知財求人 - 知財ポータルサイト「IP Force」
▶ 三菱重工業株式会社の特許一覧 ▶ 独立行政法人産業技術総合研究所の特許一覧
(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】P2024089476
(43)【公開日】2024-07-03
(54)【発明の名称】情報処理装置、検知装置、情報処理方法及びプログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20240626BHJP
G06V 10/72 20220101ALI20240626BHJP
【ＦＩ】
G06T7/00 350B
G06V10/72
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022204866
(22)【出願日】2022-12-21
(71)【出願人】
【識別番号】000006208
【氏名又は名称】三菱重工業株式会社
(71)【出願人】
【識別番号】301021533
【氏名又は名称】国立研究開発法人産業技術総合研究所
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】小林 周
(72)【発明者】
【氏名】松本 知浩
(72)【発明者】
【氏名】杉本 喜一
(72)【発明者】
【氏名】岩田 健司
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096HA08
5L096KA04
(57)【要約】 （修正有）
【課題】対象物の誤検知及び見逃しの少なくとも一方を抑制する情報処理装置、検知装置、情報処理方法及びプログラムを提供する。
【解決手段】検知システム１００において、情報処理装置１０は、設備Ｗ内の監視対象となる検知領域ＡＲ０のうちの一部の領域である対象領域ＡＲが写り、かつ、対象物Ａが写らない第１画像の画像データを取得する第１画像取得部と、第１画像の画像データに基づいて、検知領域のうちから、対象物の誤検知が起こる誤検知領域と、対象物の見逃しが起こる見逃し領域との少なくとも一方を検出する検出部と、誤検知領域が写る画像に対象物が重畳する画像と、見逃し領域が写る画像に対象物が重畳する画像との、少なくとも一方である第２画像を取得する第２画像取得部と、第２画像の画像データを教師データとして、画像内における対象物の有無を識別モデルに機械学習させる学習部と、を含む。
【選択図】図１
【解決手段】検知システム１００において、情報処理装置１０は、設備Ｗ内の監視対象となる検知領域ＡＲ０のうちの一部の領域である対象領域ＡＲが写り、かつ、対象物Ａが写らない第１画像の画像データを取得する第１画像取得部と、第１画像の画像データに基づいて、検知領域のうちから、対象物の誤検知が起こる誤検知領域と、対象物の見逃しが起こる見逃し領域との少なくとも一方を検出する検出部と、誤検知領域が写る画像に対象物が重畳する画像と、見逃し領域が写る画像に対象物が重畳する画像との、少なくとも一方である第２画像を取得する第２画像取得部と、第２画像の画像データを教師データとして、画像内における対象物の有無を識別モデルに機械学習させる学習部と、を含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
監視対象となる検知領域のうちの一部の領域である対象領域が写り、かつ対象物が写らない第１画像の画像データを取得する第１画像取得部と、
前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出する検出部と、
前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像を取得する第２画像取得部と、
前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させる学習部と、
を含む、
情報処理装置。
前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出する検出部と、
前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像を取得する第２画像取得部と、
前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させる学習部と、
を含む、
情報処理装置。
【請求項2】
前記検出部は、画像と、対象物の見逃しが起こる確率を示す難易度スコアとの対応関係を機械学習した見逃し識別モデルに、前記第１画像の画像データを入力することで、前記見逃し領域を検出する、請求項１に記載の情報処理装置。
【請求項3】
前記見逃し識別モデルを機械学習させる見逃し学習部を更に含み、
前記見逃し学習部は、
背景に前記対象物が重畳した学習画像と、前記学習画像に前記対象物が存在することを示す指定情報とを教師データとして、前記見逃し識別モデルに機械学習させ、
前記検出部は、
機械学習済みの前記見逃し識別モデルに、前記第１画像の画像データを入力することで、前記第１画像についての前記難易度スコアを取得し、
前記難易度スコアに基づいて、前記対象領域に前記見逃し領域が含まれているかを判定する、請求項２に記載の情報処理装置。
前記見逃し学習部は、
背景に前記対象物が重畳した学習画像と、前記学習画像に前記対象物が存在することを示す指定情報とを教師データとして、前記見逃し識別モデルに機械学習させ、
前記検出部は、
機械学習済みの前記見逃し識別モデルに、前記第１画像の画像データを入力することで、前記第１画像についての前記難易度スコアを取得し、
前記難易度スコアに基づいて、前記対象領域に前記見逃し領域が含まれているかを判定する、請求項２に記載の情報処理装置。
【請求項4】
前記見逃し学習部は、前記学習画像の位置毎の前記難易度スコアを機械学習させ、
前記検出部は、前記見逃し識別モデルに前記第１画像の画像データを入力することで、前記第１画像の位置毎の前記難易度スコアを取得する、請求項３に記載の情報処理装置。
前記検出部は、前記見逃し識別モデルに前記第１画像の画像データを入力することで、前記第１画像の位置毎の前記難易度スコアを取得する、請求項３に記載の情報処理装置。
【請求項5】
前記検出部は、前記対象物であると誤検知される誤検知物の有無を機械学習した誤検知識別モデルに、前記第１画像の画像データを入力することで、前記誤検知領域を検出する、請求項１又は請求項２に記載の情報処理装置。
【請求項6】
前記誤検知識別モデルを機械学習させる誤検知学習部を更に含み、
前記誤検知学習部は、前記対象物を含まない画像と、その画像に前記誤検知物が含まれることを示す指定情報とを教師データとして、前記誤検知識別モデルに機械学習させ、
前記検出部は、前記誤検知識別モデルに前記第１画像の画像データを入力することで、前記対象領域に前記誤検知物が含まれているかを判定する、請求項５に記載の情報処理装置。
前記誤検知学習部は、前記対象物を含まない画像と、その画像に前記誤検知物が含まれることを示す指定情報とを教師データとして、前記誤検知識別モデルに機械学習させ、
前記検出部は、前記誤検知識別モデルに前記第１画像の画像データを入力することで、前記対象領域に前記誤検知物が含まれているかを判定する、請求項５に記載の情報処理装置。
【請求項7】
前記第２画像取得部は、前記誤検知領域又は前記見逃し領域と、前記対象物とが撮像された画像を、前記第２画像として取得する、請求項１又は請求項２に記載の情報処理装置。
【請求項8】
前記第２画像取得部は、前記誤検知領域又は前記見逃し領域が写る背景画像に、前記対象物の画像を重畳させた画像を、前記第２画像として生成する、請求項１又は請求項２に記載の情報処理装置。
【請求項9】
前記第２画像取得部は、前記背景画像の各位置における奥行きを示す奥行き情報に基づいて、前記背景画像と前記対象物の画像とを重畳させる、請求項８に記載の情報処理装置。
【請求項10】
請求項１又は請求項２に記載の情報処理装置の、前記学習部により機械学習させた前記識別モデルを用いて、前記検知領域における対象物の有無を検知する、検知装置。
【請求項11】
監視対象となる検知領域のうちの一部の領域である対象領域が写り、かつ対象物が写らない第１画像の画像データを取得するステップと、
前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、
前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像の画像データを取得するステップと、
前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させるステップと、
を含む、
情報処理方法。
前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、
前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像の画像データを取得するステップと、
前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させるステップと、
を含む、
情報処理方法。
【請求項12】
監視対象となる検知領域のうちの一部の領域である対象領域が写り、かつ対象物が写らない第１画像の画像データを取得するステップと、
前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、
前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像を取得するステップと、
前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させるステップと、
をコンピュータに実行させる、
プログラム。
前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、
前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像を取得するステップと、
前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させるステップと、
をコンピュータに実行させる、
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、情報処理装置、検知装置、情報処理方法及びプログラムに関する。
【背景技術】
【0002】
カメラ等で取得した画像を解析して、画像に含まれる対象物を検知する装置がある。例えば特許文献１には、検査対象物を含む部分画像を補正して、補正した部分画像と別の画像とを合成した合成画像により、検査対象物を検知する識別器を学習させる旨が記載されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－１０９５６３号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、機械学習した識別器を用いて対象物を検知する際には、対象物でない物が対象物であると検知される誤検知や、存在する対象物を検知できない見逃しなどが起こるおそれがある。そのため、対象物の誤検知及び見逃しの少なくとも一方を抑制することが求められている。
【0005】
本開示は、上述した課題を解決するものであり、対象物の誤検知及び見逃しの少なくとも一方を抑制可能な情報処理装置、検知装置、情報処理方法及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【0006】
本開示に係る情報処理装置は、監視対象となる検知領域のうちの一部の領域である対象領域が写り、かつ対象物が写らない第１画像の画像データを取得する第１画像取得部と、前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出する検出部と、前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像を取得する第２画像取得部と、前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させる学習部と、を含む。
