(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】P2024024326
(43)【公開日】2024-02-22
(54)【発明の名称】検出装置、検出方法、および検出プログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20240215BHJP
【ＦＩ】
G06T7/00 350B
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2022127095
(22)【出願日】2022-08-09
(71)【出願人】
【識別番号】000153443
【氏名又は名称】株式会社 日立産業制御ソリューションズ
(74)【代理人】
【識別番号】110001678
【氏名又は名称】藤央弁理士法人
(72)【発明者】
【氏名】安井 雅彦
(72)【発明者】
【氏名】間瀬 正啓
(72)【発明者】
【氏名】恵木 正史
(72)【発明者】
【氏名】和久井 一則
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096AA06
5L096DA01
5L096FA32
5L096GA08
5L096KA04
5L096MA07
(57)【要約】
【課題】画像データ群間のデータシフトの検出の容易化を図ること。
【解決手段】 プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する検出装置は、第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、前記第１二標本検定処理による二標本検定結果を出力する出力処理と、を実行する。
【選択図】図２
【解決手段】 プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する検出装置は、第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、前記第１二標本検定処理による二標本検定結果を出力する出力処理と、を実行する。
【選択図】図２
【特許請求の範囲】
【請求項1】
プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する検出装置であって、
前記プロセッサは、
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、
前記第１二標本検定処理による二標本検定結果を出力する出力処理と、
を実行することを特徴とする検出装置。
前記プロセッサは、
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、
前記第１二標本検定処理による二標本検定結果を出力する出力処理と、
を実行することを特徴とする検出装置。
【請求項2】
請求項１に記載の検出装置であって、
前記取得処理では、前記プロセッサは、前記第１画像データ群と前記第２画像データ群とを取得し、
前記プロセッサは、
画像データに関する特徴を判定しかつ前記特徴に関する寄与値を前記画像データ内の領域ごとに算出する特徴判定モデルに、前記取得処理によって取得された第１画像データ群の各々の前記第１画像データを入力した結果、前記第１寄与値マップを前記第１画像データごとに生成し、前記特徴判定モデルに、前記第２画像データ群の各々の前記第２画像データを入力した結果、前記第２寄与値マップを前記第２画像データごとに生成するマップ生成処理を実行し、
前記第１二標本検定処理では、前記プロセッサは、前記マップ生成処理によって生成された前記第１画像データごとの前記第１寄与値マップである第１寄与値マップ群と、前記マップ生成処理によって生成された前記第２画像データごとの前記第２寄与値マップである第２寄与値マップ群と、を用いて、二標本検定を実行する、
ことを特徴とする検出装置。
前記取得処理では、前記プロセッサは、前記第１画像データ群と前記第２画像データ群とを取得し、
前記プロセッサは、
画像データに関する特徴を判定しかつ前記特徴に関する寄与値を前記画像データ内の領域ごとに算出する特徴判定モデルに、前記取得処理によって取得された第１画像データ群の各々の前記第１画像データを入力した結果、前記第１寄与値マップを前記第１画像データごとに生成し、前記特徴判定モデルに、前記第２画像データ群の各々の前記第２画像データを入力した結果、前記第２寄与値マップを前記第２画像データごとに生成するマップ生成処理を実行し、
前記第１二標本検定処理では、前記プロセッサは、前記マップ生成処理によって生成された前記第１画像データごとの前記第１寄与値マップである第１寄与値マップ群と、前記マップ生成処理によって生成された前記第２画像データごとの前記第２寄与値マップである第２寄与値マップ群と、を用いて、二標本検定を実行する、
ことを特徴とする検出装置。
【請求項3】
請求項１に記載の検出装置であって、
前記プロセッサは、
前記第１二標本検定処理による第１二標本検定結果に基づいて、前記第１画像データ群と前記第２画像データ群との間にデータシフトが発生したか否かを判定する判定処理を実行し、
前記出力処理では、前記プロセッサは、前記判定処理による判定結果を出力する、
ことを特徴とする検出装置。
前記プロセッサは、
前記第１二標本検定処理による第１二標本検定結果に基づいて、前記第１画像データ群と前記第２画像データ群との間にデータシフトが発生したか否かを判定する判定処理を実行し、
前記出力処理では、前記プロセッサは、前記判定処理による判定結果を出力する、
ことを特徴とする検出装置。
【請求項4】
請求項３に記載の検出装置であって、
前記プロセッサは、
前記判定処理によってデータシフトが発生したと判定された場合、前記第１寄与値マップ群内の代表的な第１寄与値マップと、前記第２寄与値マップ群内の代表的な第２寄与値マップと、の差分を示す差分マップを生成する差分生成処理を実行し、
前記出力処理では、前記プロセッサは、前記差分生成処理によって生成された差分マップを出力する、
ことを特徴とする検出装置。
前記プロセッサは、
前記判定処理によってデータシフトが発生したと判定された場合、前記第１寄与値マップ群内の代表的な第１寄与値マップと、前記第２寄与値マップ群内の代表的な第２寄与値マップと、の差分を示す差分マップを生成する差分生成処理を実行し、
前記出力処理では、前記プロセッサは、前記差分生成処理によって生成された差分マップを出力する、
ことを特徴とする検出装置。
【請求項5】
請求項１に記載の検出装置であって、
前記プロセッサは、
検討対象と原因候補とを指定する指定処理と、
前記検討対象に関する第１特徴判定モデルに前記第２画像データ群を入力して前記第１特徴判定モデルから出力される第１特徴判定結果群と、前記原因候補に関する第２特徴判定モデルに前記第２画像データ群を入力して前記第２特徴判定モデルから出力される第２特徴判定結果群とを、前記第１特徴判定結果群の種類と前記第２特徴判定結果群の種類との組み合わせ別に集計した第１突合結果を生成する特徴判定処理と、
前記第１突合結果に基づいて、前記第２寄与値マップ群を分類する第１分類処理と、
前記第２画像データ群と前記特徴判定処理によって生成された第１突合結果とを学習データセットとして学習することにより、前記検討対象と前記原因候補とを組み合わせた組み合わせ特徴判定モデルを生成する学習処理と、
前記学習処理によって生成された組み合わせ特徴判定モデルに、前記第２画像データ群を入力した結果、前記検討対象と前記原因候補との組み合わせに関する第１組み合わせ寄与値マップを前記第２画像データごとに生成し、前記第１突合結果に基づいて、前記第２画像データごとの前記第１組み合わせ寄与値マップの集合である第１組み合わせ寄与値マップ群を分類する第２処理と、を実行し、
前記出力処理では、前記プロセッサは、前記第１分類処理による第１分類結果および前記第２分類処理による第２分類結果を出力する、
ことを特徴とする検出装置。
前記プロセッサは、
検討対象と原因候補とを指定する指定処理と、
前記検討対象に関する第１特徴判定モデルに前記第２画像データ群を入力して前記第１特徴判定モデルから出力される第１特徴判定結果群と、前記原因候補に関する第２特徴判定モデルに前記第２画像データ群を入力して前記第２特徴判定モデルから出力される第２特徴判定結果群とを、前記第１特徴判定結果群の種類と前記第２特徴判定結果群の種類との組み合わせ別に集計した第１突合結果を生成する特徴判定処理と、
前記第１突合結果に基づいて、前記第２寄与値マップ群を分類する第１分類処理と、
前記第２画像データ群と前記特徴判定処理によって生成された第１突合結果とを学習データセットとして学習することにより、前記検討対象と前記原因候補とを組み合わせた組み合わせ特徴判定モデルを生成する学習処理と、
前記学習処理によって生成された組み合わせ特徴判定モデルに、前記第２画像データ群を入力した結果、前記検討対象と前記原因候補との組み合わせに関する第１組み合わせ寄与値マップを前記第２画像データごとに生成し、前記第１突合結果に基づいて、前記第２画像データごとの前記第１組み合わせ寄与値マップの集合である第１組み合わせ寄与値マップ群を分類する第２処理と、を実行し、
前記出力処理では、前記プロセッサは、前記第１分類処理による第１分類結果および前記第２分類処理による第２分類結果を出力する、
ことを特徴とする検出装置。
【請求項6】
請求項５に記載の検出装置であって、
前記プロセッサは、
前記第１分類結果および前記第２分類結果内の共通する組み合わせごとに二標本検定を実行する第２二標本検定処理を実行し、
前記出力処理では、前記プロセッサは、前記第２二標本検定処理による第２二標本検定結果を出力する、
ことを特徴とする検出装置。
前記プロセッサは、
前記第１分類結果および前記第２分類結果内の共通する組み合わせごとに二標本検定を実行する第２二標本検定処理を実行し、
前記出力処理では、前記プロセッサは、前記第２二標本検定処理による第２二標本検定結果を出力する、
ことを特徴とする検出装置。
【請求項7】
請求項６に記載の検出装置であって、
前記プロセッサは、
前記第２二標本検定結果に基づいて、前記第１画像データ群と前記第２画像データ群との間にデータシフトが発生したか否かを判定する判定処理を実行し、
前記出力処理では、前記プロセッサは、前記判定処理による判定結果を出力する、
ことを特徴とする検出装置。
前記プロセッサは、
前記第２二標本検定結果に基づいて、前記第１画像データ群と前記第２画像データ群との間にデータシフトが発生したか否かを判定する判定処理を実行し、
前記出力処理では、前記プロセッサは、前記判定処理による判定結果を出力する、
ことを特徴とする検出装置。
【請求項8】
請求項５に記載の検出装置であって、
前記特徴判定処理では、前記プロセッサは、前記第１特徴判定モデルに前記第１画像データ群を入力して前記第１特徴判定モデルから出力される第３特徴判定結果群と、前記第２特徴判定モデルに前記第１画像データ群を入力して前記第２特徴判定モデルから出力される第４特徴判定結果群とを、前記検討対象の種類と前記原因候補の種類との組み合わせ別に集計した第２突合結果を生成して、前記第１突合結果と前記第２突合結果との間に所定の比率変化があるか否かを判定し、
前記第１分類処理では、前記プロセッサは、前記比率変化があると判定された特定の原因候補について、前記第１突合結果に基づいて、前記第２寄与値マップ群を分類する、
ことを特徴とする検出装置。
前記特徴判定処理では、前記プロセッサは、前記第１特徴判定モデルに前記第１画像データ群を入力して前記第１特徴判定モデルから出力される第３特徴判定結果群と、前記第２特徴判定モデルに前記第１画像データ群を入力して前記第２特徴判定モデルから出力される第４特徴判定結果群とを、前記検討対象の種類と前記原因候補の種類との組み合わせ別に集計した第２突合結果を生成して、前記第１突合結果と前記第２突合結果との間に所定の比率変化があるか否かを判定し、
