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】P2024037694
(43)【公開日】2024-03-19
(54)【発明の名称】情報処理装置、情報処理方法及びコンピュータプログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20240312BHJP
G06T 11/80 20060101ALI20240312BHJP
【ＦＩ】
G06N20/00 130
G06T11/80 A
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2023140403
(22)【出願日】2023-08-30
(31)【優先権主張番号】202211089646.2
(32)【優先日】2022-09-07
(33)【優先権主張国・地域又は機関】CN
(71)【出願人】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】100107766
【弁理士】
【氏名又は名称】伊東 忠重
(74)【代理人】
【識別番号】100070150
【弁理士】
【氏名又は名称】伊東 忠彦
(72)【発明者】
【氏名】ジョオン・チャオリアン
(72)【発明者】
【氏名】フォン・チョン
(72)【発明者】
【氏名】ワン・ジエ
(72)【発明者】
【氏名】ジャン・イン
(72)【発明者】
【氏名】孫 俊
【テーマコード（参考）】
5B050
【Ｆターム（参考）】
5B050EA04
5B050EA12
5B050FA05
(57)【要約】
【課題】本発明は、情報処理装置、情報処理方法及びコンピュータプログラムを提供する。
【解決手段】情報処理装置は、第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを得るユニット；第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして得るユニット；及び、第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを第三モデルとして得るユニットを含み、第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、第三訓練画像セットは第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル無し訓練画像を含む。
【選択図】図１
【解決手段】情報処理装置は、第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを得るユニット；第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして得るユニット；及び、第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを第三モデルとして得るユニットを含み、第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、第三訓練画像セットは第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル無し訓練画像を含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
情報を処理する装置であって、
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得する第一訓練ユニット；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得する第二訓練ユニット；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得する第三訓練ユニットを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
前記第二訓練ユニットは前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練し、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、装置。
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得する第一訓練ユニット；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得する第二訓練ユニット；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得する第三訓練ユニットを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
前記第二訓練ユニットは前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練し、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、装置。
【請求項2】
請求項１に記載の装置であって、
前記第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、前記第一訓練画像セット内、前記第一クラスセットにおける各クラスについてのラベル有り訓練画像の平均数よりも小さい、装置。
前記第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、前記第一訓練画像セット内、前記第一クラスセットにおける各クラスについてのラベル有り訓練画像の平均数よりも小さい、装置。
【請求項3】
請求項１に記載の装置であって、
前記第二訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップし、
前記第三訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップする、装置。
前記第二訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップし、
前記第三訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップする、装置。
【請求項4】
請求項１に記載の装置であって、
前記第二モデルを訓練する過程では、前記第三訓練ユニットは前記第二モデルを用いて前記第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定する、装置。
前記第二モデルを訓練する過程では、前記第三訓練ユニットは前記第二モデルを用いて前記第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定する、装置。
【請求項5】
請求項１乃至４のうちのいずれか１項に記載の情報処理装置であって、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、
各ラウンドの訓練では、
前記第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；
１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、前記Ｋ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定し、Ｋ個の偽ラベル付き訓練画像を取得し；
前記Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第一損失及び前記Ｋ個の偽ラベル付き訓練画像についての第二損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することを実行し、
Ｍ、Ｎ及びＫは１よりも大きい自然数である、装置。
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、
各ラウンドの訓練では、
前記第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；
１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、前記Ｋ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定し、Ｋ個の偽ラベル付き訓練画像を取得し；
前記Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第一損失及び前記Ｋ個の偽ラベル付き訓練画像についての第二損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することを実行し、
Ｍ、Ｎ及びＫは１よりも大きい自然数である、装置。
【請求項6】
請求項１乃至４のうちのいずれか１項に記載の装置であって、
前記第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、
各ラウンドの訓練では、
前記半分ラベル付き訓練画像セットからＳ個の訓練画像をランダム選択し、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像について偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、前記Ｓ個の偽ラベル付き訓練画像を用いて偽ラベル付き訓練画像セットの更新を行い；
前記平衡ラベル付き訓練画像セットからＭ個の訓練画像をランダム選択し；
前記偽ラベル付き訓練画像セットからＫ個の偽ラベル付き訓練画像をランダム選択し；
前記Ｍ個の訓練画像についての第三損失と前記Ｋ個の偽ラベル付き訓練画像についての第四損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することを実行し、
