JP7483631B2 - 情報処理方法及びプログラム - Google Patents

Description

本開示は、情報処理装置、情報処理方法及びプログラムに関する。

画像認識などの分野において、画像中の物体を認識する認識モデル（以下、分類モデルともいう）として、多層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）が使用されている。ＤＮＮは、例えば、画像を入力とし、当該画像に含まれる物体のクラス分類の確率値（物体クラスに対する尤度ともいう。）を出力する。このとき、ＤＮＮの出力層では、Ｓｏｆｔｍａｘ関数が使用される（例えば、特許文献１参照）。

国際公開第２０１７／１４９７２２号

しかしながら、Ｓｏｆｔｍａｘ関数は指数演算を含むため、分類モデルを計算リソースが限られる組み込み装置に実装する場合に、計算リソースがひっ迫するおそれがある。

そこで、本開示は、物体のクラス分類のための演算量を低減することができる情報処理装置、情報処理方法及びプログラムを提供する。

上記課題を解決するため、本開示の一態様に係る情報処理装置は、プロセッサを備える情報処理装置であって、前記プロセッサは、データを複数のクラスの少なくとも１つに分類するための第１分類閾値を取得し、訓練済みの分類モデルの出力と前記第１分類閾値とに基づいて前記データを前記複数のクラスの少なくとも１つに分類した分類結果を出力し、前記第１分類閾値は、第２分類閾値の、第１変換に対する逆変換である第２変換により得られ、前記第１変換は、前記訓練済みの分類モデルの出力から前記複数のクラスを構成する複数の単体クラスの分類確率値への変換であり、前記第２分類閾値は、前記複数の単体クラスの分類確率値に基づいて設定され、前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラである。

また、本開示の一態様に係る情報処理方法は、コンピュータにより実行される情報処理方法であって、訓練済みの分類モデルの出力から複数の単体クラスの分類確率値への第１変換を実行し、前記複数の単体クラスの前記分類確率値に基づいて第２分類閾値を設定し、前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、前記第１分類閾値を出力し、前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラであり、前記第１変換は、逆変換可能な確率関数による演算に対応したデータベースを用いた変換であり、前記第２変換は、前記確率関数の逆関数による演算に対応したデータベースを用いた変換である。あるいは、本開示の一態様に係る情報処理方法は、コンピュータにより実行される情報処理方法であって、データセットを取得し、前記データセットを訓練済みの分類モデルに入力し、前記訓練済みの分類モデルの出力から前記データセットに含まれるデータそれぞれについて複数の単体クラスの分類確率値への第１変換を実行し、前記複数の単体クラスの分類確率値それぞれに対して第２分類閾値を用いた分類結果に基づいて前記第２分類閾値を設定し、前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、前記第１分類閾値を出力し、前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラである。

また、本開示の一態様に係るプログラムは、訓練済みの分類モデルの出力から複数の単体クラスの分類確率値への第１変換を実行し、前記複数の単体クラスの前記分類確率値に基づいて第２分類閾値を設定し、前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、前記第１分類閾値を出力し、前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラであり、前記第１変換は、逆変換可能な確率関数による演算に対応したデータベースを用いた変換であり、前記第２変換は、前記確率関数の逆関数による演算に対応したデータベースを用いた変換である、情報処理方法をコンピュータに実行させる。あるいは、本開示の一態様に係るプログラムは、データセットを取得し、前記データセットを訓練済みの分類モデルに入力し、前記訓練済みの分類モデルの出力から前記データセットに含まれるデータそれぞれについて複数の単体クラスの分類確率値への第１変換を実行し、前記複数の単体クラスの分類確率値それぞれに対して第２分類閾値を用いた分類結果に基づいて前記第２分類閾値を設定し、前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、前記第１分類閾値を出力し、前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラである、情報処理方法をコンピュータに実行させる。あるいは、本開示の一態様は、当該プログラムを格納したコンピュータ読み取り可能な非一時的な記録媒体として実現することもできる。

本開示によれば、物体のクラス分類のための演算量を低減することができる。

図１は、実施の形態１における情報処理システムの構成の一例を示すブロック図である。 図２は、実施の形態１における閾値算出装置の動作の一例を示すフローチャートである。 図３は、実施の形態１に係る情報処理装置の動作の一例を示すフローチャートである。 図４は、実施の形態１の変形例に係る情報処理装置の構成の一例を示すブロック図である。 図５は、実施の形態１の変形例における閾値算出部の動作の一例を示すフローチャートである。 図６は、実施の形態１の変形例における情報処理部の動作の一例を示すフローチャートである。 図７は、実施の形態２における情報処理システムの構成の一例を示すブロック図である。 図８は、実施の形態２における閾値算出装置の動作の一例を示すフローチャートである。 図９は、実施の形態２の変形例に係る情報処理装置の構成の一例を示すブロック図である。 図１０は、実施の形態２の変形例における閾値算出部の動作の一例を示すフローチャートである。

（本開示に至った知見）
従来、組み込み機器のような計算リソースに制限がある演算装置に搭載された多層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）では、隠れ層のユニット数を増やすことができないため、パターン認識性能が低下するという課題がある。この課題に対して、特許文献１に記載の従来技術は、ＤＮＮの層毎に、スカラ量子化を実施するか否かの判断を行い、スカラ量子化を実施した層の次の層では、スカラ量子化されたベクトルと重みベクトルとの乗算を行う。これにより、スカラ量子化されていないベクトルと重みベクトルとの乗算を行う場合に比べて、演算量を低減することができるため、隠れ層のユニット数を増やすことができる。しかしながら、スカラ量子化された出力ベクトルを用いて尤度ベクトルを算出するため、スカラ量子化されていない出力ベクトルを用いて尤度ベクトルを算出する場合に比べて値が粗くなる。そのため、認識精度が低下する可能性がある。

また、特許文献１に記載の従来技術では、ＤＮＮの出力層の１つ前の層でスカラ量子化が実施されていない場合、出力層においてＳｏｆｔｍａｘ関数を適用して複数のクラスに対する尤度ベクトル（以下、分類確率値）を算出する。Ｓｏｆｔｍａｘ関数は、指数関数の演算を含むため、組み込みシステムへの実装時に指数関数の演算量が問題となる。さらに、Ｓｏｆｔｍａｘ関数は、入力に対して総和が１になるように調整するため、逆変換しても元の値に戻すことができない。言い換えると、Ｓｏｆｔｍａｘ関数は、入力に対して非可逆的な演算を行うため、Ｓｏｆｔｍａｘ関数に入力して得られた出力値を逆変換して、正規化されていない値を得ることができない。そのため、特許文献１に記載の従来技術では、例えば、入力画像中の物体を識別するために、入力画像中の物体の複数のクラスそれぞれに対する分類確率値を算出する必要がある。このような入力画像中の物体の分類確率値を算出する処理は、組み込み機器のような計算リソースに制限がある演算装置の演算量を増加させるため、演算装置に搭載されるＤＮＮの識別精度を低下させる場合がある。したがって、特許文献１に記載の従来技術は、物体のクラス分類のための演算量を低減できているとは言い難い。

