更新後の前記初期学習用画像グループから、前記複数種の学習用画像グループを作成する、
請求項６に記載の学習装置。
【請求項８】
前記学習部は、前記学習モデルを生成するときには、
（ａ）画像の入力に対して、前記画像の特徴量を出力する特徴量抽出モデルを生成し、
（ｂ）前記特徴量抽出モデルから出力される特徴量の入力に対して、前記画像に映し出されている対象物の異常度を出力する異常度算出モデルを生成することによって、
前記特徴量抽出モデルおよび前記異常度算出モデルを含む前記学習モデルを生成する、
請求項１に記載の学習装置。
【請求項９】
前記モデル性能評価部は、
複数の前記学習モデルのそれぞれについて、
（ａ）第１評価用画像グループに含まれる複数の第１評価用画像を当該学習モデルに入力することによって、当該学習モデルから出力される、前記複数の第１評価用画像のそれぞれに映し出されている対象物の第１異常度と、
（ｂ）第２評価用画像グループに含まれる複数の第２評価用画像を当該学習モデルに入力することによって、当該学習モデルから出力される、前記複数の第２評価用画像のそれぞれに映し出されている対象物の第２異常度と、
のうちの少なくとも一方に基づいて、当該学習モデルの性能を評価し、
前記複数の第１評価用画像のそれぞれには不良品に分類される対象物が映し出され、
前記複数の第２評価用画像のそれぞれには良品に分類される対象物が映し出されている、
請求項１に記載の学習装置。
【請求項１０】
コンピュータが実行する学習方法であって、
それぞれ対象物が映し出されている複数の画像を含む初期学習用画像グループから、互いに異なる複数種の学習用画像グループを、所定のアルゴリズムに基づいて作成するデータ作成処理を実行し、
複数種の学習用画像グループのそれぞれについて、当該学習用画像グループを用いた機械学習を行うことによって、画像の入力に対して、前記画像に映し出されている対象物の異常度を出力する学習モデルを生成するモデル生成処理を実行し、
生成された複数の前記学習モデルのそれぞれの性能を評価する評価処理を実行し、
前記性能の評価結果に応じて、複数の前記学習モデルから１つの学習モデルを選択する選択処理を実行する、
学習方法。
（【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、撮像によって得られた画像に対する機械学習の技術に関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
従来、機械学習に関する技術が開示されている（例えば非特許文献１および２参照）。また、機械学習の手間を削減することができる学習装置などが提案されている（例えば、特許文献１参照）。具体的には、特許文献１の学習方法では、畳み込みニューラルネットワーク（以下、CNN(Convolutional Neural Network)とも呼ばれる)を用いて、画像に含まれる被写体を認識する学習モデルを生成する。ここで、その学習モデルの生成では、モデル生成パラメータの更新が行われる。このような更新によって、モデル生成パラメータの最適化が行われ、学習モデルの調整の手間を削減することができる。
【先行技術文献】
【特許文献】
【０００３】
特開２０２１－８６３８１号公報
【非特許文献】
【０００４】
Kaiming He、他４名、“Deep Residual Learning for Image Recognition”、arXiv:1512.03385v1、2015年12 月10日
Xiao Zhang、他５名、“AdaCos: Adaptively Scaling Cosine Logits for Effectively Learning Deep Face Representations”、arXiv:1905.00292v2、2019年5 月7日
【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、上記各文献に記載の技術を用いた学習装置であっても、簡単に安定した学習モデルを生成することが困難であるという課題がある。
【０００６】
そこで、本開示は、簡単に安定的な学習モデルを生成することができる学習装置を提供する。
【課題を解決するための手段】
【０００７】
本開示の第１態様に係る学習装置は、それぞれ対象物が映し出されている複数の画像を含む初期学習用画像グループから、互いに異なる複数種の学習用画像グループを、所定のアルゴリズムに基づいて作成するデータ作成処理を実行するデータ作成部と、複数種の学習用画像グループのそれぞれについて、当該学習用画像グループを用いた機械学習を行うことによって、画像の入力に対して、前記画像に映し出されている対象物の異常度を出力する学習モデルを生成するモデル生成処理を実行する学習部と、生成された複数の前記学習モデルのそれぞれの性能を評価する評価処理を実行するモデル性能評価部と、前記性能の評価結果に応じて、複数の前記学習モデルから１つの学習モデルを選択する選択処理を実行するモデル選択部と、を備える。
【０００８】
なお、これらの包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。また、記録媒体は、非一時的な記録媒体であってもよい。
【発明の効果】
【０００９】
本開示の学習装置は、簡単に安定的な学習モデルを生成することができる。
【００１０】
なお、本開示の一態様における更なる利点および効果は、明細書および図面から明らかにされる。かかる利点および／または効果は、いくつかの実施の形態並びに明細書および図面に記載された構成によって提供されるが、必ずしも全ての構成が必要とはされない。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許