知財求人 - 知財ポータルサイト「IP Force」
▶ 日本電気株式会社の特許一覧 ▶ 国立大学法人電気通信大学の特許一覧
特開2025-32332特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法およびプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2025032332
(43)【公開日】2025-03-11
(54)【発明の名称】特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法およびプログラム
(51)【国際特許分類】
G06V 10/40 20220101AFI20250304BHJP
G06V 10/70 20220101ALI20250304BHJP
G06T 7/00 20170101ALN20250304BHJP
G06V 40/18 20220101ALN20250304BHJP
【ＦＩ】
G06V10/40
G06V10/70
G06T7/00 510D
G06V40/18
【審査請求】有
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2024219493
(22)【出願日】2024-12-13
(62)【分割の表示】P 2023506640の分割
【原出願日】2021-03-18
(71)【出願人】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(71)【出願人】
【識別番号】504133110
【氏名又は名称】国立大学法人電気通信大学
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100181135
【弁理士】
【氏名又は名称】橋本 隆史
(72)【発明者】
【氏名】市野 将嗣
(72)【発明者】
【氏名】上野山 大介
(72)【発明者】
【氏名】坊良 翼
(72)【発明者】
【氏名】戸泉 貴裕
(72)【発明者】
【氏名】塚田 正人
(72)【発明者】
【氏名】荻野 有加
(57)【要約】 （修正有）
【課題】特徴超解像をさらに高精度に行う特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法および記録媒体を提供する。
【解決手段】特徴量変換学習装置２００は、第１画像を取得する画像パッチ取得部２０１と、第１画像を、第１画像よりも解像度が低い第２画像に縮小する画像縮小部２０２と、第２画像を第１画像と同じ解像度の第３画像に拡大する画像拡大部１０３と、第１画像の特徴量である第１特徴量および第３画像の特徴量である第２特徴量を抽出する特徴量抽出部１０４と、第２特徴量を第３特徴量に変換する特徴量変換部１０５と、第１特徴量と第３特徴量との比較結果に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる学習制御部２０８と、を備える。
【選択図】図３
【解決手段】特徴量変換学習装置２００は、第１画像を取得する画像パッチ取得部２０１と、第１画像を、第１画像よりも解像度が低い第２画像に縮小する画像縮小部２０２と、第２画像を第１画像と同じ解像度の第３画像に拡大する画像拡大部１０３と、第１画像の特徴量である第１特徴量および第３画像の特徴量である第２特徴量を抽出する特徴量抽出部１０４と、第２特徴量を第３特徴量に変換する特徴量変換部１０５と、第１特徴量と第３特徴量との比較結果に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる学習制御部２０８と、を備える。
【選択図】図３
【特許請求の範囲】
【請求項1】
第１画像を取得する画像取得手段と、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
【請求項2】
前記第１特徴量または前記第３特徴量の入力を受けて、入力された特徴量が、特徴量変換手段によって変換された特徴量か否かを判定する特徴判別手段をさらに備え、
前記学習制御手段は、前記特徴判別手段が、特徴量変換手段によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
請求項１に記載の特徴量変換学習装置。
前記学習制御手段は、前記特徴判別手段が、特徴量変換手段によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
請求項１に記載の特徴量変換学習装置。
【請求項3】
前記学習制御手段は、前記第１特徴量と前記第３特徴量とが類似するほど損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
請求項１または請求項２に記載の特徴量変換学習装置。
請求項１または請求項２に記載の特徴量変換学習装置。
【請求項4】
前記学習制御手段は、前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
請求項１から３の何れか一項に記載の特徴量変換学習装置。
請求項１から３の何れか一項に記載の特徴量変換学習装置。
【請求項5】
前記画像縮小手段は、前記第１画像を、乱数を用いて決定したサイズに縮小して前記第２画像を生成する
請求項１から４の何れか一項に記載の特徴量変換学習装置。
請求項１から４の何れか一項に記載の特徴量変換学習装置。
【請求項6】
前記特徴量抽出手段は、
特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段
を備える、請求項１から５の何れか一項に記載の特徴量変換学習装置。
特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段
を備える、請求項１から５の何れか一項に記載の特徴量変換学習装置。
【請求項7】
前記特徴量変換手段は、前記特徴量抽出手段が生成する中間特徴量に対して特徴量の変換を行う、
請求項１から６の何れか一項に記載の特徴量変換学習装置。
請求項１から６の何れか一項に記載の特徴量変換学習装置。
【請求項8】
認証対象画像を取得する認証対象画像取得手段と、
前記認証対象画像を拡大する画像拡大手段と、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
前記認証対象画像を拡大する画像拡大手段と、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
【請求項9】
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を含む特徴量変換学習方法。
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を含む特徴量変換学習方法。
【請求項10】
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を含む認証方法。
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を含む認証方法。
【請求項11】
コンピュータに、
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を実行させるためプログラムを記録する記録媒体。
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を実行させるためプログラムを記録する記録媒体。
【請求項12】
コンピュータに、
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を実行させるためプログラムを記録する記録媒体。
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を実行させるためプログラムを記録する記録媒体。
【発明の詳細な説明】
【技術分野】
【0001】
この開示は、特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法および記録媒体に関する。
【背景技術】
【0002】
画像を、元の画像よりも解像度の高い画像に変換する技術は、超解像（Super-Resolution）と呼ばれている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】日本国特開２０１３－３１１６３号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
顔画像を用いて虹彩認証を行う場合など、認証対象の画像の解像度が不足する場合が考えられる。この場合、超解像によって認証対象の画像をより解像度の高い画像に変換して認証に用いることが考えられるが、解像度の高い画像を生成する必要があるため、超解像に計算コストがかかる可能性がある。
【0005】
この開示の目的の一例は、上述した課題を解決することのできる特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法および記録媒体を提供することである。
【課題を解決するための手段】
【0006】
この開示の第一の態様によれば、特徴量変換学習装置は、第１画像を取得する画像取得手段と、前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、前記第２特徴量を第３特徴量に変換する特徴量変換手段と、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、を備える。
【0007】
この開示の第二の態様によれば、認証装置は、認証対象画像を取得する認証対象画像取得手段と、前記認証対象画像を拡大する画像拡大手段と、前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、を備える。
【0008】
この開示の第三の態様によれば、特徴量変換学習方法は、第１画像を取得することと、前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、前記第２特徴量を第３特徴量に変換することと、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、を含む。
【0009】
この開示の第四の態様によれば、認証方法は、認証対象画像を取得することと、前記認証対象画像を拡大することと、前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、を含む。
【0010】
この開示の第五の態様によれば、記録媒体は、コンピュータに、第１画像を取得することと、前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、前記第２特徴量を第３特徴量に変換することと、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、を実行させるためプログラムを記録する記録媒体である。
【0011】