【0007】
本開示に係る検知装置は、前記情報処理装置の、前記学習部により機械学習させた前記識別モデルを用いて、前記検知領域における対象物の有無を検知する。
【0008】
本開示に係る情報処理方法は、監視対象となる検知領域のうちの一部の領域である対象領域が写り、かつ対象物が写らない第１画像の画像データを取得するステップと、前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像の画像データを取得するステップと、前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させるステップと、を含む。
【0009】
本開示に係るプログラムは、監視対象となる検知領域のうちの一部の領域である対象領域が写り、かつ対象物が写らない第１画像の画像データを取得するステップと、前記第１画像の画像データに基づいて、前記検知領域のうちから、前記対象物の誤検知が起こる誤検知領域と、前記対象物の見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、前記誤検知領域が写る画像に前記対象物が重畳する画像と、前記見逃し領域が写る画像に前記対象物が重畳する画像との、少なくとも一方である第２画像を取得するステップと、前記第２画像の画像データを教師データとして、画像内における前記対象物の有無を識別モデルに機械学習させるステップと、をコンピュータに実行させる。
【発明の効果】
【0010】
本開示によれば、対象物の誤検知及び見逃しの少なくとも一方を抑制できる。
【図面の簡単な説明】
【0011】
【発明を実施するための形態】
【0012】
以下に添付図面を参照して、本開示の好適な実施形態を詳細に説明する。なお、この実施形態により本開示が限定されるものではなく、また、実施形態が複数ある場合には、各実施形態を組み合わせて構成するものも含むものである。
【0013】
（検知システム）
図１は、本実施形態に係る検知システムの模式図である。本実施形態に係る検知システム１００は、対象物Ａを検知するシステムである。検知システム１００は、検知装置１と、情報処理装置１０とを有する。検知装置１は、設備Ｗ内に配備されて、対象物Ａを検知する装置である。検知装置１は、設備Ｗ内において監視対象となる領域である検知領域ＡＲ０内に、対象物Ａが存在するかを検知する。情報処理装置１０は、検知装置１が対象物Ａを検知するための識別器である識別モデルＭを設定する。識別モデルＭは、対象物Ａを検知するための処理を実行するＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）モデル、すなわち対象物Ａを検知するための処理を実行するプログラムである。情報処理装置１０や識別モデルＭについては後述する。なお、設備Ｗは、例えば工場や倉庫などの屋内設備であるが、それに限られず任意の設備であってよく、例えば屋外の設備であってよい。すなわち、設備Ｗは、任意の領域を指してよい。また、対象物Ａは、本実施形態の例では人であるが、それに限られず、例えば車両など、検知対象となる任意の種類の物体であってよい。
図１は、本実施形態に係る検知システムの模式図である。本実施形態に係る検知システム１００は、対象物Ａを検知するシステムである。検知システム１００は、検知装置１と、情報処理装置１０とを有する。検知装置１は、設備Ｗ内に配備されて、対象物Ａを検知する装置である。検知装置１は、設備Ｗ内において監視対象となる領域である検知領域ＡＲ０内に、対象物Ａが存在するかを検知する。情報処理装置１０は、検知装置１が対象物Ａを検知するための識別器である識別モデルＭを設定する。識別モデルＭは、対象物Ａを検知するための処理を実行するＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）モデル、すなわち対象物Ａを検知するための処理を実行するプログラムである。情報処理装置１０や識別モデルＭについては後述する。なお、設備Ｗは、例えば工場や倉庫などの屋内設備であるが、それに限られず任意の設備であってよく、例えば屋外の設備であってよい。すなわち、設備Ｗは、任意の領域を指してよい。また、対象物Ａは、本実施形態の例では人であるが、それに限られず、例えば車両など、検知対象となる任意の種類の物体であってよい。
【0014】
（検知装置）
検知装置１は、撮像装置（カメラ）Ｃ及び制御装置２を有する。検知装置１は、撮像装置Ｃにより対象領域ＡＲを撮像して、対象領域ＡＲを撮像した画像を制御装置２により解析することで、対象領域ＡＲ内に対象物Ａが存在するかを検知する。対象領域ＡＲとは、検知領域ＡＲ０の少なくとも一部の領域であり、検知領域ＡＲ０のうちで、撮像装置Ｃによって撮像された画像の撮像範囲内の領域といえる。本実施形態では、検知装置１は、設備Ｗ内において異なる位置にある複数の対象領域ＡＲのそれぞれにおいて、対象物Ａが存在するかを検知する。本実施形態では、検知装置１は、自動で移動する移動体である。検知装置１は、移動しながら対象物Ａの検知を行うため、移動することにより位置が変わる対象領域ＡＲのそれぞれにおいて、対象物Ａが存在するかを検知するといえる。ただし、検知装置１は、移動体であることに限られず、設備Ｗ内で位置が固定された装置であってよい。この場合例えば、複数の撮像装置Ｃが設備Ｗの異なる位置に設けられて、それぞれの撮像装置Ｃが対象領域ＡＲを撮像する。検知装置１は、各撮像装置Ｃによるそれぞれの対象領域ＡＲの撮像画像を解析することで、それぞれの対象領域ＡＲ内に対象物Ａが存在するかを検知する。ただし、検知装置１は、複数の対象領域ＡＲでの対象物Ａの検知を行うことに限られず、位置が固定された１つの対象領域ＡＲでの対象物Ａの検知を行うものであってよい。
検知装置１は、撮像装置（カメラ）Ｃ及び制御装置２を有する。検知装置１は、撮像装置Ｃにより対象領域ＡＲを撮像して、対象領域ＡＲを撮像した画像を制御装置２により解析することで、対象領域ＡＲ内に対象物Ａが存在するかを検知する。対象領域ＡＲとは、検知領域ＡＲ０の少なくとも一部の領域であり、検知領域ＡＲ０のうちで、撮像装置Ｃによって撮像された画像の撮像範囲内の領域といえる。本実施形態では、検知装置１は、設備Ｗ内において異なる位置にある複数の対象領域ＡＲのそれぞれにおいて、対象物Ａが存在するかを検知する。本実施形態では、検知装置１は、自動で移動する移動体である。検知装置１は、移動しながら対象物Ａの検知を行うため、移動することにより位置が変わる対象領域ＡＲのそれぞれにおいて、対象物Ａが存在するかを検知するといえる。ただし、検知装置１は、移動体であることに限られず、設備Ｗ内で位置が固定された装置であってよい。この場合例えば、複数の撮像装置Ｃが設備Ｗの異なる位置に設けられて、それぞれの撮像装置Ｃが対象領域ＡＲを撮像する。検知装置１は、各撮像装置Ｃによるそれぞれの対象領域ＡＲの撮像画像を解析することで、それぞれの対象領域ＡＲ内に対象物Ａが存在するかを検知する。ただし、検知装置１は、複数の対象領域ＡＲでの対象物Ａの検知を行うことに限られず、位置が固定された１つの対象領域ＡＲでの対象物Ａの検知を行うものであってよい。
【0015】
図２は、検知装置の制御装置の模式的なブロック図である。制御装置２は、例えばコンピュータであり、図２に示すように、通信部３と記憶部４と制御部６とを有する。通信部３は、外部の装置と通信を行う通信モジュールであり、例えばアンテナなどであってよい。検知装置１は、無線通信で外部の装置と通信を行うが、有線通信でもよく、通信方式は任意であってよい。記憶部４は、制御部６の演算内容やプログラムの情報や、識別モデルＭなどを記憶するメモリであり、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの外部記憶装置とのうち、少なくとも１つ含む。記憶部４が記憶する制御部６用のプログラムや識別モデルＭは、検知装置１が読み取り可能な記録媒体に記憶されていてもよい。
【0016】
制御部６は、演算装置であり、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの演算回路を含む。制御部６は、画像取得部７と対象物検知部８とを含む。制御部６は、記憶部４からプログラム（ソフトウェア）を読み出して実行することで、画像取得部７と対象物検知部８とを実現して、それらの処理を実行する。なお、制御部６は、１つのＣＰＵによってこれらの処理を実行してもよいし、複数のＣＰＵを備えて、それらの複数のＣＰＵで、処理を実行してもよい。また、画像取得部７と対象物検知部８との処理の少なくとも一部を、ハードウェア回路で実現してもよい。
【0017】
画像取得部７は、撮像装置Ｃによって対象領域ＡＲが撮像された撮像画像（対象領域ＡＲを含む画像）を取得する。画像取得部７は、撮像装置Ｃを制御することで対象領域ＡＲを撮像させて、対象領域ＡＲが撮像された撮像画像を取得する。
【0018】
対象物検知部８は、機械学習済みの識別モデルＭを記憶部４から読み出して、画像取得部７によって取得された撮像画像の画像データを、読み出した識別モデルＭに入力することで、識別モデルＭから、対象領域ＡＲに対象物Ａが存在するかを示す出力データを取得する。対象物検知部８は、対象領域ＡＲに対象物Ａが存在するかを示す出力データに基づき、対象物Ａを検知する。すなわち例えば、対象物検知部８は、出力データが、対象領域ＡＲに対象物Ａが存在する旨を示す場合は、対象物Ａが存在すると判断し、出力データが、対象領域ＡＲに対象物Ａが存在しない旨を示す場合は、対象物Ａが存在しないと判断する。検知装置１が移動体である場合には、例えば対象物Ａが存在すると判断された場合には、検知装置１は停止してよい。
【0019】
なお、対象物検知部８が読み出す識別モデルＭは、後述の情報処理装置１０により機械学習済みのモデルであり、対象領域ＡＲを含む画像内における対象物Ａの有無を機械学習させたモデルといえる。言い換えれば、対象物検知部８が読み出す識別モデルＭは、対象領域ＡＲ内に対象物Ａが存在する場合の画像の特徴量が、機械学習されたモデルともいえる。そのため、対象物検知部８が読み出す識別モデルＭは、対象領域ＡＲを含む画像が入力されたら、演算を行うことにより、対象領域ＡＲに対象物Ａが存在するかの判断結果を出力可能となっている。
【0020】
（情報処理装置）
以下、識別モデルＭを機械学習させる情報処理装置１０の構成について説明する。なお、本実施形態では、識別モデルＭを機械学習させる情報処理装置１０と、学習済みの識別モデルＭを用いて対象物Ａを検知する検知装置１（制御装置２）とが、別のハードウェアである。ただしそれに限られず、情報処理装置１０と制御装置２とが同じハードウェアであってよく、言い換えれば、情報処理装置１０（又は制御装置２）が、識別モデルＭの機械学習と、学習済みの識別モデルＭを用いた対象物Ａの検知処理とを、実行してもよい。
以下、識別モデルＭを機械学習させる情報処理装置１０の構成について説明する。なお、本実施形態では、識別モデルＭを機械学習させる情報処理装置１０と、学習済みの識別モデルＭを用いて対象物Ａを検知する検知装置１（制御装置２）とが、別のハードウェアである。ただしそれに限られず、情報処理装置１０と制御装置２とが同じハードウェアであってよく、言い換えれば、情報処理装置１０（又は制御装置２）が、識別モデルＭの機械学習と、学習済みの識別モデルＭを用いた対象物Ａの検知処理とを、実行してもよい。
【0021】
図３は、情報処理装置の模式的なブロック図である。情報処理装置１０は、例えばコンピュータであり、図３に示すように、通信部１２と記憶部１４と制御部１６とを有する。情報処理装置１０は、情報が入力される入力部や、情報を出力する出力部（表示部など）も備えていてよい。なお、図１の例では、情報処理装置１０は、設備Ｗの外部に設けられているが、情報処理装置１０が設けられる位置は任意であってよい。また、情報処理装置１０は、単体の装置で構成してもよいし、他の装置と一体に構成してもよいし、演算装置及びデータサーバ等の各種装置を組み合わせたシステムとして構成してもよく、特に限定されない。