そこで、本願発明者は、上記課題を鑑み鋭意検討した結果、複数のクラスそれぞれの閾値を決定する処理において、ＤＮＮの出力層で可逆的な変換を行うことにより、算出した閾値を逆変換して正規化されていない閾値が得られることを見出した。これにより、例えば入力画像中の物体のクラス分類処理において、正規化されていない閾値を用いることができるため、物体のクラス分類のための演算量を低減することができる情報処理装置に想到した。

本開示の一態様の概要は、以下の通りである。

本開示の一態様に係る情報処理装置は、プロセッサを備える情報処理装置であって、前記プロセッサは、データを複数のクラスの少なくとも１つに分類するための第１分類閾値を取得し、訓練済みの分類モデルの出力と前記第１分類閾値とに基づいて前記データを前記複数のクラスの少なくとも１つに分類した分類結果を出力し、前記第１分類閾値は、第２分類閾値の、第１変換に対する逆変換である第２変換により得られ、前記第１変換は、前記訓練済みの分類モデルの出力から前記複数のクラスを構成する複数の単体クラスの分類確率値への変換であり、前記第２分類閾値は、前記複数の単体クラスの分類確率値に基づいて設定される。

上記構成によれば、分類モデルの出力から複数の単体クラスの分類確率値に変換する第１変換において、逆変換可能な関数が使用される。そのため、第２分類閾値に対して、第１変換に対する逆変換である第２変換を実行することにより得られる第１分類閾値を、物体のクラス分類の処理に使用すると、例えば画像を入力とする分類モデルの出力を複数の単体クラスの分類確率値に変換する必要がなくなる。したがって、本開示の一態様に係る情報処理装置によれば、物体のクラス分類のための演算量を低減することができる。

具体的には、本開示の一態様に係る情報処理装置では、前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであってもよい。

また、本開示の一態様に係る情報処理方法は、コンピュータにより実行される情報処理方法であって、訓練済みの分類モデルの出力から複数の単体クラスの分類確率値への第１変換を実行し、前記複数の単体クラスの前記分類確率値に基づいて第２分類閾値を設定し、前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、第１変換に対する逆変換である第２変換を実行し、前記第１分類閾値を出力する。

上記方法によれば、分類モデルの出力から複数の単体クラスの分類確率値に変換する第１変換において、逆変換可能な関数が使用される。そのため、第２分類閾値に対して、第１変換に対する逆変換である第２変換を実行することにより、正規化されていない閾値である第１分類閾値が得られる。例えば、第１分類閾値を、物体のクラス分類の処理に使用すると、分類モデルの出力を複数の単体クラスの分類確率値に変換する必要がなくなる。したがって、本開示の一態様に係る情報処理方法によれば、正規化されていない閾値である第１分類閾値が得られるため、物体のクラス分類のための演算量を低減することができる。

例えば、本開示の一態様に係る情報処理方法は、前記第１変換は、逆変換可能な確率関数による演算であり、前記第２変換は、前記確率関数の逆関数による演算であってもよい。

これにより、複数の単体クラスの分類確率値を逆変換することにより、変換前の値、つまり、訓練済みの分類モデルの出力を導出することができる。

例えば、本開示の一態様に係る情報処理方法では、前記第１変換は、逆変換可能な確率関数による演算に対応したデータベースであり、前記第２変換は、前記確率関数の逆関数による演算に対応したデータベースであってもよい。

これにより、関数演算よりも計算量がさらに低減される。

例えば、本開示の一態様に係る情報処理方法では、データセットを取得し、前記データセットを前記訓練済みの分類モデルに入力して前記データセットに含まれるデータそれぞれについて前記複数の単体クラスの分類確率値を取得し、取得された前記複数の単体クラスの分類確率値それぞれに対して前記第２分類閾値を用いた分類結果に基づいて前記第２分類閾値を決定してもよい。

これにより、評価用データセットに含まれる正解データを参照して、複数の単体クラスの分類確率値に対する分類確率値の閾値、つまり第２分類閾値の値をずらして、目標精度を満たす第２分類閾値を選択することにより決定する。したがって、本開示の一態様に係る情報処理方法によれば、所望の分類精度が得られる閾値を決定することができる。

また、本開示の一態様に係るプログラムは、データを複数のクラスの少なくとも１つに分類するための第１分類閾値を取得し、訓練済みの分類モデルの出力と前記第１分類閾値とに基づいて前記データを前記複数のクラスの少なくとも１つに分類した分類結果を出力し、前記第１分類閾値は、第２分類閾値の、第１変換に対する逆変換である第２変換により得られ、前記第１変換は、前記訓練済みの分類モデルの出力から複数の単体クラスの分類確率値への変換であり、前記第２分類閾値は、前記複数の単体クラスの分類確率値に基づいて設定される、情報処理方法をコンピュータに実行させる。

上記プログラムによれば、分類モデルの出力から複数の単体クラスの分類確率値に変換する第１変換において、逆変換可能な関数が使用される。そのため、第２分類閾値に対して、第１変換に対する逆変換である第２変換を実行することにより得られる第１分類閾値を、物体のクラス分類の処理に使用すると、例えば画像を入力とする分類モデルの出力を複数の単体クラスの分類確率値に変換する必要がなくなる。したがって、本開示の一態様に係るプログラムによれば、物体のクラス分類のための演算量を低減することができる。

以下では、実施の形態について、図面を参照しながら具体的に説明する。

なお、以下で説明する実施の形態は、いずれも包括的又は具体的な例を示すものである。以下の実施の形態で示される数値、形状、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する趣旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

また、各図は、模式図であり、必ずしも厳密に図示されたものではない。したがって、例えば、各図において縮尺などは必ずしも一致しない。また、各図において、実質的に同一の構成については同一の符号を付しており、重複する説明は省略又は簡略化する。

また、本明細書において、水平又は垂直などの要素間の関係性を示す用語、並びに、数値範囲は、厳密な意味のみを表す表現ではなく、実質的に同等な範囲、例えば数％程度の差異を含むことを意味する表現である。

（実施の形態１）
［情報処理システムの概要］
まず、実施の形態１に係る情報処理装置を備える情報処理システムの概要について、図面を参照しながら説明する。図１は、実施の形態１における情報処理システム３００ａの構成の一例を示すブロック図である。

情報処理システム３００ａは、センサが取得したデータを複数のクラスの少なくとも１つに分類し、分類結果を出力するシステムである。情報処理システム３００ａは、データを複数のクラスの少なくとも１つに分類するための第１分類閾値を算出する閾値算出装置２００ａと、訓練済みの分類モデルの出力と第１分類閾値とに基づいて、データを複数のクラスの少なくとも１つに分類した分類結果を出力する情報処理装置１００ａと、を備える。

センサは、例えば、マイクなどの音センサ、イメージセンサ、距離センサ、ジャイロセンサ、又は、圧力センサなどである。複数のセンサを用いて取得されたデータを、例えば、ＳｆＭ（Ｓｔｒｕｃｔｕｒｅ ｆｒｏｍ Ｍｏｔｉｏｎ）などの３次元再構成技術を用いて取得してもよい。センサが取得したデータは、例えば、音声、画像、動画像、三次元点群（ｔｈｒｅｅ－Ｄｉｍｅｎｓｉｏｎａｌ ｐｏｉｎｔ ｃｌｏｕｄ）データ、又は、ベクトルデータである。