この開示の第六の態様によれば、記録媒体は、認証対象画像を取得することと、前記認証対象画像を拡大することと、前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、を実行させるためプログラムを記録する記録媒体である。
【図面の簡単な説明】
【0012】
【図1】第１実施形態に係る認証装置の構成例を示す図である。
【図2】第１実施形態に係る認証装置が虹彩認証を行う処理手順の例を示すフローチャートである。
【図3】第２実施形態に係る特徴量変換学習装置の構成例を示す図である。
【図4】第２実施形態に係る特徴量変換学習装置が特徴量変換部の学習を行う処理手順の例を示す図である。
【図5】第２実施形態に係る特徴量変換学習装置が損失を計算する処理手順の例を示す図である。
【図6】第３実施形態に係る特徴量抽出部の構成例を示す図である。
【図7】第３実施形態に係るアテンション処理部の構成例を示す図である。
【図8】第３実施形態に係るアテンション処理部の第１の変形例に係るアテンションブロック３０２の構成例を示す図である。
【図9】第３実施形態に係るアテンション処理部の第２の変形例に係るアテンション処理部３０３の構成例を示す図である。
【図10】第３実施形態に係るアテンション処理部の第２の変形例に係るアテンション処理部３０４の構成例を示す図である。
【図11】第４実施形態における特徴量抽出部の変形例に係る特徴量抽出部の構成例を示す図である。
【図12】第４実施形態に係る特徴量抽出部を構成するニューラルネットの階層構造の例を示す図である。
【図13】第５実施形態に係る認証装置の構成例を示す図である。
【図14】第６実施形態に係る特徴量変換学習装置の構成例を示す図である。
【図15】第７実施形態に係る認証装置の構成例を示す図である。
【図16】第８実施形態に係る特徴量変換学習装置の構成例を示す図である。
【図17】第９実施形態に係る認証装置の構成例を示す図である。
【図18】第１０実施形態に係る特徴量変換学習装置の構成例を示す図である。
【図19】第１１実施形態に係る認証装置の構成例を示す図である。
【図20】第１２実施形態に係る特徴量変換学習装置の構成例を示す図である。
【図21】第１３実施形態に係る特徴量変換学習装置の構成例を示す図である。
【図22】第１４実施形態に係る認証装置の構成例を示す図である。
【図23】第１５実施形態に係る特徴量変換学習方法における処理の手順の例を示すフローチャートである。
【図24】第１６実施形態に係る認証方法における処理の手順の例を示すフローチャートである。
【図25】少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
【発明を実施するための形態】
【0013】
＜第１実施形態＞
図１は、第１実施形態に係る認証装置の構成例を示す図である。図１に示す構成で、認証装置１００は、認証対象画像取得部１０１と、比較用画像取得部１０２と、画像拡大部１０３と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
図１は、第１実施形態に係る認証装置の構成例を示す図である。図１に示す構成で、認証装置１００は、認証対象画像取得部１０１と、比較用画像取得部１０２と、画像拡大部１０３と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
【0014】
認証装置１００は、画像の特徴量を抽出し、抽出した特徴量を用いて認証を行う。以下では、認証装置１００が低解像度画像を用いて虹彩認証を行う場合を例に説明する。ただし、認証装置１００が行う認証は虹彩認証に限定されない。
２つの画像の解像度の比較は、画像の大きさを揃えた状態で行うものとする。
２つの画像の解像度の比較は、画像の大きさを揃えた状態で行うものとする。
【0015】
認証対象画像取得部１０１は、認証対象画像である認証対象者の目の撮影画像を取得する。認証対象画像取得部１０１は、認証対象画像取得手段の例に該当する。
比較用画像取得部１０２は、認証対象画像との比較対象となる比較用画像を取得する。比較用画像が予め認証装置１００に登録されていてもよい。
比較用画像取得部１０２は、認証対象画像との比較対象となる比較用画像を取得する。比較用画像が予め認証装置１００に登録されていてもよい。
【0016】
ここで、認証対象画像が比較用画像よりも低解像度であるものとする。
例えば、認証対象画像が、認証対象者の顔全体の画像のうちの目の部分の画像であってもよい。一方、比較用画像が、虹彩認証用に目の部分のみを撮影して得られた画像であってもよい。このように、顔全体の画像のうちの目の部分の画像を用いて虹彩認証を行うことができれば、顔認証と虹彩認証との両方を行って認証精度の向上を図るといった運用が可能になる。
例えば、認証対象画像が、認証対象者の顔全体の画像のうちの目の部分の画像であってもよい。一方、比較用画像が、虹彩認証用に目の部分のみを撮影して得られた画像であってもよい。このように、顔全体の画像のうちの目の部分の画像を用いて虹彩認証を行うことができれば、顔認証と虹彩認証との両方を行って認証精度の向上を図るといった運用が可能になる。
【0017】
画像拡大部１０３は、低解像度画像である認証対象画像を拡大する。画像拡大部１０３は、画像拡大手段の例に該当する。拡大された認証対象画像を、認証対象画像の拡大画像、あるいは単に拡大画像とも称する。
特徴量抽出部１０４は、認証対象画像の特徴量を、比較用画像に対する特徴量抽出方法と同じ方法で抽出する。
特徴量抽出部１０４は、認証対象画像の特徴量を、比較用画像に対する特徴量抽出方法と同じ方法で抽出する。
【0018】
特徴量抽出部１０４は、拡大された認証対象画像の特徴量と、比較用画像の特徴量とを抽出する。特徴量抽出部１０４は、拡大された認証対象画像と、比較用画像とに、同じアルゴリズムを適用してそれぞれの特徴量を抽出する。認証装置１００が、同じ特徴量抽出部１０４を２つ備えるようにしてもよい。あるいは、１つの特徴量抽出部１０４が、例えば時分割処理などにより、拡大された認証対象画像の特徴量と、比較用画像の特徴量とを抽出するようにしてもよい。また、特徴量抽出部１０４が比較用画像の特徴量を予め抽出しておくなど、比較用画像の特徴量が、予め認証装置１００に登録されていてもよい。
特徴量抽出部１０４は、特徴量抽出手段の例に該当する。
特徴量抽出部１０４は、特徴量抽出手段の例に該当する。
【0019】
特徴量変換部１０５は、拡大された認証対象画像の特徴量を変換する。特徴量変換部１０５は、拡大された認証対象画像の特徴量と高解像度の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５は、特徴量変換手段の例に該当する。
【0020】
特徴量変換部１０５による特徴量の変換を、特徴超解像とも称する。特徴量変換部１０５による変換後の特徴量を超解像特徴量とも称する。
特徴量変換部１０５は、学習用画像の特徴量と、学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど小さくなる損失関数を用いた学習によって、特徴量の変換方法を学習する。
特徴量変換部１０５は、学習用画像の特徴量と、学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど小さくなる損失関数を用いた学習によって、特徴量の変換方法を学習する。
【0021】
特徴量比較部１０６は、特徴量変換部１０５による変換後の特徴量と、比較用画像の特徴量とを比較して、例えば、認証対象画像の人物と比較用画像の人物とが同一人物であるか否かの判定を行う。
特徴量比較部１０６は、特徴量比較手段の例に該当する。
特徴量比較部１０６は、特徴量比較手段の例に該当する。
【0022】
【0023】
次に、画像拡大部１０３は、低解像度画像である認証対象画像が、高解像度画像である比較用画像と同じ解像度になるように、認証対象画像の画素を補間して認証対象画像を拡大する（ステップＳ１１２）。画像拡大部１０３が画像を拡大するアルゴリズムは、特定のアルゴリズムに限定されない。例えば、画像拡大部１０３バイキュービック（Bicubic）法、または、バイリニア（Bilinear）法を用いて画像を拡大するようにしてもよいが、これらに限定されない。
画像拡大部１０３による拡大後の画像を拡大画像とも称する。
画像拡大部１０３による拡大後の画像を拡大画像とも称する。
【0024】
次に、特徴量抽出部１０４は、拡大画像の特徴量を抽出する（ステップＳ１１３）。特徴量抽出部１０４は、高解像度画像による認証用に学習済みの特徴抽出器であってもよいが、これに限定されない。特徴量抽出部１０４が、VGGまたはResNet（Residual Network）などのディープニューラルネットワーク（Deep Neural Network；ＤＮＮ）による学習済みモデルを用いて構成されていてもよい。特徴量抽出部１０４が、１次元ベクトルの形式で特徴量を出力するようにしてもよい。あるいは、特徴量抽出部１０４が、画像情報を維持した２次元または３次元のテンソルの形式で特徴量を出力するようにしてもよい。
【0025】
次に、特徴量変換部１０５は、拡大画像の特徴量を変換する（ステップＳ１１４）。特徴量変換部１０５は、拡大画像の特徴量を、高解像度画像の特徴量と比較できるように変換する。
【0026】
また、比較用画像取得部１０２は、比較用画像を取得する（ステップＳ１２１）。そして、特徴量抽出部１０４は、比較用画像の特徴量を抽出する（ステップＳ１２２）。上述したように、特徴量抽出部１０４は、拡大画像の特徴量を抽出する場合と同じアルゴリズムを用いて比較用画像の特徴量を抽出する。
ステップＳ１１１からＳ１１４までと、ステップＳ１２１からＳ１２２までとは並列実行されてもよい。あるいは、ステップＳ１２１からＳ１２２までの処理が予め行われ、認証装置１００が、比較用画像の特徴量を記憶しておくようにしてもよい。
ステップＳ１１１からＳ１１４までと、ステップＳ１２１からＳ１２２までとは並列実行されてもよい。あるいは、ステップＳ１２１からＳ１２２までの処理が予め行われ、認証装置１００が、比較用画像の特徴量を記憶しておくようにしてもよい。
【0027】
ステップＳ１１４およびＳ１２２の後、特徴量比較部１０６は、拡大画像の特徴量と比較用画像の特徴量とを比較する（ステップＳ１３１）。例えば、特徴量比較部１０６は、拡大画像の特徴量と比較用画像の特徴量との類似度を算出し、類似度が所定の閾値以上である場合に、認証対象画像の人物と比較用画像の人物とが同一人物であると判定する。特徴量比較部１０６が用いる類似度の算出方法は、ベクトルまたはテンソルの類似度を算出できるいろいろな方法とすることができ、特定の方法に限定されない。例えば、特徴量比較部１０６が、拡大画像の特徴量と比較用画像の特徴量とのＬ２距離またはコサイン類似度を算出するようにしてもよい。
ステップＳ１３１の後、認証装置１００は、図２の処理を終了する。
ステップＳ１３１の後、認証装置１００は、図２の処理を終了する。
【0028】
