知財求人 - 知財ポータルサイト「IP Force」
(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】P2024139262
(43)【公開日】2024-10-09
(54)【発明の名称】適応装置
(51)【国際特許分類】
G01D 3/00 20060101AFI20241002BHJP
G08B 29/18 20060101ALI20241002BHJP
G08B 21/02 20060101ALI20241002BHJP
G08C 15/00 20060101ALI20241002BHJP
G06N 20/00 20190101ALI20241002BHJP
G06N 3/02 20060101ALI20241002BHJP
G01V 8/10 20060101ALI20241002BHJP
【ＦＩ】
G01D3/00 B
G08B29/18 C
G08B21/02
G08C15/00 D
G06N20/00
G06N3/02
G01V8/10 S
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023050127
(22)【出願日】2023-03-27
(71)【出願人】
【識別番号】000108085
【氏名又は名称】セコム株式会社
(74)【代理人】
【識別番号】100103850
【弁理士】
【氏名又は名称】田中 秀▲てつ▼
(74)【代理人】
【識別番号】100114177
【弁理士】
【氏名又は名称】小林 龍
(74)【代理人】
【識別番号】100066980
【弁理士】
【氏名又は名称】森 哲也
(72)【発明者】
【氏名】佐野 友祐
【テーマコード（参考）】
2F073
2F075
2G105
5C086
5C087
【Ｆターム（参考）】
2F073AA11
2F073AA12
2F073AA19
2F073AA40
2F073AB01
2F073AB04
2F073BB01
2F073BB04
2F073BB07
2F073BC01
2F073BC02
2F073CC03
2F073CC07
2F073CC08
2F073CC12
2F073CC14
2F073CD11
2F073DD02
2F073DE02
2F073DE06
2F073DE13
2F073EE01
2F073EF10
2F073FF01
2F073FF12
2F073FG01
2F073FG02
2F073FG11
2F073GG01
2F073GG08
2F075AA01
2F075AA10
2F075BB00
2F075EE11
2F075EE18
2G105AA01
2G105BB02
2G105BB11
2G105BB16
2G105BB17
2G105DD02
2G105EE06
2G105HH01
2G105HH04
5C086AA01
5C086AA26
5C086AA27
5C086CA06
5C086CA10
5C086CA12
5C086CA28
5C086CB36
5C086DA07
5C087DD04
5C087DD05
5C087EE12
5C087FF01
5C087FF02
5C087FF04
5C087GG17
5C087GG51
(57)【要約】
【課題】観測対象に生じた事象をセンサの出力信号に基づいて認識する検出システムを現場環境に設置する際に、検出システムを現場環境に適応させる作業の効率性を向上する。
【解決手段】適応装置４は、観測対象１０を観測するセンサ１３と、センサ１３の出力値を用いて観測対象に生じた事象を検出する検出器１５と、から構成される検出システム１１に対し、検出器１５の検出性能を向上させる修正情報を出力する。適応装置４は、観測対象１０、センサ１３、及び検出器１５の状態に関する情報である第１情報を取得する第１情報取得部５１と、第１情報が示す状態にある検出システム１１において観測対象を観測した際の観測状態に関する情報である第２情報を取得する第２情報取得部５０と、第１情報と第２情報とに基づいて修正情報を生成する適応部５２と、を備える。
【選択図】図１
【解決手段】適応装置４は、観測対象１０を観測するセンサ１３と、センサ１３の出力値を用いて観測対象に生じた事象を検出する検出器１５と、から構成される検出システム１１に対し、検出器１５の検出性能を向上させる修正情報を出力する。適応装置４は、観測対象１０、センサ１３、及び検出器１５の状態に関する情報である第１情報を取得する第１情報取得部５１と、第１情報が示す状態にある検出システム１１において観測対象を観測した際の観測状態に関する情報である第２情報を取得する第２情報取得部５０と、第１情報と第２情報とに基づいて修正情報を生成する適応部５２と、を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
観測対象を観測するセンサと、前記センサの出力値を用いて前記観測対象に生じた事象を検出する検出器と、から構成される検出システムに対し、前記検出器の検出性能を向上させる修正情報を出力する適応装置であって、
前記センサの設定に関する情報、前記検出器の設定に関する情報、及び前記観測対象の状態に関する情報のうち少なくとも一つの情報である第１情報を取得する第１情報取得部と、
前記第１情報が示す前記設定及び前記状態にある前記検出システムにおける前記センサの観測結果に関する情報、又は前記検出器の検出結果に関する情報である第２情報を取得する第２情報取得部と、
前記第１情報と前記第２情報とに基づいて前記修正情報を生成する適応部と、
を備えることを特徴とする適応装置。
前記センサの設定に関する情報、前記検出器の設定に関する情報、及び前記観測対象の状態に関する情報のうち少なくとも一つの情報である第１情報を取得する第１情報取得部と、
前記第１情報が示す前記設定及び前記状態にある前記検出システムにおける前記センサの観測結果に関する情報、又は前記検出器の検出結果に関する情報である第２情報を取得する第２情報取得部と、
前記第１情報と前記第２情報とに基づいて前記修正情報を生成する適応部と、
を備えることを特徴とする適応装置。
【請求項2】
前記第２情報は、前記検出器の検出結果の誤報要因に関する情報であることを特徴とする請求項１に記載の適応装置。
【請求項3】
前記適応部は、前記第１情報と前記第２情報とに基づいて前記修正情報を生成する第１学習モデルであることを特徴とする請求項１に記載の適応装置。
【請求項4】
前記第１学習モデルは、前記第１情報と前記第２情報とを前記第１学習モデルに入力して得た前記修正情報に対する評価値を報酬として強化学習された学習モデルであることを特徴とする請求項３に記載の適応装置。
【請求項5】
前記第１学習モデルは、前記第１情報及び前記第２情報と前記修正情報との組合せを学習データとする教師有り学習により学習された学習モデルであることを特徴とする請求項３に記載の適応装置。
【請求項6】
前記修正情報は、前記観測対象の状態、前記センサの設定、又は前記検出器の設定のうち少なくとも一つの修正を示す情報を含むことを特徴とする請求項１に記載の適応装置。
【請求項7】
前記検出器は、前記センサの出力値と前記観測対象に生じた事象とを対応付けたデータ構造からなる第１データセットを用いて学習した第２学習モデルであって、
前記修正情報は、前記第１データセットと同一構造を有し且つ前記第１データセットと異なるデータ内容からなる第２データセットを用いて前記第２学習モデルを学習することを示す情報を含むことを特徴とする請求項１～６のいずれか一項に記載の適応装置。
前記修正情報は、前記第１データセットと同一構造を有し且つ前記第１データセットと異なるデータ内容からなる第２データセットを用いて前記第２学習モデルを学習することを示す情報を含むことを特徴とする請求項１～６のいずれか一項に記載の適応装置。
【請求項8】
前記検出器は、前記センサの出力値と前記観測対象に生じた事象との対応付けを学習したニューラルネットワークからなる第２学習モデルであって、
前記修正情報は、前記第２学習モデルとは異なるネットワーク構造を用いて前記センサの出力値と前記観測対象に生じた事象との対応付けを学習した学習モデルに前記検出器を交換することを示す情報を含むことを特徴とする請求項１～６のいずれか一項に記載の適応装置。
前記修正情報は、前記第２学習モデルとは異なるネットワーク構造を用いて前記センサの出力値と前記観測対象に生じた事象との対応付けを学習した学習モデルに前記検出器を交換することを示す情報を含むことを特徴とする請求項１～６のいずれか一項に記載の適応装置。
【請求項9】
前記評価値は、前記修正情報に応じた前記検出システムの修正後の前記検出結果に対する客観評価値又は客観評価値の近似値に応じて決定されることを特徴とする請求項４に記載の適応装置。
【請求項10】
前記評価値は、前記修正情報に応じた前記検出システムの修正後の所定期間における前記検出結果の誤りの発生頻度に応じて決定されることを特徴とする請求項４に記載の適応装置。
【請求項11】
前記検出システムの利用者による満足度を取得する利用者満足度取得手段をさらに備え、
前記評価値は、前記修正情報に応じた前記検出システムの修正後の所定期間における前記満足度の取得頻度に応じて決定されることを特徴とする請求項４に記載の適応装置。
前記評価値は、前記修正情報に応じた前記検出システムの修正後の所定期間における前記満足度の取得頻度に応じて決定されることを特徴とする請求項４に記載の適応装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、観測対象に生じた事象を検出する検出システムを適応させるための適応装置に関する。
【背景技術】
【0002】
現在、センサの出力信号に基づいて観測対象に生じた事象を認識する検出システムが活用されている。下記特許文献１には、撮像装置が撮像した画像から予め定められた警報原因を識別する画像処理システムが記載されている。また下記特許文献２には、火災感知器や人感センサ等のセンサやカメラで撮像した画像等のデータからニューラルネットワークにより異常を判断して警報させる監視システムが記載されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１８－１７３９１３号公報
【特許文献2】特開２０２１－１１９４６９号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
