特許ウォッチ

公開番号2025012306
公報種別公開特許公報(A)
公開日2025-01-24
出願番号2023115048
出願日2023-07-13
発明の名称訓練装置、訓練方法、機械学習モデル、認証装置、認証方法及びプログラム
出願人パナソニックIPマネジメント株式会社
代理人弁理士法人鷲田国際特許事務所
主分類G06T 7/00 20170101AFI20250117BHJP(計算;計数)
要約【課題】識別対象者の属性を考慮しながら、良好な精度によって画像データから識別対象者を識別するための機械学習モデルを訓練する方法などを提供する。
【解決手段】識別対象者の画像データから特徴量を生成する第1のサブモデルと、特徴量から識別対象者の識別結果を生成する第2のサブモデルとから構成される機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得し、機械学習モデルに訓練用画像データを入力し、機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて第2のサブモデルのパラメータを調整するパーティション学習を実行し、訓練用画像データをパーティション毎に分類し、機械学習モデルに訓練用画像データをパーティション毎に入力し、機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて第1のサブモデルと第2のサブモデルとのパラメータを調整する特徴学習を実行する。
【選択図】図6
特許請求の範囲【請求項１】
識別対象者の画像データから特徴量を生成する第１のサブモデルと、前記特徴量から前記識別対象者の識別結果を生成する第２のサブモデルとから構成される機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得するデータ取得部と、
前記機械学習モデルに前記訓練用画像データを入力し、前記機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第２のサブモデルのパラメータを調整するパーティション学習を実行するパーティション学習部と、
前記訓練データセットの訓練用画像データをパーティション毎に分類し、前記パーティション学習された機械学習モデルに前記訓練用画像データをパーティション毎に入力し、前記パーティション学習された機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する特徴学習を実行する特徴学習部と、
を有する、訓練装置。
続きを表示（約 3,000 文字）【請求項２】
前記パーティション学習部は、第１の訓練用画像データと前記第１の訓練用画像データと同一の識別対象者の第２の訓練用画像データとの識別結果が類似し、前記第１の訓練用画像データと前記第１の訓練用画像データと異なる識別対象者の第３の訓練用画像データとの識別結果が非類似となるように、前記第２のサブモデルのパラメータを調整する、請求項１に記載の訓練装置。
【請求項３】
前記第２の訓練用画像データは、前記第１の訓練用画像データに対してデータ拡張を実行することによって生成される、請求項２に記載の訓練装置。
【請求項４】
前記パーティション学習部は、前記識別対象者の属性に対応して前記訓練データセットの訓練用画像データを分類する、請求項１に記載の訓練装置。
【請求項５】
前記特徴学習部は、分類ロスとＩＲＭ（ＩｎｖａｒｉａｎｔＲｉｓｋＭｉｎｉｍｉｚａｔｉｏｎ）ロスとに基づいて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する、請求項１に記載の訓練装置。
【請求項６】
識別対象者の画像データから特徴量を生成する第１のサブモデルと、前記特徴量から前記識別対象者の識別結果を生成する第２のサブモデルとから構成される機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得することと、
前記機械学習モデルに前記訓練用画像データを入力し、前記機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第２のサブモデルのパラメータを調整するパーティション学習を実行することと、
前記訓練データセットの訓練用画像データをパーティション毎に分類し、前記パーティション学習された機械学習モデルに前記訓練用画像データをパーティション毎に入力し、前記パーティション学習された機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する特徴学習を実行することと、
をコンピュータが実行する訓練方法。
【請求項７】
識別対象者の画像データから特徴量を生成する第１のサブモデルと、前記特徴量から前記識別対象者の識別結果を生成する第２のサブモデルとから構成される機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得することと、
前記機械学習モデルに前記訓練用画像データを入力し、前記機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第２のサブモデルのパラメータを調整するパーティション学習を実行することと、
前記訓練データセットの訓練用画像データをパーティション毎に分類し、前記パーティション学習された機械学習モデルに前記訓練用画像データをパーティション毎に入力し、前記パーティション学習された機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する特徴学習を実行することと、
をコンピュータに実行させるプログラム。
【請求項８】
識別対象者の画像データから特徴量を生成する第１のサブモデルと、前記特徴量から前記識別対象者の識別結果を生成する第２のサブモデルとから構成される機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得することと、
前記機械学習モデルに前記訓練用画像データを入力し、前記機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第２のサブモデルのパラメータを調整するパーティション学習を実行することと、
前記訓練データセットの訓練用画像データをパーティション毎に分類し、前記パーティション学習された機械学習モデルに前記訓練用画像データをパーティション毎に入力し、前記パーティション学習された機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する特徴学習を実行することと、
を実行することによって生成される、機械学習モデル。
【請求項９】
認証対象者の画像データを取得するデータ取得部と、
認証モデルを利用して、前記画像データに基づいて前記認証対象者を認証する認証部と、
を有し、
前記認証モデルは、識別対象者の画像データから特徴量を生成する第１のサブモデルと、前記特徴量から前記識別対象者の識別結果を生成する第２のサブモデルとから構成される機械学習モデルから抽出される前記第１のサブモデルにより構成され、
前記機械学習モデルは、