情報処理システム３００ａでは、データの種類、及び、データの用途などに応じて、データを分類する複数のクラスが設定されてもよい。例えば、データが音声である場合、特定の人物の声、特定の機械の動作音、又は、特定の動物の鳴き声などのクラスが設定されてもよい。また、データが画像である場合、例えば監視カメラシステムなどにおいては、特定の人物などのクラスが設定されてもよく、車載カメラシステムなどにおいては、歩行者、自動車、バイク、自転車、及び、背景などのクラスが設定されてもよい。また、データが三次元点群データである場合、例えば、構造物又は地形などの三次元形状から、構造物又は地形の凹凸、亀裂、又は、特定の構造などのクラスが設定されてもよい。また、データがベクトルデータである場合、例えば、橋桁又は防音壁などの構造物の複数の部位における動きベクトルなどのクラスが設定されてもよい。

以下、情報処理システム３００ａの各構成について説明する。

［閾値算出装置］
閾値算出装置２００ａは、データを複数のクラスの少なくとも１つに分類するための第１分類閾値を算出する装置である。

図１に示されるように、閾値算出装置２００ａは、記憶部２０１と、第１演算部２０２と、分類確率演算部２０３と、分類閾値決定部２０４と、閾値変換部２０５と、第１出力部２０６と、を備える。

記憶部２０１は、第２分類閾値の評価用データセットを格納している。評価用データセットは、第１演算部２０２に入力する入力データと、入力データに対応する正解データとのセットを含む。正解データは、入力データの複数のクラスそれぞれに対する分類確率値である。以下では、複数のクラスそれぞれに対する分類確率値を、複数の単体クラスの分類確率値ともいう。なお、単体クラスは、複数のクラスを構成する各クラスを指す。複数の単体クラスの分類確率値は、分類確率演算部２０３において、第１演算部２０２の出力を第１変換することにより得られる正規化された確率値である。第２分類閾値は、複数の単体クラスの分類確率値に基づいて設定される。

第１演算部２０２は、データの特徴量を抽出する特徴量抽出器であり、例えば、機械学習モデルである。例えば、第１演算部２０２は、訓練済みの分類モデルである。当該分類モデルは、多層ニューラルネットワーク（ＤＮＮ）である。第１演算部２０２は、評価用データセットを取得する。例えば、第１演算部２０２は、記憶部２０１から評価用データセットを読み出す。評価用データセットの入力データは、第１演算部２０２に入力される。第１演算部２０２は、当該入力データの複数のクラスに対応する複数のスカラを出力する。各スカラは、入力データの各クラスに対応する特徴量である。第１演算部２０２の出力は、正規化されていない値である。

なお、第１演算部２０２は、ＤＮＮに限られない。例えば、第１演算部２０２は、エッジ抽出法、主成分分析法、ブロックマッチング法、サンプリングモアレ法などの手法を用いる、ＤＮＮ以外の他の特徴量抽出器であってもよい。

なお、第１演算部２０２は、通信を介して、他の装置から評価用データセットを取得してもよい。例えば、インターネットを介して、サーバ又はストレージから評価用データセットが取得されてもよい。

分類確率演算部２０３は、第１演算部２０２の出力から複数の単体クラスの分類確率値への変換である第１変換を実行する。より具体的には、分類確率演算部２０３は、第１変換において、可逆的な変換を用いて、第１演算部２０２の出力から複数の単体クラスの分類確率値を算出する。例えば、分類確率演算部２０３は、入力データの複数のクラスに対応する複数のスカラ（特徴量）を逆変換可能な確率関数を用いて正規化することにより、入力データの複数のクラスに対応する分類確率値を導出する。このように、可逆的な変換により正規化を行うことにより、評価用データセットに基づいて適切な閾値（後述する第２分類閾値）を決定した後に、適切な閾値を逆変換して正規化されていない閾値を導出することができる。

分類確率演算部２０３は、例えば、複数の単体クラスの確率演算部から構成されている。複数のクラスに対応する複数スカラは、それぞれ、複数のクラスの各クラスに対応する単体クラスの確率演算部に入力される。複数の単体クラスの確率演算部は、それぞれ、逆変換可能な関数である。これらの関数は、それぞれ異なっていてもよく、同じであってもよい。逆変換可能な関数は、微分可能な関数であってもよく、例えば、シグモイド関数、又は双曲線正接関数（Ｔａｎｈ：Ｔａｎｇｅｎｔ Ｈｙｐｅｒｂｏｌｉｃ Ｆｕｎｃｔｉｏｎ）などである。なお、第１変換は、逆変換可能な確率関数による演算であってもよく、逆変換可能な確率関数による演算に対応したデータベースを用いた変換であってもよい。データベースは、例えば、Ｌｏｏｋｕｐテーブルのように、入力と出力（変換後の値）とが対応付けられたテーブルあってもよい。

分類閾値決定部２０４は、分類確率演算部２０３で算出された複数の単体クラスの分類確率値に基づいて、第２分類閾値を決定する。より具体的には、分類閾値決定部２０４は、複数の単体クラスの分類確率値を取得し、取得した複数の単体クラスの分類確率値それぞれに対して第２分類閾値を用いた分類結果に基づいて第２分類閾値を決定する。例えば、分類閾値決定部２０４は、記憶部２０１から評価用データセットを読み出し、評価用データセットの正解データと、分類確率演算部２０３で算出された複数の単体クラスの分類確率値とに基づいて、第２分類閾値を決定する。つまり、分類閾値決定部２０４では、評価用データセットに基づいて、最適な第２分類閾値を決定する。例えば、分類閾値決定部２０４は、複数の単体クラスの分類確率値それぞれについて、評価用データセットに対するＦＰ（Ｆａｌｓｅ Ｐｏｓｉｔｉｖｅ）／ＦＮ（Ｆａｌｓｅ Ｎｅｇａｔｉｖｅ）の割合に応じて第２分類閾値を決定する。

なお、第２分類閾値は、予め決められた値を設定してもよく、ユーザが設定した目標精度に応じて決定されてもよい。第２分類閾値が目標精度に応じて決定される場合、分類閾値決定部２０４は、複数の単体クラスの分類確率値に対して第２分類閾値を適用することで得られる結果が目標閾値を満たすように第２分類閾値を決定してもよい。なお、目標精度は、クラス毎に設定されてもよく、全クラス共通で設定されてもよい。当該方法の詳細については、閾値算出装置の動作の項にて後述する。

なお、第２分類閾値は、複数の単体クラスそれぞれにおいて異なる値であってもよく、複数の単体クラスの全てにおいて同じ値であってもよい。

閾値変換部２０５は、第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値の変換であって、第１変換に対する逆変換である第２変換を実行する。言い換えると、閾値変換部２０５は、第２分類閾値を逆変換することにより、正規化されていない閾値（つまり、第１分類閾値）に変換する。閾値変換部２０５は、分類確率演算部２０３を構成する関数（例えば、逆変換可能な確率関数）の逆関数であってもよく、逆変換可能な確率関数の逆関数による演算に対応したデータベースであってもよい。データベースは、例えば、Ｌｏｏｋｕｐテーブルのように、入力と出力（逆変換後の値）とが対応付けられたテーブルあってもよい。