【0022】
通信部１２は、外部の装置と通信を行う通信モジュールであり、例えばアンテナなどであってよい。情報処理装置１０は、無線通信で外部の装置と通信を行うが、有線通信でもよく、通信方式は任意であってよい。
【0023】
記憶部１４は、制御部１６の演算内容やプログラムの情報や、識別モデルＭ、見逃し識別モデルＭＡ（後述）、誤検知識別モデルＭＢ（後述）などを記憶するメモリであり、例えば、ＲＡＭと、ＲＯＭと、ＨＤＤなどの外部記憶装置とのうち、少なくとも１つ含む。記憶部１４が記憶する制御部１６用のプログラム、識別モデルＭ、見逃し識別モデルＭＡ、誤検知識別モデルＭＢは、情報処理装置１０が読み取り可能な記録媒体に記憶されていてもよい。
【0024】
制御部１６は、演算装置であり、例えばＣＰＵなどの演算回路を含む。制御部１６は、第１画像取得部２０と、見逃し学習部２２と、誤検知学習部２４と、検出部２６と、第２画像取得部２８と、学習部３０とを含む。制御部１６は、記憶部１４からプログラム（ソフトウェア）を読み出して実行することで、第１画像取得部２０と見逃し学習部２２と誤検知学習部２４と検出部２６と第２画像取得部２８と学習部３０とを実現して、それらの処理を実行する。なお、制御部１６は、１つのＣＰＵによってこれらの処理を実行してもよいし、複数のＣＰＵを備えて、それらの複数のＣＰＵで、処理を実行してもよい。また、第１画像取得部２０と見逃し学習部２２と誤検知学習部２４と検出部２６と第２画像取得部２８と学習部３０との処理の少なくとも一部を、ハードウェア回路で実現してもよい。
【0025】
第１画像取得部２０は、第１画像Ｐ１を取得し、見逃し学習部２２は、見逃し識別モデルＭＡを機械学習させ、誤検知学習部２４は、誤検知識別モデルＭＢを機械学習させる。検出部２６は、第１画像Ｐ１に基づいて、検知領域ＡＲ０のうちから、見逃し領域と誤検知領域を検出する。第２画像取得部２８は、見逃し領域や誤検知領域の画像に対象物Ａの画像が重畳した第２画像Ｐ２を取得する。学習部３０は、第２画像Ｐ２に基づき、識別モデルＭを機械学習させる。これらの各部の具体的な処理内容については、後述する。
【0026】
（情報処理装置の処理）
上述のように、識別モデルＭは、対象物Ａを検知可能な識別器である。しかし、機械学習した識別器を用いて対象物Ａを検知する際には、対象物Ａの誤検知や、対象物Ａの見逃しなどが起こるおそれがある。誤検知とは、対象物Ａでない物が対象物Ａであると検知されることを指し、見逃しとは、存在している対象物Ａを検知できないことを指す。それに対し、情報処理装置１０は、見逃し及び誤検知を抑制できるように、識別モデルＭを機械学習させる。本実施形態では、情報処理装置１０は、見逃し及び誤検知の両方を抑制できるように識別モデルＭを機械学習させるが、それに限られず、見逃し及び誤検知の一方のみを抑制できるように、識別モデルＭを機械学習させてもよい。
上述のように、識別モデルＭは、対象物Ａを検知可能な識別器である。しかし、機械学習した識別器を用いて対象物Ａを検知する際には、対象物Ａの誤検知や、対象物Ａの見逃しなどが起こるおそれがある。誤検知とは、対象物Ａでない物が対象物Ａであると検知されることを指し、見逃しとは、存在している対象物Ａを検知できないことを指す。それに対し、情報処理装置１０は、見逃し及び誤検知を抑制できるように、識別モデルＭを機械学習させる。本実施形態では、情報処理装置１０は、見逃し及び誤検知の両方を抑制できるように識別モデルＭを機械学習させるが、それに限られず、見逃し及び誤検知の一方のみを抑制できるように、識別モデルＭを機械学習させてもよい。
【0027】
情報処理装置１０は、対象領域ＡＲが写る第１画像Ｐ１を用いて、機械学習済みの見逃し識別モデルＭＡ及び誤検知識別モデルＭＢにより、見逃し領域及び誤検知領域を検出する。そして、情報処理装置１０は、見逃し領域や誤検知領域を含む第２画像Ｐ２のデータを教師データとして、識別モデルＭに機械学習させる。以下、識別モデルＭに機械学習させる方法を具体的に説明する。
【0028】
（見逃し識別モデルの機械学習）
情報処理装置１０は、見逃し学習部２２により、見逃し領域を検知するためのＡＩモデルである見逃し識別モデルＭＡに、画像と、その画像の難易度スコアとの対応関係を機械学習させる。見逃し領域とは、検知領域ＡＲ０のうちで、見逃しが起こる可能性が高い領域を指す。これにより、見逃し識別モデルＭＡは、画像データが入力されたら、その画像についての難易度スコアを算出可能となる。難易度スコアとは、対象物Ａの見逃しが起こる確率を示す指標である。見逃し識別モデルＭＡとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）モデルを用いてよい。
情報処理装置１０は、見逃し学習部２２により、見逃し領域を検知するためのＡＩモデルである見逃し識別モデルＭＡに、画像と、その画像の難易度スコアとの対応関係を機械学習させる。見逃し領域とは、検知領域ＡＲ０のうちで、見逃しが起こる可能性が高い領域を指す。これにより、見逃し識別モデルＭＡは、画像データが入力されたら、その画像についての難易度スコアを算出可能となる。難易度スコアとは、対象物Ａの見逃しが起こる確率を示す指標である。見逃し識別モデルＭＡとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）モデルを用いてよい。
【0029】
見逃し学習部２２は、任意の方法で見逃し識別モデルＭＡを機械学習させてよいが、本実施形態での機械学習させる方法の例を説明する。図４は、第１学習画像を説明するための模式図である。
【0030】
（第１学習画像の取得）
見逃し学習部２２は、見逃し識別モデルＭＡ用の教師データとなる第１学習画像（学習画像）ＰＡを取得する。第１学習画像ＰＡは、背景画像ＰＡ１と対象物画像ＰＡ２とが重畳した画像である。対象物画像ＰＡ２は、図４の例に示すように、対象物Ａの画像であり、言い換えれば、検知対象となる対象物Ａと同じ種類の対象（本実施形態では人）の画像である。また、背景画像ＰＡ１は、対象物画像ＰＡ２の背景となる画像であり、図４の例に示すように、対象物Ａ（検知対象となる対象物Ａと同じ種類の対象）を含まない画像といえる。図４の例に示す背景画像ＰＡ１に写っている四角や三角は、背景画像ＰＡ１に写っている、対象物Ａではない物体を例示している。第１学習画像ＰＡは、このような背景画像ＰＡ１と対象物画像ＰＡ２とが重畳した画像なので、図４の例に示すように、背景画像ＰＡ１に写っている対象物Ａを含まない背景に、対象物Ａが写る領域ＲＡが重畳された画像ともいえる。
見逃し学習部２２は、見逃し識別モデルＭＡ用の教師データとなる第１学習画像（学習画像）ＰＡを取得する。第１学習画像ＰＡは、背景画像ＰＡ１と対象物画像ＰＡ２とが重畳した画像である。対象物画像ＰＡ２は、図４の例に示すように、対象物Ａの画像であり、言い換えれば、検知対象となる対象物Ａと同じ種類の対象（本実施形態では人）の画像である。また、背景画像ＰＡ１は、対象物画像ＰＡ２の背景となる画像であり、図４の例に示すように、対象物Ａ（検知対象となる対象物Ａと同じ種類の対象）を含まない画像といえる。図４の例に示す背景画像ＰＡ１に写っている四角や三角は、背景画像ＰＡ１に写っている、対象物Ａではない物体を例示している。第１学習画像ＰＡは、このような背景画像ＰＡ１と対象物画像ＰＡ２とが重畳した画像なので、図４の例に示すように、背景画像ＰＡ１に写っている対象物Ａを含まない背景に、対象物Ａが写る領域ＲＡが重畳された画像ともいえる。
【0031】
見逃し学習部２２は、対象物Ａを含まない任意の画像を背景画像ＰＡ１として取得してよく、例えば、対象領域ＡＲを含まない画像（対象領域ＡＲが写っていない画像）を背景画像ＰＡ１として取得してよい。見逃し学習部２２は、複数種類の背景画像ＰＡ１を取得することが好ましい。見逃し学習部２２は、任意の方法で背景画像ＰＡ１を取得してよい。例えば、見逃し学習部２２は、通信部１２を介して、外部の装置（サーバ）などから、対象物Ａや対象領域ＡＲを含まない既存の画像を、背景画像ＰＡ１として取得してよい。
【0032】
見逃し学習部２２は、対象物Ａ（検知対象となる対象物Ａと同じ種類の対象）が写る任意の画像を、対象物画像ＰＡ２として取得してよい。見逃し学習部２２は、複数種類の対象物画像ＰＡ２を取得することが好ましい。見逃し学習部２２は、任意の方法で対象物画像ＰＡ２を取得してよい。見逃し学習部２２は、通信部１２を介して、外部の装置（サーバ）などから、対象物Ａが写る既存の画像を、対象物画像ＰＡ２として取得してよい。また例えば、見逃し学習部２２は、対象物Ａの画像データ（３次元画像データ）を取得し、対象物Ａの画像データに基づいて、対象物Ａの大きさや姿勢を異ならせることで、複数の対象物画像ＰＡ２を生成してもよい。
【0033】
見逃し学習部２２は、取得した背景画像ＰＡ１と対象物画像ＰＡ２とを重畳させることで、第１学習画像ＰＡを生成する。見逃し学習部２２は、背景画像ＰＡ１と対象物画像ＰＡ２とを任意の方法で重畳させて、第１学習画像ＰＡを生成してよい。例えば図４に示すように、見逃し学習部２２は、それぞれの背景画像ＰＡ１から選択した背景画像ＰＡ１と、それぞれの対象物画像ＰＡ２から抽出した対象物画像ＰＡ２とを重畳して、背景画像ＰＡ１及び対象物画像ＰＡ２ごとに、第１学習画像ＰＡを生成してよい。また例えば、見逃し学習部２２は、抽出した背景画像ＰＡ１に対して、同じ対象物画像ＰＡ２の大きさや位置を異ならせて重畳させることで、同じ背景画像ＰＡ１及び対象物画像ＰＡ２を用いた複数の第１学習画像ＰＡを生成してよい。
【0034】
このように、本実施形態においては、見逃し学習部２２は、背景画像ＰＡ１と対象物画像ＰＡ２とを重畳させることで、第１学習画像ＰＡを生成していたが、第１学習画像ＰＡの取得方法はこれに限られず任意であってよい。例えば、見逃し学習部２２は、対象物Ａと背景とを含む既存の画像を、第１学習画像ＰＡとして、外部の装置（サーバ）などから取得してもよい。
【0035】
（見逃し識別モデルの機械学習）
見逃し学習部２２は、第１学習画像ＰＡの画像データと、その第１学習画像ＰＡに対象物Ａが含まれる旨の指定情報とを含むデータセットを、見逃し識別モデルＭＡ用の教師データとして設定する。見逃し学習部２２は、それぞれの第１学習画像ＰＡについて、第１学習画像ＰＡと指定情報とを含むデータセット（教師データ）を準備することで、複数の教師データを準備する。見逃し学習部２２は、準備した教師データを未学習の見逃し識別モデルＭＡに入力することで、見逃し識別モデルＭＡに、画像と信頼度スコアとの対応関係を機械学習させる。信頼度スコアとは、上述の難易度スコアに相関するスコアであり、その画像における対象物Ａの有無の判断結果と、その判断結果が正しい確率とを示す指標である。すなわち例えば、信頼度スコアが、対象物Ａが存在するという判断結果を示す場合には、信頼度スコアが高いほど、対象物Ａが存在する確率が高くなる。
見逃し学習部２２は、第１学習画像ＰＡの画像データと、その第１学習画像ＰＡに対象物Ａが含まれる旨の指定情報とを含むデータセットを、見逃し識別モデルＭＡ用の教師データとして設定する。見逃し学習部２２は、それぞれの第１学習画像ＰＡについて、第１学習画像ＰＡと指定情報とを含むデータセット（教師データ）を準備することで、複数の教師データを準備する。見逃し学習部２２は、準備した教師データを未学習の見逃し識別モデルＭＡに入力することで、見逃し識別モデルＭＡに、画像と信頼度スコアとの対応関係を機械学習させる。信頼度スコアとは、上述の難易度スコアに相関するスコアであり、その画像における対象物Ａの有無の判断結果と、その判断結果が正しい確率とを示す指標である。すなわち例えば、信頼度スコアが、対象物Ａが存在するという判断結果を示す場合には、信頼度スコアが高いほど、対象物Ａが存在する確率が高くなる。
【0036】