前記半分ラベル付き訓練画像セットとは、基本クラス対象が真値でラベル付けられたが、新規クラス対象が真値でラベル付けられない訓練画像セットを指し、
前記平衡ラベル付き訓練画像セットとは、新規クラス対象及び基本クラス対象がいずれも真値でラベル付けられており、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さい訓練画像セットを指し、
Ｍ、Ｓ、Ｎ及びＫは１よりも大きい自然数である、装置。
前記第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、
各ラウンドの訓練では、
前記半分ラベル付き訓練画像セットからＳ個の訓練画像をランダム選択し、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像について偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、前記Ｓ個の偽ラベル付き訓練画像を用いて偽ラベル付き訓練画像セットの更新を行い；
前記平衡ラベル付き訓練画像セットからＭ個の訓練画像をランダム選択し；
前記偽ラベル付き訓練画像セットからＫ個の偽ラベル付き訓練画像をランダム選択し；
前記Ｍ個の訓練画像についての第三損失と前記Ｋ個の偽ラベル付き訓練画像についての第四損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することを実行し、
前記半分ラベル付き訓練画像セットとは、基本クラス対象が真値でラベル付けられたが、新規クラス対象が真値でラベル付けられない訓練画像セットを指し、
前記平衡ラベル付き訓練画像セットとは、新規クラス対象及び基本クラス対象がいずれも真値でラベル付けられており、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さい訓練画像セットを指し、
Ｍ、Ｓ、Ｎ及びＫは１よりも大きい自然数である、装置。
【請求項7】
請求項６に記載の装置であって、
前記第三損失及び前記第四損失のうちの各々は、訓練画像の特徴の間の距離を表すクラスタリング損失を含む、装置。
前記第三損失及び前記第四損失のうちの各々は、訓練画像の特徴の間の距離を表すクラスタリング損失を含む、装置。
【請求項8】
請求項１乃至４のうちのいずれか１項に記載の装置であって、
前記第一モデルは目標検出モデルである、装置。
前記第一モデルは目標検出モデルである、装置。
【請求項9】
情報を処理する方法であって、
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得し；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得し；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得することを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
第二訓練画像セットを用いて訓練済みの第一モデルを訓練することは、前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練することを含み、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、方法。
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得し；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得し；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得することを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
第二訓練画像セットを用いて訓練済みの第一モデルを訓練することは、前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練することを含み、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、方法。
【請求項10】
コンピュータに、請求項９に記載の方法を実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理の技術分野に関し、特に、情報処理装置、情報処理方法及びコンピュータプログラムに関する。
【背景技術】
【0002】
近年、機械学習が様々な分野で幅広く適用されている。例えば、機械学習を利用して画像、語音などに対して予測（識別（認識）、分類など）を行うことができる。
【発明の概要】
【発明が解決しようとする課題】
【0003】
本発明の目的は、情報処理装置、情報処理方法及びコンピュータプログラムを提供することにある。
【課題を解決するための手段】
【0004】
本発明の一側面によれば、情報処理装置が提供され、それは、
第一訓練画像セット（集合）を用いて第一モデルを訓練し、訓練済みの第一モデルを取得するように構成される第一訓練ユニット；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得するように構成される第二訓練ユニット；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得するように構成される第三訓練ユニットを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、前記第二訓練ユニットは前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練し、前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない。
第一訓練画像セット（集合）を用いて第一モデルを訓練し、訓練済みの第一モデルを取得するように構成される第一訓練ユニット；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得するように構成される第二訓練ユニット；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得するように構成される第三訓練ユニットを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、前記第二訓練ユニットは前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練し、前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない。
【0005】
本発明のもう１つの側面によれば、情報処理方法が提供され、それは、
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得し；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得し；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得することを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、第二訓練画像セットを用いて訓練済みの第一モデルを訓練することは、前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練することを含み、前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない。
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得し；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得し；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得することを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、前記第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、第二訓練画像セットを用いて訓練済みの第一モデルを訓練することは、前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練することを含み、前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない。
【0006】
また、本発明の他の側面によれば、上述の情報処理方法を実現するためのコンピュータプログラム、及び上述の情報処理方法を実現するためのコンピュータプログラムを記憶しているコンピュータ可読記憶媒体がさらに提供される。
【図面の簡単な説明】
【0007】
【図1】本発明の実施例における情報処理装置の機能構成例を示すブロック図である。
【図2】ランダム変換が用いられる場合に第二訓練ユニットが実行する訓練プロセスの例を示す図である。
【図3】第三訓練ユニットが実行する訓練プロセスの一例を示す図である。
【図4】第一モデル、第二モデル及び第三モデルが目標検出モデルである場合に情報処理装置が取得した第三モデルと、他の技術によるものとの比較を示す図である。
【図5】本発明の実施例における情報処理方法の例示的なフローチャートである。
【図6】本発明の実施例で採用され得る汎用コンピュータの例示的な構成を示すブロック図である。
【発明を実施するための形態】
【0008】
以下、添付した図面を参照しながら、本発明を実施するための好適な実施例を詳細に説明する。なお、以下の実施例は例示に過ぎず、本発明を限定するものではない。