前記第１分類処理では、前記プロセッサは、前記比率変化があると判定された特定の原因候補について、前記第１突合結果に基づいて、前記第２寄与値マップ群を分類する、
ことを特徴とする検出装置。
【請求項9】
プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する検出装置であって、
前記プロセッサは、
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群内の代表的な第１寄与値マップと、前記第２寄与値マップ群内の代表的な第２寄与値マップと、の差分を示す差分マップを生成する差分生成処理と、
前記差分生成処理によって生成された差分マップを出力する出力処理と、
を実行することを特徴とする検出装置。
前記プロセッサは、
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群内の代表的な第１寄与値マップと、前記第２寄与値マップ群内の代表的な第２寄与値マップと、の差分を示す差分マップを生成する差分生成処理と、
前記差分生成処理によって生成された差分マップを出力する出力処理と、
を実行することを特徴とする検出装置。
【請求項10】
プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する検出装置が実行する検出方法であって、
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、
前記第１二標本検定処理による二標本検定結果を出力する出力処理と、
を実行することを特徴とする検出方法。
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、
前記第１二標本検定処理による二標本検定結果を出力する出力処理と、
を実行することを特徴とする検出方法。
【請求項11】
プロセッサに、
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、
前記第１二標本検定処理による二標本検定結果を出力する出力処理と、
を実行させることを特徴とする検出プログラム。
第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、
前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、
前記第１二標本検定処理による二標本検定結果を出力する出力処理と、
を実行させることを特徴とする検出プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、検出装置、検出方法、および検出プログラムに関する。
【背景技術】
【0002】
入力データの内容や特徴が学習時から変化してしまうことがある。このような変化はデータシフト（またはデータドリフト）と呼ばれる。たとえば、入力データが画像データである場合、判定モデルの学習時から現在の運用時までの間の時間経過により、人々の服装の変化や、撮影場所を行き交う人種の変化、カメラの画質低下や撮影場所での建物や道路の工事の発生などがデータシフトに該当する。データシフトの発生によって、その時点では精度には影響は出ていないものの、学習モデルの潜在的な精度劣化の危険性がある。人手でデータシフトを検出し判定する方法は、工数がかかるため現実的ではなく、自動または半自動での方法が望ましい。
【0003】
また、下記特許文献１の情報処理装置は、複数の正解ラベルに対応する複数の訓練データを用いて、監視対象となる運用モデルを学習する。情報処理装置は、運用モデルの出力結果を基にして、データの特徴空間を２つの適用領域に分割する決定境界を学習すると共に、決定境界から入力されたデータまでの距離を算出するインスペクターモデルを作成する。情報処理装置は、訓練データをインスペクターモデルに入力して、決定境界から訓練データまでの第１の距離を算出する。情報処理装置は、運用データをインスペクターモデルに入力して、決定境界から運用データまでの第２の距離を算出する。情報処理装置は、第１の距離と、第２の距離との差が予め設定された閾値以上の場合に、運用データの傾向の時間変化に起因する運用モデルの出力結果の変化を検出する。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】国際公開第２０２１／０７９４６０号
【発明の概要】
【発明が解決しようとする課題】
【0005】
テーブルデータのような構造化データを入力データとするデータ検出方法は各種存在するが、入力データが画像データのような多次元特徴量を有するデータである場合、データシフト検出精度が低下する。また、特許文献１では、検出された特徴の比率変化をコンセプトドリフト検出とし、このラベルにおける変化を原因とする。しかしながら、検出された特徴の比率変化が複数存在する場合、いずれがコンセプトドリフトであるか特定することができない。
【0006】
本発明は、画像データ群間のデータシフトの検出の容易化を図ることを目的とする。
【課題を解決するための手段】
【0007】
本願において開示される発明の一側面となる検出装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する検出装置であって、第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、前記取得処理によって取得された第１寄与値マップ群および第２寄与値マップ群を用いて、二標本検定を実行する第１二標本検定処理と、前記第１二標本検定処理による二標本検定結果を出力する出力処理と、を実行することを特徴とする。
【0008】
本願において開示される発明の他の側面となる検出装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する検出装置であって、第１画像データ群の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群と、前記第１画像データ群よりも後に撮像された第２画像データ群の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群と、を取得する取得処理と、前記取得処理によって取得された第１寄与値マップ群内の代表的な第１寄与値マップと、前記第２寄与値マップ群内の代表的な第２寄与値マップと、の差分を示す差分マップを生成する差分生成処理と、前記差分生成処理によって生成された差分マップを出力する出力処理と、を実行することを特徴とする。
【発明の効果】
【0009】
本発明の代表的な実施の形態によれば、画像データ群間のデータシフトの検出の容易化を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【実施例0011】
実施例１では、入力データが画像データである場合の画像データ中の特徴の出現頻度や画像データ全体にわたる特徴についてのデータシフトを検出する検出装置について説明する。
【0012】
＜検出装置のハードウェア構成例＞
図１は、装置のハードウェア構成例を示すブロック図である。検出装置１００は、プロセッサ１０１と、記憶デバイス１０２と、入力デバイス１０３と、出力デバイス１０４と、通信インターフェース（通信ＩＦ）１０５と、を有する。プロセッサ１０１、記憶デバイス１０２、入力デバイス１０３、出力デバイス１０４、および通信ＩＦ１０５は、バス１０６により接続される。プロセッサ１０１は、検出装置１００を制御する。記憶デバイス１０２は、プロセッサ１０１の作業エリアとなる。また、記憶デバイス１０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス１０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス１０３は、データを入力する。入力デバイス１０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナ、マイク、センサがある。出力デバイス１０４は、データを出力する。出力デバイス１０４としては、たとえば、ディスプレイ、プリンタ、スピーカがある。通信ＩＦ１０５は、ネットワークと接続し、データを送受信する。
図１は、装置のハードウェア構成例を示すブロック図である。検出装置１００は、プロセッサ１０１と、記憶デバイス１０２と、入力デバイス１０３と、出力デバイス１０４と、通信インターフェース（通信ＩＦ）１０５と、を有する。プロセッサ１０１、記憶デバイス１０２、入力デバイス１０３、出力デバイス１０４、および通信ＩＦ１０５は、バス１０６により接続される。プロセッサ１０１は、検出装置１００を制御する。記憶デバイス１０２は、プロセッサ１０１の作業エリアとなる。また、記憶デバイス１０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス１０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス１０３は、データを入力する。入力デバイス１０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナ、マイク、センサがある。出力デバイス１０４は、データを出力する。出力デバイス１０４としては、たとえば、ディスプレイ、プリンタ、スピーカがある。通信ＩＦ１０５は、ネットワークと接続し、データを送受信する。
【0013】
＜検出装置の機能的構成例＞
図２は、実施例１にかかる検出装置１００の機能的構成例を示すブロック図である。検出装置１００は、取得部２０１と、マップ生成部２０２と、差分生成部２０３と、出力部２０４と、二標本検定部２０５と、データシフト判定部２０６と、を有する。取得部２０１～データシフト判定部２０６は、具体的には、たとえば、図１に示した記憶デバイス１０２に記憶されたプログラムをプロセッサ１０１に実行させることにより実現される機能である。
図２は、実施例１にかかる検出装置１００の機能的構成例を示すブロック図である。検出装置１００は、取得部２０１と、マップ生成部２０２と、差分生成部２０３と、出力部２０４と、二標本検定部２０５と、データシフト判定部２０６と、を有する。取得部２０１～データシフト判定部２０６は、具体的には、たとえば、図１に示した記憶デバイス１０２に記憶されたプログラムをプロセッサ１０１に実行させることにより実現される機能である。
【0014】
取得部２０１は、画像データを取得する。具体的には、たとえば、取得部２０１は、比較元画像データ群Ｄ１、シフト前画像データ群Ｄ２、および検出対象画像データ群Ｄ３を取得する。比較元画像データ群Ｄ１、シフト前画像データ群Ｄ２、および検出対象画像データ群Ｄ３は、検出装置１００内の記憶デバイス１０２に格納されていてもよく、検出装置１００外のコンピュータに格納されていてもよい。検出装置１００外のコンピュータに格納されている場合、取得部２０１は、検出装置１００外のコンピュータから比較元画像データ群Ｄ１、シフト前画像データ群Ｄ２、および検出対象画像データ群Ｄ３を受信する。
【0015】
比較元画像データ群Ｄ１とは、比較元画像データの集合である。比較元画像データとは、画像データの特徴を判定する特徴判定モデルの学習に用いられた画像データである。たとえば、特徴判定モデルが、監視カメラで撮像された画像データ中の人物の性別を判定する性別判定モデルである場合、性別判定モデルの学習時に用いられる画像データが、比較元画像データである。
