特許ウォッチ

公開番号2025150853
公報種別公開特許公報(A)
公開日2025-10-09
出願番号2024051993
出願日2024-03-27
発明の名称学習装置、学習方法及び学習プログラム
出願人日本電気株式会社
代理人個人
主分類G06N 20/00 20190101AFI20251002BHJP(計算;計数)
要約【課題】推論精度がより高くなるように機械学習モデルを学習させることのできる学習装置を実現する。
【解決手段】学習装置は、複数の画像に含まれる注目画像に付されたラベル及び当該複数の画像のそれぞれに付されたラベルに基づき、当該複数の画像を、正例、弱負例、及び強負例に選別する選別部と、上記注目画像の特徴量と上記弱負例の特徴量との類似度、及び、上記注目画像の特徴量と前記強負例の特徴量との類似度、の少なくともいずれか一方に基づき、上記選別部により選別された上記複数の画像を、上記正例、上記弱負例、及び上記強負例に再選別する再選別部と、上記再選別部により再選別された上記複数の画像を用いて機械学習モデルを学習させる学習部と、を備える。上記機械学習モデルによる分類の結果は、医師等の診断における意思決定を支援する。
【選択図】図1
特許請求の範囲【請求項１】
複数の画像に含まれる注目画像に付されたラベル及び当該複数の画像のそれぞれに付されたラベルに基づき、当該複数の画像を、正例、弱負例、及び強負例に選別する選別手段と、
前記注目画像の特徴量と前記弱負例の特徴量との類似度、及び、前記注目画像の特徴量と前記強負例の特徴量との類似度、の少なくともいずれか一方に基づき、前記選別手段により選別された前記複数の画像を、前記正例、前記弱負例、及び前記強負例に再選別する再選別手段と、
前記再選別手段により再選別された前記複数の画像を用いて、（ｉ）前記注目画像の特徴量と前記正例の特徴量との類似度が大きくなり、（ｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度及び前記注目画像の特徴量と前記強負例の特徴量との類似度が小さくなり、かつ、（ｉｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度が前記注目画像の特徴量と前記強負例の特徴量との類似度よりも大きくなるように、機械学習モデルを学習させる学習手段と、
を備える学習装置。
続きを表示（約 2,000 文字）【請求項２】
前記複数の画像の各々は、複数のクラスの何れかに属し、かつ、当該複数のクラスのそれぞれを更に分類した複数のサブクラスのいずれかに属しており、
前記ラベルは、前記複数の画像の各々が属するクラス及びサブクラスを示し、
前記選別手段は、
前記注目画像が属するサブクラスに属する画像を正例に選別し、
前記注目画像が属するサブクラスとは異なるサブクラスに属し、かつ、前記注目画像が属するクラスに属する画像を弱負例に選別し、
前記注目画像が属するクラスとは異なるクラスに属する画像を強負例に選別する、
請求項１に記載の学習装置。
【請求項３】
前記再選別手段は、所定の特徴量空間における前記注目画像と前記弱負例との距離、及び、前記注目画像と前記強負例との距離、の少なくともいずれか一方に基づき、前記複数の画像を再選別する、
請求項１又は２に記載の学習装置。
【請求項４】
前記再選別手段は、（ｉ）前記注目画像と前記弱負例との距離の信頼区間及び最大値、並びに、（ｉｉ）前記注目画像と前記強負例との距離の信頼区間及び最小値、の少なくともいずれか一つにより定まる閾値に基づき、前記複数の画像を再選別する、
請求項３に記載の学習装置。
【請求項５】
前記再選別手段は、前記選別手段により前記弱負例に選別された画像のうち、前記注目画像との距離が閾値よりも大きい画像を前記強負例に選別する、
請求項３に記載の学習装置。
【請求項６】
前記再選別手段は、前記選別手段により前記強負例に選別された画像のうち、前記注目画像との距離が閾値よりも小さい画像を前記弱負例に選別する、
請求項３に記載の学習装置。
【請求項７】
前記再選別手段は、前記選別手段により前記弱負例に選別された画像のうち、前記注目画像との距離が閾値よりも大きい画像を、前記機械学習モデルの学習に用いない用例に選別する、
請求項３に記載の学習装置。
【請求項８】
前記再選別手段は、前記選別手段により前記強負例に選別された画像のうち、前記注目画像との距離が閾値よりも小さい画像を、前記機械学習モデルの学習に用いない用例に選別する、
請求項３に記載の学習装置。