【0009】
まず、図１乃至図４を参照して本発明の実施例における情報処理装置１００の実装例を説明する。図１は本発明の実施例における情報処理装置１００の機能構成例のブロック図である。図２はランダム変換が用いられる場合に第二訓練ユニット１０４が実行する訓練プロセスの一例を示す図である。図３は第三訓練ユニット１０６が実行する訓練プロセスの一例を示している。図４は第一モデル、第二モデル及び第三モデルが目標検出モデルである場合に情報処理装置１００が得た第三モデルと、他の技術によるものとの比較を示す図である。
【0010】
図１に示すように、本発明の実施例による情報処理装置１００は第一訓練ユニット１０２、第二訓練ユニット１０４及び第三訓練ユニット１０６を含み得る。
【0011】
第一訓練ユニット１０２は第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得するように構成されても良い。
【0012】
第二訓練ユニット１０４は第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得するように構成されても良い。
【0013】
第三訓練ユニット１０６は第三訓練画像セットを用いて第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデル（“最終モデル”ともいう）として取得するように構成されても良い。
【0014】
例えば、第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み得る。例えば、第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像のみを含んでも良い。
【0015】
例えば、第二訓練画像セットは第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含んでも良く、また、第三訓練画像セットは第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル無し訓練画像を含んでも良い。
【0016】
例えば、第一クラスセットは第二クラスセットとは互いにオーバーラップしなくても良い。以下、第一クラスセット内のクラスを基本クラスと呼び、第二クラスセット内のクラスを新規クラスと呼ぶ。
【0017】
ここでは、ラベル有り訓練画像とは、訓練画像内の対応する対象（オブジェクト）（例えば、物体、人物、他の動物など）が真値（ｇｒｏｕｎｄ ｔｒｕｔｈ）でラベル付けされた訓練画像を指す。例えば、第一クラスセットに係るラベル有り訓練画像とは、訓練画像内の基本クラス対象（即ち、第一クラスセットに属する対象）が真値でラベル付けされた訓練画像を指す。一例として、第一クラスセットに係るラベル有り訓練画像は基本クラス対象を含むが、新規クラス対象（即ち、第二クラスセットに属する対象）を含まない。もう１つ例として、第一クラスセットに係るラベル有り訓練画像は基本クラス対象及び新規クラス対象を含む。このような場合に、新規クラス対象は真値でラベル付けられても良く、又は真値でラベル付けられなくても良い。第一クラスセットに係るラベル有り訓練画像は真値でラベル付けられた基本クラス対象及び真値でベル付けられない新規クラス対象を含む場合に、第一クラスセットに係るラベル有り訓練画像は“半分ラベル付き訓練画像”と呼ばれても良い。また、訓練画像は真値でラベル付けられた新規クラス対象及び真値でラベル付けられた基本クラス対象の両方を含む場合に、該訓練画像は第一クラスセットに係るラベル有り訓練画像又は第二クラスセットに係るラベル有り訓練画像と呼ばれても良い。
【0018】
また、ここでは、第二クラスセットに係るラベル無し訓練画像とは、訓練画像内の新規クラス対象が真値でラベル付けられない訓練画像を指す。一例として、第二クラスセットに係るラベル無し訓練画像は新規クラス対象を含むが、基本クラス対象を含まない。もう１つの例として、第二クラスセットに係るラベル無し訓練画像は新規クラス対象及び基本クラス対象を含んでも良い。このような場合に、基本クラス対象は真値でラベル付けられても良く、又は真値でラベル付けられなくても良い。
【0019】
一例として、第一訓練画像セット内の訓練画像は真値でラベル付けられた基本クラス対象を含むが、新規クラス対象を含まない。
【0020】
例えば、第一訓練画像セット、第二訓練画像セット及び／或第三訓練画像セット内の各基本クラス対象は何れも真値でラベル付けられている。
【0021】
上述のように、本発明の実施例による情報処理装置１００は、第一訓練ユニット１０２、第二訓練ユニット１０４及び第三訓練ユニット１０６により、第一モデルに対して３段階の訓練を行うことで、取得される第三モデルが第一クラスセットの画像及び第二クラスセットの画像についてすべて良好な予測精度を有するようにさせることができる。また、例えば、第二訓練ユニット１０４が無い場合、即ち、第一訓練ユニット１０２により取得される訓練済みの第一モデルを第三訓練ユニット１０６により訓練することで最終モデルを得る場合に比べて、本発明の実施例における３段階の訓練の場合に取得される最終モデルの予測精度は高い。
【0022】
例えば、第二訓練ユニット１０４は第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換（例えば、反転、回転、コントラストの変更など）を行い、変換後の訓練画像を用いて訓練済みの第一モデルを訓練することで、第二クラスセットに係る訓練画像の多様性を増加させ、その後に第三訓練ユニット１０６により取得される第三モデルの、第二クラスセットの画像に対しての予測精度を向上させることができる。
【0023】
例えば、第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、第一訓練画像セット内の、第一クラスセット内の各クラスについてのラベル有り訓練画像の平均数（即ち、第一訓練画像セット内の、第一クラスセットに係るラベル有り訓練画像の数／第一クラスセットのクラスの数）よりも小さくても良い。言い換えれば、第二訓練ユニット１０４の訓練プロセスでは、比較的少量の第二クラスセットに係るラベル有り訓練画像を使用できるため、ラベルの設定にかかる作業量を減少させることができる。このような場合に、例えば、第二訓練ユニット１０４が訓練済みの第一モデルを訓練するプロセスは、訓練済みの第一モデルに対しての微調整プロセスと見なすことができる。微調整プロセスの導入により、第一訓練ユニット１０２により取得される訓練済みの第一モデルを第三訓練ユニット１０６により訓練することで最終モデルを得る場合に比べて、作業量を著しく増加させることなく、取得される最終モデルの予測精度を向上させることができる。
【0024】
機械学習の分野では、良好な予測精度を有するモデルを訓練するには、訓練画像に真値をラベルとして付ける時間が大量要される。例えば、本発明の実施例による情報処理装置１００は、少量の第二クラスセットに係るラベル有り訓練画像を使用する場合に、事前訓練の第一クラスセットについての第一モデルをさらに訓練することで、第一クラスセット及び第二クラスセットの両方についてすべて良好な予測精度をもつモデルを取得できるため、真値のラベル付けにかかるコスト及び時間を減少させることができる。
【0025】
例えば、第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、第一訓練画像セット内の、第一クラスセット内の各クラスについてのラベル有り訓練画像の平均数の２％、１０％、２０％、３０％などであっても良いが、これらに限定されない。
【0026】
図２はランダム変換が適用される場合に第二訓練ユニット１０４が実行する訓練プロセスの一例を示している。図２に示すように、第二訓練ユニット１０４は訓練済みの第一モデルに対して複数のラウンドの訓練を行うことで、再訓練の第一モデルを第二モデルとして取得しても良い。各ラウンドの訓練では、各基本クラスについて訓練データセットから該クラスに係るラベル有りのＹ（Ｙは１よりも大きい自然数である）個の画像を第二訓練画像セット内の訓練画像としてランダム選択し、また、各新規クラスについて訓練データセットから該クラスに係るラベル有りのＺ（Ｚは１よりも大きい自然数である）個の画像を第二訓練画像セット内の訓練画像としてランダム選択しても良い。例えば、訓練データセットは、大量の第一クラスセットに係るラベル有り訓練画像（例えば、各基本クラス、Ｔ（Ｔは１よりも大きいの自然数である）個のラベル有り訓練画像）及び比較的少量の第二クラスセットに係るラベル有り訓練画像（例えば、各新規クラス、Ｒ（Ｒは１よりも大きいの自然数である）個のラベル有り訓練画像）を含んでも良い。例えば、Ｒ＊Ｎｃ＜＜Ｎｂ＊Ｔであり、例えば、Ｒ＊Ｎｃ＜＜Ｔであり、そのうち、Ｎｃ及びＮｂはそれぞれ新規クラス数及び基本クラス数を表す。
【0027】
図２に示すように、第二訓練ユニット１０４が実行する各ラウンドの訓練は1つ又は複数のサブ訓練プロセスを含む。各サブ訓練プロセスでは次のような操作（ステップ）を実行でき、即ち、第二訓練画像セットからＧ個の第一クラスセットに係るラベル有り訓練画像及びＨ個の第二クラスセットに係るラベル有り訓練画像をランダム選択し；Ｈ個の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い；Ｇ個の第一クラスセットに係るラベル有り訓練画像についての第一損失Ｌｂ及びＨ個のランダム変換済みの第二クラスセットに係るラベル有り訓練画像についての第二損失Ｌｎの加重和Ｌｂ＋βＬｎを計算し；訓練済みの第一モデルのパラメータを調整することで加重和を最小化し；及び、所定収束条件（例えば、訓練が所定ラウンド数に達している）を満足したかを確定する操作である。所定収束条件を満足していると確定した場合に、第二訓練ユニット１０４は継続して次のラウンドの訓練を行うことができる。また、第一所定収束条件を満足しない場合に、継続して次のサブ訓練プロセスを行うことができる。例えば、第一所定収束条件は第一損失Ｌｂ及び第二損失Ｌｎの加重和が所定閾値よりも小さいということであっても良い。