【0016】
シフト前画像データ群Ｄ２とは、シフト前画像データの集合である。シフト前画像データとは、比較元画像データの撮影時以降に撮像された画像データである。シフト前画像データの撮影場所は、比較元画像データと同じ撮影場所でもよく異なる撮影場所でもよい。シフト前画像データ群Ｄ２は、比較元画像データ群Ｄ１の一部でもよい。
【0017】
検出対象画像データ群Ｄ３とは、検出対象画像データの集合である。検出対象画像データとは、データシフトが発生したか否かの検出の対象となる画像データである。検出対象画像データは、シフト前画像データよりも後に撮像された画像データである。検出対象画像データの撮影場所は、シフト前画像データと同じ撮影場所でもよく異なる撮影場所でもよい。
【0018】
なお、比較元画像データ、シフト前画像データ、および検出対象画像データを区別しない場合は、単に画像データと称す。
【0019】
マップ生成部２０２は、画像データの特徴量の分布を示す寄与値マップを生成する。マップ生成部２０２は、特徴判定モデルの一機能である。特徴判定モデルは、画像データが入力されると、特徴の判定結果を出力するとともに、画像データ中のどの画素領域がどのくらいその判定結果に寄与したかを示す寄与値を画素領域ごとに算出するＸＡＩ（ｅＸｐｌａｉｎａｂｌｅ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）である。画素領域とは、１画素以上の画素集合である。画素領域ごとに算出された寄与値をその画素領域に配置したデータが寄与値マップである。
【0020】
マップ生成部２０２は、画像データを次元圧縮したｓｏｆｔ ｌａｂｅｌを画像データの次元圧縮結果として出力するが、このｓｏｆｔ ｌａｂｅｌが画素領域ごとの寄与値である。ｓｏｆｔ ｌａｂｅｌは、たとえば、判定結果を出力する特徴判定モデルの最終段の全結合層またはそれより前の中間層への入力データである。生成された寄与値マップは、寄与値マップＤＢ２１０に格納される。
【0021】
差分生成部２０３は、２つの寄与値マップの差分を算出し、差分マップを生成する。２つの寄与値マップの一方は、たとえば、比較元画像データ群Ｄ１の各比較元画像データから得られた寄与値マップの平均化した平均寄与値マップ、または、シフト前画像データ群Ｄ２の各シフト前画像データから得られた寄与値マップの平均化した平均寄与値マップである。２つの寄与値マップの他方は、たとえば、検出対象画像データ群Ｄ３の各検出対象画像データから得られた寄与値マップの平均化した平均寄与値マップである。
【0022】
出力部２０４は、データを出力する。具体的には、たとえば、出力部２０４は、データを出力デバイス１０４の一例であるディスプレイに表示したり、プリンタから印刷出力したりする。また、出力部２０４は、データを通信ＩＦ１０５を介して他のコンピュータに送信する。出力部２０４は、マップを出力する場合、ヒートマップにして出力することもできる。
【0023】
出力部２０４からの出力対象となるデータは、たとえば、差分生成部２０３からの差分マップ、差分生成部２０３による差分対象となる２つの寄与値マップ、二標本検定部２０５の検定結果、データシフト判定部２０６からの判定結果である。
【0024】
二標本検定部２０５は、２つの分布について二標本検定を実行し、ｐ値を算出する。具体的には、たとえば、二標本検定部２０５は、２つの分布についてのカーネル平均の差（ＭＭＤ：Ｍａｘｉｍｕｍ Ｍｅａｎ Ｄｉｓｃｒｅｐａｎｃｙ）に関する仮説検定を実行する。そして、二標本検定部２０５は、ｐ値により帰無仮説Ｈ０を棄却するか否かを判断する。本例の場合の帰無仮説Ｈ０とは、２つの分布に差がないとする仮説である。二標本検定部２０５は、たとえば、ｐ値が０．０５以下の場合、有意水準５％で帰無仮説Ｈ０を棄却する。
【0025】
ここで、２つの分布は２組存在する。１組目の２つの分布において、一方の分布は、比較元画像データ群Ｄ１の各比較元画像データから得られた寄与値マップ群である。他方の分布は、シフト前画像データ群Ｄ２の各シフト前画像データから得られた寄与値マップ群である。
【0026】
２組目の２つの分布において、一方の分布は、シフト前画像データ群Ｄ２の各シフト前画像データから得られた寄与値マップ群である。他方の分布は、検出対象画像データ群Ｄ３の各検出対象画像データから得られた寄与値マップ群である。
【0027】
なお、２組目の２つの分布において、シフト前画像データ群Ｄ２の各シフト前画像データから得られた寄与値マップ群に替えて、比較元画像データ群Ｄ１の各比較元画像データから得られた寄与値マップ群を用いる場合、二標本検定部２０５は、１組目の２つの分布についての二標本検定を実行しなくてもよい。これにより、検出装置１００の計算負荷の低減化を図ることができる。
【0028】
データシフト判定部２０６は、シフト前画像データ群Ｄ２（比較元画像データ群Ｄ１でもよい）と検出対象画像データ群Ｄ３との間にデータシフトが発生したか否かを判定する。具体的には、たとえば、データシフト判定部２０６は、二標本検定部２０５において、１組目の２つの分布において帰無仮説Ｈ０を採用し、２組目の２つの分布において帰無仮説Ｈ０を棄却した場合、シフト前画像データ群Ｄ２（比較元画像データ群Ｄ１でもよい）と検出対象画像データ群Ｄ３との間にデータシフトが発生したと判定する。
【0029】
＜ＸＡＩ＞
図３は、ＸＡＩの動作例を示す説明図である。ＸＡＩ３００は、特徴判定モデルＭ１～Ｍｎ（ｎは１以上の整数）を有する。特徴判定モデルＭ１～Ｍｎを区別しない場合は、特徴判定モデルＭと称す。特徴判定モデルＭは、比較元画像データ群Ｄ１とその正解データとを用いて学習された学習モデルである。特徴判定モデルＭには、たとえば、性別判定モデル、下半身服装判定モデル、履物判定モデル、…といった各種特徴を判定する学習モデルがある。
図３は、ＸＡＩの動作例を示す説明図である。ＸＡＩ３００は、特徴判定モデルＭ１～Ｍｎ（ｎは１以上の整数）を有する。特徴判定モデルＭ１～Ｍｎを区別しない場合は、特徴判定モデルＭと称す。特徴判定モデルＭは、比較元画像データ群Ｄ１とその正解データとを用いて学習された学習モデルである。特徴判定モデルＭには、たとえば、性別判定モデル、下半身服装判定モデル、履物判定モデル、…といった各種特徴を判定する学習モデルがある。
【0030】
ＸＡＩ３００は、説明可能ＡＩであり、特徴判定モデルＭから特徴判定結果を出力し、かつ、寄与値マップを出力する。寄与値マップは、入力画像データのどの画素領域が特徴判定結果に寄与したかを示す評価値である。
【0031】
特徴判定モデルＭは、画像データが入力されると特徴判定結果を出力する。図３では、特徴判定モデルＭ１は、比較元画像データ群Ｄ１の各比較元画像データが特徴判定モデルＭ１に入力されると各比較元画像データの特徴判定結果の集合である特徴判定結果群Ｒ１（Ｍ１）を出力し、シフト前画像データ群Ｄ２の各シフト前画像データが特徴判定モデルＭ１に入力されると各シフト前画像データの特徴判定結果の集合である特徴判定結果群Ｒ２（Ｍ１）を出力し、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭ１に入力されると各検出対象画像データの特徴判定結果の集合である特徴判定結果群Ｒ３（Ｍ１）を出力する。
【0032】
特徴判定モデルＭｎは、比較元画像データ群Ｄ１の各比較元画像データが特徴判定モデルＭｎに入力されると各比較元画像データの特徴判定結果の集合である特徴判定結果群Ｒ１（Ｍｎ）を出力し、シフト前画像データ群Ｄ２の各シフト前画像データが特徴判定モデルＭｎに入力されると各シフト前画像データの特徴判定結果の集合である特徴判定結果群Ｒ２（Ｍｎ）を出力し、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭｎに入力されると各検出対象画像データの特徴判定結果の集合である特徴判定結果群Ｒ３（Ｍｎ）を出力する。
【0033】
また、特徴判定モデルＭは、画像データが入力されると寄与値マップを生成する。図３では、特徴判定モデルＭ１は、比較元画像データ群Ｄ１の各比較元画像データが特徴判定モデルＭ１に入力されると各比較元画像データの寄与値マップの集合である寄与値マップ群Ｃ１（Ｍ１）を出力し、シフト前画像データ群Ｄ２の各シフト前画像データが特徴判定モデルＭ１に入力されると各シフト前画像データの寄与値マップの集合である寄与値マップ群Ｃ２（Ｍ１）を出力し、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭ１に入力されると各検出対象画像データの寄与値マップの集合である寄与値マップ群Ｃ３（Ｍ１）を出力する。
【0034】
特徴判定モデルＭｎは、比較元画像データ群Ｄ１の各比較元画像データが特徴判定モデルＭｎに入力されると各比較元画像データの寄与値マップの集合である寄与値マップ群Ｃ１（Ｍｎ）を出力し、シフト前画像データ群Ｄ２の各シフト前画像データが特徴判定モデルＭｎに入力されると各シフト前画像データの寄与値マップの集合である寄与値マップ群Ｃ２（Ｍｎ）を出力し、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭｎに入力されると各検出対象画像データの寄与値マップの集合である寄与値マップ群Ｃ３（Ｍｎ）を出力する。
【0035】
＜差分マップ生成例＞
図４は、差分マップ生成例を示す説明図である。まず、マップ生成部２０２は、寄与値マップ群Ｃ１（Ｍｉ）、寄与値マップ群Ｃ２（Ｍｉ）、および寄与値マップ群Ｃ３（Ｍｉ）を生成する。Ｍｉは、ｉ（１≦ｉ≦ｎ）番目の特徴判定モデルである。
図４は、差分マップ生成例を示す説明図である。まず、マップ生成部２０２は、寄与値マップ群Ｃ１（Ｍｉ）、寄与値マップ群Ｃ２（Ｍｉ）、および寄与値マップ群Ｃ３（Ｍｉ）を生成する。Ｍｉは、ｉ（１≦ｉ≦ｎ）番目の特徴判定モデルである。
【0036】
二標本検定部２０５は、寄与値マップ群Ｃ１（Ｍｉ）および寄与値マップ群Ｃ２（Ｍｉ）を、１組目の２つの分布として、二標本検定を実行する。また、二標本検定部２０５は、寄与値マップ群Ｃ２（Ｍｉ）および寄与値マップ群Ｃ３（Ｍｉ）を、２組目の２つの分布として、二標本検定を実行する。
【0037】
データシフト判定部２０６は、１組目の二標本検定結果が帰無仮説採用で、かつ、２組目の二標本検定結果が帰無仮説棄却である場合、シフト前画像データ群Ｄ２と検出対象画像データ群Ｄ３との間にデータシフトが発生したと判定する。
【0038】
差分生成部２０３は、データシフト判定部２０６によってデータシフトが発生したと判定された場合、寄与値マップ群Ｃ２（Ｍｉ）を平均化して平均寄与値マップＣ２（Ｍｉ）ａｖを生成し、寄与値マップ群Ｃ３（Ｍｉ）を平均化して平均寄与値マップＣ３（Ｍｉ）ａｖを生成する。そして、両平均寄与値マップＣ２（Ｍｉ）ａｖ，Ｃ３（Ｍｉ）ａｖの差分である差分マップＤＣ（Ｍｉ）を生成する。
【0039】
ここで、平均寄与値マップＣ２（Ｍｉ）とは、寄与値マップ群Ｃ２（Ｍｉ）の各寄与値マップにおいて同一位置の寄与値を平均化した寄与値マップである。同様に、平均寄与値マップＣ３（Ｍｉ）とは、寄与値マップ群Ｃ３（Ｍｉ）の各寄与値マップにおいて同一位置の寄与値を平均化した寄与値マップである。
【0040】
なお、図４では、差分生成部２０３は、寄与値マップ群Ｃ２（Ｍｉ）を平均化して平均寄与値マップＣ２（Ｍｉ）ａｖを生成し、寄与値マップ群Ｃ３（Ｍｉ）を平均化して平均寄与値マップＣ３（Ｍｉ）ａｖを生成したが、平均化に限定されない。たとえば、差分生成部２０３は、寄与値マップ群Ｃ２（Ｍｉ）および寄与値マップ群Ｃ３（Ｍｉ）の各々から代表的な寄与値マップを抽出してもよい。代表的な寄与値マップとは、上述した平均化のほか、ランダムに選択された寄与値マップでもよく、寄与値マップ内の寄与値の合計が最大となる寄与値マップでもよく、寄与値マップ内の寄与値の合計が最小となる寄与値マップでもよく、寄与値マップ内の寄与値の合計が中央値となる寄与値マップでもよい。
