ホーム > 特許ランキング > 公立大学法人会津大学
知財求人 - 知財ポータルサイト「IP Force」
特開2023-96970学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023096970
(43)【公開日】2023-07-07
(54)【発明の名称】学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法
(51)【国際特許分類】
G06T 7/00 20170101AFI20230630BHJP
G06N 20/00 20190101ALI20230630BHJP
【ＦＩ】
G06T7/00 350B
G06N20/00 130
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2021213059
(22)【出願日】2021-12-27
(71)【出願人】
【識別番号】506301140
【氏名又は名称】公立大学法人会津大学
(74)【代理人】
【識別番号】100094525
【弁理士】
【氏名又は名称】土井 健二
(74)【代理人】
【識別番号】100094514
【弁理士】
【氏名又は名称】林 恒徳
(72)【発明者】
【氏名】齋藤 寛
(72)【発明者】
【氏名】富岡 洋一
(72)【発明者】
【氏名】小平 行秀
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096AA06
5L096BA02
5L096CA25
5L096DA02
5L096FA02
5L096JA11
5L096JA16
5L096KA04
(57)【要約】 （修正有）
【課題】特定の地域において出没する野生動物を高い頻度で検出することを可能とする学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法を提供する。
【解決手段】方法は、複数の第１訓練データを用いた機械学習を行うことによって生成した第１学習モデルを用いることによって、複数の評価データに対応する第２ラベルの判定を行い、複数の評価データのうち、第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、誤判定のラベルと類似する類似ラベルに対応するクラスと第１数のクラスとを含む第２数のクラス毎に、各クラスに分類された複数の評価データの夫々に対して第２ラベルを対応付けることによって複数の第２訓練データを生成し、複数の第２訓練データを用いた機械学習を行うことによって生成した第２学習モデルを用いて、複数の評価データに対応する第２ラベルの判定を行う。
【選択図】図３
【解決手段】方法は、複数の第１訓練データを用いた機械学習を行うことによって生成した第１学習モデルを用いることによって、複数の評価データに対応する第２ラベルの判定を行い、複数の評価データのうち、第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、誤判定のラベルと類似する類似ラベルに対応するクラスと第１数のクラスとを含む第２数のクラス毎に、各クラスに分類された複数の評価データの夫々に対して第２ラベルを対応付けることによって複数の第２訓練データを生成し、複数の第２訓練データを用いた機械学習を行うことによって生成した第２学習モデルを用いて、複数の評価データに対応する第２ラベルの判定を行う。
【選択図】図３
【特許請求の範囲】
【請求項1】
複数の画像データのそれぞれに対して前記複数の画像データのそれぞれに映る対象物に対応する第１ラベルを付加し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを第１数のクラスに分類し、
前記第１数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データを生成し、
前記複数の第１訓練データを用いた機械学習を行うことによって第１学習モデルを生成し、
前記第１学習モデルを用いることによって、複数の評価データに対応する前記第２ラベルの判定を行い、
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを誤判定ラベルとして特定し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第１数のクラスと前記誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第２数のクラスに分類し、
前記第２数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを対応付けることによって複数の第２訓練データを生成し、
前記複数の第２訓練データを用いた機械学習を行うことによって第２学習モデルを生成し、
前記第２学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、
前記第２学習モデルを用いた場合における前記判定の結果を示す第２コストが、前記第１学習モデルを用いた場合における前記判定の結果を示す第１コストよりも大きい場合、前記第２学習モデルが前記第１学習モデルよりも判定精度が高いこと示す情報を出力する、
処理をコンピュータに実行させることを特徴とする学習モデル生成プログラム。
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを第１数のクラスに分類し、
前記第１数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データを生成し、
前記複数の第１訓練データを用いた機械学習を行うことによって第１学習モデルを生成し、
前記第１学習モデルを用いることによって、複数の評価データに対応する前記第２ラベルの判定を行い、
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを誤判定ラベルとして特定し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第１数のクラスと前記誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第２数のクラスに分類し、
前記第２数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを対応付けることによって複数の第２訓練データを生成し、
前記複数の第２訓練データを用いた機械学習を行うことによって第２学習モデルを生成し、
前記第２学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、
前記第２学習モデルを用いた場合における前記判定の結果を示す第２コストが、前記第１学習モデルを用いた場合における前記判定の結果を示す第１コストよりも大きい場合、前記第２学習モデルが前記第１学習モデルよりも判定精度が高いこと示す情報を出力する、
処理をコンピュータに実行させることを特徴とする学習モデル生成プログラム。
【請求項2】
請求項１において、
前記第１数のクラスは、予め指定された検出対象の対象物に対応する前記第１ラベルが分類されるクラスと、前記検出対象の対象物以外の対象物に対応する前記第１ラベルが分類されるクラスとを含む、
ことを特徴とする学習モデル生成プログラム。
前記第１数のクラスは、予め指定された検出対象の対象物に対応する前記第１ラベルが分類されるクラスと、前記検出対象の対象物以外の対象物に対応する前記第１ラベルが分類されるクラスとを含む、
ことを特徴とする学習モデル生成プログラム。
【請求項3】
請求項１において、
前記第１学習モデル及び前記第２学習モデルのそれぞれは、物体認識モデルまたは物体検出モデルである、
ことを特徴とする学習モデル生成プログラム。
前記第１学習モデル及び前記第２学習モデルのそれぞれは、物体認識モデルまたは物体検出モデルである、
ことを特徴とする学習モデル生成プログラム。
【請求項4】
請求項１において、
前記誤判定ラベルとして特定する処理では、前記第２ラベルのうち、同一の前記他のラベルに対応すると誤認識された評価データの数が所定数以上であるラベルを、前記誤判定ラベルとして特定し、
前記第２数のクラスに分類する処理では、前記同一の他のラベルを前記類似ラベルとして特定する、
ことを特徴とする学習モデル生成プログラム。
前記誤判定ラベルとして特定する処理では、前記第２ラベルのうち、同一の前記他のラベルに対応すると誤認識された評価データの数が所定数以上であるラベルを、前記誤判定ラベルとして特定し、
前記第２数のクラスに分類する処理では、前記同一の他のラベルを前記類似ラベルとして特定する、
ことを特徴とする学習モデル生成プログラム。
【請求項5】
請求項４において、さらに、
前記第１ラベルの類似関係を示す類似情報を記憶部に記憶する、
処理をコンピュータに実行させ、
前記第２数のクラスに分類する処理では、前記記憶部に記憶された前記類似情報を参照し、前記誤判定ラベルと前記他のラベルとが類似関係にあることを示す情報が前記類似情報に含まれていると判定した場合、前記他のラベルを前記類似ラベルとして特定する、
ことを特徴とする学習モデル生成プログラム。
前記第１ラベルの類似関係を示す類似情報を記憶部に記憶する、
処理をコンピュータに実行させ、
前記第２数のクラスに分類する処理では、前記記憶部に記憶された前記類似情報を参照し、前記誤判定ラベルと前記他のラベルとが類似関係にあることを示す情報が前記類似情報に含まれていると判定した場合、前記他のラベルを前記類似ラベルとして特定する、
ことを特徴とする学習モデル生成プログラム。
【請求項6】
請求項１において、
前記第１コストは、前記第１学習モデルを用いた場合における前記判定の結果に対応するＦ値であり、
前記第２コストは、前記第２学習モデルを用いた場合における前記判定の結果に対応するＦ値である、
ことを特徴とする学習モデル生成プログラム。
前記第１コストは、前記第１学習モデルを用いた場合における前記判定の結果に対応するＦ値であり、
前記第２コストは、前記第２学習モデルを用いた場合における前記判定の結果に対応するＦ値である、
ことを特徴とする学習モデル生成プログラム。
【請求項7】
請求項１において、
前記出力する処理では、前記第１コストが前記第２コストよりも大きい場合、前記第１学習モデルが前記第２学習モデルよりも判定精度が高いこと示す情報を出力する、
ことを特徴とする学習モデル生成プログラム。
前記出力する処理では、前記第１コストが前記第２コストよりも大きい場合、前記第１学習モデルが前記第２学習モデルよりも判定精度が高いこと示す情報を出力する、
ことを特徴とする学習モデル生成プログラム。
【請求項8】
請求項１において、さらに、
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると前記第２学習モデルによって誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを新たな誤判定ラベルとして特定し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第２数のクラスと前記新たな誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第３数のクラスに分類し、
