JP7475192B2 - 識別器学習装置及び識別器学習方法 - Google Patents
識別器学習装置及び識別器学習方法 Download PDFInfo
- Publication number
- JP7475192B2 JP7475192B2 JP2020080736A JP2020080736A JP7475192B2 JP 7475192 B2 JP7475192 B2 JP 7475192B2 JP 2020080736 A JP2020080736 A JP 2020080736A JP 2020080736 A JP2020080736 A JP 2020080736A JP 7475192 B2 JP7475192 B2 JP 7475192B2
- Authority
- JP
- Japan
- Prior art keywords
- classifier
- data
- learning
- feature
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 68
- 239000013598 vector Substances 0.000 claims description 111
- 230000008569 process Effects 0.000 description 58
- 238000004364 calculation method Methods 0.000 description 24
- 238000013500 data storage Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
Claims (9)
- 識別器を学習する識別器学習装置であって、
プロセッサとメモリとを有し、
前記メモリは、前記識別器と、学習対象データと、前記学習対象データのラベルと、を保持し、
前記プロセッサは、
前記学習対象データを、前記識別器による識別対象の属性を示す第1特徴ベクトルと、前記識別器による識別対象の属性とは異なる属性を示す第2特徴ベクトルと、を含む複数の特徴ベクトルへ変換し、
前記学習対象データを前記識別器に入力して前記識別器からの出力を算出し、
前記第1特徴ベクトル、又は前記出力と前記ラベルとに基づいて第1摂動を加えた前記第1特徴ベクトル、のいずれかと、
前記出力と前記ラベルとに基づいて第2摂動を加えた前記第2特徴ベクトルと、を用いて前記識別器を学習し、
前記第1摂動は前記第2摂動より小さい、識別器学習装置。 - 請求項1に記載の識別器学習装置であって、
前記プロセッサは、
前記出力と前記ラベルとに基づいて、前記識別器の誤差を算出し、
前記第2特徴ベクトルに加える前記第2摂動を前記誤差が大きくなるように決定する、識別器学習装置。 - 請求項1に記載の識別器学習装置であって、
前記プロセッサは、
前記出力と前記ラベルとに基づいて、前記複数の特徴ベクトルそれぞれに異なる摂動を加え、
前記摂動を加えた前記複数の特徴ベクトルを用いて前記識別器を学習する、識別器学習装置。 - 請求項1に記載の識別器学習装置であって、
前記プロセッサは、
前記識別器を用いて、前記複数の特徴ベクトルからデータを再構成し、
前記再構成したデータを前記識別器に入力して得られる出力に基づいて、前記第2特徴ベクトルに加える前記第2摂動を決定する、識別器学習装置。 - 請求項1に記載の識別器学習装置であって、
前記メモリは、前記学習対象データを前記複数の特徴ベクトルに変換するエンコーダを保持し、
前記プロセッサは、
前記学習対象データを、前記エンコーダに入力して前記複数の特徴ベクトルを生成し、
前記複数の特徴ベクトルからデータを再構成し、
前記再構成したデータと、前記ラベルと、に基づいて、前記エンコーダを学習する、識別器学習装置。 - 請求項1に記載の識別器学習装置であって、
前記プロセッサは、前記学習対象データを、前記識別器に入力して前記複数の特徴ベクトルを生成する、識別器学習装置。 - 請求項1に記載の識別器学習装置であって、
前記メモリは、前記学習対象データを前記複数の特徴ベクトルに変換するエンコーダを保持し、
前記プロセッサは、前記出力と前記ラベルと、に基づいて、前記エンコーダを学習する、識別器学習装置。 - 請求項1に記載の識別器学習装置であって、
前記識別器は、個体を示すデータが入力されると、個体の識別結果を出力し、
前記第1特徴ベクトルは、個体を識別するための個体性を示し、
前記第2特徴ベクトルは、前記個体性とは異なる属性を示す、識別器学習装置。 - 識別器を学習する識別器学習装置による識別器学習方法であって、
前記識別器学習装置は、プロセッサとメモリとを有し、
前記メモリは、前記識別器と、学習対象データと、前記学習対象データのラベルと、を保持し、
前記識別器学習方法は、
前記プロセッサが、前記学習対象データを、前記識別器による識別対象の属性を示す第1特徴ベクトルと、前記識別器による識別対象の属性とは異なる属性を示す第2特徴ベクトルと、を含む複数の特徴ベクトルへ変換し、
前記プロセッサが、前記学習対象データを前記識別器に入力して前記識別器からの出力を算出し、
前記プロセッサが、
前記第1特徴ベクトル、又は前記出力と前記ラベルとに基づいて第1摂動を加えた前記第1特徴ベクトル、のいずれかと、
前記出力と前記ラベルとに基づいて第2摂動を加えた前記第2特徴ベクトルと、を用いて前記識別器を学習し、
前記第1摂動は前記第2摂動より小さい、識別器学習方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020080736A JP7475192B2 (ja) | 2020-04-30 | 2020-04-30 | 識別器学習装置及び識別器学習方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020080736A JP7475192B2 (ja) | 2020-04-30 | 2020-04-30 | 識別器学習装置及び識別器学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021174471A JP2021174471A (ja) | 2021-11-01 |
JP7475192B2 true JP7475192B2 (ja) | 2024-04-26 |
Family
ID=78279756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020080736A Active JP7475192B2 (ja) | 2020-04-30 | 2020-04-30 | 識別器学習装置及び識別器学習方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7475192B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023176256A (ja) * | 2022-05-31 | 2023-12-13 | 楽天グループ株式会社 | 画像からデータを予測する方法、コンピュータシステム、及びコンピュータ可読媒体 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018167900A1 (ja) | 2017-03-16 | 2018-09-20 | 日本電気株式会社 | ニューラルネットワーク学習装置、方法、およびプログラム |
