特許ウォッチ

公開番号2025116753
公報種別公開特許公報(A)
公開日2025-08-08
出願番号2024011373
出願日2024-01-29
発明の名称識別方法、学習済みモデル生成方法、識別装置、学習済みモデル生成装置、およびプログラム
出願人株式会社ナカヨ
代理人個人
主分類G06V 10/764 20220101AFI20250801BHJP(計算;計数)
要約【課題】識別対象を学習対象と未学習対象とに識別し、学習対象である場合に、この識別対象がいずれの学習対象であるかを識別することができる識別技術を提供する。
【解決手段】
人物識別装置2は、人物5の骨格情報をn値分類の学習済みモデルに投入し、それぞれ異なる学習者が紐付けられたn個のラベルのスコア値の分散情報を算出し、m組の分散情報から算出した粒度mの統計情報を2値分類の学習済みモデルに投入して、学習者および未学習者がそれぞれ紐付けられた2個のラベルに対するスコア値を取得する。そして、人物5を、最も大きなスコア値のラベルに学習者が紐付けられているならば学習者として識別し、未学習者が紐付けられているならば未学習者として識別する。また、学習者として識別した場合、n値分類の学習済みモデルにより得られたn個のラベルのスコア値のうち、最も大きなスコア値のラベルに紐付けられている学習者として人物5を識別する。
【選択図】図1
特許請求の範囲【請求項１】
ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）を用いて識別対象の特徴情報から当該識別対象を識別する識別方法であって、
前記識別対象の特徴情報を、総数ｎの学習対象各々を識別するｎ値分類の学習済みモデルに投入して、それぞれ異なる前記学習対象が紐付けられたｎ個のラベルのスコア値の分散度合を示す分散情報を算出する分散情報算出工程と、
前記分散情報算出工程により前記識別対象の特徴情報毎に算出されたｍ組の前記分散情報から粒度ｍの統計情報を算出する統計情報算出工程と、
前記統計情報算出工程により算出された前記粒度ｍの統計情報を入力データとして、前記学習対象と前記学習対象以外の未学習対象とを識別する２値分類の学習済みモデルに投入して、前記学習対象および前記未学習対象がそれぞれ紐付けられた２個のラベルに対するスコア値を取得し、前記２個のラベルのうち、最も大きなスコア値を有するラベルに前記学習対象が紐付けられているならば、前記識別対象を前記学習対象として識別し、前記未学習対象が紐付けられているならば、前記識別対象を前記未学習対象として識別する第一の識別工程と、
前記第一の識別工程により前記識別対象が前記学習対象として識別された場合に、前記ｎ値分類の学習済みモデルに前記識別対象の特徴情報を投入することにより得られた前記ｎ個のラベルのスコア値のうち、最も大きなスコア値を有するラベルに紐付けられている前記学習対象として前記識別対象を識別する第二の識別工程と、を有し、
前記ｎ値分類の学習済みモデルは、
総数ｎの前記学習対象それぞれについて、当該学習対象の特徴情報を入力データとして用いて、当該学習対象に紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより生成され、
前記２値分類の学習済みモデルは、
前記ｎ値分類の学習済みモデルに、前記入力データとして用いた前記学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出するとともに、前記ｎ値分類の学習済みモデルに前記未学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出し、前記学習対象および前記未学習対象について、それぞれについて算出したｍ組の前記分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それぞれに紐付けられたラベルのスコア値が高くなるように、前記ＡＩに機械学習させることにより生成される
ことを特徴とする識別方法。
続きを表示（約 5,300 文字）【請求項２】
請求項１に記載の識別方法であって、
前記分散情報は、
前記特徴情報を前記ｎ値分類の学習済みモデルに投入することにより得られるｎ個のラベルのスコア値の最大値と最小値の合計値であるスコア加算値、およびその差分値であるスコア減算値である
ことを特徴とする識別方法。
【請求項３】
請求項１に記載の識別方法であって、
前記統計情報は、
ｍ組の前記特徴情報を前記ｎ値分類の学習済みモデルに複数投入することにより得られるｍ組の前記分散情報の平均値と標準偏差である
ことを特徴とする識別方法。
【請求項４】
請求項１に記載の識別方法であって、
前記識別対象は人物であり、
前記特徴情報は、
人物姿勢推定手法により前記識別対象の映像データから取得された骨格情報である
