特許ウォッチ

公開番号2025117036
公報種別公開特許公報(A)
公開日2025-08-12
出願番号2024011677
出願日2024-01-30
発明の名称疑似データ生成装置、疑似データ生成方法、及びプログラム
出願人株式会社日立製作所
代理人弁理士法人信友国際特許事務所
主分類G06T 7/00 20170101AFI20250804BHJP(計算;計数)
要約【課題】未知環境の目標物体を検知可能な物体探索モデルを学習するための疑似データを生成する疑似データ生成装置を提供する。
【解決手段】疑似データ生成装置10は、既知領域で既知観測条件により観測された複数の既知観測データから抽出した抽出特徴のうち、複数の既知観測データに共通する抽出特徴を重要特徴とし、所定の特徴範囲に含まれる重要特徴を拡張する重要特徴拡張抽出部104と、拡張された重要特徴と、抽出特徴との類似度が所定値よりも高い抽出特徴を、拡張された重要特徴と統合する特徴振り分け部105と、統合された重要特徴を基に、未知領域で目標物体を探索する物体探索モデルに用いられる疑似データを生成する疑似データ生成部101と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
既知領域で既知観測条件により観測された複数の既知観測データから抽出した抽出特徴のうち、複数の前記既知観測データに共通する前記抽出特徴を重要特徴とし、所定の特徴範囲に含まれる前記重要特徴を拡張する重要特徴拡張抽出部と、
拡張された前記重要特徴と、前記抽出特徴との類似度が所定値よりも高い前記抽出特徴を、拡張された前記重要特徴と統合する特徴振り分け部と、
統合された前記重要特徴を基に、未知領域で目標物体を探索する物体探索モデルに用いられる疑似データを生成する疑似データ生成部と、を備える
疑似データ生成装置。
続きを表示（約 1,300 文字）【請求項２】
前記重要特徴を拡張する処理は、前記既知観測データを基に、前記目標物体を識別可能な学習ネットワークの任意のフィルタ階層から抽出した複数の特徴群を解析し、前記特徴群ごとに重み量とバイアス量から成る特徴量の学習状況を観測し、所定量の学習が進んだ時点での特徴平均のうち、前記特徴範囲に含まれる前記特徴平均を拡張する処理である
請求項１に記載の疑似データ生成装置。
【請求項３】
前記重要特徴拡張抽出部は、前記学習ネットワークの全ての前記フィルタ階層における前記特徴量の学習状況を観測する
請求項２に記載の疑似データ生成装置。
【請求項４】
前記重要特徴拡張抽出部は、前記フィルタ階層の学習ノード毎に加算した重みの平均値及びバイアスの平均値を求め、前記重みの平均値を基に算出した所定割合の拡張率を前記重みの平均値に加算し、前記バイアスの平均値を基に算出した所定割合の拡張率を前記バイアスの平均値に加算することで、前記重要特徴を拡張する
請求項３に記載の疑似データ生成装置。
【請求項５】
前記特徴振り分け部は、拡張された前記重要特徴の特徴量と、複数の前記抽出特徴から求めた特徴量との類似度を計算し、前記類似度が高い前記抽出特徴を、拡張された前記重要特徴の特徴量に統合する
請求項３に記載の疑似データ生成装置。
【請求項６】
前記疑似データ生成部は、前記既知観測データと、前記抽出特徴が統合された前記重要特徴とを参照して、前記既知観測データの既知観測条件と類似する未知観測条件であって、前記既知観測データに類似する前記疑似データを生成する
請求項５に記載の疑似データ生成装置。
【請求項７】
前記既知観測データ及び前記疑似データのうち、少なくとも一つを入力して機械学習を行って、物体探索モデルを生成する物体探索モデル学習部を備える
請求項３に記載の疑似データ生成装置。
【請求項８】
既知領域で既知観測条件により観測された複数の既知観測データから抽出した抽出特徴のうち、複数の前記既知観測データに共通する前記抽出特徴を重要特徴とし、所定の特徴範囲に含まれる前記重要特徴を拡張するステップと、
拡張された前記重要特徴と、前記抽出特徴との類似度が所定値よりも高い前記抽出特徴を、拡張された前記重要特徴と統合するステップと、
統合された前記重要特徴を基に、未知領域で目標物体を探索可能な物体探索モデルに用いられる疑似データを生成するステップと、を含む
疑似データ生成方法。
【請求項９】
既知領域で既知観測条件により観測された複数の既知観測データから抽出した抽出特徴のうち、複数の前記既知観測データに共通する前記抽出特徴を重要特徴とし、所定の特徴範囲に含まれる前記重要特徴を拡張する手順と、