【請求項９】
少なくとも１つのプロセッサが、複数の画像に含まれる注目画像に付されたラベル及び当該複数の画像のそれぞれに付されたラベルに基づき、当該複数の画像を、正例、弱負例、及び強負例に選別する選別処理と、
前記少なくとも１つのプロセッサが、前記注目画像の特徴量と前記弱負例の特徴量との類似度、及び、前記注目画像の特徴量と前記強負例の特徴量との類似度、の少なくともいずれか一方に基づき、前記選別処理により選別された前記複数の画像を、前記正例、前記弱負例、及び前記強負例に再選別する再選別処理と、
前記少なくとも１つのプロセッサが、前記再選別処理により再選別された前記複数の画像を用いて、（ｉ）前記注目画像の特徴量と前記正例の特徴量との類似度が大きくなり、（ｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度及び前記注目画像の特徴量と前記強負例の特徴量との類似度が小さくなり、かつ、（ｉｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度が前記注目画像の特徴量と前記強負例の特徴量との類似度よりも大きくなるように、機械学習モデルを学習させる学習処理と、
を含む学習方法。
【請求項１０】
学習装置としてコンピュータを機能させるためのプログラムであって、前記コンピュータを、
複数の画像に含まれる注目画像に付されたラベル及び当該複数の画像のそれぞれに付されたラベルに基づき、当該複数の画像を、正例、弱負例、及び強負例に選別する選別手段と、
前記注目画像の特徴量と前記弱負例の特徴量との類似度、及び、前記注目画像の特徴量と前記強負例の特徴量との類似度、の少なくともいずれか一方に基づき、前記選別手段により選別された前記複数の画像を、前記正例、前記弱負例、及び前記強負例に再選別する再選別手段と、
前記再選別手段により再選別された前記複数の画像を用いて、（ｉ）前記注目画像の特徴量と前記正例の特徴量との類似度が大きくなり、（ｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度及び前記注目画像の特徴量と前記強負例の特徴量との類似度が小さくなり、かつ、（ｉｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度が前記注目画像の特徴量と前記強負例の特徴量との類似度よりも大きくなるように、機械学習モデルを学習させる学習手段と、
として機能させるための学習プログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、学習装置、学習方法及び学習プログラムに関する。
続きを表示（約 2,600 文字）【背景技術】
【０００２】
対照学習（Contrastive Learning）により機械学習モデルを学習させる技術が知られている。対照学習では、注目画像であるアンカーの特徴ベクトルと正例の特徴ベクトルとの内積が大きくなるように、かつアンカーの特徴ベクトルと負例の特徴ベクトルとの内積が小さくなるように機械学習モデルを学習させる。特許文献１には、対照学習の一例であるＳｉｍＣＬＲ（A Sample Framework for Contrastive Learning of Visual Representations）により機械学習モデルを生成する手法が開示されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０２２－１７８８９２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
対照学習において、アンカーの特徴と負例の特徴とがどの程度類似するかは負例のそれぞれで異なる場合があり、アンカーの特徴とある程度の共通点を有する負例もあれば、アンカーの特徴との共通点がほとんど無い負例が含まれる場合もある。アンカーとの類似の度合いがそれぞれで異なる複数のサンプルを一様に負例と定義して対照学習を行うと、機械学習を適切に進行させることができずに機械学習モデルの推論精度を高くすることができない場合がある。
【０００５】
本開示は、上記の問題に鑑みてなされたものであり、その一例示的目的は、推論精度がより高くなるように機械学習モデルを学習させる技術を提供することにある。
【課題を解決するための手段】
【０００６】