【0028】
図２では、Ｇ及びＨは１よりも大きいの自然数であり、かつ実際のニーズに応じて確定され得る。例えば、Ｇ及びＨは同じであっても良い。また、β（０よりも大きい）は第二損失Ｌｎについて設定される重みを表し、βが大きいほど、第二損失Ｌｎがモデル訓練及び最適化に与える作用（影響）が大きくなる。
【0029】
例えば、第二所定収束条件を満足した場合に、第二訓練ユニット１０４は訓練済みの第一モデルに対しての訓練プロセスを終了しても良い。例えば、第二所定収束条件は訓練が所定ラウンド数に達しているということであっても良い。
【0030】
一例として、第二訓練画像セットは第一訓練画像セットと部分的にオーバーラップしても良い。例えば、第二訓練画像セットに含まれる第一クラスセットに係るラベル有り訓練画像は第一訓練画像セットの部分集合であっても良い。また、例えば、第三訓練画像セットは第一訓練画像セットと部分的にオーバーラップしても良く、例えば、第三訓練画像セットに含まれる第一クラスセットに係るラベル有り訓練画像は第一訓練画像セットの部分集合であっても良い。
【0031】
例えば、第一モデルは目標検出モデル（例えば、Ｆａｓｔ Ｒ－ＣＮＮ、Ｆａｓｔｅｒ Ｒ－ＣＮＮなどのモデル）であっても良く、このような場合に、第二モデル及び第三モデルも目標検出モデルであっても良く、また、第三モデルの、予測待ちの画像に対しての予測結果は予測待ちの画像内の１つ又は複数の対象のクラスや位置を含んでも良い。なお、本発明はこれについて限定されず、当業者はニーズに応じて他のモデルを第一モデルとして使用しても良い。
【0032】
例えば、第三訓練ユニット１０６は第二モデルをＮラウンド訓練することができる。
【0033】
一例として、各ラウンドの訓練では第三訓練ユニット１０６は次のような操作を行うことができ、即ち、第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；１つ前のラウンドの訓練により得られた訓練済みの第二モデルを用いて、選択されたＫ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定することで、Ｋ個の偽ラベル付き訓練画像を取得し；Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第五損失及びＫ個の偽ラベル付き訓練画像についての第六損失の加重和を計算し；及び、加重和を最小化することで第二モデルを訓練する操作である。Ｍ、Ｎ及びＫは１よりも大きい自然数である。例えば、ＭはＫと同じであっても良いが、これに限られない。
【0034】
例えば、第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み得る。半分ラベル付き訓練画像セットとは、基本クラス対象が真値でラベル付けられたが、新規クラス対象が真値でラベル付けられない訓練画像セットを指しても良い。例えば、半分ラベル付き訓練画像セットは次のようなもののうちの１つ又は複数を含んでも良く、即ち、真値でラベル付けれた基本クラス対象及び真値でラベル付けられない新規クラス対象を含む訓練画像（即ち、半分ラベル付き訓練画像）；真値でラベル付けられた基本クラス対象を含むが、新規クラス対象を含まない訓練画像；及び、真値でラベル付けられない新規クラス対象を含むが、基本クラス対象を含まない訓練画像である。平衡ラベル付き訓練画像セットとは次のような訓練画像セットを指しても良く、即ち、新規クラス対象及び基本クラス対象がすべて真値でラベル付けられており、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さいものである。実際のニーズに応じて第一所定閾値を設定し得る。例えば、平衡ラベル付き訓練画像セットは次のようなもののうちの１つ又は複数を含んでも良く、即ち、真値でラベル付けられた基本クラス対象及び真値でラベル付けられた新規クラス対象を含む訓練画像；真値でラベル付けられた基本クラス対象を含むが、新規クラス対象を含まない訓練画像；及び、真値でラベル付けられた新規クラス対象を含むが、基本クラス対象を含まない訓練画像である。一例として、半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットは、第三訓練画像セットが新規クラス対象及び基本クラス対象の両方を含むように設定される。
【0035】
例えば、平衡ラベル付き訓練画像セットは次のようなフューショット（ｆｅｗ－ｓｈｏｔ）訓練画像セットであっても良く、即ち、その中の各新規クラス及び各基本クラスが少量（例えば、数個、十数個）のラベル有り対象を有し、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さいものである。
【0036】
もう１つの例として、図３に示すように、各ラウンドの訓練では第三訓練ユニット１０６は次のような操作を行っても良く、即ち、半分ラベル付き訓練画像セットからＳ（例えば、或る例ではＳ＝４である）個の訓練画像（例えば、半分ラベル付き訓練画像）をランダム選択し、１つ前のラウンドの訓練で得られた訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像に対して偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、かつＳ個の偽ラベル付き訓練画像を用いて偽ラベル付き訓練画像セットを更新し；平衡ラベル付き訓練画像セットからＭ（例えば、或る例ではＭ＝３である）個の訓練画像をランダム選択し；偽ラベル付き訓練画像セットからＫ（例えば、或る例ではＫ＝３である）個の偽ラベル付き訓練画像をランダム選択し；Ｍ個の訓練画像についての第三損失Ｌｓ及びＫ個の偽ラベル付き訓練画像についての第四損失Ｌｕの加重和Ｌｓ＋αＬｕを計算し；及び、加重和を最小化することで第二モデルを訓練する操作である。そのうち、Ｓは１よりも大きいの自然数である、例えば、Ｓ≧Ｋである。α（０よりも大きい）は第四損失Ｌｕについて設定される重みを表し、αが大きいほど、第四損失Ｌｕがモデル訓練及び最適化に与える作用が大きくなる。
【0037】
各ラウンドの訓練で第三訓練画像セットから第二クラスセットに係るラベル無し訓練画像をランダム選択し、かつ選択されたラベル無し訓練画像について偽ラベルを設定することで取得された偽ラベル付き訓練画像を使用して第二モデルを訓練する場合に比べて、各ラウンドの訓練で偽ラベル付き訓練画像セットから偽ラベル付き訓練画像をランダム選択して第二モデルを訓練する場合は、訓練プロセスをよりスムーズにすることができるため、例えば、取得される最終モデルの予測精度をさらに向上させることができる。
【0038】
例えば、第二クラスセットに係るラベル無し訓練画像が基本クラス対象を含む場合に、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて該訓練画像に対して予測を行うことで予測結果を取得し、そして、予測結果のうち、新規クラス対象についての予測結果と、基本クラス対象の真値との融合（例えば、新規クラス対象についての予測結果を該新規クラス対象の偽ラベルと設定し、基本クラス対象については真値を使用する）を行うことで、偽ラベル付き訓練画像を得ることができる。また、例えば、第二クラスセットに係るラベル無し訓練画像が基本クラス対象を含まない場合に、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを使用して該訓練画像に対して予測を行うことで予測結果を取得し、そして、予測結果のうち、新規クラス対象についての予測結果を該新規クラス対象の偽ラベルと設定することで、偽ラベル付き訓練画像を得ることができる。
【0039】
一例として、第二モデルに対して訓練を行う前に、偽ラベル付き訓練画像セットは任意の訓練画像を含まなくても良い。もう１つの例として、第二モデルに対して訓練を行う前に、第三訓練画像セットから第一所定数（例えば、１００であるが、これに限られない）の第二クラスセットに係るラベル無し訓練画像（例えば、半分ラベル付き訓練画像）をランダム選択し、そして、第二モデルを用いて、選択された第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定することで、偽ラベル付き訓練画像を初期の偽ラベル付き訓練画像セット内の訓練画像として得ることができる。
【0040】
例えば、偽ラベル付き訓練画像を用いて偽ラベル付き訓練画像セットを更新することは、偽ラベル付き訓練画像を偽ラベル付き訓練画像セットに追加することを含んでも良い。また、例えば、偽ラベル付き訓練画像を使用して偽ラベル付き訓練画像セットを更新することは、偽ラベル付き訓練画像を偽ラベル付き訓練画像セットに追加し、かつ偽ラベル付き訓練画像セット内の一部の訓練画像を削除することで、偽ラベル付き訓練画像セットが第二所定数の訓練画像のみを含むようにさせることを含んでも良い。例えば、先入れ先出し（Ｆｉｒｓｔ ｉｎ Ｆｉｒｓｔ ｏｕｔ）の方式で偽ラベル付き訓練画像セット内の訓練画像を削除しても良い。実際のニーズに応じて第二所定数を設定しても良い。例えば、第二所定数は第一所定数と同じであっても良い。
【0041】
例えば、１つ前のラウンドの訓練で取得された訓練済みの第二モデルの、第二クラスセットに係るラベル無し訓練画像内の新規クラス対象に対しての予測結果の信頼度が第二所定閾値（例えば、０．８）よりも大きい場合にのみ、該予測結果を該新規クラス対象の偽ラベルと設定し、そうでない場合、該新規クラス対象を背景と見なしても良い。
【0042】
例えば、第二モデルが目標検出モデルである場合に、Ｌｓ及びＬｕはそれぞれ以下の式（１）及び（２）で表すことができる。
【0043】