前記第３数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを付加することによって、複数の第３訓練データを生成し、
前記複数の第３訓練データを用いた機械学習を行うことによって第３学習モデルを生成し、
前記第３学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、
前記第３学習モデルを用いた場合における前記判定の結果を示す第３コストが前記第２コストよりも大きい場合、前記第３学習モデルが前記第２学習モデルよりも判定精度が高いこと示す情報を出力する、
処理をコンピュータに実行させることを特徴とする学習モデル生成プログラム。
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると前記第２学習モデルによって誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを新たな誤判定ラベルとして特定し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第２数のクラスと前記新たな誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第３数のクラスに分類し、
前記第３数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを付加することによって、複数の第３訓練データを生成し、
前記複数の第３訓練データを用いた機械学習を行うことによって第３学習モデルを生成し、
前記第３学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、
前記第３学習モデルを用いた場合における前記判定の結果を示す第３コストが前記第２コストよりも大きい場合、前記第３学習モデルが前記第２学習モデルよりも判定精度が高いこと示す情報を出力する、
処理をコンピュータに実行させることを特徴とする学習モデル生成プログラム。
【請求項9】
複数の画像データのそれぞれに対して前記複数の画像データのそれぞれに映る対象物に対応する第１ラベルを付加するラベル付加部と、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを第１数のクラスに分類するクラス分類部と、
前記第１数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データを生成するデータ生成部と、
前記複数の第１訓練データを用いた機械学習を行うことによって第１学習モデルを生成するモデル生成部と、
前記第１学習モデルを用いることによって、複数の評価データに対応する前記第２ラベルの判定を行うモデル評価部と、
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを誤判定ラベルとして特定するクラス追加部と、を有し、
前記クラス分類部は、同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第１数のクラスと前記誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第２数のクラスに分類し、
前記データ生成部は、前記第２数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを対応付けることによって複数の第２訓練データを生成し、
前記モデル生成部は、前記複数の第２訓練データを用いた機械学習を行うことによって第２学習モデルを生成し、
前記モデル評価部は、前記第２学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、さらに、
前記第２学習モデルを用いた場合における前記判定の結果を示す第２コストが、前記第１学習モデルを用いた場合における前記判定の結果を示す第１コストよりも大きい場合、前記第２学習モデルが前記第１学習モデルよりも判定精度が高いこと示す情報を出力する情報出力部を有する、
ことを特徴とする学習モデル生成装置。
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを第１数のクラスに分類するクラス分類部と、
前記第１数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データを生成するデータ生成部と、
前記複数の第１訓練データを用いた機械学習を行うことによって第１学習モデルを生成するモデル生成部と、
前記第１学習モデルを用いることによって、複数の評価データに対応する前記第２ラベルの判定を行うモデル評価部と、
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを誤判定ラベルとして特定するクラス追加部と、を有し、
前記クラス分類部は、同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第１数のクラスと前記誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第２数のクラスに分類し、
前記データ生成部は、前記第２数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを対応付けることによって複数の第２訓練データを生成し、
前記モデル生成部は、前記複数の第２訓練データを用いた機械学習を行うことによって第２学習モデルを生成し、
前記モデル評価部は、前記第２学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、さらに、
前記第２学習モデルを用いた場合における前記判定の結果を示す第２コストが、前記第１学習モデルを用いた場合における前記判定の結果を示す第１コストよりも大きい場合、前記第２学習モデルが前記第１学習モデルよりも判定精度が高いこと示す情報を出力する情報出力部を有する、
ことを特徴とする学習モデル生成装置。
【請求項10】
複数の画像データのそれぞれに対して前記複数の画像データのそれぞれに映る対象物に対応する第１ラベルを付加し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを第１数のクラスに分類し、
前記第１数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データを生成し、
前記複数の第１訓練データを用いた機械学習を行うことによって第１学習モデルを生成し、
前記第１学習モデルを用いることによって、複数の評価データに対応する前記第２ラベルの判定を行い、
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを誤判定ラベルとして特定し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第１数のクラスと前記誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第２数のクラスに分類し、
前記第２数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを対応付けることによって複数の第２訓練データを生成し、
前記複数の第２訓練データを用いた機械学習を行うことによって第２学習モデルを生成し、
前記第２学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、
前記第２学習モデルを用いた場合における前記判定の結果を示す第２コストが、前記第１学習モデルを用いた場合における前記判定の結果を示す第１コストよりも大きい場合、前記第２学習モデルが前記第１学習モデルよりも判定精度が高いこと示す情報を出力する、
処理をコンピュータが実行することを特徴とする学習モデル生成方法。
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを第１数のクラスに分類し、
前記第１数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データを生成し、
前記複数の第１訓練データを用いた機械学習を行うことによって第１学習モデルを生成し、
前記第１学習モデルを用いることによって、複数の評価データに対応する前記第２ラベルの判定を行い、
前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを誤判定ラベルとして特定し、
同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第１数のクラスと前記誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第２数のクラスに分類し、
前記第２数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを対応付けることによって複数の第２訓練データを生成し、
前記複数の第２訓練データを用いた機械学習を行うことによって第２学習モデルを生成し、
前記第２学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、
前記第２学習モデルを用いた場合における前記判定の結果を示す第２コストが、前記第１学習モデルを用いた場合における前記判定の結果を示す第１コストよりも大きい場合、前記第２学習モデルが前記第１学習モデルよりも判定精度が高いこと示す情報を出力する、
処理をコンピュータが実行することを特徴とする学習モデル生成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法に関する。
【背景技術】
【0002】
近年、山に近い農村部の畑の農作物が熊や猪等の野生動物（以下、単に野生動物とも呼ぶ）により荒らされる被害が増加しているとともに、都市部においても野生動物が人に危害を与えるおそれが高まっている。そのため、近年では、出没した野生動物の認識や検出を行うことが可能な機械学習モデル（以下、単に学習モデルとも呼ぶ）が各種提案されている（特許文献１乃至７参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】中国特許出願公報第１１２６１５９８４号明細書
【特許文献2】中国特許出願公報第１１２９８９８９２号明細書
【特許文献3】特開２０２１－０８６４４１号公報
【特許文献4】特開２０２０－０６７９１３号公報
【特許文献5】特開２０２１－１１４９３０号公報
【特許文献6】特開２０２０－０２１１１１号公報
【特許文献7】特開２０２０－１７１２４８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
