特開 2024-162569 処理システム、処理方法、及び処理プログラム

(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】P2024162569

(43)【公開日】2024-11-21

(54)【発明の名称】処理システム、処理方法、及び処理プログラム

(51)【国際特許分類】

   G06N 3/049 20230101AFI20241114BHJP

【ＦＩ】

G06N3/049

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023078198

(22)【出願日】2023-05-10

(71)【出願人】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110000279

【氏名又は名称】弁理士法人ウィルフォート国際特許事務所

(72)【発明者】

【氏名】細木 浩二

(72)【発明者】

【氏名】藤本 和久

(57)【要約】

【課題】スパイキングニューラルネットワークによる推論において、再学習に利用可能なデータを容易且つ適切に把握することができるようにする。
【解決手段】入力データに基づいて推論処理を行う監視カメラシステム１において、入力データをスパイク列データに変換するスパイク変換部２１０と、スパイク列データを入力して、スパイキングニューラルネットワークにより入力データが複数のクラスの中のいずれのクラスであるかを推定した推論結果を出力する推論部２２０と、推論結果が、いずれのクラスも推定されなかった、又は、複数のクラスが推定されたとの不定判定であるか否かを判断する判断部２３０と、を有するように構成する。
【選択図】図３

【特許請求の範囲】

【請求項1】

入力データに基づいて推論処理を行う処理システムであって、
入力データをスパイク列データに変換するスパイク変換部と、
前記スパイク列データを入力して、スパイキングニューラルネットワークにより前記入力データが複数のクラスの中のいずれのクラスであるかを推定した推論結果を出力するＳＮＮ用デバイスと、
前記推論結果が、いずれのクラスも推定されなかった、又は、複数のクラスが推定されたとの不定判定であるか否かを判断する判断部と、
を有する処理システム。

【請求項2】

前記推論結果が前記不定判定であると判断された場合に、前記推論結果の基となる前記入力データを特定可能な入力データ特定情報を記憶させる記憶制御部を更に有する
請求項１に記載の処理システム。

【請求項3】

前記入力データ特定情報により特定される入力データを用いて前記スパイキングニューラルネットワークを更新するＳＮＮ更新部を更に有する
請求項２に記載の処理システム。

【請求項4】

前記ＳＮＮ更新部は、
前記入力データ特定情報により特定される入力データを含む学習データに基づいて、入力データが複数のクラスの中のいずれのクラスであるかを推定するディープニューラルネットワークを学習する学習部と、
学習された前記ディープニューラルネットワークを対応するスパイキングニューラルネットワークに変換する変換部と、
変換された前記スパイキングニューラルネットワークを前記ＳＮＮ用デバイスに設定する設定部と、を含む
請求項３に記載の処理システム。

【請求項5】

前記処理システムは、
ネットワークで接続された推論装置と、学習装置とを含み、
前記推論装置は、
前記スパイク変換部と、前記ＳＮＮ用デバイスと、前記判断部と、前記記憶制御部と、前記入力データ特定情報により特定される入力データを前記学習装置に送信する送信部と、を備え、
前記学習装置は、
前記ＳＮＮ更新部を備える
請求項４に記載の処理システム。

【請求項6】

前記判断部により不定判定であると判断された場合に、アラートを出力するアラート出力部を更に有する
請求項１に記載の処理システム。

【請求項7】

入力データに基づいて推論処理を行う処理システムによる処理方法であって、
前記入力データをスパイク列データに変換し、
前記スパイク列データを入力して、スパイキングニューラルネットワークにより前記入力データが複数のクラスの中のいずれのクラスであるかを推定した推論結果を出力し、
前記推論結果が、いずれのクラスも推定されなかった、又は、複数のクラスが推定されたとの不定判定であるか否かを判断する
処理方法。