このような検出システムの開発時には、観測対象となる環境（または観測対象が置かれる環境）を予め想定して想定環境として設定し、想定環境下において検出システムを調整し、調整済みの検出システムを現場環境に配置する。
このため、想定環境と同じ環境下では検出システムの動作を保証できるが、実際の現場環境は想定環境と異なるため、現場環境では動作を保証できずに認識率が低下する。
このため、想定環境と同じ環境下では検出システムの動作を保証できるが、実際の現場環境は想定環境と異なるため、現場環境では動作を保証できずに認識率が低下する。
【0005】
現場環境で検出システムが所望の性能を出せない場合、検出システムを現場環境に適応させる必要がある。このため、例えば開発時に想定した想定環境とは異なる環境で検出システムを再調整させたり、センサの設置状態や観測対象の照明環境を変更することにより、検出システムを現場環境に適応させる。
その際に、どのように対処して検出システムを適応させるかは、現場適応に携わる担当者（例えば検出システムの運用者や開発エンジニア）の個人的なノウハウに依存して決めていた。すなわち「人」のノウハウをフィードバックすることで検出システムを現場環境に適応させる必要があった。
その際に、どのように対処して検出システムを適応させるかは、現場適応に携わる担当者（例えば検出システムの運用者や開発エンジニア）の個人的なノウハウに依存して決めていた。すなわち「人」のノウハウをフィードバックすることで検出システムを現場環境に適応させる必要があった。
【0006】
しかしながら、このように個人のノウハウに依存すると、属人的な現場適応が行われるために検出システムの品質を均一化できない。また、現場適応に従事する者に要求される能力が高くなるために人材確保が困難になるとともに、現場適応のノウハウの蓄積や人員転換時の引き継ぎが困難になる。
本発明は、上記の問題点を鑑みてなされたものであり、観測対象に生じた事象をセンサの出力信号に基づいて認識する検出システムを現場環境に設置する際に、検出システムを現場環境に適応させる作業の効率性を向上することを目的とする。
本発明は、上記の問題点を鑑みてなされたものであり、観測対象に生じた事象をセンサの出力信号に基づいて認識する検出システムを現場環境に設置する際に、検出システムを現場環境に適応させる作業の効率性を向上することを目的とする。
【課題を解決するための手段】
【0007】
本発明の一形態によれば、観測対象を観測するセンサと、センサの出力値を用いて観測対象に生じた事象を検出する検出器と、から構成される検出システムに対し、検出器の検出性能を向上させる修正情報を出力する適応装置が与えられる。
適応装置は、センサの設定に関する情報、検出器の設定に関する情報、及び観測対象の状態に関する情報のうち少なくとも一つの情報である第１情報を取得する第１情報取得部と、第１情報が示す設定及び状態にある検出システムにおけるセンサの観測結果に関する情報、又は検出器の検出結果に関する情報である第２情報を取得する第２情報取得部と、第１情報と第２情報とに基づいて修正情報を生成する適応部と、を備える。
適応装置は、センサの設定に関する情報、検出器の設定に関する情報、及び観測対象の状態に関する情報のうち少なくとも一つの情報である第１情報を取得する第１情報取得部と、第１情報が示す設定及び状態にある検出システムにおけるセンサの観測結果に関する情報、又は検出器の検出結果に関する情報である第２情報を取得する第２情報取得部と、第１情報と第２情報とに基づいて修正情報を生成する適応部と、を備える。
【発明の効果】
【0008】
本発明によれば、観測対象に生じた事象をセンサの出力信号に基づいて認識する検出システムを現場環境に設置する際に、検出システムを現場環境に適応させる作業の効率性を向上できる。
【図面の簡単な説明】
【0009】
【図1】実施形態のシステムの全体構成の一例を示す模式図である。
【図2】実施形態の適応装置の機能構成の一例のブロック図である。
【図3】適応装置の動作例の一例を説明するための模式図である。
【図4】（ａ）及び（ｂ）は、評価値の算出方法の第１例及び第２例を説明するための模式図である。
【図5】適応装置の学習方法の一例を説明するための模式図である。
【図6】実施形態による適応装置の学習方法の一例のフローチャートである。
【発明を実施するための形態】
【0010】
以下において、図面を参照して本発明の実施形態を説明する。なお、以下に示す本発明の実施形態は、本発明の技術的思想を具体化するための装置や方法を例示するものであって、本発明の技術的思想は、構成部品の構造、配置等を下記のものに特定するものではない。本発明の技術的思想は、特許請求の範囲に記載された請求項が規定する技術的範囲内において、種々の変更を加えることができる。
【0011】
（構成）
図１は、実施形態のシステムの全体構成の一例を示す模式図である。実施形態のシステムは、現場環境１の観測対象１０に生じた事象を検出する検出システム１１と、学習モデル生成装置２と、検出システム１１の現場適応に携わる担当者３に利用される端末装置３０と、検出システム１１を現場環境１に適応させる適応装置４と、を備える。
本発明は、観測対象１０として設定された特定の施設やエリアに生じる事象を認識するための様々な種類の検出システム１１に適用可能である。例えば検出システム１１は、観測対象１０である監視対象施設において侵入者、火災、犯罪発生などの異常の有無を監視する異常検知システムであってよい。また例えば検出システム１１は、観測対象１０である監視対象エリアに存在する人物を識別する顔認証システムであってよい。
図１は、実施形態のシステムの全体構成の一例を示す模式図である。実施形態のシステムは、現場環境１の観測対象１０に生じた事象を検出する検出システム１１と、学習モデル生成装置２と、検出システム１１の現場適応に携わる担当者３に利用される端末装置３０と、検出システム１１を現場環境１に適応させる適応装置４と、を備える。
本発明は、観測対象１０として設定された特定の施設やエリアに生じる事象を認識するための様々な種類の検出システム１１に適用可能である。例えば検出システム１１は、観測対象１０である監視対象施設において侵入者、火災、犯罪発生などの異常の有無を監視する異常検知システムであってよい。また例えば検出システム１１は、観測対象１０である監視対象エリアに存在する人物を識別する顔認証システムであってよい。
【0012】
検出システム１１は、通信部１２と、センサ１３と、制御部１４を備える。これらのうちの制御部１４はいわゆるコンピュータで実現でき、通信部１２は、当該コンピュータの周辺機器として実現できる。
通信部１２は、有線通信又は無線通信により、検出システム１１と学習モデル生成装置２との間、及び検出システム１１と適応装置４との間でデータの送受信を行うネットワークインターフェース等を含む。
通信部１２は、有線通信又は無線通信により、検出システム１１と学習モデル生成装置２との間、及び検出システム１１と適応装置４との間でデータの送受信を行うネットワークインターフェース等を含む。
【0013】
センサ１３は、現場環境１に配置されて観測対象１０を観測するセンサである。例えばセンサ１３は、観測対象１０を撮影するカメラや、観測対象１０内の物体を検出する赤外線センサ、超音波センサ、レーダなどであってもよい。
制御部１４は、観測対象１０を観測するセンサ１３の出力（センサ信号）を取得し、センサ１３の出力値を用いて観測対象１０に生じた事象を検出するコントローラであり、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＣＵ（Micro Control Unit）等の演算装置（プロセッサ）で構成される。
制御部１４は、観測対象１０を観測するセンサ１３の出力（センサ信号）を取得し、センサ１３の出力値を用いて観測対象１０に生じた事象を検出するコントローラであり、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＣＵ（Micro Control Unit）等の演算装置（プロセッサ）で構成される。
【0014】
制御部１４は、検出器１５、第１情報収集部１６、観測状態収集部１７及び状態変更部１８として機能する。
検出器１５は、センサ１３の出力値を用いて観測対象１０に生じた事象を検出する。例えば検出システム１１が異常検知システムである場合には、検出器１５は観測対象１０における異常（侵入者、火災、犯罪発生など）の発生を検出してよい。また例えば、検出システム１１が顔認証システムである場合には、検出器１５は観測対象１０に存在する人物を識別してよい。
検出器１５は、センサ１３の出力値を用いて観測対象１０に生じた事象を検出する。例えば検出システム１１が異常検知システムである場合には、検出器１５は観測対象１０における異常（侵入者、火災、犯罪発生など）の発生を検出してよい。また例えば、検出システム１１が顔認証システムである場合には、検出器１５は観測対象１０に存在する人物を識別してよい。
【0015】
検出器１５は、観測対象１０に生じた事象を検出するために、センサ１３の出力値に基づいて、観測対象１０における特定の識別対象（例えば、人や、火炎、犯罪などの不審行為、登録済みの人物）の有無を判定する。
例えば検出器１５は、観測対象１０における識別対象を検出したときのセンサ１３の出力値と、識別対象のクラスと、の間の対応付けを学習した学習モデルであってよい。すなわち検出器１５は、センサ１３の出力値と識別対象のクラスとの間の対応付けを、センサ１３の出力値と観測対象１０に生じた事象との間の対応付けとして学習してよい。
例えば検出器１５は、観測対象１０における識別対象を検出したときのセンサ１３の出力値と、識別対象のクラスと、の間の対応付けを学習した学習モデルであってよい。すなわち検出器１５は、センサ１３の出力値と識別対象のクラスとの間の対応付けを、センサ１３の出力値と観測対象１０に生じた事象との間の対応付けとして学習してよい。
【0016】
検出器１５の学習モデルは、例えばニューラルネットワーク、サポートベクターマシン、ブースティング等であってよい。検出器１５の学習モデルは、特許請求の範囲に記載の「第２学習モデル」の一例である。
第１情報収集部１６は、観測対象１０の状態に関する情報、及びセンサ１３の設定に関する情報、検出器１５の設定に関する情報のうち少なくとも一つの情報を、第１情報として収集して適応装置４に送信する。