以上のように、認証対象画像取得部１０１は、認証対象画像を取得する。画像拡大部１０３は、認証対象画像を拡大する。特徴量抽出部１０４は、認証対象画像の拡大画像の特徴量を、認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量変換部１０５は、学習用画像の特徴量と、学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど小さくなる損失関数を用いた学習に基づいて、認証対象画像の拡大画像の特徴量を変換する。特徴量比較部１０６は、特徴量変換部１０５による変換後の特徴量と、比較用画像の特徴量とを比較する。
【0029】
認証装置１００によれば、低解像度画像を拡大して特徴量を抽出し、超解像特徴量を生成することで、低解像度画像である認証対象画像の特徴量として、高解像度画像である比較用画像の特徴量と比較可能な特徴量を得られる。認証装置１００によれば、この点で、入力画像が低解像度画像であっても認証を行うことができる。
【0030】
また、特徴量変換部１０５が行う特徴量の変換によって、拡大された認証対象画像の特徴量から、認証対象画像がより高解像度に撮影された場合の特徴量に近付くことが期待される。認証装置１００によれば、この点で、認証を高精度に行えると期待される。
また、認証装置１００によれば、低解像度画像を用いて虹彩認証を行うことができる。これにより、認証装置１００では、高解像度のカメラを必要とせずに、１つの顔画像を用いて、顔認証と虹彩認証とを併用することができ、認証精度の向上が期待される。
また、認証装置１００によれば、低解像度画像を用いて虹彩認証を行うことができる。これにより、認証装置１００では、高解像度のカメラを必要とせずに、１つの顔画像を用いて、顔認証と虹彩認証とを併用することができ、認証精度の向上が期待される。
【0031】
＜第２実施形態＞
図３は、第２実施形態に係る特徴量変換学習装置の構成例を示す図である。図３に示す構成で、特徴量変換学習装置２００は、画像バッチ取得部２０１と、画像縮小部２０２と、画像拡大部１０３と、特徴量抽出部１０４と、特徴量変換部１０５と、損失関数計算部２０３と、学習制御部２０８とを備える。損失関数計算部２０３は、再構成損失計算部２０４と、特徴判別部２０５と、敵対損失計算部２０６と、類似度損失計算部２０７とを備える。
図３の各部のうち、図１の各部に対応して同様の機能を有する部分には同一の符号（１０３、１０４、１０５）を付している。
図３は、第２実施形態に係る特徴量変換学習装置の構成例を示す図である。図３に示す構成で、特徴量変換学習装置２００は、画像バッチ取得部２０１と、画像縮小部２０２と、画像拡大部１０３と、特徴量抽出部１０４と、特徴量変換部１０５と、損失関数計算部２０３と、学習制御部２０８とを備える。損失関数計算部２０３は、再構成損失計算部２０４と、特徴判別部２０５と、敵対損失計算部２０６と、類似度損失計算部２０７とを備える。
図３の各部のうち、図１の各部に対応して同様の機能を有する部分には同一の符号（１０３、１０４、１０５）を付している。
【0032】
特徴量変換学習装置２００は、特徴量変換部１０５の学習を行う。学習後の特徴量変換部１０５を、認証装置１００に用いることができる。
学習による調整対象となるパラメータを有するモデルを機械学習モデルと称する。機械学習モデルのパラメータを機械学習モデルパラメータと称し、機械学習モデルのパラメータ値を機械学習モデルパラメータ値と称する。機械学習モデルパラメータ値の調整が、学習に該当する。
以下では、特徴量変換部１０５の機械学習モデルがニューラルネットワークを用いて構成されている場合を例に説明する。ただし、特徴量変換部１０５の機械学習モデルの構成は、特定のものに限定されない。
学習による調整対象となるパラメータを有するモデルを機械学習モデルと称する。機械学習モデルのパラメータを機械学習モデルパラメータと称し、機械学習モデルのパラメータ値を機械学習モデルパラメータ値と称する。機械学習モデルパラメータ値の調整が、学習に該当する。
以下では、特徴量変換部１０５の機械学習モデルがニューラルネットワークを用いて構成されている場合を例に説明する。ただし、特徴量変換部１０５の機械学習モデルの構成は、特定のものに限定されない。
【0033】
また、以下では、特徴量変換学習装置２００が、学習に損失関数を用いる場合を例に説明する。この場合、特徴量変換学習装置２００は、損失関数値が小さくなるように学習を行う。
ただし、特徴量変換学習装置２００が、評価が高いほど関数値が大きくなる評価関数を用いて学習を行うようにしてもよい。この場合、特徴量変換学習装置２００は、評価関数値が大きくなるように学習を行う。
ただし、特徴量変換学習装置２００が、評価が高いほど関数値が大きくなる評価関数を用いて学習を行うようにしてもよい。この場合、特徴量変換学習装置２００は、評価関数値が大きくなるように学習を行う。
【0034】
画像バッチ取得部２０１は、特徴量変換部１０５の学習に用いられる訓練データセットを取得する。画像バッチ取得部２０１が、取得する訓練データには、人の目の撮影画像と、その画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる。訓練データセットを単に訓練データとも称する。訓練データセットに含まれる１つの画像と１つのクラスラベルとの組合せの各々を、ラベル付き画像とも称する。
第２実施形態では、画像バッチ取得部２０１が取得する画像を高解像度画像とも称する。
画像バッチ取得部２０１は、画像取得手段の例に該当する。画像バッチ取得部２０１が取得する高解像度画像は、第１画像の例に該当する。
第２実施形態では、画像バッチ取得部２０１が取得する画像を高解像度画像とも称する。
画像バッチ取得部２０１は、画像取得手段の例に該当する。画像バッチ取得部２０１が取得する高解像度画像は、第１画像の例に該当する。
【0035】
画像縮小部２０２は、高解像度画像を縮小する。画像縮小部２０２行う画像の縮小によって画素が間引かれ、高解像度画像よりも解像度が低くなる。
画像縮小部２０２による縮小後の画像を縮小画像と称する。画像縮小部２０２が、乱数を用いて縮小画像のサイズまたは縮小率をランダムに決定して画像の縮小を行うようにしてもよい。
画像縮小部２０２は、画像縮小手段の例に該当する。縮小画像は、第２画像の例に該当する。
画像縮小部２０２による縮小後の画像を縮小画像と称する。画像縮小部２０２が、乱数を用いて縮小画像のサイズまたは縮小率をランダムに決定して画像の縮小を行うようにしてもよい。
画像縮小部２０２は、画像縮小手段の例に該当する。縮小画像は、第２画像の例に該当する。
【0036】
特徴量変換学習装置２００では、画像拡大部１０３は、画像縮小部２０２が画像を縮小した縮小率の分だけ画像を拡大する。画像拡大部１０３は、低解像度画像である縮小画像の拡大後の画像が、高解像度画像と同じ解像度になるように、縮小画像の画素を補間して縮小画像を拡大する。画像拡大部１０３が縮小画像を拡大して得られる画像を劣化画像とも称する。
上述したように、画像拡大部１０３は、画像拡大手段の例に該当する。劣化画像は、第３画像の例に該当する。
上述したように、画像拡大部１０３は、画像拡大手段の例に該当する。劣化画像は、第３画像の例に該当する。
【0037】
特徴量変換学習装置２００では、特徴量抽出部１０４は、高解像度画像の特徴量と、劣化画像の特徴量とを、同じアルゴリズムを用いて抽出する。
上述したように、特徴量抽出部１０４は、特徴量抽出手段の例に該当する。
特徴量変換学習装置２００では、特徴量変換部１０５は、劣化画像の特徴量を変換する。特徴量変換部１０５は、劣化画像の特徴量に対して、高解像度画像の特徴量に近付けるように変換を行う。第１実施形態の場合と同様、特徴量変換部１０５による変換後の特徴量を、超解像特徴量とも称する。
上述したように、特徴量変換部１０５は、特徴量変換手段の例に該当する。
上述したように、特徴量抽出部１０４は、特徴量抽出手段の例に該当する。
特徴量変換学習装置２００では、特徴量変換部１０５は、劣化画像の特徴量を変換する。特徴量変換部１０５は、劣化画像の特徴量に対して、高解像度画像の特徴量に近付けるように変換を行う。第１実施形態の場合と同様、特徴量変換部１０５による変換後の特徴量を、超解像特徴量とも称する。
上述したように、特徴量変換部１０５は、特徴量変換手段の例に該当する。
【0038】
損失関数計算部２０３は、特徴量変換部１０５の学習のための損失関数を計算する。損失関数計算部２０３は、損失関数計算手段の例に該当する。
再構成損失計算部２０４は、再構成損失を計算する。再構成損失は、高解像度画像の特徴量と超解像特徴量との、ベクトルまたはテンソルとしての類似度が高いほど値が小さくなる損失である。再構成損失は、損失関数計算部２０３は、高解像度画像の特徴量と超解像特徴量との類似度の指標値の例に該当する。再構成損失を変数の１つとして用いるトータル損失関数は、高解像度画像の特徴量と超解像特徴量とが類似するほど損失が小さくなる損失関数の例に該当する。
再構成損失計算部２０４は、再構成損失を計算する。再構成損失は、高解像度画像の特徴量と超解像特徴量との、ベクトルまたはテンソルとしての類似度が高いほど値が小さくなる損失である。再構成損失は、損失関数計算部２０３は、高解像度画像の特徴量と超解像特徴量との類似度の指標値の例に該当する。再構成損失を変数の１つとして用いるトータル損失関数は、高解像度画像の特徴量と超解像特徴量とが類似するほど損失が小さくなる損失関数の例に該当する。
【0039】
特徴判別部２０５は、高解像度画像の特徴量と、超解像特徴量とを判別する。具体的には、特徴判別部２０５は、特徴量の入力を受け、入力された特徴量が高解像度画像の特徴量か超解像特徴量かを判定する。特徴判別部２０５も学習可能に構成される。例えば、特徴判別部２０５の機械学習モデルがニューラルネットワークを用いて構成されていてもよい。
特徴判別部２０５は、特徴判別手段の例に該当する。
特徴判別部２０５は、特徴判別手段の例に該当する。
【0040】
敵対損失計算部２０６は、特徴判別部２０５の判別結果（判定結果）に基づいて、特徴量変換部１０５の学習のための損失と特徴判別部２０５の学習のための損失とを計算する。特徴量変換部１０５の学習のための損失を、特徴量変換部１０５の損失とも称する。特徴判別部２０５の学習のための損失を、特徴判別部２０５の損失とも称する。
特徴量変換部１０５の学習と特徴判別部２０５の学習とは、学習制御部２０８の制御に従って、１つのバッチによる学習において交互に行われる。
特徴量変換部１０５の学習と特徴判別部２０５の学習とは、学習制御部２０８の制御に従って、１つのバッチによる学習において交互に行われる。
【0041】
特徴量変換部１０５の学習では、敵対損失計算部２０６は、敵対損失を計算する。ここでいう敵対損失は、特徴判別部２０５が、超解像特徴量を高解像度画像の特徴量であると誤判定する場合に値が小さくなる損失である。敵対損失を変数の１つとして用いるトータル損失関数は、特徴判別部２０５が、特徴量変換部１０５によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数の例に該当する。