ことを特徴とする識別方法。
【請求項５】
請求項１ないし４のいずれか一項に記載の識別方法であって、
前記分散情報算出工程は、
前記第一の識別工程により前記識別対象が前記未学習対象として識別された場合に、これまで前記識別対象の分散情報の算出に用いた前記ｎ値分類の学習済みモデルとは異なる、総数ｎの学習対象各々を識別するｎ値分類を行う別の学習済みモデルに、前記識別対象の特徴情報を投入して、前記識別対象の分散情報を再度算出し、
前記統計情報算出工程は、
前記分散情報算出工程により再度算出されたｍ組の前記分散情報から粒度ｍの統計情報を再度算出し、
前記第一の識別工程は、
前記分散情報算出工程によりｍ組の前記分散情報が再度算出された場合に、当該ｍ組の前記分散情報の再度算出に用いた前記ｎ値分類の学習済みモデルの入力データとして用いた前記学習対象と当該学習対象以外の未学習対象とを識別する、これまで前記識別対象の識別に用いた２値分類の学習済みモデルとは異なる２値分類の学習済みモデルに、当該ｍ組の前記分散情報に基づいて前記統計情報算出工程により再度算出された粒度ｍの統計情報を投入して、前記識別対象を前記学習対象あるいは前記未学習対象として識別し、
前記第二の識別工程は、
前記第一の識別工程により前記識別対象が前記学習対象として識別された場合に、直前に実施された前記分散情報算出工程において前記分散情報の算出に用いた前記ｎ値分類の学習済みモデルに前記識別対象の特徴情報を投入することにより得られた前記ｎ個のラベルのスコア値のうち、最も大きなスコア値を有するラベルに紐付けられている前記学習対象として、前記識別対象を識別する
ことを特徴とする識別方法。
【請求項６】
ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）を用いて識別対象の特徴情報から当該識別対象を識別するための学習済みモデルを生成する学習済みモデル生成方法であって、
総数ｎの学習対象それぞれについて、当該学習対象の特徴情報を入力データとして用いて、当該学習対象に紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより、前記学習対象各々を識別するｎ値分類の学習済みモデルを生成する第１の学習済モデル生成工程と、
前記第１の学習済みモデル生成工程により生成された前記ｎ値分類の学習済みモデルに、前記入力データとして用いた前記学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出するとともに、当該ｎ値分類の学習済みモデルに前記学習対象以外の未学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出し、前記学習対象および前記未学習対象について、それぞれについて算出したｍ組の前記分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それぞれに紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより、前記学習対象と前記未学習対象とを識別する２値分類の学習済みモデルを生成する第２の学習済モデル生成工程と、を有する
ことを特徴とする学習済みモデル生成方法。
【請求項７】
ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）を用いて識別対象の特徴情報から当該識別対象を識別する識別装置であって、
前記識別対象の特徴情報を、総数ｎの学習対象各々を識別するｎ値分類の学習済みモデルに投入して、それぞれ異なる前記学習対象が紐付けられたｎ個のラベルのスコア値の分散度合を示す分散情報を算出する分散情報算出手段と、
前記分散情報算出手段により前記識別対象の特徴情報毎に算出されたｍ組の前記分散情報から粒度ｍの統計情報を算出する統計情報算出手段と、
前記統計情報算出手段により算出された粒度ｍの統計情報を、前記学習対象と前記学習対象以外の未学習対象とを識別する２値分類の学習済みモデルに投入して、前記学習対象および前記未学習対象がそれぞれ紐付けられた２個のラベルに対するスコア値を取得し、当該２個のラベルのうち、最も大きなスコア値を有するラベルに前記学習対象が紐付けられているならば前記識別対象を前記学習対象として識別し、前記未学習対象が紐付けられているならば前記識別対象を前記未学習対象として識別する第一の識別手段と、
前記第一の識別手段により前記識別対象が前記学習対象として識別された場合に、前記ｎ値分類の学習済みモデルに前記識別対象の特徴情報を投入することにより得られた前記ｎ個のラベルのスコア値のうち、最も大きなスコア値を有するラベルに紐付けられている前記学習対象として前記識別対象を識別する第二の識別手段と、を有し、
前記ｎ値分類の学習済みモデルは、