例えば観測対象１０の状態に関する第１情報は、観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの開閉状態）や、観測対象１０の照明環境（例えば照明器具の照度）の情報を含んでよい。
第１情報収集部１６は、観測対象１０の状態に関する情報、及びセンサ１３の設定に関する情報、検出器１５の設定に関する情報のうち少なくとも一つの情報を、第１情報として収集して適応装置４に送信する。
例えば観測対象１０の状態に関する第１情報は、観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの開閉状態）や、観測対象１０の照明環境（例えば照明器具の照度）の情報を含んでよい。
【0017】
例えばセンサ１３の設定に関する第１情報は、センサ１３の設置条件やセンサ１３の調整パラメータの情報を含んでよい。例えばセンサ１３がカメラである場合には、センサ１３の設置条件の情報は、例えばカメラの光軸方向、画角に関する情報を含んでよい。センサ１３の調整パラメータの情報は、例えばカメラのゲインや撮影解像度の設定に関する情報を含んでよい。
【0018】
例えば検出器１５の設定に関する第１情報は、センサ１３の出力値から識別すべき識別対象のクラスの種類（カテゴリ）や、センサ１３の出力値から識別対象の識別スコアを算出する識別スコア算出関数の係数等の調整パラメータと、算出した識別スコアと比較する各クラス毎の判定閾値に関する情報であってよい。
【0019】
観測状態取得収集部１７は、第１情報が示すセンサ１３及び検出器１５の設定にあり、かつ、第１情報が示す観測対象１０の状態にある検出システム１１において、観測対象１０を観測した際のセンサ１３の観測結果に関する情報、及び検出器１３の検出結果に関する情報のうち少なくとも一方の情報である第２情報を収集して適応装置４に送信する。以下の説明において観測状態取得収集部１７により収集される第２情報を「観測状態情報」と表記することがある。
例えば観測状態情報は、センサ１３が観測対象１０をセンシングして得られた検出信号の状態に関する情報であってよい。例えば観測状態情報は、センサ１３であるカメラから得られる撮像画像の平均輝度や輝度分布を示す情報であってよい。例えば、輝度が低い値で分布しているのに、センサのガンマ値が低い場合には、センサのガンマ値が低すぎるために誤検出が発生したなどの判断が可能となる。
例えば観測状態情報は、センサ１３が観測対象１０をセンシングして得られた検出信号の状態に関する情報であってよい。例えば観測状態情報は、センサ１３であるカメラから得られる撮像画像の平均輝度や輝度分布を示す情報であってよい。例えば、輝度が低い値で分布しているのに、センサのガンマ値が低い場合には、センサのガンマ値が低すぎるために誤検出が発生したなどの判断が可能となる。
【0020】
また例えば観測状態情報は、センサ１３の観測結果を入力とする検出器１５の出力結果（検出結果）に関する情報であってもよい。例えば検出器１５が連続値の識別スコアを算出し、識別スコアの閾値処理により識別を行う場合、観測状態情報は、識別スコアの統計情報（平均、分散、分布状態）であってもよい。例えば検出システム１１が監視対象施設への侵入者を検出する異常検知システムである場合には侵入スコアの分布情報であってよく、例えば検出システム１１が顔認証システムである場合には認証スコアの分布情報であってよい。
【0021】
例えば、現場環境１において識別スコアが低い値で分布しているのに、スコア閾値が高い場合には、検出器１５の閾値が高すぎるために失検出が発生したなどの判断が可能となる。
例えば観測状態取得収集部１７は、現場環境１において検出システム１１を動作させたときに、試行（センサの観測結果）毎に検出器１５から出力される識別スコアを蓄積し、複数試行の識別スコア集合から識別スコアの統計情報を算出してよい。
例えば観測状態取得収集部１７は、現場環境１において検出システム１１を動作させたときに、試行（センサの観測結果）毎に検出器１５から出力される識別スコアを蓄積し、複数試行の識別スコア集合から識別スコアの統計情報を算出してよい。
【0022】
また例えば観測状態情報は、検出器１５により検出対象の事象の発生を識別できた有効試行比率でもよい。例えば観測状態取得収集部１７は、検出器１５に入力された試行（センサの観測結果）の総数と、検出器が出力した正（＝検出対象の事象が発生したと識別）の識別結果の数とを記録しておき、それらの比率（＝正の識別結果数／試行数）を算出してよい。
例えば、検出システム１１が、ある程度の頻度で検出対象の事象が発生する識別問題（人検知、男女識別等）を扱うシステムである場合、有効試行比率があまりにも低い場合には、現場環境１においてシステムが正しく動作していないことの判断が可能となる。
例えば、検出システム１１が、ある程度の頻度で検出対象の事象が発生する識別問題（人検知、男女識別等）を扱うシステムである場合、有効試行比率があまりにも低い場合には、現場環境１においてシステムが正しく動作していないことの判断が可能となる。
【0023】
状態変更部１８は、検出器１５の検出性能を向上させる修正情報を、通信部１２を介して適応装置４から受信する。状態変更部１８は、修正情報に従って現場環境１の観測対象１０、センサ１３、及び検出器１５の状態を変更する。
例えば状態変更部１８は、修正情報に従って観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの開閉状態）を変更してよい。例えば状態変更部１８は、修正情報に従って観測対象１０の照明環境（例えば照明器具の照度）を変更してよい。
例えば状態変更部１８は、修正情報に従って観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの開閉状態）を変更してよい。例えば状態変更部１８は、修正情報に従って観測対象１０の照明環境（例えば照明器具の照度）を変更してよい。
【0024】
例えば状態変更部１８は、修正情報に従ってセンサ１３の設置条件やセンサ１３の調整パラメータの情報を変更してよい。例えばセンサ１３がカメラである場合には、状態変更部１８は修正情報に従ってカメラのゲインを変更してよい。また例えばセンサ１３がＰＴＺカメラである場合には、センサ１３の設置条件としてＰＴＺカメラの光軸の向きや画角を修正情報に従って変更してもよい。
例えば状態変更部１８は、修正情報に従って検出器１５の調整パラメータや判定閾値を変更してよい。また例えば状態変更部１８は、修正情報に従って、検出器１５の学習モデルを、学習モデル生成装置２によって再学習された学習モデルや学習モデル生成装置２によって新たに生成された学習モデルに交換してもよい。
例えば状態変更部１８は、修正情報に従って検出器１５の調整パラメータや判定閾値を変更してよい。また例えば状態変更部１８は、修正情報に従って、検出器１５の学習モデルを、学習モデル生成装置２によって再学習された学習モデルや学習モデル生成装置２によって新たに生成された学習モデルに交換してもよい。
【0025】
学習モデル生成装置２は、例えば検出システム１１の研究開発部門に設けられて、検出システム１１の検出器１５として用いられる学習モデルを生成するために用いられる。学習モデル生成装置２は、通信部２０と、想定環境データベース（想定環境ＤＢ）２１と、モデル生成部２２と、モデル設定部２３を備える。これらのうちのモデル生成部２２とモデル設定部２３はいわゆるコンピュータで実現でき、通信部２０と想定環境データベース２１は、当該コンピュータの周辺機器として実現できる。
【0026】
通信部２０は、有線通信又は無線通信により、学習モデル生成装置２と検出システム１１との間、及び学習モデル生成装置２と適応装置４との間でデータの送受信を行うネットワークインターフェース等を含む。
想定環境データベース２１は、検出システム１１の検出器１５として用いられる学習モデルの学習データのデータベースである。例えば想定環境データベース２１は、研究開発部門において予め想定された様々な環境におけるセンサの出力値と観測対象１０に生じた事象（識別対象のクラス）とを対応付けたデータ構造からなるデータセットを記憶したデータベースであってよい。
想定環境データベース２１は、検出システム１１の検出器１５として用いられる学習モデルの学習データのデータベースである。例えば想定環境データベース２１は、研究開発部門において予め想定された様々な環境におけるセンサの出力値と観測対象１０に生じた事象（識別対象のクラス）とを対応付けたデータ構造からなるデータセットを記憶したデータベースであってよい。
【0027】
モデル生成部２２は、想定環境データベース２１に記憶されているデータセットを学習データとして利用して、センサの出力値に基づいてセンサが検出した識別対象を識別する学習モデルを再学習、又は新たに生成する。
例えば検出システム１１の検出器１５の学習モデルがニューラルネットワークである場合、モデル生成部２２は、検出システム１１の検出器１５の学習モデルとして様々なネットワーク構造の学習モデルを生成してよい。
例えば検出システム１１の検出器１５の学習モデルがニューラルネットワークである場合、モデル生成部２２は、検出システム１１の検出器１５の学習モデルとして様々なネットワーク構造の学習モデルを生成してよい。
【0028】
モデル設定部２３は、通信部２０を介して、適応装置４から送信される修正情報を受信する。モデル設定部２３は、修正情報にしたがって、検出システム１１の検出器１５の学習モデルをモデル生成部２２によって再学習させる。
例えば学習モデル生成装置２は、検出システム１１の検出器１５として現在使用されている学習モデルを学習させるときに利用したデータセット（ここでは「第１データセット」と表記する）と異なる第２データセットを想定環境データベース２１から読み出して、第２データセットを用いて検出器１５の学習モデルを再学習させてよい。例えば第２データセットは、第１データセットと同一のデータ構造を有し、第１データセットとはデータ内容が異なるデータセットであってよい。
例えば学習モデル生成装置２は、検出システム１１の検出器１５として現在使用されている学習モデルを学習させるときに利用したデータセット（ここでは「第１データセット」と表記する）と異なる第２データセットを想定環境データベース２１から読み出して、第２データセットを用いて検出器１５の学習モデルを再学習させてよい。例えば第２データセットは、第１データセットと同一のデータ構造を有し、第１データセットとはデータ内容が異なるデータセットであってよい。