【0041】
＜データシフト検出処理手順例＞
図５は、実施例１にかかる検出装置１００によるデータシフト検出処理手順例１を示すフローチャートである。検出装置１００は、検討対象を指定する（ステップＳ５０１）。検討対象とは、データシフト検出を検討する画像データの特徴である。ここでは、例として、性別とする。
図５は、実施例１にかかる検出装置１００によるデータシフト検出処理手順例１を示すフローチャートである。検出装置１００は、検討対象を指定する（ステップＳ５０１）。検討対象とは、データシフト検出を検討する画像データの特徴である。ここでは、例として、性別とする。
【0042】
検出装置１００は、取得部２０１により、比較元画像データ群Ｄ１、シフト前画像データ群Ｄ２、および検出対象画像データ群Ｄ３を取得する（ステップＳ５０２）。
【0043】
検出装置１００は、マップ生成部２０２により、比較元画像データ群Ｄ１、シフト前画像データ群Ｄ２、検出対象画像データ群Ｄ３をそれぞれ検討対象の特徴判定モデルＭに入力して、各々の寄与値マップ群Ｃ１（Ｍｉ）、Ｃ２（Ｍｉ）、Ｃ３（Ｍｉ）を生成する（ステップＳ５０３）。
【0044】
検出装置１００は、差分生成部２０３により、寄与値マップ群Ｃ１（Ｍｉ）、Ｃ２（Ｍｉ）、Ｃ３（Ｍｉ）の各々の平均寄与値マップＣ１（Ｍｉ）ａｖ、Ｃ２（Ｍｉ）ａｖ、Ｃ３（Ｍｉ）ａｖを算出し、平均寄与値マップＣ２（Ｍｉ）ａｖ（Ｃ１（Ｍｉ）ａｖでもよい）と、平均寄与値マップＣ３（Ｍｉ）ａｖと、の差分マップＤＣ（Ｍｉ）を生成する（ステップＳ５０４）。
【0045】
検出装置１００は、出力部２０４により、差分マップＤＣ（Ｍｉ）を出力して（ステップＳ５０５）、一連の処理を終了する。このように、差分マップＤＣ（Ｍｉ）を出力することにより、ユーザは、差分箇所をデータシフトの原因領域として視認することができ、差分箇所を元に、特徴判定モデルＭの改善に活用することができる。たとえば、差分箇所が出現するような検出対象画像データを学習データとして用いて、特徴判定モデルＭを再学習することができる。したがって、データシフトの検出の容易化を図ることができる。
【0046】
【0047】
ステップＳ５０３のあと、検出装置１００は、二標本検定部２０５により、寄与値マップ群Ｃ１（Ｍ）、Ｃ２（Ｍ）による第１二標本検定を実行し、寄与値マップ群Ｃ２（Ｍ）、Ｃ３（Ｍ）による第２二標本検定を実行する（ステップＳ６０４）。
【0048】
検出装置１００は、データシフト判定部２０６により、第１二標本検定の検定結果と、第２二標本検定の検定結果と、に基づいて、シフト前画像データ群Ｄ２と検出対象画像データ群Ｄ３との間にデータシフトが発生したか否かを判定する（ステップＳ６０５）。第１二標本検定の検定結果が帰無仮説採用で、かつ、第２二標本検定の検定結果が帰無仮説棄却である場合、検出装置１００は、データシフト判定部２０６により、シフト前画像データ群Ｄ２と検出対象画像データ群Ｄ３との間にデータシフトが発生したと判定する。それ以外の第１二標本検定の検定結果および第２二標本検定の検定結果である場合、検出装置１００は、データシフト判定部２０６により、シフト前画像データ群Ｄ２と検出対象画像データ群Ｄ３との間にデータシフトが発生していないと判定する。
【0049】
検出装置１００は、出力部２０４により、データシフト判定部２０６のデータシフト判定結果を出力して（ステップＳ６０６）、一連の処理を終了する。このように、検出装置１００は、データシフト検出の高精度化を図ることができる。また、ユーザは、検討対象について、シフト前画像データ群Ｄ２と検出対象画像データ群Ｄ３との間でのデータシフトの発生有無を確認することができる。
【0050】
図７は、実施例１にかかる検出装置１００によるデータシフト検出処理手順例３を示すフローチャートである。図５および図６のデータシフト検出処理手順例１，２と同一処理には同一ステップ番号を付し、その説明を省略する。
【0051】
ステップＳ６０４のあと、検出装置１００は、データシフト判定部２０６により、第１二標本検定の検定結果と、第２二標本検定の検定結果と、に基づいて、シフト前画像データ群Ｄ２と検出対象画像データ群Ｄ３との間にデータシフトが発生したか否かを判定する（ステップＳ６０５）。データシフトが発生したと判定した場合（ステップＳ６０５：Ｙｅｓ）、検出装置１００は、ステップＳ５０４、Ｓ５０５を実行して、一連の処理を終了する。
【0052】
このように、差分マップＤＣ（Ｍ）を出力することにより、ユーザは、差分箇所をデータシフトの原因領域として視認することができ、差分箇所を元に、特徴判定モデルＭの改善に活用することができる。たとえば、差分箇所が出現するような検出対象画像データを学習データとして用いて、特徴判定モデルＭを再学習することができる。したがって、データシフトの検出の容易化を図ることができる。
【0053】
一方、データシフトが発生していないと判定した場合（ステップＳ６０５：Ｎｏ）、検出装置１００は、出力部２０４により、データシフト判定部２０６のデータシフト判定結果（データシフト発生せず）を出力して（ステップＳ７０６）、一連の処理を終了する。このように、検出装置１００は、データシフト検出の高精度化を図ることができる。また、ユーザは、検討対象について、シフト前画像データ群Ｄ２と検出対象画像データ群Ｄ３との間でのデータシフトの発生有無を確認することができる。
【0054】
なお、実施例１では、マップ生成部２０２が寄与値マップを生成したが、取得部２０１が、寄与値マップＤＢ２１０から寄与値マップを取得して、二標本検定部２０５が、取得した寄与度マップを用いて二標本検定を実行してもよい。また、取得部２０１が、外部のコンピュータから通信ＩＦ１０５を介して寄与値マップを取得して、二標本検定部２０５が、取得した寄与度マップを用いて二標本検定を実行してもよい。
【実施例0055】
実施例２について説明する。実施例１では、入力データが画像データである場合の画像データ中の特徴の出現頻度や画像データ全体にわたる特徴についてのデータシフトを検出する検出装置１００について説明した。
【0056】
ところで、平均寄与値マップの様態からはデータシフトの発生原因（平均寄与値マップ内の当該発生原因となる画素領域（原因領域）とその寄与値）が特定できないデータシフトが存在することがある。これは、平均寄与値マップでは、寄与値マップ群での寄与値の重ね合わせや打ち消しによってデータシフト発生前後で比率変化が観察できない場合や、画像データ間の特徴の差異により、原因領域までを指摘することは困難な場合があるからである。
【0057】
そこで、実施例２では、検討対象となる特徴の特徴判定結果と検討対象以外である原因候補となる他の特徴の特徴判定結果とを突合して、データシフトの発生原因を特定する検出装置について説明する。実施例２では、例として、検討対象となる特徴を画像データ中の人物の「性別（男または女）」とし、原因候補となる他の特徴を画像データ中の人物の「下半身服装（ズボンまたはスカート）」および「履物（スニーカまたはサンダル）」とする。なお、実施例１と同一構成には同一符号を付し、その説明を省略する。
【0058】
＜突合結果の比率変化＞
図８は、検討対象と原因候補との突合結果の比率変化例を示す説明図である。（Ａ）は、検討対象（性別）と原因候補（下半身服装）との突合結果の比率変化例を示し、（Ｂ）は、検討対象（性別）と原因候補（履物）との突合結果の比率変化例を示す。実施例２では、記号ａ（１≦ａ≦ｎ）は、検討対象（性別）に関するデータを示し、記号ｂ（１≦ｂ≦ｎ、ｂ≠ａ）は、検討対象（下半身服装）に関するデータを示し、記号ｃ（１≦ｃ≦ｎ、ｃ≠ａ、ｃ≠ｂ）は、検討対象（履物）に関するデータを示す。
図８は、検討対象と原因候補との突合結果の比率変化例を示す説明図である。（Ａ）は、検討対象（性別）と原因候補（下半身服装）との突合結果の比率変化例を示し、（Ｂ）は、検討対象（性別）と原因候補（履物）との突合結果の比率変化例を示す。実施例２では、記号ａ（１≦ａ≦ｎ）は、検討対象（性別）に関するデータを示し、記号ｂ（１≦ｂ≦ｎ、ｂ≠ａ）は、検討対象（下半身服装）に関するデータを示し、記号ｃ（１≦ｃ≦ｎ、ｃ≠ａ、ｃ≠ｂ）は、検討対象（履物）に関するデータを示す。
【0059】
（Ａ）において、検出装置１００は、ＸＡＩ３００により、シフト前画像データ群Ｄ２を特徴判定モデルＭの１つである性別判定モデルＭａに入力した結果、性別判定結果群Ｒ２（Ｍａ）を取得し、シフト前画像データ群Ｄ２を特徴判定モデルＭの１つである下半身服装判定モデルＭｂに入力した結果、下半身服装判定結果群Ｒ２（Ｍｂ）を取得する。
【0060】
性別判定結果群Ｒ２（Ｍａ）は、シフト前画像データ群Ｄ２の各シフト前画像データに対する性別判定結果の集合である。下半身服装判定結果群Ｒ２（Ｍｂ）は、シフト前画像データ群Ｄ２の各シフト前画像データに対する下半身服装判定結果の集合である。
【0061】
なお、性別判定モデルＭａは、たとえば、人物の顔や髪型、腕の太さ、肩幅、胸部、腰などの上半身形状により性別を判定する。下半身服装判定モデルＭｂは、人物の下半身の服装がズボンであるかスカートであるかを判定する。
【0062】
検出装置１００は、性別判定結果群Ｒ２（Ｍａ）と、下半身服装判定結果群Ｒ２（Ｍｂ）と、を突合する。具体的には、たとえば、検出装置１００は、性別判定結果群Ｒ２（Ｍａ）と、下半身服装判定結果群Ｒ２（Ｍｂ）と、用いて、検討対象（性別）の種別（男、女）と原因候補（下半身服装）の種別（ズボン、スカート）とを、それらの組み合わせごとに該当するシフト前画像データの件数を集計する。
【0063】
その結果、突合結果Ｔ２ａｂが生成される。突合結果Ｔ２ａｂは、２００件のシフト前画像データ内の人物について、男性かつズボンと判定されたシフト前画像データが１００件、男性かつスカートと判定されたシフト前画像データが０件、女性かつズボンと判定されたシフト前画像データが０件、女性かつスカートと判定されたシフト前画像データが１００件集計されたことを示す。
【0064】
また、検出装置１００は、ＸＡＩ３００により、検出対象画像データ群Ｄ３を性別判定モデルＭａに入力した結果、性別判定結果群Ｒ３（Ｍａ）を取得し、検出対象画像データ群Ｄ３を下半身服装判定モデルＭｂに入力した結果、下半身服装判定結果群Ｒ３（Ｍｂ）を取得する。
【0065】
性別判定結果群Ｒ３（Ｍａ）は、検出対象画像データ群Ｄ３の各検出対象画像データに対する性別判定結果の集合である。下半身服装判定結果群Ｒ３（Ｍｂ）は、検出対象画像データ群Ｄ３の各検出対象画像データに対する下半身服装判定結果の集合である。
【0066】
検出装置１００は、性別判定結果群Ｒ３（Ｍａ）と、下半身服装判定結果群Ｒ３（Ｍｂ）と、を突合する。具体的には、たとえば、検出装置１００は、性別判定結果群Ｒ３（Ｍａ）と、下半身服装判定結果群Ｒ３（Ｍｂ）と、用いて、検討対象（性別）の種別（男、女）と原因候補（下半身服装）の種別（ズボン、スカート）とを、それらの組み合わせごとに該当する検出対象画像データの件数を集計する。
【0067】
その結果、突合結果Ｔ３ａｂが生成される。突合結果Ｔ３ａｂは、２００件の検出対象画像データ内の人物について、男性かつズボンと判定された検出対象画像データが８０件、男性かつスカートと判定された検出対象画像データが２０件、女性かつズボンと判定された検出対象画像データが２０件、女性かつスカートと判定された検出対象画像データが８０件集計されたことを示す。
【0068】
検出装置１００は、突合結果Ｔ２ａｂ，Ｔ３ａｂを比較して、比率変化があったか否かを判定する。具体的には、たとえば、検出装置１００は、突合結果Ｔ２ａｂ，Ｔ３ａｂの４個の組み合わせ特徴の少なくともいずれか１つについて、ｘ％の増減が発生した場合、突合結果Ｔ２ａｂ，Ｔ３ａｂ間で比率変化があったと判定する。