より詳しくは、本実施形態においては、見逃し学習部２２は、画像の位置毎に信頼度スコアを算出可能なように、見逃し識別モデルＭＡを機械学習させることが好ましい。この場合例えば、見逃し学習部２２は、第１学習画像ＰＡの画像データと、その第１学習画像ＰＡにおける対象物Ａの位置を示す指定情報とを、教師データとして設定する。見逃し学習部２２は、準備した教師データを未学習の見逃し識別モデルＭＡに入力することで、見逃し識別モデルＭＡに、画像と、その位置における信頼度スコアとの対応関係を、機械学習させる。すなわちこの場合、見逃し学習部２２は、指定情報に示す位置に対象物Ａが存在する（対象物Ａの存在する確率が１００％であり）旨を、指定情報として見逃し識別モデルＭＡに入力する。また、見逃し学習部２２は、同じ背景画像ＰＡ２に対して、異なる位置に対象物画像ＰＡ１に写る対象物Ａ（図４に示す領域ＲＡ）を配置した複数の第１学習画像ＰＡを準備して、それぞれの第１学習画像ＰＡを、上述のように教師データとして機械学習させる。これにより、第１学習画像ＰＡの位置毎に機械学習させることが可能となるため、見逃し識別モデルＭＡは、画像と、位置毎の信頼度スコアとの対応関係を、機械学習する。このように機械学習させることで、見逃し識別モデルＭＡは、画像が入力されたら、その画像の位置毎の信頼度スコアを出力可能となる。すなわち、見逃し識別モデルＭＡは、対象物Ａの有無の判断結果と、その判断結果が正しい確率とを示す指標とを、画像の位置毎に出力可能となる。
【0037】
本実施形態においては、見逃し学習部２２は、画像と信頼度スコアとの対応関係を学習した見逃し識別モデルＭＡが、難易度スコアを算出可能となるように設定を行う。すなわち、見逃し学習部２２は、算出した信頼度スコアに基づいて難易度スコアを算出するように、見逃し識別モデルＭＡを設定する。これにより、見逃し識別モデルＭＡは、画像が入力されたら、その画像の位置毎の難易度スコアを出力可能となる。なお、難易度スコアとは、上述のように、対象物Ａの見逃しが起こる確率を示す指標であり、信頼度スコアに相関する。すなわち例えば、信頼度スコアが、対象物Ａが存在するという判断結果を示す場合には、信頼度スコアにおいてその判断結果が正しい確率が低い程、難易度スコアは高くなる（すなわち見逃し易くなる）。また例えば、信頼度スコアが、対象物Ａが存在しないという判断結果を示す場合にも、信頼度スコアにおいてその判断結果が正しい確率が低い程、難易度スコアは高くなる（すなわち見逃し易くなる）。見逃し学習部２２は、予め設定された信頼度スコアと難易度スコアとの対応関係に基づいて、算出した信頼度スコアに基づいて難易度スコアを算出するように、見逃し識別モデルＭＡを設定してよい。信頼度スコアと難易度スコアとの対応関係は任意に設定されてよいが、例えば、信頼度スコアをｐ、難易度スコアをｑとした場合、以下の式（１）のように対応関係を設定してよい。
【0038】
ｑ＝１－ｐ ・・・（１）
【0039】
図５は、難易度スコアの算出結果の一例を示す模式図である。以上説明したように、本実施形態においては、見逃し学習部２２は、画像が入力されたら、その画像の位置毎の難易度スコアを算出可能なように、見逃し識別モデルＭＡを機械学習させる。例えば、見逃し学習部２２は、図５に示すように、画像の位置毎の難易度スコアを示す画像Ｈを出力するように、見逃し識別モデルＭＡを構築してもよい。画像Ｈは、例えば、難易度スコアのとり得る数値範囲を区分して、区分した数値範囲毎に色が設定されることにより、画像の位置毎の難易度スコアを色で示す画像（ヒートマップ）であってよい。
【0040】
以上のように、本実施形態においては、情報処理装置１０が、見逃し学習部２２により、見逃し識別モデルＭＡを機械学習させるが、それに限られず、例えば他の装置により機械学習済みの見逃し識別モデルＭＡを、取得してもよい。
【0041】
（誤検知識別モデルの機械学習）
情報処理装置１０は、誤検知学習部２４により、誤検知領域を検知するためのＡＩモデルである誤検知識別モデルＭＢに、画像内における誤検知物Ｂの有無を機械学習させる。誤検知領域とは、検知領域ＡＲ０のうちで、誤検知が起こる可能性が高い領域を指し、誤検知物Ｂとは、対象物Ａであると誤検知される物体を指す。具体的には、誤検知学習部２４は、画像と誤検知物Ｂの有無との対応関係を、誤検知識別モデルＭＢに機械学習させる。これにより、誤検知識別モデルＭＢは、画像データが入力されたら、その画像についての誤検知物Ｂの有無の判断結果を出力可能となる。以下、誤検知識別モデルＭＢを機械学習させる方法をより詳細に説明する。誤検知識別モデルＭＢとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮモデルを用いてよい。
情報処理装置１０は、誤検知学習部２４により、誤検知領域を検知するためのＡＩモデルである誤検知識別モデルＭＢに、画像内における誤検知物Ｂの有無を機械学習させる。誤検知領域とは、検知領域ＡＲ０のうちで、誤検知が起こる可能性が高い領域を指し、誤検知物Ｂとは、対象物Ａであると誤検知される物体を指す。具体的には、誤検知学習部２４は、画像と誤検知物Ｂの有無との対応関係を、誤検知識別モデルＭＢに機械学習させる。これにより、誤検知識別モデルＭＢは、画像データが入力されたら、その画像についての誤検知物Ｂの有無の判断結果を出力可能となる。以下、誤検知識別モデルＭＢを機械学習させる方法をより詳細に説明する。誤検知識別モデルＭＢとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮモデルを用いてよい。
【0042】
【0043】
（第２学習画像の取得）
誤検知学習部２４は、誤検知識別モデルＭＢの教師データとなる第２学習画像ＰＢを取得する。第２学習画像ＰＢは、対象物Ａを含まない画像（対象物Ａが写っていない画像）である。本実施形態では、誤検知学習部２４は、対象物Ａを含まず、かつ、検知領域ＡＲ０を含まない画像（検知領域ＡＲ０が写っていない画像）を、第２学習画像ＰＢとして取得する。ただしそれに限られず、誤検知学習部２４は、対象物Ａを含まない任意の画像を第２学習画像ＰＢとして取得してよく、例えば、設備Ｗの環境に近い場所が写っている画像を第２学習画像ＰＢとして取得してよい。設備Ｗの環境に近い場所とは、例えば設備Ｗと同じ種類の設備を指してよく、すなわち設備Ｗが倉庫の場合は、設備Ｗとは別の倉庫内の画像を第２学習画像ＰＢとしてよい。図６の例に示す第２学習画像ＰＢに写っている四角は、第２学習画像ＰＢに写っている、対象物Ａではない物体を例示している。ただし、第２学習画像ＰＢは、対象物Ａを含まない画像であることにも限られず、対象物Ａを含む画像であってもよい。なお、誤検知学習部２４は、任意の方法で第２学習画像ＰＢを取得してよく、例えば、通信部１２を介して、外部の装置（サーバ）などから、対象物Ａを含まない既存の画像を、第２学習画像ＰＢとして取得してよい。
誤検知学習部２４は、誤検知識別モデルＭＢの教師データとなる第２学習画像ＰＢを取得する。第２学習画像ＰＢは、対象物Ａを含まない画像（対象物Ａが写っていない画像）である。本実施形態では、誤検知学習部２４は、対象物Ａを含まず、かつ、検知領域ＡＲ０を含まない画像（検知領域ＡＲ０が写っていない画像）を、第２学習画像ＰＢとして取得する。ただしそれに限られず、誤検知学習部２４は、対象物Ａを含まない任意の画像を第２学習画像ＰＢとして取得してよく、例えば、設備Ｗの環境に近い場所が写っている画像を第２学習画像ＰＢとして取得してよい。設備Ｗの環境に近い場所とは、例えば設備Ｗと同じ種類の設備を指してよく、すなわち設備Ｗが倉庫の場合は、設備Ｗとは別の倉庫内の画像を第２学習画像ＰＢとしてよい。図６の例に示す第２学習画像ＰＢに写っている四角は、第２学習画像ＰＢに写っている、対象物Ａではない物体を例示している。ただし、第２学習画像ＰＢは、対象物Ａを含まない画像であることにも限られず、対象物Ａを含む画像であってもよい。なお、誤検知学習部２４は、任意の方法で第２学習画像ＰＢを取得してよく、例えば、通信部１２を介して、外部の装置（サーバ）などから、対象物Ａを含まない既存の画像を、第２学習画像ＰＢとして取得してよい。
【0044】
誤検知学習部２４は、取得した第２学習画像ＰＢを用いて、撮像領域（画像の画角内の領域）の少なくとも一部が互いに重複し、かつ画像データが互いに異なる、複数の第２学習画像ＰＢａを生成して、第２学習画像ＰＢａを、誤検知識別モデルＭＢの学習用に用いてよい。すなわち、それぞれの第２学習画像ＰＢａは、同じ場所を撮像した画像であるが、撮像領域や周囲環境（例えば明るさ）などの、撮像条件が異なった画像といえる。図６では、誤検知学習部２４は、第２学習画像ＰＢａとして、第２学習画像ＰＢａ１、ＰＢａ２、ＰＢａ３を生成する例が示されている。
【0045】
なお、撮像領域の少なくとも一部が重複するとは、それぞれの第２学習画像ＰＢａ同士で、共通する撮像領域があることを指す。図６の例では、第２学習画像ＰＢａ１、ＰＢａ２、ＰＢａ３は、撮像領域の全域が重複しており、同じ場所を同じ撮像範囲で撮像した画像に相当するといえる。ただし、第２学習画像ＰＢａは、一部の撮像範囲が異なってもよく、この場合例えば、誤検知学習部２４は、取得した第２学習画像ＰＢに対して、画像の切り出し範囲を異ならせることで、一部の撮像範囲が互いに異なる複数の第２学習画像ＰＢａを生成してよい。画像の切り出し範囲は、設備Ｗでの撮像装置Ｃの取り付け位置や角度の変化に基づいて設定されることが好ましい。例えば、撮像装置Ｃが移動体に装着される場合、移動体の通路と車幅の差分が、撮像装置Ｃの取付位置の変化分となる。通路幅で取り得る移動体の向きや地面の傾斜によって生じる移動体の角度変化が、カメラ角度の変化分となる。この場合例えば、設備Ｗにおいて、見積もった変化分の範囲で撮像装置Ｃを取り付け、想定される位置に目印となるマーカを配置し、網羅的に画像を撮影し、取得画像内でのマーカの位置の変化分を切り出し位置の範囲としてよい。切り出す画像のサイズやアスペクト比は、検知に用いる撮像装置Ｃで得られる画像に基づき設定されてよい。
【0046】
また、画像データの少なくとも一部が異なるとは、例えば、それぞれの第２学習画像ＰＢａの、各ピクセルの画素データ（階調値）の少なくとも一部が異なることを指し、本実施形態では、少なくとも一部のピクセルの輝度値、コントラスト、及び色相の少なくとも１つが異なることを指す。例えば、誤検知学習部２４は、取得した第２学習画像ＰＢの画像データに対して、輝度値、コントラスト、及び色相の少なくとも１つを調整することにより、少なくとも一部の画像データが異なる複数の第２学習画像ＰＢａを生成してよい。輝度値、コントラスト、及び色相の少なくとも１つの調整量は、設備Ｗにおいて定点カメラを設置し、運用時間内で網羅的に取得した画像の輝度値やコントラストや色相の変化量に基づき設定されてよい。図６の例では、取得した第２学習画像ＰＢと同じ輝度値の第２学習画像ＰＢａ１と、第２学習画像ＰＢａ１より輝度値が低い第２学習画像ＰＢａ２と、第２学習画像ＰＢａ２より輝度値が低い第２学習画像ＰＢａ３とが生成されている。
【0047】
誤検知学習部２４は、撮像領域が異なる複数種類の第２学習画像ＰＢを取得して、取得した第２学習画像ＰＢ毎に、上述のように複数の第２学習画像ＰＢａを準備する。すなわち、図６では、１つの第２学習画像ＰＢから、複数の第２学習画像ＰＢａ（第２学習画像ＰＢａ１、ＰＢａ２、ＰＢａ３）を準備している例が示されているが、誤検知学習部２４は、取得した第２学習画像ＰＢ毎に、複数の第２学習画像ＰＢａを準備するといえる。
【0048】
なお、第２学習画像ＰＢａの生成方法は、上述の方法に限られず任意であってよい。例えば、取得した第２学習画像ＰＢを、そのまま第２学習画像ＰＢａとして用いてよい。また、１つの第２学習画像ＰＢから生成される第２学習画像ＰＢａの数は３つに限られず、任意であってよい。また、誤検知学習部２４は、取得した第２学習画像ＰＢに基づき、自身で複数の第２学習画像ＰＢａを生成するが、自身で生成することに限られず、予め生成された複数の第２学習画像ＰＢａを、例えば通信部１２を介して取得してもよい。
【0049】
（誤検知物が含まれる第２学習画像の抽出）