第１分類閾値は、情報処理装置１００ａにおいて、データを複数のクラスの少なくとも１つに分類するために使用される。情報処理装置１００ａは、正規化されていない閾値（第１分類閾値）を用いてデータのクラス分類処理を実行することができる。そのため、情報処理装置１００ａでは、データから抽出した特徴量に基づいて分類処理を実行できるため、正規化の処理が不要となり、演算量を低減することができる。

なお、第１分類閾値は、複数のクラスのそれぞれにおいて異なる値が設定されてもよく、複数のクラスの全てのクラスで共通の値が設定されてもよい。

第１出力部２０６は、第１分類閾値を出力する。より具体的には、第１出力部２０６は、通信を介して、第１分類閾値を情報処理装置１００ａの第１取得部１０３に出力する。通信は、例えばＷｉ－Ｆｉ（登録商標）又はＢｌｕｅｔｏｏｔｈ（登録商標）などの無線通信であってもよく、Ｅｔｈｅｒｎｅｔ（登録商標）などの有線通信であってもよい。

なお、閾値算出装置２００ａは、機械学習モデルを訓練するための訓練部（不図示）を備えてもよい。訓練部は、訓練用データセットを保持する記憶部（不図示）を備えてもよい。訓練用データセットは、予め格納された入力データと正解データとのセットを含む。訓練部は、インターネットなどの通信ネットワークを介して接続されるサーバ上に配置されたデータベースから新規の訓練用データを取得して、訓練用データセットを更新してもよい。また、訓練部は、第１演算部２０２と同じ分類モデルを保持する保持部（不図示）を備えてもよく、保持部は、さらに、分類確率演算部２０３と同じＮ個の単クラスの分類確率演算部を保持してもよい。訓練部は、訓練用データセットを用いて、第１演算部２０２と同じ分類モデルを訓練する。さらに、訓練部は、分類確率演算部２０３が備えるＮ個の単クラスの分類確率演算部を有するネットワークを訓練してもよい。訓練部は、当該分類モデル及び当該ネットワークの訓練が終了すると、訓練済みの分類モデルを第１演算部２０２に出力し、第１演算部２０２を訓練済みの分類モデルに更新してもよい。同様に、訓練部は、訓練済みのＮ個の単クラスの分類確率演算部を有するネットワークを分類確率演算部２０３に出力し、分類確率演算部２０３を訓練済みのネットワークに更新してもよい。

［情報処理装置］
続いて、情報処理装置１００ａについて説明する。情報処理装置１００ａは、例えばセンサが取得したデータを複数のクラスの少なくとも１つに分類して、分類結果を出力する装置である。以下、データが画像である例について説明する。なお、データ及びデータを取得するセンサについては、情報処理システム３００ａの概要にて説明したため、ここでの説明を省略する。

図１に示されるように、情報処理装置１００ａは、第１取得部１０３と、第２取得部１０１と、第２演算部１０２と、閾値処理部１０４と、第２出力部１０５と、を備える。

第１取得部１０３は、通信を介して、閾値算出装置２００ａの第１出力部２０６から出力された第１分類閾値を取得し、取得した第１分類閾値を閾値処理部１０４に出力する。通信に関しては、上述したため、ここでの説明を省略する。なお、第１分類閾値は、情報処理装置１００ａが備える記憶部に予め記憶されていてもよい。

第２取得部１０１は、センサから、通信を介して、データを取得する。ここで、センサはイメージセンサであり、データは画像である。第２取得部１０１は、取得したデータを第２演算部１０２に出力する。なお、通信は、無線通信であってもよく、有線通信であってもよい。なお、センサは１つに限られず、例えば、２以上のセンサを同期してデータを取得してもよい。また、第２取得部１０１は、脱着可能なメモリを介してデータを取得してもよい。脱着可能なメモリは、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリである。

第２演算部１０２は、データの特徴量を抽出する特徴量抽出器であり、例えば、機械学習モデルである。例えば、第２演算部１０２は、訓練済みの分類モデルである。当該分類モデルは、多層ニューラルネットワーク（ＤＮＮ）である。第１取得部１０３が取得したデータは、第２演算部１０２に入力される。第２演算部１０２は、当該データの複数のクラスに対応する複数のスカラを出力する。各スカラは、データの各クラスに対応する特徴量である。第２演算部１０２の出力は、正規化されていない値である。

なお、第２演算部１０２は、ＤＮＮに限られない。例えば、第２演算部１０２は、特徴点抽出法（例えば、エッジ抽出）、主成分分析法、ブロックマッチング法、サンプリングモアレ法などの手法を用いる、ＤＮＮ以外の他の特徴量抽出器であってもよい。

閾値処理部１０４は、第１取得部１０３から出力された第１分類閾値を取得し、第２演算部１０２の出力と、第１分類閾値とに基づいて、データを複数のクラスの少なくとも１つに分類する。より具体的には、閾値処理部１０４は、第２演算部１０２から出力された複数のクラスそれぞれに対する確率値が第１分類閾値以上であるか否かを判定することにより、データを複数のクラスの少なくとも１つに分類する。第１分類閾値は、複数のクラスそれぞれにおいて異なる値が設定されてもよく、複数のクラスの全てに共通な値が設定されてもよい。なお、閾値処理部１０４のより具体的な動作については、後述する。

第２出力部１０５は、データの分類結果を出力する。第２出力部１０５は、データの分類結果を提示部（不図示）に出力してもよく、情報処理装置１００ａ以外の他の装置に出力してもよい。例えば、第２出力部１０５は、入力部（不図示）に入力されたユーザの操作に基づいて、分類結果に基づく情報を提示部に提示させる。入力部は、例えば、キーボード、マウス、タッチパネル、ボタン、又は、マイクなどである。提示部は、例えば、ディスプレイ又はスピーカーなどである。なお、情報処理装置１００ａは、入力部及び提示部を備えていてもよく、備えていなくてもよい。入力部及び提示部は、例えば、情報処理装置１００ａ以外の他の装置が備えていてもよい。情報処理装置１００ａ以外の他の装置は、例えば、スマートフォン、タブレット、又は、コンピュータなどの情報端末であってもよい。また、情報処理装置１００ａは、コンピュータを例に挙げたが、インターネットなどの通信ネットワークを介して接続されるサーバ上に設けられてもよい。

なお、情報処理装置１００ａは、閾値算出装置２００ａと同様に、機械学習モデルを訓練するための訓練部（不図示）を備えてもよい。訓練部の詳細については、閾値算出装置２００ａで説明した訓練部の説明において、分類確率演算部２０３のネットワークの訓練を含まず、かつ、第１演算部２０２を第２演算部１０２に読み替えてもよい。

なお、情報処理システム３００ａは、閾値算出装置２００ａと、情報処理装置１００ａと共通した訓練部（不図示）を備え、当該訓練部が第１演算部２０２の分類モデル、分類確率演算部２０３のネットワーク、第２演算部１０２の分類モデルを訓練してもよい。

［閾値算出装置の動作］
続いて、閾値算出装置２００ａの動作について図２を参照しながら説明する。図２は、実施の形態１における閾値算出装置２００ａの動作の一例を示すフローチャートである。