【0069】
たとえば、ｘ＝１０（％）である場合、男性かつズボンの組み合わせ特徴は、突合結果Ｔ２ａｂの「１００」から突合結果Ｔ３ａｂの「８０」に変化している。すなわち、２０％減の比率変化が発生しているため、検出装置１００は、突合結果Ｔ２ａｂ，Ｔ３ａｂ間で比率変化があったと判定する。
【0070】
なお、比率変化の判定項目を突合結果Ｔ２ａｂ，Ｔ３ａｂの４個の組み合わせ特徴の少なくともいずれか１つとしたが、ユーザ設定により、４個の組み合わせ特徴の少なくともいずれか２つとしてもよく、４個の組み合わせ特徴の少なくともいずれか３つとしてもよく、４個の組み合わせ特徴すべてとしてもよい。判定する組み合わせ特徴数が増加するほど比率変化の判定が厳格になる。
【0071】
（Ｂ）についても、下半身服装判定モデルＭｂを履物判定モデルＭｃに替えて、検出装置１００は、（Ａ）と同様、ＸＡＩ３００により、シフト前画像データ群Ｄ２を性別判定モデルＭａに入力した結果、性別判定結果群Ｒ２（Ｍａ）を取得し、シフト前画像データ群Ｄ２を履物判定モデルＭｃに入力した結果、履物判定結果群Ｒ２（Ｍｃ）を取得し、検出対象画像データ群Ｄ３を履物判定モデルＭｃに入力した結果、履物判定結果群Ｒ３（Ｍｃ）を取得する。そして、検出装置１００は、突合結果Ｔ２ａｃ，Ｔ３ａｃを生成し、比率変化の有無を判定する。なお、履物判定モデルＭｃは、人物の足元の履物がスニーカであるかサンダルであるかを判定する。
【0072】
ここで、（Ａ）および（Ｂ）の両方のケースで比率変化ありになったとする。この場合、データシフトの発生原因が、下半身服装なのか、履物なのか、下半身服装および履物の両方なのか特定できない。以下、データシフトの発生原因が、下半身服装なのか、履物なのか、下半身服装および履物の両方なのかを特定する構成について説明する。
【0073】
＜検出装置１００の機能的構成例＞
図９は、実施例２にかかる検出装置１００の機能的構成例を示すブロック図である。検出装置１００は、取得部２０１、マップ生成部２０２、差分生成部２０３、出力部２０４、二標本検定部２０５、データシフト判定部２０６のほか、特徴判定部９０１と学習部９０２と分類部９０３とを有する。特徴判定部９０１、学習部９０２および分類部９０３は、具体的には、たとえば、図１に示した記憶デバイス１０２に記憶されたプログラムをプロセッサ１０１に実行させることにより実現される機能である。
図９は、実施例２にかかる検出装置１００の機能的構成例を示すブロック図である。検出装置１００は、取得部２０１、マップ生成部２０２、差分生成部２０３、出力部２０４、二標本検定部２０５、データシフト判定部２０６のほか、特徴判定部９０１と学習部９０２と分類部９０３とを有する。特徴判定部９０１、学習部９０２および分類部９０３は、具体的には、たとえば、図１に示した記憶デバイス１０２に記憶されたプログラムをプロセッサ１０１に実行させることにより実現される機能である。
【0074】
特徴判定部９０１は、画像データに特徴があるか否かを判定する。具体的には、たとえば、特徴判定部９０１は、ＸＡＩ３００の一部であり、図３に示した特徴判定モデルＭの特徴判定結果群Ｒ１～Ｒ３を出力する。たとえば、特徴判定部９０１は、図８に示したように、特徴判定モデルＭが性別判定モデルＭａであれば、性別判定結果群Ｒ２（Ｍａ）、Ｒ３（Ｍａ）を出力し、特徴判定モデルＭが下半身服装判定モデルＭｂであれば、下半身服装判定結果群Ｒ２（Ｍｂ）、Ｒ３（Ｍｂ）を出力し、特徴判定モデルＭが履物判定モデルＭｃであれば、履物判定結果群Ｒ２（Ｍｃ）、Ｒ３（Ｍｃ）を出力する。
【0075】
学習部９０２は、検出対象画像データ群Ｄ３とその突合結果とを用いて学習し、検討対象と原因候補とを組み合わせた特徴判定モデル（以下、組み合わせ特徴判定モデルと称す。）を生成する。組み合わせ特徴判定モデルがすでに特徴判定モデルＭ１～Ｍｎに存在する場合、学習部９０２は、当該組み合わせ特徴判定モデルを検出対象画像データ群Ｄ３とその突合結果とを用いて再学習する。
【0076】
図８の（Ａ）のケースでは、学習部９０２は、検出対象画像データ群Ｄ３とその突合結果Ｔ３ａｂとを用いて、性別と下半身服装とを組み合わせた組み合わせ特徴判定モデルＭａｂを生成する。
【0077】
図８の（Ｂ）のケースでは、学習部９０２は、検出対象画像データ群Ｄ３とその突合結果Ｔ３ａｃとを用いて、性別と履物とを組み合わせた組み合わせ特徴判定モデルＭａｃを生成する。
【0078】
図８の（Ａ）および（Ｂ）を組み合わせたケースでは、学習部９０２は、検出対象画像データ群Ｄ３とその突合結果Ｔ３ａｂ，Ｔ３ａｃとを用いて、性別と下半身服装と履物とを組み合わせた組み合わせ特徴判定モデルＭａｂｃを生成する。
【0079】
分類部９０３は、突合結果に基づいて寄与値マップ群を分類する。具体的には、たとえば、分類部９０３は、突合結果Ｔ３ａｂに基づいて、寄与値マップ群Ｃ３（Ｍａ）を分類する。寄与値マップ群Ｃ３（Ｍａ）は、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭａに入力された結果ＸＡＩ３００から出力される各検出対象画像データの寄与値マップの集合である。
【0080】
同様に、分類部９０３は、突合結果Ｔ３ａｃに基づいて、寄与値マップ群Ｃ３（Ｍａ）を分類する。
【0081】
また、分類部９０３は、突合結果Ｔ３ａｂに基づいて、学習部９０２で学習された組み合わせ特徴判定モデルＭａｂから出力される寄与値マップ群Ｃ３（Ｍａｂ）を分類する。寄与値マップ群Ｃ３（Ｍａｂ）は、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭａｂに入力された結果ＸＡＩ３００から出力される各検出対象画像データの寄与値マップの集合である。
【0082】
同様に、分類部９０３は、突合結果Ｔ３ａｃに基づいて、学習部９０２で学習された組み合わせ特徴判定モデルＭａｃから出力される寄与値マップ群Ｃ３（Ｍａｃ）を分類する。寄与値マップ群Ｃ３（Ｍａｃ）は、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭａｃに入力された結果ＸＡＩ３００から出力される各検出対象画像データの寄与値マップの集合である。
【0083】
同様に、分類部９０３は、突合結果Ｔ３ａｂｃに基づいて、学習部９０２で学習された組み合わせ特徴判定モデルＭａｂｃから出力される寄与値マップ群Ｃ３（Ｍａｂｃ）を分類する。突合結果Ｔ３ａｂｃは、突合結果Ｔ３ａｂおよび突合結果Ｔ３ａｃを集約した突合結果である。寄与値マップ群Ｃ３（Ｍａｂｃ）は、検出対象画像データ群Ｄ３の各検出対象画像データが特徴判定モデルＭａｂｃに入力された結果ＸＡＩ３００から出力される各検出対象画像データの寄与値マップの集合である。
【0084】
【0085】
［組み合わせ特徴判定結果によるマップ分類Ａ］
図１０は、組み合わせ特徴判定結果によるマップ分類Ａの例１を示す説明図である。図１０では、検出装置１００は、分類部９０３により、性別判定モデルＭａに検出対象画像データ群Ｄ３を入力した結果得られる性別判定結果群Ｒ３（Ｍａ）と、下半身服装判定モデルＭｂに検出対象画像データ群Ｄ３を入力した結果得られる下半身服装判定結果群Ｒ３（Ｍｂ）と、の突合結果Ｔ３ａｂを用いて、寄与値マップ群Ｃ３（Ｍａ）を分類する。
図１０は、組み合わせ特徴判定結果によるマップ分類Ａの例１を示す説明図である。図１０では、検出装置１００は、分類部９０３により、性別判定モデルＭａに検出対象画像データ群Ｄ３を入力した結果得られる性別判定結果群Ｒ３（Ｍａ）と、下半身服装判定モデルＭｂに検出対象画像データ群Ｄ３を入力した結果得られる下半身服装判定結果群Ｒ３（Ｍｂ）と、の突合結果Ｔ３ａｂを用いて、寄与値マップ群Ｃ３（Ｍａ）を分類する。
【0086】
具体的には、たとえば、検出装置１００は、寄与値マップ群Ｃ３（Ｍａ）を、男性かつズボンとして集計された第１寄与値マップ群Ｃ３（Ｍａ）－ｂ１と、男性かつスカートとして集計された第２寄与値マップ群Ｃ３（Ｍａ）－ｂ２と、女性かつズボンとして集計された第３寄与値マップ群Ｃ３（Ｍａ）－ｂ３と、女性かつスカートとして集計された第４寄与値マップ群Ｃ３（Ｍａ）－ｂ４と、に分類する。
【0087】
なお、図示は省略するが、図１０と同様にして、検出装置１００は、性別判定結果群Ｒ３（Ｍａ）と、履物判定モデルＭｃに検出対象画像データ群Ｄ３を入力した結果得られる履物判定結果群Ｒ３（Ｍｃ）と、の突合結果Ｔ３ａｃを用いて、寄与値マップ群Ｃ３（Ｍａ）を分類する。このようにして、分類結果１０００が得られる。
【0088】
図１１は、組み合わせ特徴判定結果によるマップ分類Ａの例２を示す説明図である。図１１では、検出装置１００は、学習部９０２により、検出対象画像データ群Ｄ３および突合結果Ｔ３ａｂを学習データセットとして組み合わせ特徴判定モデルＭａｂを学習する。組み合わせ特徴判定モデルＭａｂは、検出対象画像データ群Ｄ３が入力されると、寄与値マップ群Ｃ３（Ｍａｂ）を生成する。
【0089】
検出装置１００は、分類部９０３により、突合結果Ｔ３ａｂを用いて、寄与値マップ群Ｃ３（Ｍａｂ）を分類する。具体的には、たとえば、検出装置１００は、寄与値マップ群Ｃ３（Ｍａｂ）を、男性かつズボンとして集計された第１寄与値マップ群Ｃ３（Ｍａｂ）－１と、男性かつスカートとして集計された第２寄与値マップ群Ｃ３（Ｍａｂ）－２と、女性かつズボンとして集計された第３寄与値マップ群Ｃ３（Ｍａｂ）－３と、女性かつスカートとして集計された第４寄与値マップ群Ｃ３（Ｍａｂ）－４と、に分類する。このようにして、分類結果１１００が得られる。
【0090】
［マップ分類Ａによる二標本検定例］
図１２は、マップ分類Ａによる二標本検定例を示す説明図である。検出装置１００は、二標本検定部２０５により、寄与値マップ群Ｃ３（Ｍａ）の分類結果１０００と、寄与値マップ群Ｃ３（Ｍａｂ）の分類結果１１００と、に基づいて、共通する組み合わせ特徴ごとに、二標本検定１２０１～１２０４を実行する。
図１２は、マップ分類Ａによる二標本検定例を示す説明図である。検出装置１００は、二標本検定部２０５により、寄与値マップ群Ｃ３（Ｍａ）の分類結果１０００と、寄与値マップ群Ｃ３（Ｍａｂ）の分類結果１１００と、に基づいて、共通する組み合わせ特徴ごとに、二標本検定１２０１～１２０４を実行する。
【0091】
具体的には、たとえば、検出装置１００は、組み合わせ特徴が男性かつズボンである第１寄与値マップ群Ｃ３（Ｍａ）－ｂ１および第１寄与値マップ群Ｃ３（Ｍａｂ）－１を二標本検定対象となる２つ分布として二標本検定１２０１を実行する。また、検出装置１００は、組み合わせ特徴が男性かつスカートである第２寄与値マップ群Ｃ３（Ｍａ）－ｂ２および第２寄与値マップ群Ｃ３（Ｍａｂ）－２を二標本検定対象となる２つ分布として二標本検定１２０２を実行する。
【0092】
また、検出装置１００は、組み合わせ特徴が女性かつズボンである第３寄与値マップ群Ｃ３（Ｍａ）－ｂ３および第３寄与値マップ群Ｃ３（Ｍａｂ）－３を二標本検定対象となる２つ分布として二標本検定１２０３を実行する。また、検出装置１００は、組み合わせ特徴が女性かつスカートである第４寄与値マップ群Ｃ３（Ｍａ）－ｂ４および第４寄与値マップ群Ｃ３（Ｍａｂ）－４を二標本検定対象となる２つ分布として二標本検定１２０４を実行する。
【0093】
検出装置１００は、データシフト判定部２０６により、各二標本検定１２０１～１２０４における二標本検定結果に基づいて、原因候補でのデータシフトの発生有無を判定する。
【0094】