【請求項8】

入力データに基づいて推論処理を行うコンピュータに実行させる処理プログラムであって、
前記コンピュータは、
前記入力データに対応するスパイク列データを入力して、スパイキングニューラルネットワークにより前記入力データが複数のクラスの中のいずれのクラスであるかを推定した推論結果を出力するＳＮＮ用デバイスを備え、
前記コンピュータに、
前記入力データをスパイク列データに変換させ、
前記スパイク列データを前記ＳＮＮ用デバイスに入力させ、
前記推論結果が、いずれのクラスも推定されなかった、又は、複数のクラスが推定されたとの不定判定であるか否かを判断させる
処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習を用いた推論を行う処理システム等に関する。

【背景技術】

【0002】

従来の監視カメラシステムでは、取得した映像を目視確認することにより、異常状態や危険状態を検知していた。一方、近年の監視カメラシステムでは、映像内の人物などのオブジェクトやその動きなどの注目すべき対象を検出し、その対象の属性を推論することで、リアルタイムに異常状態を検知する機能を有することで、目視確認の不要な高機能性を提供している。

【0003】

一般的な推論では、機械学習と呼ぶ技術のうちニューラルネットワークが用いられる。ニューラルネットワークは脳内の神経細胞とそのつながりである神経細胞網とを数式的モデルを用いて構成される。また数式的モデルは、高速演算するために、例えば、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）によって計算される。

【0004】

近年では、より複雑な機械学習を実現するため、ディープニューラルネットワーク（ＤＮＮ）を一つの大きなネットワークとして構築する深層学習も用いられる。深層学習ではより高い処理性能が要求されるため、低消費電力で高スループットの処理を実現することが困難となっている。

【0005】

この問題に対し、ＤＮＮを模倣するスパイキングニューラルネットワーク（ＳＮＮ）に変換し、これを処理する低電力動作可能な脳型デバイスを用いた機械学習方式が研究されている（例えば、非特許文献１参照）。また、非特許文献２には、入力データにスパイク列を用い、特定の条件下のみで発火する脳型アレイで処理することにより、発火時のみに電力を消費する構造の脳型デバイスが開示されており、ＧＰＵを用いた数式的モデル方式と比較し、２倍から４８倍の低電力効果を得ることが可能であることが開示されている。この方式での出力は、発火するか否かの２種（０又は１）であり、０から１までのグラデーションは存在しない。

【0006】

ここで、一般的な機械学習では、入力データとデータの属性とを組とする学習データを入力し、ＧＰＵとＤＮＮを用いて学習を行うプロセス（学習プロセス）を実行する。学習プロセスにて多量の学習データを用いて学習することにより、後の推論プロセスにおける新たなデータを入力とした場合の推論精度を向上できる。

【0007】

次に、監視カメラシステムなどへの推論装置の社会実装を考える。上記した通り、機械学習では事前の学習プロセスと、社会実装後の推論プロセスとに分類できる。社会実装後では、環境変化への適応などの継続的な認識精度の向上が要求される。これに対して、能動的学修と呼ぶ技術が用いられる。例えば、非特許文献３には、認識精度に加え、その確信度を算出し、低確信度の入力データを再学習対象とすることで、認識精度を向上することが開示されている。

【0008】

確信度の算出方法は、大きく２種あり、非特許文献４に開示されたＴｅｍｐｅｒａｔｕｒｅ Ｓｃａｌｉｎｇ方式のように、予測時に認識精度を直接的に確信度になるように補正をかける技術や、非特許文献５に開示されたＴｒｕｓｔ Ｓｃｏｒｅ方式のように、推論時に推論データと事前学習データとの距離から確信度を算出する技術がある。これらの確信度算出には数式的モデルを使用した算術演算が用いられる。

【先行技術文献】

【非特許文献】

【0009】

【非特許文献1】“Benchmarking Keyword Spotting Efficiency on Neuromorphic Hardware”, P. Blouw, et al., in NICE '19, March 2019.

