特許ウォッチ

公開番号2025027370
公報種別公開特許公報(A)
公開日2025-02-27
出願番号2023132122
出願日2023-08-14
発明の名称情報処理装置、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G06F 18/25 20230101AFI20250219BHJP(計算;計数)
要約【課題】カテゴリごとのデータに対し精度の高い分析を行う。
【解決手段】入力データのカテゴリをカテゴリ識別モデルで識別する識別手段と、第Nのカテゴリに属するデータの、第1～Mのカテゴリのデータの分析を行うための第1～Mのカテゴリ用の分析モデルに対する適合度に基づいて、第1～Mの各カテゴリ用の分析モデルの中から、前記識別手段で第Nのカテゴリに識別された入力データに適用する分析モデルを選択する制御手段と、を有することを特徴とする。
【選択図】図6
特許請求の範囲【請求項１】
入力データのカテゴリを識別する識別手段と、
第１のカテゴリに属するデータの、各カテゴリのデータの分析を行うための各カテゴリ用の分析モデルに対する適合度に基づいて、各カテゴリ用の分析モデルの中から、前記識別手段で前記第１のカテゴリに識別された前記入力データに適用する分析モデルを選択する制御手段と、
を有することを特徴とする情報処理装置。
続きを表示（約 1,200 文字）【請求項２】
前記制御手段は、前記第１のカテゴリに識別された前記入力データに対し、前記第１のカテゴリ用の分析モデルが有る場合には、前記第１のカテゴリ用の分析モデルを適用し、前記第１のカテゴリ用の分析モデルが無い場合には、選択された分析モデルを適用することを特徴とする請求項１に記載の情報処理装置。
【請求項３】
前記制御手段は、各カテゴリ用の分析モデルの中から、前記適合度が最も高い分析モデルを選択することを特徴とする請求項１に記載の情報処理装置。
【請求項４】
前記第１のカテゴリに属するデータを各カテゴリ用の分析モデルに入力して得られた結果と、前記第１のカテゴリに属するデータの持つ正解情報との比較結果に基づいて、前記適合度を算出する適合度算出手段、
を更に有することを特徴とする請求項１に記載の情報処理装置。
【請求項５】
前記識別手段で用いる識別モデルを学習する学習手段、
を更に有し、
前記学習手段は、前記第１のカテゴリに属するデータに、前記第１のカテゴリをラベル付けした教師データを用いて、前記識別モデルの学習を行い、
前記制御手段は、前記第１のカテゴリ用の分析モデルが無い場合には、前記第１のカテゴリに識別された前記入力データに対し、選択された分析モデルを適用することを特徴とする請求項１に記載の情報処理装置。
【請求項６】
前記識別手段は、画像のカテゴリを識別し、
前記分析モデルは、カテゴリの特定部位を画像から検出するモデルであることを特徴とする請求項１に記載の情報処理装置。
【請求項７】
前記識別手段は、文書のカテゴリを識別し、
前記分析モデルは、カテゴリの文書を要約するモデルであること特徴とする請求項１に記載の情報処理装置。
【請求項８】
前記分析モデルは、ニューラルネットワークであることを特徴とする請求項１に記載の情報処理装置。
【請求項９】
データのカテゴリを識別する識別モデルを学習する学習手段、を有し、
前記学習手段は、第１のカテゴリに属するデータの、各カテゴリのデータの分析を行うための各カテゴリ用の分析モデルに対する適合度に基づいて、前記第１のカテゴリに属するデータにカテゴリをラベル付けした教師データを、前記識別モデルの学習に用いることを特徴とする情報処理装置。
【請求項１０】
前記学習手段で学習された前記識別モデルを用いて、入力データのカテゴリを識別する識別手段と、
前記入力データに対し、前記識別手段で識別されたカテゴリ用の分析モデルを適用する制御手段と、
を有することを特徴とする請求項９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、情報処理方法及びプログラムに関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
近年、画像や文章、時系列データといった様々なデータから有用な情報を抽出して分析する技術が提案されており、特に機械学習の技術を用いることで高精度に分析することが可能となってきている。特許文献１には、機械学習モデルを用いて未知のデータがどのカテゴリに属するかを識別し、識別したカテゴリ（以下、特定カテゴリ）のデータに適した分析タスクを実行するようなシステムが記載されている。
【先行技術文献】
【特許文献】
【０００３】
特表２０２０－５１２６３１号公報
【非特許文献】
【０００４】
ＪｉａｎｋａｎｇＤｅｎｇ, ＪｉａＧｕｏ，ＥｖａｎｇｅｌｏｓＶｅｒｖｅｒａｓ，ＩｒｅｎｅＫｏｔｓｉａ，ＳｔｅｆａｎｏｓＺａｆｅｉｒｉｏｕ， “ＲｅｔｉｎａＦａｃｅ：Ｓｉｎｇｌｅ－ｓｔａｇｅＤｅｎｓｅＦａｃｅＬｏｃａｌｉｓａｔｉｏｎｉｎｔｈｅＷｉｌｄ”，ＣＶＰＲ２０２０．
ＪａｃｏｂＤｅｖｌｉｎ，Ｍｉｎｇ－ＷｅｉＣｈａｎｇ，ＫｅｎｔｏｎＬｅｅ，ＫｒｉｓｔｉｎａＴｏｕｔａｎｏｖａ，“ＢＥＲＴ：Ｐｒｅ－ｔｒａｉｎｉｎｇｏｆＤｅｅｐＢｉｄｉｒｅｃｔｉｏｎａｌＴｒａｎｓｆｏｒｍｅｒｓｆｏｒＬａｎｇｕａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇ”，ａｒＸｉｖ：１８１０．０４８０５．
【発明の概要】
【発明が解決しようとする課題】
【０００５】
特許文献１のように、特定カテゴリごとに適した分析タスクを実行する場合、分析タスクを実行するための分析モデルを特定カテゴリごとに用意する必要がある。このとき、特定カテゴリの種類を増やそうとすると、分析モデルが新たに必要となるが、例えばハードウェア資源の制約上、分析モデルを新たに生成することが困難な場合がある。
【０００６】
本発明は、カテゴリごとのデータに対し精度の高い分析を行うことを目的とする。
【課題を解決するための手段】
【０００７】
本発明は、入力データのカテゴリを識別する識別手段と、第１のカテゴリに属するデータの、各カテゴリのデータの分析を行うための各カテゴリ用の分析モデルに対する適合度に基づいて、各カテゴリ用の分析モデルの中から、前記識別手段で前記第１のカテゴリに識別された前記入力データに適用する分析モデルを選択する制御手段と、を有することを特徴とする。
【発明の効果】
【０００８】
本発明によれば、カテゴリごとのデータに対し精度の高い分析を行うことができる。
【図面の簡単な説明】
【０００９】
情報処理装置のハードウェア構成例を示す図である。
情報処理装置の機能構成例を示す図である。
第Ｎのカテゴリの適合度算出処理を示すフローチャートである。
第Ｎのカテゴリの教師データ生成処理を示すフローチャートである。
カテゴリ識別モデルの学習処理を示すフローチャートである。
検出用モデル適用処理を示すフローチャートである。
情報処理装置の機能構成例を示す図である。
第Ｎのカテゴリの教師データ生成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】
【００１０】
以下、添付の図面を参照して、実施形態について説明する。
（【００１１】以降は省略されています）

関連特許