Ｌｓ＝Ｌｒｐｎ＿ｃｌｓ＿ｓ＋Ｌｒｐｎ＿ｌｏｃ＿ｓ＋Ｌｂｏｘ＿ｃｌｓ＿ｓ＋Ｌｂｏｘ＿ｌｏｃ＿ｓ （１）
Ｌｕ＝Ｌｒｐｎ＿ｃｌｓ＿ｕ＋Ｌｒｐｎ＿ｌｏｃ＿ｕ＋Ｌｂｏｘ＿ｃｌｓ＿ｕ＋Ｌｂｏｘ＿ｌｏｃ＿ｕ （２）
式（１）及び式（２）では、Ｌｒｐｎ＿ｃｌｓ＿ｓは候補領域抽出ネットワーク（Ｒｅｇｉｏｎ Ｐｒｏｐｏｓａｌ Ｎｅｔｗｏｒｋ、ＲＰＮ）の、真ラベル（正解ラベル）有り基本クラス訓練画像についての分類損失（２項分類であり、対象と背景のみを区別する）を表し、Ｌｒｐｎ＿ｃｌｓ＿ｕはＲＰＮの、偽ラベル有り新規クラス訓練画像についての分類損失（２項分類であり、対象と背景のみを区別する）を表す。Ｌｒｐｎ＿ｌｏｃ＿ｓはＲＰＮの、真ラベル有り基本クラス訓練画像についてのポジショニング損失を表す。Ｌｒｐｎ＿ｌｏｃ＿ｕはＲＰＮの、偽ラベル有り新規クラス訓練画像についてのポジショニング損失を表す。Ｌｂｏｘ＿ｃｌｓ＿ｓは検出ネットワークの、真ラベル有り基本クラス訓練画像についての分類損失（多項分類であり、具体的にどのクラスの対象であるかを区別する）を表し、Ｌｂｏｘ＿ｃｌｓ＿ｕは検出ネットワークの、偽ラベル有り新規クラス訓練画像についての分類損失（多分類であり、具体的にどのクラスの対象であるかを区別する）を表す。Ｌｂｏｘ＿ｌｏｃ＿ｓは検出ネットワークの、真ラベル有り基本クラス訓練画像についてのポジショニング損失を表し、Ｌｂｏｘ＿ｌｏｃ＿ｕは検出ネットワークの、偽ラベル有り新規クラス訓練画像についてのポジショニング損失を表す。
Ｌｕ＝Ｌｒｐｎ＿ｃｌｓ＿ｕ＋Ｌｒｐｎ＿ｌｏｃ＿ｕ＋Ｌｂｏｘ＿ｃｌｓ＿ｕ＋Ｌｂｏｘ＿ｌｏｃ＿ｕ （２）
式（１）及び式（２）では、Ｌｒｐｎ＿ｃｌｓ＿ｓは候補領域抽出ネットワーク（Ｒｅｇｉｏｎ Ｐｒｏｐｏｓａｌ Ｎｅｔｗｏｒｋ、ＲＰＮ）の、真ラベル（正解ラベル）有り基本クラス訓練画像についての分類損失（２項分類であり、対象と背景のみを区別する）を表し、Ｌｒｐｎ＿ｃｌｓ＿ｕはＲＰＮの、偽ラベル有り新規クラス訓練画像についての分類損失（２項分類であり、対象と背景のみを区別する）を表す。Ｌｒｐｎ＿ｌｏｃ＿ｓはＲＰＮの、真ラベル有り基本クラス訓練画像についてのポジショニング損失を表す。Ｌｒｐｎ＿ｌｏｃ＿ｕはＲＰＮの、偽ラベル有り新規クラス訓練画像についてのポジショニング損失を表す。Ｌｂｏｘ＿ｃｌｓ＿ｓは検出ネットワークの、真ラベル有り基本クラス訓練画像についての分類損失（多項分類であり、具体的にどのクラスの対象であるかを区別する）を表し、Ｌｂｏｘ＿ｃｌｓ＿ｕは検出ネットワークの、偽ラベル有り新規クラス訓練画像についての分類損失（多分類であり、具体的にどのクラスの対象であるかを区別する）を表す。Ｌｂｏｘ＿ｌｏｃ＿ｓは検出ネットワークの、真ラベル有り基本クラス訓練画像についてのポジショニング損失を表し、Ｌｂｏｘ＿ｌｏｃ＿ｕは検出ネットワークの、偽ラベル有り新規クラス訓練画像についてのポジショニング損失を表す。
【0044】
一例として、第三損失Ｌｓ及び第四損失Ｌｕのうちの各々は、訓練画像の特徴の間の距離を表すためのクラスタリング損失Ｌｃｏｎｔｒａｓｔを含み、これによって、取得される第三モデルの予測精度をさらに向上させることができる。このような場合に、Ｌｓ及びＬｕはそれぞれ次の式（３）及び（４）で表すことができる。
【0045】
Ｌｓ＝Ｌｒｐｎ＿ｃｌｓ＿ｓ＋Ｌｒｐｎ＿ｌｏｃ＿ｓ＋Ｌｂｏｘ＿ｃｌｓ＿ｓ＋Ｌｂｏｘ＿ｌｏｃ＿ｓ＋λＬｃｏｎｔｒａｓｔｓ （３）
Ｌｕ＝Ｌｒｐｎ＿ｃｌｓ＿ｕ＋Ｌｒｐｎ＿ｌｏｃ＿ｕ＋Ｌｂｏｘ＿ｃｌｓ＿ｕ＋Ｌｂｏｘ＿ｌｏｃ＿ｕ＋λＬｃｏｎｔｒａｓｔｕ （４）
式（３）及び式（４）では、Ｌｃｏｎｔｒａｓｔｓ及びＬｃｏｎｔｒａｓｔｕは、それぞれ、真ラベル有り基本クラス訓練画像についてのクラスタリング損失及び偽ラベル有り新規クラス訓練画像についてのクラスタリング損失を表す。λ（０よりも大きい）はクラスタリング損失について設定される重みを表し、λが大きいほど、類似特徴の間の距離が小さくなる。例えば、クラスタリング損失Ｌｃｏｎｔｒａｓｔは以下の式（５）及び（６）で表しても良い。
Ｌｕ＝Ｌｒｐｎ＿ｃｌｓ＿ｕ＋Ｌｒｐｎ＿ｌｏｃ＿ｕ＋Ｌｂｏｘ＿ｃｌｓ＿ｕ＋Ｌｂｏｘ＿ｌｏｃ＿ｕ＋λＬｃｏｎｔｒａｓｔｕ （４）
式（３）及び式（４）では、Ｌｃｏｎｔｒａｓｔｓ及びＬｃｏｎｔｒａｓｔｕは、それぞれ、真ラベル有り基本クラス訓練画像についてのクラスタリング損失及び偽ラベル有り新規クラス訓練画像についてのクラスタリング損失を表す。λ（０よりも大きい）はクラスタリング損失について設定される重みを表し、λが大きいほど、類似特徴の間の距離が小さくなる。例えば、クラスタリング損失Ｌｃｏｎｔｒａｓｔは以下の式（５）及び（６）で表しても良い。
【0046】
【数1】
【0047】
式（６）では、Ｎｙｉは現在のバッチのデータにおける候補枠のラベル又は偽ラベルがｙｉである候補枠の数を表す。
【0048】
【数2】
【0049】
【数3】
【0050】
【数4】
【0051】
図４は第一モデル、第二モデル及び第三モデルが目標検出モデルである場合に情報処理装置１００が取得した第三モデルと、他の技術によるものとの比較を示す図である。図４では、モデルＡは第三訓練ユニット１０６がない場合に第一訓練ユニット１０２の事前訓練プロセス及び第二訓練ユニット１０４の微調整プロセスにより取得された訓練済みのモデルを表し、モデルＢは第二訓練ユニット１０４がない場合に第三訓練ユニット１０６が第一訓練ユニット１０２により取得された訓練済みの第一モデルを訓練することで取得されたモデルを表す。また、図４では、“自己訓練”は第三訓練ユニット１０６が実行する訓練プロセスを表し、“半分ラベル付き（１０％）”は、自己訓練プロセスで半分ラベル付き訓練画像セット内の１０％の訓練画像を使用することを表す。同様に、“半分ラベル付き（５０％）”は、自己訓練プロセスで半分ラベル付き訓練画像セット内の５０％の訓練画像を使用することを表し、“半分ラベル付き（１００％）”は、自己訓練プロセスで半分ラベル付き訓練画像セット内の全部の訓練画像を使用することを表す。また、図４では、１０ｓｈｏｔ（ＡＰ５０）は、訓練セット内の各クラスのラベル有り対象の数が１０であり、かつＩｏＵ閾値が０．５であるときの新規クラス及び基本クラスの平均正確率を表す。１０ｓｈｏｔ（ｎＡＰ５０）は、訓練セット内の各クラスのラベル有り対象の数が１０であり、かつＩｏＵ閾値が０．５であるときの新規クラスの平均正確率を表す。
【0052】
図４に示す例について、訓練プロセスでは採用される訓練画像セットは１５個の基本クラス及び５個の新規クラスを含み、微調整プロセスでは１０－ｓｈｏｔ訓練画像セットを使用し、また、自己訓練プロセスでは１０－ｓｈｏｔ訓練画像セット及び半分ラベル付き訓練画像セットを使用する。１０－ｓｈｏｔ訓練画像セットは、１５個の基本クラス及び５個の新規クラスのうちの各クラスについて、真値でラベル付けられた１０個の実例（即ち、対象）を含むことを表す。また、自己訓練では、αは０．５に設定され、λは０．１２５に初期化され、かつ訓練時間の経過に伴って減衰（減少）する。
【0053】
図４から分かるように、クラスタリング損失が導入されず、かつ自己訓練プロセスで半分ラベル付き訓練画像セット内の５０％の訓練画像を使用した場合に、本発明の実施例により取得された第三モデルの予測精度（１０ｓｈｏｔ（ＡＰ５０））はモデルＢの予測精度に比較して１．７％向上している。また、クラスタリング損失が導入された場合に、本発明の実施例により取得された第三モデルの予測精度（１０ｓｈｏｔ（ＡＰ５０））はさらに０．２％向上している。
【0054】
以上、本発明の実施例による情報処理装置について説明した。上述の情報処理装置の実施例に対応して、本発明はさらに、以下の情報処理方法の実施例を提供する。
【0055】
図５は本発明の実施例による情報処理方法５００の例示的なフローチャートである。図５に示すように、本発明の実施例による情報処理方法は開始ステップＳ５０２でスタートし、終了ステップＳ５１０でエンドしても良く、また、第一訓練ステップＳ５０４、第二訓練ステップＳ５０６及び第三訓練ステップＳ５０８を含んでも良い。
【0056】
第一訓練ステップＳ５０４では、第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得できる。例えば、第一訓練ステップＳ５０４は上述の第一訓練ユニット１０２によって実行できるため、その具体的な細部については上述の第一訓練ユニット１０２についての説明を参照できる。
【0057】
第二訓練ステップＳ５０６では、第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得できる。例えば、第二訓練ステップＳ５０６は上述の第二訓練ユニット１０４によって実行できるため、その具体的な細部については上述の第二訓練ユニット１０４についての説明を参照できる。
【0058】
第三訓練ステップＳ５０８では、第三訓練画像セットを用いて第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得できる。例えば、第三訓練ステップＳ５０８は上述の第三訓練ユニット１０６によって実行できるため、その具体的な細部については上述の第三訓練ユニット１０６について説明を参照できる。
【0059】
上述の本発明の実施例に係る情報処理装置１００と同様に、本発明の実施例による情報処理方法５００は第一モデルに対して３段階の訓練を行うことができるため、取得される第三モデルが第一クラスセットの画像及び第二クラスセットの画像についてすべて良好な予測精度を有するようにさせることができる。また、例えば、第二訓練ステップＳ５０４がない場合に比べて、本発明の実施例による３段階の訓練の場合に取得される最終モデルの予測精度は高い。
【0060】
例えば、第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含んでも良い。例えば、第二訓練画像セットは第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含んでも良い。また、例えば、第三訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル無し訓練画像を含んでも良い。
