[发明专利]训练标签图像修正方法、学习完毕模型的生成方法及图像解析装置

说明书

本发明涉及训练标签图像修正方法，通过使用了学习数据的学习完毕模型(1)对学习数据(10)的输入图像(11)进行分割处理，包含：生成判定用标签图像(14)的步骤；针对判定用标签图像(14)与训练标签图像(12)，比较对应的部分彼此的标签的步骤；基于标签的比较结果来修正训练标签图像中包含的标签区域(13)的步骤。

技术领域

本发明涉及训练标签图像修正方法、学习完毕模型的生成方法及图像解析装置。

背景技术

过去，已知在机器学习中对训练标签图像进行修正。例如，日本特开2014-22837号公报中公开了这样的训练标签图像的修正。

上述日本特开2014-22837号公报中，公开有通过机器学习来构建用于进行赋予标签的图像分类的识别器(学习完毕模型)，该标签在电视节目等的影像数据中的某个影像区间中，示出检测对象出现(为正例)或未出现(为负例)。在识别器的构建中，使用了包含影像、与为正例还是负例的标签的学习数据。学习数据的标签中有可能包含错误和遗漏。于是，在上述日本特开2014-22837号公报中，公开了对于初始的学习数据或者设定了标签的学习数据，基于用户输入或其他识别器对学习数据的检测结果来修正学习数据的标签。

现有技术文献

专利文献

专利文献1：日本特开2014-22837号公报

发明内容

发明要解决的技术问题

上述日本特开2014-22837号公报中公开的识别器对输入的影像单纯地进行分类，并以影像单位赋予标签，作为与这样的图像分类不同的技术，还存在图像分割。图像分割是并非针对整个图像而是将图像分割为多个区域的技术，通过对检测对象映现的区域赋予示出该检测对象的标签，从而将输入图像分割为多个标签区域。另外，本说明书所称的“图像分割”与边缘检测等不赋予标签的单纯的区域分割(边界检测)不同，由于通过标签使区域具有意义，因此被称为语义分割。

在用于构建图像分割所使用的学习完毕模型的机器学习(有训练的学习)中，使用了输入图像、与将输入图像按每个标签进行区域分割的训练标签图像。这种情况下的训练标签图像是通过阈值处理等对原本的图像提取标签区域从而生成的。由于各个输入图像中存在检测对象的映现状况(信号强度等)的偏差，因此训练标签图像的生成由多个标签生成者分担，各标签生成者通过手动进行阈值调整来进行。

其结果为，在训练标签图像的生成中，阈值设定等中包含个人差异，发生某个标签区域被较大的提取或较小地提取。此外，还存在根据图像的不同有作为标签区域的边界的部分原本就模糊不清的情况，在这种情况下，标签区域的边界容易发生偏差。为此，进行修正训练标签图像的边界的操作。

然而，与上述日本特开2014-22837号公报那样的图像单位的单纯的标签修正不同，由于在修正训练标签图像中的标签区域的边界的偏差中，期望以始终如一的基准对全部的训练标签图像进行标签区域的修正，从而例如仅由特定的操作人进行修正操作等而花费大量的劳力。此外，也可以考虑生成用于训练标签图像的修正的专用的学习完毕模型，但为此需要学习以始终如一的基准生成的高精度的训练标签图像，从而在需要大量的劳力这一点上是同样的。于是，期望能在确保精度的同时简易地进行图像分割处理的机器学习所使用的训练标签图像的修正作业。

该发明是为了解决如上所述的技术问题而完成的，该发明的目的之一在于提供可在确保精度的同时使图像分割处理的机器学习所使用的训练标签图像的修正作业变得简易的训练标签图像修正方法、学习完毕模型的生成方法及图像解析装置。

用于解决上述技术问题的方案