ここで、上記のような野生動物の検出に用いられる学習モデルは、例えば、様々な地域に出没する多くの種類の野生動物の検出を目的として訓練されている場合がある。そのため、このような学習モデルは、例えば、特定の地域において高い頻度で出没する野生動物を高い精度で検出することができない場合がある。
【0005】
そこで、本発明の目的は、特定の地域において出没する野生動物を高い頻度で検出することを可能とする学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法を提供することにある。
【課題を解決するための手段】
【0006】
上記目的を達成するための本発明における学習モデル生成プログラムは、複数の画像データのそれぞれに対して前記複数の画像データのそれぞれに映る対象物に対応する第１ラベルを付加し、同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを第１数のクラスに分類し、前記第１数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データを生成し、前記複数の第１訓練データを用いた機械学習を行うことによって第１学習モデルを生成し、前記第１学習モデルを用いることによって、複数の評価データに対応する前記第２ラベルの判定を行い、前記複数の評価データのうち、各評価データに対応する前記第２ラベル以外の他のラベルに対応すると誤判定された評価データを誤判定データとして特定し、特定した前記誤判定データに対応する前記第２ラベルを誤判定ラベルとして特定し、同一の前記第１ラベルが付加された画像データごとに、前記複数の画像データを、前記第１数のクラスと前記誤判定ラベルと類似する類似ラベルに対応するクラスとを含む第２数のクラスに分類し、前記第２数のクラスごとに、各クラスに分類された前記複数の画像データのそれぞれに対して各クラスに対応する前記第２ラベルを対応付けることによって複数の第２訓練データを生成し、前記複数の第２訓練データを用いた機械学習を行うことによって第２学習モデルを生成し、前記第２学習モデルを用いることによって、前記複数の評価データに対応する前記第２ラベルの判定を行い、前記第２学習モデルを用いた場合における前記判定の結果を示す第２コストが、前記第１学習モデルを用いた場合における前記判定の結果を示す第１コストよりも大きい場合、前記第２学習モデルが前記第１学習モデルよりも判定精度が高いこと示す情報を出力する、処理をコンピュータに実行させる。
【発明の効果】
【0007】
本発明における学習モデル生成プログラム、学習モデル生成装置及び学習モデル生成方法によれば、特定の地域において出没する野生動物を高い頻度で検出することが可能になる。
【図面の簡単な説明】
【0008】
【発明を実施するための形態】
【0009】
以下、図面を参照して本発明の実施の形態について説明する。しかしながら、かかる実施の形態例が、本発明の技術的範囲を限定するものではない。
【0010】
［第１の実施の形態における情報処理装置１の構成例］
初めに、第１の実施の形態における情報処理装置１（以下、学習モデル生成装置１とも呼ぶ）の構成例について説明を行う。図１は、第１の実施の形態における情報処理装置１の構成例を示す図である。
初めに、第１の実施の形態における情報処理装置１（以下、学習モデル生成装置１とも呼ぶ）の構成例について説明を行う。図１は、第１の実施の形態における情報処理装置１の構成例を示す図である。
【0011】
情報処理装置１は、コンピュータ装置であって、例えば、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）である。そして、情報処理装置１は、例えば、特定の地域において出没する野生動物（以下、単に野生動物とも呼ぶ）の検出を行う学習モデルを生成する処理（以下、学習モデル生成処理とも呼ぶ）を行う。
【0012】
情報処理装置１は、汎用的なコンピュータ装置のハードウエア構成を有し、例えば、図１に示すように、プロセッサであるＣＰＵ１０１と、メモリ１０２と、通信インタフェース１０３と、記憶媒体１０４とを有する。各部は、バス１０５を介して互いに接続される。
【0013】
記憶媒体１０４は、例えば、学習モデル生成処理を行うためのプログラム（図示しない）を記憶するプログラム格納領域（図示しない）を有する。
【0014】
また、記憶媒体１０４は、例えば、学習モデル生成処理を行う際に用いられる情報を記憶する記憶部１１０（以下、記憶領域１１０とも呼ぶ）を有する。なお、記憶媒体１０４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）であってよい。
【0015】
ＣＰＵ１０１は、記憶媒体１０４からメモリ１０２にロードされたプログラムを実行して学習モデル生成処理を行う。
【0016】
通信インタフェース１０３は、例えば、インターネット網等のネットワークＮＷを介して作業者端末２と通信を行う。なお、作業者端末２は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）であり、学習モデルの生成を行う作業者（以下、単に作業者とも呼ぶ）が必要な情報の入力等を行う端末であってよい。
【0017】
【0018】
情報処理装置１の情報管理部１１１は、例えば、作業者が作業者端末２を介して入力した各種情報を記憶媒体１０４に記憶する。具体的に、情報管理部１１１は、例えば、学習モデルＭＤ１や学習モデルＭＤ２等（以下、これらを総称して単に学習モデルＭＤとも呼ぶ）の生成に用いる画像データＤＴ０の入力を受け付けた場合、受け付けた画像データＤＴ０を記憶媒体１０４に記憶する。
【0019】
情報処理装置１のラベル付加部１１２は、例えば、記憶媒体１０４に記憶した複数の画像データＤＴ０のそれぞれに対して、複数の画像データＤＴ０のそれぞれに映る対象物に対応するラベル（以下、第１ラベルとも呼ぶ）を付加する。具体的に、ラベル付加部１１２は、例えば、記憶媒体１０４に記憶した複数の画像データＤＴ０ごとに、作業者が作業者端末２を介して指定した第１ラベルを各画像データＤＴ０に付加する。なお、第１ラベルは、例えば、複数の画像データＤＴ０のそれぞれに映る対象物の種類（例えば、名称）を示す情報であってよい。
【0020】
情報処理装置１のクラス分類部１１３は、例えば、データ生成部１１４が同一の第１ラベルを付加した画像データＤＴ０ごとに、データ生成部１１４が第１ラベルを付加した複数の画像データＤＴ０のそれぞれを複数のクラス（以下、第１数のクラスとも呼ぶ）に分類する。
【0021】
具体的に、クラス分類部１１３は、例えば、野生動物（例えば、作業者が検出を行う必要があると判断した野生動物）の種類ごとに、各種類に対応する画像データＤＴ０を、各種類に対応する画像データＤＴ０のみが格納されるクラスに分類する。また、クラス分類部１１３は、例えば、野生動物に対応する画像データＤＴ０以外の画像データＤＴを、野生動物に対応する画像データＤＴ０以外の画像データＤＴをまとめて格納するクラスに分類する。すなわち、クラス分類部１１３は、例えば、最初に生成される学習モデルＭＤ１の生成に用いられる画像データＤＴ０にクラス数が可能な限り少なくなるように、画像データＤＴ０の分類を行う。
【0022】
情報処理装置１のデータ生成部１１４は、例えば、クラス分類部１１３が分類した第１数のクラスごとに、各クラスに分類された複数の画像データＤＴ０のそれぞれに対して各クラスに対応するラベル（以下、第２ラベルとも呼ぶ）を対応付けることによって、複数の訓練データＤＴ１１（以下、第１訓練データＤＴ１１とも呼ぶ）を生成する。すなわち、データ生成部１１４は、例えば、各画像データＤＴ０と各画像データＤＴ０が分類されたクラスに対応する第２ラベルとをそれぞれ含む複数の第１訓練データＤＴ１１を生成する。
【0023】
情報処理装置１のモデル生成部１１５は、図３に示すように、例えば、データ生成部１１４が生成した複数の第１訓練データＤＴ１１を用いて機械学習を行うことによって学習モデルＭＤ１（以下、第１学習モデルＭＤ１とも呼ぶ）を生成する。なお、モデル生成部１１５は、学習モデルＭＤの学習中において、例えば、複数の検証データ（図示せず）を用いることによって、第１学習モデルＭＤ１の学習の進捗状況（第１学習モデルＭＤの判定精度）を判定するものであってもよい。複数の検証データは、例えば、データ生成部１１４によって生成された複数の第１訓練データＤＴ１１のうちの一部であってよい。具体的に、複数の検証データは、例えば、第１学習モデルＭＤ１の生成に用いなかった複数の第１訓練データＤＴ１１であってよい。
【0024】
情報処理装置１のモデル評価部１１６は、例えば、モデル生成部１１５が生成した第１学習モデルＭＤ１を用いることによって、複数の評価データＤＴ２に対応する第２ラベルの判定を行う。複数の評価データＤＴ２は、例えば、データ生成部１１４によって生成された複数の第１訓練データＤＴ１１のうちの一部であってよい。具体的に、複数の評価データＤＴ２は、例えば、第１学習モデルＭＤ１の生成に用いなかった複数の第１訓練データＤＴ１１であって、かつ、複数の検証データとして用いなかった複数の第１訓練データＤＴ１１であってよい。
【0025】
そして、モデル評価部１１６は、図３に示すように、例えば、複数の評価データＤＴ２に対応する第２ラベルの判定結果を示すコストＣ１（以下、第１コストＣ１とも呼ぶ）を算出する。
【0026】
情報処理装置１のクラス追加部１１７は、例えば、複数の評価データＤＴ２のうち、第１学習モデルＭＤ１が誤判定した評価データＤＴ２（以下、誤判定データＤＴ２とも呼ぶ）を特定する。すなわち、クラス追加部１１７は、例えば、複数の評価データＤＴ２のうち、各評価データＤＴ２に対応する第２ラベル以外のラベル（以下、他のラベルとも呼ぶ）に対応すると第１学習モデルＭＤ１が誤判定した誤判定データＤＴ２を特定する。そして、クラス追加部１１７は、例えば、特定した誤判定データＤＴ２に対応する第２ラベル（以下、誤判定ラベルとも呼ぶ）を特定する。さらに、クラス追加部１１７は、例えば、第１ラベルのうち、誤判定ラベルと類似するラベル（以下、類似ラベルとも呼ぶ）を特定する。
【0027】
そして、クラス分類部１１３は、例えば、データ生成部１１４が同一の第１ラベルを付加した画像データＤＴ０ごとに、データ生成部１１４が第１ラベルを付加した複数の画像データＤＴ０のそれぞれを、第１数のクラスとクラス追加部１１７が特定した類似ラベルとを含む複数のクラス（以下、第２数のクラスとも呼ぶ）に分類する。
【0028】
次に、データ生成部１１４は、例えば、クラス分類部１１３が分類した第２数のクラスごとに、各クラスに分類された複数の画像データＤＴ０のそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の訓練データＤＴ１２（以下、第２訓練データＤＴ１２とも呼ぶ）を生成する。なお、以下、第１訓練データＤＴ１１及び第２訓練データＤＴ１２等を総称して単に訓練データＤＴ１とも呼ぶ。
【0029】
続いて、モデル生成部１１５は、図３に示すように、例えば、データ生成部１１４が生成した複数の第２訓練データＤＴ１２を用いて機械学習を行うことによって学習モデルＭＤ２（以下、第２学習モデルＭＤ２とも呼ぶ）を生成する。