【0061】
例えば、第一クラスセットは第二クラスセットとは互いにオーバーラップしなくても良い。
【0062】
例えば、第二訓練ステップＳ５０６では、第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換（例えば、反転、回転、コントラストの変更など）を行い、変換後の訓練画像を利用して訓練済みの第一モデルを訓練することで、第二クラスセットに係る訓練画像の多様性を増加させ、その後に第三訓練ステップＳ５０８により取得される第三モデルの第二クラスセットの画像についての予測精度を向上させることができる。
【0063】
例えば、第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、第一訓練画像セット内の、第一クラスセット内の各クラスについてのラベル有り訓練画像の平均数よりも小さくても良く、これによって、ラベルの設定にかかる作業量を減少させることができる。
【0064】
例えば、第二訓練画像セットは第一訓練画像セットと部分的にオーバーラップしても良い。例えば、第三訓練画像セットは第一訓練画像セットと部分的にオーバーラップしても良い。
【0065】
例えば、第三訓練ステップＳ５０８では、第二モデルを使用して第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定しても良い。
【0066】
一例として、第三訓練ステップＳ５０８ではＮラウンドの訓練を実行でき、各ラウンドの訓練では次のような操作を行い、即ち、第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；１つ前のラウンドの訓練で取得された訓練済みの第二モデルを使用してＫ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定することで、Ｋ個の偽ラベル付き訓練画像を取得し；Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第一損失及びＫ個の偽ラベル付き訓練画像についての第二損失の加重和を計算し；及び、加重和を最小化して第二モデルを訓練する操作である。
【0067】
例えば、第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み得る。
【0068】
一例として、第三訓練ステップＳ５０８ではＮラウンドの訓練を実行でき、各ラウンドの訓練では次のような操作を行い、即ち、半分ラベル付き訓練画像セットからＳ個の訓練画像をランダム選択し、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像について偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、偽ラベル付き訓練画像を利用して偽ラベル付き訓練画像セットの更新を行い；平衡ラベル付き訓練画像セットからＭ個の訓練画像をランダム選択し；偽ラベル付き訓練画像セットからＫ個の偽ラベル付き訓練画像をランダム選択し；Ｍ個の訓練画像についての第三損失及びＫ個の偽ラベル付き訓練画像についての第四損失の加重和を計算し；及び、加重和を最小化して第二モデルを訓練する操作である。
【0069】
例えば、第一損失及び第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含むことができるため、第三モデルの予測精度をさらに向上させることができる。
【0070】
例えば、本発明に基づく技術は自動運転、セキュリティなどの分野で適用されても良いが、これらに限定されない。
【0071】
なお、以上、本発明の実施例による情報処理装置及び情報処理方法の機能及び操作を説明したが、これらは例示に過ぎず、当業者は本発明の原理をもとに上述の実施例を変更しても良く、例えば、各実施例における機能モジュール及び操作に対して追加、削除、組み合わせなどを行っても良く、かつこのような変更はすべて本発明の範囲内に属する。
【0072】
また、ここでの方法の実施例は上述の装置の実施例に対応するので、方法の実施例で詳細に説明されていない内容については装置の実施例中の対応部分の説明を参照でき、ここではその詳しい説明を省略する。
【0073】
また、本発明では記憶媒体及びプログラムプロダクトがさらに提供される。理解できるように、本発明の実施例による記憶媒体及びプログラムプロダクトにおけるマシン実行可能な命令はさらに、上述の情報処理方法を実行するように構成されても良い。よって、ここで詳細に説明されていない内容については前述の対応部分の説明を参照でき、ここではその詳しい説明を省略する。
【0074】
それ相応に、上述のマシン実行可能な命令をキャリーするためのプログラムプロダクトの記憶媒体も本発明の開示に含まれる。該記憶媒体はフロッピーディスク、光ディスク、磁気ディスク、メモリカード、メモリスティックなどを含むが、これらに限定されない。
【0075】
また、上述の実施例に記載の方法はソフトウェア、ハードウェア、又はソフトウェアとハードウェアとの組み合わせにより実現されても良い。ソフトウェアに含まれるプログラムは装置の内部又は外部に設置される記憶媒体に事前記憶できる。１つの例として、実行時に、これらのプログラムはＲＡＭに書き込まれ、かつ処理器（例えば、ＣＰＵ）により実行されることで、上述の各種の方法及び処理を実現できる。
【0076】
図６は本発明の実施例における方法及び／又は装置を実現し得る汎用パソコン１０００の例示的な構成を示す図である。
【0077】
コンピュータ１０００は、例えば、コンピュータシステムであっても良い。なお、コンピュータ１０００は例示に過ぎず、本発明による方法及び装置の適用範囲又は機能について限定しない。また、コンピュータ１０００は、上述の方法及び装置における任意のモジュールやアセンブリなど又はその組み合わせにも依存しない。
【0078】
図６では、中央処理装置（ＣＰＵ）１００１は、ＲＯＭ１００２に記憶されているプログラム又は記憶部１００８からＲＡＭ１００３にロッドされているプログラムに基づいて各種の処理を行う。ＲＡＭ１００３では、ニーズに応じて、ＣＰＵ１００１が各種の処理を行うときに必要なデータなどを記憶することもできる。ＣＰＵ１００１、ＲＯＭ１００２及びＲＡＭ１００３は、バス１００４を経由して互いに接続される。入力／出力インターフェース１００５もバス１００６に接続される。
【0079】
また、入力／出力インターフェース１００５にはさらに、次のような部品が接続され、即ち、キーボードなどを含む入力部１００６、液晶表示器（ＬＣＤ）などのような表示器及びスピーカーなどを含む出力部１００７、ハードディスクなどを含む記憶部１００８、ネットワークインターフェースカード、例えば、ＬＡＮカード、モデムなどを含む通信部１００９である。通信部１００９は、例えば、インターネット、ＬＡＮなどのネットワークを経由して通信処理を行う。ドライブ１０１０は、ニーズに応じて、入力／出力インターフェース１００５に接続されても良い。取り外し可能な媒体６１１、例えば、半導体メモリなどは、必要に応じて、ドライブ１０１０にセットされることにより、その中から読み取られたコンピュータプログラムを記憶部１００８にインストールすることができる。
【0080】
また、本発明は、さらに、マシン可読命令コードを含むプログラムプロダクトを提供する。このような命令コードは、マシンにより読み取られて実行されるときに、上述の本発明の実施形態における方法を実行することができる。それ対応に、このようなプログラムプロダクトをキャリー（ｃａｒｒｙ）する、例えば、磁気ディスク（フロッピーディスク（登録商標）を含む）、光ディスク（ＣＤ－ＲＯＭ及びＤＶＤを含む）、光磁気ディスク（ＭＤ（登録商標）を含む）、及び半導体記憶器などの各種記憶媒体も、本発明に含まれる。
【0081】
上述の記憶媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、半導体記憶器などを含んでも良いが、これらに限定されない。
【0082】
また、上述の方法における各操作（処理）は、各種のマシン可読記憶媒体に記憶されているコンピュータ実行可能なプログラムの方式で実現することもできる。
【0083】
また、以上の実施例などに関し、さらに以下のように付記として開示する。
【0084】
（付記１）
情報処理装置であって、
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得する第一訓練ユニット；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得する第二訓練ユニット；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得する第三訓練ユニットを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは少なくとも、前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
前記第二訓練ユニットは前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練し、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、装置。
情報処理装置であって、