【非特許文献2】“Loihi A Neuromorphic Manycore Processor with On-Chip Learning ”, M. Davies, et. Al., in IEEE Micro 38, 82-99 (2018)

【非特許文献3】“Confidence-Based Active Learning”, Mingkun Li, et. Al., IEEE PAMI 28, No.8, 1251-1261 (2006)

【非特許文献4】“On the Properties of the Softmax Function with Application in Game Theory and Reinforcement Learning”, Bolin Gao, et. Al., in arXiv preprint arXiv:1704.00805. (2017)

【非特許文献5】“To Trust Or Not To Trust A Classifier”, Heinrich Jiang, et. Al., in NeurIPS2018. (2018)

【発明の概要】

【発明が解決しようとする課題】

【0010】

ＤＮＮを用いた数式的モデルによる推論結果と確信度との算出では、数式的モデルをソフトウェア的により算術演算して算出する。一方、ＳＮＮの出力は、発火するか否か（値１又は値０を出力する）のみのため、ＤＮＮを用いた数式的モデルと同様な確信度を算出することはできない。

【0011】

そのため、ＳＮＮを用いた場合には、社会実装後に自動で低確信度の入力データを検出できず、再学習対象のデータを習得できない。このため、能動的学修をすることができず、ＳＮＮにおける認識精度を向上することができない。

【0012】

本発明は、上記事情に鑑みなされたものであり、その目的は、スパイキングニューラルネットワークによる推論において、再学習に利用可能なデータを容易且つ適切に把握することのできる技術を提供することにある。

【課題を解決するための手段】

【0013】

上記目的を達成するため、一観点に係る処理システムは、入力データに基づいて推論処理を行う処理システムであって、入力データをスパイク列データに変換するスパイク変換部と、前記スパイク列データを入力して、スパイキングニューラルネットワークにより前記入力データが複数のクラスの中のいずれのクラスであるかを推定した推論結果を出力するＳＮＮ用デバイスと、前記推論結果が、いずれのクラスも推定されなかった、又は、複数のクラスが推定されたとの不定判定であるか否かを判断する判断部と、を有する。

【発明の効果】

【0014】

本発明によれば、スパイキングニューラルネットワークによる推論において、再学習に利用可能なデータを容易且つ適切に把握することができる。

【図面の簡単な説明】

【0015】

【図1】図１は、多クラス推論の概要を説明する図である。

【図2】図２は、多ラベル推論の概要を説明する図である。

【図3】図３は、一実施形態に係る監視カメラシステムの機能構成図である。

【図4】図４は、一実施形態に係る推論結果を説明する図である。

【図5】図５は、一実施形態に係る判断処理のフローチャートである。

【図6】図６は、一実施形態に係る監視カメラシステムのハードウェア構成の一例を示す図である。

【図7】図７は、一実施形態に係る監視カメラシステムのハードウェア構成の他の例を示す図である。

【発明を実施するための形態】

【0016】

実施形態について、図面を参照して説明する。なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。

【0017】

まず、本実施形態に係る処理システムにおける推論内容について説明する。

【0018】

図１は、多クラス推論の概要を説明する図である。

【0019】

多クラス推論は、入力データを、複数のクラスの中の１つのクラスに分類する推論である。図１は、入力データのクラスとして、３つのクラス（ａ，ｂ，ｃ）の中の１つのクラスを選択する例を示している。図１の例では、入力データは、１つのクラスｂに分類される。多クラス推論では、入力データに対応する１つのクラスが出力される、いわゆるワンホットの出力が期待される。

【0020】

図２は、多ラベル推論の概要を説明する図である。

【0021】

多ラベル推論は、入力データを、複数のカテゴリのそれぞれについて、複数のクラスの中の１つのクラスに分類する推論である。図２は、入力データを、種類を示すカテゴリについての３つのクラス（ａ，ｂ，ｃ）から１つのクラスに分類するとともに、模様を示すカテゴリについての３つのクラス（空白、模様有、黒）から１つのクラスに分類する例を示している。図２の例では、入力データは、種類がクラスｂに分類され、模様が模様有に分類される。多ラベル推論では、入力データに対して、各カテゴリごとに１つのクラスが選択されて出力される、いわゆるマルチホットの出力が期待される。