具体的には、たとえば、検出装置１００は、データシフト判定部２０６により、各二標本検定結果における帰無仮説の採用数に基づいて、原因候補でのデータシフトの発生有無を判定する。たとえば、検出装置１００は、複数の二標本検定１２０１～１２０４のうち少なくともｋ個（ｋは１以上、二標本検定の数以下の整数）で帰無仮説が採用された場合、原因候補がデータシフト発生原因でないと判定してもよい（第１判定ルール）。また、検出装置１００は、複数の二標本検定１２０１～１２０４のうち少なくともｋ個（ｋは１以上、二標本検定の数以下の整数）で帰無仮説が棄却された場合、原因候補がデータシフト発生原因であると判定してもよい（第２判定ルール）。また、検出装置１００は、帰無仮説の採用数と棄却数との多数決により、帰無仮説の採用数の方が多ければ原因候補がデータシフト発生原因でないと判定し、帰無仮説の棄却数の方が多ければ原因候補がデータシフト発生原因であると判定してもよい（第３判定ルール）。
【0095】
図１２の例では、４個の二標本検定１２０１～１２０４のすべてで帰無仮説採用と判定されている。したがって、第１判定ルールが適用される場合、検出装置１００は、データシフト判定部２０６により、原因候補である下半身服装がデータシフト発生原因でないと判定する。一方、第２判定ルールが適用される場合でも、検出装置１００は、データシフト判定部２０６により、原因候補である下半身服装がデータシフト発生原因でないと判定する。第１判定ルールおよび第２判定ルールのいずれを採用するかはユーザ設定により可能である。
【0096】
また、検出装置１００は、複数の二標本検定１２０１～１２０４のうち、二標本検定対象となる２つ分布における寄与値マップの数の差が許容範囲を超えている二標本検定の二標本検定結果については、データシフト判定対象外としてもよい。図１２の例では、いずれの二標本検定結果においても差が０であるため、いずれの二標本検定結果もデータシフト判定対象外にならない。
【0097】
また、検出装置１００は、複数の二標本検定１２０１～１２０４のうち、二標本検定対象となる２つ分布における寄与値マップの数の合計がしきい値以下となる二標本検定の二標本検定結果については、データシフト判定対象外としてもよい。
【0098】
たとえば、図１２の例では、しきい値が、たとえば、５０（画像データ数：２００の２５％）であれば、二標本検定１２０２、１２０３の各二標本検定結果は、データシフト判定対象外となる。
【0099】
なお、図１０～図１２では、検討対象を性別、原因候補を下半身服装とした場合の、組み合わせ特徴判定結果による原因特定例１について説明したが、図示はしないが、検討対象を性別、原因候補を履物とした場合も同様に実行される。
【0100】
【0101】
［組み合わせ特徴判定結果によるマップ分類Ｂ］
図１３は、組み合わせ特徴判定結果によるマップ分類Ｂの例１を示す説明図である。図１３では、検出装置１００は、分類部９０３により、突合結果Ｔ３ａｂｃを用いて、寄与値マップ群Ｃ３（Ｍａ）を分類する。
図１３は、組み合わせ特徴判定結果によるマップ分類Ｂの例１を示す説明図である。図１３では、検出装置１００は、分類部９０３により、突合結果Ｔ３ａｂｃを用いて、寄与値マップ群Ｃ３（Ｍａ）を分類する。
【0102】
具体的には、たとえば、検出装置１００は、寄与値マップ群Ｃ３（Ｍａ）を、男性かつズボンかつスニーカとして集計された第１寄与値マップ群Ｃ３（Ｍａ）－ｂｃ１と、男性かつズボンかつサンダルとして集計された第２寄与値マップ群Ｃ３（Ｍａ）－ｂｃ２と、男性かつスカートかつスニーカとして集計された第３寄与値マップ群Ｃ３（Ｍａ）－ｂｃ３と、男性かつスカートかつサンダルとして集計された第４寄与値マップ群Ｃ３（Ｍａ）－ｂｃ４と、女性かつズボンかつスニーカとして集計された第５寄与値マップ群Ｃ３（Ｍａ）－ｂｃ５と、女性かつズボンかつサンダルとして集計された第６寄与値マップ群Ｃ３（Ｍａ）－ｂｃ６と、女性かつスカートかつスニーカとして集計された第７寄与値マップ群Ｃ３（Ｍａ）－ｂｃ７と、女性かつスカートかつサンダルとして集計された第８寄与値マップ群Ｃ３（Ｍａ）－ｂｃ８と、に分類する。このようにして、分類結果１３００が得られる。
【0103】
図１４は、組み合わせ特徴判定結果によるマップ分類Ｂの例２を示す説明図である。図１４では、検出装置１００は、学習部９０２により、検出対象画像データ群Ｄ３および突合結果Ｔ３ａｂｃを学習データセットとして組み合わせ特徴判定モデルＭａｂｃを学習する。組み合わせ特徴判定モデルＭａｂｃは、検出対象画像データ群Ｄ３が入力されると、寄与値マップ群Ｃ３（Ｍａｂｃ）を生成する。
【0104】
検出装置１００は、分類部９０３により、突合結果Ｔ３ａｂｃを用いて、寄与値マップ群Ｃ３（Ｍａｂｃ）を分類する。具体的には、たとえば、検出装置１００は、男性かつズボンかつスニーカとして集計された第１寄与値マップ群Ｃ３（Ｍａｂｃ）－１と、男性かつズボンかつサンダルとして集計された第２寄与値マップ群Ｃ３（Ｍａｂｃ）－２と、男性かつスカートかつスニーカとして集計された第３寄与値マップ群Ｃ３（Ｍａｂｃ）－３と、男性かつスカートかつサンダルとして集計された第４寄与値マップ群Ｃ３（Ｍａｂｃ）－４と、女性かつズボンかつスニーカとして集計された第５寄与値マップ群Ｃ３（Ｍａｂｃ）－５と、女性かつズボンかつサンダルとして集計された第６寄与値マップ群Ｃ３（Ｍａｂｃ）－６と、女性かつスカートかつスニーカとして集計された第７寄与値マップ群Ｃ３（Ｍａｂｃ）－７と、女性かつスカートかつサンダルとして集計された第８寄与値マップ群Ｃ３（Ｍａｂｃ）－８と、に分類する。このようにして、分類結果１４００が得られる。
【0105】
［マップ分類Ｂによる二標本検定例］
図１５は、マップ分類Ｂによる二標本検定例を示す説明図である。検出装置１００は、二標本検定部２０５により、寄与値マップ群Ｃ３（Ｍａ）の分類結果１３００と、寄与値マップ群Ｃ３（Ｍａｂｃ）の分類結果１４００と、に基づいて、共通する組み合わせ特徴ごとに、二標本検定１５０１～１５０８を実行する。
図１５は、マップ分類Ｂによる二標本検定例を示す説明図である。検出装置１００は、二標本検定部２０５により、寄与値マップ群Ｃ３（Ｍａ）の分類結果１３００と、寄与値マップ群Ｃ３（Ｍａｂｃ）の分類結果１４００と、に基づいて、共通する組み合わせ特徴ごとに、二標本検定１５０１～１５０８を実行する。
【0106】
具体的には、たとえば、検出装置１００は、組み合わせ特徴が男性かつズボンかつスニーカである第１寄与値マップ群Ｃ３（Ｍａ）－ｂｃ１および第１寄与値マップ群Ｃ３（Ｍａｂｃ）－１を二標本検定対象となる２つ分布として二標本検定１５０１を実行する。また、検出装置１００は、組み合わせ特徴が男性かつズボンかつサンダルである第２寄与値マップ群Ｃ３（Ｍａ）－ｂｃ２および第２寄与値マップ群Ｃ３（Ｍａｂｃ）－２を二標本検定対象となる２つ分布として二標本検定１５０２を実行する。
【0107】
また、検出装置１００は、組み合わせ特徴が男性かつスカートかつスニーカである第３寄与値マップ群Ｃ３（Ｍａ）－ｂｃ３および第３寄与値マップ群Ｃ３（Ｍａｂｃ）－３を二標本検定対象となる２つ分布として二標本検定１５０３を実行する。また、検出装置１００は、組み合わせ特徴が男性かつスカートかつスニーカである第４寄与値マップ群Ｃ３（Ｍａ）－ｂｃ４および第４寄与値マップ群Ｃ３（Ｍａｂｃ）－４を二標本検定対象となる２つ分布として二標本検定１５０４を実行する。ただし、図１５の例では、第４寄与値マップ群Ｃ３（Ｍａ）－ｂｃ４および第４寄与値マップ群Ｃ３（Ｍａｂｃ）－４がともに０件であるため、二標本検定１５０４は実行されない。
【0108】
また、検出装置１００は、組み合わせ特徴が女性かつズボンかつスニーカである第５寄与値マップ群Ｃ３（Ｍａ）－ｂｃ５および第５寄与値マップ群Ｃ３（Ｍａｂｃ）－５を二標本検定対象となる２つ分布として二標本検定１５０５を実行する。また、検出装置１００は、組み合わせ特徴が女性かつズボンかつサンダルである第６寄与値マップ群Ｃ３（Ｍａ）－ｂｃ６および第６寄与値マップ群Ｃ３（Ｍａｂｃ）－６を二標本検定対象となる２つ分布として二標本検定１５０６を実行する。
【0109】
また、検出装置１００は、組み合わせ特徴が女性かつスカートかつスニーカである第７寄与値マップ群Ｃ３（Ｍａ）－ｂｃ７および第７寄与値マップ群Ｃ３（Ｍａｂｃ）－７を二標本検定対象となる２つ分布として二標本検定１７０３を実行する。また、検出装置１００は、組み合わせ特徴が女性かつスカートかつスニーカである第８寄与値マップ群Ｃ３（Ｍａ）－ｂｃ８および第８寄与値マップ群Ｃ３（Ｍａｂｃ）－８を二標本検定対象となる２つ分布として二標本検定１５０８を実行する。
【0110】
検出装置１００は、データシフト判定部２０６により、各二標本検定１５０１～１５０８における二標本検定結果に基づいて、原因候補でのデータシフトの発生有無を判定する。具体的には、たとえば、検出装置１００は、データシフト判定部２０６により、マップ分類Ａによる二標本検定例で示した場合と同様に、第１判定ルール、第２判定ルールまたは第３判定ルールを適用して、原因候補でのデータシフトの発生有無を判定する。
【0111】
なお、マップ分類Ａによる二標本検定例において、下半身服装および履物の各々がデータシフト発生原因と判定された場合、検出装置１００は、マップ分類Ｂによる二標本検定を実行しない。これにより、計算負荷の低減を図ることができる。一方、マップ分類Ａによる二標本検定例において、下半身服装および履物の各々がデータシフト発生原因でないと判定された場合、検出装置１００は、マップ分類Ｂによる二標本検定を実行する。この場合、下半身服装および履物の各々がデータシフト発生原因でないと判定されたが、下半身服装および履物の組み合わせでデータシフト発生原因であると判定される場合があるため、データシフト発生原因の検出精度の向上を図ることができる。
【0112】
＜データシフト検出処理手順例＞
図１６は、実施例２にかかる検出装置１００によるデータシフト検出処理手順例（前半）を示すフローチャートである。図１７は、実施例２にかかる検出装置１００によるデータシフト検出処理手順例（後半）を示すフローチャートである。図５～図７と同一処理には同一ステップ番号を付し、その説明を省略する。
図１６は、実施例２にかかる検出装置１００によるデータシフト検出処理手順例（前半）を示すフローチャートである。図１７は、実施例２にかかる検出装置１００によるデータシフト検出処理手順例（後半）を示すフローチャートである。図５～図７と同一処理には同一ステップ番号を付し、その説明を省略する。
【0113】
図１７において、図１６のステップＳ７０６：Ｙｅｓである場合、検出装置１００は、取得部２０１により、原因候補を指定する（ステップＳ１７０１）。実施例２では、原因候補は、下半身服装、履物、下半身服装および履物の組み合わせである。
【0114】
検出装置１００は、特徴判定部９０１により、検討対象について、検出対象画像データ群Ｄ３を検討対象の特徴判定モデルに入力して特徴判定結果を取得し、原因候補について、検出対象画像データ群を原因候補の特徴判定モデルに入力して特徴判定結果を取得する（ステップＳ１７０２）。
【0115】
具体的には、たとえば、検出装置１００は、性別判定結果Ｒ（Ｍａ）を取得する。また、検出装置１００は、原因候補が下半身服装であれば、下半身服装判定結果Ｒ３（Ｍｂ）を取得し、原因候補が履物であれば、履物判定結果Ｒ３（Ｍｃ）を取得し、原因候補が下半身服装および履物の組み合わせであれば、下半身服装判定結果Ｒ３（Ｍｂ）および履物判定結果Ｒ３（Ｍｃ）を取得する。
【0116】
検出装置１００は、特徴判定部９０１により、検討対象の特徴判定結果と原因候補の特徴判定結果とを組み合わせて、突合結果を生成する（ステップＳ１７０３）。具体的には、たとえば、検出装置１００は、原因候補が下半身服装であれば、突合結果Ｔ３ａｂを生成し、原因候補が履物であれば、突合結果Ｔ３ａｃを生成し、原因候補が下半身服装および履物の組み合わせであれば、突合結果Ｔ３ａｂｃを生成する。