【0029】
また例えばモデル設定部２３は、修正情報にしたがって、検出システム１１の検出器１５として現在使用されている学習モデルの代替用の学習モデルを、学習モデル生成装置２に生成させてもよい。
例えば検出器１５の学習モデルがニューラルネットワークである場合、モデル生成部２２は、検出器１５として現在使用されている学習モデルとは異なるネットワーク構造を用いて、識別対象を検出したセンサの出力値と識別対象のクラスとの間の対応付けを学習した学習モデルを生成する。
学習モデル生成装置２は、再学習させた学習モデルや、新たに生成した学習モデルを、検出器１５で使用する学習モデルとして検出システム１１に送信する。
例えば検出器１５の学習モデルがニューラルネットワークである場合、モデル生成部２２は、検出器１５として現在使用されている学習モデルとは異なるネットワーク構造を用いて、識別対象を検出したセンサの出力値と識別対象のクラスとの間の対応付けを学習した学習モデルを生成する。
学習モデル生成装置２は、再学習させた学習モデルや、新たに生成した学習モデルを、検出器１５で使用する学習モデルとして検出システム１１に送信する。
【0030】
担当者３は、検出システム１１の現場適応に携わる者であり、例えば検出システム１１の運用者や、検出システム１１の開発エンジニアであってよい。例えば検出システム１１が監視対象施設における異常の有無を監視する異常検知システムである場合、検出システム１１の運用者は、遠隔の監視センタで観測対象１０を監視する管制員や、現場に派遣される対処員や警備員であってもよい。例えば担当者３が管制員である場合には、端末装置３０は監視センタの監視卓であってよい。例えば担当者３が対処員や警備員である場合には、端末装置３０は通信機能を有した携帯端末装置であってよい。
【0031】
担当者３が研究開発部門の開発エンジニアである場合には、端末装置３０は研究開発部門に設けられた通信機能を有するコンピュータ等の情報処理装置であってよい。
なお、担当者３においても、観測対象１０やセンサ１３の状態の情報を、現場環境１の状態を表す第１情報として収集して適応装置４に提供してもよい。
例えば担当者３は、観測対象１０の状態に関する第１情報として、観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの有無）や観測対象１０の照明環境（例えば外光の有無や強度、照明器具の設置位置、個数）の情報を適応装置４に提供してよい。
なお、担当者３においても、観測対象１０やセンサ１３の状態の情報を、現場環境１の状態を表す第１情報として収集して適応装置４に提供してもよい。
例えば担当者３は、観測対象１０の状態に関する第１情報として、観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの有無）や観測対象１０の照明環境（例えば外光の有無や強度、照明器具の設置位置、個数）の情報を適応装置４に提供してよい。
【0032】
また例えば担当者３は、センサ１３に関する第１情報として、センサ１３の設置条件（例えばセンサの設置位置）の情報を適応装置４に提供してよい。
例えば担当者３は、第１情報を適応装置４に直接入力してもよく、端末装置３０を介して適応装置４に送信してもよい。
例えば担当者３は、第１情報を適応装置４に直接入力してもよく、端末装置３０を介して適応装置４に送信してもよい。
【0033】
更に担当者３においても、観測対象１０を観測した際の観測状態に関する情報である第２情報を適応装置４に提供してもよい。
例えば、検出システム１１の検出器１５が誤報を出力した場合（例えば検出システム１１が異常検知システムである場合に異常を誤検出した場合や、誤って異常を検出しなかった場合（失検出）、検出システム１１が顔認証システムである場合に予め登録された人物以外の人物を認証したり、予め登録された人物の認証に失敗した場合）には、担当者３は、検出システム１１を現場環境１に適応させる対策のヒントとなる補助情報を、第２情報として適応装置４に提供する。
例えば、検出システム１１の検出器１５が誤報を出力した場合（例えば検出システム１１が異常検知システムである場合に異常を誤検出した場合や、誤って異常を検出しなかった場合（失検出）、検出システム１１が顔認証システムである場合に予め登録された人物以外の人物を認証したり、予め登録された人物の認証に失敗した場合）には、担当者３は、検出システム１１を現場環境１に適応させる対策のヒントとなる補助情報を、第２情報として適応装置４に提供する。
【0034】
補助情報は、検出システム１１を現場環境１に適応させる具体的な対策に関する情報である必要はなく、検出器１５による誤報結果を認知する人間の認知能力があれば、具体的な対策を検討する作業よりも少ない作業負担で案出できる情報であれば足りる。
例えば担当者３が適応装置４に提供する第２情報は、第１情報が示すセンサ１３及び検出器１５の設定にあり、かつ、第１情報が示す観測対象１０の状態ある場合における、検出器１５による検出結果の誤報要因に関する情報であってよい。誤報要因とは検出器１５が誤検出した要因や失検出した要因であり、人物（例えば担当者３）によって認識された要因である。以下の説明において検出システム１１を現場環境１に適応させる対策のヒントとなる補助情報として、担当者３が適応装置４に入力する誤報要因に関する第２情報を「誤報要因情報」と表記することがある。
例えば担当者３が適応装置４に提供する第２情報は、第１情報が示すセンサ１３及び検出器１５の設定にあり、かつ、第１情報が示す観測対象１０の状態ある場合における、検出器１５による検出結果の誤報要因に関する情報であってよい。誤報要因とは検出器１５が誤検出した要因や失検出した要因であり、人物（例えば担当者３）によって認識された要因である。以下の説明において検出システム１１を現場環境１に適応させる対策のヒントとなる補助情報として、担当者３が適応装置４に入力する誤報要因に関する第２情報を「誤報要因情報」と表記することがある。
【0035】
例えば検出システム１１が、センサ１３であるカメラの撮像画像から侵入者を誤検出して異常発生を誤報した場合に、担当者３は、撮像画像に映っている「影による誤検出」を誤報要因情報として適応装置４に提供してよい。例えば担当者３は、影による誤検出の有無を示すラベル（「Ｔｒｕｅ」又は「Ｆａｌｓｅ」）を適応装置４に入力してよい。以下に示す誤報要因情報の例でも同様である。
例えば担当者３は、誤報要因情報を適応装置４に直接入力してもよく、端末装置３０を介して適応装置４に送信してもよい。
例えば担当者３は、誤報要因情報を適応装置４に直接入力してもよく、端末装置３０を介して適応装置４に送信してもよい。
【0036】
また例えば、何らかの物体で観測対象１０がセンサ１３から遮蔽されることにより、検出システム１１が異常発生を誤って検出できず警報を出力できなかった場合に、担当者３は「観測対象の隠れ（オクルージョン）」を誤報要因情報として適応装置４に提供してよい。
また例えば、観測対象１０がセンサ１３の検出範囲（例えばカメラの視野）から外れていることにより、検出システム１１が異常発生を誤って検出できず警報を出力できなかった場合に、担当者３は「監視範囲からの観測対象の逸脱」を誤報要因情報として適応装置４に提供してよい。
また例えば、観測対象１０がセンサ１３の検出範囲（例えばカメラの視野）から外れていることにより、検出システム１１が異常発生を誤って検出できず警報を出力できなかった場合に、担当者３は「監視範囲からの観測対象の逸脱」を誤報要因情報として適応装置４に提供してよい。
【0037】
また例えば、センサ１３であるカメラの撮像画像が暗いことにより、検出システム１１が異常発生を誤って検出できず警報を出力できなかった場合に、担当者３は「観測対象の照度不足」を誤報要因情報として適応装置４に提供してよい。
また例えば、検出システム１１が異常を発生するまでに時間がかかり、異常発生の警報が遅れる場合に、担当者３は、検出システム１１の検出器１５の「認識処理速度の不足」を誤報要因情報として適応装置４に提供してよい。
また例えば、特に実際の現場環境１と想定環境との違いが大きかったり、センサ１３、什器、照明環境等に関連する具体的な誤報要因を特定できない場合に、担当者３は「現場環境の種別」を誤報要因情報として適応装置４に提供してよい。
また例えば、検出システム１１が異常を発生するまでに時間がかかり、異常発生の警報が遅れる場合に、担当者３は、検出システム１１の検出器１５の「認識処理速度の不足」を誤報要因情報として適応装置４に提供してよい。
また例えば、特に実際の現場環境１と想定環境との違いが大きかったり、センサ１３、什器、照明環境等に関連する具体的な誤報要因を特定できない場合に、担当者３は「現場環境の種別」を誤報要因情報として適応装置４に提供してよい。
【0038】
適応装置４は、入力部４０と、通信部４１と、記憶部４２、制御部４３を備える。これらのうちの記憶部４２及び制御部４３はいわゆるコンピュータで実現でき、入力部４０及び通信部４１は、当該コンピュータの周辺機器として実現できる。
入力部４０は、利用者に操作されてデータの入力等に用いられるキーボード、マウス等のユーザーインターフェースを含む。入力部４０は、制御部４３に接続され、利用者の操作を操作信号に変換して制御部４３に出力する。
また、入力部４０はＤＶＤ（Digital Versatile Disc）ドライブ、ＵＳＢ（Universal Serial Bus）インターフェースを含んでもよい。入力部４０は、データをファイルとして制御部４３に入力し、およびデータをファイルとして制御部４３から出力する。
入力部４０は、利用者に操作されてデータの入力等に用いられるキーボード、マウス等のユーザーインターフェースを含む。入力部４０は、制御部４３に接続され、利用者の操作を操作信号に変換して制御部４３に出力する。
また、入力部４０はＤＶＤ（Digital Versatile Disc）ドライブ、ＵＳＢ（Universal Serial Bus）インターフェースを含んでもよい。入力部４０は、データをファイルとして制御部４３に入力し、およびデータをファイルとして制御部４３から出力する。
【0039】