【0030】
さらに、モデル評価部１１６は、例えば、モデル生成部１１５が生成した第２学習モデルＭＤ２を用いることによって、複数の評価データＤＴ２に対応する第２ラベルの判定を行う。そして、モデル評価部１１６は、図３に示すように、例えば、複数の評価データＤＴ２に対応する第２ラベルの判定結果を示すコストＣ２（以下、第２コストＣ２とも呼ぶ）を算出する。
【0031】
情報処理装置１のモデル判定部１１８は、図３に示すように、例えば、モデル評価部１１６によって算出された第１コストＣ１と、モデル評価部１１６によって算出された第２コストＣ２との大小関係を判定する。
【0032】
情報処理装置１の情報出力部１１９は、例えば、第１コストＣ１が第２コストＣ２よりも大きいとモデル判定部１１８が判定した場合、すなわち、第２コストＣ２が第１コストＣ１を上回らなったと判定した場合、例えば、第１学習モデルＭＤ１が第２学習モデルＭＤ２よりも判定精度が高いことを示す情報を出力する。そして、情報処理装置１は、学習モデル生成処理を終了する。
【0033】
また、情報処理装置１は、例えば、類似ラベルが存在しないとクラス追加部１１７が判定した場合についても同様に、学習モデル生成処理を終了する。
【0034】
一方、第２コストＣＬ２が第１コストＣＬ１よりも大きいとモデル判定部１１８が判定した場合、情報処理装置１は、学習モデル生成処理の実行を継続し、新たな学習モデルＭＤの生成を開始する。
【0035】
そして、情報処理装置１は、新たに生成した学習モデルＭＤのコストが前回生成した学習モデルＭＤのコストよりも大きくなるまで学習モデル生成処理を繰り返す。
【0036】
すなわち、限定された特定の地域では、出没する野生動物の種類が限られる傾向にある。そのため、特定の地域において出没する野生動物の検出を行う学習モデルＭＤは、他の広い地域において出没する野生動物の検出を行う学習モデルＭＤの場合よりも、訓練データＤＴ１を分類するクラス数を少なくした方が、判定精度を向上させることができる可能性が高いと判断できる。
【0037】
そこで、本実施の形態における情報処理装置１は、例えば、可能な限りクラス数が少ない学習モデルＭＤの生成を行い、さらに、クラス数を徐々に増加させながら１以上の学習モデルＭＤの生成を行う。そして、情報処理装置１は、例えば、新たに生成した学習モデルＭＤのコストが前回生成した学習モデルＭＤのコストよりも大きくなくなった場合、新たに生成した学習モデルＭＤの判定精度が前回生成した学習モデルＭＤの判定精度を上回らなかったと判定し、新たな学習モデルＭＤの生成を終了する。
【0038】
これにより、本実施の形態における情報処理装置１は、特定の地域において出没する野生動物の検出に適した学習モデルＭＤを生成することが可能になる。そのため、情報処理装置１は、特定の地域において出没する野生動物の検出精度を向上させることが可能になる。
【0039】
また、本実施の形態における情報処理装置１は、クラス数を徐々に増加させながら複数の学習モデルＭＤの生成を行うことで、学習モデル生成処理の終了時点において生成される学習モデルＭＤのサイズ（パラメータ数）を抑制することが可能になる。そのため、情報処理装置１は、例えば、リソース量に制限がある環境下においても動作可能な学習モデルＭＤを生成することが可能になる。
【0040】
以下、対象物の種類の認識を行う学習モデルＭＤ（以下、物体認識モデルＭＤとも呼ぶ）の生成を行う場合について説明を行うが、本実施の形態における学習モデル生成処理では、例えば、対象物の検出そのものを行う学習モデルＭＤ（以下、物体検出モデルＭＤとも呼ぶ）の生成を行うものであってもよい。なお、情報処理装置１は、この場合、画像データＤＴ０と第２ラベルとに加え、画像データＤＴ０における対象物の位置情報（例えば、バウンディングボックスによって指定された位置情報）を含む訓練データＤＴ１を用いることによって、学習モデルＭＤ（物体検出モデルＭＤ）の生成を行う。
【0041】
［第１の実施の形態の詳細］
次に、第１の実施の形態における学習モデル生成処理の詳細について説明を行う。図４から図９は、第１の実施の形態における学習モデル生成処理の詳細を説明するフローチャート図である。また、図１０から図２４は、第１の実施の形態における学習モデル生成処理の詳細を説明する図である。
次に、第１の実施の形態における学習モデル生成処理の詳細について説明を行う。図４から図９は、第１の実施の形態における学習モデル生成処理の詳細を説明するフローチャート図である。また、図１０から図２４は、第１の実施の形態における学習モデル生成処理の詳細を説明する図である。
【0042】
［画像データ記憶処理］
初めに、学習モデル生成処理のうち、学習モデルの生成に用いる画像データを記憶媒体１０４に記憶する処理（以下、画像データ記憶処理とも呼ぶ）について説明を行う。
初めに、学習モデル生成処理のうち、学習モデルの生成に用いる画像データを記憶媒体１０４に記憶する処理（以下、画像データ記憶処理とも呼ぶ）について説明を行う。
【0043】
情報管理部１１１は、図４に示すように、例えば、学習モデルＭＤの生成に用いる画像データＤＴ０の入力を受け付けるまで待機する（Ｓ１のＮＯ）。具体的に、情報管理部１１１は、例えば、作業者が作業者端末２を介して画像データＤＴ０の入力を行うまで待機する。
【0044】
そして、画像データＤＴ０の入力を受け付けた場合（Ｓ１のＹＥＳ）、情報管理部１１１は、入力を受け付けた画像データＤＴ０を記憶媒体１０４に記憶する（Ｓ２）。
【0045】
［ラベル付加処理］
次に、学習モデル生成処理のうち、画像データＤＴ０に対して第１ラベルを付加する処理（以下、ラベル付加処理とも呼ぶ）について説明を行う。
次に、学習モデル生成処理のうち、画像データＤＴ０に対して第１ラベルを付加する処理（以下、ラベル付加処理とも呼ぶ）について説明を行う。
【0046】
ラベル付加部１１２は、図５に示すように、例えば、記憶媒体１０４に記憶した画像データＤＴ０に映る対象物（例えば、野生動物）に対応する第１ラベルの入力を受け付けるまで待機する（Ｓ１１のＮＯ）。具体的に、ラベル付加部１１２は、例えば、作業者が作業者端末２を介して第１ラベルの入力を行うまで待機する。
【0047】
そして、第１ラベルの入力を受け付けた場合（Ｓ１１のＹＥＳ）、ラベル付加部１１２は、例えば、入力を受け付けた第１ラベルに対応する画像データＤＴ０に対して、入力を受け付けた第１ラベルを付加する（Ｓ１２）。以下、画像データＤＴ０の具体例について説明を行う。
【0048】
［画像データＤＴ０の具体例］
図１０は、画像データＤＴ０の具体例について説明する図である。具体的に、図１０は、第１ラベルが付加された後の画像データＤＴ０の具体例について説明する図である。なお、以下、各画像データＤＴ０の上側に記載された文字列が第１ラベルであるものとして説明を行う。
図１０は、画像データＤＴ０の具体例について説明する図である。具体的に、図１０は、第１ラベルが付加された後の画像データＤＴ０の具体例について説明する図である。なお、以下、各画像データＤＴ０の上側に記載された文字列が第１ラベルであるものとして説明を行う。
【0049】
図１０に示す画像データＤＴ０には、例えば、対象物が熊である昼間の画像データＤＴ０（第１ラベルが「ｂｅａｒ」の画像データＤＴ０）と、対象物が猪である昼間の画像データＤＴ０（第１ラベルが「ｂｏａｒ」の画像データＤＴ０）と、対象物が車である昼間の画像データＤＴ０（第１ラベルが「ｃａｒ」の画像データＤＴ０）とが含まれる。
【0050】
また、図１０に示す画像データＤＴ０には、例えば、対象物が熊である夜間の画像データＤＴ０（第１ラベルが「ｂｅａｒｎｉｇｈｔ」の画像データＤＴ０）と、対象物が猪である昼間の画像データＤＴ０（第１ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０）と、対象物が車である昼間の画像データＤＴ０（第１ラベルが「ｃａｒｎｉｇｈｔ」の画像データＤＴ０）とが含まれる。
【0051】
さらに、図１０に示す画像データＤＴ０には、例えば、対象物が映っていない昼間の画像データＤＴ０（第１ラベルが「ｂａｃｋｇｒｏｕｎｄ（ｂｇ）」の画像データＤＴ０）と、対象が映っていない夜間の画像データＤＴ０（第１ラベルが「ｂｇｎｉｇｈｔ」の画像データＤＴ０）と、対象物の特定が困難な画像データＤＴ０（第１ラベルが「ａｂｎｏｒｍａｌ（ｄａｒｋ）」の画像データＤＴ０）とが含まれる。
【0052】
すなわち、図１０に示す画像データＤＴ０には、「ｂｅａｒ」や「ｂｏａｒ」等を含む１８種類の第１ラベルに対応する画像データＤＴ０が含まれている。図１０に含まれる他の画像データＤＴ０については説明を省略する。
【0053】
［類似リスト記憶処理］
次に、学習モデル生成処理のうち、類似リストＬＳ（以下、類似情報ＬＳとも呼ぶ）を記憶媒体１０４に記憶する処理（以下、類似リスト記憶処理とも呼ぶ）について説明を行う。
次に、学習モデル生成処理のうち、類似リストＬＳ（以下、類似情報ＬＳとも呼ぶ）を記憶媒体１０４に記憶する処理（以下、類似リスト記憶処理とも呼ぶ）について説明を行う。
【0054】
情報管理部１１１は、図６に示すように、例えば、類似リストＬＳの入力を受け付けるまで待機する（Ｓ２１のＮＯ）。類似リストＬＳは、例えば、対象物の色や形等の情報に基づいて作業者が予め生成したリストであって、第１ラベルのそれぞれの類似関係を示すリストである。具体的に、情報管理部１１１は、例えば、作業者が作業者端末２を介して類似リストＬＳの入力を行うまで待機する。
【0055】
そして、類似リストＬＳの入力を受け付けた場合（Ｓ２１のＹＥＳ）、情報管理部１１１は、例えば、入力を受け付けた類似リストＬＳを記憶媒体１０４に記憶する（Ｓ２２）。以下、類似リストＬＳの具体例について説明を行う。
【0056】
［類似リストＬＳの具体例］
図１１は、類似リストＬＳの具体例について説明する図である。
図１１は、類似リストＬＳの具体例について説明する図である。
【0057】
図１１に示す類似リストＬＳの１行目の情報は、例えば、第１ラベルが「ｂｅａｒ」の画像データＤＴ０と、第１ラベルが「ｃｒａｗ」の画像データＤＴ０とが類似することを示している。また、図１１に示す類似リストＬＳの２行目の情報は、例えば、第１ラベルが「ｂｏａｒ」の画像データＤＴ０と、第１ラベルが「ｍｏｎｋｅｙ」の画像データＤＴ０とが類似し、さらに、第１ラベルが「ｂｏａｒ」の画像データＤＴ０と、第１ラベルが「ｒａｃｏｏｎ」の画像データＤＴ０とが類似することを示している。図１１に含まれる他の情報については説明を省略する。
【0058】
［学習モデル生成処理のメイン処理］
次に、学習モデル生成処理のメイン処理について説明を行う。
次に、学習モデル生成処理のメイン処理について説明を行う。
【0059】
クラス分類部１１３は、図７に示すように、例えば、モデル生成タイミングになるまで待機する（Ｓ３１のＮＯ）。モデル生成タイミングは、例えば、作業者が作業者端末２を介して学習モデルの生成を開始する旨の情報を入力したタイミングである。
【0060】