【0022】

次に、処理システムの一例としての監視カメラシステムについて説明する。

【0023】

図３は、一実施形態に係る監視カメラシステムの機能構成図である。

【0024】

監視カメラシステム１は、学習済ＳＮＮ（スパイキングニューラルネットワーク）１４０を作成するプロセス（学習プロセス）を実行する学習プロセス部１０と、ＳＮＮを使用して推論を行うプロセス（推論プロセス）を実行する推論プロセス部２０とを含む。

【0025】

学習プロセス部１０は、学習用データセット１００と、学習部１１０と、学習済ＤＮＮ（ディープニューラルネットワーク）１２０と、変換部１３０と、学習済ＳＮＮ１４０とを含む。

【0026】

学習用データセット１００は、ＤＮＮを学習するための学習用データを格納するデータセットであり、学習のためにＤＮＮに入力する学習向データ１０１と、学習向データ１０１に対応する属性（正解）を含む属性データ１０２との組である教師データを複数含む。

【0027】

学習部１１０は、学習用データセット１００の教師データを入力として、ＤＮＮについての機械学習を行い、学習済ＤＮＮ１２０を出力する。

【0028】

変換部１３０は、学習済ＤＮＮ１２０を、この学習済ＤＮＮ１２０と同様な推論結果を出力する学習済ＳＮＮ１４０に変換する処理を行う。なお、ＤＮＮをＳＮＮに変換する方法は、公知の技術を用いることができる。また、変換部１３０は、学習済ＳＮＮ１４０を推論部２２０に送信して、学習済ＳＮＮ１４０を設定する。

【0029】

ここで、ＳＮＮ更新部は、学習部１１０及び変換部１３０により構成され、設定部は、変換部１３０により構成される。

【0030】

推論プロセス部２０は、実データ２００と、スパイク変換部２１０と、推論部２２０と、判断部２３０と、記憶制御部２４０と、再学習データ２５０と、を含む。

【0031】

実データ２００は、推論対象のデータ（実データ：入力データ）である。実データ２００は、例えば、カメラ３２０（図６参照）により撮像された監視対象範囲の画像データである。

【0032】

スパイク変換部２１０は、実データ２００を入力し、入力された実データ２００を、ＳＮＮに入力するための時系列のスパイク列データに変換する。実データ２００をスパイク列データに変換する方法は、公知の技術を用いることができる。

【0033】

推論部２２０は、学習プロセス部１０により生成された学習済ＳＮＮ１４０が設定され、学習済ＳＮＮにより、入力されたスパイク列データに対して推論処理を行い、推論結果２２１を出力する。ここで、推論部２２０による推論処理は、例えば、スパイク列データに対応する実データ２００が複数のクラスのいずれのクラスであるかを推定する処理である。

【0034】

判断部２３０は、推論結果２２１が妥当であるか否かを判断し、その判断結果を出力する。ここで、判断部２３０は、推論結果２２１が１つのクラスを示している場合には妥当であるとし、推論結果２２１における推定されたクラスが不定の場合、具体的には、複数のクラスを示している又はいずれのクラスも示していない場合には妥当でないと判断する。

【0035】

記憶制御部２４０は、判断部２３０による判断結果が、推論結果２２１が妥当でないことを示している場合には、この推論結果２２１に対応する実データを、再学習に使用するデータ（再学習データ２５０）として記憶する。なお、記憶制御部２４０は、再学習データ２５０を、学習用データセット１００に追加し、学習プロセス部１０における以降の学習プロセスに使用されるようにしてもよい。この場合、再学習データについての属性データは、ユーザにより設定されてもよい。このような再学習データ２５０を用いて学習プロセスを実行することにより、学習済ＳＮＮ１４０の認識の精度を向上することができる。