通信部４１は、有線通信又は無線通信により、適応装置４と検出システム１１との間、適応装置４と学習モデル生成装置２との間、及び適応装置４と端末装置３０との間でデータの送受信を行うネットワークインターフェース等を含む。
記憶部４２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のメモリ装置であり、各種プログラムや各種データを記憶する。
記憶部４２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のメモリ装置であり、各種プログラムや各種データを記憶する。
【0040】
制御部４３は、検出システム１１から提供される第１情報及び第２情報（観測状態情報）と、担当者３から提供される第２情報（誤報要因情報）とに基づいて、検出器１５の検出性能を向上させる修正情報を出力するコントローラである。例えば制御部４３は、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＣＵ（Micro Control Unit）等の演算装置（プロセッサ）で構成される。
制御部４３は、記憶部４２と接続され、記憶部４２からコンピュータプログラムを読み出して実行することにより各種処理部として動作し、各種データを記憶部４２に記憶したり、これらデータを読み出す。以下に説明する適応装置４の機能は、記憶部４２に記憶されたコンピュータプログラムを制御部４３が実行することにより実現される。
制御部４３は、記憶部４２と接続され、記憶部４２からコンピュータプログラムを読み出して実行することにより各種処理部として動作し、各種データを記憶部４２に記憶したり、これらデータを読み出す。以下に説明する適応装置４の機能は、記憶部４２に記憶されたコンピュータプログラムを制御部４３が実行することにより実現される。
【0041】
また制御部４３は、入力部４０と接続されて利用者（例えば担当者３）による適応装置４に対する操作入力を受け付ける。
制御部４３は、通信部４１とも接続され、通信部４１を経由して検出システム１１、学習モデル生成装置２及び端末装置３０との間で各種データを送受信する。例えば制御部４３は、第１情報及び第２情報を検出システム１１から受信するとともに、検出器１５の検出性能を向上させる修正情報を検出システム１１へ送信する。
また例えば制御部４３は、検出器１５の学習モデルを適応させるための修正情報を学習モデル生成装置２へ送信する。また例えば制御部４３は、担当者３から第２情報を端末装置３０から受信するとともに、担当者３に提示する修正情報を端末装置３０へ送信する。
制御部４３は、通信部４１とも接続され、通信部４１を経由して検出システム１１、学習モデル生成装置２及び端末装置３０との間で各種データを送受信する。例えば制御部４３は、第１情報及び第２情報を検出システム１１から受信するとともに、検出器１５の検出性能を向上させる修正情報を検出システム１１へ送信する。
また例えば制御部４３は、検出器１５の学習モデルを適応させるための修正情報を学習モデル生成装置２へ送信する。また例えば制御部４３は、担当者３から第２情報を端末装置３０から受信するとともに、担当者３に提示する修正情報を端末装置３０へ送信する。
【0042】
図２は、実施形態の適応装置４の機能構成の一例のブロック図である。適応装置４は、第２情報取得手段５０と、第１情報取得手段５１と、適応部５２と、評価値取得手段５３と、モデル学習手段５４を備える。
図１の制御部４３は、適応部５２及びモデル学習手段５４として機能する。入力部４０又は通信部４１と制御部４３は、第２情報取得手段５０、第１情報取得手段５１及び評価値取得手段５３として機能する。
図１の制御部４３は、適応部５２及びモデル学習手段５４として機能する。入力部４０又は通信部４１と制御部４３は、第２情報取得手段５０、第１情報取得手段５１及び評価値取得手段５３として機能する。
【0043】
第２情報取得手段５０は、通信部４１を介して検出システム１１から第２情報（観測状態情報）を取得する。また、第２情報取得手段５０は、通信部４１を介して端末装置３０から第２情報（誤報要因情報）を取得する。または第２情報取得手段５０は、入力部４０を介して担当者３から第２情報を取得してもよい。すなわち、第２情報取得手段５０は観測状態情報及び誤報要因情報のうち少なくとも一方の第２情報を取得する。
第１情報取得手段５１は、通信部４１を介して検出システム１１や端末装置３０から観測対象１０及びセンサ１３の第１情報を取得する。または、第１情報取得手段５１は、入力部４０を介して担当者３から第１情報を取得してもよい。
第１情報取得手段５１は、通信部４１を介して検出システム１１や端末装置３０から観測対象１０及びセンサ１３の第１情報を取得する。または、第１情報取得手段５１は、入力部４０を介して担当者３から第１情報を取得してもよい。
【0044】
適応部５２は、第１情報と第２情報とに基づいて、検出器１５の検出性能を向上させる修正パラメータを含んだ修正情報を、観測対象１０や、検出システム１１、研究開発部門へのフィードバックとして生成する関数である。
例えば適応部５２は、第１情報と第２情報を入力とし、それに適した修正情報を出力する関数を、学習データを用いて学習したニューラルネットワーク、サポートベクターマシン、ブースティング等の学習モデルであってよい。例えば学習モデルは、教師有り学習や強化学習等の機械学習手法を用いて学習してもよい。適応部５２の学習モデルは、特許請求の範囲に記載の「第１学習モデル」の一例である。
例えば適応部５２は、第１情報と第２情報を入力とし、それに適した修正情報を出力する関数を、学習データを用いて学習したニューラルネットワーク、サポートベクターマシン、ブースティング等の学習モデルであってよい。例えば学習モデルは、教師有り学習や強化学習等の機械学習手法を用いて学習してもよい。適応部５２の学習モデルは、特許請求の範囲に記載の「第１学習モデル」の一例である。
【0045】
また、検出システム１１の状態を第１情報と第２情報とに分けて表現した結果、検出システム１１の状態（第１情報及び第２情報）と検出性能を向上させる修正情報との適切な組み合わせが記述できる（例えばルールとして定義できる）ようになった場合には、適応部５２は、その組み合わせを定義したルックアップテーブルであってもよい。
【0046】
適応部５２は、生成した修正情報を、検出システム１１や学習モデル生成装置２へ送信する。適応部５２は、修正情報を担当者３に提示してもよい（例えば端末装置３０へ送信してもよい）。
例えば適応部５２は、観測対象１０の状態を修正する修正情報を、検出システム１１に送信したり担当者３に提示してよい。
例えば適応部５２は、観測対象１０の状態を修正する修正情報を、検出システム１１に送信したり担当者３に提示してよい。
【0047】
例えば適応部５２は、観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの開閉状態）や、観測対象１０の照明環境（例えば照明器具の照度）を変更する修正情報を検出システム１１へ送信してよい。検出システム１１の状態変更部１８は、修正情報に従って什器の状態や照明環境を変更してよい。例えば、状態変更部１８は、カーテンやブラインド、照明を制御するシステムに対してこれらの状態を変更するよう指示命令を送信してよい。
また例えば適応部５２は、観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの設置状態）や、観測対象１０の照明環境（例えば照明器具の設置位置、個数）を変更することを促す修正情報を担当者３に提示してよい。
また例えば適応部５２は、観測対象１０に設置されている什器の状態（例えばカーテンやブラインドの設置状態）や、観測対象１０の照明環境（例えば照明器具の設置位置、個数）を変更することを促す修正情報を担当者３に提示してよい。
【0048】
また例えば適応部５２は、センサ１３の状態を修正する修正情報を、検出システム１１に送信したり担当者３に提示してよい。
例えば適応部５２は、センサ１３の設置条件や調整パラメータを変更する修正情報を検出システム１１へ送信してよい。例えばセンサ１３がカメラである場合には、カメラの光軸の向きや画角などの設置条件を変更する修正情報や、ゲインなどの調整パラメータを変更する修正情報を送信してよい。状態変更部１８は、修正情報に従ってセンサの設置条件や調整パラメータを変更してよい。
また例えば適応部５２は、センサ１３の設置条件（例えばセンサの設置位置）を変更することを促す修正情報を担当者３に提示してよい。
例えば適応部５２は、センサ１３の設置条件や調整パラメータを変更する修正情報を検出システム１１へ送信してよい。例えばセンサ１３がカメラである場合には、カメラの光軸の向きや画角などの設置条件を変更する修正情報や、ゲインなどの調整パラメータを変更する修正情報を送信してよい。状態変更部１８は、修正情報に従ってセンサの設置条件や調整パラメータを変更してよい。
また例えば適応部５２は、センサ１３の設置条件（例えばセンサの設置位置）を変更することを促す修正情報を担当者３に提示してよい。
【0049】
また例えば適応部５２は、検出器１５の状態を修正する修正情報を、検出システム１１に送信してよい。状態変更部１８は、修正情報に従って検出器１５の調整パラメータや判定閾値を変更してよい。
【0050】
また例えば適応部５２は、検出器１５の学習モデルを、第１データセットと異なる第２データセットを用いて再学習させる修正情報を、学習モデル生成装置２と検出システム１１とに送信してよい。
学習モデル生成装置２のモデル生成部２２は、修正情報に従って検出器１５の学習モデルを再学習し、再学習した学習モデルを検出システム１１に送信する。検出システム１１の状態変更部１８は、検出器１５の学習モデルを、学習モデル生成装置２によって再学習した学習モデルに交換する。
学習モデル生成装置２のモデル生成部２２は、修正情報に従って検出器１５の学習モデルを再学習し、再学習した学習モデルを検出システム１１に送信する。検出システム１１の状態変更部１８は、検出器１５の学習モデルを、学習モデル生成装置２によって再学習した学習モデルに交換する。
【0051】
また例えば適応部５２は、検出器１５の学習モデルを、検出器１５として現在使用されている学習モデルとは異なるネットワーク構造の学習モデルに交換する修正情報を、学習モデル生成装置２と検出システム１１とに送信してよい。