そして、モデル生成タイミングになった場合（Ｓ３１のＹＥＳ）、クラス分類部１１３は、例えば、同一の第１ラベルが付加された画像データＤＴ０ごとに、記憶媒体１０４に記憶された複数の画像データＤＴ０のそれぞれを第１数のクラスに分類する（Ｓ３２）。なお、第１数のクラスは、例えば、作業者が作業者端末２を介して予め指定するものであってよい。以下、Ｓ３２の処理の具体例について説明を行う。
【0061】
［Ｓ３２の処理の具体例］
図１２から図１４は、Ｓ３２の処理の具体例について説明する図である。以下、第１数のクラスが９クラスであり、熊及び猪の検出を可能とする学習モデルの生成に最低限必要と判断されたクラスの指定が行われているものとして説明を行う。すなわち、以下、図１２に示すように、第１ラベルが「ｂｅａｒ」の画像データＤＴ０が分類されるクラス（以下、ｂｅａｒクラスとも呼ぶ）と、第１ラベルが「ｂｇ」の画像データＤＴ０が分類されるクラス（以下、ｂｇクラスとも呼ぶ）と、第１ラベルが「ｂｏａｒ」の画像データＤＴ０が分類されるクラス（以下、ｂｏａｒクラスとも呼ぶ）と、第１ラベルが「ｂｅａｒｎｉｇｈｔ」の画像データＤＴ０が分類されるクラス（以下、ｂｅａｒｎｉｇｈｔクラスとも呼ぶ）と、第１ラベルが「ｂｇｎｉｇｈｔ」の画像データＤＴ０が分類されるクラス（以下、ｂｇｎｉｇｈｔクラスとも呼ぶ）と、第１ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０が分類されるクラス（以下、ｂｏａｒｎｉｇｈｔクラスとも呼ぶ）と、第１ラベルが「ｄａｒｋ」の画像データＤＴ０が分類されるクラス（以下、ｄａｒｋクラスとも呼ぶ）と、各クラスに分類されない昼間の画像データＤＴ０が分類されるクラス（以下、ｏｔｈｅｒクラスとも呼ぶ）と、各クラスに分類されない夜間の画像データＤＴ０が分類されるクラス（以下、ｏｔｈｅｒｎｉｇｈｔクラスとも呼ぶ）との指定が予め行われているものとして説明を行う。
図１２から図１４は、Ｓ３２の処理の具体例について説明する図である。以下、第１数のクラスが９クラスであり、熊及び猪の検出を可能とする学習モデルの生成に最低限必要と判断されたクラスの指定が行われているものとして説明を行う。すなわち、以下、図１２に示すように、第１ラベルが「ｂｅａｒ」の画像データＤＴ０が分類されるクラス（以下、ｂｅａｒクラスとも呼ぶ）と、第１ラベルが「ｂｇ」の画像データＤＴ０が分類されるクラス（以下、ｂｇクラスとも呼ぶ）と、第１ラベルが「ｂｏａｒ」の画像データＤＴ０が分類されるクラス（以下、ｂｏａｒクラスとも呼ぶ）と、第１ラベルが「ｂｅａｒｎｉｇｈｔ」の画像データＤＴ０が分類されるクラス（以下、ｂｅａｒｎｉｇｈｔクラスとも呼ぶ）と、第１ラベルが「ｂｇｎｉｇｈｔ」の画像データＤＴ０が分類されるクラス（以下、ｂｇｎｉｇｈｔクラスとも呼ぶ）と、第１ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０が分類されるクラス（以下、ｂｏａｒｎｉｇｈｔクラスとも呼ぶ）と、第１ラベルが「ｄａｒｋ」の画像データＤＴ０が分類されるクラス（以下、ｄａｒｋクラスとも呼ぶ）と、各クラスに分類されない昼間の画像データＤＴ０が分類されるクラス（以下、ｏｔｈｅｒクラスとも呼ぶ）と、各クラスに分類されない夜間の画像データＤＴ０が分類されるクラス（以下、ｏｔｈｅｒｎｉｇｈｔクラスとも呼ぶ）との指定が予め行われているものとして説明を行う。
【0062】
具体的に、クラス分類部１１３は、例えば、第１ラベルが「ｂｅａｒ」の画像データＤＴ０をｂｅａｒクラスに分類し、第１ラベルが「ｂｇ」の画像データＤＴ０をｂｇクラスに分類し、第１ラベルが「ｂｏａｒ」の画像データＤＴ０をｂｏａｒクラスに分類し、第１ラベルが「ｂｅａｒｎｉｇｈｔ」の画像データＤＴ０をｂｅａｒｎｉｇｈｔクラスに分類し、第１ラベルが「ｂｇｎｉｇｈｔ」の画像データＤＴ０をｂｇｎｉｇｈｔクラスに分類し、第１ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０をｂｏａｒｎｉｇｈｔクラスに分類し、第１ラベルが「ｄａｒｋ」の画像データＤＴ０をｄａｒｋクラスに分類する。
【0063】
また、クラス分類部１１３は、図１３に示すように、例えば、第１ラベルが「ｃａｒ」の画像データＤＴ０と、第１ラベルが「ｃａｔ」の画像データＤＴ０と、第１ラベルが「ｃｒａｗ」の画像データＤＴ０と、第１ラベルが「ｄｏｇ」の画像データＤＴ０と、第１ラベルが「ｍａｎ」の画像データＤＴ０と、第１ラベルが「ｍｏｎｋｅｙ」の画像データＤＴ０と、第１ラベルが「ｒａｃｏｏｎ」の画像データＤＴ０とを、ｏｔｈｅｒクラスに分類する。
【0064】
さらに、クラス分類部１１３は、図１４に示すように、例えば、第１ラベルが「ｒａｃｏｏｎｎｉｇｈｔ」の画像データＤＴ０と、第１ラベルが「ｃａｒｎｉｇｈｔ」の画像データＤＴ０と、第１ラベルが「ｍａｎｎｉｇｈｔ」の画像データＤＴ０と、第１ラベルが「ｒａｂｂｉｔｎｉｇｈｔ」の画像データＤＴ０とを、ｏｔｈｅｒｎｉｇｈｔクラスに分類する。
【0065】
図７に戻り、データ生成部１１４は、例えば、Ｓ３２の処理で分類した第１数のクラスごとに、各クラスに分類された複数の画像データＤＴ０のそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第１訓練データＤＴ１１を生成する（Ｓ３３）。
【0066】
具体的に、データ生成部１１４は、例えば、ｂｅａｒクラスに分類された画像データＤＴ０ごとに、各画像データと各画像データに対応する第２ラベルである「ｂｅａｒ」を示す情報とを有する第１訓練データＤＴ１１を生成する。また、データ生成部１１４は、例えば、ｂｏａｒクラスに分類された画像データＤＴ０ごとに、各画像データと各画像データに対応する第２ラベルである「ｂｏａｒ」を示す情報とを有する第１訓練データＤＴ１１を生成する。さらに、データ生成部１１４は、例えば、ｏｔｈｅｒクラスに分類された画像データＤＴ０ごとに、各画像データと各画像データに対応する第２ラベルである「ｏｔｈｅｒ」を示す情報とを有する第１訓練データＤＴ１１を生成する。図１２に含まれる他の第１訓練データＤＴ１１についての説明は省略する。
【0067】
図７に戻り、モデル生成部１１５は、例えば、Ｓ３３の処理で生成した複数の第１訓練データＤＴ１１を用いて機械学習を行うことによって第１学習モデルＭＤ１を生成する（Ｓ３４）。
【0068】
次に、モデル評価部１１６は、例えば、Ｓ３４の処理で生成した第１学習モデルＭＤ１を用いることによって、複数の評価データＤＴ２のそれぞれに対応する第２ラベルの判定を行う（Ｓ３５）。
【0069】
そして、モデル評価部１１６は、例えば、複数の評価データＤＴ２のそれぞれに対応する第２ラベルの判定結果を示す第１コストＣ１を算出する（Ｓ３６）。以下、第１コストＣ１の具体例について説明を行う。
【0070】
［各学習モデルにおけるコストの具体例］
図１５、図１８、図２１及び図２４は、各学習モデルＭＤにおけるコストの具体例について説明する図である。具体的に、図１５は、第１コストＣ１の具体例について説明する図である。さらに具体的に、図１５（Ａ）は、ｂｅａｒクラス及びｂｅａｒｎｉｇｈｔクラスに対応する判定結果の具体例について説明する図である。また、図１５（Ｂ）は、ｂｏａｒ及びｂｏａｒｎｉｇｈｔクラスに対応する判定結果の具体例について説明する図である。なお、以下、第１ラベルのそれぞれについての評価データＤＴ２の数が２５であるものとして説明を行う。また、以下、第１ラベルの種類の数が１８であり、評価データＤＴ２の総数が４５０（１８×２５＝４５０）であるものとして説明を行う。
図１５、図１８、図２１及び図２４は、各学習モデルＭＤにおけるコストの具体例について説明する図である。具体的に、図１５は、第１コストＣ１の具体例について説明する図である。さらに具体的に、図１５（Ａ）は、ｂｅａｒクラス及びｂｅａｒｎｉｇｈｔクラスに対応する判定結果の具体例について説明する図である。また、図１５（Ｂ）は、ｂｏａｒ及びｂｏａｒｎｉｇｈｔクラスに対応する判定結果の具体例について説明する図である。なお、以下、第１ラベルのそれぞれについての評価データＤＴ２の数が２５であるものとして説明を行う。また、以下、第１ラベルの種類の数が１８であり、評価データＤＴ２の総数が４５０（１８×２５＝４５０）であるものとして説明を行う。
【0071】
具体的に、図１５（Ａ）における「ｂｅａｒ」の欄に示すように、例えば、第１ラベルが「ｂｅａｒ」の画像データＤＴ０を含む評価データＤＴ２のうち、Ｓ３５の処理において第２ラベルの判定が正しく行われた評価データＤＴ２の数が２５であり、図１５（Ａ）における「ｂｅａｒｎｉｇｈｔ」の欄に示すように、例えば、第１ラベルが「ｂｅａｒｎｉｇｈｔ」の画像データＤＴ０を含む評価データＤＴ２のうち、Ｓ３５の処理において第２ラベルの判定が正しく行われた評価データＤＴ２の数が２２である場合、モデル評価部１１６は、図１５（Ａ）における各欄に示すように、例えば、ＴｒｕｅＰｏｓｉｔｉｖｅ（以下、ＴＰとも呼ぶ）である評価データＤＴ２の数として４７を特定し、ＦａｌｓｅＮｅｇａｔｉｖｅ（以下、ＦＮとも呼ぶ）である評価データＤＴ２の数として３を特定し、ＦａｌｓｅＰｏｓｉｔｉｖｅ（以下、ＦＰとも呼ぶ）である評価データＤＴ２の数として８を特定し、ＴｒｕｅＮａｇａｔｉｖｅ（以下、ＴＮとも呼ぶ）である評価データＤＴ２の数として３９２を特定する。
【0072】
そして、モデル評価部１１６は、図１５（Ａ）における各欄に示すように、例えば、以下の式（１）に従って、Ａｃｃｕｒａｒｙとして０．９８を算出し、以下の式（２）に従って、Ｒｅｃａｌｌとして０．９４を算出し、以下の式（３）に従って、Ｐｒｅｃｉｓｉｏｎとして０．８５を算出し、以下の式（４）に従って、Ｆ－ｖａｌｕｅ（以下、Ｆ値とも呼ぶ）として０．９０を算出する。
【0073】
Ａｃｃｕｒａｒｙ＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＮ＋ＦＰ＋ＴＮ） ・・・（式（１））
Ｒｅｃａｌｌ＝ＴＰ／（ＴＰ＋ＦＮ） ・・・（式（２））
Ｐｒｅｃｉｓｉｏｎ＝ＴＰ／（ＴＰ＋ＦＰ） ・・・（式（３））
Ｆ－ｖａｌｕｅ＝（２×Ｒｅｃａｌｌ×Ｐｒｅｃｉｓｉｏｎ）／（Ｒｅｃａｌｌ＋Ｐｒｅｃｉｓｉｏｎ） ・・・（式（４））
同様に、図１５（Ｂ）における「ｂｏａｒ」の欄に示すように、例えば、第１ラベルが「ｂｏａｒ」の画像データＤＴ０を含む評価データＤＴ２のうち、Ｓ３５の処理において第２ラベルの判定が正しく行われた評価データＤＴ２の数が２２であり、図１５（Ｂ）における「ｂｏａｒｎｉｇｈｔ」の欄に示すように、例えば、第１ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０を含む評価データＤＴ２のうち、Ｓ３５の処理において第２ラベルの判定が正しく行われた評価データＤＴ２の数が１９である場合、モデル評価部１１６は、図１５（Ｂ）における各欄に示すように、例えば、ＴＰである評価データＤＴ２の数として４１を特定し、ＦＮである評価データＤＴ２の数として９を特定し、ＦＰである評価データＤＴ２の数として１４を特定し、ＴＮである評価データＤＴ２の数として３８６を特定する。
Ｒｅｃａｌｌ＝ＴＰ／（ＴＰ＋ＦＮ） ・・・（式（２））
Ｐｒｅｃｉｓｉｏｎ＝ＴＰ／（ＴＰ＋ＦＰ） ・・・（式（３））