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得する第一訓練ユニット；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得する第二訓練ユニット；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得する第三訓練ユニットを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは少なくとも、前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
前記第二訓練ユニットは前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練し、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、装置。
【0085】
（付記２）
付記１に記載の情報処理装置であって、
前記第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、前記第一訓練画像セット内の、前記第一クラスセット内の各クラスについてのラベル有り訓練画像の平均数よりも小さい、装置。
付記１に記載の情報処理装置であって、
前記第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、前記第一訓練画像セット内の、前記第一クラスセット内の各クラスについてのラベル有り訓練画像の平均数よりも小さい、装置。
【0086】
（付記３）
付記１に記載の情報処理装置であって、
前記第二訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップし、
前記第三訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップする、装置。
付記１に記載の情報処理装置であって、
前記第二訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップし、
前記第三訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップする、装置。
【0087】
（付記４）
付記１に記載の情報処理装置であって、
前記第二モデルを訓練する過程では、前記第三訓練ユニットは前記第二モデルを用いて前記第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定する、装置。
付記１に記載の情報処理装置であって、
前記第二モデルを訓練する過程では、前記第三訓練ユニットは前記第二モデルを用いて前記第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定する、装置。
【0088】
（付記５）
付記１乃至４のうちのいずれか１項に記載の情報処理装置であって、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；
１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、前記Ｋ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定することで、Ｋ個の偽ラベル付き訓練画像を取得し；
前記Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第一損失及び前記Ｋ個の偽ラベル付き訓練画像についての第二損失の加重和を計算し；及び
前記加重和を最小化することで前記第二モデルを訓練することであり、
Ｍ、Ｎ及びＫは１よりも大きい自然数である、装置。
付記１乃至４のうちのいずれか１項に記載の情報処理装置であって、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；
１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、前記Ｋ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定することで、Ｋ個の偽ラベル付き訓練画像を取得し；
前記Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第一損失及び前記Ｋ個の偽ラベル付き訓練画像についての第二損失の加重和を計算し；及び
前記加重和を最小化することで前記第二モデルを訓練することであり、
Ｍ、Ｎ及びＫは１よりも大きい自然数である、装置。
【0089】
（付記６）
付記１乃至４のうちのいずれか１項に記載の情報処理装置であって、
前記第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記半分ラベル付き訓練画像セットからＳ個の訓練画像をランダム選択し、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像について偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、そして、前記偽ラベル付き訓練画像を用いて偽ラベル付き訓練画像セットを更新し；
平衡ラベル付き訓練画像セットからＭ個の訓練画像をランダム選択し；
前記偽ラベル付き訓練画像セットからＫ個の偽ラベル付き訓練画像をランダム選択し；
前記Ｍ個の訓練画像についての第三損失及び前記Ｋ個の偽ラベル付き訓練画像についての第四損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することであり、
前記半分ラベル付き訓練画像セットは、基本クラス対象が真値でラベル付けられたが、新規クラス対象が真値でラベル付けられない訓練画像セットを表し、
前記平衡ラベル付き訓練画像セットは、新規クラス対象及び基本クラス対象が真値でラベル付けられており、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さい訓練画像セットを表し。
付記１乃至４のうちのいずれか１項に記載の情報処理装置であって、
前記第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練を実行することを含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記半分ラベル付き訓練画像セットからＳ個の訓練画像をランダム選択し、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像について偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、そして、前記偽ラベル付き訓練画像を用いて偽ラベル付き訓練画像セットを更新し；
平衡ラベル付き訓練画像セットからＭ個の訓練画像をランダム選択し；
前記偽ラベル付き訓練画像セットからＫ個の偽ラベル付き訓練画像をランダム選択し；
前記Ｍ個の訓練画像についての第三損失及び前記Ｋ個の偽ラベル付き訓練画像についての第四損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することであり、
前記半分ラベル付き訓練画像セットは、基本クラス対象が真値でラベル付けられたが、新規クラス対象が真値でラベル付けられない訓練画像セットを表し、
前記平衡ラベル付き訓練画像セットは、新規クラス対象及び基本クラス対象が真値でラベル付けられており、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さい訓練画像セットを表し。
【0090】
Ｍ、Ｓ、Ｎ及びＫは１よりも大きい自然数である、装置。
【0091】
（付記７）
付記６に記載の情報処理装置であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、装置。
付記６に記載の情報処理装置であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、装置。
【0092】
（付記８）
付記５に記載の情報処理装置であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、装置。
付記５に記載の情報処理装置であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、装置。
【0093】
（付記９）
付記１乃至４のうちのいずれか１項に記載の情報処理装置であって、
前記第一モデルは目標検出モデルである、装置。
付記１乃至４のうちのいずれか１項に記載の情報処理装置であって、
前記第一モデルは目標検出モデルである、装置。
【0094】
（付記１０）
情報処理方法であって、
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得し；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得し；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得することを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは少なくとも、前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
第二訓練画像セットを用いて訓練済みの第一モデルを訓練することは、前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練することを含み、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、方法。
情報処理方法であって、
第一訓練画像セットを用いて第一モデルを訓練し、訓練済みの第一モデルを取得し；
第二訓練画像セットを用いて訓練済みの第一モデルを訓練し、再訓練の第一モデルを第二モデルとして取得し；及び
第三訓練画像セットを用いて前記第二モデルを訓練し、再訓練の第二モデルを、予測待ち対象に対して予測を行うための第三モデルとして取得することを含み、