第１演算部２０２は、記憶部２０１から評価用データセットの入力データを読み出し、当該入力データの複数のクラスに対応する複数のスカラを出力する（ステップＳ１００１）。入力データの複数のクラスに対応する複数のスカラは、入力データの複数のクラスそれぞれに対する特徴量である。例えば、入力データが画像であり、当該画像に自動車及びバイクが映っているとする。複数のクラスは、例えば、歩行者、自動車、バイク、自転車、及び、背景であるとする。このとき、第１演算部２０２は、例えば、入力データの複数のクラスに対応する複数のスカラを有するベクトル（歩行者、自動車、バイク、自転車、背景）＝（０．１、９０、６０、０．０１、０．００１）を出力する。

次いで、分類確率演算部２０３は、第１演算部２０２の出力から複数の単体クラスの分類確率値への変換である第１変換を実行する（ステップＳ１００２）。上述したとおり、分類確率演算部２０３は、複数の単体クラスの分類確率演算部を備える。各単体クラスの分類確率演算部は、逆変換可能な確率関数である。各単体クラスの分類確率演算部は、それぞれ異なる関数であってもよく、同じ関数であってもよい。また、各単体クラスの分類確率演算部は、それぞれ逆変換可能な確率関数による演算に対応したデータベースであってもよい。各単体クラスの閾値演算部は、複数のクラスの各クラスに対するスカラを、可逆的な変換により、０～１の範囲の値に変換する（つまり、正規化する）。例えば、第１演算部２０２の出力である（歩行者、自動車、バイク、自転車、背景）＝（０．１、９０、６０、０．０１、０．００１）の各スカラが、各クラスに対応する単体クラスの分類確率演算部に入力されると、各単体クラスの分類確率演算部において、各スカラは、０～１の範囲の値に変換される。分類確率演算部２０３は、複数の単体クラスの分類確率値である（歩行者、自動車、バイク、自転車、背景）＝（０．３、１．０、１．０、０．１、０）を出力する。ここで、正規化とは、複数のスカラ値を足して１になるように調整することではなく、各スカラ値の大きさに応じて各スカラ値を０～１の範囲の値に変換することをいう。このとき、変換係数は、各クラスの分類精度に応じて調整されてもよい。

次いで、分類閾値決定部２０４は、ステップＳ１００２で導出された複数の単体クラスの分類確率値に基づいて第２分類閾値を設定する（ステップＳ１００３）。より具体的には、分類閾値決定部２０４は、複数の単体クラスの分類確率値を取得し、取得した複数の単体クラスの分類確率値それぞれに対して第２分類閾値を用いた分類結果に基づいて第２分類閾値を決定する。例えば、分類閾値決定部２０４は、記憶部２０１から評価用データセットを読み出し、評価用データセットの正解データと、複数の単体クラスの分類確率値とに基づいて、第２分類閾値を決定する。例えば、分類閾値決定部２０４は、複数の単体クラスの分類確率値のそれぞれについて、評価用データセットに対するＦＰ（Ｆａｌｓｅ Ｐｏｓｉｔｉｖｅ）／ＦＮ（Ｆａｌｓｅ Ｎｅｇａｔｉｖｅ）の割合に応じて第２分類閾値を決定してもよい。また、例えば、複数の単体クラスの出力（つまり、分類確率値）に対して第２分類閾値を適用することで得られる結果が目標精度を満たすように第２分類閾値を決定してもよい。より具体的には、目標精度を設けて、複数の単体クラスの分類確率値の閾値（第２分類閾値）をずらした場合の分類精度を算出して、算出した分類精度が目標精度に最も近い閾値を選択し、当該閾値を第２分類閾値として決定してもよい。また、例えば、算出した分類精度が目標精度に最も近い閾値でなく、算出した分類精度が目標精度を初めて超えた閾値を第２分類閾値として決定してもよい。目標精度は、例えば、クラス毎に設定されてもよく、全クラス共通で設定されてもよい。なお、第２分類閾値は、複数の単体クラスそれぞれにおいて異なる値であってもよく、複数の単体クラスの全てのクラスにおいて同じ値であってもよい。

次いで、閾値変換部２０５は、分類閾値決定部２０４で設定された第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、第１変換に対する逆変換である第２変換を実行する（ステップＳ１００４）。これにより、正規化された閾値（ここでは、第２分類閾値）から正規化されていない閾値（ここでは、第１分類閾値）を得ることができる。第１分類閾値は、データを複数のクラスの少なくとも１つに分類するための閾値である。第１分類閾値は、クラス毎に異なる値が設定されてもよく、複数のクラス全体に共通の値が設定されてもよい。例えば、閾値変換部２０５が分類確率演算部２０３を構成する関数（例えば、逆変換可能な確率関数）の逆関数である場合、閾値変換部２０５は、ステップＳ１００３で導出された第２分類閾値を入力し、第２分類閾値が逆変換された第１分類閾値を算出する。また、閾値変換部２０５が、分類確率演算部２０３を構成する関数の逆関数による演算に対応したデータベース（例えば、Ｌｏｏｋｕｐテーブルのように入力と出力とが対応付けられたテーブル）である場合、第２分類閾値が閾値変換部２０５に入力されると、入力に対応付けられた第１分類閾値が出力される。

次いで、第１出力部２０６は、ステップＳ１００４で導出された第１分類閾値を情報処理装置１００ａに出力する（ステップＳ１００５）。このとき、第１出力部２０６は、情報処理装置１００ａと通信可能に接続されてもよい。通信方式については、上述したため、ここでの説明を省略する。

［情報処理装置の動作］
続いて、情報処理装置１００ａの動作について図３を参照しながら説明する。図３は、実施の形態１に係る情報処理装置１００ａの動作の一例を示すフローチャートである。

第２取得部１０１は、例えばイメージセンサなどのセンサ（不図示）からデータを取得する（ステップＳ２００１）。ここでは、データは画像である例について説明する。画像は、動画像であってもよく、静止画像（単に、画像ともよぶ）であってもよい。第２取得部１０１は、センサと通信可能に接続されてもよく、脱着可能なメモリ、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリを介して、センサから複数の画像を取得してもよい。通信方式については上述したため、ここでの説明を省略する。

第２演算部１０２は、ステップＳ２００１で取得したデータの複数のクラスに対応する複数のスカラを出力する（ステップＳ２００２）。データは、例えば、車載カメラで撮像された動画像であってもよく、画像あってもよい。動画像である場合は、動画像を構成する複数の画像それぞれについて、以下の動作を実行する。閾値算出装置２００ａの第１演算部２０２の動作と同様に、第２演算部１０２は、取得したデータから、複数のスカラ（特徴量）を出力する。以下、第２演算部１０２の出力は、（歩行者、自動車、バイク、自転車、背景）＝（７０、９０、０．５、６０、０．００１）である場合について説明する。

第１取得部１０３は、閾値算出装置２００ａから出力された第１分類閾値を取得する（ステップＳ２００３）。このとき、第１取得部１０３は、通信を介して閾値算出装置２００ａから第１分類閾値を取得する。第１分類閾値及び通信方式については、上述したためここでの説明を省略する。ここでは、第１分類閾値は、（歩行者、自動車、バイク、自転車、背景）＝（６０、６０、６０、６０、６０）であるとする。