【0036】

次に、推論部２２０による推論結果２２１の具体例について説明する。

【0037】

図４は、一実施形態に係る推論結果を説明する図である。

【0038】

図４は、推論部２２０により、図１に示した３つのクラスから１つのクラスを選択する多クラス推論を行う場合の例を示している。

【0039】

推論部２２０は、学習済ＳＮＮを用いて３つのクラスから１つのクラスを選択するので、出力（推論結果２２１）は、各ビットがそれぞれのクラスであるか否かを示す３ビットの情報となる。この推論結果２２１は、選択されたクラスに対応するビットが１に設定され、選択されていないクラスに対応するビットが０に設定される。

【0040】

ここで、推論結果２２１は、いずれか１つのクラスのみが選択されたＯｎｅ－ｈｉｔと、いずれのクラスも選択されていないＺｅｒｏ－ｈｉｔと、複数のクラスが選択されたＭｕｌｔｉ－ｈｉｔとの３種に分類できる。

【0041】

Ｏｎｅ－ｈｉｔは、推論結果２２１が「００１」，「０１０」，「１００」のいずれかであり、クラスを正しく判定した正判定の場合と、誤って判定した誤判定の場合とに該当する。なお、実データ２００には、属性（正解）が付与されていないため、推論結果２２１から正判定であるか、誤判定であるかは判別できない。

【0042】

Ｚｅｒｏ－ｈｉｔは、推論結果２２１が「０００」であり、いずれのクラスも選択されず、クラスを１つに決定できなかった不定判定の場合に該当する。

【0043】

Ｍｕｌｔｉ－ｈｉｔは、推論結果２２１が「０１１」，「１０１」，「１１０」，「１１１」のいずれかであり、複数のクラスが選択され、クラスを１つに決定できなかった不定判定の場合に該当する。

【0044】

ここで、推論部２２０における多クラス推論においては、１つのクラスを選択することを期待されているものであり、Ｚｅｒｏ－ｈｉｔ及びＭｕｌｔｉ－ｈｉｔのように不定判定は、妥当な判定ではない。なお、図２に示す多ラベル推論においては、推論結果２２１は、各カテゴリごとに、上記したような３ビットの情報を有する。

【0045】

次に、判断部２３０による判断処理の処理動作について説明する。

【0046】

図５は、一実施形態に係る判断処理のフローチャートである。図５は、推論部２２０により１以上のカテゴリに対する推論（多クラス推論、多ラベル推論）を行う場合を例に説明する。

【0047】

判断部２３０は、推論結果２２１についてカテゴリ分割を行い（Ｓ１０）、未処理のカテゴリの１つを処理対象として以降の処理を行う。ここで、カテゴリとは、複数のクラスから１つのクラスを選択する群であり、例えば、図１に示す多クラス推論であれば、カテゴリは１つであり、図２に示す多ラベル推論であれば、カテゴリは、種類と、模様との２つである。

【0048】

判断部２３０は、処理対象とするカテゴリ（現カテゴリ）についての推論結果がＺｅｒｏ－ｈｉｔであるか否かを判定し（Ｓ１１）、Ｚｅｒｏ－ｈｉｔである場合（Ｓ１１：Ｙｅｓ）には、推論結果が妥当でない（不定判定である）との判断結果を出力する。

【0049】

一方、現カテゴリがＺｅｒｏ－ｈｉｔでない場合（Ｓ１１：Ｎｏ）には、判断部２３０は、現カテゴリについての推論結果がＭｕｌｔｉ－ｈｏｔであるか否かを判定し（Ｓ１２）、Ｍｕｌｔｉ－ｈｉｔである場合（Ｓ１２：Ｙｅｓ）には、推論結果が妥当でない（不定判定である）との判定結果を出力する。

【0050】

一方、現カテゴリがＭｕｌｔｉ－ｈｉｔでない場合（Ｓ１２：Ｎｏ）には、判断部２３０は、現カテゴリが最終カテゴリであるか否かを判定し（Ｓ１３）、最終カテゴリである場合（Ｓ１３：Ｙｅｓ）には推論結果が妥当であるとの判断結果を出力する。