前記第一訓練画像セットは第一クラスセットに係るラベル有り訓練画像を含み、
前記第二訓練画像セットは前記第一クラスセットに係るラベル有り訓練画像及び第二クラスセットに係るラベル有り訓練画像を含み、
前記第三訓練画像セットは少なくとも、前記第一クラスセットに係るラベル有り訓練画像及び前記第二クラスセットに係るラベル無し訓練画像を含み、
第二訓練画像セットを用いて訓練済みの第一モデルを訓練することは、前記第二訓練画像セット内の第二クラスセットに係るラベル有り訓練画像に対してランダム変換を行い、変換後の訓練画像を用いて前記訓練済みの第一モデルを訓練することを含み、
前記第一クラスセットは前記第二クラスセットとは互いにオーバーラップしない、方法。
【0095】
（付記１１）
付記１０に記載の情報処理方法であって、
前記第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、前記第一訓練画像セット内の、前記第一クラスセット内の各クラスに関するラベル有り訓練画像の平均数よりも小さい、方法。
付記１０に記載の情報処理方法であって、
前記第二訓練画像セットに含まれる第二クラスセットに係るラベル有り訓練画像の数は、前記第一訓練画像セット内の、前記第一クラスセット内の各クラスに関するラベル有り訓練画像の平均数よりも小さい、方法。
【0096】
（付記１２）
付記１０に記載の情報処理方法であって、
前記第二訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップし、
前記第三訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップする、方法。
付記１０に記載の情報処理方法であって、
前記第二訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップし、
前記第三訓練画像セットは前記第一訓練画像セットと部分的にオーバーラップする、方法。
【0097】
（付記１３）
付記１０に記載の情報処理方法であって、
前記第二モデルを訓練する過程では、前記第二モデルを使用して前記第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定する、方法。
付記１０に記載の情報処理方法であって、
前記第二モデルを訓練する過程では、前記第二モデルを使用して前記第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定する、方法。
【0098】
（付記１４）
付記１０乃至１３のうちのいずれか１項に記載の情報処理方法であって、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練の実行を含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；
１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、前記Ｋ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定することで、Ｋ個の偽ラベル付き訓練画像を取得し；
前記Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第一損失及び前記Ｋ個の偽ラベル付き訓練画像についての第二損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することであり、
Ｍ、Ｎ及びＫは１よりも大きい自然数である、方法。
付記１０乃至１３のうちのいずれか１項に記載の情報処理方法であって、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練の実行を含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記第三訓練画像セットからＭ個の第一クラスセットに係るラベル有り訓練画像及びＫ個の第二クラスセットに係るラベル無し訓練画像をランダム選択し；
１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、前記Ｋ個の第二クラスセットに係るラベル無し訓練画像に対して偽ラベルを設定することで、Ｋ個の偽ラベル付き訓練画像を取得し；
前記Ｍ個の第一クラスセットに係るラベル有り訓練画像についての第一損失及び前記Ｋ個の偽ラベル付き訓練画像についての第二損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することであり、
Ｍ、Ｎ及びＫは１よりも大きい自然数である、方法。
【0099】
（付記１５）
付記１０乃至１３のうちのいずれか１項に記載の情報処理方法であって、
前記第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練の実行を含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記半分ラベル付き訓練画像セットからＳ個の訓練画像をランダム選択し、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像について偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、そして、前記偽ラベル付き訓練画像を利用して偽ラベル付き訓練画像セットを更新し；
平衡ラベル付き訓練画像セットからＭ個の訓練画像をランダム選択し；
前記偽ラベル付き訓練画像セットからＫ個の偽ラベル付き訓練画像をランダム選択し；
前記Ｍ個の訓練画像についての第三損失及び前記Ｋ個の偽ラベル付き訓練画像についての第四損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することであり、
Ｍ、Ｓ、Ｎ及びＫは１よりも大きい自然数である、方法。
付記１０乃至１３のうちのいずれか１項に記載の情報処理方法であって、
前記第三訓練画像セットは半分ラベル付き訓練画像セット及び平衡ラベル付き訓練画像セットを含み、
第三訓練画像セットを用いて前記第二モデルを訓練することはＮラウンドの訓練の実行を含み、各ラウンドの訓練では以下のことを実行し、即ち、
前記半分ラベル付き訓練画像セットからＳ個の訓練画像をランダム選択し、１つ前のラウンドの訓練で取得された訓練済みの第二モデルを用いて、選択されたＳ個の訓練画像について偽ラベルを設定することで、Ｓ個の偽ラベル付き訓練画像を取得し、そして、前記偽ラベル付き訓練画像を利用して偽ラベル付き訓練画像セットを更新し；
平衡ラベル付き訓練画像セットからＭ個の訓練画像をランダム選択し；
前記偽ラベル付き訓練画像セットからＫ個の偽ラベル付き訓練画像をランダム選択し；
前記Ｍ個の訓練画像についての第三損失及び前記Ｋ個の偽ラベル付き訓練画像についての第四損失の加重和を計算し；及び
前記加重和を最小化して前記第二モデルを訓練することであり、
Ｍ、Ｓ、Ｎ及びＫは１よりも大きい自然数である、方法。
【0100】
（付記１６）
付記１４に記載の情報処理方法であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、方法。
付記１４に記載の情報処理方法であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、方法。
【0101】
（付記１７）
付記１５に記載の情報処理方法であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、方法。
付記１５に記載の情報処理方法であって、
前記第一損失及び前記第二損失のうちの各々は訓練画像の特徴の間の距離を表すクラスタリング損失を含む、方法。
【0102】
（付記１８）
付記１０乃至１３のうちのいずれか１項に記載の情報処理方法であって、
前記第一モデルは目標検出モデルである、方法。
付記１０乃至１３のうちのいずれか１項に記載の情報処理方法であって、
前記第一モデルは目標検出モデルである、方法。
【0103】
（付記１９）
付記１５に記載の情報処理方法であって、
前記半分ラベル付き訓練画像セットは、基本クラス対象が真値でラベル付けられたが、新規クラス対象が真値でラベル付けられない訓練画像セットを表し、
前記平衡ラベル付き訓練画像セットは、新規クラス対象及び基本クラス対象が真値でラベル付けられており、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さい訓練画像セットを表す、方法．
（付記２０）
命令を記憶したコンピュータ可読記憶媒体であって、
前記命令はコンピュータにより実行されるときに、前記コンピュータに、付記１０乃至１９のうちのいずれか１項に記載の情報処理方法を実行させるように構成される、コンピュータ可読記憶媒体。
付記１５に記載の情報処理方法であって、
前記半分ラベル付き訓練画像セットは、基本クラス対象が真値でラベル付けられたが、新規クラス対象が真値でラベル付けられない訓練画像セットを表し、
前記平衡ラベル付き訓練画像セットは、新規クラス対象及び基本クラス対象が真値でラベル付けられており、かつ各クラスのラベル有り対象の数の間の差が第一所定閾値よりも小さい訓練画像セットを表す、方法．
（付記２０）
命令を記憶したコンピュータ可読記憶媒体であって、
前記命令はコンピュータにより実行されるときに、前記コンピュータに、付記１０乃至１９のうちのいずれか１項に記載の情報処理方法を実行させるように構成される、コンピュータ可読記憶媒体。
【0104】
以上、本発明の好ましい実施形態を説明したが、本発明はこの実施形態に限定されず、本発明の趣旨を離脱しない限り、本発明に対するあらゆる変更は、本発明の技術的範囲に属する。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】