総数ｎの前記学習対象それぞれについて、当該学習対象の特徴情報を入力データとして用いて、当該学習対象に紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより生成され、
前記２値分類の学習済みモデルは、
前記ｎ値分類の学習済みモデルに、前記入力データとして用いた前記学習対象の特徴情報を投入して、その出力値であるｎ個のラベル各々のスコア値の分散度合を示す複数の分散情報を算出するとともに、前記ｎ値分類の学習済みモデルに前記未学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す複数の分散情報を算出し、前記学習対象および前記未学習対象について、それぞれについて算出したｍ組の前記分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それぞれに紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより生成される
ことを特徴とする識別装置。
【請求項８】
ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）を用いて識別対象の特徴情報から当該識別対象を識別するための学習済みモデルを生成する学習済みモデル生成装置であって、
総数ｎの学習対象それぞれについて、当該学習対象の特徴情報を入力データとして用いて、当該学習対象に紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより、前記学習対象各々を識別するｎ値分類の学習済みモデルを生成する第１の学習済モデル生成手段と、
前記第１の学習済みモデル生成手段により生成された前記ｎ値分類の学習済みモデルに、前記入力データとして用いた前記学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出するとともに、当該ｎ値分類の学習済みモデルに前記学習対象以外の未学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出し、前記学習対象および前記未学習対象について、それぞれについて算出したｍ組の前記分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それぞれに紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより、前記学習対象と前記未学習対象とを識別する２値分類の学習済みモデルを生成する第２の学習済モデル生成手段と、を有する
ことを特徴とする学習済みモデル生成装置。
【請求項９】
ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）を用いて識別対象の特徴情報から当該識別対象を識別する識別装置としてコンピュータを機能させるプログラムであって、
前記識別対象の特徴情報を、総数ｎの学習対象各々を識別するｎ値分類の学習済みモデルに投入して、それぞれ異なる前記学習対象が紐付けられたｎ個のラベルのスコア値の分散度合を示す前記識別対象の分散情報を算出する分散情報算出手段、
前記分散情報算出手段により前記識別対象の特徴情報毎に算出されたｍ組の前記分散情報から粒度ｍの統計情報を算出する統計情報算出手段、
前記統計情報算出手段により算出された粒度ｍの統計情報を、前記学習対象と前記学習対象以外の未学習対象とを識別する２値分類の学習済みモデルに投入して、前記学習対象および前記未学習対象がそれぞれ紐付けられた２個のラベルに対するスコア値を取得し、前記２個のラベルのうち、最も大きなスコア値を有するラベルに前記学習対象が紐付けられているならば前記識別対象を前記学習対象として識別し、前記未学習対象が紐付けられているならば前記識別対象を前記未学習対象として識別する第一の識別手段、および
前記第一の識別手段により前記識別対象が前記学習対象として識別された場合に、前記ｎ値分類の学習済みモデルに前記識別対象の特徴情報を投入することにより得られた前記ｎ個のラベルのスコア値のうち、最も大きなスコア値を有するラベルに紐付けられている前記学習対象として前記識別対象を識別する第二の識別手段として、前記コンピュータを機能させ、
前記ｎ値分類の学習済みモデルは、
総数ｎの前記学習対象それぞれについて、当該学習対象の特徴情報を入力データとして用いて、当該学習対象に紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより生成され、
前記２値分類の学習済みモデルは、