-
2020
- 2020-04-30 JP JP2020080736A patent/JP7475192B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018167900A1 (ja) | 2017-03-16 | 2018-09-20 | 日本電気株式会社 | ニューラルネットワーク学習装置、方法、およびプログラム |
Non-Patent Citations (1)
Title |
---|
吉岡 拓也、他3名,DNN音響モデルにおける特徴量抽出の諸相,電子情報通信学会技術研究報告,日本,一般社団法人電子情報通信学会,2015年07月09日,第115巻、第146号,第61-65頁 |
Also Published As
Publication number | Publication date |
---|---|
JP2021174471A (ja) | 2021-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Christlein et al. | Writer identification using GMM supervectors and exemplar-SVMs | |
Mathieu et al. | Disentangling factors of variation in deep representation using adversarial training | |
Wang et al. | MoFAP: A multi-level representation for action recognition | |
Ghifary et al. | Scatter component analysis: A unified framework for domain adaptation and domain generalization | |
Duan et al. | Context-aware local binary feature learning for face recognition | |
Dash et al. | A review of generative adversarial networks (GANs) and its applications in a wide variety of disciplines: from medical to remote sensing | |
Shojaeilangari et al. | Robust representation and recognition of facial emotions using extreme sparse learning | |
Sikka et al. | Multiple kernel learning for emotion recognition in the wild | |
Pontes et al. | A flexible hierarchical approach for facial age estimation based on multiple features | |
Majumdar et al. | Face verification via class sparsity based supervised encoding | |
Liu et al. | Feature-level frankenstein: Eliminating variations for discriminative recognition | |
Nalla et al. | Iris classification based on sparse representations using on-line dictionary learning for large-scale de-duplication applications | |
CN108898181B (zh) | 一种图像分类模型的处理方法、装置及存储介质 | |
Amer et al. | Deep multimodal fusion: A hybrid approach | |
Huang et al. | Hybrid Euclidean-and-Riemannian metric learning for image set classification | |
Hu et al. | Bin ratio-based histogram distances and their application to image classification | |
Kotani et al. | Generating handwriting via decoupled style descriptors | |
Kohút et al. | TS-Net: OCR trained to switch between text transcription styles | |
Yousaf et al. | A robust and efficient convolutional deep learning framework for age‐invariant face recognition | |
JP7475192B2 (ja) | 識別器学習装置及び識別器学習方法 | |
Okokpujie et al. | Development of an adaptive trait-aging invariant face recognition system using convolutional neural networks | |
Chew et al. | Facial expression recognition via enhanced stress convolution neural network for stress detection | |
Zhao et al. | Multi-view dimensionality reduction via subspace structure agreement | |
Abdallah et al. | Facial-expression recognition based on a low-dimensional temporal feature space | |
Dong et al. | A supervised dictionary learning and discriminative weighting model for action recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221223 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240209 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240416 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7475192 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |