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】P2024141599
(43)【公開日】2024-10-10
(54)【発明の名称】学習モデル及び識別装置
(51)【国際特許分類】
G06N 3/0464 20230101AFI20241003BHJP
【ＦＩ】
G06N3/0464
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2023053338
(22)【出願日】2023-03-29
(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】村井 陽介
(72)【発明者】
【氏名】糸賀 健
(57)【要約】
【課題】ニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を有する学習モデルのプーリング層の性能を向上する。
【解決手段】入力データの特徴量を算出する学習モデル１は、畳み込み層１１ｂと、同一の畳み込み層１１ｂからの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層（１１ｃ１～１１ｃＮ）と、を備える。学習モデル１は、複数のプーリング層（１１ｃ１～１１ｃＮ）の各々の出力信号が重み係数で重み付けされた重み付け和に基づいて入力データの特徴量を算出する。
【選択図】図２
【解決手段】入力データの特徴量を算出する学習モデル１は、畳み込み層１１ｂと、同一の畳み込み層１１ｂからの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層（１１ｃ１～１１ｃＮ）と、を備える。学習モデル１は、複数のプーリング層（１１ｃ１～１１ｃＮ）の各々の出力信号が重み係数で重み付けされた重み付け和に基づいて入力データの特徴量を算出する。
【選択図】図２
【特許請求の範囲】
【請求項1】
入力データの特徴量を算出する学習モデルであって、
畳み込み層と、
同一の前記畳み込み層からの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層と、
を備え、前記複数のプーリング層の各々の出力信号が重み係数で重み付けされた重み付け和に基づいて前記入力データの前記特徴量を算出することを特徴とする学習モデル。
畳み込み層と、
同一の前記畳み込み層からの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層と、
を備え、前記複数のプーリング層の各々の出力信号が重み係数で重み付けされた重み付け和に基づいて前記入力データの前記特徴量を算出することを特徴とする学習モデル。
【請求項2】
請求項１に記載の学習モデルと、
前記特徴量に基づいて前記入力データのクラスを識別する識別部と、
前記識別部の識別結果に基づいて前記重み係数を機械学習する学習部と、
を備えることを特徴とする識別装置。
前記特徴量に基づいて前記入力データのクラスを識別する識別部と、
前記識別部の識別結果に基づいて前記重み係数を機械学習する学習部と、
を備えることを特徴とする識別装置。
【請求項3】
請求項１に記載の学習モデルと、
前記重み係数の設定入力をユーザから受け付ける入力受付部と、
を備えることを特徴とする識別装置。
前記重み係数の設定入力をユーザから受け付ける入力受付部と、
を備えることを特徴とする識別装置。
【請求項4】
請求項１に記載の学習モデルと、
識別対象を検出した前記入力データから算出した前記特徴量に基づいて、前記識別対象のクラスを識別する識別部と、
前記識別対象の属性の傾向の候補値データと、前記重み係数と、の間の対応関係を予め記憶する記憶部と、
前記学習モデルが適用される環境における前記識別対象の属性の実際の傾向の情報をユーザから受け付ける入力受付部と、
前記記憶部に記憶された前記対応関係と、前記入力受付部からの入力値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
識別対象を検出した前記入力データから算出した前記特徴量に基づいて、前記識別対象のクラスを識別する識別部と、
前記識別対象の属性の傾向の候補値データと、前記重み係数と、の間の対応関係を予め記憶する記憶部と、
前記学習モデルが適用される環境における前記識別対象の属性の実際の傾向の情報をユーザから受け付ける入力受付部と、
前記記憶部に記憶された前記対応関係と、前記入力受付部からの入力値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
【請求項5】
請求項１に記載の学習モデルと、
前記学習モデルを適用する環境の属性の候補値データ、前記学習モデルを適用する環境の属性の傾向の候補値データ、前記入力データを生成するセンサの属性の候補値データ、及び前記入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データに対応する前記重み係数と、の間の対応関係を記憶する記憶部と、
前記学習モデルが適用される環境の実際の属性、前記学習モデルが適用される環境の属性の実際の傾向、前記入力データを生成するセンサの実際の属性、及び前記入力データを生成するセンサの属性の実際の傾向のうち少なくとも一つの情報を、ユーザから受け付ける入力受付部と、
前記記憶部に記憶された前記対応関係と、前記入力受付部からの入力値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
前記学習モデルを適用する環境の属性の候補値データ、前記学習モデルを適用する環境の属性の傾向の候補値データ、前記入力データを生成するセンサの属性の候補値データ、及び前記入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データに対応する前記重み係数と、の間の対応関係を記憶する記憶部と、
前記学習モデルが適用される環境の実際の属性、前記学習モデルが適用される環境の属性の実際の傾向、前記入力データを生成するセンサの実際の属性、及び前記入力データを生成するセンサの属性の実際の傾向のうち少なくとも一つの情報を、ユーザから受け付ける入力受付部と、
前記記憶部に記憶された前記対応関係と、前記入力受付部からの入力値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
【請求項6】
請求項１に記載の学習モデルと、
識別対象を検出した前記入力データから算出した前記特徴量に基づいて、前記識別対象のクラスを識別する識別部と、
前記識別対象の属性の傾向の候補値データと、前記重み係数と、の間の対応関係を予め記憶する記憶部と、
前記学習モデルが適用される環境における前記識別対象の属性の実際の傾向を推定する属性傾向推定部と、
前記記憶部に記憶された前記対応関係と、前記属性傾向推定部による推定値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
識別対象を検出した前記入力データから算出した前記特徴量に基づいて、前記識別対象のクラスを識別する識別部と、
前記識別対象の属性の傾向の候補値データと、前記重み係数と、の間の対応関係を予め記憶する記憶部と、
前記学習モデルが適用される環境における前記識別対象の属性の実際の傾向を推定する属性傾向推定部と、
前記記憶部に記憶された前記対応関係と、前記属性傾向推定部による推定値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
【請求項7】
請求項１に記載の学習モデルと、
前記学習モデルを適用する環境の属性の傾向の候補値データ及び前記入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データに対応する前記重み係数と、の間の対応関係を記憶する記憶部と、
前記学習モデルが適用される環境の属性の実際の傾向、又は前記入力データを生成するセンサの属性の実際の傾向を推定する属性傾向推定部と、
前記記憶部に記憶された前記対応関係と、前記属性傾向推定部による推定値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
前記学習モデルを適用する環境の属性の傾向の候補値データ及び前記入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データに対応する前記重み係数と、の間の対応関係を記憶する記憶部と、
前記学習モデルが適用される環境の属性の実際の傾向、又は前記入力データを生成するセンサの属性の実際の傾向を推定する属性傾向推定部と、
前記記憶部に記憶された前記対応関係と、前記属性傾向推定部による推定値と、に基づいて前記重み係数を設定する前記重み係数設定部と、
を備えることを特徴とする識別装置。
【請求項8】
前記重み係数設定部は、前記識別部が識別に失敗した前記識別対象の属性の傾向に基づいて前記重み係数を設定することを特徴とする請求項６に記載の識別装置。
【請求項9】
前記重み係数設定部は、前記識別部による識別成功率が閾値以下となった場合に前記属性傾向推定部が推定した前記識別対象の属性の傾向に基づいて前記重み係数を設定することを特徴とする請求項６に記載の識別装置。
【請求項10】
前記重み係数設定部は、前記属性傾向推定部が推定した前記識別対象の属性の傾向の変化を検知した場合に、前記属性傾向推定部が推定した前記識別対象の属性の傾向に基づいて前記重み係数を設定することを特徴とする請求項６に記載の識別装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、入力データの特徴量を算出する学習モデル及び識別装置に関する。
【背景技術】
【0002】
入力データの特徴量を算出する学習モデルとして畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）が知られている。ＣＮＮでは、畳み込み層で得られた特徴マップの情報を集約して重要な情報を抽出するためにプーリング層が用いられている（例えば下記特許文献１）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特表２０１８－５０６７８８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
プーリング層におけるプーリング手法にはいくつかの手法が存在するが、従来のＣＮＮのネットワーク構成では、ＣＮＮの設計時に定めた特定のプーリング手法のみを使用していた。しかしながら、ＣＮＮへの入力データの特性はＣＮＮの使用環境によって異なるため、どのプーリング手法が効果的であるかはＣＮＮの使用環境に依存する。
本発明は、上記の問題点を鑑みてなされたものであり、ＣＮＮを有する学習モデルのプーリング層の性能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、ＣＮＮを有する学習モデルのプーリング層の性能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】
【0005】
本発明の一形態によれば、入力データの特徴量を算出する学習モデルが与えられる。学習モデルは、畳み込み層と、同一の畳み込み層からの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層と、を備える。学習モデルは、複数のプーリング層の各々の出力信号が重み係数で重み付けされた重み付け和に基づいて入力データの特徴量を算出する。
【発明の効果】
【0006】
本発明によれば、ＣＮＮの使用環境に応じて容易にプーリング層の特性を変更できるため、ＣＮＮを有する学習モデルのプーリング層の性能を向上できる。
【図面の簡単な説明】
【0007】
【図1】実施形態の識別装置のハードウエア構成例を示す概略図である。
【図2】第１実施形態の識別装置１Ａの機能構成の一例のブロック図である。
【図3】第１実施形態のデータ識別方法の一例のフローチャートである。
【図4】第２実施形態の識別装置１Ｂの機能構成の一例のブロック図である。
【図5】第３実施形態の識別装置１Ｃの機能構成の一例のブロック図である。
【図6】第４実施形態の識別装置１Ｄの機能構成の一例のブロック図である。
【図7】第５実施形態の識別装置１Ｅの機能構成の一例のブロック図である。
【図8】第６実施形態の識別装置１Ｆの機能構成の一例のブロック図である。
【図9】第７及び第８実施形態の識別システムの全体構成の一例の概略図である。
【図10】第７実施形態のセンタ装置３０の機能構成の一例のブロック図である。
【図11】第８実施形態のセンタ装置３０の機能構成の一例のブロック図である。
【発明を実施するための形態】
【0008】
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。
【0009】
（構成）
図１は、以下に説明する第１～第６実施形態の識別装置１Ａ～１Ｆのハードウエア構成例を示す概略図である。以下の説明において識別装置１Ａ～１Ｆを総称して「識別装置１」と表記することがある。
識別装置１は、識別対象を検出した入力データを取得して識別対象のクラスを識別する。例えば識別装置１は、入力データとして画像データを入力して、画像データに写っている識別対象のクラスを識別してもよい。また例えば識別装置１は、入力データとして音声データを入力して、発話した話者を識別してもよい。
図１は、以下に説明する第１～第６実施形態の識別装置１Ａ～１Ｆのハードウエア構成例を示す概略図である。以下の説明において識別装置１Ａ～１Ｆを総称して「識別装置１」と表記することがある。
識別装置１は、識別対象を検出した入力データを取得して識別対象のクラスを識別する。例えば識別装置１は、入力データとして画像データを入力して、画像データに写っている識別対象のクラスを識別してもよい。また例えば識別装置１は、入力データとして音声データを入力して、発話した話者を識別してもよい。
【0010】
識別装置１は、操作入力部２、ファイル入出力部３、記憶部４、制御部５、出力部６及び入力データ生成部７からなる。これらのうちのファイル入出力部３、記憶部４および制御部５はいわゆるコンピュータで実現でき、操作入力部２、出力部６および入力データ生成部７は当該コンピュータの周辺機器として実現できる。
【0011】
操作入力部２は、キーボード、マウス等のユーザインターフェースであり、ユーザに操作されてデータの入力等に用いられる。操作入力部２は、制御部５に接続され、ユーザの操作を操作信号に変換して制御部５に出力する。
【0012】
ファイル入出力部３は、ＤＶＤ（Digital Versatile Disc）ドライブ、ＵＳＢ（Universal Serial Bus）インターフェース、ネットワークインターフェース等であり、一方が不図示の外部機器、記録メディア、ネットワーク等に接続され、他方が制御部５に接続され、データをファイルとして制御部５に入力し、およびデータをファイルとして制御部５から出力する。
【0013】
記憶部４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４は、制御部５と接続されて制御部５との間でこれらの情報を入出力する。
【0014】
制御部５は、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＣＵ（Micro Control Unit）等の演算装置で構成される。制御部５は、記憶部４と接続され、記憶部４から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４に記憶させ、読み出す。また、制御部５は、操作入力部２、ファイル入出力部３および出力部６とも接続され、ユーザが操作入力部２を操作して入力されたデータを取得し、ファイル入出力部３を介して外部からファイルとしてデータを取得および出力し、所得したデータに基づいた演算結果のデータファイルとしてファイル入出力部３から出力させ、および／または演算結果のデータを出力部６から出力する。
【0015】
出力部６は、制御部５による演算結果を出力する液晶ディスプレイ又はＣＲＴ（Cathode Ray Tube）ディスプレイ等のディスプレイ装置、プロジェクタ、プリンタなどである。
入力データ生成部７は、識別対象を検出した入力データを生成するセンサである。例えば入力データとして画像データを生成する場合、入力データ生成部７は、撮像装置（カメラ）であってよい。また例えば入力データとして音声データを生成する場合、入力データ生成部７は、マイクロフォンであってよい。
なお、制御部５は、識別対象を検出した入力データを、ファイル入出力部３を介して外部からファイルとして取得してもよく、この場合には入力データ生成部７を省略してもよい。
入力データ生成部７は、識別対象を検出した入力データを生成するセンサである。例えば入力データとして画像データを生成する場合、入力データ生成部７は、撮像装置（カメラ）であってよい。また例えば入力データとして音声データを生成する場合、入力データ生成部７は、マイクロフォンであってよい。
なお、制御部５は、識別対象を検出した入力データを、ファイル入出力部３を介して外部からファイルとして取得してもよく、この場合には入力データ生成部７を省略してもよい。
【0016】
（第１実施形態）
図２は、第１実施形態の識別装置１Ａの機能構成の一例のブロック図である。識別装置１Ａは、入力データ取得手段１０と、ＣＮＮ１１と、識別結果出力部１２とを備える。ＣＮＮ１１は特許請求の範囲に記載の「学習モデル」の一例である。
図１のファイル入出力部３又は入力データ生成部７は、入力データ取得手段１０として機能する。制御部５は、ＣＮＮ１１として機能する。ファイル入出力部３又は出力部６は識別結果出力部１２として機能する。
図２は、第１実施形態の識別装置１Ａの機能構成の一例のブロック図である。識別装置１Ａは、入力データ取得手段１０と、ＣＮＮ１１と、識別結果出力部１２とを備える。ＣＮＮ１１は特許請求の範囲に記載の「学習モデル」の一例である。
図１のファイル入出力部３又は入力データ生成部７は、入力データ取得手段１０として機能する。制御部５は、ＣＮＮ１１として機能する。ファイル入出力部３又は出力部６は識別結果出力部１２として機能する。
【0017】
入力データ取得手段１０は、識別対象を検出した入力データを取得してＣＮＮ１１へ入力する。ＣＮＮ１１は入力データから識別対象のクラスを識別して識別結果を出力する。識別結果出力部１２は、ＣＮＮ１１による識別結果を出力部６のディスプレイ装置、プロジェクタ、プリンタに出力したり、ファイル入出力部３からデータファイルとして出力する。
【0018】
後述するようにＣＮＮ１１はプーリング層を有する。プーリング層で行われるプーリング処理の手法には、例えば平均プーリング（Average Pooling）や、最大値プーリング（Max Pooling）、フラクショナルマックスプーリング（Fractional Max Pooling）、スペクトラルプーリング（spectral pooling）など、様々なプーリング手法が存在する。
これに対して、識別装置１により識別すべき識別対象の特性は、識別装置１が適用される設置環境によって異なる。このため、どのようなプーリング手法が効果的であるかは識別装置１が適用される環境（すなわち設置及び運用される環境）によって異なる。
これに対して、識別装置１により識別すべき識別対象の特性は、識別装置１が適用される設置環境によって異なる。このため、どのようなプーリング手法が効果的であるかは識別装置１が適用される環境（すなわち設置及び運用される環境）によって異なる。
【0019】
例えば識別装置１による識別タスクが人物の識別である場合（すなわち識別対象が人物である場合）には、「私服姿の人物」が多い環境では、服装全体の大域的な情報を重視したプーリング手法（例えば平均プーリング）を採用するのが好適である。一方で「スーツ姿の人物」が多い環境では、顔やネクタイなどの局所情報を重視したプーリング手法（例えば最大値プーリング）を採用するのが好適である。
【0020】
このため、ＣＮＮの設計時に決定したプーリング手法のみを用いた従来のネットワーク設計では、識別装置１が適用される環境によっては期待した識別性能を発揮できない場面が生じていた。
そこで本発明では、同一の畳み込み層からの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層を設け、複数のプーリング層の各々の出力信号が重み係数で重み付けされた重み付け和に基づいて入力データの特徴量を算出する。
そこで本発明では、同一の畳み込み層からの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層を設け、複数のプーリング層の各々の出力信号が重み係数で重み付けされた重み付け和に基づいて入力データの特徴量を算出する。
【0021】
これにより、識別装置１が適用される環境に合わせて重み係数を調整することで、各々の環境に応じて複数の異なるプーリングを使い分けることが可能になる。この結果、識別装置１が適用される環境に存在する識別対象の識別に適した特徴量を取得できる。
【0022】
図２のＣＮＮ１１は、入力層１１ａと、畳み込み層１１ｂと、同一の階層に並列に配列された複数のプーリング層１１ｃ１～１１ｃＮと、重み付け演算部１１ｄと、全結合層１１ｅと、出力層１１ｆを備える。
なお、以下の説明においてプーリング層１１ｃ１～１１ｃＮを総称して「プーリング層１１ｃ」と表記することがある。また、全結合層１１ｅと出力層１１ｆは、特許請求の範囲に記載の「識別部」の一例である。
なお、以下の説明においてプーリング層１１ｃ１～１１ｃＮを総称して「プーリング層１１ｃ」と表記することがある。また、全結合層１１ｅと出力層１１ｆは、特許請求の範囲に記載の「識別部」の一例である。
【0023】
入力層１１ａでは、入力データ取得手段１０からの入力データをＣＮＮ１１への入力として受信する。
畳み込み層１１ｂでは、入力データに対して畳み込み処理を行うことにより入力データの特徴マップ（特徴量）Ｍｃを抽出し、抽出した特徴マップＭｃを出力信号として複数のプーリング層１１ｃ１～１１ｃＮへ出力する。
畳み込み層１１ｂでは、入力データに対して畳み込み処理を行うことにより入力データの特徴マップ（特徴量）Ｍｃを抽出し、抽出した特徴マップＭｃを出力信号として複数のプーリング層１１ｃ１～１１ｃＮへ出力する。
【0024】
プーリング層１１ｃは、畳み込み層１１ｂにより抽出された特徴マップＭｃに対してプーリング処理を行って、元の特徴マップＭｃの情報を集約することにより特徴マップＭｃから重要な情報が抽出された特徴マップを生成する。
本発明のＣＮＮ１１は、畳み込み層１１ｂの後段のプーリング層１１ｃとして、同一の階層に並列に配列された複数のプーリング層１１ｃ１～１１ｃＮを有する。
本発明のＣＮＮ１１は、畳み込み層１１ｂの後段のプーリング層１１ｃとして、同一の階層に並列に配列された複数のプーリング層１１ｃ１～１１ｃＮを有する。
【0025】
複数のプーリング層１１ｃ１～１１ｃＮは、同一の畳み込み層１１ｂにより抽出された同一の特徴マップＭｃに対してそれぞれ異なる手法のプーリング処理を行うことにより、元の特徴マップＭｃの情報が集約された特徴マップＭｐ１～ＭｐＮをそれぞれ生成する。複数のプーリング層１１ｃ１～１１ｃＮによるプーリング処理は、例えば、平均プーリング、最大値プーリング、フラクショナルマックスプーリング、スペクトラルプーリングなどであってよい。
【0026】
重み付け演算部１１ｄは、プーリング層１１ｃと全結合層１１ｅとの間に配置され、複数のプーリング層１１ｃ１～１１ｃＮからそれぞれ出力される特徴マップＭｐ１～ＭｐＮをそれぞれ重み係数ｗ１～ｗＮで重み付けされた重み付け和Ｍｗ＝ｗ１×Ｍｐ１＋ｗ２×Ｍｐ２＋…＋ｗＮ×ＭｐＮを、入力データの特徴マップ（特徴量）として算出する。
【0027】
全結合層１１ｅは、特徴マップＭｗを一つのノードに結合して特徴変数を出力する。
出力層１１ｆは、全結合層１１ｅが出力した特徴変数に基づいてソフトマックス関数を用いて確率に変換することにより、入力データがどのクラスに属するかクラス毎の確率を算出し、確率が最大値となるクラスを識別結果として出力する。
出力層１１ｆは、全結合層１１ｅが出力した特徴変数に基づいてソフトマックス関数を用いて確率に変換することにより、入力データがどのクラスに属するかクラス毎の確率を算出し、確率が最大値となるクラスを識別結果として出力する。
【0028】
なお図２は、識別装置１Ａが全結合層１１ｅと出力層１１ｆとを備える構成を例示しているが、本発明はこのような構成に限定されない。全結合層１１ｅと出力層１１ｆとに代えて、識別装置１Ａは、予め用意したテンプレート特徴量と、重み付け演算部１１ｄが出力した特徴量との間の類似度に基づいて入力データを識別するマッチング処理部を備えてもよい。このようなマッチング処理部は人物同定（Re-Identification:ＲｅＩＤ）や顔認証などの識別タスクに好適であり、識別すべき既知の対象の特徴量を予め用意してテンプレート特徴量としてマッチング処理部に記憶しておく。
【0029】
例えばマッチング処理部は、重み付け演算部１１ｄが出力した特徴マップを、平坦化（Flatten）処理等によって特徴量（特徴ベクトル）に変換し、変換後の特徴量とテンプレート特徴量との類似度を計算する。例えばマッチング処理部は、入力データの特徴量とテンプレート特徴量との内積を類似度として算出してよい。類似度が閾値以上である場合に、テンプレート特徴量を求めた識別対象と入力データの識別対象とが同一であると判定し、類似度が閾値未満である場合には同一でないと判定してよい。
【0030】
また図２は、識別装置１Ａが、畳み込み層１１ｂとプーリング層１１ｃの組合せを１段のみ有している構成を例示しているが、本発明はこのような構成に限定されない。
識別装置１Ａは、複数段の畳み込み層１１ｂとプーリング層１１ｃの組合せを、直列接続した構成を備えてもよい。複数段のプーリング層１１ｃのうちの一部の段のプーリング層１１ｃを複数のプーリング層１１ｃ１～１１ｃＮで構成してもよく、全ての段のプーリング層１１ｃを複数のプーリング層１１ｃ１～１１ｃＮで構成してもよい。
識別装置１Ａは、複数段の畳み込み層１１ｂとプーリング層１１ｃの組合せを、直列接続した構成を備えてもよい。複数段のプーリング層１１ｃのうちの一部の段のプーリング層１１ｃを複数のプーリング層１１ｃ１～１１ｃＮで構成してもよく、全ての段のプーリング層１１ｃを複数のプーリング層１１ｃ１～１１ｃＮで構成してもよい。
【0031】
図３は、第１実施形態のデータ識別方法の一例のフローチャートである。
ステップＳ１において入力データ取得手段１０とＣＮＮ１１の入力層１１ａは、入力データを取得する。
ステップＳ２において畳み込み層１１ｂは、入力データに対して畳み込み処理を行うことにより入力データの特徴マップＭｃを抽出する。
ステップＳ１において入力データ取得手段１０とＣＮＮ１１の入力層１１ａは、入力データを取得する。
ステップＳ２において畳み込み層１１ｂは、入力データに対して畳み込み処理を行うことにより入力データの特徴マップＭｃを抽出する。
【0032】
ステップＳ３において複数のプーリング層１１ｃ１～１１ｃＮは、同一の畳み込み層１１ｂにより抽出された同一特徴マップＭｃに対して、それぞれ異なる手法のプーリング処理を行って、特徴マップＭｃから重要な情報が集約された特徴マップＭｐ１～ＭｐＮをそれぞれ生成する。
【0033】
ステップＳ４において重み付け演算部１１ｄは、複数のプーリング層１１ｃ１～１１ｃＮからそれぞれ出力される特徴マップＭｐ１～ＭｐＮの重み付け和Ｍｗ＝ｗ１×Ｍｐ１＋ｗ２×Ｍｐ２＋…＋ｗＮ×ＭｐＮを算出する。
ステップＳ５において全結合層１１ｅは、重み付け和Ｍｗに基づいて識別対象のクラスを識別する。その後に処理は終了する。
ステップＳ５において全結合層１１ｅは、重み付け和Ｍｗに基づいて識別対象のクラスを識別する。その後に処理は終了する。
【0034】
（第２実施形態）
図４は、第２実施形態の識別装置１Ｂの機能構成の一例のブロック図である。第２実施形態の識別装置１Ｂは、識別装置１Ｂによる識別対象のクラスの識別結果に基づいて重み係数ｗ１…ｗＮと全結合層１１ｅとを機械学習する。
第２実施形態の識別装置１Ｂの構成要素のうち第１実施形態の識別装置１Ａの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
図４は、第２実施形態の識別装置１Ｂの機能構成の一例のブロック図である。第２実施形態の識別装置１Ｂは、識別装置１Ｂによる識別対象のクラスの識別結果に基づいて重み係数ｗ１…ｗＮと全結合層１１ｅとを機械学習する。
第２実施形態の識別装置１Ｂの構成要素のうち第１実施形態の識別装置１Ａの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
【0035】
識別装置１Ｂは、識別結果判定手段２０と、重み係数学習手段２１とを備える。図１の制御部５は、識別結果判定手段２０及び重み係数学習手段２１として機能する。
識別結果判定手段２０は、識別装置１Ｂによって識別された識別対象のクラスが正解クラスであるか否かを判定する。例えば、識別結果判定手段２０と、既知の識別対象の入力データに対する識別装置１Ｂの識別結果が正解であるか否かを判定してよい。
重み係数学習手段２１は、識別装置１Ｂによる識別結果の正解率が高くなるように、重み係数ｗ１…ｗＮと全結合層１１ｅとを機械学習する。
なお、重み係数学習手段２１は、重み係数ｗ１…ｗＮと全結合層１１ｅとを機械学習するのに合わせて、識別装置１Ｂによる識別結果の正解率が高くなるように畳み込み層１１ｂとプーリング層１１ｃも機械学習してもよい。
識別結果判定手段２０は、識別装置１Ｂによって識別された識別対象のクラスが正解クラスであるか否かを判定する。例えば、識別結果判定手段２０と、既知の識別対象の入力データに対する識別装置１Ｂの識別結果が正解であるか否かを判定してよい。
重み係数学習手段２１は、識別装置１Ｂによる識別結果の正解率が高くなるように、重み係数ｗ１…ｗＮと全結合層１１ｅとを機械学習する。
なお、重み係数学習手段２１は、重み係数ｗ１…ｗＮと全結合層１１ｅとを機械学習するのに合わせて、識別装置１Ｂによる識別結果の正解率が高くなるように畳み込み層１１ｂとプーリング層１１ｃも機械学習してもよい。
【0036】
（第３実施形態）
図５は、第３実施形態の識別装置１Ｃの機能構成の一例のブロック図である。第３実施形態の識別装置１Ｃは、ユーザからの入力に基づいて重み係数ｗ１…ｗＮを設定する。
第３実施形態の識別装置１Ｃの構成要素のうち第１実施形態の識別装置１Ａの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
第３実施形態の識別装置１Ｃは、全結合層１１ｅと出力層１１ｆとに代えてマッチング処理部１１ｇを備える。マッチング処理部１１ｇは、上記のとおり予め用意したテンプレート特徴量と、重み付け演算部１１ｄが出力した特徴量との間の類似度に基づいて入力データを識別する。
図５は、第３実施形態の識別装置１Ｃの機能構成の一例のブロック図である。第３実施形態の識別装置１Ｃは、ユーザからの入力に基づいて重み係数ｗ１…ｗＮを設定する。
第３実施形態の識別装置１Ｃの構成要素のうち第１実施形態の識別装置１Ａの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
第３実施形態の識別装置１Ｃは、全結合層１１ｅと出力層１１ｆとに代えてマッチング処理部１１ｇを備える。マッチング処理部１１ｇは、上記のとおり予め用意したテンプレート特徴量と、重み付け演算部１１ｄが出力した特徴量との間の類似度に基づいて入力データを識別する。
【0037】
識別装置１Ｃは、ユーザ入力受付手段２２を備える。図１の操作入力部２は、ユーザ入力受付手段２２として機能する。ユーザ入力受付手段２２は、重み係数ｗ１…ｗＮの設定入力をユーザから受け付ける。
重み付け演算部１１ｄは、ユーザにより設定された重み係数ｗ１…ｗＮに基づいて、上記の重み付け和Ｍｗ＝ｗ１×Ｍｐ１＋ｗ２×Ｍｐ２＋…＋ｗＮ×ＭｐＮを算出する。
重み付け演算部１１ｄは、ユーザにより設定された重み係数ｗ１…ｗＮに基づいて、上記の重み付け和Ｍｗ＝ｗ１×Ｍｐ１＋ｗ２×Ｍｐ２＋…＋ｗＮ×ＭｐＮを算出する。
【0038】
（第４実施形態）
図６は、第４実施形態の識別装置１Ｄの機能構成の一例のブロック図である。第４実施形態の識別装置１Ｄも、ユーザからの入力に基づいて重み係数ｗ１…ｗＮを設定する。
第４実施形態の識別装置１Ｄの構成要素のうち第１実施形態の識別装置１Ａの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
図６は、第４実施形態の識別装置１Ｄの機能構成の一例のブロック図である。第４実施形態の識別装置１Ｄも、ユーザからの入力に基づいて重み係数ｗ１…ｗＮを設定する。
第４実施形態の識別装置１Ｄの構成要素のうち第１実施形態の識別装置１Ａの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
【0039】
識別装置１Ｄは、ユーザ入力受付手段２２と、重み係数記憶手段２３と、重み係数設定手段２４とを備える。図１の操作入力部２は、ユーザ入力受付手段２２として機能する。記憶部４は、重み係数記憶手段２３として機能する。制御部５は、重み係数設定手段２４として機能する。
ユーザ入力受付手段２２は、識別装置１が適用される環境における識別対象の属性の実際の傾向の情報をユーザから受け付ける。
ユーザ入力受付手段２２は、識別装置１が適用される環境における識別対象の属性の実際の傾向の情報をユーザから受け付ける。
【0040】
識別対象の属性とは、例えば識別装置１による識別タスクが人物の識別である場合には、人物の服装の種別や色あい、人物の性別、年齢、身長、体格などであってよい。
また属性の傾向とは、例えば、識別装置１が適用される環境に現れる識別対象がそれぞれ有する属性のうち、これらの属性がそれぞれ占める構成比であってもよい。また例えば属性の傾向は、最も大きな割合を占める属性や、閾値よりも大きな割合を占める属性であってよい。
また属性の傾向とは、例えば、識別装置１が適用される環境に現れる識別対象がそれぞれ有する属性のうち、これらの属性がそれぞれ占める構成比であってもよい。また例えば属性の傾向は、最も大きな割合を占める属性や、閾値よりも大きな割合を占める属性であってよい。
【0041】
重み係数記憶手段２３は、識別対象の属性の傾向の候補値データと重み係数との間の対応関係を予め記憶する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、ユーザ入力受付手段２２からの入力値（識別対象の属性の傾向）と、に基づいて重み係数ｗ１…ｗＮを設定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、ユーザ入力受付手段２２からの入力値（識別対象の属性の傾向）と、に基づいて重み係数ｗ１…ｗＮを設定する。
【0042】
（変形例）
重み係数記憶手段２３は、識別対象の属性の傾向の候補に代えて又は加えて、識別装置１を適用する環境の属性の候補値データ、識別装置１を適用する環境の属性の傾向の候補値データ、入力データを生成するセンサの属性の候補値データ、及び入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データの各々に対応する重み係数と、の間の対応関係を記憶してもよい。
例えば識別装置１を適用する環境の属性として、識別装置１を適用する環境が屋外であるか屋内であるか各々の場合における重み係数を記憶してもよい。
重み係数記憶手段２３は、識別対象の属性の傾向の候補に代えて又は加えて、識別装置１を適用する環境の属性の候補値データ、識別装置１を適用する環境の属性の傾向の候補値データ、入力データを生成するセンサの属性の候補値データ、及び入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データの各々に対応する重み係数と、の間の対応関係を記憶してもよい。
例えば識別装置１を適用する環境の属性として、識別装置１を適用する環境が屋外であるか屋内であるか各々の場合における重み係数を記憶してもよい。
【0043】
また例えば識別装置１を適用する環境の属性の傾向として、識別装置１を適用する環境の明るさの傾向の候補値データと、各々の候補値データに対する重み係数と、の間の対応関係を記憶してもよい。
また例えば、入力データを生成するセンサの属性として、センサの解像度やセンサの設置位置（高さや光軸方向など）の候補値データと、各々の候補値データに対する重み係数と、の間の対応関係を記憶してもよい。
また例えば、入力データを生成するセンサの属性の傾向として、センサからの出力値に現れるノイズの傾向の候補値データと、各々の候補値データに対する重み係数と、の間の対応関係を記憶してもよい。
また例えば、入力データを生成するセンサの属性として、センサの解像度やセンサの設置位置（高さや光軸方向など）の候補値データと、各々の候補値データに対する重み係数と、の間の対応関係を記憶してもよい。
また例えば、入力データを生成するセンサの属性の傾向として、センサからの出力値に現れるノイズの傾向の候補値データと、各々の候補値データに対する重み係数と、の間の対応関係を記憶してもよい。
【0044】
ユーザ入力受付手段２２は、識別装置１が適用される環境の実際の属性、識別装置１が適用される環境の属性の実際の傾向、入力データを生成するセンサの実際の属性、又は入力データを生成するセンサの属性の実際の傾向の情報をユーザから受け付ける。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、ユーザ入力受付手段２２からの入力値（識別装置１が適用される環境の実際の属性、入力データを生成するセンサの実際の属性、これらの実際の傾向）と、に基づいて重み係数ｗ１…ｗＮを設定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、ユーザ入力受付手段２２からの入力値（識別装置１が適用される環境の実際の属性、入力データを生成するセンサの実際の属性、これらの実際の傾向）と、に基づいて重み係数ｗ１…ｗＮを設定する。
【0045】
（第５実施形態）
図７は、第５実施形態の識別装置１Ｅの機能構成の一例のブロック図である。第５実施形態の識別装置１Ｅは、識別装置１が適用される環境における識別対象の属性の傾向を推定し、識別対象の属性の傾向の推定結果に基づいて重み係数ｗ１…ｗＮを設定する。
第５実施形態の識別装置１Ｅの構成要素のうち第４実施形態の識別装置１Ｄの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
図７は、第５実施形態の識別装置１Ｅの機能構成の一例のブロック図である。第５実施形態の識別装置１Ｅは、識別装置１が適用される環境における識別対象の属性の傾向を推定し、識別対象の属性の傾向の推定結果に基づいて重み係数ｗ１…ｗＮを設定する。
第５実施形態の識別装置１Ｅの構成要素のうち第４実施形態の識別装置１Ｄの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
【0046】
識別装置１Ｅは、重み係数記憶手段２３と、重み係数設定手段２４と、属性傾向推定手段２５と、を備える。図１の記憶部４は、重み係数記憶手段２３として機能する。制御部５は、重み係数設定手段２４及び属性傾向推定手段２５として機能する。
属性傾向推定手段２５は、識別装置１が適用される環境における識別対象の属性の実際の傾向を推定する。
属性傾向推定手段２５は、識別装置１が適用される環境における識別対象の属性の実際の傾向を推定する。
【0047】
例えば属性傾向推定手段２５は、識別対象を検出した入力データから識別対象の属性を推定する識別器や学習モデルを備えてよい。属性傾向推定手段２５は、識別対象の属性の推定結果の履歴に基づいて識別対象の属性の傾向を推定してよい。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
【0048】
（変形例）
第４実施形態の変形例と同様に、重み係数記憶手段２３は、識別装置１を適用する環境の属性の傾向の候補値データ、及び入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データの各々に対応する重み係数と、の間の対応関係を記憶してもよい。
属性傾向推定手段２５は、識別装置１が適用される環境の属性の実際の傾向、又は入力データを生成するセンサの属性の実際の傾向を推定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
第４実施形態の変形例と同様に、重み係数記憶手段２３は、識別装置１を適用する環境の属性の傾向の候補値データ、及び入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データの各々に対応する重み係数と、の間の対応関係を記憶してもよい。
属性傾向推定手段２５は、識別装置１が適用される環境の属性の実際の傾向、又は入力データを生成するセンサの属性の実際の傾向を推定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
【0049】
（第６実施形態）
図８は、第６実施形態の識別装置１Ｆの機能構成の一例のブロック図である。第６実施形態の識別装置１Ｆは、識別装置１Ｆが識別に失敗した識別対象の属性の傾向に基づいて重み係数ｗ１…ｗＮを設定する。
第６実施形態の識別装置１Ｆの構成要素のうち第５実施形態の識別装置１Ｄの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
図８は、第６実施形態の識別装置１Ｆの機能構成の一例のブロック図である。第６実施形態の識別装置１Ｆは、識別装置１Ｆが識別に失敗した識別対象の属性の傾向に基づいて重み係数ｗ１…ｗＮを設定する。
第６実施形態の識別装置１Ｆの構成要素のうち第５実施形態の識別装置１Ｄの構成要素と同一又は類似の構成要素には、同じ参照符号を付与する。
【0050】
識別装置１Ｆは、識別結果判定手段２０と、重み係数記憶手段２３と、重み係数設定手段２４と、属性傾向推定手段２５と、を備える。
図１の記憶部４は、重み係数記憶手段２３として機能する。制御部５は、識別結果判定手段２０、重み係数設定手段２４及び属性傾向推定手段２５として機能する。
図１の記憶部４は、重み係数記憶手段２３として機能する。制御部５は、識別結果判定手段２０、重み係数設定手段２４及び属性傾向推定手段２５として機能する。
【0051】
識別結果判定手段２０は、識別装置１Ｆによって識別された識別対象のクラスが正解クラスであるか否かを判定する。言い換えれば、識別装置１Ｆが識別対象のクラスの識別を失敗したか否かを判定する。
属性傾向推定手段２５は、識別装置１Ｆによる識別が失敗した識別対象の属性の傾向を推定する。例えば属性傾向推定手段２５は、識別装置１Ｆによる識別が失敗した識別対象の属性を推定して、推定結果を蓄積してよい。
属性傾向推定手段２５は、識別装置１Ｆによる識別が失敗した識別対象の属性の傾向を推定する。例えば属性傾向推定手段２５は、識別装置１Ｆによる識別が失敗した識別対象の属性を推定して、推定結果を蓄積してよい。
【0052】
属性傾向推定手段２５は、蓄積した推定結果の履歴から識別装置１Ｆによる識別が失敗した識別対象の属性の傾向を推定してよい。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
【0053】
（第７実施形態）
図９は、第７及び第８実施形態の識別システム１００の全体構成の一例の概略図である。識別システム１００は、複数の環境にそれぞれ設置された（適用された）第５実施形態の識別装置１Ｅ又は第６実施形態の識別装置１Ｆと、構内ＬＡＮ又はインターネット等の通信ネットワークを介して識別装置１Ｅ又は１Ｆと接続されて識別装置１Ｅ又は１Ｆを管理するセンタ装置３０と、を備える。
なお、第７実施形態及び後述の第８実施形態の説明では、用語「識別装置１」は、第５実施形態の識別装置１Ｅ又は第６実施形態の識別装置１Ｆを意味する。
図９は、第７及び第８実施形態の識別システム１００の全体構成の一例の概略図である。識別システム１００は、複数の環境にそれぞれ設置された（適用された）第５実施形態の識別装置１Ｅ又は第６実施形態の識別装置１Ｆと、構内ＬＡＮ又はインターネット等の通信ネットワークを介して識別装置１Ｅ又は１Ｆと接続されて識別装置１Ｅ又は１Ｆを管理するセンタ装置３０と、を備える。
なお、第７実施形態及び後述の第８実施形態の説明では、用語「識別装置１」は、第５実施形態の識別装置１Ｅ又は第６実施形態の識別装置１Ｆを意味する。
【0054】
センタ装置３０は、例えばサーバ等であり、入力部３１と、通信部３２と、記憶部３３と、制御部３４とを備える。これらのうちの制御部３４及び記憶部３３はコンピュータで実現でき、入力部３１及び通信部３２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３１は、例えばタッチパネル、マウス、キーボード等であり、センタ装置３０が設けられた管理センタの管制員による操作を受け付け、受け付けた操作に応じた信号を制御部３４に送る。
入力部３１は、例えばタッチパネル、マウス、キーボード等であり、センタ装置３０が設けられた管理センタの管制員による操作を受け付け、受け付けた操作に応じた信号を制御部３４に送る。
【0055】
通信部３２は、有線通信又は無線通信によりセンタ装置３０と識別装置１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３３は、ＲＯＭ、ＲＡＭ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。
制御部３４は、ＣＰＵ、ＤＳＰ、ＭＣＵ等の演算装置で構成される。制御部３４は、記憶部３３と接続され、記憶部３３から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３３に記憶させ、読み出す。以下に説明するセンタ装置３０の機能は、記憶部３３に記憶されたコンピュータプログラムを制御部３４が実行することにより実現される。また、制御部３４は入力部３１とも接続され、管制員が入力部３１を操作して入力されたデータを取得する。
記憶部３３は、ＲＯＭ、ＲＡＭ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。
制御部３４は、ＣＰＵ、ＤＳＰ、ＭＣＵ等の演算装置で構成される。制御部３４は、記憶部３３と接続され、記憶部３３から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３３に記憶させ、読み出す。以下に説明するセンタ装置３０の機能は、記憶部３３に記憶されたコンピュータプログラムを制御部３４が実行することにより実現される。また、制御部３４は入力部３１とも接続され、管制員が入力部３１を操作して入力されたデータを取得する。
【0056】
図１０は、第７実施形態のセンタ装置３０の機能構成の一例のブロック図である。第７実施形態のセンタ装置３０は、複数の環境にそれぞれ設置された識別装置１による識別対象の識別結果の識別率（識別成功率、誤識別率、失識別率）を算出及び運用する。センタ装置３０は、ある識別装置１による識別成功率が悪くなった場合（例えば識別成功率が閾値以下となった場合）に、この識別装置１の重み付け演算部の重み係数ｗ１…ｗＮを自動的に調整する。
【0057】
第７実施形態のセンタ装置３０は、識別結果取得手段４０と、識別成功率算出手段４１と、指令信号生成手段４２を備える。
識別結果取得手段４０は、第５実施形態（図７）又は第６実施形態（図８）の識別装置１の識別結果出力部１２から識別装置１の識別結果を取得する。
識別成功率算出手段４１は、識別結果取得手段４０が取得した識別結果の識別成功率を算出する。
識別結果取得手段４０は、第５実施形態（図７）又は第６実施形態（図８）の識別装置１の識別結果出力部１２から識別装置１の識別結果を取得する。
識別成功率算出手段４１は、識別結果取得手段４０が取得した識別結果の識別成功率を算出する。
【0058】
例えば、識別装置１を管理する管制員によって、識別結果取得手段４０により取得した各識別装置１の識別結果の誤識別や失識別の発生を監視し、これらの誤識別、失識別の発生を入力部３１からセンタ装置３０に入力してよい。識別成功率算出手段４１は、これらの誤識別、失識別の発生件数に基づいて、識別装置１毎に識別成功率を算出してよい。
指令信号生成手段４２は、ある識別装置１の識別成功率が閾値以下となった場合に、重み付け演算部の重み係数ｗ１…ｗＮの調整を実行することを指示する重み係数調整指令信号を生成して、当該の識別装置１に送信する。
指令信号生成手段４２は、ある識別装置１の識別成功率が閾値以下となった場合に、重み付け演算部の重み係数ｗ１…ｗＮの調整を実行することを指示する重み係数調整指令信号を生成して、当該の識別装置１に送信する。
【0059】
重み係数調整指令信号を受信した識別装置１の属性傾向推定手段２５（図７、図８）は、識別装置１が適用される環境における識別対象の属性の現在の傾向を推定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
【0060】
（第８実施形態）
図１１は、第８実施形態のセンタ装置３０の機能構成の一例のブロック図である。第８実施形態のセンタ装置３０は、識別装置１がそれぞれ設置された複数の環境における識別対象の属性の傾向を収集し、各々の環境における識別対象の属性の傾向の変化を判定する（例えば、季節の変化などに伴う服装の傾向の変化などを判定する）。
センタ装置３０は、ある環境において識別対象の属性の傾向が変化したと判定した場合、この環境に設置された識別装置１の重み付け演算部の重み係数ｗ１…ｗＮを自動的に調整する。
図１１は、第８実施形態のセンタ装置３０の機能構成の一例のブロック図である。第８実施形態のセンタ装置３０は、識別装置１がそれぞれ設置された複数の環境における識別対象の属性の傾向を収集し、各々の環境における識別対象の属性の傾向の変化を判定する（例えば、季節の変化などに伴う服装の傾向の変化などを判定する）。
センタ装置３０は、ある環境において識別対象の属性の傾向が変化したと判定した場合、この環境に設置された識別装置１の重み付け演算部の重み係数ｗ１…ｗＮを自動的に調整する。
【0061】
第８実施形態のセンタ装置３０は、属性傾向取得手段４３と、傾向変化検知手段４４と、指令信号生成手段４２を備える。
属性傾向取得手段４３は、第５実施形態（図７）又は第６実施形態（図８）の識別装置１の属性傾向推定手段２５から、それぞれの識別装置１が適用された環境における識別対象の属性の傾向を取得する。
属性傾向取得手段４３は、第５実施形態（図７）又は第６実施形態（図８）の識別装置１の属性傾向推定手段２５から、それぞれの識別装置１が適用された環境における識別対象の属性の傾向を取得する。
【0062】
傾向変化検知手段４４は、属性傾向取得手段４３が取得した識別対象の属性の傾向が変化したか否かを判定する。
指令信号生成手段４２は、ある環境における識別対象の属性の傾向が変化したと判定した場合に、この環境に配置された識別装置１の重み付け演算部の重み係数ｗ１…ｗＮの調整を実行することを指示する重み係数調整指令信号を生成して、当該の識別装置１に送信する。
指令信号生成手段４２は、ある環境における識別対象の属性の傾向が変化したと判定した場合に、この環境に配置された識別装置１の重み付け演算部の重み係数ｗ１…ｗＮの調整を実行することを指示する重み係数調整指令信号を生成して、当該の識別装置１に送信する。
【0063】
重み係数調整指令信号を受信した識別装置１の属性傾向推定手段２５（図７、図８）は、識別装置１が適用される環境における識別対象の属性の現在の傾向を推定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
重み係数設定手段２４は、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５の推定結果と、に基づいて重み係数ｗ１…ｗＮを設定する。
【0064】
（実施形態の効果）
（１）入力データの特徴量を算出するＣＮＮ１１は、畳み込み層１１ｂと、同一の畳み込み層１１ｂからの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層１１ｃ１～１１ｃＮと、を備える。識別装置１は、複数のプーリング層１１ｃ１～１１ｃＮの各々の出力信号が重み係数で重み付けされた重み付け和に基づいて入力データの特徴量を算出する。
これにより、識別装置１が適用される環境に合わせて重み係数を調整することで、各々の環境に応じて複数の異なるプーリングを使い分けることが可能になる。この結果、識別装置１が適用される環境に存在する識別対象の識別に適した特徴量を取得できる。
（１）入力データの特徴量を算出するＣＮＮ１１は、畳み込み層１１ｂと、同一の畳み込み層１１ｂからの出力信号に対して複数の異なるプーリング処理をそれぞれ施す複数のプーリング層１１ｃ１～１１ｃＮと、を備える。識別装置１は、複数のプーリング層１１ｃ１～１１ｃＮの各々の出力信号が重み係数で重み付けされた重み付け和に基づいて入力データの特徴量を算出する。
これにより、識別装置１が適用される環境に合わせて重み係数を調整することで、各々の環境に応じて複数の異なるプーリングを使い分けることが可能になる。この結果、識別装置１が適用される環境に存在する識別対象の識別に適した特徴量を取得できる。
【0065】
（２）識別装置１は、ＣＮＮ１１と、特徴量に基づいて入力データのクラスを識別する識別部としての全結合層１１ｅ及び出力層１１ｆと、識別部の識別結果に基づいて重み係数を機械学習する重み係数学習手段２１と、を備えてもよい。
これにより、識別装置１の識別率が向上するように重み係数を自動的に学習できる。
これにより、識別装置１の識別率が向上するように重み係数を自動的に学習できる。
【0066】
（３）識別装置１は、ＣＮＮ１１と、重み係数の設定入力をユーザから受け付けるユーザ入力受付手段２２を備えてもよい。
これにより、ユーザの判断に基づいて手動で重み係数を設定して識別装置１の識別率をさせることができる。
これにより、ユーザの判断に基づいて手動で重み係数を設定して識別装置１の識別率をさせることができる。
【0067】
（４）識別装置１は、ＣＮＮ１１と、識別対象の属性の傾向の候補値データ、と重み係数と、の間の対応関係を予め記憶する重み係数記憶手段２３と、識別装置１が適用される環境における識別対象の属性の実際の傾向の情報をユーザから受け付けるユーザ入力受付手段２２と、重み係数記憶手段２３に記憶された対応関係と、ユーザ入力受付手段２２からの入力値と、に基づいて重み係数を設定する重み係数設定手段２４と、を備えてもよい。
これにより、識別装置１が適用される環境における識別対象の属性の傾向をユーザが判断して、その判断結果に基づいて重み係数を設定して識別装置１の識別率をさせることができる。
これにより、識別装置１が適用される環境における識別対象の属性の傾向をユーザが判断して、その判断結果に基づいて重み係数を設定して識別装置１の識別率をさせることができる。
【0068】
なお、重み係数記憶手段２３は、識別装置１を適用する環境の属性の候補値データ、識別装置１を適用する環境の属性の傾向の候補値データ、入力データを生成するセンサの属性の候補値データ、及び入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データに対応する重み係数と、の間の対応関係を記憶してもよい。ユーザ入力受付手段２２は、識別装置１が適用される環境の実際の属性、識別装置１が適用される環境の属性の実際の傾向、入力データを生成するセンサの実際の属性、及び入力データを生成するセンサの属性の実際の傾向のうち少なくとも一つの情報をユーザから受け付けてもよい。
【0069】
（５）識別装置１は、ＣＮＮ１１と、識別対象の属性の傾向の候補値データと、重み係数と、の間の対応関係を予め記憶する重み係数記憶手段２３と、識別装置１が適用される環境における識別対象の属性の実際の傾向を推定する属性傾向推定手段２５と、重み係数記憶手段２３に記憶された対応関係と、属性傾向推定手段２５による推定値と、に基づいて重み係数を設定する重み係数設定手段２４と、を備えてもよい。
これにより、識別装置１が適用される環境に適応するように重み係数を設定できる。
これにより、識別装置１が適用される環境に適応するように重み係数を設定できる。
【0070】
なお、重み係数記憶手段２３は、識別装置１を適用する環境の属性の傾向の候補値データ、及び入力データを生成するセンサの属性の傾向の候補値データのうち少なくとも一つの候補値データと、当該候補値データに対応する重み係数と、の間の対応関係を記憶してもよい。属性傾向推定手段２５は、識別装置１が適用される環境の属性の実際の傾向、又は入力データを生成するセンサの属性の実際の傾向を推定してもよい。
【0071】
（６）重み係数設定手段２４は、識別装置１が識別に失敗した識別対象の属性の傾向に基づいて重み係数を設定してもよい。
これにより、識別装置１が識別に失敗し易い識別対象の識別精度を向上するように、重み係数を設定できる。
これにより、識別装置１が識別に失敗し易い識別対象の識別精度を向上するように、重み係数を設定できる。
【0072】
（７）重み係数設定手段２４は、識別装置１による識別成功率が閾値以下となった場合に属性傾向推定手段２５が推定した識別対象の属性の傾向に基づいて重み係数を設定してもよい。
これにより、識別対象の属性の傾向の変化によって識別成功率が低下した識別装置１の識別精度を向上させることができる。
これにより、識別対象の属性の傾向の変化によって識別成功率が低下した識別装置１の識別精度を向上させることができる。
【0073】
（８）重み係数設定手段２４は、属性傾向推定手段２５が推定した識別対象の属性の傾向の変化を検知した場合に、属性傾向推定手段２５が推定した識別対象の属性の傾向に基づいて重み係数を設定してもよい。
これにより、識別対象の属性の傾向の変化による識別成功率の低下を抑制できる。
これにより、識別対象の属性の傾向の変化による識別成功率の低下を抑制できる。
【符号の説明】
【0074】
１、１Ａ～１Ｆ…識別装置、２…操作入力部、３…ファイル入出力部、４…記憶部、５…制御部、６…出力部、７…入力データ生成部、１０…入力データ取得手段、１１ａ…入力層、１１ｂ…畳み込み層、１１ｃ、１１ｃ１～１１ｃＮ…プーリング層、１１ｄ…重み付け演算部、１１ｅ…全結合層、１１ｆ…出力層、１１ｇ…マッチング処理部、１２…識別結果出力部、２０…識別結果判定手段、２１…重み係数学習手段、２２…ユーザ入力受付手段、２３…重み係数記憶手段、２４…重み係数設定手段、２５…属性傾向推定手段、３０…センタ装置、３１…入力部、３２…通信部、３３…記憶部、３４…制御部、４０…識別結果取得手段、４１…識別成功率算出手段、４２…指令信号生成手段、４３…属性傾向取得手段、４４…傾向変化検知手段
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】