一方、特徴判別部２０５の学習では、敵対損失計算部２０６は、特徴判別部２０５が、超解像特徴量と高解像度画像の特徴量とを正しく判別する場合に値が小さくなる損失を計算する。
一方、特徴判別部２０５の学習では、敵対損失計算部２０６は、特徴判別部２０５が、超解像特徴量と高解像度画像の特徴量とを正しく判別する場合に値が小さくなる損失を計算する。
【0042】
類似度損失計算部２０７は、類似度損失を計算する。類似度損失は、超解像特徴量を用いたクラス分類で、分類結果のクラスが正解クラスと一致している場合に値が小さくなる損失である。類似度損失を変数の１つとして用いるトータル損失関数は、超解像特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数の例に該当する。
【0043】
学習制御部２０８は、損失関数計算部２０３が計算する損失を用いて、特徴量変換部１０５、特徴判別部２０５それぞれの機械学習モデルパラメータ値を更新する。学習制御部２０８は、学習制御手段の例に該当する。学習制御部２０８は、損失関数計算部２０３が計算する損失を用いて特徴量変換部１０５による特徴量へ変換の機械学習モデルパラメータ値を調整する。この点で、学習制御部２０８は、損失関数に基づいて特徴量変換部１０５に特徴量変換方法の学習を行わせる。特徴量変換部１０５の機械学習モデルパラメータ値の更新は、特徴量変換部１０５の学習に該当する。特徴判別部２０５の機械学習モデルパラメータ値の更新は、特徴判別部２０５の学習に該当する。
【0044】
図４は、特徴量変換学習装置２００が特徴量変換部１０５の学習を行う処理手順の例を示す図である。
図４の処理で、画像バッチ取得部２０１は、人の目の撮影画像である高解像度画像と、その高解像度画像の正解クラスを示すクラスラベルとの組合せを複数含む訓練データセットを取得する（ステップＳ２１１）。上述したように、訓練データセットに含まれる、１つの高解像度画像と１つのクラスラベルとの組合せのそれぞれをラベル付き画像とも称する。
次に、画像バッチ取得部２０１は、訓練データセットからバッチデータを取得する（ステップＳ２１２）。例えば、画像バッチ取得部２０１は、訓練データセットに含まれるラベル付き画像のうち、所定のバッチサイズの個数のラベル付き画像をランダムに選択する。画像バッチ取得部２０１が取得するバッチデータを、画像バッチデータとも称する。
画像バッチ取得部２０１が取得する画像バッチデータのバッチサイズは特定のサイズに限定されない。例えば、画像バッチ取得部２０１が、１２８個のラベル付き画像を含む訓練データセットを取得するようにしてもよいが、これに限定されない。
図４の処理で、画像バッチ取得部２０１は、人の目の撮影画像である高解像度画像と、その高解像度画像の正解クラスを示すクラスラベルとの組合せを複数含む訓練データセットを取得する（ステップＳ２１１）。上述したように、訓練データセットに含まれる、１つの高解像度画像と１つのクラスラベルとの組合せのそれぞれをラベル付き画像とも称する。
次に、画像バッチ取得部２０１は、訓練データセットからバッチデータを取得する（ステップＳ２１２）。例えば、画像バッチ取得部２０１は、訓練データセットに含まれるラベル付き画像のうち、所定のバッチサイズの個数のラベル付き画像をランダムに選択する。画像バッチ取得部２０１が取得するバッチデータを、画像バッチデータとも称する。
画像バッチ取得部２０１が取得する画像バッチデータのバッチサイズは特定のサイズに限定されない。例えば、画像バッチ取得部２０１が、１２８個のラベル付き画像を含む訓練データセットを取得するようにしてもよいが、これに限定されない。
【0045】
次に、特徴量変換学習装置２００は、画像バッチデータに含まれるラベル付き画像毎に処理を行うループＬ１１を開始する（ステップＳ２１３）。特徴量変換学習装置２００がループＬ１１の処理を並列実行するようにしてもよいし、逐次実行するようにしてもよい。
【0046】
ループＬ１１の処理で、画像縮小部２０２が、ラベル付き画像の高解像度画像を縮小する（ステップＳ２２１）。画像縮小部２０２が、縮小画像のサイズをランダムに決定し、画像の縮小を行うようにしてもよい。画像縮小部２０２は、画像の画素を間引いて画像を縮小する。したがって、画像縮小部２０２による画像の縮小により、画像の解像度が低下する。縮小画像は、低解像度画像に該当する。
【0047】
次に、画像拡大部１０３が、縮小画像を拡大する（ステップＳ２２２）。画像拡大部１０３が縮小画像を拡大して得られる画像を劣化画像とも称する。上述したように、画像拡大部１０３は、劣化画像が高解像度画像と同じ解像度になるように、縮小画像の画素を補間して縮小画像を拡大する。
【0048】
次に、特徴量抽出部１０４が、劣化画像の特徴量を抽出する（ステップＳ２２３）。
次に、特徴量変換部１０５は、劣化画像の特徴量を変換する（ステップＳ２２４）。上述したように、特徴量変換部１０５による変換後の特徴量を超解像特徴量とも称する。
次に、特徴量変換部１０５は、劣化画像の特徴量を変換する（ステップＳ２２４）。上述したように、特徴量変換部１０５による変換後の特徴量を超解像特徴量とも称する。
【0049】
また、特徴量抽出部１０４は、ラベル付き画像の高解像度画像の特徴量を抽出する（ステップＳ２３１）。
ステップＳ２２１からＳ２２４までと、ステップＳ２３１とは並列実行されてもよい。
ステップＳ２２１からＳ２２４までと、ステップＳ２３１とは並列実行されてもよい。
【0050】
ステップＳ２２４およびＳ２３１の後、特徴量変換学習装置２００は、ループＬ１１の終端処理を行う（ステップＳ２４１）。具体的には、特徴量変換学習装置２００は、学習バッチに含まれる全てのラベル付き画像についてループＬ１１の処理が完了することを待ち受ける。特徴量変換学習装置２００は、学習バッチに含まれる全てのラベル付き画像についてループＬ１１の処理が完了したことを検出すると、ループＬ１１を終了する。
【0051】
ループＬ１１の終了後、特徴量変換学習装置２００は、特徴量変換部１０５の学習のための損失を計算する（ステップＳ２４２）。特徴量変換学習装置２００は、画像バッチデータに含まれる全てのラベル付き画像に対するループＬ１１の処理の結果に基づいて、１つのトータル損失関数値を算出する。
図５は、特徴量変換学習装置２００が損失を計算する処理手順の例を示す図である。特徴量変換学習装置２００は、図４のステップＳ２４２で図５の処理を行う。
図５は、特徴量変換学習装置２００が損失を計算する処理手順の例を示す図である。特徴量変換学習装置２００は、図４のステップＳ２４２で図５の処理を行う。
【0052】
図５の処理で、特徴判別部２０５は、入力された特徴量が超解像特徴量か高解像度画像の特徴量かを判定（判別）するためのベクトルを出力する（ステップＳ２５１）。例えば、特徴判別部２０５が、入力された特徴量が高解像度画像の特徴量である確率を算出し、その確率を要素に含むベクトルを出力するようにしてもよい。この確率は０から１の実数値をとり、例えば１に近いほど高解像度画像の特徴量である可能性が高いことを示し、０に近いほど超解像特徴量である可能性が高いことを示すというように、入力画像の種類を判別することができる。
【0053】
次に、敵対損失計算部２０６は、特徴判別部２０５が出力するベクトルを用いて損失を計算する（ステップＳ２５２）。特徴量変換部１０５と特徴判別部２０５とは敵対的生成ネットワーク（Generative Adversarial Network；ＧＡＮ）の構造を持ち、敵対損失計算部２０６は、特徴判別部２０５が出力するベクトルを用いて敵対損失を計算する。ここでいう敵対損失は、判別器が誤判定する場合に値が小さくなる損失である。
【0054】
特徴量変換部１０５の学習では、敵対損失計算部２０６は、特徴判別部２０５が超解像特徴量を高解像度画像の特徴量と誤判定する場合に敵対損失が小さくなる損失関数を用いて、敵対損失を計算する。学習制御部２０８は、敵対損失計算部２０６が算出する敵対損失が小さくなるように、特徴量変換部１０５の機械学習モデルパラメータ値を調整する。これにより、特徴量変換部１０５は、特徴判別部２０５を騙すように超解像特徴量を生成する。例えば、超解像特徴が入力されたときに敵対損失計算部２０６が１を出力するようにクロスエントロピー損失を用いて特徴量変換部１０５の学習を行うようにしてもよい。
【0055】
一方、特徴量変換部１０５の学習と交互に行われる特徴判別部２０５の学習では、敵対損失計算部２０６は、特徴判別部２０５が超解像特徴量と高解像度画像の特徴量とを正しく判別する場合に損失が小さくなる損失関数を用いて、損失を計算する。学習制御部２０８は、敵対損失計算部２０６が算出する損失が小さくなるように、特徴判別部２０５の機械学習モデルパラメータ値を調整する。したがって、特徴判別部２０５は、特徴判別部２０５が超解像特徴量と高解像度画像の特徴量とを正しく判別できるように調整される。
【0056】
例えば、特徴判別部２０５が、０から１までの値域を有する実数にて判別結果を出力するようにしてもよい。上記のように、特徴判別部２０５が、入力された特徴量が高解像度画像の特徴量である確率を出力するようにしてもよい。そして、敵対損失計算部２０６が、高解像度画像の特徴量が入力された場合に１を出力し、超解像特徴量が入力された場合に０を出力するように、敵対損失をバイナリクロスエントロピー（Binary Cross Entropy）にて算出するようにしてもよい。
【0057】
特徴判別部２０５の出力の「０」が超解像度特徴量を表し、「１」が高解像度特徴量を表す場合、学習制御部２０８は、特徴判別部２０５への入力が超解像度特徴量である場合に、特徴判別部２０５の出力が１に近付くように、特徴量変換部１０５の機械学習モデルパラメータ値を調整する。これにより、特徴量変換部１０５は、特徴判別部２０５を騙すように超解像特徴量を生成する。
【0058】
一方、学習制御部２０８は、特徴判別部２０５への入力が超解像度特徴量である場合に、特徴判別部２０５の出力が０に近付き、特徴判別部２０５への入力が高解像度画像の特徴量である場合に、特徴判別部２０５の出力が１に近付くように、特徴判別部２０５の機械学習モデルパラメータ値を調整する。すなわち、特徴判別部２０５は、超解像特徴量と高解像度画像の特徴量とを正しく判別できる可能性が高くなるように調整される。
【0059】
また、再構成損失計算部２０４は、超解像度特徴量と高解像度画像の特徴量とのベクトルまたはテンソルとしての類似度が高いほど小さくなる再構成損失を算出する（ステップＳ２６１）。学習制御部２０８は、再構成損失が小さくなるように特徴量変換部１０５の機械学習モデルパラメータ値を調整する。これにより、学習制御部２０８は、超解像度特徴量を高解像度画像の特徴量に近付けるように特徴量変換部１０５の機械学習モデルパラメータ値を調整する。
【0060】
再構成損失計算部２０４が算出する、超解像度特徴量と高解像度画像の特徴量とのベクトルまたはテンソルとしての類似度を示す指標値は、特定のものに限定されない。例えば、再構成損失計算部２０４が、超解像度特徴量と高解像度画像の特徴量とＬ２距離が小さいほど再構成損失が小さくなるように、再構成損失を計算するようにしてもよい。あるいは、再構成損失計算部２０４が、Ｌ２距離に代えてＬ１距離を用いて再構成損失を計算するようにしてもよい。