閾値処理部１０４は、第２演算部１０２の出力と、第１取得部１０３が取得した第１分類閾値と、に基づいて、第２取得部１０１が取得したデータを複数のクラスの少なくとも１つに分類する（ステップＳ２００４）。より具体的には、ステップＳ２００４では、閾値処理部１０４は、データの複数のクラスに対応する複数のスカラが、それそれ、第１分類閾値以上であるか否かを判定することにより、データを複数のクラスの少なくとも１つに分類する。

例えば、第２演算部１０２の出力が（歩行者、自動車、バイク、自転車、背景）＝（７０、９０、０．５、６０、０．００１）であり、各クラスの第１分類閾値が（歩行者、自動車、バイク、自転車、背景）＝（６０、６０、６０、６０、６０）である場合、３つのクラスに対するスカラ値が第１分類閾値以上である。このとき、閾値処理部１０４は、当該画像を歩行者、自動車、自転車の３つのクラスに分類してもよく、１つのクラスに分類してもよい。後者の場合、閾値処理部１０４は、当該画像の３つのクラスに対する確率値のうち、最も大きいスカラ値を示すクラスを選択して、当該画像を１つのクラスに分類してもよい。この場合、上記の３つのクラスに対するスカラ値のうち、自動車クラスに対する確率値が最大であるため、閾値処理部１０４は、当該画像を自動車クラスに分類する。なお、閾値処理部１０４は、３つのクラスに対するスカラ値のうち、第１分類閾値との差分が大きいスカラ値を示すクラスを選択して、当該画像を１つのクラスに分類してもよい。この場合、閾値処理部１０４は、当該画像を自動車クラスに分類してもよい。以上のように、データの分類方法については、データの種類及び分類目的などに応じて、適宜設定されてもよい。

第２出力部１０５は、ステップＳ２００４で得られた分類結果を出力する（ステップＳ２００５）。第２出力部１０５は、分類結果を提示部（不図示）に出力してもよく、情報処理装置１００ａ以外の他の装置に出力してもよい。例えば、第２出力部１０５は、入力部（不図示）に入力されたユーザの操作に基づいて、分類結果に基づく情報を提示部に提示させる。入力部、提示部、及び、他の装置などについては、上述したため、ここでの説明を省略する。

分類結果に基づく情報は、入力部に入力された設定に基づき、様々な形式の分類結果が提示されてもよい。例えば、データが車載カメラで撮像された画像である場合、分類結果に基づく情報は、情報処理装置１００ａで検出された物体クラスの種類及び検出回数、物体クラス毎の識別精度、各物体クラスに関する天候又は時間帯による識別精度の変化、識別精度が低い画像の傾向、又は、危険回避のためのアドバイスなどであってもよい。情報処理装置１００ａは、例えば、インターネットを介して接続されるサーバ上に配置されたデータベースに分析結果を送信して、分析結果に基づく情報を取得してもよい。

（変形例）
続いて、実施の形態１の変形例に係る情報処理装置について説明する。以下では、実施の形態１との相違点を中心に説明し、共通点の説明を省略又は簡略化する。

［情報処理装置の概要］
図４は、実施の形態１の変形例に係る情報処理装置１００ｂの構成の一例を示すブロック図である。情報処理装置１００ｂは、閾値算出部２０ａと、記憶部２０１ａと、情報処理部１０と、を備える。

実施の形態１では、情報処理装置１００ａは、閾値算出装置２００ａから第１分類閾値を取得し、取得した第１分類閾値を用いてデータを複数のクラスの少なくとも１つに分類する例について説明した。情報処理装置１００ｂと、実施の形態１に係る情報処理装置１００ａとの間の主な相違点は、閾値算出部２０ａを備える点である。なお、図１及び図４において、実質的に同一の構成には同一の符号を付している。

実施の形態１では、図１に示されるように、閾値算出装置２００ａは、閾値変換部２０５で導出された第１分類閾値を第１出力部２０６に出力し、第１出力部２０６を介して第１分類閾値を情報処理装置１００ａに出力する。本変形例では、図４に示されるように、閾値算出部２０ａは、閾値変換部２０５で導出された第１分類閾値を記憶部２０１ａに格納する。そして、情報処理部１０は、記憶部２０１ａに格納された第１分類閾値を読み出す。

図１及び図４に示されるように、図４の取得部１０１ａは、図１の第２取得部１０１に対応し、図４の出力部１０５ａは、図１の第２出力部１０５に対応する。つまり、取得部１０１ａは、第２取得部１０１と同様に、イメージセンサなどのセンサからデータを取得する。また、出力部１０５ａは、第２出力部１０５と同様に、取得部１０１ａが取得したデータを複数のクラスの少なくとも１つに分類した分類結果を出力する。

［閾値算出部の動作］
図５は、実施の形態１の変形例における閾値算出部２０ａの動作の一例を示すフローチャートである。図５のステップＳ３００１～ステップＳ３００４は、それぞれ、図２のステップ１００１～ステップＳ１００４に対応するため、ここでの説明を簡略化する。なお、変形例に係る閾値算出部２０ａの動作は、実施の形態１に係る閾値算出装置２００ａの動作と、第１分類閾値を記憶部２０１ａに格納する点で異なる。

第１演算部２０２は、記憶部２０１から評価用データセットの入力データを読み出し、当該入力データの複数のクラスに対応する複数のスカラを出力する（ステップＳ３００１）。

次いで、分類確率演算部２０３は、第１演算部２０２の出力から複数の単体クラスの分類確率値への変換である第１変換を実行する（ステップＳ３００２）。

次いで、分類閾値決定部２０４は、ステップＳ３００２で導出された複数の単体クラスの分類確率値に基づいて第２分類閾値を設定する（ステップＳ３００３）。

次いで、閾値変換部２０５は、分類閾値決定部２０４で設定された第２分類閾値に対して、第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって第１変換に対する逆変換である第２変換を実行する（ステップＳ３００４）。

次いで、閾値変換部２０５は、第１分類閾値を記憶部２０１ａに格納する（ステップＳ３００５）。

［情報処理部の動作］
図６は、実施の形態１の変形例における情報処理部１０の動作の一例を示すフローチャートである。図６のステップＳ４００１とステップＳ４００２とは、図３のステップＳ２００１とステップＳ２００２とに対応するため、ここでの説明を簡略化する。

取得部１０１ａは、例えばイメージセンサなどのセンサからデータを取得する（ステップＳ４００１）。次いで、第２演算部１０２は、ステップＳ４００１で取得したデータの複数のクラスに対応する複数のスカラ（確率値）を出力する（ステップＳ４００２）。

続いて、データの複数のクラスそれぞれについて、クラス毎のループ処理を開始する。

閾値処理部１０４は、記憶部２０１ａに格納されている第１分類閾値を読み出す（ステップＳ４００３）。ここでは、閾値処理部１０４は、複数のクラスそれぞれの第１分類閾値を、各クラスの分類処理毎に読み出す例を説明するが、閾値処理部１０４は、複数のクラスの全ての第１分類閾値を一時に読み出してもよい。なお、第１分類閾値は、複数のクラスのそれぞれに対して異なる値であってもよく、同じ値であってもよい。