誤検知学習部２４は、取得した第２学習画像ＰＢのうちから、誤検知物Ｂが含まれる第２学習画像ＰＢを選択する。誤検知学習部２４は、任意の方法で誤検知物Ｂが含まれる第２学習画像ＰＢを選択してよいが、本実施形態では、対象物Ａの有無を機械学習させた仮識別モデルを用いて、誤検知物Ｂが含まれる第２学習画像ＰＢを抽出する。具体的には、誤検知学習部２４は、記憶部１４から仮識別モデルを読み出して、仮識別モデルに第２学習画像ＰＢａのデータを入力することで、第２学習画像ＰＢａに対象物Ａが含まれているかの検知結果を取得する。仮識別モデルは、画像内における対象物Ａの有無を機械学習させたモデルである。第２学習画像ＰＢａには実際には対象物Ａが含まれていないため、仮識別モデルによる、第２学習画像ＰＢａに対象物Ａが含まれているかの検知結果とは、第２学習画像ＰＢａに誤検知物Ｂが含まれているかの検知結果であると言い換えることができる。すなわち、仮識別モデルが第２学習画像ＰＢａ内で検知した対象物Ａは、誤検知されたもの（すなわち誤検知物Ｂ）であるといえる。なお、仮識別モデルとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮ（Conventional Neural Network：畳み込みニューラルネットワーク）モデルを用いてよい。例えば、仮識別モデルは、一般公開データセットを学習したＰｒｅ－ｔｒａｉｎｅｄモデルであってよい。
誤検知学習部２４は、取得した第２学習画像ＰＢのうちから、誤検知物Ｂが含まれる第２学習画像ＰＢを選択する。誤検知学習部２４は、任意の方法で誤検知物Ｂが含まれる第２学習画像ＰＢを選択してよいが、本実施形態では、対象物Ａの有無を機械学習させた仮識別モデルを用いて、誤検知物Ｂが含まれる第２学習画像ＰＢを抽出する。具体的には、誤検知学習部２４は、記憶部１４から仮識別モデルを読み出して、仮識別モデルに第２学習画像ＰＢａのデータを入力することで、第２学習画像ＰＢａに対象物Ａが含まれているかの検知結果を取得する。仮識別モデルは、画像内における対象物Ａの有無を機械学習させたモデルである。第２学習画像ＰＢａには実際には対象物Ａが含まれていないため、仮識別モデルによる、第２学習画像ＰＢａに対象物Ａが含まれているかの検知結果とは、第２学習画像ＰＢａに誤検知物Ｂが含まれているかの検知結果であると言い換えることができる。すなわち、仮識別モデルが第２学習画像ＰＢａ内で検知した対象物Ａは、誤検知されたもの（すなわち誤検知物Ｂ）であるといえる。なお、仮識別モデルとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮ（Conventional Neural Network：畳み込みニューラルネットワーク）モデルを用いてよい。例えば、仮識別モデルは、一般公開データセットを学習したＰｒｅ－ｔｒａｉｎｅｄモデルであってよい。
【0050】
誤検知学習部２４は、第２学習画像ＰＢａの画像データを仮識別モデルに入力することで、仮識別モデルから、第２学習画像ＰＢａに対象物Ａ（誤検知物Ｂ）が含まれるかの判断結果を出力させて、その判断結果を取得する。なお、第２学習画像ＰＢａは対象物Ａが含まれない画像なので、第２学習画像ＰＢａに対象物Ａが含まれるとの判断結果は、対象物Ａでないものを対象物Ａであると誤検知した判断結果、すなわち誤検知物Ｂが含まれるとの判断結果であるといえる。
【0051】
より詳しくは、仮識別モデルは、画像に対象物Ａが含まれるかの判断結果として、対象物Ａが含まれると判断した画像内における、対象物Ａの位置情報を、すなわち画像内で対象物Ａが占めている領域の位置情報を出力するように学習されていることが好ましい。従って、誤検知学習部２４は、第２学習画像ＰＢａの画像データを、仮学習済みの第２学習画像ＰＢａに入力することで、第２学習画像ＰＢａから、第２学習画像ＰＢａ内における対象物Ａの位置情報を（対象物Ａが占める領域の位置情報を）、取得することが好ましい。なお、仮識別モデルから取得した対象物Ａの位置情報は、誤検知された対象物Ａ（すなわち誤検知物Ｂ）の位置情報であるといえる。
【0052】
誤検知学習部２４は、それぞれの第２学習画像ＰＢａの画像データを仮識別モデルに入力することで、第２学習画像ＰＢａ毎に、対象物Ａが含まれるかの判断結果と対象物Ａの位置情報とを取得する。また上述のように、本実施形態では、撮像領域が異なる複数種類の第２学習画像ＰＢ毎に、複数の第２学習画像ＰＢａが準備される。誤検知学習部２４は、それらの第２学習画像ＰＢ毎に設定された第２学習画像ＰＢａのそれぞれについて、仮識別モデルにより、対象物Ａが含まれるかの判断結果と対象物Ａの位置情報を取得する。
【0053】
（誤検知識別モデル用の教師データの設定）
誤検知学習部２４は、以上のようにして選択した、誤検知物Ｂが含まれる第２学習画像ＰＢを、誤検知識別モデルＭＢ用の教師データとして設定する。本実施形態では、誤検知学習部２４は、対象物Ａが含まれると判断された第２学習画像ＰＢａに対応する第２学習画像ＰＢと、その第２学習画像ＰＢについての指定情報とを含むデータセットを、未学習の誤検知識別モデルＭＢ用の教師データとして設定する。指定情報とは、その第２学習画像ＰＢに誤検知物Ｂが含まれるか否かを示す情報である。すなわち、誤検知学習部２４は、対象物Ａが含まれると判断された第２学習画像ＰＢのデータと、その第２学習画像ＰＢに誤検知物Ｂが含まれる旨の情報とを、誤検知識別モデルＭＢ用の教師データとする。誤検知学習部２４は、対象物Ａが含まれないと判断された第２学習画像ＰＢａに対応する第２学習画像ＰＢについては、教師データとして用いなくてよい。
誤検知学習部２４は、以上のようにして選択した、誤検知物Ｂが含まれる第２学習画像ＰＢを、誤検知識別モデルＭＢ用の教師データとして設定する。本実施形態では、誤検知学習部２４は、対象物Ａが含まれると判断された第２学習画像ＰＢａに対応する第２学習画像ＰＢと、その第２学習画像ＰＢについての指定情報とを含むデータセットを、未学習の誤検知識別モデルＭＢ用の教師データとして設定する。指定情報とは、その第２学習画像ＰＢに誤検知物Ｂが含まれるか否かを示す情報である。すなわち、誤検知学習部２４は、対象物Ａが含まれると判断された第２学習画像ＰＢのデータと、その第２学習画像ＰＢに誤検知物Ｂが含まれる旨の情報とを、誤検知識別モデルＭＢ用の教師データとする。誤検知学習部２４は、対象物Ａが含まれないと判断された第２学習画像ＰＢａに対応する第２学習画像ＰＢについては、教師データとして用いなくてよい。
【0054】
より詳しくは、誤検知学習部２４は、仮識別モデルによって示された第２学習画像ＰＢａにおける対象物Ａの位置に基づいて、その第２学習画像ＰＢａに対応する第２学習画像ＰＢにおける誤検知物Ｂの位置を設定する。そして、誤検知学習部２４は、第２学習画像ＰＢにおける誤検知物Ｂの位置情報を、指定情報とする。すなわち、誤検知学習部２４は、対象物Ａが含まれると判断された第２学習画像ＰＢａに対応する第２学習画像ＰＢのデータと、その第２学習画像ＰＢにおける誤検知物Ｂの位置情報とを、誤検知識別モデルＭＢ用の教師データとする。
【0055】
本実施形態では、上述のように、同じ第２学習画像ＰＢに対して、画像データが異なる複数の第２学習画像ＰＢａが設定されており、それぞれの第２学習画像ＰＢａについて、対象物Ａの位置情報が取得される。そのため、誤検知学習部２４は、同じ第２学習画像ＰＢに対応した第２学習画像ＰＢａ毎の対象物の位置に基づいて、その第２学習画像ＰＢにおける誤検知物Ｂの位置を設定して、指定情報とする。例えば、誤検知学習部２４は、それぞれの第２学習画像ＰＢａにおける対象物Ａ同士の位置が重なる場合には、それらの対象物Ａの位置を含む領域を、第２学習画像ＰＢにおける誤検知物の位置として設定する。また例えば、誤検知学習部２４は、それぞれの第２学習画像ＰＢａにおける対象物Ａの位置が重ならない場合には、それぞれの対象物Ａの位置を、第２学習画像ＰＢにおける誤検知物Ｂの位置として設定する。
【0056】
また、本実施形態では、撮像領域が異なる複数種類の第２学習画像ＰＢ毎に、複数の第２学習画像ＰＢａが準備される。誤検知学習部２４は、それらの第２学習画像ＰＢ毎に上述の処理を行うことで、対象物Ａが含まれると判断された第２学習画像ＰＢ毎に、第２学習画像ＰＢのデータと指定情報とを含むデータセットを準備して、誤検知識別モデルＭＢ用の教師データとする。図７では、教師データとしての、第２学習画像ＰＢと、第２学習画像ＰＢ内における誤検知物の位置（領域ＲＢ）を示す指定情報との一例が示されている。
【0057】
（誤検知識別モデルの機械学習）
誤検知学習部２４は、上述のように設定した教師データ（対象物Ａが含まれると判断された第２学習画像ＰＢと指定情報）を、未学習の誤検知識別モデルＭＢに入力することで、誤検知識別モデルＭＢに、画像内における誤検知物Ｂの有無を機械学習させる。これにより、誤検知識別モデルＭＢは、未知の画像データが入力された場合に、その画像内での誤検知物Ｂの有無の判断結果を出力可能となる。より詳しくは、誤検知学習部２４は、対象物Ａが含まれると判断された第２学習画像ＰＢのデータと、その第２学習画像ＰＢにおける誤検知物Ｂの位置を示す指定情報とを教師データとして、誤検知識別モデルＭＢに、画像内における誤検知物Ｂの位置を機械学習させることが好ましい。これにより、誤検知識別モデルＭＢは、未知の画像データが入力された場合に、誤検知物Ｂの有無の判断結果と、その画像内における誤検知物Ｂの位置情報とを出力可能となる。すなわち、学習済みの誤検知識別モデルＭＢは、画像内における誤検知物Ｂの有無や誤検知物Ｂの位置情報を機械学習させたモデルであり、誤検知物Ｂが存在する場合の画像の特徴量が、機械学習されたモデルともいえる。なお、誤検知識別モデルＭＢとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮモデルを用いてよい。
誤検知学習部２４は、上述のように設定した教師データ（対象物Ａが含まれると判断された第２学習画像ＰＢと指定情報）を、未学習の誤検知識別モデルＭＢに入力することで、誤検知識別モデルＭＢに、画像内における誤検知物Ｂの有無を機械学習させる。これにより、誤検知識別モデルＭＢは、未知の画像データが入力された場合に、その画像内での誤検知物Ｂの有無の判断結果を出力可能となる。より詳しくは、誤検知学習部２４は、対象物Ａが含まれると判断された第２学習画像ＰＢのデータと、その第２学習画像ＰＢにおける誤検知物Ｂの位置を示す指定情報とを教師データとして、誤検知識別モデルＭＢに、画像内における誤検知物Ｂの位置を機械学習させることが好ましい。これにより、誤検知識別モデルＭＢは、未知の画像データが入力された場合に、誤検知物Ｂの有無の判断結果と、その画像内における誤検知物Ｂの位置情報とを出力可能となる。すなわち、学習済みの誤検知識別モデルＭＢは、画像内における誤検知物Ｂの有無や誤検知物Ｂの位置情報を機械学習させたモデルであり、誤検知物Ｂが存在する場合の画像の特徴量が、機械学習されたモデルともいえる。なお、誤検知識別モデルＭＢとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮモデルを用いてよい。
【0058】
また、誤検知学習部２４は、誤検知物Ｂの有無及び誤検知物Ｂの位置に加えて、誤検知物Ｂが存在する旨の判断結果が正しい確率を示す確率スコアを算出可能なように、誤検知識別モデルＭＢを機械学習させてもよい。誤検知学習部２４は、準備した教師データを未学習の誤検知識別モデルＭＢに入力することで、誤検知識別モデルＭＢに、画像と、誤検知物Ｂの有無、誤検知物Ｂの位置及び確率スコアとの対応関係を、機械学習させる。すなわちこの場合、誤検知学習部２４は、指定情報に示す位置に誤検知物Ｂが存在する旨を、指定情報として誤検知識別モデルＭＢに入力する。このように機械学習させることで、誤検知識別モデルＭＢは、画像が入力されたら、演算を行うことにより、誤検知物Ｂの有無、誤検知物Ｂの位置及び確率スコアを、出力可能となる。
【0059】
以上のように、本実施形態においては、情報処理装置１０が、誤検知学習部２４により、誤検知識別モデルＭＢを機械学習させるが、それに限られず、例えば他の装置により機械学習済みの誤検知識別モデルＭＢを取得してもよい。
【0060】
（第１画像の取得）