【0061】
また、類似度損失計算部２０７は、クラスラベルを用いた類似度損失を計算する。類似度損失計算部２０７が計算する類似度損失は、超解像度特徴量を用いたクラス分類結果が正解と一致する場合に値が小さくなるいろいろな損失とすることができ、特定のものに限定されない。
【0062】
例えば、特徴量変換部１０５の超解像度特徴量の出力層の後に、学習可能な１層の線形レイヤ（線形の層）を追加して、線形レイヤの出力をクラス数と同数のワンホットベクトル（One-hot Vector）としてもよい。学習制御部２０８は、線形レイヤが超解像度特徴量に基づいてクラス推定を行うように、線形レイヤに学習を行わせる。これにより、線形レイヤが出力するワンホットベクトルは、推定結果のクラスを示す。
【0063】
そして、類似度損失計算部２０７が、線形レイヤが出力するワンホットベクトルの要素をそれぞれソフトマックス関数（Softmax Function）に入力し、クラスラベルを用いてクロスエントロピーによる類似度損失を算出するようにしてもよい。
【0064】
だたし、類似度損失計算部２０７が用いる類似度損失は、特定のものに限定されない。例えば、類似度損失計算部２０７が、類似度損失としてＬ２ソフトマックス損失（L2 Softmax Loss）、コサイン損失（Cosine Loss）、ArcFace、CosFace、SphereFace、または、AdaCosなどを用いるようにしてもよい。
【0065】
また、上記の１層の線形レイヤの追加を行わず、類似度損失計算部２０７が、類似度損失としてトリプレット損失（Triplet Loss）、センターロス（Center Loss）、または、コントラスティブロス（Contrastive Loss）などを用いるようにしてもよい。
【0066】
ステップＳ２５１からＳ２５２までと、Ｓ２６１と、ステップＳ２７１とは並列実行されてもよい。
ステップＳ２５２、Ｓ２６１およびＳ２７１の後、損失関数計算部２０３は、敵対損失、再構成損失、および、類似度損失に基づくトータル損失関数値を計算する（ステップＳ２６１）。損失関数計算部２０３は、敵対損失の値が小さいほど損失関数値が小さくなり、再構成損失の値が小さいほど損失関数値が小さくなり、かつ、類似度損失の値が小さいほど損失関数値が小さくなる損失関数を用いて、損失関数値を算出する。例えば、損失関数計算部２０３は、トータル損失関数を計算するために各損失に係数をかけて和をとる。これらの係数の値は特に限定されない。
ステップＳ２５２、Ｓ２６１およびＳ２７１の後、損失関数計算部２０３は、敵対損失、再構成損失、および、類似度損失に基づくトータル損失関数値を計算する（ステップＳ２６１）。損失関数計算部２０３は、敵対損失の値が小さいほど損失関数値が小さくなり、再構成損失の値が小さいほど損失関数値が小さくなり、かつ、類似度損失の値が小さいほど損失関数値が小さくなる損失関数を用いて、損失関数値を算出する。例えば、損失関数計算部２０３は、トータル損失関数を計算するために各損失に係数をかけて和をとる。これらの係数の値は特に限定されない。
【0067】
ただし、損失関数計算部２０３が、敵対損失、再構成損失、および、類似度損失のうち何れか１つ、または２つのみを用いて損失関数値を計算するようにしてもよい。あるいは、損失関数計算部２０３が、敵対損失、再構成損失、および、類似度損失の何れも用いずに、他の方法で損失関数値を計算するようにしてもよい。
ステップＳ２６１の後、特徴量変換学習装置２００は、図５の処理を終了する。
ステップＳ２６１の後、特徴量変換学習装置２００は、図５の処理を終了する。
【0068】
図５の処理の終了後、学習制御部２０８は、誤差逆伝播法（Backpropagation）を用いて、特徴量変換部１０５のニューラルネットワークのパラメータの勾配を計算する（ステップＳ２４３）。
そして、学習制御部２０８は、計算した勾配を用いて、特徴量変換部１０５のパラメータの値を更新する（ステップＳ２４４）。ステップＳ２４４でのパラメータ値の更新は、特徴量変換部１０５の学習に該当する。
そして、学習制御部２０８は、計算した勾配を用いて、特徴量変換部１０５のパラメータの値を更新する（ステップＳ２４４）。ステップＳ２４４でのパラメータ値の更新は、特徴量変換部１０５の学習に該当する。
【0069】
例えば、学習制御部２０８は、損失関数値が最小になるように、パラメータ値の最適化を行う。学習制御部２０８が用いる最適化方法の例として、確率的勾配降下法（Stochastic Gradient Descent；ＳＧＤ）、または、Adamを挙げることができるが、これらに限定されない。
【0070】
次に、特徴量変換学習装置２００は、特徴判別部２０５の学習のための損失を計算する（ステップＳ２４５）。上述したように、特徴判別部２０５の学習では、敵対損失計算部２０６は、特徴判別部２０５が超解像特徴量と高解像度画像の特徴量とを正しく判別する場合に損失が小さくなる損失関数を用いて、損失を計算する。
【0071】
次に、学習制御部２０８は、誤差逆伝播法を用いて、特徴判別部２０５のニューラルネットワークのパラメータの勾配を計算する（ステップＳ２４６）。
そして、学習制御部２０８は、計算した勾配を用いて、特徴判別部２０５のパラメータの値を更新する（ステップＳ２４４）。ステップＳ２４４でのパラメータ値の更新は、特徴判別部２０５の学習に該当する。
そして、学習制御部２０８は、計算した勾配を用いて、特徴判別部２０５のパラメータの値を更新する（ステップＳ２４４）。ステップＳ２４４でのパラメータ値の更新は、特徴判別部２０５の学習に該当する。
【0072】
このように、学習制御部２０８は、特徴量変換部１０５と特徴判別部２０５とで交互にパラメータ値の最適化を行う。学習制御部２０８は、特徴量変換部１０５のパラメータ値の最適化を行う場合、特徴判別部２０５のパラメータ値を固定する。また、学習制御部２０８は、特徴判別部２０５のパラメータ値の最適化を行う場合、特徴量変換部１０５のパラメータ値を固定する。
【0073】
ステップＳ２４４の後、学習制御部２０８は、学習の終了条件が成立しているか否かを判定する（ステップＳ２４８）。ここでの学習の終了条件は、特定の条件に限定されない。例えば、学習制御部２０８が、ステップＳ２１２からＳ２４８までのループの繰り返し回数が所定の回数に達した場合に、終了条件が成立したと判定するようにしてもよい。
【0074】
あるいは、ステップＳ２４７でのパラメータ値の更新の後、特徴量変換学習装置２００が、ループの途中で得られる評価データに基づいて、学習制御部２０８または損失関数計算部２０３が、超解像特徴量による照合精度を計算するようにしてもよい。そして、学習制御部２０８が、超解像特徴量による照合精度が所定の精度以上になった場合に、終了条件が成立したと判定するようにしてもよい。
【0075】
ステップＳ２４８で、終了条件が成立していないと学習制御部２０８が判定した場合（ステップＳ２４８：ＮＯ）、処理がステップＳ２１２へ戻る。この場合、特徴量変換学習装置２００は、引き続き、特徴量変換部１０５および特徴判別部２０５の学習を行う。
一方、ステップＳ２４８で、終了条件が成立していると学習制御部２０８が判定した場合（ステップＳ２４８：ＹＥＳ）、特徴量変換学習装置２００は、図４の処理を終了する。
一方、ステップＳ２４８で、終了条件が成立していると学習制御部２０８が判定した場合（ステップＳ２４８：ＹＥＳ）、特徴量変換学習装置２００は、図４の処理を終了する。
【0076】
以上のように、画像バッチ取得部２０１は、高解像度画像を取得する。画像縮小部２０２は、高解像度画像を、高解像度画像よりも解像度が低い縮小画像に縮小する。画像拡大部１０３は、縮小画像を高解像度画像と同じ解像度の劣化画像に拡大する。特徴量抽出部１０４は、高解像度画像の特徴量、および、劣化画像の特徴量を抽出する。特徴量変換部１０５は、劣化画像の特徴量を変換して超解像特徴量を生成する。学習制御部２０８は、高解像度画像の特徴量と、超解像特徴量との比較結果に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。ここでいう特徴量変換方法の学習は、特徴量の変換を行う機械学習モデルパラメータ値を調整することである。
【0077】
特徴量変換学習装置２００では、特徴量変換部１０５の学習を行うことで、特徴量変換部１０５が、縮小画像を拡大した画像の特徴量を高解像度画像の特徴量に近づけることができる。学習済みの特徴量変換部１０５を用いる認証装置１００が、低解像度画像の入力を受けた場合でも比較的高精度に認証を行えることが期待される。
【0078】
また、特徴判別部２０５は、高解像度画像の特徴量または超解像特徴量の入力を受けて、入力された特徴量が超解像特徴量か否かを判定する。損失関数計算部２０３は、特徴判別部２０５が、特徴量変換部１０５によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。
【0079】
特徴量変換学習装置２００によれば、特徴量変換部１０５が、特徴判別部２０５が高解像度画像の特徴量と超解像特徴量との判別に失敗するように、高解像度画像の特徴量に近い超解像特徴量を出力することが期待される。これにより、学習済みの特徴量変換部１０５を用いる認証装置１００が、低解像度画像の入力を受けた場合でも比較的高精度に認証を行えることが期待される。
【0080】
また、損失関数計算部２０３は、高解像度画像の特徴量と超解像特徴量との類似度の指標値を算出する。学習制御部２０８は、高解像度画像の特徴量と超解像特徴量とが類似するほど損失が小さくなる損失関数に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。
【0081】
特徴量変換学習装置２００によれば、特徴量変換部１０５が、高解像度画像の特徴量と類似する超解像特徴量を出力することが期待される。これにより、学習済みの特徴量変換部１０５を用いる認証装置１００が、低解像度画像の入力を受けた場合でも比較的高精度に認証を行えることが期待される。
【0082】
また、学習制御部２０８は、超解像特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。
【0083】
これにより、学習済みの特徴量変換部１０５を用いる認証装置１００が、低解像度画像の入力を受けた場合でも比較的高精度に認証を行えることが期待される。
【0084】
また、画像縮小部２０２は、高解像度画像を、乱数を用いて決定したサイズに縮小して縮小画像を生成する。
特徴量変換学習装置２００によれば、特徴量変換部１０５が、いろいろな解像度の画像から拡大された拡大画像に対して、高解像度画像の特徴量に近い超解像特徴量を出力できると期待される。これにより、学習済みの特徴量変換部１０５を用いる認証装置１００が、いろいろな解像度の画像の入力に対して高精度に認証を行えることが期待される。