拡張された前記重要特徴と、前記抽出特徴との類似度が所定値よりも高い前記抽出特徴を、拡張された前記重要特徴と統合する手順と、
統合された前記重要特徴を基に、未知領域で目標物体を探索可能な物体探索モデルに用いられる疑似データを生成する手順と、を
コンピュータに実行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、疑似データ生成装置、疑似データ生成方法、及びプログラムに関する。
続きを表示（約 1,700 文字）【背景技術】
【０００２】
機械学習を利用した探索器を物体検出に適用した場合、探索器は、学習に使用した学習データの特徴の影響を受け易いことが知られている。例えば、人物検出では、昼間の人物画像で学習した探索器は、夜間の人物検出には適さない場合が多い。これは、昼間と夜間では人物が異なって見える、即ち夜間は太陽光が存在しないという環境差異が生じているため、昼間に観測した人物画像の特徴と夜間の特徴が異なることに起因している。この傾向は、人物以外の陸上、地中、空中などの領域に存在する一般物体を対象にした場合にも同様に見られる。
【０００３】
例えば、陸上の物体探索において、ある地域Ａにおける地点の観測画像を使用して学習した探索器は、物理的に離れた別の地域Ｂにおける地点の物体検出においては期待通りの検出精度が得られない場合がある。その理由の一つは、地域Ａの環境と地域Ｂの環境が異なることによって、両者の観測データに含まれる観測対象である目標物体の特徴に差異が生じることに起因すると考えられる。即ち、地域Ａで取得した学習データのみを用いた探索器では、地域Ｂのデータの特徴を探索することが困難なケースがある。
【０００４】
水中探索の場合、例えば超音波などを利用した探索方法があるが、水温、水底地形、水流速度及び水質など、様々な水中環境の違いが探索結果に影響する。水中環境の影響により、被写体ぼやけや被写体欠落の他、背景ノイズ発生などの顕著な変化が観測画像に現れることが多い。このため、物体探索モデルの学習時点の画像特徴と物体検出時に取得した画像特徴に差異が生じることがある。特に、観測地点が大きく変わると、水温、水底地形、水流速度及び水質など全ての環境条件が大きく変化するため、より物体検出精度低下への影響が高まるという課題がある。
【０００５】
この課題を解決するために学習データを取得した観測地点と探索器を適用する地点と変化するケース、いわゆる未知領域の物体探索を想定した物体検出方法が検討されている。
【０００６】
上記課題を解決するための従来技術として、特許文献１には、「ターゲット・データセットと複数のソース・データセットとの間の類似度を定量化するための、及びターゲット・データセットに最も類似する１つ又は複数のソース・データセットを識別するための方法」が開示されている。
【先行技術文献】
【特許文献】
【０００７】
特表２０２３－５３５１４０号公報
【発明の概要】
【発明が解決しようとする課題】
【０００８】
特許文献１に記載された技術は、機械学習及び転移学習手法に関する。特に、特許文献１には、ターゲット・データセットの特徴に類似しており、それ故にターゲット・ドメインに対する転移学習プロセスについて開示されており、ターゲット・データセットの特徴に適合する、１つ又は複数のソース・データセットを識別することに関する。
【０００９】
各データセットは２次元の特徴情報配列で表現される。特許文献１に記載されたソース・データセットの識別方法では、まず、各ソース・データセット及びターゲット・データセットについて、データセット類似度スコア、行類似度スコア、及び列類似度スコアのうちの少なくとも２つを計算する。その後、計算した類似度スコアを要約して、ターゲット・データセットに最も類似するソース・データセットを識別している。
【００１０】
また、特許文献１には、学習過程の特徴選択においては、ソースデータセット（既知データ）とターゲットデータセット（評価データ）の特徴類似度を評価して、類似度スコアが高い特徴を優先選択する処理方法が開示されている。特許文献１には、既存データを使う前提で「最重要特徴は、２つのデータセット間で最高レベルの非類似度を含む特徴」と記載されている。つまり、入力データから抽出した特徴同士を比較した結果、類似していない特徴が重要特徴と判断される。
（【００１１】以降は省略されています）

関連特許