モデル生成部２２は、修正情報に従って、検出器１５として現在使用されている学習モデルとは異なるネットワーク構造を用いた新たな学習モデルを生成し、生成した学習モデルを検出システム１１に送信する。検出システム１１の状態変更部１８は、検出器１５の学習モデルを、学習モデル生成装置２によって新たに生成した学習モデルに交換する。
モデル生成部２２は、修正情報に従って、検出器１５として現在使用されている学習モデルとは異なるネットワーク構造を用いた新たな学習モデルを生成し、生成した学習モデルを検出システム１１に送信する。検出システム１１の状態変更部１８は、検出器１５の学習モデルを、学習モデル生成装置２によって新たに生成した学習モデルに交換する。
【0052】
図３は、適応装置４の動作例の一例を説明するための模式図である。図３の例では、検出システム１１が観測対象１０の室内の異常の有無を監視する異常検知システムであり、検出システム１１の検出器１５が、センサ１３であるカメラの撮像画像６０から侵入者を誤検出した場合を想定する。なおここでは説明の簡単のため、第２情報として誤報要因情報のみを例示する。
【0053】
検出器１５は、撮像画像６０から侵入者を検出した検出領域６１を囲む矩形マークを付与して担当者３に提示する。担当者３は、誤報の要因がカメラの撮像画像６０の検出領域６１に写っている影であることを示す誤報要因情報を、第２情報として適応装置４に提供する。
第２情報取得手段５０は、担当者３から提供された第２情報（誤報要因情報）を取得する。
第１情報取得手段５１は、検出器１５の第１情報として、検出器１５が識別する識別クラスの種類（カテゴリ）が「人」、「影」及び「虫」であり、各々の識別クラスの判定閾値がそれぞれ「中」、「中」、「中」であることを示す第１情報を取得する。
第２情報取得手段５０は、担当者３から提供された第２情報（誤報要因情報）を取得する。
第１情報取得手段５１は、検出器１５の第１情報として、検出器１５が識別する識別クラスの種類（カテゴリ）が「人」、「影」及び「虫」であり、各々の識別クラスの判定閾値がそれぞれ「中」、「中」、「中」であることを示す第１情報を取得する。
【0054】
また第１情報取得手段５１は、センサ１３の第１情報として、センサ１３であるカメラのゲインが「中」であることを示す第１情報を取得する。また、観測対象１０の第１情報として、観測対象１０の照明強度が「中」であり、観測対象１０が室内であり且つ外光があることを示す第１情報を取得する。
【0055】
適応部５２は、これら第１情報と第２情報とに基づいて、検出器１５が識別する識別クラス「影」の判定閾値を「中」から「高」に変更する修正情報を生成して検出システム１１へ送信する。検出システム１１の状態変更部１８は、修正情報に従って検出器１５の識別クラス「影」の判定閾値を「中」から「高」に変更する。
これにより、検出器１５は、センサ１３であるカメラの撮像画像６０に写った影が侵入者等の「人」ではなく「影」であると判定しやすくなり、「影」を侵入者として誤検出しにくくなる。これにより検出器１５の検出性能を向上させることができる。
これにより、検出器１５は、センサ１３であるカメラの撮像画像６０に写った影が侵入者等の「人」ではなく「影」であると判定しやすくなり、「影」を侵入者として誤検出しにくくなる。これにより検出器１５の検出性能を向上させることができる。
【0056】
同様に、例えば担当者３が第２情報として誤報要因情報「観測対象の隠れ」を適応装置４に提供した場合、適応部５２は、観測対象１０がセンサ１３から遮蔽されないように、観測対象１０に設置されている什器の状態であるカーテンやブラインドの開閉状態を変更する修正情報を生成してよい。
また例えば、担当者３が第２情報として誤報要因情報「観測対象の照度不足」を適応装置４に提供した場合、適応部５２は、観測対象１０の照度が増加するように、観測対象１０に設置されている什器の状態であるカーテンやブラインドの開閉状態を変更したり、観測対象１０の照明環境修正を変更する修正情報を生成してよい。
また例えば、担当者３が第２情報として誤報要因情報「観測対象の照度不足」を適応装置４に提供した場合、適応部５２は、観測対象１０の照度が増加するように、観測対象１０に設置されている什器の状態であるカーテンやブラインドの開閉状態を変更したり、観測対象１０の照明環境修正を変更する修正情報を生成してよい。
【0057】
また例えば、担当者３が第２情報として誤報要因情報「監視範囲からの観測対象の逸脱」を適応装置４に提供した場合、適応部５２は、観測対象１０がセンサ１３の検出範囲に入るように、センサ１３の設置条件を変更する修正情報を生成してよい。
また例えば、担当者３が第２情報として誤報要因情報「認識処理速度の不足」を適応装置４に提供した場合、適応部５２は、検出器１５の学習モデルを他のネットワーク構造の学習モデルに交換する修正情報を生成してよい。
また例えば、担当者３が第２情報として誤報要因情報「現場環境の種別」を適応装置４に提供した場合、適応部５２は、検出器１５の学習モデルを、第１データセットと異なる第２データセットを用いて再学習させる修正情報を生成してよい。
また例えば、担当者３が第２情報として誤報要因情報「認識処理速度の不足」を適応装置４に提供した場合、適応部５２は、検出器１５の学習モデルを他のネットワーク構造の学習モデルに交換する修正情報を生成してよい。
また例えば、担当者３が第２情報として誤報要因情報「現場環境の種別」を適応装置４に提供した場合、適応部５２は、検出器１５の学習モデルを、第１データセットと異なる第２データセットを用いて再学習させる修正情報を生成してよい。
【0058】
図２を参照する。評価値取得手段５３は、第１情報及び第２情報に基づいて適応部５２の学習モデルが生成した修正情報が、どの程度適切であったかを評価して得られた評価値を取得する。例えば評価値取得手段５３は、人間による作業によって算出された評価値を入力部４０から取得してもよく、外部装置によって算出された評価値を入力部４０や通信部４１から取得してもよい。
例えば評価値取得手段５３は、修正情報に従って修正が行われた後に検出システム１１から出力される検出結果を評価して算出された客観評価値を取得してよい。
例えば評価値取得手段５３は、修正情報に従って修正が行われた後に検出システム１１から出力される検出結果を評価して算出された客観評価値を取得してよい。
【0059】
例えば評価値取得手段５３は、検出システム１１の認証率や識別率を客観評価値として所得してよい。図４（ａ）は、検出システム１１が顔認証システムである場合における客観評価値の一例を説明するための模式図である。例えば、センサ１３であるカメラの撮像画像６２に写っている全ての人物Ｐａ～Ｐｄの顔画像Ｉａ～Ｉｄに人物識別子を付与し、修正情報に従って修正が行われた後に検出システム１１が顔画像Ｉａ～Ｉｄの認証に成功した認証成功率を客観評価値として算出してよい。このような客観評価値を算出することにより、修正情報による改善の詳細な違いを厳密に評価することができる。
【0060】
また例えば評価値取得手段５３は、客観評価値の近似値を取得してもよい。図４（ｂ）は、検出システム１１が顔認証システムである場合における客観評価値の近似値の一例を説明するための模式図である。例えば、センサ１３であるカメラの撮像画像６２に写っている人物Ｐａ～Ｐｄの顔画像Ｉａ～Ｉｄのうち、一部の顔画像Ｉｂ及びＩｃのみに人物識別子を付与し、検出システム１１が顔画像Ｉｂ及びＩｃの認証に成功した認証成功率を客観評価値の近似値として算出してよい。このような近似値を算出することにより、評価値を算出する作業負担を低減できる。
【0061】
例えば人物識別子を付与する顔画像Ｉｂ及びＩｃとして、例えば認証を誤りそうな顔画像を選択してよい。例えば、複数の異なる顔画像認識システムを現場環境１で一定期間動作させて、複数の顔画像認識システム間で識別結果が異なる顔画像を自動的に収集し、収集した顔画像に対する検出システム１１による認証成功率を算出することにより、客観評価値の近似値を算出してよい
【0062】
また例えば評価値取得手段５３は、修正情報に従って修正が行われた後の一定期間における検出システム１１の誤失報（誤検出、失検出）の回数や発生頻度に基づいた、客観評価値の近似値を取得してもよい。例えば、修正情報に従って修正が行われた後の一定期間における誤失報の回数を記録しておき、この期間における誤失報の回数に応じて客観評価値の近似値を設定してよい。
また例えば評価値取得手段５３は、検出システム１１の利用者による満足度の取得頻度（例えば受付件数）に基づくシステムの評価値を取得してもよい。検出システム１１の利用者とは、検出システム１１を日々利用するユーザであってもよいし、検出システム１１の状況を日々監視しているシステム運用者であってもよい。
例えば、修正情報に従って修正が行われた後の一定期間における苦情の報告を記録しておき、この期間における苦情の回数に応じてシステムの評価値を設定してよい。例えば、苦情の回数が閾値未満である場合に修正が適切であったことを示す値「１」を有し、苦情の回数が閾値未満である場合に修正が不適切であったことを示す値「－１」を有するシステムの評価値を設定してよい。
また例えば評価値取得手段５３は、検出システム１１の利用者による満足度の取得頻度（例えば受付件数）に基づくシステムの評価値を取得してもよい。検出システム１１の利用者とは、検出システム１１を日々利用するユーザであってもよいし、検出システム１１の状況を日々監視しているシステム運用者であってもよい。
例えば、修正情報に従って修正が行われた後の一定期間における苦情の報告を記録しておき、この期間における苦情の回数に応じてシステムの評価値を設定してよい。例えば、苦情の回数が閾値未満である場合に修正が適切であったことを示す値「１」を有し、苦情の回数が閾値未満である場合に修正が不適切であったことを示す値「－１」を有するシステムの評価値を設定してよい。
【0063】
図２を参照する。モデル学習手段５４は、第１情報と第２情報とを入力とし、評価値取得手段５３が取得した評価値を報酬として、適応部５２の学習モデルを強化学習する。
図５は、モデル学習手段５４による適応装置４の学習方法の一例を説明するための模式図である。図５は、図面の左から右に向かって時間が経過することを表している。
図５は、モデル学習手段５４による適応装置４の学習方法の一例を説明するための模式図である。図５は、図面の左から右に向かって時間が経過することを表している。
【0064】
ある時刻ｔ１における観測対象１０と検出システム１１の全体の状態が「状態１」であったとする。以下の説明において観測対象１０と検出システム１１の全体の状態を「システム状態」と表記することがある。
時刻ｔ１において検出システム１１が誤報を出力した場合を想定する。このとき、検出システム１１は、センサ１３のカメラのゲイン設定値が「低」であり、観測対象１０の照明強度の設定値が「低」であり、検出器１５における識別クラス「虫」の判定閾値（以下「虫閾値」と表記する）が「中」であることを第１情報として適応装置４に提供する。
時刻ｔ１において検出システム１１が誤報を出力した場合を想定する。このとき、検出システム１１は、センサ１３のカメラのゲイン設定値が「低」であり、観測対象１０の照明強度の設定値が「低」であり、検出器１５における識別クラス「虫」の判定閾値（以下「虫閾値」と表記する）が「中」であることを第１情報として適応装置４に提供する。
【0065】
また、検出システム１１は、状態１にある検出システム１１において、センサ１３のカメラの平均輝度値が低いことを第２情報（観測状態情報）として適応装置４に提供する。担当者３は、誤報の要因がカメラの撮像画像に写っている虫であることを第２情報（誤報要因情報）として適応装置４に提供する。
適応装置４は、これらの第１情報と第２情報とに基づいて虫閾値を「中」から「高」へ変更する修正情報を生成する。修正情報に従って検出器１５の虫閾値を「高」へ変更することにより、システム状態が「状態１」から「状態２」へ変化する。
適応装置４は、これらの第１情報と第２情報とに基づいて虫閾値を「中」から「高」へ変更する修正情報を生成する。修正情報に従って検出器１５の虫閾値を「高」へ変更することにより、システム状態が「状態１」から「状態２」へ変化する。
【0066】
その後、システム状態が「状態２」へ変化した後の一定期間における検出システム１１の検出結果に基づいて修正情報（虫閾値の変更）に対する評価値（報酬）を求める。図５の例では、修正情報（虫閾値の変更）に対する評価値は、不適切であることを示す「－１」となっている。
適応装置４は、時刻ｔ１の第１情報と第２情報とを入力し修正情報を出力した際の評価値「－１（不適切）」を報酬として、適応部５２の学習モデルを強化学習する。
適応装置４は、時刻ｔ１の第１情報と第２情報とを入力し修正情報を出力した際の評価値「－１（不適切）」を報酬として、適応部５２の学習モデルを強化学習する。
【0067】
その後の時刻ｔ２において検出システム１１が誤報を出力したとき、検出システム１１は、カメラのゲイン設定値が「低」であり、照明強度の設定値が「低」であり、虫閾値が「高」であることを第１情報として適応装置４に提供する。また、検出システム１１は、状態２にある検出システム１１において、カメラの平均輝度値が低いことを第２情報（観測状態情報）として適応装置４に提供する。担当者３は、誤報の要因がカメラの撮像画像に写っている虫であることを第２情報（誤報要因情報）として適応装置４に提供する。
【0068】
適応装置４は、これらの第１情報と第２情報とに基づいてカメラのゲイン設定値を「低」から「中」へ変更する修正情報を生成する。修正情報に従ってカメラのゲイン設定値を「中」へ変更することにより、システム状態が「状態２」から「状態３」へ変化する。
その後、システム状態が「状態３」へ変化した後の一定期間における検出システム１１の検出結果に基づいて修正情報（ゲイン設定値の変更）に対する評価値を求める。図５の例では、修正情報（ゲイン設定値の変更）に対する評価値は、不適切であることを示す「－１」となっている。
適応装置４は、時刻ｔ２の第１情報と第２情報とを入力し修正情報を出力した際の評価値「－１（不適切）」を報酬として、適応部５２の学習モデルを強化学習する。
その後、システム状態が「状態３」へ変化した後の一定期間における検出システム１１の検出結果に基づいて修正情報（ゲイン設定値の変更）に対する評価値を求める。図５の例では、修正情報（ゲイン設定値の変更）に対する評価値は、不適切であることを示す「－１」となっている。
適応装置４は、時刻ｔ２の第１情報と第２情報とを入力し修正情報を出力した際の評価値「－１（不適切）」を報酬として、適応部５２の学習モデルを強化学習する。
【0069】
その後の時刻ｔ３において検出システム１１が誤報を出力したとき、検出システム１１は、カメラのゲイン設定値が「中」であり、照明強度の設定値が「低」であり、虫閾値が「高」であることを第１情報として適応装置４に提供する。また、検出システム１１は、状態３にある検出システム１１において、カメラの平均輝度値が低いことを第２情報（観測状態情報）として適応装置４に提供する。担当者３は、誤報の要因がカメラの撮像画像に写っている虫であることを第２情報（誤報要因情報）として適応装置４に提供する。
【0070】
適応装置４は、これらの第１情報と第２情報とに基づいて、観測対象１０の照明強度の設定値を「低」から「中」へ変更する修正情報を生成する。修正情報に従って照明強度の設定値を「中」へ変更することにより、システム状態が「状態３」から「状態４」へ変化する。
状態４では、第１情報に示されているようにカメラのゲイン設定値が「中」に設定され、照明強度の設定値が「中」に設定され、虫閾値が「高」に設定される。また第２情報に示されているようにカメラの平均輝度値が中程度になる。
状態４では、第１情報に示されているようにカメラのゲイン設定値が「中」に設定され、照明強度の設定値が「中」に設定され、虫閾値が「高」に設定される。また第２情報に示されているようにカメラの平均輝度値が中程度になる。
【0071】
その後、システム状態が「状態４」へ変化した後の一定期間における検出システム１１の検出結果に基づいて修正情報（照明強度の設定値の変更）に対する評価値を求める。図５の例では、修正情報（照明強度の設定値の変更）に対する評価値は、適切であることを示す「１」となっている。
適応装置４は、時刻ｔ３の第１情報と第２情報とを入力し修正情報を出力した際の評価値「＋１（適切）」を報酬として、適応部５２の学習モデルを強化学習する。
適応装置４は、時刻ｔ３の第１情報と第２情報とを入力し修正情報を出力した際の評価値「＋１（適切）」を報酬として、適応部５２の学習モデルを強化学習する。
【0072】
以後、同様の手順を繰り返すことによって適応装置４の強化学習が進むことになる。このため強化学習が進むほどより良い修正情報を生成できる適応部５２が形成される。これにより強化学習が進むほど、検出システム１１を現場環境１に適応させるために担当者３が誤報要因情報を第２情報として提供する回数が少なくなり、検出システム１１の現場適応に要する担当者３の労力を軽減できる。
【0073】
適応装置４の強化学習に用いる入力（第１情報と第２情報）と出力（修正情報）、及び、報酬（評価値）のデータは、対象の検出システム１１を現場環境１へ適応させる際に得られるデータでなくてもよく、他の現場環境の検出システムの現場適応の際に取得される、又は過去に取得した第１情報、第２情報、修正情報、及び評価値のデータを使用して適応装置４の強化学習を行ってもよい。
また、適応装置４の強化学習に用いる入力と報酬のデータは、適応装置４による適応の対象となっている検出システム１１にて得られたデータでなくてもよく、他の適応装置の強化学習に用いられた第１情報、第２情報、修正情報、及び評価値のデータを使用して適応装置４の強化学習を行ってもよい。
また、適応装置４の強化学習に用いる入力と報酬のデータは、適応装置４による適応の対象となっている検出システム１１にて得られたデータでなくてもよく、他の適応装置の強化学習に用いられた第１情報、第２情報、修正情報、及び評価値のデータを使用して適応装置４の強化学習を行ってもよい。
【0074】
また、修正情報の評価値を算出する際には、実際の現場環境１で修正情報に従った検出システム１１を動作させて評価値を算出する前に、事前に用意したテスト用の想定環境データベースを用いて検出システム１１を動作させて想定環境データベースにおける修正情報の評価値を判定してもよい。想定環境データベースは、現場環境毎に異なるデータベースであってもよく複数の現場環境で共通のデータベースであってよい。
そして、想定環境データベースにおける評価値が規定値以下の場合には、検出システム１１を実際の現場環境１で動作させて現場環境１における評価値を算出し、想定環境データベースにおける評価値が規定値より多い場合には、検出システム１１を実際の現場環境１で動作させる事無しに、現場環境１における評価値を低い値に設定してもよい。
そして、想定環境データベースにおける評価値が規定値以下の場合には、検出システム１１を実際の現場環境１で動作させて現場環境１における評価値を算出し、想定環境データベースにおける評価値が規定値より多い場合には、検出システム１１を実際の現場環境１で動作させる事無しに、現場環境１における評価値を低い値に設定してもよい。
【0075】
（動作）
図６は、実施形態による適応装置４の学習方法の一例のフローチャートである。
ステップＳ１において適応装置４の第１情報取得手段５１は、観測対象１０、センサ１３、及び検出器１５の状態に関する第１情報を取得する。
ステップＳ２において第２情報取得手段５０は、第１情報が示す状態にある検出システム１１において観測対象１０を観測した際の観測状態に関する情報である第２情報を取得する。
図６は、実施形態による適応装置４の学習方法の一例のフローチャートである。
ステップＳ１において適応装置４の第１情報取得手段５１は、観測対象１０、センサ１３、及び検出器１５の状態に関する第１情報を取得する。
ステップＳ２において第２情報取得手段５０は、第１情報が示す状態にある検出システム１１において観測対象１０を観測した際の観測状態に関する情報である第２情報を取得する。
【0076】
ステップＳ３において適応部５２は、第１情報と第２情報とに基づいて検出器の検出性能を向上させる修正情報を生成する。
ステップＳ４において検出システム１１の状態変更部１８又は担当者３は、修正情報に従って観測対象１０、センサ１３、及び検出器１５の状態を変更する。
ステップＳ５において評価値取得手段５３は、修正情報に対する評価値を取得する。
ステップＳ４において検出システム１１の状態変更部１８又は担当者３は、修正情報に従って観測対象１０、センサ１３、及び検出器１５の状態を変更する。
ステップＳ５において評価値取得手段５３は、修正情報に対する評価値を取得する。
【0077】
ステップＳ６においてモデル学習手段５４は、第１情報と第２情報とを入力とし、評価値取得手段５３が取得した評価値を報酬として、適応部５２の学習モデルを強化学習する。
ステップＳ７においてモデル学習手段５４は、適応部５２の学習の終了条件を満足するか否かを判定する。終了条件を満足しない場合（Ｓ７：Ｎ）に処理はステップＳ１に戻る。終了条件を満足する場合（Ｓ７：Ｙ）に処理は終了する。
ステップＳ７においてモデル学習手段５４は、適応部５２の学習の終了条件を満足するか否かを判定する。終了条件を満足しない場合（Ｓ７：Ｎ）に処理はステップＳ１に戻る。終了条件を満足する場合（Ｓ７：Ｙ）に処理は終了する。
【0078】
（変形例）
上記の実施形態では、モデル学習手段５４が強化学習により適応部５２の学習モデルを強化学習する場合を例示した。しかしながら本発明はこれに限定されるものではない。例えば、システム改善のエキスパート（人）が存在し、暗黙知に従って、検出システム１１の状態（第１情報及び第２情報）と検出性能を向上させる修正情報との組合せを学習データとして用意できる場合、モデル学習手段５４は、入力された検出システム１１の状態（第１情報及び第２情報）に適した修正情報を、入力部４０や通信部４１を通じてエキスパート（人）から取得し、その組合せを学習データとする教師有り学習により適応部５２の学習モデルを学習させてもよい。
上記の実施形態では、モデル学習手段５４が強化学習により適応部５２の学習モデルを強化学習する場合を例示した。しかしながら本発明はこれに限定されるものではない。例えば、システム改善のエキスパート（人）が存在し、暗黙知に従って、検出システム１１の状態（第１情報及び第２情報）と検出性能を向上させる修正情報との組合せを学習データとして用意できる場合、モデル学習手段５４は、入力された検出システム１１の状態（第１情報及び第２情報）に適した修正情報を、入力部４０や通信部４１を通じてエキスパート（人）から取得し、その組合せを学習データとする教師有り学習により適応部５２の学習モデルを学習させてもよい。
【0079】
（実施形態の効果）
（１）検出システム１１は、観測対象１０を観測するセンサ１３と、センサ１３の出力値を用いて観測対象１０に生じた事象を検出する検出器１５を備える。適応装置４は、センサ１３の設定に関する情報、検出器１５の設定に関する情報、及び観測対象１０の状態に関する情報のうち少なくとも一つの情報である第１情報を取得する第１情報取得手段５１と、第１情報が示す設定及び状態にある検出システム１１におけるセンサ１３の観測結果に関する情報、又は検出器１５の検出結果に関する情報である第２情報を取得する第２情報取得手段５０と、第１情報と第２情報とに基づいて検出器１５の検出性能を向上させる修正情報を生成する適応部５２と、を備える。
（１）検出システム１１は、観測対象１０を観測するセンサ１３と、センサ１３の出力値を用いて観測対象１０に生じた事象を検出する検出器１５を備える。適応装置４は、センサ１３の設定に関する情報、検出器１５の設定に関する情報、及び観測対象１０の状態に関する情報のうち少なくとも一つの情報である第１情報を取得する第１情報取得手段５１と、第１情報が示す設定及び状態にある検出システム１１におけるセンサ１３の観測結果に関する情報、又は検出器１５の検出結果に関する情報である第２情報を取得する第２情報取得手段５０と、第１情報と第２情報とに基づいて検出器１５の検出性能を向上させる修正情報を生成する適応部５２と、を備える。
【0080】
これにより、検出システム１１の検出性能を向上させる修正情報を生成するのに要する担当者３の負担を軽減できる。このため、担当者３の属人的なノウハウに依存しなくても検出システム１１を現場環境１に適応させることができる。この結果、検出システム１１を現場環境１に設置する際に、検出システム１１を現場環境１に適応させる作業の効率性を向上できる。
【0081】
（２）第２情報は、検出器１５の検出結果の誤報要因に関する情報であってもよい。
これにより、検出システム１１の現場適応に携わる担当者３は、検出器１５による検出結果の誤報要因の情報を適応装置４に提供するだけで、検出システム１１を現場環境１に適応させるための修正情報を生成できる。
これにより、検出システム１１の現場適応に携わる担当者３は、検出器１５による検出結果の誤報要因の情報を適応装置４に提供するだけで、検出システム１１を現場環境１に適応させるための修正情報を生成できる。
【0082】
（３）適応部５２は、第１情報と第２情報とに基づいて修正情報を生成する第１学習モデルであってもよい。
これにより、検出システム１１の検出性能を向上させる修正情報を第１情報と第２情報とに基づいて生成できる。
これにより、検出システム１１の検出性能を向上させる修正情報を第１情報と第２情報とに基づいて生成できる。
【0083】
（４）第１学習モデルは、第１情報と第２情報とを第１学習モデルに入力して得た修正情報に対する評価値を報酬として強化学習された学習モデルであってもよい。
これにより、強化学習が進むほどより良い修正情報を生成できる適応部５２が形成される。このため、強化学習が進むほど、検出システム１１を現場環境１に適応させるために担当者３が誤報要因情報を提供する回数が少なくなり、検出システム１１の現場適応に要する担当者３の労力を軽減できる。
これにより、強化学習が進むほどより良い修正情報を生成できる適応部５２が形成される。このため、強化学習が進むほど、検出システム１１を現場環境１に適応させるために担当者３が誤報要因情報を提供する回数が少なくなり、検出システム１１の現場適応に要する担当者３の労力を軽減できる。
【0084】
（５）第１学習モデルは、第１情報及び第２情報と修正情報との組合せを学習データとする教師有り学習により学習された学習モデルであってもよい。
これにより、例えば、システム改善のエキスパート（人）が存在し、暗黙知に従って第１情報及び第２情報と検出システム１１の検出性能を向上させる修正情報との組合せを学習データとして用意できる場合に、検出システム１１の検出性能を向上させる修正情報を生成する適応部５２が実現できる。
これにより、例えば、システム改善のエキスパート（人）が存在し、暗黙知に従って第１情報及び第２情報と検出システム１１の検出性能を向上させる修正情報との組合せを学習データとして用意できる場合に、検出システム１１の検出性能を向上させる修正情報を生成する適応部５２が実現できる。
【0085】
（６）修正情報は、観測対象１０の状態、センサ１３の設定、又は検出器１５の設定のうち少なくとも一つの修正を示す情報を含んでもよい。
これにより、検出器１５の調整パラメータや、検出器１５が観測対象１０における識別対象の識別に用いる判定閾値だけでなく、観測対象１０の状態やセンサ１３の状態を修正する修正情報を生成できる。
これにより、検出器１５の調整パラメータや、検出器１５が観測対象１０における識別対象の識別に用いる判定閾値だけでなく、観測対象１０の状態やセンサ１３の状態を修正する修正情報を生成できる。
【0086】
（７）検出器１５は、センサ１３の出力値と観測対象１０に生じた事象とを対応付けたデータ構造からなる第１データセットを用いて学習した第２学習モデルであってもよい。修正情報は、第１データセットと同一構造を有し且つ第１データセットと異なるデータ内容からなる第２データセットを用いて第２学習モデルを学習することを示す情報を含んでもよい。
これにより、検出器１５の検出システム１１を現場環境１に適応させる対策として、検出器１５の学習データセットを別のデータセットへ交換する修正情報を生成できる。
これにより、検出器１５の検出システム１１を現場環境１に適応させる対策として、検出器１５の学習データセットを別のデータセットへ交換する修正情報を生成できる。
【0087】
（８）検出器１５は、センサ１３の出力値と観測対象１０に生じた事象との対応付けを学習したニューラルネットワークからなる第２学習モデルであってもよい。修正情報は、第２学習モデルとは異なるネットワーク構造を用いてセンサ１３の出力値と観測対象１０に生じた事象との対応付けを学習した学習モデルに検出器１５を交換することを示す情報を含んでもよい。
これにより、検出器１５の検出システム１１を現場環境１に適応させる対策として、検出器１５の学習モデルを、他のネットワーク構造の学習モデルへ交換する修正情報を生成できる。
これにより、検出器１５の検出システム１１を現場環境１に適応させる対策として、検出器１５の学習モデルを、他のネットワーク構造の学習モデルへ交換する修正情報を生成できる。
【0088】
（９）評価値は、修正情報に応じた検出システム１１の修正後の検出結果に対する客観評価値又は客観評価値の近似値に応じて決定してよい。
これにより、適応部５２が生成した修正情報がどの程度適切であったかを評価して得られた評価値を報酬として用いて適応部５２を強化学習できる。
これにより、適応部５２が生成した修正情報がどの程度適切であったかを評価して得られた評価値を報酬として用いて適応部５２を強化学習できる。
【0089】
（１０）評価値取得手段５３は、評価値は、修正情報に応じた検出システム１１の修正後の所定期間における検出結果を取得してもよい。評価値は、修正情報に応じた検出システム１１の修正後の所定期間における検出結果の誤りの発生頻度に応じて決定してもよい。また、評価値取得手段５３は、検出システムの利用者による満足度を取得してもよい。評価値は、修正情報に応じた検出システム１１の修正後の所定期間における満足度の取得頻度に応じて決定してもよい。
これにより、比較的少ない作業負担で修正情報に対する評価値を算出できる。
これにより、比較的少ない作業負担で修正情報に対する評価値を算出できる。
【符号の説明】
【0090】
１…現場環境、２…学習モデル生成装置、３…担当者、４…適応装置、１０…観測対象、１１…検出システム、１２、２０、４１…通信部、１３…センサ、１４、４３…制御部、１５…検出器、１６…第１情報収集部、１７…観測状態収集部、１８…状態変更部、２１…想定環境データベース、２２…モデル生成部、２３…モデル設定部、３０…端末装置、４０…入力部、４２…記憶部、５０…第２情報取得手段、５１…第１情報取得手段、５２…適応部、５３…評価値取得手段、５４…モデル学習手段
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】