【0051】

一方、最終カテゴリでない（Ｓ１３：Ｎｏ）には、判断部２３０は、処理対象を次のカテゴリに設定し（Ｓ１４）、処理をステップＳ１１に進める。

【0052】

以上説明したように、監視カメラシステム１によると、実データ２００のうち、推論結果が妥当でない実データ、すなわち、推論結果が不定判定である実データを適切に認識でき、この実データを再学習データとして記憶することができる。このため、この再学習データを学習用データセット１００に追加して、再度学習プロセスを実行することにより、より推論精度の高い学習済ＳＮＮ１４０を生成でき、推論部２２０でこの学習済ＳＮＮ１４０を使用することにより、推論プロセスにおいて推論精度を向上することができる。

【0053】

次に、監視カメラシステム１を構成するハードウェア構成の例について説明する。

【0054】

図６は、一実施形態に係る監視カメラシステムのハードウェア構成の一例を示す図である。

【0055】

監視カメラシステム１Ａは、推論装置３１０と、カメラ３２０とを含む。

【0056】

カメラ３２０は、監視対象領域の画像を撮像し、推論装置３１０に入力する。

【0057】

推論装置３１０は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や汎用サーバ等のコンピュータであり、プロセッサ３３０と、チップセット３４０と、ネットワークインタフェース３５０と、主記憶装置３６０と、ＳＮＮ用デバイス３７０と、補助記憶装置３８０と、ＧＰＵ３９０とを含む。

【0058】

チップセット３４０は、プロセッサ３３０と、ネットワークインタフェース３５０と、ＳＮＮ用デバイス３７０と、補助記憶装置３８０と、ＧＰＵ３９０と、カメラ３２０と、を相互に通信可能に接続する。

【0059】

ネットワークインタフェース３５０は、ネットワークを介して他の装置と通信する。

【0060】

プロセッサ３３０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であり、主記憶装置３６０及び／又は補助記憶装置３８０に格納されているプログラムに従って各種処理を実行する。

【0061】

主記憶装置３６０は、例えば、ＲＡＭ（ＲＡＮＤＯＭ ＡＣＣＥＳＳ ＭＥＭＯＲＹ）であり、プロセッサ３３０で実行されるプログラムや、必要な情報を記憶する。

【0062】

補助記憶装置３８０は、例えば、ハードディスクやフラッシュメモリなどであり、プロセッサ３３０で実行されるプログラム（処理プログラム）、プロセッサ３３０に利用されるデータ、ＤＮＮの学習用データセット１００、学習済ＤＮＮ１２０、学習済ＳＮＮ１４０、推論に使用する実データ２００、再学習データ２５０等を記憶する。

【0063】

ＳＮＮ用デバイス３７０は、例えば、脳型デバイスと呼ばれることもあり、スパイクデータを入力として、ＳＮＮによる推論処理を実行し、異論結果を出力する。

【0064】

ＧＰＵ３９０は、例えば、特定の処理の実行に適しているプロセッサであり、例えば、並列的に行われる処理の実行に適している。本実施形態では、ＧＰＵ３９０は、プロセッサ３３０の指示に従ってＤＮＮによる処理を実行する。

【0065】

ここで、学習部１１０は、主にプロセッサ３３０とＧＰＵ３９０とが協働することにより構成され、変換部１３０、スパイク変換部２１０、判断部２３０、及び記憶制御部２４０は、主にプロセッサ３３０が処理プログラムを実行することにより構成され、推論部２２０は、主にＳＮＮ用デバイス３７０により構成される。

【0066】

次に、監視カメラシステム１を構成するハードウェア構成の他の例について説明する。

【0067】

図７は、一実施形態に係る監視カメラシステムのハードウェア構成の他の例を示す図である。

【0068】

監視カメラシステム１Ｂは、カメラ３２０と、推論装置４１０と、学習装置５１０とを含む。推論装置４１０と、学習装置５１０とは、ネットワークを介して接続されている。

【0069】

推論装置４１０は、推論プロセス部２０を構成する装置であり、例えば、ＰＣや汎用サーバ等のコンピュータであり、プロセッサ４３０と、チップセット４４０と、ネットワークインタフェース４５０と、主記憶装置４６０と、ＳＮＮ用デバイス４７０と、補助記憶装置４８０と、を含む。各構成は、図６の推論装置３００の同名の構成と同様である。

