特許ウォッチ

公開番号2024137297
公報種別公開特許公報(A)
公開日2024-10-07
出願番号2023048766
出願日2023-03-24
発明の名称情報処理装置、情報処理システム、情報処理方法、及びプログラム
出願人キヤノン株式会社
代理人個人
主分類G06N 20/00 20190101AFI20240927BHJP(計算;計数)
要約【課題】機械学習モデルの学習に必要なデータを記録可能なシステムを選択する。
【解決手段】複数のデータ記録システムを登録する登録手段と、モデルの学習を行うための条件を設定する設定手段と、前記設定された条件に基づいて、前記モデルの学習に必要なデータの属性である必要属性を特定する特定手段と、前記データ記録システムで記録可能なデータの属性と、前記必要属性とに基づいて、複数の前記データ記録システムの中から、対象とする前記データ記録システムを選択する選択手段と、を有する。
【選択図】図3
特許請求の範囲【請求項１】
複数のデータ記録システムを登録する登録手段と、
モデルの学習を行うための条件を設定する設定手段と、
前記設定された条件に基づいて、前記モデルの学習に必要なデータの属性である必要属性を特定する特定手段と、
前記データ記録システムで記録可能なデータの属性と、前記必要属性とに基づいて、複数の前記データ記録システムの中から、対象とする前記データ記録システムを選択する選択手段と、
を有する情報処理装置。
続きを表示（約 990 文字）【請求項２】
前記モデルの学習に用いられるデータ群を記憶する記憶手段と、
前記データ群を解析する解析手段と、
をさらに有し、
前記特定手段は、前記解析手段の解析結果と、前記設定された条件とに基づいて、前記必要属性を特定する請求項１に記載の情報処理装置。
【請求項３】
前記解析手段は、前記データ群の属性ごとのデータ数またはデータ割合を算出し、
前記特定手段は、属性ごとのデータ数またはデータ割合に基づいて、前記必要属性を特定する請求項２に記載の情報処理装置。
【請求項４】
前記設定手段は、各属性の重要度を設定し、
前記特定手段は、各属性の重要度に基づいて、前記必要属性を特定する請求項１に記載の情報処理装置。
【請求項５】
前記設定手段は、重視する属性の選択操作、又は各属性に対する重要度の入力操作に基づいて、各属性の重要度を設定する請求項４に記載の情報処理装置。
【請求項６】
前記設定手段は、前記モデルを適用する対象の前記データ記録システムから取得されたデータに基づいて、各属性の重要度を設定する請求項４に記載の情報処理装置。
【請求項７】
前記設定手段は、データ数またはデータ割合の大きい属性を重視するか、データ数またはデータ割合の小さい属性を重視するかを設定する請求項３に記載の情報処理装置。
【請求項８】
前記モデルの特性を属性ごとに解析する解析手段をさらに有し、
前記特定手段は、前記解析手段の解析結果と、前記設定された条件とに基づいて、前記必要属性を特定する請求項１に記載の情報処理装置。
【請求項９】
前記モデルの学習に用いられるデータ群を記憶する記憶手段をさらに有し、
前記解析手段は、前記データ群を前記モデルに入力して得られる特徴量の分布を推定し、特徴量の分布からの距離を属性ごとに解析する請求項８に記載の情報処理装置。
【請求項１０】
前記モデルの学習に用いられるデータ群を記憶する記憶手段さらに有し、
前記解析手段は、前記データ群に対する前記モデルの評価値を属性ごとに解析する請求項８に記載の情報処理装置。
（【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】
本発明は、情報処理装置、情報処理システム、情報処理方法、及びプログラムに関する。
続きを表示（約 2,600 文字）【背景技術】
【０００２】
機械学習は、データに対して分析や推定を行う技術である。例えば、画像認識や機械の故障予測、医療診断に活用されている。機械学習には、ニューラルネットワークなどによる機械学習モデルが用いられる。機械学習モデルは、入力データと、機械学習モデルに推論させたいラベルとの組からなる学習用データによって学習される。機械学習モデルの学習は、各入力データに対応するラベルを出力できるように、誤差逆伝播法などの学習アルゴリズムによって行われる。
【０００３】
一般に、機械学習モデルの性能を高めるためには、大量の学習用データを用いて学習を行う。また、機械学習モデルが対象とするユースケースにおける性能を高めるためには、適切な属性を持つデータを学習用データとして用いる。特許文献１は、入力されたデータセットと、事前に収集された複数のデータセットグループの各々との類似度に基づいて、各データセットグループを評価することで、モデルの学習に適したデータセットグループを提示する技術を開示する。また、特許文献２は、エッジ側センサー群で取得される複数種類の検知データのうち、サーバ側で生成される推論モデルと関係があるデータのみを、追加学習用に前記サーバに転送する技術を開示する。
【先行技術文献】
【特許文献】
【０００４】
特開２０２２－６４１１５号公報
特開２０２２－２９７０２号公報
【非特許文献】
【０００５】
Ｒｉｐｐｅｌ, Ｏｌｉｖｅｒ, ＰａｔｒｉｃｋＭｅｒｔｅｎｓ, ａｎｄＤｏｒｉｔＭｅｒｈｏｆ. “Ｍｏｄｅｌｉｎｇｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｎｏｒｍａｌｄａｔａｉｎｐｒｅ－ｔｒａｉｎｅｄｄｅｅｐｆｅａｔｕｒｅｓｆｏｒａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎ.” ２０２０２５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＩＣＰＲ）. ＩＥＥＥ, ２０２１.
