特許ウォッチ

公開番号2025173679
公報種別公開特許公報(A)
公開日2025-11-28
出願番号2024079347
出願日2024-05-15
発明の名称学習方法、学習装置、学習プログラム、および、学習データ生成方法
出願人株式会社デンソーテン
代理人弁理士法人佐野特許事務所
主分類G06N 20/00 20190101AFI20251120BHJP(計算;計数)
要約【課題】物体の画像サイズにかかわらず精度良く物体の検出を行えるAIモデルの生成を可能とする技術を提供する。
【解決手段】例示的な学習方法は、正解ラベルがない教師なしデータを利用して機械学習モデルの学習を行う学習方法であって、前記教師なしデータを前記機械学習モデルに入力して疑似ラベルを生成し、生成した前記疑似ラベルから、前記疑似ラベルの信頼度と前記疑似ラベルが与えられた物体の画像サイズとに基づき学習用疑似ラベルを選択し、前記学習用疑似ラベルを用いて前記学習を行う。
【選択図】図9
特許請求の範囲【請求項１】
正解ラベルがない教師なしデータを利用して機械学習モデルの学習を行う学習方法であって、
前記教師なしデータを前記機械学習モデルに入力して疑似ラベルを生成し、
生成した前記疑似ラベルから、前記疑似ラベルの信頼度と前記疑似ラベルが与えられた物体の画像サイズとに基づき学習用疑似ラベルを選択し、
前記学習用疑似ラベルを用いて前記学習を行う、学習方法。
続きを表示（約 1,000 文字）【請求項２】
前記疑似ラベルから、前記信頼度に基づき前記学習用疑似ラベルを選択する第１選択を行い、
前記第１選択で前記学習用疑似ラベルに選択されずに破棄対象となった前記疑似ラベルから、前記物体の画像サイズに基づき前記学習用疑似ラベルを選択する第２選択を行う、請求項１の学習方法。
【請求項３】
前記第１選択においては、
前記疑似ラベルを、信頼度の高い高信頼度グループと信頼度の低い低信頼度グループに分け、
前記高信頼度グループから前記学習用疑似ラベルを選択する、請求項２に記載の学習方法。
【請求項４】
前記高信頼度グループの中の一部の前記疑似ラベルを、統計処理を用いて前記学習用疑似ラベルに選択する、請求項３に記載の学習方法。
【請求項５】
前記第２選択においては、
前記破棄対象となった前記疑似ラベルから、前記物体の画像サイズに基づき一部の前記疑似ラベルを抽出し、
抽出した前記疑似ラベルから、前記信頼度に基づき前記学習用疑似ラベルを選択する、請求項２に記載の学習方法。
【請求項６】
前記疑似ラベルの抽出においては、前記物体の画像サイズが小さい方から順番に一部の前記疑似ラベルを抽出する、請求項５に記載の学習方法。
【請求項７】
前記第２選択における前記信頼度に基づく前記学習用疑似ラベルの選択手法は、前記第１選択における前記信頼度に基づく前記学習用疑似ラベルの選択手法と同じである、請求項５に記載の学習方法。
【請求項８】
前記複数の疑似ラベルを、前記物体の画像サイズに基づき複数のグループに分類し、
前記複数のグループ毎に、前記疑似ラベルの信頼度に基づき前記学習用疑似ラベルの選択を行う、請求項１に記載の学習方法。
【請求項９】
前記複数のグループは、前記物体の画像サイズが大きい大物体グループと、前記物体の画像サイズが小さい小物体グループである、請求項８に記載の学習方法。
【請求項１０】
前記大物体グループと前記小物体グループとのそれぞれにおいて、
グループ内の複数の前記疑似ラベルを、前記信頼度に基づき、信頼度の高い高信頼度グループと信頼度の低い低信頼度グループとに分け、
前記高信頼度グループから前記学習用疑似ラベルを選択する、請求項９に記載の学習方法。
（【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】
本発明は、教師なしデータを利用した機械学習の技術に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