閾値処理部１０４は、第２演算部１０２の出力と、記憶部２０１ａから読み出した第１分類閾値と、に基づいて、第２取得部１０１が取得したデータを複数のクラスの少なくとも１つに分類する。まず、閾値処理部１０４は、記憶部２０１ａから複数のクラスのうちの１つのクラス（例えば、歩行者のクラス）の第１分類閾値を読み出し（ステップＳ４００３）、当該クラスのスカラ値が記憶部２０１ａから読み出した第１分類閾値以上であるか否かを判定する（ステップＳ４００４）。当該クラスのスカラ値が第１分類閾値以上である場合（ステップＳ４００４でＹｅｓ）、閾値処理部１０４は、記憶部２０１ａに当該クラスのスカラ値と当該クラスを示す番号とを紐づけて保存する（ステップＳ４００５）。

一方、当該クラスのスカラ値が第１分類閾値よりも小さい場合（ステップＳ４００４でＮｏ）、閾値処理部１０４は、記憶部２０１ａから複数のクラスのうちの他の１つのクラス（例えば、自動車のクラス）の第１分類閾値を読み出す（ステップＳ４００３）。閾値処理部１０４は、当該クラスのスカラ値が記憶部２０１ａから読み出した第１分類閾値以上であるか否かを判定する（ステップＳ４００４）。当該クラスのスカラ値が第１分類閾値以上である場合（ステップＳ４００４でＹｅｓ）、閾値処理部１０４は、記憶部２０１ａに当該クラスのスカラ値と当該クラスを示す番号とを紐づけて格納する（ステップＳ４００５）。

一方、当該クラスのスカラ値が第１分類閾値よりも小さい場合（ステップＳ４００４でＮｏ）、閾値処理部１０４は、記憶部２０１ａから複数のクラスのうちの他の１つのクラス（例えば、バイクのクラス）を読み出して（ステップＳ４００３）、ステップＳ４００４の判定処理を実行する。このように、同様の処理を繰り返すことにより、データの複数のクラスに対応する複数のスカラについて、クラス毎の分類処理を実行する。クラス毎のループ処理が終了すると、閾値処理部１０４は、記憶部２０１ａに格納されたクラスの数が１以上であるか否かを判定する（ステップＳ４００６）。記憶部２０１ａに格納されたクラスの数が１以上である場合（ステップＳ４００６でＹｅｓ）、閾値処理部１０４は、出力部１０５ａに、スカラ値が最大のクラス番号を出力する（ステップＳ４００７）。これにより、出力部１０５ａは、当該クラス番号に基づき、データを複数のクラスの少なくとも１つに分類した分類結果（例えば、データは自動車である）を出力する（不図示）。

一方、記憶部２０１ａに格納されたクラスの数がゼロである場合（ステップＳ４００６でＮｏ）、閾値処理部１０４は、出力部１０５ａに、その他を示す番号を出力する（ステップＳ４００８）。その他とは、該当するクラスが無いことを示す。このとき、出力部１０５ａから出力される分類結果は、例えば、データはその他のクラスである、又は、データは背景クラスである、であってもよい。

（実施の形態２）
続いて、実施の形態２における情報処理システムについて説明する。以下では、実施の形態１との相違点を中心に説明し、共通点の説明を省略又は簡略化する。

［情報処理システムの概要］
図７は、実施の形態２における情報処理システム３００ｂの構成の一例を示すブロック図である。情報処理システム３００ｂは、閾値算出装置２００ｂと、情報処理装置１００ａと、を備える。実施の形態２に係る閾値算出装置２００ｂと、実施の形態１に係る閾値算出装置２００ａとの間の主な相違点は、ユーザが設定した第２分類閾値から第１分類閾値を導出する点である。

［閾値算出装置の構成］
続いて、閾値算出装置２００ｂの構成について説明する。

図７に示されるように、閾値算出装置２００ｂは、入力部２０７と、閾値変換部２０５と、第１出力部２０６と、を備える。ここでは、閾値算出装置２００ｂは、入力部２０７を備える例について説明するが、これに限られない。例えば、入力部は、閾値算出装置２００ｂ以外の他の装置に備えられてもよい。他の装置は、例えば、タブレット端末、スマートフォン、又は、コンピュータなどである。

入力部２０７は、ユーザからの操作信号を閾値変換部２０５に入力する。入力部２０７は、例えば、タッチパネル、キーボード、マウス、ボタン、又は、スピーカーなどである。操作信号は、例えば、複数のクラスそれぞれの第２分類閾値を示す信号である。ユーザは、入力部２０７を介して第２分類閾値を閾値変換部２０５に入力する。なお、第２分類閾値は、予め設定された値であってもよい。

閾値変換部２０５は、取得した第２分類閾値に対して、第１変換に対する逆変換である第２変換を実行し、第１分類閾値を導出する。第１出力部２０６は、第１分類閾値を情報処理装置１００ａに出力する。

なお、情報処理装置１００ａについては、実施の形態１に係る情報処理装置１００ａと同様であるため、ここでの説明を省略する。

［閾値算出装置の動作］
続いて、閾値算出装置２００ｂの動作について説明する。図８は、実施の形態２における閾値算出装置２００ｂの動作の一例を示すフローチャートである。

図示していないが、ユーザは、入力部２０７を介して閾値変換部２０５に複数のクラスそれぞれの第２分類閾値を入力する。

図８に示されるように、閾値変換部２０５は、入力部２０７を介して入力された複数のクラスの第２分類閾値を取得する（ステップＳ５００１）。次いで、閾値変換部２０５は、取得した第２分類閾値に対して、第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、第１変換に対する逆変換である第２変換を実行する（ステップＳ５００２）。

第１出力部２０６は、第１分類閾値を情報処理装置１００ａに出力する（ステップＳ５００３）。

なお、情報処理装置１００ａの動作については、実施の形態１で説明した例と同様であるため、ここでの説明を省略する。

（変形例）
続いて、実施の形態２の変形例に係る情報処理装置について説明する。以下では、実施の形態２との相違点を中心に説明し、共通点の説明を省略又は簡略化する。

［情報処理装置の概要］
図９は、実施の形態２の変形例に係る情報処理装置１００ｃの構成の一例を示すブロック図である。情報処理装置１００ｂは、閾値算出部２０ｂと、記憶部２０１ｂと、情報処理部１０と、を備える。

実施の形態２では、情報処理装置１００ａは、閾値算出装置２００ｂから第１分類閾値を取得し、取得した第１分類閾値を用いてデータを複数のクラスの少なくとも１つに分類する例について説明した。本変形例に係る情報処理装置１００ｃと、実施の形態２に係る情報処理装置１００ａとの間の主な相違点は、情報処理装置１００ｃが閾値算出部２０ｂを備える点である。また、本変形例に係る閾値算出部２０ｂと、実施の形態２に係る閾値算出装置２００ｂとの間の主な相違点は、閾値算出部２０ｂが分類閾値決定部２０４を備える点である。なお、図７及び図９において、実質的に同一の構成には同一の符号を付している。

実施の形態２では、図７に示されるように、閾値算出装置２００ｂは、ユーザが入力部２０７を介して閾値変換部２０５に入力した第２分類閾値を、閾値変換部２０５で逆変換し、第１分類閾値を導出する。そして、閾値算出装置２００ｂは、導出した第１分類閾値を、第１出力部２０６から情報処理装置１００に出力する。本変形例では、図９に示されるように、閾値算出部２０ｂは、閾値変換部２０５で導出された第１分類閾値を記憶部２０１ｂに格納する。そして、情報処理部１０は、記憶部２０１ｂに格納された第１分類閾値を読み出して、データを複数のクラスの少なくとも１つに分類する。