特徴量変換学習装置２００によれば、特徴量変換部１０５が、いろいろな解像度の画像から拡大された拡大画像に対して、高解像度画像の特徴量に近い超解像特徴量を出力できると期待される。これにより、学習済みの特徴量変換部１０５を用いる認証装置１００が、いろいろな解像度の画像の入力に対して高精度に認証を行えることが期待される。
【0085】
＜第３実施形態＞
第３実施形態では、図１および図３の特徴量抽出部１０４の構成例について説明する。図１の認証装置１００と、図３の特徴量変換学習装置２００とが、同じ構成の特徴量抽出部１０４を備えることが好ましいが、認証装置１００または特徴量変換学習装置２００の何れか一方のみが第３実施形態に係る特徴量抽出部を備えるようにしてもよい。
第３実施形態では、図１および図３の特徴量抽出部１０４の構成例について説明する。図１の認証装置１００と、図３の特徴量変換学習装置２００とが、同じ構成の特徴量抽出部１０４を備えることが好ましいが、認証装置１００または特徴量変換学習装置２００の何れか一方のみが第３実施形態に係る特徴量抽出部を備えるようにしてもよい。
【0086】
図６は、第３実施形態に係る特徴量抽出部１０４の構成例を示す図である。図６に示す構成で、特徴量抽出部１０４は、アテンション（Attention）処理部３０１を備える。図６に示す構成で、アテンション処理部３０１が直列に接続されている。先頭のアテンション処理部３０１が画像データの入力を受け、末尾のアテンション処理部３０１が、特徴量を出力する。特徴量抽出部１０４が備えるアテンション処理部３０１の個数は、１つ以上であればよい。
【0087】
ここでいうアテンションは、画像の部分またはそれに対応する特徴量を強調することである。強調された特徴量が認証結果に反映され易くなる。例えば、虹彩認証では、目の画像のうち特に虹彩の部分の特徴に基づいて認証を行うことが考えられる。そこで、アテンション処理部３０１が、特徴量抽出部１０４が目の画像から抽出する特徴量のうち、虹彩の部分に対応する特徴量を強調するようにしてもよい。このようにアテンション処理部３０１が画像の特徴的部分に対応する特徴量を強調することで、認証装置１００の認証精度が向上すると期待される。アテンション処理部３０１は、アテンション処理手段の例に該当する。
上記のように、図６の特徴量抽出部１０４は、図１および図３の特徴量抽出部１０４の例に該当する。
上記のように、図６の特徴量抽出部１０４は、図１および図３の特徴量抽出部１０４の例に該当する。
【0088】
認証装置１００または特徴量変換学習装置２００において、特徴量抽出部１０４は、高解像度画像、および、拡大された低解像度画像のそれぞれから特徴量を抽出する。高解像度データを用いて事前に特徴量抽出部１０４の学習を行っておくことが好ましい。
【0089】
図６は、特徴量抽出部１０４がニューラルネットワークを用いて構成される場合の例を示しており、アテンション処理部３０１の各々がニューラルネットワークの層に該当する。ニューラルネットワークの各層でアテンションの処理を行うようにしてもよい。あるいは、ニューラルネットワークの一部の層のみでアテンションの処理を行うようにしてもよい。
あるいは、特徴量抽出の前処理または後処理として、アテンションの処理を行うようにしてもよい。
あるいは、特徴量抽出の前処理または後処理として、アテンションの処理を行うようにしてもよい。
【0090】
図７は、アテンション処理部３０１の構成例を示す図である。図７に示す構成で、アテンション処理部３０１は、２次元畳み込み演算部３１１ａおよび３１１ｂと、関数計算部３１２と、乗算部３１３とを備える。２次元畳み込み演算部３１１ａと３１１ｂとを総称して、２次元畳み込み演算部３１１とも表記する。
【0091】
２次元畳み込み演算部３１１は、２次元行列の形式のデータに対して畳み込み演算を行う。２次元畳み込み演算部３１１ａは、特徴量抽出のための畳み込み演算を行う。２次元畳み込み演算部３１１ｂは、２次元畳み込み演算部３１１ａが抽出する特徴量に対するアテンションのためのフィルタリングとしての畳み込み演算を行う。
【0092】
関数計算部３１２は、２次元畳み込み演算部３１１ｂの出力に対して所定の関数を適用する。例えば、関数計算部３１２は、２次元畳み込み演算部３１１ｂの演算結果を示す２次元行列の形式のデータの各要素の値を、ソフトマックス（Softmax）関数を適用した値に置き換える。これにより、関数計算部３１２は、２次元畳み込み演算部３１１ｂが２次元畳み込み演算部３１１ａの出力データから検出した部分を強調するための重み係数を算出する。また、関数計算部３１２による関数の適用は、ニューラルネットワークの活性化関数の計算にも該当する。
【0093】
乗算部３１３は、２次元畳み込み演算部３１１ａの出力と、関数計算部３１２の出力とを、２次元行列の形式のデータの要素毎に乗算する。これにより、乗算部３１３は、２次元畳み込み演算部３１１ａが抽出した特徴量に対して、関数計算部３１２が計算した重み係数による重み付けを行う。
アテンション処理部３０１が、アテンションの対象領域の検出方法を学習するようにしてもよい。具体的には、アテンション処理部３０１が、２次元畳み込み演算部３１１ｂのフィルタを、学習制御部２０８によって計算される損失を下げるように学習してもよい。
アテンション処理部３０１が、アテンションの対象領域の検出方法を学習するようにしてもよい。具体的には、アテンション処理部３０１が、２次元畳み込み演算部３１１ｂのフィルタを、学習制御部２０８によって計算される損失を下げるように学習してもよい。
【0094】
図８は、アテンション処理部３０１の第１の変形例に係るアテンションブロック３０２の構成例を示す図である。図６に示す特徴量抽出部１０４が、アテンション処理部３０１に代えてアテンションブロック３０２を備えるようにしてもよい。図８に示す構成で、アテンションブロック３０２は、チャネル分離部３２１と、アテンション処理部３０１と、チャネル結合部３２２とを備える。
【0095】
図８に示す構成で、複数のアテンション処理部３０１が並列に配置されている。アテンション処理部３０１の各々は、チャネル分離部３２１からのデータの入力を受け、チャネル結合部３２２へデータを出力する。ただし、アテンションブロック３０２が備えるアテンション処理部３０１の個数は、１つ以上であればよい。
【0096】
チャネル分離部３２１は、アテンションブロック３０２への入力データをチャネル分離部３２１への入力データとして取得し、入力データまたはその一部のデータを、アテンション処理部３０１の各々に出力する。チャネル分離部３２１が行う処理は、ニューラルネットワークのチャネルを複数のブロックに分離する処理に該当する。
【0097】
チャネル分離部３２１が入力データからアテンション処理部３０１毎のデータを生成する方法は、特定の方法に限定されない。例えば、チャネル分離部３２１が、入力データをそのままアテンション処理部３０１の各々に出力するようにしてもよい。あるいは、チャネル分離部３２１が、入力データを元の画像の左、中央、右に対応するデータに分割するなど、画像における位置に基づいて分割し、それぞれのデータをアテンション処理部３０１に出力するようにしてもよい。また、チャネル分離部３２１が、入力データを元のチャネル数から複数のチャネルに分割するなど、チャネルにおける位置に基づいて分割し、それぞれのデータをアテンション処理部３０１に出力するようにしてもよい。
【0098】
アテンション処理部３０１の各々は、アテンション処理部３０１自らへの入力データから特徴量を抽出し、抽出した特徴量の一部を強調して出力する。アテンションブロック３０２のアテンション処理部３０１として、図７のアテンション処理部３０１を用いることができる。
【0099】
チャネル結合部３２２は、アテンション処理部３０１のそれぞれが出力するデータを１つのデータに纏める。チャネル結合部３２２がデータを纏める方法は、チャネル分離部３２１が１つのデータからアテンション処理部３０１毎のデータを生成する方法と対応するいろいろな方法とすることができる。
【0100】
例えば、チャネル分離部３２１が入力データをそのままアテンション処理部３０１のそれぞれに出力する場合、チャネル結合部３２２が、アテンション処理部３０１のそれぞれから出力される２次元行列の形式のデータを、要素毎に平均または合計することで１つのデータに纏めるようにしてもよい。
【0101】
また、チャネル分離部３２１が入力データを画像における位置に基づいて分割する場合、チャネル結合部３２２が、アテンション処理部３０１の各々からのデータを、画像における位置に応じて配置し結合することで１つのデータに纏めるようにしてもよい。
【0102】
ここで、虹彩認証に用いる画像では、特に虹彩部分および目周辺の部分に、個人を識別するための特徴が多く存在する。このように、個人を識別するための特徴が、認証対象の画像の複数の部分それぞれに存在することが考えられる。そこで、アテンションブロック３０２では、ニューラルネットワークのチャネルを複数ブロックに分離し、それぞれのブロックについてアテンションの処理を行い、ブロック毎の出力を結合する。これにより、アテンションブロック３０２では、虹彩、まぶた、および、まゆげなど、個人を識別するための特徴が多く存在する部分それぞれに注目して特徴量抽出を行うことができる。
【0103】
アテンションブロック３０２が、画像領域の代わりに、特徴ベクトルのチャネルに対して一部のチャネルを強調するようにしてもよい。
図９は、アテンション処理部３０１の第２の変形例に係るアテンション処理部３０３の構成例を示す図である。図８に示すアテンションブロック３０２が、アテンション処理部３０１に代えてアテンション処理部３０３を備えるようにしてもよい。
図９は、アテンション処理部３０１の第２の変形例に係るアテンション処理部３０３の構成例を示す図である。図８に示すアテンションブロック３０２が、アテンション処理部３０１に代えてアテンション処理部３０３を備えるようにしてもよい。
【0104】
図９に示す構成で、アテンション処理部３０３は、画像縮小部３３１と、線形演算部３３２と、関数計算部３１２と、乗算部３１３とを備える。
アテンション処理部３０３をアテンション処理部３０１と比較すると、アテンション処理部３０１の２次元畳み込み演算部３１１ｂが、アテンション処理部３０３では、画像縮小部３３１および線形演算部３３２に置き換わっている。すなわち、アテンション処理部３０３では、２次元畳み込み演算部３１１が、画像縮小部３３１と線形演算部３３２とに分かれて構成されている。それ以外の点では、アテンション処理部３０３は、アテンション処理部３０１と同様である。
アテンション処理部３０３をアテンション処理部３０１と比較すると、アテンション処理部３０１の２次元畳み込み演算部３１１ｂが、アテンション処理部３０３では、画像縮小部３３１および線形演算部３３２に置き換わっている。すなわち、アテンション処理部３０３では、２次元畳み込み演算部３１１が、画像縮小部３３１と線形演算部３３２とに分かれて構成されている。それ以外の点では、アテンション処理部３０３は、アテンション処理部３０１と同様である。
【0105】