【0117】
検出装置１００は、特徴判定部９０１により、検討対象について、シフト前画像データ群Ｄ２を検討対象の特徴判定モデルに入力して特徴判定結果を取得し、原因候補について、シフト前画像データ群Ｄ２を原因候補の特徴判定モデルに入力して特徴判定結果を取得する。具体的には、たとえば、検出装置１００は、性別判定結果Ｒ２（Ｍａ）を取得する。また、検出装置１００は、原因候補が下半身服装であれば、下半身服装判定結果Ｒ２（Ｍｂ）を取得し、原因候補が履物であれば、履物判定結果Ｒ２（Ｍｃ）を取得し、原因候補が下半身服装および履物の組み合わせであれば、下半身服装判定結果Ｒ２（Ｍｂ）および履物判定結果Ｒ２（Ｍｃ）を取得する。
【0118】
検出装置１００は、特徴判定部９０１により、検討対象のシフト前特徴判定結果と原因候補のシフト前特徴判定結果とを組み合わせて、シフト前突合結果を生成する（ステップＳ１７０５）。具体的には、たとえば、検出装置１００は、原因候補が下半身服装であれば、突合結果Ｔ２ａｂを生成し、原因候補が履物であれば、突合結果Ｔ２ａｃを生成し、原因候補が下半身服装および履物の組み合わせであれば、突合結果Ｔ２ａｂｃを生成する。
【0119】
検出装置１００は、特徴判定部９０１により、比率変化がある原因候補を特定する（ステップＳ１７０６）。具体的には、たとえば、検出装置１００は、突合結果Ｔ２ａｂ、Ｔ３ａｂを比較して比率変化の有無を検出し、突合結果Ｔ２ａｃ、Ｔ３ａｃを比較して比率変化の有無を検出し、突合結果Ｔ２ａｂｃ、Ｔ３ａｂｃを比較して比率変化の有無を検出する。検出装置１００は、比率変化があった突合結果の原因候補を特定する。すなわち、検出装置１００は、原因候補の絞り込みを実行する。これにより、特定されなかった、すなわち、比率変化がなかった原因候補を後続の処理（ステップＳ１７０７～Ｓ１７１１）から除外することができ、計算負荷の低減化を図ることができる。なお、ステップＳ１７０７の実行有無については、ユーザが事前に選択することができる。
【0120】
検出装置１００は、分類部９０３により、突合結果を用いて、検討対象の寄与値マップ群を分類する（ステップＳ１７０７）。具体的には、たとえば、検出装置１００は、図１０に示したように、突合結果Ｔ３ａｂを用いて、検討対象の寄与値マップ群Ｃ３（Ｍａ）を分類し、分類結果１０００を出力する。同様に、検出装置１００は、原因候補が履物であれば、突合結果Ｔ３ａｃを用いて、検討対象の寄与値マップ群Ｃ３（Ｍａ）を分類する。また、検出装置１００は、図１３に示したように、突合結果Ｔ３ａｂｃを用いて、検討対象の寄与値マップ群Ｃ３（Ｍａ）を分類し、分類結果１３００を出力する。
【0121】
検出装置１００は、学習部９０２により、検討対象および原因候補に関する組み合わせ特徴判定モデルを学習し、学習した組み合わせ特徴判定モデルに検出対象画像データ群Ｄ３を入力して、寄与値マップ群を生成し、分類部９０３により、突合結果で分類する（ステップＳ１７０８）。
【0122】
具体的には、たとえば、検出装置１００は、図１１に示したように、検出対象画像データ群Ｄ３および突合結果Ｔ３ａｂを用いて、組み合わせ特徴判定モデルＭａｂを学習し、組み合わせ特徴判定モデルＭａｂに検出対象画像データ群Ｄ３を入力して、組み合わせ特徴判定モデルＭａｂから出力される寄与値マップ群Ｃ３（Ｍａｂ）を取得する。そして、検出装置１００は、突合結果Ｔ３ａｂで寄与値マップ群Ｃ３（Ｍａｂ）を分類し、分類結果１１００を出力する。
【0123】
同様に、検出装置１００は、原因候補が履物であれば、突合結果Ｔ３ａｃを用いて、検出対象画像データ群Ｄ３および突合結果Ｔ３ａｃを用いて、組み合わせ特徴判定モデルＭａｃを学習し、組み合わせ特徴判定モデルＭａｃに検出対象画像データ群Ｄ３を入力して、組み合わせ特徴判定モデルＭａｃから出力される寄与値マップ群Ｃ３（Ｍａｃ）を取得する。そして、検出装置１００は、突合結果Ｔ３ａｃで寄与値マップ群Ｃ３（Ｍａｃ）を分類する。
【0124】
また、検出装置１００は、図１４に示したように、検出対象画像データ群Ｄ３および突合結果Ｔ３ａｂｃを用いて、組み合わせ特徴判定モデルＭａｂｃを学習し、組み合わせ特徴判定モデルＭａｂｃに検出対象画像データ群Ｄ３を入力して、組み合わせ特徴判定モデルＭａｂｃから出力される寄与値マップ群Ｃ３（Ｍａｂｃ）を取得する。そして、検出装置１００は、突合結果Ｔ３ａｂｃで寄与値マップ群Ｃ３（Ｍａｂｃ）を分類し、分類結果１４００を出力する。
【0125】
検出装置１００は、二標本検定部２０５により、共通する組み合わせ特徴ごとの二標本検定を実行する（ステップＳ１７０９）。具体的には、たとえば、検出装置１００は、図１２および図１５に示したように、共通する組み合わせ特徴ごとに二標本検定１２０１～１２０４、１５０１～１５０８を実行する。
【0126】
検出装置１００は、データシフト判定部２０６により、ステップＳ１７０９の二標本検定による二標本検定結果に基づいて、原因候補がデータシフト発生原因であるか否かを判定する（ステップＳ１７１０）。そして、検出装置１００は、出力部２０４により、ステップＳ１７１０の判定結果を出力する（ステップＳ１７１１）。これにより、検出装置１００は、一連の処理を終了する。
【0127】
このように、実施例２によれば、原因候補が複数存在する場合であっても、データシフトの発生原因を特定することができる。
【0128】
なお、実施例２においても、検出装置１００は、出力部２０４により、ステップＳ１７０９の二標本検定結果を出力してもよい。検出装置１００は、ステップＳ１７０９において帰無仮説が棄却された二標本検定について、図４に示したように、差分生成部２０３により差分ヒートマップを生成し、出力部２０４により、出力してもよい。また、検出装置１００は、出力部２０４により、分類部９０３による分類結果１０００，１１００，１３００，１４００を出力してもよい。また、検出装置１００は、図１６においてステップＳ５０２、Ｓ５０３、Ｓ６０４、Ｓ７０６を実行せずに、図１７に示した処理を実行してもよい。
【0129】
また、上述した実施例１および実施例２にかかる検出装置１００は、下記（１）～（９）のように構成することもできる。
【0130】
（１）検出装置１００は、プログラムを実行するプロセッサ１０１と、前記プログラムを記憶する記憶デバイス１０２と、を有する。
前記プロセッサ１０１は、
第１画像データ群（シフト前画像データ群Ｄ２）の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群Ｃ２（Ｍｉ）と、前記第１画像データ群（シフト前画像データ群Ｄ２）よりも後に撮像された第２画像データ群（検出対象画像データ群Ｄ３）の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群Ｃ３（Ｍｉ）と、を取得する取得処理と、（取得部２０１）
前記取得処理によって取得された第１寄与値マップ群Ｃ２（Ｍｉおよび第２寄与値マップ群Ｃ３（Ｍｉ）を用いて、二標本検定を実行する第１二標本検定処理と、（二標本検定部２０５、（ステップＳ６０４））
前記第１二標本検定処理による二標本検定結果を出力する出力処理（出力部２０４）と、
を実行する。
前記プロセッサ１０１は、
第１画像データ群（シフト前画像データ群Ｄ２）の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群Ｃ２（Ｍｉ）と、前記第１画像データ群（シフト前画像データ群Ｄ２）よりも後に撮像された第２画像データ群（検出対象画像データ群Ｄ３）の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群Ｃ３（Ｍｉ）と、を取得する取得処理と、（取得部２０１）
前記取得処理によって取得された第１寄与値マップ群Ｃ２（Ｍｉおよび第２寄与値マップ群Ｃ３（Ｍｉ）を用いて、二標本検定を実行する第１二標本検定処理と、（二標本検定部２０５、（ステップＳ６０４））
前記第１二標本検定処理による二標本検定結果を出力する出力処理（出力部２０４）と、
を実行する。
【0131】
（２）また、上記（１）において、
前記取得処理では、前記プロセッサ１０１は、前記第１画像データ群と前記第２画像データ群とを取得し、（ステップＳ５０１）
前記プロセッサ１０１は、
画像データに関する特徴を判定しかつ前記特徴に関する寄与値を前記画像データ内の領域ごとに算出する特徴判定モデルＭｉに、前記取得処理によって取得された第１画像データ群（シフト前画像データ群Ｄ２）の各々の前記第１画像データを入力した結果、前記第１寄与値マップを前記第１画像データごとに生成し、前記特徴判定モデルＭｉに、前記第２画像データ群（検出対象画像データ群Ｄ３）の各々の前記第２画像データを入力した結果、前記第２寄与値マップを前記第２画像データごとに生成するマップ生成処理を実行し、（ステップＳ５０３）
前記第１二標本検定処理では、前記プロセッサ１０１は、前記マップ生成処理によって生成された前記第１画像データごとの前記第１寄与値マップである第１寄与値マップ群Ｃ２（Ｍｉ）と、前記マップ生成処理によって生成された前記第２画像データごとの前記第２寄与値マップである第２寄与値マップ群Ｃ３（Ｍｉ）と、を用いて、二標本検定を実行する。
前記取得処理では、前記プロセッサ１０１は、前記第１画像データ群と前記第２画像データ群とを取得し、（ステップＳ５０１）
前記プロセッサ１０１は、
画像データに関する特徴を判定しかつ前記特徴に関する寄与値を前記画像データ内の領域ごとに算出する特徴判定モデルＭｉに、前記取得処理によって取得された第１画像データ群（シフト前画像データ群Ｄ２）の各々の前記第１画像データを入力した結果、前記第１寄与値マップを前記第１画像データごとに生成し、前記特徴判定モデルＭｉに、前記第２画像データ群（検出対象画像データ群Ｄ３）の各々の前記第２画像データを入力した結果、前記第２寄与値マップを前記第２画像データごとに生成するマップ生成処理を実行し、（ステップＳ５０３）
前記第１二標本検定処理では、前記プロセッサ１０１は、前記マップ生成処理によって生成された前記第１画像データごとの前記第１寄与値マップである第１寄与値マップ群Ｃ２（Ｍｉ）と、前記マップ生成処理によって生成された前記第２画像データごとの前記第２寄与値マップである第２寄与値マップ群Ｃ３（Ｍｉ）と、を用いて、二標本検定を実行する。
【0132】
（３）また、上記（１）において、
前記プロセッサ１０１は、
前記第１二標本検定処理による第１二標本検定結果に基づいて、前記第１画像データ群（シフト前画像データ群Ｄ２）と前記第２画像データ群（検出対象画像データ群Ｄ３）との間にデータシフトが発生したか否かを判定する判定処理を実行し、（ステップＳ６０５）
前記出力処理では、前記プロセッサ１０１は、前記判定処理による判定結果を出力する（ステップＳ６０６）。
前記プロセッサ１０１は、
前記第１二標本検定処理による第１二標本検定結果に基づいて、前記第１画像データ群（シフト前画像データ群Ｄ２）と前記第２画像データ群（検出対象画像データ群Ｄ３）との間にデータシフトが発生したか否かを判定する判定処理を実行し、（ステップＳ６０５）
前記出力処理では、前記プロセッサ１０１は、前記判定処理による判定結果を出力する（ステップＳ６０６）。
【0133】
（４）また、上記（３）において、
前記プロセッサ１０１は、
前記判定処理によってデータシフトが発生したと判定された場合、前記第１寄与値マップ群Ｃ２（Ｍｉ）内の代表的な第１寄与値マップＣ２（Ｍｉ）ａｖと、前記第２寄与値マップ群（Ｃ３（Ｍｉ））内の代表的な第２寄与値マップＣ３（Ｍｉ）ａｖと、の差分を示す差分マップＤＣ（Ｍｉ）を生成する差分生成処理を実行し、（ステップＳ５０４）