Ｆ－ｖａｌｕｅ＝（２×Ｒｅｃａｌｌ×Ｐｒｅｃｉｓｉｏｎ）／（Ｒｅｃａｌｌ＋Ｐｒｅｃｉｓｉｏｎ） ・・・（式（４））
同様に、図１５（Ｂ）における「ｂｏａｒ」の欄に示すように、例えば、第１ラベルが「ｂｏａｒ」の画像データＤＴ０を含む評価データＤＴ２のうち、Ｓ３５の処理において第２ラベルの判定が正しく行われた評価データＤＴ２の数が２２であり、図１５（Ｂ）における「ｂｏａｒｎｉｇｈｔ」の欄に示すように、例えば、第１ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０を含む評価データＤＴ２のうち、Ｓ３５の処理において第２ラベルの判定が正しく行われた評価データＤＴ２の数が１９である場合、モデル評価部１１６は、図１５（Ｂ）における各欄に示すように、例えば、ＴＰである評価データＤＴ２の数として４１を特定し、ＦＮである評価データＤＴ２の数として９を特定し、ＦＰである評価データＤＴ２の数として１４を特定し、ＴＮである評価データＤＴ２の数として３８６を特定する。
【0074】
そして、モデル評価部１１６は、図１５（Ｂ）における各欄に示すように、この場合、例えば、Ａｃｃｕｒａｒｙとして０．９５を算出し、Ｒｅｃａｌｌとして０．８２を算出し、Ｐｒｅｃｉｓｉｏｎとして０．７５を算出し、Ｆ－ｖａｌｕｅとして０．７８を算出する。
【0075】
その後、モデル評価部１１６は、例えば、ｂｅａｒクラス及びｂｅａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．９０と、ｂｏａｒクラス及びｂｏａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．７８とのうちの最小値である０．７８を、第１学習モデルＭＤ１の第１コストＣ１として算出する。
【0076】
図８に戻り、クラス追加部１１７は、例えば、記憶媒体１０４に記憶された複数の画像データＤＴ０を分類するクラスの追加（拡張）が可能であるか否かについて判定する（Ｓ４１）。
【0077】
具体的に、クラス追加部１１７は、例えば、複数の評価データＤＴ２のうち、各評価データＤＴ２に対応する第２ラベルを第１学習モデルＭＤ１が誤判定した評価データＤＴ２（誤判定データＤＴ２）を特定する。そして、クラス追加部１１７は、例えば、特定した誤判定データＤＴ２に対応する第２ラベル（誤判定ラベル）を特定する。さらに、クラス追加部１１７は、例えば、記憶媒体１０４に記憶した類似リストＬＳを参照し、特定した誤判定ラベルのうち、第１数のクラスにまだ含まれていないラベルと類似する類似ラベルを特定する。その後、クラス追加部１１７は、特定した類似ラベルに対応するクラスを新たなクラス（以下、追加クラスとも呼ぶ）として特定する。
【0078】
これにより、クラス追加部１１７は、次に生成される学習モデルＭＤ（第２学習モデルＭＤ２）の判定精度の向上に寄与する可能性がより高いクラスを、追加クラスとして特定することが可能になる。以下、Ｓ４１の処理の具体例について説明を行う。
【0079】
［Ｓ４１の処理の具体例］
図１６は、Ｓ４１の処理の具体例について説明する図である。具体的に、図１６（Ａ）は、図１５（Ａ）に対応するＳ４１の処理の具体例について説明する図である。また、図１６（Ｂ）は、図１５（Ｂ）に対応するＳ４１の処理の具体例について説明する図である。
図１６は、Ｓ４１の処理の具体例について説明する図である。具体的に、図１６（Ａ）は、図１５（Ａ）に対応するＳ４１の処理の具体例について説明する図である。また、図１６（Ｂ）は、図１５（Ｂ）に対応するＳ４１の処理の具体例について説明する図である。
【0080】
具体的に、図１６（Ａ）に示す例は、図１５（Ａ）で説明したＦＮに対応する３（枚）の画像データＤＴ０に、「ｂｅａｒ」と誤判定された２（枚）の画像データＤＴ０と、「ｂｏａｒｎｉｇｈｔ」と誤判定された１（枚）の画像データＤＴ０とが含まれていることを示している。また、図１６（Ａ）に示す例は、図１５（Ａ）で説明したＦＰに対応する８（枚）の画像データＤＴ０に、正しくは「ｂｏａｒ」と判定されるべきであった２（枚）の画像データＤＴ０と、「ｂｏａｒｎｉｇｈｔ」と判定されるべきであった３（枚）の画像データＤＴ０と、「ｃｒａｗ」と判定されるべきであった１（枚）の画像データＤＴ０と、「ｒａｃｏｏｎｎｉｇｈｔ」と判定されるべきであった２（枚）の画像データＤＴ０とが含まれていることを示している。
【0081】
すなわち、図１６（Ａ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｂｏａｒｎｉｇｈｔ」、「ｂｏａｒ」、「ｃｒａｗ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。そのため、クラス追加部１１７は、第１ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルである「ｃｒａｗ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれに対応するクラスを、追加クラスの候補として特定する。
【0082】
ここで、図１１で説明した類似リストＬＳは、第１ラベルが「ｃｒａｗ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤ０と、第１ラベルが「ｂｅａｒ」及び「ｂｅａｒｎｉｇｈｔ」のいずれかである画像データＤＴ０とが類似することを示している。そのため、クラス追加部１１７は、例えば、特定した追加クラスの候補のうち、「ｃｒａｗ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれに対応するクラス（ｃｒａｗクラス及びｒａｃｏｏｎｎｉｇｈｔクラス）を、追加クラスとして特定する。
【0083】
また、図１６（Ｂ）に示す例は、図１５（Ｂ）で説明したＦＮに対応する９（枚）の画像データＤＴ０に、「ｂｅａｒ」と誤判定された２（枚）の画像データＤＴ０と、「ｏｔｈｅｒ」と誤判定された１（枚）の画像データＤＴ０と、「ｂｅａｒｎｉｇｈｔ」と誤判定された３（枚）の画像データＤＴ０と、「ｂｏａｒ」と誤判定された３（枚）の画像データＤＴ０とが含まれていることを示している。また、図１６（Ｂ）に示す例は、図１５（Ｂ）で説明したＦＰに対応する１４（枚）の画像データＤＴ０に、正しくは「ｂｅａｒｎｉｇｈｔ」と判定されるべきであった１（枚）の画像データＤＴ０と、「ｍｏｎｋｅｙ」と判定されるべきであった４（枚）の画像データＤＴ０と、「ｒａｂｂｉｔｎｉｇｈｔ」と判定されるべきであった１（枚）の画像データＤＴ０と、「ｒａｃｏｏｎ」と判定されるべきであった７（枚）の画像データＤＴ０と、「ｒａｃｏｏｎｎｉｇｈｔ」と判定されるべきであった１（枚）の画像データＤＴ０とが含まれていることを示している。
【0084】
すなわち、図１６（Ｂ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｏｔｈｅｒ」、「ｂｅａｒｎｉｇｈｔ」、「ｂｏａｒ」、「ｍｏｎｋｅｙ」、「ｒａｂｂｉｔｎｉｇｈｔ」、「ｒａｃｏｏｎ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。そのため、クラス追加部１１７は、第１ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルである「ｍｏｎｋｅｙ」、「ｒａｂｂｉｔｎｉｇｈｔ」、「ｒａｃｏｏｎ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれに対応するクラスを、追加クラスの候補として特定する。
【0085】
ここで、図１１で説明した類似リストＬＳは、第１ラベルが「ｍｏｎｋｅｙ」、「ｒａｃｏｏｎ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤ０と、第１ラベルが「ｂｏａｒ」及び「ｂｅｏｒｎｉｇｈｔ」のいずれかである画像データＤＴ０とが類似することを示している。そのため、クラス追加部１１７は、例えば、特定した追加クラスの候補のうち、「ｍｏｎｋｅｙ」、「ｒａｃｏｏｎ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれに対応するクラス（ｍｏｎｋｅｙクラス、ｒａｃｏｏｎクラス及びｒａｃｏｏｎｎｉｇｈｔクラス）を、追加クラスとして特定する。
【0086】
すなわち、クラス追加部１１７は、図１７に示すように、例えば、図１６（Ａ）から特定した追加クラスであるｃｒａｗクラス及びｒａｃｏｏｎｎｉｇｈｔクラスと、図１６（Ｂ）から特定した追加クラスであるｍｏｎｋｅｙクラス、ｒａｃｏｏｎクラス及びｒａｃｏｏｎｎｉｇｈｔクラスとの和集合であるｃｒａｗクラス、ｒａｃｏｏｎｎｉｇｈｔクラス、ｍｏｎｋｅｙクラス及びｒａｃｏｏｎクラスを追加クラスとして特定する。
【0087】
図８に戻り、記憶媒体１０４に記憶された複数の画像データＤＴ０を分類するクラスの追加（拡張）が可能でないと判定した場合、すなわち、追加クラスが存在しないと判定した場合（Ｓ４１のＮＯ）、情報処理装置１は、学習モデル生成処理を終了する。
【0088】
一方、記憶媒体１０４に記憶された複数の画像データＤＴ０を分類するクラスの追加（拡張）が可能であると判定した場合、すなわち、追加クラスが存在すると判定した場合（Ｓ４１のＹＥＳ）、クラス分類部１１３は、例えば、同一の第１ラベルが付加された画像データＤＴ０ごとに、記憶媒体１０４に記憶された複数の画像データＤＴ０のそれぞれを、第１数のクラスと直前のＳ４１の処理で存在すると判定した追加クラスとを含む第２数のクラスに分類する（Ｓ４２）。
【0089】
次に、データ生成部１１４は、例えば、Ｓ４２の処理で分類した第２数のクラスごとに、各クラスに分類された複数の画像データＤＴ０のそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第２訓練データＤＴ１２を生成する（Ｓ４３）。
【0090】
そして、モデル生成部１１５は、例えば、Ｓ４３の処理で生成した複数の第２訓練データＤＴ１２を用いて機械学習を行うことによって第２学習モデルＭＤ２を生成する（Ｓ４４）。
【0091】
さらに、モデル評価部１１６は、図９に示すように、例えば、Ｓ４４の処理で生成した第２学習モデルＭＤ２を用いることによって、複数の評価データＤＴ２に対応する第２ラベルの判定を行う（Ｓ５１）。
【0092】
そして、モデル評価部１１６は、例えば、複数の評価データＤＴ２に対応する第２ラベルの判定結果を示す第２コストＣ２を算出する（Ｓ５２）。
【0093】
具体的に、モデル評価部１１６は、図１８に示すように、例えば、ｂｅａｒクラス及びｂｅａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．８２（図１８（Ａ）参照）と、ｂｏａｒクラス及びｂｏａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．８４（図１８（Ｂ）参照）とのうちの最小値である０．８２を、第２学習モデルＭＤ２の第２コストＣ２として算出する。
【0094】