２つの画像縮小部３３１を区別する場合、２次元畳み込み演算部３１１ａに対応する画像縮小部３３１を画像縮小部３３１ａと表記し、２次元畳み込み演算部３１１ｂに対応する画像縮小部３３１を画像縮小部３３１ｂと表記する。２つの線形演算部３３２を区別する場合、２次元畳み込み演算部３１１ａに対応する線形演算部３３２を線形演算部３３２ａと表記し、２次元畳み込み演算部３１１ｂに対応する線形演算部３３２を線形演算部３３２ｂと表記する。
【0106】
画像縮小部３３１は、入力される画像を1x1のサイズに縮小する。つまり、画像縮小部３３１は、チャネルＣ、高さＨ、幅Ｗのサイズを持つテンソルを、チャネルＣ、高さ１、幅１のサイズのテンソルに縮小する。画像縮小部３３１が画像を縮小する方法は、特定の方法に限定されない。例えば、画像縮小部３３１が、平均化法を用いて画像を縮小するようにしてもよいが、これに限定されない。
【0107】
線形演算部３３２は、チャネルに対して線形演算を行う。線形演算部３３２の入力テンソルと出力テンソルは、それぞれが（Ｃ，１，１）のサイズを持つ。
線形演算部３３２ｂの出力に対して関数計算部３１２がソフトマックス関数を適用することで、チャネルを強調するための重みが計算される。
線形演算部３３２ｂの出力に対して関数計算部３１２がソフトマックス関数を適用することで、チャネルを強調するための重みが計算される。
【0108】
図１０は、アテンション処理部３０１の第３の変形例に係るアテンション処理部３０４の構成例を示す図である。図６に示す特徴量抽出部１０４が、アテンション処理部３０１に代えてアテンション処理部３０４を備えるようにしてもよい。
図１０に示す構成で、アテンション処理部３０４は、２次元畳み込み演算部３１１ａと、乗算部３１３と、アテンションマップ取得部３４１とを備える。２次元畳み込み演算部３１１ａを、２次元畳み込み演算部３１１とも称する。
図１０に示す構成で、アテンション処理部３０４は、２次元畳み込み演算部３１１ａと、乗算部３１３と、アテンションマップ取得部３４１とを備える。２次元畳み込み演算部３１１ａを、２次元畳み込み演算部３１１とも称する。
【0109】
２次元畳み込み演算部３１１ａが行う処理は、アテンション処理部３０１の２次元畳み込み演算部３１１ａの場合と同様である。乗算部３１３が行う処理は、アテンション処理部３０１の乗算部３１３の場合と同様である。
アテンションマップ取得部３４１は、アテンションマップを取得する。アテンションマップは、アテンション処理部３０４への入力データのうちアテンション処理部３０４が強調するべき部分を示すデータである。アテンション処理部３０４がアテンションマップを用いる場合、アテンションマップは、いわばアテンションの正解データであり、訓練データに含まれる。
アテンションマップ取得部３４１は、アテンションマップを取得する。アテンションマップは、アテンション処理部３０４への入力データのうちアテンション処理部３０４が強調するべき部分を示すデータである。アテンション処理部３０４がアテンションマップを用いる場合、アテンションマップは、いわばアテンションの正解データであり、訓練データに含まれる。
【0110】
アテンション処理部３０４では、乗算部３１３は、２次元畳み込み演算部３１１ａからの出力に対して、アテンションマップによる重み付けを行う。また、アテンション処理部３０４が、２次元畳み込み演算部３１１ａにおける特徴量の抽出方法に加えて、その特徴量におけるアテンションによる強調方法も学習するようにしてもよい。例えば、アテンション処理部３０４が、訓練データから入力されたアテンションマップに温度係数Ｓを乗じてからソフトマックス関数に入力し、得られる関数値を乗算部３１３にて畳み込み演算部３１１の結果に乗算するようにしてもよい。この場合、温度係数Ｓは、学習によって調整されるパラメータであってもよい。
【0111】
以上のように、アテンション処理部３０１は、特徴量抽出対象の画像またはチャネルのうち特定の部分に対応する特徴量を強調する重み付けを行う。
これにより、認証装置１００が、個人を識別するための特徴が多く存在する部分が強調された特徴量を用いて、認証を比較的高精度に行えると期待される。
これにより、認証装置１００が、個人を識別するための特徴が多く存在する部分が強調された特徴量を用いて、認証を比較的高精度に行えると期待される。
【0112】
＜第４実施形態＞
図１１は、特徴量抽出部１０４の変形例に係る特徴量抽出部１１４の構成例を示す図である。図１の認証装置１００、および、図３の特徴量変換学習装置２００の両方、または何れか一方が、特徴量抽出部１０４に代えて特徴量抽出部１１４を備えるようにしてもよい。
図１１は、特徴量抽出部１０４の変形例に係る特徴量抽出部１１４の構成例を示す図である。図１の認証装置１００、および、図３の特徴量変換学習装置２００の両方、または何れか一方が、特徴量抽出部１０４に代えて特徴量抽出部１１４を備えるようにしてもよい。
【0113】
図１１に示す構成で、特徴量抽出部１１４は、第１特徴量抽出部１１４ａと、第２特徴量抽出部１１４ｂとを備える。第１特徴量抽出部１１４ａの出力が、特徴量変換部１０５に入力され、特徴量変換部１０５の出力が、第２特徴量抽出部１１４ｂに入力される。
第１特徴量抽出部１１４ａと、第２特徴量抽出部１１４ｂとは、特徴量抽出部１０４を構成するニューラルネットワークを、層の間で２つに分けた部分ネットワークのそれぞれで構成される。
第１特徴量抽出部１１４ａと、第２特徴量抽出部１１４ｂとは、特徴量抽出部１０４を構成するニューラルネットワークを、層の間で２つに分けた部分ネットワークのそれぞれで構成される。
【0114】
図１２は、特徴量抽出部１０４を構成するニューラルネットの階層構造の例を示す図である。
図１２の例で、特徴量抽出部１０４は、複数の層を有するニューラルネットワークを用いて構成される。特徴量抽出部１０４を構成するニューラルネットワークの層が、前側から１つ以上の層のグループと、後ろ側から１つ以上の層のグループとにグループ分けされている。ここでいう前側は入力層の側である。後ろ側は出力層の側である。
図１２の例で、特徴量抽出部１０４は、複数の層を有するニューラルネットワークを用いて構成される。特徴量抽出部１０４を構成するニューラルネットワークの層が、前側から１つ以上の層のグループと、後ろ側から１つ以上の層のグループとにグループ分けされている。ここでいう前側は入力層の側である。後ろ側は出力層の側である。
【0115】
第１特徴量抽出部１１４ａは、これら２つのグループのうち前側から１つ以上の層のグループに相当するニューラルネットワークを用いて構成される。第２特徴量抽出部１１４ｂは、これら２つのグループのうち後ろ側から１つ以上の層のグループに相当するニューラルネットワークを用いて構成される。
【0116】
第１特徴量抽出部１１４ａの出力は、特徴量抽出部１０４における中間特徴量に相当する。第１特徴量抽出部１１４ａに低解像度画像が画像データで入力される場合の第１特徴量抽出部１１４ａの出力を、低解像度中間特徴量とも称する。
図１１の構成で、特徴量変換部１０５は、低解像度中間特徴量の入力を受けて、入力された低解像度中間特徴量を変換する。この場合の特徴量変換部１０５の出力を超解像中間特徴量とも称する。
第２特徴量抽出部１１４ｂは、超解像中間特徴量の入力を受けてさらに特徴量抽出を行う。第２特徴量抽出部１１４ｂの出力は、図１の構成および図３の構成で特徴量変換部１０５が出力する超解像特徴量に相当する。
図１１の構成で、特徴量変換部１０５は、低解像度中間特徴量の入力を受けて、入力された低解像度中間特徴量を変換する。この場合の特徴量変換部１０５の出力を超解像中間特徴量とも称する。
第２特徴量抽出部１１４ｂは、超解像中間特徴量の入力を受けてさらに特徴量抽出を行う。第２特徴量抽出部１１４ｂの出力は、図１の構成および図３の構成で特徴量変換部１０５が出力する超解像特徴量に相当する。
【0117】
このように、特徴量変換部１０５が、特徴量抽出部１０４を構成するニューラルネットワークが出力する特徴量に限らず、中間層での特徴量を用いて特徴超解像を行うようにしてもよい。例えば、ＶＧＧ１６は、１３層の畳み込み層と３層の全結合層とからなる。これらの層のうち、畳み込み層の前側から２層目が出力する中間特徴量に対して特徴量変換部１０５が特徴超解像を行い、特徴量変換部１０５が出力する超解像中間特徴量が畳み込み層の前側から３層目に入力されるようにしてもよい。あるいは、畳み込み層の前側から４層目が出力する中間特徴量に対して特徴量変換部１０５が特徴超解像を行い、特徴量変換部１０５が出力する超解像中間特徴量が畳み込み層の前側から５層目に入力されるようにしてもよい。
【0118】
以上のように、特徴量変換部１０５は、特徴量抽出部が生成する中間特徴量に対して特徴量の変換を行う。
これにより、認証装置１００は、特徴量抽出器への入力画像を超解像度化する画像超解像と、出力特徴を超解像度化する特徴超解像の間の効果を得ることができる。つまり、超解像する部分を特徴量変換部１０５への入力または出力に限定しないことにより、目的の拡大率に合わせてその拡大率での認証性能を最大化可能な中間特徴で特徴超解像することができる。この結果、特徴超解像をさらに高精度に行うことができる。
これにより、認証装置１００は、特徴量抽出器への入力画像を超解像度化する画像超解像と、出力特徴を超解像度化する特徴超解像の間の効果を得ることができる。つまり、超解像する部分を特徴量変換部１０５への入力または出力に限定しないことにより、目的の拡大率に合わせてその拡大率での認証性能を最大化可能な中間特徴で特徴超解像することができる。この結果、特徴超解像をさらに高精度に行うことができる。
【0119】
＜第５実施形態＞
図１３は、第５実施形態に係る認証装置の構成例を示す図である。図１３に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
図１３は、第５実施形態に係る認証装置の構成例を示す図である。図１３に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
【0120】
図１３の各部のうち、図１の各部に対応して同様の機能を有する部分には、同一の符号（１０１、１２、１０４、１０５、１０６）を付して、ここでは詳細な説明を省略する。
図１の認証装置１００と図１３の認証装置４１１とでは、認証に用いる画像が異なる。認証装置１００が認証対象画像として低解像度画像を取得し、比較用画像として高解像度画像を取得する。これに対し、認証装置４１１は、認証対象画像として眼鏡着用時の虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の裸眼の虹彩の画像を取得する。なお、認証用画像と比較用画像の解像度は同程度の解像度であればよく、全く同じである必要はない。
図１の認証装置１００と図１３の認証装置４１１とでは、認証に用いる画像が異なる。認証装置１００が認証対象画像として低解像度画像を取得し、比較用画像として高解像度画像を取得する。これに対し、認証装置４１１は、認証対象画像として眼鏡着用時の虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の裸眼の虹彩の画像を取得する。なお、認証用画像と比較用画像の解像度は同程度の解像度であればよく、全く同じである必要はない。