前記出力処理では、前記プロセッサ１０１は、前記差分生成処理によって生成された差分マップＤＣ（Ｍｉ）を出力する（ステップＳ５０５）。
前記プロセッサ１０１は、
前記判定処理によってデータシフトが発生したと判定された場合、前記第１寄与値マップ群Ｃ２（Ｍｉ）内の代表的な第１寄与値マップＣ２（Ｍｉ）ａｖと、前記第２寄与値マップ群（Ｃ３（Ｍｉ））内の代表的な第２寄与値マップＣ３（Ｍｉ）ａｖと、の差分を示す差分マップＤＣ（Ｍｉ）を生成する差分生成処理を実行し、（ステップＳ５０４）
前記出力処理では、前記プロセッサ１０１は、前記差分生成処理によって生成された差分マップＤＣ（Ｍｉ）を出力する（ステップＳ５０５）。
【0134】
（５）また、上記（１）において、
前記プロセッサ１０１は、
検討対象（性別）と原因候補（下半身服装）とを指定する指定処理と、（ステップＳ１７０１）
前記検討対象（性別）に関する第１特徴判定モデルＭａに前記第２画像データ群（検出対象画像データ群Ｄ３）を入力して前記第１特徴判定モデルＭａから出力される第１特徴判定結果群Ｒ３（Ｍａ）と、前記原因候補（下半身服装）に関する第２特徴判定モデルＭｂに前記第２画像データ群（検出対象画像データ群Ｄ３）を入力して前記第２特徴判定モデルＭｂから出力される第２特徴判定結果群Ｒ３（Ｍｂ）とを、前記検討対象（性別）のの種類（男、女）と前記原因候補（下半身服装）の種類（ズボン、スカート）との組み合わせ（男＆ズボン、男＆スカート、女＆ズボン、女＆スカート）別に集計した第１突合結果Ｔ３ａｂを生成する特徴判定処理と、（ステップＳ１７０２、ステップＳ１７０３）
前記第１突合結果Ｔ３ａｂに基づいて、前記第２寄与値マップ群Ｃ３（Ｍｉ）を分類する第１分類処理と、（ステップＳ１７０８）
前記第２画像データ群（検出対象画像データ群Ｄ３）と前記特徴判定処理によって生成された第１突合結果Ｔ３ａｂとを学習データセットとして学習することにより、前記検討対象（性別）と前記原因候補（下半身服装）とを組み合わせた組み合わせ特徴判定モデルＭａｂを生成する学習処理と、（ステップＳ１７０８）
前記学習処理によって生成された組み合わせ特徴判定モデルＭａｂに、前記第２画像データ群（検出対象画像データ群Ｄ３）を入力した結果、前記検討対象（性別）と前記原因候補（下半身服装）との組み合わせに関する第１組み合わせ寄与値マップを前記第２画像データごとに生成し、前記第１突合結果Ｔ３ａｂに基づいて、前記第２画像データごとの前記第１組み合わせ寄与値マップの集合である第１組み合わせ寄与値マップ群Ｃ３（Ｍａｂ）を分類する第２処理と、を実行し、（ステップＳ１７０８）
前記出力処理では、前記プロセッサ１０１は、前記第１分類処理による第１分類結果１０００および前記第２分類処理による第２分類結果１１００を出力する。
前記プロセッサ１０１は、
検討対象（性別）と原因候補（下半身服装）とを指定する指定処理と、（ステップＳ１７０１）
前記検討対象（性別）に関する第１特徴判定モデルＭａに前記第２画像データ群（検出対象画像データ群Ｄ３）を入力して前記第１特徴判定モデルＭａから出力される第１特徴判定結果群Ｒ３（Ｍａ）と、前記原因候補（下半身服装）に関する第２特徴判定モデルＭｂに前記第２画像データ群（検出対象画像データ群Ｄ３）を入力して前記第２特徴判定モデルＭｂから出力される第２特徴判定結果群Ｒ３（Ｍｂ）とを、前記検討対象（性別）のの種類（男、女）と前記原因候補（下半身服装）の種類（ズボン、スカート）との組み合わせ（男＆ズボン、男＆スカート、女＆ズボン、女＆スカート）別に集計した第１突合結果Ｔ３ａｂを生成する特徴判定処理と、（ステップＳ１７０２、ステップＳ１７０３）
前記第１突合結果Ｔ３ａｂに基づいて、前記第２寄与値マップ群Ｃ３（Ｍｉ）を分類する第１分類処理と、（ステップＳ１７０８）
前記第２画像データ群（検出対象画像データ群Ｄ３）と前記特徴判定処理によって生成された第１突合結果Ｔ３ａｂとを学習データセットとして学習することにより、前記検討対象（性別）と前記原因候補（下半身服装）とを組み合わせた組み合わせ特徴判定モデルＭａｂを生成する学習処理と、（ステップＳ１７０８）
前記学習処理によって生成された組み合わせ特徴判定モデルＭａｂに、前記第２画像データ群（検出対象画像データ群Ｄ３）を入力した結果、前記検討対象（性別）と前記原因候補（下半身服装）との組み合わせに関する第１組み合わせ寄与値マップを前記第２画像データごとに生成し、前記第１突合結果Ｔ３ａｂに基づいて、前記第２画像データごとの前記第１組み合わせ寄与値マップの集合である第１組み合わせ寄与値マップ群Ｃ３（Ｍａｂ）を分類する第２処理と、を実行し、（ステップＳ１７０８）
前記出力処理では、前記プロセッサ１０１は、前記第１分類処理による第１分類結果１０００および前記第２分類処理による第２分類結果１１００を出力する。
【0135】
（６）また、上記（５）において、
前記プロセッサ１０１は、
前記第１分類結果１０００および前記第２分類結果１１００内の共通する組み合わせごとに二標本検定を実行する第２二標本検定処理を実行し、（ステップＳ１７０９）
前記出力処理では、前記プロセッサ１０１は、前記第２二標本検定処理による第２二標本検定結果を出力する、（出力部２０４）。
前記プロセッサ１０１は、
前記第１分類結果１０００および前記第２分類結果１１００内の共通する組み合わせごとに二標本検定を実行する第２二標本検定処理を実行し、（ステップＳ１７０９）
前記出力処理では、前記プロセッサ１０１は、前記第２二標本検定処理による第２二標本検定結果を出力する、（出力部２０４）。
【0136】
（７）また、上記（６）において、
前記プロセッサ１０１は、
前記第２二標本検定結果に基づいて、前記第１画像データ群（シフト前画像データ群Ｄ２）と前記第２画像データ群（検出対象画像データ群Ｄ３）との間にデータシフトが発生したか否かを判定する判定処理を実行し、（ステップＳ１７１０）
前記出力処理では、前記プロセッサ１０１は、前記判定処理による判定結果を出力する（ステップＳ１７１１）。
前記プロセッサ１０１は、
前記第２二標本検定結果に基づいて、前記第１画像データ群（シフト前画像データ群Ｄ２）と前記第２画像データ群（検出対象画像データ群Ｄ３）との間にデータシフトが発生したか否かを判定する判定処理を実行し、（ステップＳ１７１０）
前記出力処理では、前記プロセッサ１０１は、前記判定処理による判定結果を出力する（ステップＳ１７１１）。
【0137】
（８）また、上記（５）において、
前記特徴判定処理では、前記プロセッサ１０１は、前記第１特徴判定モデルＭａに前記第１画像データ群（シフト前画像データ群Ｄ２）を入力して前記第１特徴判定モデルＭａから出力される第３特徴判定結果群Ｒ２（Ｍａ）と、前記第２特徴判定モデルＭｂに前記第１画像データ群（シフト前画像データ群Ｄ２）を入力して前記第２特徴判定モデルＭｂから出力される第４特徴判定結果群Ｒ２（Ｍｂ）とを、前記検討対象（性別）の種類（男、女）と前記原因候補（下半身服装）の種類（ズボン、スカート）との組み合わせ別に集計した第２突合結果Ｔ２ａｂを生成して、前記第１突合結果Ｔ３ａｂと前記第２突合結果Ｔ２ａｂとの間に所定の比率変化があるか否かを判定し、（ステップＳ１７０４、１７０５、１７０６）
前記第１分類処理では、前記プロセッサ１０１は、前記比率変化があると判定された特定の原因候補について、前記第１突合結果Ｔ３ａｂに基づいて、前記第２寄与値マップ群Ｃ３（Ｍａ）を分類する。
前記特徴判定処理では、前記プロセッサ１０１は、前記第１特徴判定モデルＭａに前記第１画像データ群（シフト前画像データ群Ｄ２）を入力して前記第１特徴判定モデルＭａから出力される第３特徴判定結果群Ｒ２（Ｍａ）と、前記第２特徴判定モデルＭｂに前記第１画像データ群（シフト前画像データ群Ｄ２）を入力して前記第２特徴判定モデルＭｂから出力される第４特徴判定結果群Ｒ２（Ｍｂ）とを、前記検討対象（性別）の種類（男、女）と前記原因候補（下半身服装）の種類（ズボン、スカート）との組み合わせ別に集計した第２突合結果Ｔ２ａｂを生成して、前記第１突合結果Ｔ３ａｂと前記第２突合結果Ｔ２ａｂとの間に所定の比率変化があるか否かを判定し、（ステップＳ１７０４、１７０５、１７０６）
前記第１分類処理では、前記プロセッサ１０１は、前記比率変化があると判定された特定の原因候補について、前記第１突合結果Ｔ３ａｂに基づいて、前記第２寄与値マップ群Ｃ３（Ｍａ）を分類する。
【0138】
（９）検出装置１００は、プログラムを実行するプロセッサ１０１と、前記プログラムを記憶する記憶デバイス１０２と、を有する。
前記プロセッサ１０１は、
第１画像データ群（シフト前画像データ群Ｄ２）の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群Ｃ２（Ｍｉ）と、前記第１画像データ群（シフト前画像データ群Ｄ２）よりも後に撮像された第２画像データ群（検出対象画像データ群Ｄ３）の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群Ｃ３（Ｍｉ）と、を取得する取得処理と、（取得部２０１）
前記取得処理によって取得された第１寄与値マップ群Ｃ２（Ｍｉ）内の代表的な第１寄与値マップＣ２（Ｍｉ）ａｖと、前記第２寄与値マップ群Ｃ３（Ｍｉ）内の代表的な第２寄与値マップＣ３（Ｍｉ）ａｖと、の差分を示す差分マップＤＣ（Ｍｉ）を生成する差分生成処理と、（ステップＳ５０４）
前記差分生成処理によって生成された差分マップＤＣ（Ｍｉ）を出力する出力処理と、（ステップＳ５０５）
を実行する。
前記プロセッサ１０１は、
第１画像データ群（シフト前画像データ群Ｄ２）の各々の第１画像データの特徴に寄与した第１寄与値マップの集合である第１寄与値マップ群Ｃ２（Ｍｉ）と、前記第１画像データ群（シフト前画像データ群Ｄ２）よりも後に撮像された第２画像データ群（検出対象画像データ群Ｄ３）の各々の第２画像データの特徴に寄与した第２寄与値マップの集合である第２寄与値マップ群Ｃ３（Ｍｉ）と、を取得する取得処理と、（取得部２０１）
前記取得処理によって取得された第１寄与値マップ群Ｃ２（Ｍｉ）内の代表的な第１寄与値マップＣ２（Ｍｉ）ａｖと、前記第２寄与値マップ群Ｃ３（Ｍｉ）内の代表的な第２寄与値マップＣ３（Ｍｉ）ａｖと、の差分を示す差分マップＤＣ（Ｍｉ）を生成する差分生成処理と、（ステップＳ５０４）
前記差分生成処理によって生成された差分マップＤＣ（Ｍｉ）を出力する出力処理と、（ステップＳ５０５）
を実行する。
【0139】
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。
【0140】
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサ１０１がそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。
【0141】
各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。
【0142】
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
【符号の説明】
【0143】
１００ 検出装置
１０１ プロセッサ
２０１ 取得部
２０２ マップ生成部
２０３ 差分生成部
２０４ 出力部
２０５ 二標本検定部
２０６ データシフト判定部
９０１ 特徴判定部
９０２ 学習部
９０３ 分類部
２１０ 寄与値マップＤＢ
１０１ プロセッサ
２０１ 取得部
２０２ マップ生成部
２０３ 差分生成部
２０４ 出力部
２０５ 二標本検定部
２０６ データシフト判定部
９０１ 特徴判定部
９０２ 学習部
９０３ 分類部
２１０ 寄与値マップＤＢ
【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】