【0070】

この例では、スパイク変換部２１０、判断部２３０、及び記憶制御部２４０は、主にプロセッサ４３０が処理プログラムを実行することにより構成され、推論部２２０は、主にＳＮＮ用デバイス４７０により構成される。ここで、記憶制御部２４０は、送信部に対応し、再学習データ２５０を、ネットワークを介して学習装置５１０に送信する。

【0071】

学習装置５１０は、学習プロセス部１０を構成する装置であり、例えば、ＰＣや汎用サーバ等のコンピュータであり、プロセッサ５３０と、チップセット５４０と、ネットワークインタフェース５５０と、主記憶装置５６０と、補助記憶装置５８０と、ＧＰＵ５９０と、を含む。各構成は、図６の推論装置３００の同名の構成と同様である。

【0072】

この例では、学習部１１０は、主にプロセッサ５３０とＧＰＵ５９０とが協働することにより構成され、変換部１３０は、主にプロセッサ５３０が処理プログラムを実行することにより構成される。

【0073】

監視カメラシステム１Ｂでは、再学習データ２５０は、ネットワークを介して推論装置４１０から学習装置５１０に送信され、学習済ＳＮＮ１４０は、ネットワークを介して、学習装置５１０から推論装置４１０に送信されて設定される。

【0074】

なお、本発明は、上述の実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で、適宜変形して実施することが可能である。例えば、本発明は、必ずしも説明した全ての構成を備えるものに限定されない。

【0075】

例えば、上記実施形態では、記憶制御部２４０は、推論結果が妥当でないと判断された場合に、対応する入力データを再学習データ２５０として記憶するようにしていたが、本発明はこれに限られず、例えば、全ての実データ２００を常時記憶しておき、妥当でないと判断された場合には、対応する入力データを示すタイムスタンプのデータを記憶するようにし、そのタイムスタンプに基づいて再学習データとする入力データを特定するようにしてもよく、要は、対応する入力データ又は入力データを特定可能なデータ（これらを総称して入力データ特定情報という）を記憶するようにすればよい。

【0076】

また、上記実施形態において、記憶制御部２４０を、判断部２３０による判断結果が、推論結果が妥当でないことを示している場合に、この推論結果に対応する実データを、推論結果が妥当でないことを示すアラートを、例えば、図示しない表示装置や、他の装置に表示（出力）させるようにしてもよい。ここで、記憶制御部２４０は、アラート出力部に相当する。

【0077】

また、上記実施形態では、学習用データセット１００によりＤＮＮを学習し、学習済ＤＮＮを変換することにより学習済ＳＮＮを生成するようにしていたが、学習済ＳＮＮを生成する方法はこれに限られず、ＤＮＮからの変換によらずに、ＳＮＮの生成又は学習を行うようにしてもよい。

【0078】

また、上記実施形態において、プロセッサが行っていた処理の一部又は全部を、専用のハードウェア回路で行うようにしてもよい。また、上記実施形態におけるプログラムは、プログラムソースからインストールされてよい。プログラムソースは、プログラム配布サーバ又は記録メディア（例えば可搬型の記録メディア）であってもよい。

【符号の説明】

【0079】

１，１Ａ，１Ｂ…監視カメラシステム、１０…学習プロセス、２０…推論プロセス、１１０…学習部、１３０…変換部、２１０…スパイク変換部、２２０…推論部、２３０…判断部、２４０…記憶制御部、３１０…推論装置、３２０…カメラ、３３０…プロセッサ、３４０…チップセット、３５０…ネットワークインタフェース、３６０…主記憶装置、３７０…ＳＮＮ用デバイス、３８０…補助記憶装置、３９０…ＧＰＵ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】