本開示の一例示的側面に係る学習装置は、複数の画像に含まれる注目画像に付されたラベル及び当該複数の画像のそれぞれに付されたラベルに基づき、当該複数の画像を、正例、弱負例、及び強負例に選別する選別手段と、前記注目画像の特徴量と前記弱負例の特徴量との類似度、及び、前記注目画像の特徴量と前記強負例の特徴量との類似度、の少なくともいずれか一方に基づき、前記選別手段により選別された前記複数の画像を、前記正例、前記弱負例、及び前記強負例に再選別する再選別手段と、前記再選別手段により再選別された前記複数の画像を用いて、（ｉ）前記注目画像の特徴量と前記正例の特徴量との類似度が大きくなり、（ｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度及び前記注目画像の特徴量と前記強負例の特徴量との類似度が小さくなり、かつ、（ｉｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度が前記注目画像の特徴量と前記強負例の特徴量との類似度よりも大きくなるように、機械学習モデルを学習させる学習手段と、を備える。
【０００７】
本開示の一例示的側面に係る学習方法は、少なくとも１つのプロセッサが、複数の画像に含まれる注目画像に付されたラベル及び当該複数の画像のそれぞれに付されたラベルに基づき、当該複数の画像を、正例、弱負例、及び強負例に選別する選別処理と、前記少なくとも１つのプロセッサが、前記注目画像の特徴量と前記弱負例の特徴量との類似度、及び、前記注目画像の特徴量と前記強負例の特徴量との類似度、の少なくともいずれか一方に基づき、前記選別処理により選別された前記複数の画像を、前記正例、前記弱負例、及び前記強負例に再選別する再選別処理と、前記少なくとも１つのプロセッサが、前記再選別処理により再選別された前記複数の画像を用いて、（ｉ）前記注目画像の特徴量と前記正例の特徴量との類似度が大きくなり、（ｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度及び前記注目画像の特徴量と前記強負例の特徴量との類似度が小さくなり、かつ、（ｉｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度が前記注目画像の特徴量と前記強負例の特徴量との類似度よりも大きくなるように、機械学習モデルを学習させる学習処理と、を含む。
【０００８】
本開示の一例示的側面に係る学習プログラムは、学習装置としてコンピュータを機能させるためのプログラムであって、前記コンピュータを、複数の画像に含まれる注目画像に付されたラベル及び当該複数の画像のそれぞれに付されたラベルに基づき、当該複数の画像を、正例、弱負例、及び強負例に選別する選別手段と、前記注目画像の特徴量と前記弱負例の特徴量との類似度、及び、前記注目画像の特徴量と前記強負例の特徴量との類似度、の少なくともいずれか一方に基づき、前記選別手段により選別された前記複数の画像を、前記正例、前記弱負例、及び前記強負例に再選別する再選別手段と、前記再選別手段により再選別された前記複数の画像を用いて、（ｉ）前記注目画像の特徴量と前記正例の特徴量との類似度が大きくなり、（ｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度及び前記注目画像の特徴量と前記強負例の特徴量との類似度が小さくなり、かつ、（ｉｉｉ）前記注目画像の特徴量と前記弱負例の特徴量との類似度が前記注目画像の特徴量と前記強負例の特徴量との類似度よりも大きくなるように、機械学習モデルを学習させる学習手段と、として機能させる。
【発明の効果】
【０００９】
本開示の一例示的側面によれば、推論精度がより高くなるように機械学習モデルを学習させる技術を提供することができるという一例示的効果を奏する。
【図面の簡単な説明】
【００１０】
本開示に係る学習装置の構成を示すブロック図である。
本開示に係る学習方法の流れを示すフロー図である。
本開示に係る情報処理装置の構成を示すブロック図である。
本開示に係るクラス及びサブクラスの一例を示す図である。
本開示に係るクラス、ミドルクラス、及びサブクラスの一例を示す図である。
本開示に係る機械学習モデルの構成を示すブロック図である。
本開示に係る再選別処理の具体例を示す図である。
本開示に係る学習装置及び情報処理装置として機能するコンピュータの構成を示すブロック図である。
従来技術に係る学習処理の具体例を示す図である。
【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