教師あり学習では、学習に用いる全てのデータに対して正解ラベルを付ける必要があるために、データセットの作成に多くのコストがかかる。このような問題点から、従来、少数の正解ありデータ（教師ありデータ）から高精度の検知モデル（ＡＩモデル）を生成するために、正解なしデータに対して疑似ラベルを関連付ける技術が知られている（例えば特許文献１参照）。
【０００３】
また、少数のラベル付きのデータ（教師ありデータ）と、大量のラベルなしデータ（教師なしデータ）とを組み合わせて学習することで、データセットの作成コストを抑えつつ、高精度なＡＩモデルを生成する技術が従来知られている。なお、このような学習手法は、半教師あり学習と呼ばれている。
【先行技術文献】
【特許文献】
【０００４】
国際公開２０２２／１８５８９９号
【発明の概要】
【発明が解決しようとする課題】
【０００５】
高精度なＡＩモデルを得るために、機械学習の実行時には、信頼性が高い疑似ラベルが学習に使用される。しかし、単純に信頼性に応じて疑似ラベルの取捨選択を行う場合、サイズの小さな物体画像の疑似ラベルが、サイズの大きな物体画像の疑似ラベルに比べて信頼性が低いと判断され、サイズの小さな物体画像の疑似ラベルが破棄され易い傾向があることがわかった。なお、詳細には、学習に利用されるのは、疑似ラベルだけなく、疑似ラベルと、当該疑似ラベルに対応する画像（画像データ）との両方である。上述のように疑似ラベルの取捨選択によって疑似ラベルが破棄される場合、疑似ラベルと共に、当該疑似ラベルに対応する画像も学習の対象から除外されることになる。
【０００６】
従来の手法では、学習に利用する疑似ラベルの取捨選択時において、小さいサイズの物体画像の疑似ラベルの多くが破棄され、大きいサイズの物体画像の疑似ラベルが多く残る傾向があった。この場合、学習データに物体サイズの不均衡を発生させ、学習後に得られるＡＩモデルについて、小さい物体画像に対する検出精度が低下することが懸念された。
【０００７】
本発明は、上記の点に鑑みて、物体の画像サイズにかかわらず精度良く物体の検出を行えるＡＩモデルの生成を可能とする技術を提供することを目的とする。
【課題を解決するための手段】
【０００８】
例示的な本発明の学習方法は、正解ラベルがない教師なしデータを利用して機械学習モデルの学習を行う学習方法であって、前記教師なしデータを前記機械学習モデルに入力して疑似ラベルを生成し、生成した前記疑似ラベルから、前記疑似ラベルの信頼度と前記疑似ラベルが与えられた物体の画像サイズとに基づき学習用疑似ラベルを選択し、前記学習用疑似ラベルを用いて前記学習を行う。
【発明の効果】
【０００９】
例示的な本発明によれば、学習に用いる疑似ラベルの取捨選択を、疑似ラベルの信頼度だけでなく、疑似ラベルが与えられた物体画像のサイズも考慮して行う構成となっている。このために、疑似ラベルの取捨選択時に、小さな物体画像の疑似ラベルに偏って疑似ラベルの破棄が行われることを抑制できる。この結果、物体の画像サイズにかかわらず精度良く物体の検出を行えるＡＩモデルを生成することができる。
【図面の簡単な説明】
【００１０】
学習装置のハードウェア構成を示すブロック図
学習装置が備える機能部の概要を示すブロック図
ミニバッチの構成を模式的に示した図
ラベル選択部の詳細な機能構成を示すブロック図
第１選択部によって実行される第１選択の概要を示す図
学習装置により実行される学習方法の流れを例示するフローチャート
図６のステップＳ２の詳細な処理を例示するフローチャート
図６のステップＳ３の詳細な処理を例示するフローチャート
図６のステップＳ４の詳細な処理を例示するフローチャート
第１変形例に係るラベル選択部の詳細な機能構成を示すブロック図
第１変形例に係る学習装置における、教師なしデータの生徒モデルを用いた処理を例示するフローチャート
第２変形例に係る学習データ生成方法の流れを示すフローチャート
【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