第１画像取得部２０は、対象領域ＡＲ（検知領域ＡＲ０の一部の領域）が写り、かつ対象物Ａが写らない第１画像Ｐ１のデータを取得する。すなわち、第１画像Ｐ１は、例えば図１に示すように、対象物Ａが存在しない状態の検知領域ＡＲ０の一部を撮像した画像といえる。本実施形態では、第１画像取得部２０は、複数の対象領域ＡＲのそれぞれについて、第１画像Ｐ１を取得する。すなわち例えば、検知装置１が移動体である場合には、検知装置１の移動に伴い位置が変わる対象領域ＡＲのそれぞれについての、第１画像Ｐ１を取得するといえる。第１画像取得部２０は、任意の方法で第１画像Ｐ１を取得してよいが、例えば、検知装置１や他の装置により撮像された設備Ｗ内の対象領域ＡＲの画像を、通信部１２を介して、第１画像Ｐ１として取得してよい。なお、第１画像Ｐ１は、対象物Ａを含まない画像であることにも限られず、対象物Ａを含んだ対象領域ＡＲの画像であってもよい。
第１画像取得部２０は、対象領域ＡＲ（検知領域ＡＲ０の一部の領域）が写り、かつ対象物Ａが写らない第１画像Ｐ１のデータを取得する。すなわち、第１画像Ｐ１は、例えば図１に示すように、対象物Ａが存在しない状態の検知領域ＡＲ０の一部を撮像した画像といえる。本実施形態では、第１画像取得部２０は、複数の対象領域ＡＲのそれぞれについて、第１画像Ｐ１を取得する。すなわち例えば、検知装置１が移動体である場合には、検知装置１の移動に伴い位置が変わる対象領域ＡＲのそれぞれについての、第１画像Ｐ１を取得するといえる。第１画像取得部２０は、任意の方法で第１画像Ｐ１を取得してよいが、例えば、検知装置１や他の装置により撮像された設備Ｗ内の対象領域ＡＲの画像を、通信部１２を介して、第１画像Ｐ１として取得してよい。なお、第１画像Ｐ１は、対象物Ａを含まない画像であることにも限られず、対象物Ａを含んだ対象領域ＡＲの画像であってもよい。
【0061】
（見逃し領域の検出）
図８及び図９は、見逃し領域及び誤検知領域の検出を説明する模式図である。検出部２６は、機械学習済みの見逃し識別モデルＭＡに、第１画像Ｐ１の画像データを入力することで、見逃し領域を検出する。上述のように、見逃し識別モデルＭＡは、画像と難易度スコアとの対応関係を機械学習済みである。従って、検出部２６は、第１画像Ｐ１の画像データを見逃し識別モデルＭＡに入力することで、第１画像Ｐ１の難易度スコアを取得する。より詳しくは、検出部２６は、第１画像Ｐ１の画像データを見逃し識別モデルＭＡに入力することで、第１画像Ｐ１の位置毎の難易度スコアを取得する。
図８及び図９は、見逃し領域及び誤検知領域の検出を説明する模式図である。検出部２６は、機械学習済みの見逃し識別モデルＭＡに、第１画像Ｐ１の画像データを入力することで、見逃し領域を検出する。上述のように、見逃し識別モデルＭＡは、画像と難易度スコアとの対応関係を機械学習済みである。従って、検出部２６は、第１画像Ｐ１の画像データを見逃し識別モデルＭＡに入力することで、第１画像Ｐ１の難易度スコアを取得する。より詳しくは、検出部２６は、第１画像Ｐ１の画像データを見逃し識別モデルＭＡに入力することで、第１画像Ｐ１の位置毎の難易度スコアを取得する。
【0062】
検出部２６は、第１画像Ｐ１の難易度スコアに基づいて、その第１画像Ｐ１に写る対象領域ＡＲに、見逃し領域が含まれているかを判定する。検出部２６は、難易度スコアに基づいた任意の方法で見逃し領域が含まれているかを判定してよい。例えば、検出部２６は、位置毎の難易度スコアに基づく値が所定の閾値以上である場合に、見逃し領域が含まれていると判定し、位置毎の難易度スコアに基づく値が閾値未満である場合には、見逃し領域が含まれていないと判定する。位置毎の難易度スコアに基づく値は、例えば、位置毎の難易度スコアの合計値、平均値、又は分散値などであってよい。
【0063】
検出部２６は、それぞれの第１画像Ｐ１について上記処理を行うことで、第１画像Ｐ１毎に、第１画像Ｐ１に写る対象領域ＡＲに見逃し領域が含まれているかを判定する。図８の線Ｌ１は、第１画像Ｐ１毎の難易度スコアに基づく値の例を示している。図８の例では、検出部２６は、それぞれの第１画像Ｐ１のうちで、難易度スコアに基づく値が閾値以上となる第１画像Ｐ１の対象領域ＡＲに、見逃し領域が含まれていると判定する。
【0064】
また、検出部２６は、第１画像Ｐ１の位置毎の難易度スコアに基づいて、その第１画像Ｐ１に写る対象領域ＡＲにおける見逃し領域の位置を検出してもよい。この場合例えば、検出部２６は、第１画像Ｐ１のうちで難易度スコアが閾値以上となる位置（領域）を、見逃し領域の位置として検出してよい。
【0065】
検出部２６は、検知領域ＡＲ０（設備Ｗ）の座標系における、見逃し領域が含まれていると判定された対象領域ＡＲの位置情報を取得する。検出部２６は、検知領域ＡＲ０の全域のうちで、見逃し領域が含まれていると判定された対象領域ＡＲの、検知領域ＡＲ０の座標系における位置（領域）を、見逃し領域として検出する。図９の例では、対象領域ＡＲａが写る第１画像Ｐ１の難易度スコアが閾値以上であるため、対象領域ＡＲａに見逃し領域が含まれていると判定されている。この場合、検出部２６は、検知領域ＡＲ０の座標系において、対象領域ＡＲａと少なくとも一部が重なる領域を、見逃し領域として検出する。なお、検知領域ＡＲ０の座標系における対象領域ＡＲの位置情報の取得方法は任意であってよく、例えば、検知領域ＡＲ０の座標系における、その対象領域ＡＲが写った第１画像Ｐ１を撮像した位置及び向きに基づいて、対象領域ＡＲの位置情報が算出されてよい。
【0066】
このように、検出部２６は、機械学習済みの見逃し識別モデルＭＡに第１画像Ｐ１の画像データを入力することで、その第１画像Ｐ１に写る対象領域ＡＲが見逃し領域を含むかを判断して、見逃し領域を検出する。ただしそれに限られず、検出部２６は、第１画像Ｐ１の画像データに基づく任意の方法で、その第１画像Ｐ１に写る対象領域ＡＲが見逃し領域を含むかを判断して、見逃し領域を検出してよい。
【0067】
（誤検知領域の検出）
検出部２６は、誤検知識別モデルＭＢに、第１画像Ｐ１の画像データを入力することで、誤検知領域を検出する。上述のように、誤検知識別モデルＭＢは、誤検知物Ｂの有無を機械学習済みである。従って、検出部２６は、第１画像Ｐ１の画像データを誤検知識別モデルＭＢに入力することで、第１画像Ｐ１に写る対象領域ＡＲにおける誤検知物Ｂの有無の判断結果を取得する。
検出部２６は、誤検知識別モデルＭＢに、第１画像Ｐ１の画像データを入力することで、誤検知領域を検出する。上述のように、誤検知識別モデルＭＢは、誤検知物Ｂの有無を機械学習済みである。従って、検出部２６は、第１画像Ｐ１の画像データを誤検知識別モデルＭＢに入力することで、第１画像Ｐ１に写る対象領域ＡＲにおける誤検知物Ｂの有無の判断結果を取得する。
【0068】
検出部２６は、誤検知物Ｂの有無の判断結果に基づいて、その第１画像Ｐ１に写る対象領域ＡＲに、誤検知物Ｂが含まれているかを判定する。検出部２６は、誤検知物Ｂの有無の判断結果に基づいた任意の方法で見逃し領域が含まれているかを判定してよい。例えば、検出部２６は、誤検知物Ｂが存在する旨の判断結果を取得した場合に、その第１画像Ｐ１に写る対象領域ＡＲに、誤検知物Ｂが含まれていると判断し、誤検知物Ｂが存在しない旨の判断結果を取得した場合に、対象領域ＡＲに誤検知物Ｂが含まれないと判断してよい。また例えば、検出部２６は、誤検知識別モデルＭＢから、誤検知物Ｂの有無の判断結果が正しい確率を示す確率スコアを取得してよい。そして、検出部２６は、確率スコアが所定の閾値以上である場合に、誤検知物Ｂが含まれていると判断し、確率スコアが所定の閾値未満である場合に、誤検知物Ｂが含まれていないと判断してよい。
【0069】
検出部２６は、それぞれの第１画像Ｐ１について上記処理を行うことで、第１画像Ｐ１毎に、第１画像Ｐ１に写る対象領域ＡＲに誤検知物Ｂが含まれているかを判定する。図８の線Ｌ２は、第１画像Ｐ１毎の確率スコアに基づく値の例を示している。図８の例では、検出部２６は、それぞれの第１画像Ｐ１のうちで、確率スコアが閾値以上となる第１画像Ｐ１の対象領域ＡＲに、誤検知物Ｂが含まれていると判定する。
【0070】
検出部２６は、検知領域ＡＲ０（設備Ｗ）の座標系における、誤検知物Ｂの位置情報を取得する。検出部２６は、検知領域ＡＲ０の全域のうちで、検知領域ＡＲ０の座標系において誤検知物Ｂを含む位置（領域）を、誤検知領域として検出する。図９の例では、領域ＡＲｂが誤検知物Ｂであると判定されたため、検出部２６は、検知領域ＡＲ０の座標系において、領域ＡＲｂと少なくとも一部が重なる領域を、誤検知領域として検出する。なお、検知領域ＡＲ０の座標系における誤検知物Ｂの位置情報の取得方法は任意であってよい。例えば、検出部２６は、誤検知識別モデルＭＢから、第１画像Ｐ１における誤検知物Ｂの位置情報（第１画像Ｐ１の座標系における誤検知物Ｂの位置）を取得する。そして、検出部２６は、第１画像Ｐ１における誤検知物Ｂの位置と、検知領域ＡＲ０の座標系における、その対象領域ＡＲが写った第１画像Ｐ１を撮像した位置及び向きとに基づいて、検知領域ＡＲ０の座標系における誤検知物Ｂの位置情報を算出してよい。
【0071】
このように、検出部２６は、機械学習済みの誤検知識別モデルＭＢに第１画像Ｐ１の画像データを入力することで、その第１画像Ｐ１に写る対象領域ＡＲが誤検知物Ｂを含むかを判断して、誤検知領域を検出する。ただしそれに限られず、検出部２６は、第１画像Ｐ１の画像データに基づく任意の方法で、その第１画像Ｐ１に写る対象領域ＡＲが誤検知を含むかを判断して、誤検知領域を検出してよい。
【0072】
以上のように、本実施形態では、検出部２６は、見逃し領域と誤検知領域との両方を検出するが、それに限られず、第１画像Ｐ１の画像データに基づいて、見逃し領域と誤検知領域との一方のみを検出してもよい。
【0073】
（第２画像の取得）
図１０は、第２画像の一例を示す模式図である。第２画像取得部２８は、検出部２６による、見逃し領域及び誤検知領域の少なくとも一方の検出結果に基づき、識別モデルＭを機械学習させるための第２画像Ｐ２を取得する。本実施形態では、第２画像取得部２８は、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物が重畳する画像とを、第２画像Ｐ２として取得する。ただしそれに限られず、第２画像取得部２８は、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物が重畳する画像との少なくとも一方を、第２画像Ｐ２として取得してよい。
図１０は、第２画像の一例を示す模式図である。第２画像取得部２８は、検出部２６による、見逃し領域及び誤検知領域の少なくとも一方の検出結果に基づき、識別モデルＭを機械学習させるための第２画像Ｐ２を取得する。本実施形態では、第２画像取得部２８は、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物が重畳する画像とを、第２画像Ｐ２として取得する。ただしそれに限られず、第２画像取得部２８は、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物が重畳する画像との少なくとも一方を、第２画像Ｐ２として取得してよい。
【0074】
第２画像取得部２８は、それぞれの誤検知領域及び見逃し領域毎に、第２画像Ｐ２を準備することが好ましい。以降においては、第２画像Ｐ２において、対象物Ａの画像と重畳する画像を、すなわち見逃し領域又は誤検知領域が写る画像を、背景画像Ｐ２Ａとする。また、背景画像Ｐ２Ａと重畳させる対象物Ａの画像を、対象物画像Ｐ２Ｂとする。すなわち、図１０に示すように、第２画像Ｐ２は、背景画像Ｐ２Ａに対象物画像Ｐ２Ｂが重畳した画像といえる。なお、図１０の第２画像Ｐ２に写る四角は、対象物Ａ以外の物体を例示したものである。
【0075】
（撮像画像を第２画像とする場合）