その後、モデル判定部１１８は、例えば、Ｓ５２の処理で算出した第２コストＣ２が、Ｓ３６の処理で算出した第１コストＣ１よりも大きいか否かを判定する（Ｓ５３）。
【0095】
その結果、第２コストＣ２が第１コストＣ１よりも大きくないと判定した場合（Ｓ５３のＮＯ）、情報処理装置１は、学習モデル生成処理を終了する。
【0096】
なお、情報出力部１１９は、この場合、例えば、第１学習モデルＭＤ１の判定精度が最も良いことを示す情報を出力するものであってよい。また、第２コストＣ２が第１コストＣ１よりも大きいと判定した場合であっても、類似リストＬＳに含まれる全てのラベルに対応するクラスが追加クラスとして既に特定されている場合、情報処理装置１は、学習モデル生成処理を終了するものであってよい。
【0097】
一方、第２コストＣ２が第１コストＣ１よりも大きいと判定した場合（Ｓ５３のＹＥＳ）、情報処理装置１は、Ｓ４１以降の処理を再度行う。
【0098】
すなわち、クラス追加部１１７は、図８に示すように、例えば、記憶媒体１０４に記憶された複数の画像データＤＴ０を分類するクラスの追加（拡張）が可能であるか否かについての判定を再度行う（Ｓ４１）。
【0099】
具体的に、クラス追加部１１７は、例えば、複数の評価データＤＴ２のうち、各評価データＤＴ２に対応する第２ラベルを第２学習モデルＭＤ２が誤判定した評価データＤＴ２（誤判定データＤＴ２）を特定する。そして、クラス追加部１１７は、例えば、特定した誤判定データＤＴ２に対応する第２ラベル（誤判定ラベル）を特定する。さらに、クラス追加部１１７は、例えば、記憶媒体１０４に記憶した類似リストＬＳを参照し、特定した誤判定ラベルのうち、第２数のクラスにまだ含まれていないラベルと類似する類似ラベルを特定する。その後、クラス追加部１１７は、特定した類似ラベルに対応するクラスを追加クラスとして特定する。
【0100】
その結果、記憶媒体１０４に記憶された複数の画像データＤＴ０を分類するクラスの追加（拡張）が可能であると判定した場合、すなわち、追加クラスが存在すると判定した場合（Ｓ４１のＹＥＳ）、クラス分類部１１３は、例えば、同一の第１ラベルが付加された画像データＤＴ０ごとに、記憶媒体１０４に記憶された複数の画像データＤＴ０のそれぞれを、第２数のクラスと直前のＳ４１の処理で存在すると判定した追加クラスとを含む複数のクラス（以下、第３数のクラスとも呼ぶ）に分類する（Ｓ４２）。
【0101】
次に、データ生成部１１４は、例えば、Ｓ４２の処理で分類した第３数のクラスごとに、各クラスに分類された複数の画像データＤＴ０のそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の訓練データＤＴ１３（以下、第３訓練データＤＴ１３とも呼ぶ）を生成する（Ｓ４３）。
【0102】
そして、モデル生成部１１５は、例えば、Ｓ４３の処理で生成した複数の第３訓練データＤＴ１３を用いて機械学習を行うことによって学習モデルＭＤ３（以下、第３学習モデルＭＤ３とも呼ぶ）を生成する（Ｓ４４）。
【0103】
さらに、モデル評価部１１６は、図９に示すように、例えば、Ｓ４４の処理で生成した第３学習モデルＭＤ３を用いることによって、複数の評価データＤＴ２に対応する第２ラベルの判定を行う（Ｓ５１）。
【0104】
そして、モデル評価部１１６は、例えば、複数の評価データＤＴ２に対応する第２ラベルの判定結果を示すコストＣ３（以下、第３コストＣ３とも呼ぶ）を算出する（Ｓ５２）。
【0105】
その後、モデル判定部１１８は、図１９に示すように、例えば、前回（直前）のＳ５２の処理で算出した第３コストＣ３が、前々回のＳ５２の処理で算出した第２コストＣ２よりも大きいか否かを判定する（Ｓ５３）。
【0106】
その結果、第３コストＣ３が第２コストＣ２よりも大きくないと判定した場合（Ｓ５３のＮＯ）、情報処理装置１は、学習モデル生成処理を終了する。
【0107】
一方、第３コストＣ３が第２コストＣ２よりも大きいと判定した場合、情報処理装置１は、Ｓ４１以降の処理を再度行う。
【0108】
ここで、図１７等で説明した例では、図１１で説明した類似リストＬＳに含まれる全てのラベルに対応するクラスが追加クラスとして特定されている。そのため、情報処理装置１は、この場合、例えば、学習モデル生成処理を終了する（Ｓ４１のＮＯ）。そして、情報出力部１１９は、この場合、例えば、第２学習モデルＭＤ２の判定精度が最も良いことを示す情報を出力する。
【0109】
このように、本実施の形態における情報処理装置１は、例えば、可能な限りクラス数が少ない学習モデル（第１学習モデルＭＤ１）の生成を行い、さらに、クラス数を徐々に増加させながら１以上の学習モデル（第２学習モデルＭＤ２や第３学習モデルＭＤ３）の生成を行う。そして、情報処理装置１は、例えば、新たに生成した学習モデルのコストが前回生成した学習モデルのコストよりも大きくなくなった場合、新たに生成した学習モデルの判定精度が前回生成した学習モデルの判定精度を上回らなかったと判定し、新たな学習モデルの生成を終了する。
【0110】
これにより、本実施の形態における情報処理装置１は、特定の地域において出没する野生動物の検出に適した学習モデルを生成することが可能になる。そのため、情報処理装置１は、特定の地域において出没する野生動物の検出精度を向上させることが可能になる。
【0111】
また、本実施の形態における情報処理装置１は、クラス数を徐々に増加させながら複数の学習モデルＭＤの生成を行うことで、学習モデル生成処理の終了時点において生成される学習モデルＭＤのサイズ（パラメータ数）を抑制することが可能になる。そのため、情報処理装置１は、例えば、リソース量に制限がある環境下においても動作可能な学習モデルＭＤを生成することが可能になる。
【0112】
また、本実施の形態における情報処理装置１は、画像データＤＴ０における対象物の位置情報（例えば、バウンディングボックスによって指定された位置情報）を含む訓練データＤＴ１を用いることによって、物体認識モデルＭＤだけでなく、物体検出モデルＭＤの生成を行うことが可能になる。
【0113】
なお、情報処理装置１は、例えば、昼間に撮影した画像データＤＴ０のみを用いて訓練を行うことにより、昼間の野生動物をより精度良く検出することが可能な学習モデルＭＤの生成を行うものであってもよい。同様に、情報処理装置１は、例えば、夜間に撮影した画像データＤＴ０のみを用いて訓練を行うことにより、夜間の野生動物をより精度良く検出することが可能な学習モデルＭＤの生成を行うものであってもよい。
【0114】
【0115】
第１の実施の形態における変形例では、Ｓ４１の処理において、学習モデルＭＤが野生動物（検出対象の野生動物）に対応するクラスと誤判定した回数が所定数以上（例えば、３回以上）であるクラスを追加クラスとして特定する。以下、Ｓ４１の処理の具体例について説明を行う。
【0116】
［Ｓ４１の処理の具体例（１）］
図１６（Ａ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｂｏａｒｎｉｇｈｔ」、「ｂｏａｒ」、「ｃｒａｗ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。また、図１６（Ａ）に示す例は、第２ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した回数が３（回）以上であったことを示している。
図１６（Ａ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｂｏａｒｎｉｇｈｔ」、「ｂｏａｒ」、「ｃｒａｗ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。また、図１６（Ａ）に示す例は、第２ラベルが「ｂｏａｒｎｉｇｈｔ」の画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した回数が３（回）以上であったことを示している。
【0117】
そのため、クラス追加部１１７は、第１ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が３回以上発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルが存在しないと判定し、追加クラスの候補の特定を行わない。
【0118】
一方、図１６（Ｂ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｏｔｈｅｒ」、「ｂｅａｒｎｉｇｈｔ」、「ｂｏａｒ」、「ｍｏｎｋｅｙ」、「ｒａｂｂｉｔｎｉｇｈｔ」、「ｒａｃｏｏｎ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。また、図１６（Ｂ）に示す例は、第２ラベルが「ｂｅａｒｎｉｇｈｔ」、「ｍｏｎｋｅｙ」及び「ｒａｃｏｏｎ」の画像データＤＴ０と、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した回数が３（回）以上であったことを示している。
【0119】
そのため、クラス追加部１１７は、第１ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が３回以上発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルである「ｂｅａｒｎｉｇｈｔ」、「ｍｏｎｋｅｙ」及び「ｒａｃｏｏｎ」のそれぞれに対応するクラスを、追加クラスの候補として特定する。
【0120】
ここで、図１１で説明した類似リストＬＳは、第１ラベルが「ｍｏｎｋｅｙ」及び「ｒａｃｏｏｎ」のそれぞれである画像データＤＴ０と、第１ラベルが「ｂｅａｒ」及び「ｂｅａｒｎｉｇｈｔ」のいずれかである画像データＤＴ０とが類似することを示している。そのため、クラス追加部１１７は、例えば、特定した追加クラスの候補のうち、「ｍｏｎｋｅｙ」及び「ｒａｃｏｏｎ」のそれぞれに対応するクラス（ｍｏｎｋｅｙクラス及びｒａｃｏｏｎクラス）を、追加クラスとして特定する。
【0121】
【0122】
続いて、クラス分類部１１３は、Ｓ４２の処理において、例えば、同一の第１ラベルが付加された画像データＤＴ０ごとに、記憶媒体１０４に記憶された複数の画像データＤＴ０のそれぞれを第２数のクラスに分類する。
【0123】
そして、データ生成部１１４は、Ｓ４３の処理において、例えば、第２数のクラスごとに、各クラスに分類された複数の画像データＤＴ０のそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第２訓練データＤＴ１２を生成する。
【0124】
さらに、モデル生成部１１５は、Ｓ４４の処理において、例えば、複数の第２訓練データＤＴ１２を用いて機械学習を行うことによって第２学習モデルＭＤ２を生成する。
【0125】
その後、モデル評価部１１６は、図２１に示すように、例えば、ｂｅａｒクラス及びｂｅａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．８０（図２１（Ａ）参照）と、ｂｏａｒクラス及びｂｏａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．８３（図２１（Ｂ）参照）とのうちの最小値である０．８０を、第２学習モデルＭＤ２の第２コストＣ２として算出する。
