[发明专利]学习装置和学习识别系统

说明书

技术领域

本发明例如涉及学习用于识别图像中的对象物体所属的类的识别器的学习装置和学习识别系统。

背景技术

在图像处理技术领域中，已积极地研究开发出如下的图案识别技术：对图像数据进行特征提取，学习由从该图像数据中提取出的特征向量确定的图案，识别图像中的对象物体。

在特征提取中，可以直接提取图像数据的像素值作为特征向量，也可以将对图像进行加工而得到的数据作为特征向量。通过这种特征提取而得到的特征量一般成为多维度的数据，因此，该特征量被称作特征向量。但是，特征量也可以是单一维度的数据。

例如，在非专利文献1中记载有求出图像中的深浅等级的频度作为柱状图的技术。这种处理也是上述特征提取处理的一例。

并且，在图像识别处理中，已提出大量使用作为图案识别中的学习之一的有教师学习的学习方法。有教师学习是指如下的学习方法：准备赋予了与输入图像对应的标签的学习样本，根据该学习样本，求出根据图像或特征向量估计对应标签的计算式。

在非专利文献1中记载有使用作为该有教师学习之一的最短距离法的图像识别处理。在最短距离法中，求出与各类之间的特征空间中的距离作为分类单位，判定为属于该距离最小的类。

此时，图像数据的类为多个即可，一般而言，类越多则识别越困难，类越少则识别越简单。

在非专利文献2中记载有使用被称作Convolutional Neural Networks(卷积神经网络，以下记作CNN)的神经网络学习图像中映出的面部表情的方法。在该方法中，针对作为分类对象的图像求出属于各类的概率，将该概率最大的类判定为该图像所属的类。

并且，在非专利文献3中记载有识别图像中映出的人物表情的表情识别。在表情识别中，图像中映出的人物表情一般被分类成喜悦、悲伤、愤怒、严肃、惊讶、恐惧、厌恶这7个类，例如，可得到某个图像中映出的人物表情是喜悦度为80这样的识别结果。而且，表情识别的输出形式也可以是针对7个类分别求出可信度的形式。在任何情况下，都可设定表示识别对象图像属于哪类的基准。

现有技术文献

专利文献

非专利文献1：高木幹雄、下田陽久監修、“新編画像解析ハンドブック”、東京大学出版会、2004年、pp.1600－1603.

非专利文献2：Wei Li、Min Li、Zhong Su、Zhigang Zhu、“A Deep-Learning Approach to Facial Expression Recognition with Candid Images”、14th IAPR Conference on Machine Vision Applications(MVA 2015)、pp.279-282、Tokyo.

非专利文献3：Michael Lyons、Shigeru Akamatsu、Miyuki Kamachi、Jiro Gyoba、“Coding Facial Expressions with Gabor Wavelets”、3rd IEEE International Conference on Automatic Face and Gesture Recognition、pp.200-205、1998.

发明内容

发明要解决的课题

在应用这种识别技术的领域中，有时希望使用通过多类识别而被分类成各类的学习样本，得到更少类的识别结果。

例如，在观看广告的人物的图像的表情识别中，为了根据被分类成7类(喜悦、悲伤、愤怒、严肃、惊讶、恐惧、厌恶)的识别结果判断广告的效果，有时希望检测观看广告的人物是否是肯定的表情。

但是，在N(N为3以上的自然数)类识别问题中，可利用各类的识别基准得到识别结果。因此，无法判别N类识别的结果在比N少的M(M为2以上且小于N的自然数)类识别问题的各类的识别基准中成为什么样的值。并且，在N类识别的结果针对各个类进行数值化的情况下，无法利用M类识别的识别基准来比较不同类的识别结果彼此。

这样，以往无法将N类识别的结果作为M类识别问题进行比较。

本发明用于解决上述课题，其目的在于，得到能够利用比N少的M类识别问题的识别基准来比较N类识别的结果的学习装置和学习识别系统。

用于解决课题的手段