前記機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得することと、
前記機械学習モデルに前記訓練用画像データを入力し、前記機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第２のサブモデルのパラメータを調整するパーティション学習を実行することと、
前記訓練データセットの訓練用画像データをパーティション毎に分類し、前記パーティション学習された機械学習モデルに前記訓練用画像データをパーティション毎に入力し、前記パーティション学習された機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する特徴学習を実行することと、
を実行することによって生成される、認証装置。
【請求項１０】
認証対象者の画像データを取得することと、
認証モデルを利用して、前記画像データに基づいて前記認証対象者を認証することと、
をコンピュータが実行し、
前記認証モデルは、識別対象者の画像データから特徴量を生成する第１のサブモデルと、前記特徴量から前記識別対象者の識別結果を生成する第２のサブモデルとから構成される機械学習モデルから抽出される前記第１のサブモデルにより構成され、
前記機械学習モデルは、
前記機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得することと、
前記機械学習モデルに前記訓練用画像データを入力し、前記機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第２のサブモデルのパラメータを調整するパーティション学習を実行することと、
前記訓練データセットの訓練用画像データをパーティション毎に分類し、前記パーティション学習された機械学習モデルに前記訓練用画像データをパーティション毎に入力し、前記パーティション学習された機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する特徴学習を実行することと、
を実行することによって生成される、認証方法。
（【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、訓練装置、訓練方法、機械学習モデル、認証装置、認証方法及びプログラムに関する。
続きを表示（約 2,100 文字）【背景技術】
【０００２】
近年のディープラーニング技術の進化によって、広範な技術分野において機械学習モデルが利用されている。例えば、畳み込みニューラルネットワークなどによって実現されうる画像処理モデルは、物体検出、異常検知、画像分類、生体認証などに広く利用されている。
【０００３】
例えば、顔認証では、膨大な顔画像データを利用して機械学習モデルが訓練される。利用される顔画像データは、各人種の世界の人口比率などに対応して収集され、典型的には、白人系（Ｃａｕｃａｓｉａｎ）の顔画像データの割合が相対的に高くなる一方、インド系（Ｉｎｄｉａｎ）やアフリカ系（Ａｆｒｉｃａｎ）の顔画像データの割合は相対的に低くなりうる。同様に、男性の顔画像データの割合が相対的に高くなる一方、女性の顔画像データの割合は相対的に低くなりうる。
【０００４】
一般的な機械学習モデルでは、訓練データの多い属性（例えば、白人系かつ男性）と、訓練データの少ない属性（例えば、インド系やアフリカ系かつ女性）とでは、顔認証に精度差が生じうる。すなわち、より多数の訓練データの属性の顔画像データは、より高い精度により認証され、より少数の訓練データの属性の顔画像データは、より低い精度の認証となりうる。このような訓練データのデモグラフィックな属性によって、顔認証モデルの精度に影響が生じうる。
【先行技術文献】
【非特許文献】
【０００５】
Invariant Risk Minimization (https://arxiv.org/abs/1907.02893)
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、このようなデモグラフィックな属性を示すラベルを訓練データに付加することは、訓練データの作成コストを大きく増大させうる。このため、属性を示すラベルを付加することなく、画像データと識別対象者の識別ラベルとから構成される訓練データから良好な精度で識別対象者を識別可能な機械学習モデルを訓練するためのアプローチが望まれる。
【０００７】
上記問題点に鑑み、本開示の１つの課題は、識別対象者の属性を考慮しながら、良好な精度によって画像データから識別対象者を識別するための機械学習モデルを訓練するための技術を提供することである。
【課題を解決するための手段】
【０００８】
本開示の一態様は、識別対象者の画像データから特徴量を生成する第１のサブモデルと、前記特徴量から前記識別対象者の識別結果を生成する第２のサブモデルとから構成される機械学習モデルを訓練するための訓練用画像データと識別ラベルとから構成される訓練データセットを取得するデータ取得部と、前記機械学習モデルに前記訓練用画像データを入力し、前記機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第２のサブモデルのパラメータを調整するパーティション学習を実行するパーティション学習部と、前記訓練データセットの訓練用画像データをパーティション毎に分類し、前記パーティション学習された機械学習モデルに前記訓練用画像データをパーティション毎に入力し、前記パーティション学習された機械学習モデルからの識別結果と識別ラベルとの間の誤差に応じて前記第１のサブモデルと前記第２のサブモデルとのパラメータを調整する特徴学習を実行する特徴学習部と、を有する、訓練装置に関する。
【発明の効果】
【０００９】
本開示によれば、識別対象者の属性を考慮しながら、良好な精度によって画像データから識別対象者を識別するための機械学習モデルを訓練することができる。
【図面の簡単な説明】
【００１０】
図１Ａ及び１Ｂは、本開示の一実施例による顔認証モデルの訓練処理及び推論処理を示す概略図である。
図２は、本開示の一実施例による訓練装置を示す概略図である。
図３は、本開示の一実施例による訓練装置及び認証装置のハードウェア構成を示すブロック図である。
図４は、本開示の一実施例によるパーティション学習及び特徴学習を示す概略図である。
図５は、本開示の一実施例による訓練装置の機能構成を示すブロック図である。
図６は、本開示の一実施例によるバックボーンサブモデル及び分類サブモデルを示す概略図である。
図７は、本開示の一実施例による訓練アルゴリズムの擬似コードを示す図である。
図８は、本開示の一実施例によるパーティション学習を示すフローチャートである。
図９は、本開示の一実施例による特徴学習を示すフローチャートである。
図１０は、本開示の一実施例による認証装置を示す概略図である。
図１１は、本開示の一実施例による認証装置の機能構成を示すブロック図である。
図１２は、本開示の一実施例による認証処理を示すフローチャートである。
【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