前記ｎ値分類の学習済みモデルに、前記入力データとして用いた前記学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出するとともに、前記ｎ値分類の学習済みモデルに前記未学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出し、前記学習対象および前記未学習対象について、それぞれについて算出したｍ組の前記分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それぞれに紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより生成される
ことを特徴とするプログラム。
【請求項１０】
ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）を用いて識別対象の特徴情報から当該識別対象を識別するための学習済みモデルを生成する学習済みモデル生成装置としてコンピュータを機能させるプログラムであって、
総数ｎの学習対象それぞれについて、当該学習対象の特徴情報を入力データとして用いて、当該学習対象に紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより、前記学習対象各々を識別するｎ値分類の学習済みモデルを生成する第１の学習済モデル生成手段、および
前記第１の学習済みモデル生成手段により生成された前記ｎ値分類の学習済みモデルに、前記入力データとして用いた前記学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出するとともに、当該ｎ値分類の学習済みモデルに前記学習対象以外の未学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出し、前記学習対象および前記未学習対象について、それぞれについて算出したｍ組の前記分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それぞれに紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより、前記学習対象と前記未学習対象とを識別する２値分類の学習済みモデルを生成する第２の学習済モデル生成手段として、前記コンピュータを機能させる
ことを特徴とするプログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、ＡＩ（ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ）を用いて識別対象の特徴情報から識別対象を識別する識別技術に関する。
続きを表示（約 3,100 文字）【背景技術】
【０００２】
非特許文献１には、単眼カメラから得られる骨格情報を用いたＡＩによる人物識別技術が開示されている。
【０００３】
この人物識別技術では、学習者毎に、既存の人物姿勢推定手法を用いて、単眼カメラにより撮影された学習者の映像データから骨格情報を取得し、取得した骨格情報をこの学習者の入力データとして、この学習者に紐付けられたラベルのスコア値が高くなるようにＡＩに機械学習させる。これにより、ｎ値分類の学習済みモデルを生成する。ここで、ｎは学習者数である。つぎに、以上のようにして生成したｎ値分類の学習済みモデルを用いて、単眼カメラにより撮影された識別対象者の人物識別を行う。すなわち、既存の人物姿勢推定手法を用いて、単眼カメラにより撮影された識別対象者の映像データから骨格情報を取得して、取得した骨格情報をｎ値分類の学習済みモデルに投入し、それぞれ学習者が紐付けられたｎ個のラベル各々に対するスコア値を取得する。そして、識別対象者を、最も大きなスコア値を有するラベルに紐付けられている学習者として識別する。
【先行技術文献】
【非特許文献】
【０００４】
戸田哲郎、アレッサンドロモロ、梅田和昇著、「単眼カメラから得られる骨格情報を用いた人物識別」、２０１８年度精密工学会春季大会学術講演会講演論文集Ｄ６９、２０１８年、ｐ．２６７－２６８
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、非特許文献１に記載の人物識別技術によれば、単眼カメラにより撮影された識別対象者の特徴が、ｎ値分類の学習済みモデルの生成に関与していない場合（機械学習のための入力データとして提供されていない場合、つまり未学習の場合）であっても、この識別対象者の映像データから取得した骨格情報をｎ値分類の学習済みモデルに投入すれば、それぞれ学習者が紐付けられたｎ個のラベル各々に対するスコア値が算出され、識別対象者が、最も大きなスコア値を有するラベルに紐付けられている学習者として人物識別される。つまり、識別対象者は、別人として人物識別されてしまうという問題がある。
【０００６】