【0126】
ここで、図２１に示す例では、第１学習モデルの第１コストＣ１が０．７８であり、第２学習モデルＭＤ２の第２コストＣ２が０．８０である。そのため、情報処理装置１は、この場合、Ｓ４１以降の処理を再度行う。以下、Ｓ４１の処理（２回目）の具体例について説明を行う。
【0127】
［Ｓ４１の処理の具体例（２）］
図２２は、Ｓ４１の処理の具体例について説明する図である。具体的に、図２２（Ａ）は、図２１（Ａ）に対応するＳ４１の処理の具体例について説明する図である。また、図２２（Ｂ）は、図２１（Ｂ）に対応するＳ４１の処理の具体例について説明する図である。
図２２は、Ｓ４１の処理の具体例について説明する図である。具体的に、図２２（Ａ）は、図２１（Ａ）に対応するＳ４１の処理の具体例について説明する図である。また、図２２（Ｂ）は、図２１（Ｂ）に対応するＳ４１の処理の具体例について説明する図である。
【0128】
具体的に、図２２（Ａ）に示す例は、図２１（Ａ）に示すＦＮに対応する１３（枚）の画像データＤＴ０に、「ｂｅａｒ」と誤判定された５（枚）の画像データＤＴ０と、「ｂｏａｒ」と誤判定された１（枚）の画像データＤＴ０と、「ｏｔｈｅｒ」と誤判定された１（枚）の画像データＤＴ０と、「ｂｇｎｉｇｈｔ」と誤判定された２（枚）の画像データＤＴ０と、「ｂｏａｒｎｉｇｈｔ」と誤判定された２（枚）の画像データＤＴ０と、「ｏｔｈｅｒｎｉｇｈｔ」と誤判定された２（枚）の画像データＤＴ０とが含まれていることを示している。また、図２２（Ａ）に示す例は、図２１（Ａ）に示すＦＰに対応する５（枚）の画像データＤＴ０に、正しくは「ｂｏａｒ」と判定されるべきであった３（枚）の画像データＤＴ０と、「ｂｏａｒｎｉｇｈｔ」と判定されるべきであった１（枚）の画像データＤＴ０と、「ｒａｃｏｏｎｎｉｇｈｔ」と判定されるべきであった１（枚）の画像データＤＴ０とが含まれていることを示している。
【0129】
すなわち、図２２（Ａ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｂｏａｒ」、「ｏｔｈｅｒ」、「ｂｇｎｉｇｈｔ」、「ｂｏａｒｎｉｇｈｔ」及び「ｏｔｈｅｒｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。また、図２２（Ａ）に示す例は、第２ラベルが「ｂｅａｒ」及び「ｂｏａｒ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した回数が３（回）以上であったことを示している。
【0130】
そのため、クラス追加部１１７は、第１ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が３回以上発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルが存在しないと判定し、追加クラスの候補の特定を行わない。
【0131】
一方、図２２（Ｂ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｂｅａｒｎｉｇｈｔ」、「ｏｔｈｅｒｎｉｇｈｔ」、「ｄｏｇ」、「ｍｏｎｋｅｙ」及び「ｒａｃｏｏｎ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。また、図１１に示す類似リストＬＳは、第２ラベルが「ｏｔｈｅｒｎｉｇｈｔ」の画像データＤＴ０のうち、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０と類似する画像データＤＴ０の第１ラベルは、「ｒａｃｏｏｎｎｉｇｈｔ」であることを示している。そのため、図２２（Ｂ）に示す例は、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０と、第２ラベルが「ｂｅａｒ」及び「ｒａｃｏｏｎｎｉｇｈｔ」の画像データＤＴ０との間において誤判定が発生した回数が３（回）以上であったことを示している。
【0132】
したがって、クラス追加部１１７は、第１ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が３回以上発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルである「ｒａｃｏｏｎｎｉｇｈｔ」に対応するクラスを、追加クラスの候補として特定する。
【0133】
ここで、図１１で説明した類似リストＬＳは、第１ラベルが「ｒａｃｏｏｎｎｉｇｈｔ」の画像データＤ０と、第１ラベルが「ｂｏａｒ」及び「ｂｏａｒｎｉｇｈｔ」のいずれかである画像データＤＴ０とが類似することを示している。そのため、クラス追加部１１７は、例えば、「ｒａｃｏｏｎｎｉｇｈｔ」に対応するクラス（ｒａｃｏｏｎｎｉｇｈｔクラス）を、追加クラスとして特定する。
【0134】
【0135】
続いて、クラス分類部１１３は、Ｓ４２の処理において、例えば、同一の第１ラベルが付加された画像データＤＴ０ごとに、記憶媒体１０４に記憶された複数の画像データＤＴ０のそれぞれを第３数のクラスに分類する。
【0136】
そして、データ生成部１１４は、Ｓ４３の処理において、例えば、第３数のクラスごとに、各クラスに分類された複数の画像データＤＴ０のそれぞれに対して各クラスに対応する第２ラベルを対応付けることによって、複数の第３訓練データＤＴ１３を生成する。
【0137】
さらに、モデル生成部１１５は、Ｓ４４の処理において、例えば、Ｓ４３の処理で生成した複数の第３訓練データＤＴ１３を用いて機械学習を行うことによって第３学習モデルＭＤ３を生成する。
【0138】
その後、モデル評価部１１６は、図２４に示すように、例えば、ｂｅａｒクラス及びｂｅａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．８３（図２４（Ａ）参照）と、ｂｏａｒクラス及びｂｏａｒｎｉｇｈｔクラスについて算出したＦ－ｖａｌｕｅである０．８３とのうちの最小値である０．８３（図２４（Ｂ）参照）を、第２学習モデルＭＤ２の第３コストＣ３として算出する。
【0139】
ここで、図２４に示す例では、第２学習モデルの第２コストＣ２が０．８０であり、第３学習モデルＭＤ３の第３コストＣ３が０．８３である。そのため、情報処理装置１は、この場合、Ｓ４１以降の処理を再度行う。以下、Ｓ４１の処理（３回目）の具体例について説明を行う。
【0140】
［Ｓ４１の処理の具体例（３）］
図２５は、Ｓ４１の処理の具体例について説明する図である。具体的に、図２５（Ａ）は、図２４（Ａ）に対応するＳ４１の処理の具体例について説明する図である。また、図２５（Ｂ）は、図２４（Ｂ）に対応するＳ４１の処理の具体例について説明する図である。
図２５は、Ｓ４１の処理の具体例について説明する図である。具体的に、図２５（Ａ）は、図２４（Ａ）に対応するＳ４１の処理の具体例について説明する図である。また、図２５（Ｂ）は、図２４（Ｂ）に対応するＳ４１の処理の具体例について説明する図である。
【0141】
具体的に、図２５（Ａ）に示す例は、図２４（Ａ）に示すＦＮに対応する８（枚）の画像データＤＴ０に、「ｍｏｎｋｅｙ」と誤判定された２（枚）の画像データＤＴ０と、「ｂｅａｒ」と誤判定された２（枚）の画像データＤＴ０と、「ｂｏａｒ」と誤判定された１（枚）の画像データＤＴ０と、「ｂｏａｒｎｉｇｈｔ」と誤判定された１（枚）の画像データＤＴ０と、「ｒａｃｏｏｎｎｉｇｈｔ」と誤判定された２（枚）の画像データＤＴ０とが含まれていることを示している。また、図２５（Ａ）に示す例は、図２４（Ａ）に示すＦＰに対応する９（枚）の画像データＤＴ０に、正しくは「ｂｏａｒ」と判定されるべきであった５（枚）の画像データＤＴ０と、「ｂｏａｒｎｉｇｈｔ」と判定されるべきであった３（枚）の画像データＤＴ０と、「ｒａｃｏｏｎｎｉｇｈｔ」と判定されるべきであった１（枚）の画像データＤＴ０とが含まれていることを示している。
【0142】
すなわち、図２５（Ａ）に示す例は、第２ラベルが「ｍｏｎｋｅｙ」、「ｂｅａｒ」、「ｂｏａｒ」、「ｂｏａｒｎｉｇｈｔ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。また、図２２（Ａ）に示す例は、第２ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した回数が３（回）以上である第２ラベルが存在しないことを示している。
【0143】
そのため、クラス追加部１１７は、第１ラベルが「ｂｅａｒ」または「ｂｅａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が３回以上発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルが存在しないと判定し、追加クラスの候補の特定を行わない。
【0144】
一方、図２５（Ｂ）に示す例は、第２ラベルが「ｂｅａｒ」、「ｂｅａｒｎｉｇｈｔ」、「ｂｏａｒ」、「ｍｏｎｋｅｙ」、「ｒａｂｂｉｔｎｉｇｈｔ」、「ｒａｃｏｏｎ」及び「ｒａｃｏｏｎｎｉｇｈｔ」のそれぞれである画像データＤＴ０と、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生したことを示している。また、図２２（Ｂ）に示す例は、第２ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が発生した回数が３（回）以上であった第２ラベル存在しないことを示している。
【0145】
そのため、クラス追加部１１７は、第１ラベルが「ｂｏａｒ」または「ｂｏａｒｎｉｇｈｔ」である画像データＤＴ０との間において誤判定が３回以上発生した画像データＤＴ０に対応する第１ラベルであって、かつ、現在の第２ラベルが「ｏｔｈｅｒ」または「ｏｔｈｅｒｎｉｇｈｔ」である画像データＤＴ０に対応する第１ラベルが存在いないと判定し、追加クラスの候補の特定を行わない。
【0146】
すなわち、クラス追加部１１７は、３回目に行われたＳ４１の処理において、追加クラスが存在しないと判定する。そのため、情報処理装置１は、この場合、例えば、学習モデル生成処理を終了する。
【符号の説明】
【0147】
１：情報処理装置
２：作業者端末
１０１：ＣＰＵ
１０２：メモリ
１０３：通信インタフェース
１０４：記憶媒体
１０５：バス
１１１：情報管理部
１１２：ラベル付加部
１１３：クラス分類部
１１４：データ生成部
１１５：モデル生成部
１１６：モデル評価部
１１７：クラス追加部
１１８：モデル判定部
１１９：情報出力部
２：作業者端末
１０１：ＣＰＵ
１０２：メモリ
１０３：通信インタフェース
１０４：記憶媒体
１０５：バス
１１１：情報管理部
１１２：ラベル付加部
１１３：クラス分類部
１１４：データ生成部
１１５：モデル生成部
１１６：モデル評価部
１１７：クラス追加部
１１８：モデル判定部
１１９：情報出力部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】