図７及び図９に示されるように、図９の取得部１０１ａは、図７の第２取得部１０１に対応し、図９の出力部１０５ａは、図７の第２出力部１０５に対応する。つまり、取得部１０１ａは、第２取得部１０１と同様に、イメージセンサなどのセンサからデータを取得する。また、出力部１０５ａは、第２出力部１０５と同様に、取得部１０１ａが取得したデータを複数のクラスの少なくとも１つに分類した分類結果を出力する。

また、図１及び図９に示されるように、図９の分類閾値決定部２０４は、図１の分類閾値決定部２０４に対応する。分類閾値決定部２０４は、例えば、記憶部２０１又は記憶部２０１ｂに格納された評価用データセットを参照して、適切な第２分類閾値を決定する。

実施の形態２に係る閾値算出装置２００ｂでは、ユーザが入力した第２分類閾値から第１分類閾値を導出したが、本変形例に係る閾値算出部２０ｂでは、ユーザが入力した第２分類閾値と、記憶部２０１ｂに格納された評価用データとに基づいて、第２分類閾値を決定する。決定処理の詳細については、動作の項にて説明する。

なお、情報処理部１０については、実施の形態１の変形例に係る情報処理部１０と同様であるため、ここでの説明を省略する。

［閾値算出部の動作］
図１０は、実施の形態２の変形例における閾値算出部２０ｂの動作の一例を示すフローチャートである。

図示していないが、ユーザは、入力部２０７を介して分類閾値決定部２０４に複数のクラスそれぞれの第２分類閾値を入力する。これにより、図１０に示されるように、分類閾値決定部２０４は、入力された第２分類閾値を取得する（ステップＳ６００１）。

次いで、分類閾値決定部２０４は、記憶部２０１ｂから評価用データを読み出す（ステップＳ６００２）。分類閾値決定部２０４は、評価用データセットに基づいて、ステップＳ６００１で取得した第２分類閾値が適切であるか否か、より具体的には、評価用データセットの複数の単体クラスの分類確率値に対して第２分類閾値を適用することで得られる結果が目標精度を満たすか否かを判定する（ステップＳ６００３）。第２分類閾値が適切であると判定された場合（ステップＳ６００３でＹｅｓ）、分類閾値決定部２０４は、当該第２分類閾値を閾値変換部２０５に出力する。閾値変換部２０５は、取得した第２分類閾値に対して、第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、第１変換に対する逆変換である第２変換を実行する（ステップＳ６００４）。閾値変換部２０５は、導出した第１分類閾値を記憶部２０１ｂに格納する（ステップＳ６００５）。

一方、第２分類閾値が適切でないと判定された場合（ステップＳ６００３でＮｏ）、分類閾値決定部２０４は、提示部（不図示）に、第２分類閾値が適切でない旨を提示させる（ステップＳ６００６）。このとき、分類閾値決定部２０４は、評価用データセットの複数の単体クラスの分類確率値に対して第２分類閾値を適用することで得られる結果が目標精度を満たす第２分類閾値を提示部に提示させてもよい。

なお、情報処理部１０の動作については、実施の形態１の変形例における情報処理部１０と同様であるため、ここでの説明を省略する。

（他の実施の形態）
以上、１つ又は複数の態様に係る情報処理装置及び情報処理方法について、実施の形態に基づいて説明したが、本開示は、これらの実施の形態に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したもの、及び、異なる実施の形態における構成要素を組み合わせて構築される形態も、本開示の範囲に含まれる。

例えば、上記の実施の形態において説明した処理は、単一の装置（システム）を用いて集中処理することによって実現してもよく、又は、複数の装置を用いて分散処理することによって実現してもよい。また、上記プログラムを実行するプロセッサは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、又は、分散処理を行ってもよい。

また、上記の各実施の形態は、請求の範囲又はその均等の範囲において種々の変更、書き換え、付加、及び、省略などを行うことができる。

本開示は、物体のクラス分類のための演算量を低減することができる情報処理装置、情報処理方法及びプログラムなどとして有用である。

１０ 情報処理部
２０ａ、２０ｂ 閾値算出部
１００ａ、１００ｂ、１００ｃ 情報処理装置
１０１ 第２取得部
１０１ａ 取得部
１０２ 第２演算部
１０３ 第１取得部
１０４ 閾値処理部
１０５ 第２出力部
１０５ａ 出力部
２００ａ、２００ｂ 閾値算出装置
２０１、２０１ａ、２０１ｂ 記憶部
２０２ 第１演算部
２０３ 分類確率演算部
２０４ 分類閾値決定部
２０５ 閾値変換部
２０６ 第１出力部
２０７ 入力部
３００ａ、３００ｂ 情報処理システム

Claims (4)

1. コンピュータにより実行される情報処理方法であって、
   訓練済みの分類モデルの出力から複数の単体クラスの分類確率値への第１変換を実行し、
   前記複数の単体クラスの前記分類確率値に基づいて第２分類閾値を設定し、
   前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、
   前記第１分類閾値を出力し、
   前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラであり、
   前記第１変換は、逆変換可能な確率関数による演算に対応したデータベースを用いた変換であり、
   前記第２変換は、前記確率関数の逆関数による演算に対応したデータベースを用いた変換である、
   情報処理方法。
2. コンピュータにより実行される情報処理方法であって、
   データセットを取得し、
   前記データセットを訓練済みの分類モデルに入力し、
   前記訓練済みの分類モデルの出力から前記データセットに含まれるデータそれぞれについて複数の単体クラスの分類確率値への第１変換を実行し、
   前記複数の単体クラスの分類確率値それぞれに対して第２分類閾値を用いた分類結果に基づいて前記第２分類閾値を設定し、
   前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、
   前記第１分類閾値を出力し、
   前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラである、
   情報処理方法。
3. 訓練済みの分類モデルの出力から複数の単体クラスの分類確率値への第１変換を実行し、
   前記複数の単体クラスの前記分類確率値に基づいて第２分類閾値を設定し、
   前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、
   前記第１分類閾値を出力し、
   前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラであり、
   前記第１変換は、逆変換可能な確率関数による演算に対応したデータベースを用いた変換であり、
   前記第２変換は、前記確率関数の逆関数による演算に対応したデータベースを用いた変換である、
   情報処理方法をコンピュータに実行させるためのプログラム。
4. データセットを取得し、
   前記データセットを訓練済みの分類モデルに入力し、
   前記訓練済みの分類モデルの出力から前記データセットに含まれるデータそれぞれについて複数の単体クラスの分類確率値への第１変換を実行し、
   前記複数の単体クラスの分類確率値それぞれに対して第２分類閾値を用いた分類結果に基づいて前記第２分類閾値を設定し、
   前記第２分類閾値からデータを複数のクラスの少なくとも１つに分類するための第１分類閾値への変換であって、前記第１変換に対する逆変換である第２変換を実行し、
   前記第１分類閾値を出力し、
   前記訓練済みの分類モデルの出力は、前記複数のクラスに対応する複数のスカラであり、前記分類確率値に変換されていない複数のスカラである、
   情報処理方法をコンピュータに実行させるためのプログラム。

Images