Ｚｈｏｕ, Ｘｉｎｇｙｉ, ＤｅｑｕａｎＷａｎｇ, ａｎｄＰｈｉｌｉｐｐＫｒaｈｅｎｂuｈｌ. “Ｏｂｊｅｃｔｓａｓｐｏｉｎｔｓ.” ａｒＸｉｖｐｒｅｐｒｉｎｔａｒＸｉｖ：１９０４．０７８５０（２０１９）.
【発明の概要】
【発明が解決しようとする課題】
【０００６】
画像認識モデルの学習では、Ｗｅｂ上から大量の学習用画像を収集することが行われているが、Ｗｅｂ収集した画像では、属性（画角や画質など）のバリエーションが偏っており、十分な学習が行えないケースがある。そこで、画像記録システム（例えば、監視カメラと映像記録装置のセット）から学習用画像を収集することが考えられる。画像記録システムから収集した画像は、画像記録システムの特性（デバイスの種類や設置場所など）によって属性の偏りが生じるが、学習に必要な属性は画像認識モデルが対象とするユースケースによって異なる。しかしながら、機械学習モデルの開発者にとって、様々な画像記録システムの中から、適切な画像記録システムを選択することは難しい。
特許文献１では、所定のデバイスからデータを収集することを前提としているため、データを収集するのに適したシステムを選択することはできない。また、特許文献２では、各システムからデータを一旦収集して、その中から必要な属性を持つデータを選択する必要があるため、膨大な量のデータを扱う必要があり非効率である。
【０００７】
本発明は上述した問題を解決するためになされたものであり、機械学習モデルの学習に必要なデータを記録可能なシステムを選択することを目的とする。
【課題を解決するための手段】
【０００８】
そこで、本発明に係る情報処理装置は、複数のデータ記録システムを登録する登録手段と、モデルの学習を行うための条件を設定する設定手段と、前記設定された条件に基づいて、前記モデルの学習に必要なデータの属性である必要属性を特定する特定手段と、前記データ記録システムで記録可能なデータの属性と、前記必要属性とに基づいて、複数の前記データ記録システムの中から、対象とする前記データ記録システムを選択する選択手段と、を有する。
【発明の効果】
【０００９】
本発明によれば、機械学習モデルの学習に必要なデータを記録可能なシステムを選択することができる。
【図面の簡単な説明】
【００１０】
実施形態１に係る情報処理装置のハードウェア構成例を示す図である。
実施形態１に係る情報処理装置の機能構成例を示す図である。
実施形態１に係る情報処理装置の動作を示すフローチャートである。
実施形態１に係る情報処理装置の処理手順を示す模式図である。
デバイスデータを示す図である。
故障記録データを示す図である。
実施形態１に係る登録画面を示す図である。
実施形態１に係る設定画面を示す図である。
収集済み属性カウントの算出についての説明図である。
必要属性の判定についての説明図である。
収集先の選択についての説明図である。
実施形態２に係る情報処理装置の機能構成例を示す図である。
実施形態２に係る情報処理装置の動作を示すフローチャートである。
実施形態２に係る情報処理装置の処理手順を示す模式図である。
皮膚病変データを示す図である。
実施形態２に係る登録画面を示す図である。
実施形態２に係る設定画面を示す図である。
実施形態３に係る情報処理システムの全体構成例を示す図である。
実施形態３に係る情報処理装置の機能構成例を示す図である。
実施形態３に係る情報処理装置の動作を示すフローチャートである。
人物検出データを示す図である。
実施形態３に係る登録画面を示す図である。
モデルデザイン設定についての説明図である。
実施形態４に係る設定画面を示す図である。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許