第２画像取得部２８による第２画像Ｐ２の取得方法は任意であってよい。例えば、第２画像取得部２８は、対象物Ａと、見逃し領域又は誤検知領域とが撮像された撮像画像（対象物Ａと、見逃し領域又は誤検知領域とを撮像範囲内に含む撮像画像）を、第２画像Ｐ２として取得してよい。この場合例えば、見逃し領域又は誤検知領域に、実際に対象物Ａを位置させて、その対象物Ａと、見逃し領域又は誤検知領域とを撮像範囲に含むように、撮像を行わせる。第２画像取得部２８は、このように撮像された撮像画像を、第２画像Ｐ２として取得する。見逃し領域に対象物Ａを位置させて撮像する場合、見逃し領域内の任意の位置に対象物Ａを位置させてよいが、その見逃し領域のうちで、難易度スコアが最大となる位置に対象物Ａを位置させることが好ましい。また、誤検知領域に対象物Ａを位置させて撮像する場合、誤検知領域内の任意の位置に対象物Ａを位置させてよいが、その誤検知領域のうちで、誤検知物Ｂとの距離が所定値未満となる位置に対象物Ａを位置させることが好ましい。
第２画像取得部２８による第２画像Ｐ２の取得方法は任意であってよい。例えば、第２画像取得部２８は、対象物Ａと、見逃し領域又は誤検知領域とが撮像された撮像画像（対象物Ａと、見逃し領域又は誤検知領域とを撮像範囲内に含む撮像画像）を、第２画像Ｐ２として取得してよい。この場合例えば、見逃し領域又は誤検知領域に、実際に対象物Ａを位置させて、その対象物Ａと、見逃し領域又は誤検知領域とを撮像範囲に含むように、撮像を行わせる。第２画像取得部２８は、このように撮像された撮像画像を、第２画像Ｐ２として取得する。見逃し領域に対象物Ａを位置させて撮像する場合、見逃し領域内の任意の位置に対象物Ａを位置させてよいが、その見逃し領域のうちで、難易度スコアが最大となる位置に対象物Ａを位置させることが好ましい。また、誤検知領域に対象物Ａを位置させて撮像する場合、誤検知領域内の任意の位置に対象物Ａを位置させてよいが、その誤検知領域のうちで、誤検知物Ｂとの距離が所定値未満となる位置に対象物Ａを位置させることが好ましい。
【0076】
撮像画像を撮像する際の、対象物Ａの状態は任意であってよい。対象物Ａの状態とは、対象物Ａの種類、大きさ、向き、姿勢などであり、対象物Ａの状態に応じて、見逃しや誤検知の発生し易さが変化する。第２画像取得部２８は、対象物Ａの状態が異なった状態で撮像された複数の撮像画像を、第２画像Ｐ２として取得してよい。また例えば、対象物Ａの状態と、見逃しや誤検知の発生し易さとの対応関係を予め設定しておき、見逃しや誤検知の発生し易さが所定の閾値以上となる状態で対象物Ａを位置させた撮像画像を、第２画像Ｐ２として取得してよい。対象物Ａの状態と、見逃しや誤検知の発生し易さとの対応関係は、任意に設定してよい。
【0077】
（第２画像を生成する場合）
第２画像取得部２８は、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとを重畳させることで、第２画像Ｐ２を生成してよい。この場合、第２画像取得部２８は、見逃し領域又は誤検知領域が写る背景画像Ｐ２Ａを取得する。第２画像取得部２８は、任意の方法で背景画像Ｐ２Ａを取得してよいが、例えば、対象物Ａが位置しない見逃し領域又は誤検知領域を撮像した撮像画像を、背景画像Ｐ２Ａとして取得してよい。また、第２画像取得部２８は、任意の方法で対象物画像Ｐ２Ｂを取得してよい。第２画像取得部２８は、通信部１２を介して、外部の装置（サーバ）などから、対象物Ａが写る既存の画像を、対象物画像Ｐ２Ｂとして取得してよい。また例えば、第２画像取得部２８は、対象物Ａの画像データ（３次元画像データ）を取得して、対象物Ａの画像データに基づいて、対象物画像Ｐ２Ｂを生成してもよい。
第２画像取得部２８は、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとを重畳させることで、第２画像Ｐ２を生成してよい。この場合、第２画像取得部２８は、見逃し領域又は誤検知領域が写る背景画像Ｐ２Ａを取得する。第２画像取得部２８は、任意の方法で背景画像Ｐ２Ａを取得してよいが、例えば、対象物Ａが位置しない見逃し領域又は誤検知領域を撮像した撮像画像を、背景画像Ｐ２Ａとして取得してよい。また、第２画像取得部２８は、任意の方法で対象物画像Ｐ２Ｂを取得してよい。第２画像取得部２８は、通信部１２を介して、外部の装置（サーバ）などから、対象物Ａが写る既存の画像を、対象物画像Ｐ２Ｂとして取得してよい。また例えば、第２画像取得部２８は、対象物Ａの画像データ（３次元画像データ）を取得して、対象物Ａの画像データに基づいて、対象物画像Ｐ２Ｂを生成してもよい。
【0078】
第２画像取得部２８は、背景画像Ｐ２Ａにおける任意の位置に対象物画像Ｐ２Ｂが位置するように、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとを重畳させてよい。例えば見逃し領域の背景画像Ｐ２Ａに重畳する場合、その見逃し領域のうちで、難易度スコアが最大となる位置に対象物画像Ｐ２Ｂを位置させることが好ましい。また、誤検知領域の背景画像Ｐ２Ａに重畳する場合、その誤検知領域のうちで、誤検知物Ｂとの距離が所定値未満となる位置に対象物画像Ｐ２Ｂを位置させることが好ましい。
【0079】
対象物画像Ｐ２Ｂにおける対象物Ａの状態（種類、大きさ、向き、姿勢など）は任意であってよい。第２画像取得部２８は、対象物Ａの状態が異なる対象物画像Ｐ２Ｂを生成して、対象物Ａの状態が異なる複数の第２画像Ｐ２を取得してよい。また例えば、対象物Ａの状態と、見逃しや誤検知の発生し易さとの対応関係を予め設定しておき、見逃しや誤検知の発生し易さが所定の閾値以上となる状態とした対象物画像Ｐ２Ｂを、背景画像Ｐ２Ａに重畳して、第２画像Ｐ２を生成してよい。
【0080】
なお、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとを重畳させて第２画像Ｐ２を生成する場合、第２画像取得部２８は、背景画像Ｐ２Ａの各位置における奥行きを示す奥行き情報に基づいて、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとを重畳させてよい。奥行きとは、画像における深さ方向の位置を指す。第２画像取得部２８は、背景画像Ｐ２Ａの奥行き情報を任意の方法で取得してよいが、例えば、複数のカメラにより共通する領域を撮像した撮像画像から、背景画像Ｐ２Ａにおける各位置の奥行きを算出してよい。また例えば、背景画像Ｐ２Ａに基づき、公知の方法で深層学習を用いた奥行き推定を行うことで、背景画像Ｐ２Ａにおける各位置の奥行きを算出してよい。
【0081】
図１１は、第２画像の他の例を示す模式図である。背景画像Ｐ２Ａの奥行き情報を取得したら、第２画像取得部２８は、対象物画像Ｐ２Ｂの奥行きを設定する。第２画像取得部２８は、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとが、設定された奥行きに位置するように、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとを重畳させて、第２画像Ｐ２を生成する。例えば図１１においては、対象物画像Ｐ２Ｂが、背景画像Ｐ２Ａに含まれる物体Ｐ２Ａ１よりも奥側となるように、奥行きが設定されている。この場合、図１１に示すように、第２画像取得部２８は、対象物画像Ｐ２Ｂが物体Ｐ２Ａ１よりも奥側となるように、第２画像Ｐ２を生成する。
【0082】
なお、以上の説明では、誤検知領域を含む第２画像Ｐ２は、誤検知領域の背景画像Ｐ２Ａに対象物画像Ｐ２Ｂが重畳する画像であった。ただしそれに限られず、誤検知領域の背景画像Ｐ２Ａに対象物画像Ｐ２Ｂが重畳する画像と、対象物画像Ｐ２Ｂを含まず誤検知領域の背景画像Ｐ２Ａを含む画像（対象物Ａが写らず誤検知領域が写る画像）とを、誤検知領域を含む第２画像Ｐ２として取得してもよい。
【0083】
（識別モデルの機械学習）
第２画像Ｐ２が取得されたら、学習部３０は、第２画像Ｐ２の画像データを教師データとして、画像内における対象物Ａの有無を、識別モデルＭに機械学習させる。より詳しくは、学習部３０は、第２画像Ｐ２の画像データと、その第２画像Ｐ２における対象物Ａの有無を示す指定情報とを含むデータセットを、識別モデルＭ用の教師データとして設定する。学習部３０は、それぞれの第２画像Ｐ２について、第２画像Ｐ２と指定情報とを含むデータセット（教師データ）を準備することで、複数の教師データを準備する。なお、第２画像Ｐ２は対象物画像Ｐ２Ｂを含むので、指定情報は、第２画像Ｐ２に対象物Ａが含まれる旨の情報となる。ただし上述のように、誤検知領域を含む第２画像Ｐ２として、対象物画像Ｐ２Ｂを含まず誤検知領域の背景画像Ｐ２Ａを含む画像も準備される。このような第２画像Ｐ２は、対象物画像Ｐ２Ｂを含まないので、指定情報は、第２画像Ｐ２に対象物Ａが含まれない旨の情報となる。
第２画像Ｐ２が取得されたら、学習部３０は、第２画像Ｐ２の画像データを教師データとして、画像内における対象物Ａの有無を、識別モデルＭに機械学習させる。より詳しくは、学習部３０は、第２画像Ｐ２の画像データと、その第２画像Ｐ２における対象物Ａの有無を示す指定情報とを含むデータセットを、識別モデルＭ用の教師データとして設定する。学習部３０は、それぞれの第２画像Ｐ２について、第２画像Ｐ２と指定情報とを含むデータセット（教師データ）を準備することで、複数の教師データを準備する。なお、第２画像Ｐ２は対象物画像Ｐ２Ｂを含むので、指定情報は、第２画像Ｐ２に対象物Ａが含まれる旨の情報となる。ただし上述のように、誤検知領域を含む第２画像Ｐ２として、対象物画像Ｐ２Ｂを含まず誤検知領域の背景画像Ｐ２Ａを含む画像も準備される。このような第２画像Ｐ２は、対象物画像Ｐ２Ｂを含まないので、指定情報は、第２画像Ｐ２に対象物Ａが含まれない旨の情報となる。
【0084】
学習部３０は、それぞれの教師データ（第２画像Ｐ２の画像データと指定情報）を未学習の識別モデルＭに入力することで、識別モデルＭに、画像と、その画像における対象物Ａの有無との対応関係を機械学習させる。このように機械学習させることで、識別モデルＭは、画像が入力されたら、演算を行うことにより、その画像における対象物Ａの有無の判断結果を出力可能となる。なお、識別モデルＭとしては、任意のＡＩモデルが適用できるが、例えばＣＮＮモデルを用いてよい。
【0085】
学習部３０は、第２画像Ｐ２の画像データと、その第２画像Ｐ２における対象物Ａの位置を示す指定情報とを教師データとして、識別モデルＭに、画像内における対象物Ａの位置を機械学習させてよい。これにより、識別モデルＭは、未知の画像データが入力された場合に、識別モデルＭの有無の判断結果と、その画像内における識別モデルＭの位置情報とを出力可能となる。
【0086】
情報処理装置１０は、第２画像Ｐ２を教師データとして機械学習させた識別モデルＭを、例えば通信部１２を介して、検知装置１に送信する。検知装置１は、上述のように、機械学習済みの識別モデルＭを用いて、対象物Ａの検知を行う。
【0087】
（処理フロー）
次に、以上説明した情報処理装置１０の処理フローを説明する。図１２は、情報処理装置の処理フローを説明するフローチャートである。図１２に示すように、情報処理装置１０は、第１画像取得部２０により、対象領域ＡＲが写り、かつ対象物Ａが写らない第１画像Ｐ１を取得する（ステップＳ１０）。そして、情報処理装置１０は、検出部２６により、第１画像Ｐ１に基づいて見逃し領域を検出し（ステップＳ１２）、第２画像取得部２８により、見逃し領域（背景画像Ｐ２Ａ）と対象物Ａ（対象物画像Ｐ２Ｂ）が重畳した第２画像Ｐ２を取得する（ステップＳ１４）。本実施形態では、検出部２６は、機械学習済みの見逃し識別モデルＭＡに第１画像Ｐ１の画像データを入力して、第１画像Ｐ１についての難易度スコアを取得し、難易度スコアに基づいて、見逃し領域を検出する。また、情報処理装置１０は、検出部２６により、第１画像Ｐ１に基づいて誤検知領域を検出し（ステップＳ１６）、第２画像取得部２８により、誤検知領域（背景画像Ｐ２Ａ）と対象物Ａ（対象物画像Ｐ２Ｂ）が重畳した第２画像Ｐ２を取得する（ステップＳ１８）。本実施形態では、検出部２６は、機械学習済みの誤検知識別モデルＭＢに第１画像Ｐ１の画像データを入力して、第１画像Ｐ１に誤検知物Ｂが含まれるかの判断結果を取得し、その判断結果に基づいて、誤検知領域を検出する。