本発明は、上記事情に鑑みてなされたものであり、その目的は、識別対象を学習対象と未学習対象とに識別し、この識別対象が学習対象である場合に、この識別対象がいずれの学習対象であるかを識別することができる識別技術を提供することにある。
【課題を解決するための手段】
【０００７】
上記課題を解決するために、本発明は、以下の機能を実現する。
【０００８】
［学習済みモデル生成工程］
まず、学習対象毎に、学習対象の特徴情報を入力データとして、この学習対象に紐付けられたラベルのスコア値が高くなるように、ＡＩに機械学習させることにより、個々の学習対象を識別するｎ（＝学習対象数）値分類の学習済みモデルを生成する。つぎに、以上のようにして生成したｎ値分類の学習済みモデルに、この学習済みモデルの入力データとして用いた学習対象の特徴情報を投入して、その出力値であるｎ個のラベル各々のスコア値の分散度合を示す分散情報を算出するとともに、学習対象以外の未学習対象の特徴情報を投入して、その出力値であるｎ個のラベル各々のスコア値の分散度合を示す分散情報を算出する。それから、学習対象および未学習対象のそれぞれについて、ｍ組の分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それに紐付けられたラベルのスコア値が高くなるようにＡＩに機械学習させることにより、学習対象と未学習対象とを識別する２値分類の学習済みモデルを生成する。
【０００９】
［識別工程］
まず、学習済みモデル生成工程により生成されたｎ値分類の学習済みモデルに識別対象の特徴情報を投入して、その出力値であるｎ個のラベル各々のスコア値の分散度合を示す分散情報を算出する。そして、そのｍ組の分散情報から算出する粒度ｍの統計情報を、学習済みモデル生成工程により生成された２値分類の学習済みモデルに投入して、学習対象および未学習対象がそれぞれ紐付けられた２個のラベル各々に対するスコア値を取得し、２個のラベルのうち、最も大きなスコア値を有するラベルに学習対象が紐付けられているならば識別対象を学習対象として識別し、未学習対象が紐付けられているならば識別対象を未学習対象として識別する。識別対象を学習対象として識別したならば、学習済みモデル生成工程により生成されたｎ値分類の学習済みモデルに識別対象の特徴情報を投入して得られたｎ個のラベル各々のスコア値のうち、最も大きなスコア値を有するラベルに紐付けられている学習対象として識別対象を識別する。
【００１０】
例えば、本発明の一態様は、
ＡＩを用いて識別対象の特徴情報から当該識別対象を識別する識別方法であって、
前記識別対象の特徴情報を、総数ｎの学習対象各々を識別するｎ値分類の学習済みモデルに投入して、それぞれ異なる前記学習対象が紐付けられたｎ個のラベルのスコア値の分散度合を示す分散情報を算出する分散情報算出工程と、
前記分散情報算出工程により前記識別対象の特徴情報毎に算出されたｍ組の前記分散情報から粒度ｍの統計情報を算出する統計情報算出工程と、
前記統計情報算出工程により算出された前記粒度ｍの統計情報を、前記学習対象と前記学習対象以外の未学習対象とを識別する２値分類の学習済みモデルに投入して、前記学習対象および前記未学習対象がそれぞれ紐付けられた２個のラベルに対するスコア値を取得し、前記２個のラベルのうち、最も大きなスコア値を有するラベルに前記学習対象が紐付けられているならば前記識別対象を前記学習対象として識別し、前記未学習対象が紐付けられているならば前記識別対象を前記未学習対象として識別する第一の識別工程と、
前記第一の識別工程により前記識別対象が前記学習対象として識別された場合に、前記ｎ値分類の学習済みモデルに前記識別対象の特徴情報を投入することにより得られた前記ｎ個のラベルのスコア値のうち、最も大きなスコア値を有するラベルに紐付けられている前記学習対象として前記識別対象を識別する第二の識別工程と、を有し、
前記ｎ値分類の学習済みモデルは、
総数ｎの前記学習対象それぞれについて、当該学習対象の特徴情報を入力データとして用いて、当該学習対象に紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより生成され、
前記２値分類の学習済みモデルは、
前記ｎ値分類の学習済みモデルに、前記入力データとして用いた前記学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出するとともに、前記ｎ値分類の学習済みモデルに前記未学習対象の特徴情報を投入して、その出力値であるｎ個のラベルのスコア値の分散度合を示す分散情報を算出し、前記学習対象および前記未学習対象について、それぞれについて算出したｍ組の前記分散情報から算出した粒度ｍの統計情報を入力データとして用いて、それぞれに紐付けられたラベルのスコア値が高くなるように前記ＡＩに機械学習させることにより生成される。
（【００１１】以降は省略されています）

関連特許