次に、以上説明した情報処理装置１０の処理フローを説明する。図１２は、情報処理装置の処理フローを説明するフローチャートである。図１２に示すように、情報処理装置１０は、第１画像取得部２０により、対象領域ＡＲが写り、かつ対象物Ａが写らない第１画像Ｐ１を取得する（ステップＳ１０）。そして、情報処理装置１０は、検出部２６により、第１画像Ｐ１に基づいて見逃し領域を検出し（ステップＳ１２）、第２画像取得部２８により、見逃し領域（背景画像Ｐ２Ａ）と対象物Ａ（対象物画像Ｐ２Ｂ）が重畳した第２画像Ｐ２を取得する（ステップＳ１４）。本実施形態では、検出部２６は、機械学習済みの見逃し識別モデルＭＡに第１画像Ｐ１の画像データを入力して、第１画像Ｐ１についての難易度スコアを取得し、難易度スコアに基づいて、見逃し領域を検出する。また、情報処理装置１０は、検出部２６により、第１画像Ｐ１に基づいて誤検知領域を検出し（ステップＳ１６）、第２画像取得部２８により、誤検知領域（背景画像Ｐ２Ａ）と対象物Ａ（対象物画像Ｐ２Ｂ）が重畳した第２画像Ｐ２を取得する（ステップＳ１８）。本実施形態では、検出部２６は、機械学習済みの誤検知識別モデルＭＢに第１画像Ｐ１の画像データを入力して、第１画像Ｐ１に誤検知物Ｂが含まれるかの判断結果を取得し、その判断結果に基づいて、誤検知領域を検出する。
【0088】
第２画像Ｐ２を取得したら、情報処理装置１０は、第２画像Ｐ２に基づき、すなわち第２画像Ｐ２を教師データとして、識別モデルＭに機械学習させる（ステップＳ２０）。
【0089】
以上説明したように、本実施形態においては、対象物Ａが写らない第１画像Ｐ１に基づいて、検知領域ＡＲ０のうちから、誤検知領域及び見逃し領域を検出する。そして、その誤検知領域や見逃し領域と、対象物Ａとが重畳した第２画像Ｐ２により、識別モデルＭに、対象物Ａの有無を機械学習させる。本実施形態においては、誤検知が起きやすい誤検知領域や見逃しが起きやすい見逃し領域を検出して、誤検知や見逃しが起こりやすい状況を適切に再現した第２画像Ｐ２を教師データとする。これにより、誤検知や見逃しが起きやすい領域を、重点的に機械学習させることができる。そのため、本実施形態の方法で機械学習させた識別モデルＭを用いることで、対象物Ａの誤検知や見逃しを適切に抑制することができる。
【0090】
（効果）
以上説明したように、本開示の第１態様に係る情報処理装置１０は、第１画像取得部２０と、検出部２６と、第２画像取得部２８と、学習部３０とを含む。第１画像取得部２０は、監視対象となる検知領域ＡＲ０のうちの一部の領域である対象領域ＡＲが写り、かつ対象物Ａが写らない第１画像Ｐ１の画像データを取得する。検出部２６は、第１画像Ｐ１の画像データに基づいて、検知領域ＡＲ０のうちから、対象物Ａの誤検知が起こる誤検知領域と、対象物Ａの見逃しが起こる見逃し領域との少なくとも一方を検出する。第２画像取得部２８は、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物Ａが重畳する画像との、少なくとも一方である第２画像Ｐ２を取得する。学習部３０は、第２画像Ｐ２の画像データを教師データとして、画像内における対象物Ａの有無を、識別モデルＭに機械学習させる。本開示によると、誤検知が起きやすい誤検知領域や見逃しが起きやすい見逃し領域を検出して、それらを含む画像を教師データとすることで、誤検知や見逃しが起きやすい領域を用いて、重点的に機械学習させることができる。そのため、本開示によると、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
以上説明したように、本開示の第１態様に係る情報処理装置１０は、第１画像取得部２０と、検出部２６と、第２画像取得部２８と、学習部３０とを含む。第１画像取得部２０は、監視対象となる検知領域ＡＲ０のうちの一部の領域である対象領域ＡＲが写り、かつ対象物Ａが写らない第１画像Ｐ１の画像データを取得する。検出部２６は、第１画像Ｐ１の画像データに基づいて、検知領域ＡＲ０のうちから、対象物Ａの誤検知が起こる誤検知領域と、対象物Ａの見逃しが起こる見逃し領域との少なくとも一方を検出する。第２画像取得部２８は、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物Ａが重畳する画像との、少なくとも一方である第２画像Ｐ２を取得する。学習部３０は、第２画像Ｐ２の画像データを教師データとして、画像内における対象物Ａの有無を、識別モデルＭに機械学習させる。本開示によると、誤検知が起きやすい誤検知領域や見逃しが起きやすい見逃し領域を検出して、それらを含む画像を教師データとすることで、誤検知や見逃しが起きやすい領域を用いて、重点的に機械学習させることができる。そのため、本開示によると、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
【0091】
本開示の第２態様に係る情報処理装置１０は、第１態様に係る情報処理装置１０であって、検出部２６は、画像と、対象物Ａの見逃しが起こる確率を示す難易度スコアとの対応関係を機械学習した見逃し識別モデルＭＡに、第１画像Ｐ１の画像データを入力することで、見逃し領域を検出する。本開示によると、難易度スコアを機械学習した見逃し識別モデルＭＡを用いることで、見逃し領域を適切に検出して、見逃しを適切に抑制することができる。
【0092】
本開示の第３態様に係る情報処理装置１０は、第２態様に係る情報処理装置１０であって、見逃し識別モデルＭＡを機械学習させる見逃し学習部２２を更に含む。見逃し学習部２２は、背景に対象物Ａが重畳した第１学習画像（学習画像）ＰＡと、第１学習画像ＰＡに対象物Ａが存在することを示す指定情報とを教師データとして、見逃し識別モデルＭＡに機械学習させる。検出部２６は、機械学習済みの見逃し識別モデルＭＡに、第１画像Ｐ１の画像データを入力することで、第１画像Ｐ１についての難易度スコアを取得し、難易度スコアに基づいて、対象領域ＡＲに見逃し領域が含まれているかを判定する。本開示によると、難易度スコアを機械学習した見逃し識別モデルＭＡを用いることで、見逃し領域を適切に検出して、見逃しを適切に抑制することができる。
【0093】
本開示の第４態様に係る情報処理装置１０は、第３態様に係る情報処理装置１０であって、見逃し学習部２２は、第１学習画像ＰＡの位置毎の難易度スコアを機械学習させ、検出部２６は、見逃し識別モデルＭＡに第１画像Ｐ１の画像データを入力することで、第１画像Ｐ１の位置毎の難易度スコアを取得する。本開示によると、位置毎の難易度スコアを機械学習した見逃し識別モデルＭＡを用いることで、見逃し領域を適切に検出して、見逃しを適切に抑制することができる。
【0094】
本開示の第５態様に係る情報処理装置１０は、第１態様から第４態様のいずれかに係る情報処理装置１０であって、検出部２６は、対象物Ａであると誤検知される誤検知物Ｂの有無を機械学習した誤検知識別モデルＭＢに、第１画像Ｐ１の画像データを入力することで、誤検知領域を検出する。本開示によると、誤検知物Ｂの有無を機械学習した誤検知識別モデルＭＢを用いることで、誤検知領域を適切に検出して、誤検知を適切に抑制することができる。
【0095】
本開示の第６態様に係る情報処理装置１０は、第５態様に係る情報処理装置１０であって、誤検知識別モデルＭＢを機械学習させる誤検知学習部２４を更に含む。誤検知学習部２４は、対象物Ａを含まない第２学習画像ＰＢと、その第２学習画像ＰＢに誤検知物Ｂが含まれることを示す指定情報とを教師データとして、誤検知識別モデルＭＢに機械学習させる。検出部２６は、誤検知識別モデルＭＢに第１画像Ｐ１の画像データを入力することで、対象領域ＡＲに誤検知物Ｂが含まれているかを判定する。本開示によると、誤検知物Ｂの有無を機械学習した誤検知識別モデルＭＢを用いることで、誤検知領域を適切に検出して、誤検知を適切に抑制することができる。
【0096】
本開示の第７態様に係る情報処理装置１０は、第１態様から第６態様のいずれかに係る情報処理装置１０であって、第２画像取得部２８は、誤検知領域又は見逃し領域と、対象物Ａとが撮像された撮像画像を、第２画像Ｐ２として取得する。このような第２画像Ｐ２を用いて機械学習させることで、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
【0097】
本開示の第８態様に係る情報処理装置１０は、第１態様から第７態様のいずれかに係る情報処理装置１０であって、第２画像取得部２８は、誤検知領域又は見逃し領域が写る背景画像Ｐ２Ａに、対象物Ａの画像である対象物画像Ｐ２Ｂを重畳させた画像を、第２画像Ｐ２として生成する。このような第２画像Ｐ２を用いて機械学習させることで、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
【0098】
本開示の第９態様に係る情報処理装置１０は、第８態様に係る情報処理装置１０であって、第２画像取得部２８は、背景画像Ｐ２Ａの各位置における奥行きを示す奥行き情報に基づいて、背景画像Ｐ２Ａと対象物画像Ｐ２Ｂとを重畳させる。奥行き情報も用いて画像を重畳することで、誤検知や見逃しが起こりやすい状況を適切に再現した第２画像Ｐ２を生成することが可能となり、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
【0099】
本開示の第１０態様に係る検知装置１は、第１態様から第９態様のいずれかに係る情報処理装置１０の、学習部３０により機械学習させた識別モデルＭを用いて、検知領域ＡＲ０における対象物Ａの有無を検知する。本開示によると、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
【0100】
本開示の第１１態様に係る情報処理方法は、監視対象となる検知領域ＡＲ０のうちの一部の領域である対象領域ＡＲが写り、かつ対象物Ａが写らない第１画像Ｐ１の画像データを取得するステップと、第１画像Ｐ１の画像データに基づいて、検知領域ＡＲ０のうちから、対象物Ａの誤検知が起こる誤検知領域と、対象物Ａの見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物Ａが重畳する画像との、少なくとも一方である第２画像Ｐ２を取得するステップと、第２画像Ｐ２の画像データを教師データとして、画像内における対象物Ａの有無を、識別モデルＭに機械学習させるステップとを含む。本開示によると、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
【0101】
本開示の第１２態様に係るプログラムは、監視対象となる検知領域ＡＲ０のうちの一部の領域である対象領域ＡＲが写り、かつ対象物Ａが写らない第１画像Ｐ１の画像データを取得するステップと、第１画像Ｐ１の画像データに基づいて、検知領域ＡＲ０のうちから、対象物Ａの誤検知が起こる誤検知領域と、対象物Ａの見逃しが起こる見逃し領域との少なくとも一方を検出するステップと、誤検知領域が写る画像に対象物Ａが重畳する画像と、見逃し領域が写る画像に対象物Ａが重畳する画像との、少なくとも一方である第２画像Ｐ２を取得するステップと、第２画像Ｐ２の画像データを教師データとして、画像内における対象物Ａの有無を、識別モデルＭに機械学習させるステップとを、コンピュータに実行させる。本開示によると、対象物Ａの誤検知と見逃しとの少なくとも一方を、適切に抑制することができる。
【0102】
以上、本開示の実施形態を説明したが、この実施形態の内容により実施形態が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。
【符号の説明】
【0103】
１０ 情報処理装置
２０ 第１画像取得部
２２ 見逃し学習部
２４ 誤検知学習部
２６ 検出部
２８ 第２画像取得部
３０ 学習部
Ａ 対象物
ＡＲ 対象領域
ＡＲ０ 検知領域
Ｂ 誤検知物
Ｍ 識別モデル
ＭＡ 見逃し識別モデル
ＭＢ 誤検知識別モデル
Ｐ１ 第１画像
Ｐ２ 第２画像
２０ 第１画像取得部
２２ 見逃し学習部
２４ 誤検知学習部
２６ 検出部
２８ 第２画像取得部
３０ 学習部
Ａ 対象物
ＡＲ 対象領域
ＡＲ０ 検知領域
Ｂ 誤検知物
Ｍ 識別モデル
ＭＡ 見逃し識別モデル
ＭＢ 誤検知識別モデル
Ｐ１ 第１画像
Ｐ２ 第２画像
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】