【0121】
また、認証装置４１１は、認証装置１００が備える画像拡大部１０３を備えていない。認証装置４１１では、認証対象画像取得部１０１は、取得する認証対象画像を特徴量抽出部１０４へ出力する。
それ以外の点では、認証装置４１１は認証装置１００と同様である。
それ以外の点では、認証装置４１１は認証装置１００と同様である。
【0122】
第５実施形態の認証装置４１１では、特徴量抽出部１０４は、認証対象画像の特徴量を、裸眼の虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量抽出部１０４が、認証時に比較用画像の特徴量を抽出するようにしてもよい。あるいは、認証装置１００が、比較用画像の特徴量を予め記憶しておくようにしてもよい。
第５実施形態の認証装置４１１では、特徴量変換部１０５は、眼鏡着用時の虹彩の画像の特徴量の入力を受けて、裸眼の虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、眼鏡着用時の虹彩の画像の特徴量からの変換後の特徴量と、裸眼の虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、眼鏡着用時の虹彩の画像は第１学習用画像の例に該当し、裸眼の虹彩の画像は第２学習用画像の例に該当する。第６実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
第５実施形態の認証装置４１１では、特徴量変換部１０５は、眼鏡着用時の虹彩の画像の特徴量の入力を受けて、裸眼の虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、眼鏡着用時の虹彩の画像の特徴量からの変換後の特徴量と、裸眼の虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、眼鏡着用時の虹彩の画像は第１学習用画像の例に該当し、裸眼の虹彩の画像は第２学習用画像の例に該当する。第６実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
【0123】
以上のように、認証対象画像取得部１０１は、認証対象画像として眼鏡着用時の虹彩の画像を取得する。特徴量抽出部１０４は、認証対象画像の特徴量を、裸眼の虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量変換部１０５は、眼鏡着用時の虹彩の画像である第１学習用画像の特徴量からの変換後の特徴量と、裸眼の虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、認証対象画像の特徴量を変換する。特徴量比較部１０６は、特徴量変換部１０５による変換後の特徴量と、比較用画像の特徴量とを比較する。
【0124】
第５実施形態に係る認証装置４１１によれば、眼鏡着用時の虹彩の画像の特徴量を、裸眼の虹彩の画像の特徴量に近付けることができると期待される。第５実施形態に係る認証装置４１１によれば、この点で、認証対象者が眼鏡を着用している場合でも、虹彩認証を比較的高精度に行えると期待される。
【0125】
＜第６実施形態＞
図１４は、第６実施形態に係る特徴量変換学習装置の構成例を示す図である。第６実施形態の特徴量変換学習装置４１２は、第５実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
図１４は、第６実施形態に係る特徴量変換学習装置の構成例を示す図である。第６実施形態の特徴量変換学習装置４１２は、第５実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
【0126】
図１４に示す構成で、特徴量変換学習装置４１２は、画像バッチ取得部４１３と、特徴量抽出部１０４と、特徴量変換部１０５と、損失関数計算部２０３と、学習制御部２０８とを備える。損失関数計算部２０３は、再構成損失計算部２０４と、特徴判別部２０５と、敵対損失計算部２０６と、類似度損失計算部２０７とを備える。
図１４の各部のうち、図３の各部に対応して同様の機能を有する部分には同一の符号（１０４、１０５、２０３－２０８）を付して、ここでは詳細な説明を省略する。
図１４の各部のうち、図３の各部に対応して同様の機能を有する部分には同一の符号（１０４、１０５、２０３－２０８）を付して、ここでは詳細な説明を省略する。
【0127】
図３の特徴量変換学習装置２００と図１４の特徴量変換学習装置４１２とでは、訓練データに含まれる画像が異なる。
特徴量変換学習装置２００の画像バッチ取得部２０１は、高解像度画像と、その画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
特徴量変換学習装置２００の画像バッチ取得部２０１は、高解像度画像と、その画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
【0128】
これに対し、特徴量変換学習装置４１２の画像バッチ取得部４１３は、眼鏡着用時の虹彩の画像および裸眼の虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。眼鏡着用時の虹彩の画像および裸眼の虹彩の画像として、同一人物、かつ、同じ解像度の画像を用いる。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる裸眼の虹彩の画像は第１画像の例に該当し、眼鏡着用時の虹彩の画像は第２画像の例に該当する。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる裸眼の虹彩の画像は第１画像の例に該当し、眼鏡着用時の虹彩の画像は第２画像の例に該当する。
【0129】
また、特徴量変換学習装置４１２は、特徴量変換学習装置２００が備える画像縮小部２０２と画像拡大部１０３とを備えていない。
画像バッチ取得部２０１は、眼鏡着用時の虹彩の画像と、裸眼の虹彩の画像とを、それぞれ特徴量抽出部１０４へ出力する。特徴量抽出部１０４は、眼鏡着用時の虹彩の画像の特徴量と、裸眼の虹彩の画像の特徴量とを抽出する。
裸眼の虹彩の画像の特徴量は、第１特徴量の例に該当する。眼鏡着用時の虹彩の画像の特徴量は、第２特徴量の例に該当する。
画像バッチ取得部２０１は、眼鏡着用時の虹彩の画像と、裸眼の虹彩の画像とを、それぞれ特徴量抽出部１０４へ出力する。特徴量抽出部１０４は、眼鏡着用時の虹彩の画像の特徴量と、裸眼の虹彩の画像の特徴量とを抽出する。
裸眼の虹彩の画像の特徴量は、第１特徴量の例に該当する。眼鏡着用時の虹彩の画像の特徴量は、第２特徴量の例に該当する。
【0130】
特徴量変換部１０５は、眼鏡着用時の虹彩の画像の特徴量の入力を受けて、裸眼の虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。眼鏡着用時の虹彩の画像の特徴量からの変換後の特徴量は、第３特徴量の例に該当する。
損失関数計算部２０３は、特徴量変換部１０５による変換後の特徴量と、裸眼の虹彩の画像の特徴量とに基づく損失を計算する。
損失関数計算部２０３は、特徴量変換部１０５による変換後の特徴量と、裸眼の虹彩の画像の特徴量とに基づく損失を計算する。
【0131】
学習制御部２０８は、損失関数計算部２０３が計算する損失に基づいて、特徴量変換部１０５、特徴判別部２０５それぞれの機械学習モデルパラメータ値を更新する。学習制御部２０８は、特徴量変換部１０５による変換後の特徴量と、裸眼の虹彩の画像の特徴量との相違が小さくなるように、上記の機械学習モデルパラメータ値を更新する。
【0132】
以上のように、画像バッチ取得部４１３は、裸眼の虹彩の画像である第１画像と、眼鏡着用時の虹彩の画像である第２画像とを取得する。特徴量抽出部１０４は、第１画像の特徴量である第１特徴量、および、第２画像の特徴量である第２特徴量を抽出する。特徴量変換部１０５は、第２特徴量を第３特徴量に変換する。学習制御部２０８は、第１特徴量と第３特徴量との比較結果に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。
【0133】
第６実施形態に係る特徴量変換学習装置４１２によれば、特徴量変換部１０５に対して、眼鏡着用時の虹彩の画像の特徴量を、裸眼の虹彩の画像の特徴量に近付ける変換を行うように、学習を行わせることができる。認証装置４１１が、この特徴量変換部１０５を用いて認証を行うことで、認証対象者が眼鏡を着用している場合でも、虹彩認証を比較的高精度に行えると期待される。
【0134】
＜第７実施形態＞
図１５は、第７実施形態に係る認証装置の構成例を示す図である。図１５に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
図１５は、第７実施形態に係る認証装置の構成例を示す図である。図１５に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
【0135】
第７実施形態に係る認証装置４１１の構成は、第５実施形態に係る認証装置４１１の構成と同様である。図１５の各部のうち図１３の各部に対応して同様の機能を有する部分には同一の符号（１０１、１０２、１０４、１０５、１０６、４１１）を付して、ここでは詳細な説明を省略する。
【0136】
第７実施形態では、認証装置４１１が認証に用いる画像が、第５実施形態の場合と異なる。第５実施形態の認証装置４１１は、認証対象画像として眼鏡着用時の虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の裸眼の虹彩の画像を取得する。これに対し、第７実施形態の認証装置４１１は、認証対象画像として斜めから撮影された虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の、正面から撮影された虹彩の画像を取得する。
【0137】
第７実施形態の認証装置４１１では、特徴量抽出部１０４は、認証対象画像の特徴量を、正面から撮影された虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量抽出部１０４が、認証時に比較用画像の特徴量を抽出するようにしてもよい。あるいは、認証装置１００が、比較用画像の特徴量を予め記憶しておくようにしてもよい。
第７実施形態の認証装置４１１では、特徴量変換部１０５は、斜めから撮影された虹彩の画像の特徴量の入力を受けて、正面から撮影された虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、斜めから撮影された虹彩の画像の特徴量からの変換後の特徴量と、正面から撮影された虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、斜めから撮影された虹彩の画像は第１学習用画像の例に該当し、正面から撮影された虹彩の画像は第２学習用画像の例に該当する。第８実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
第７実施形態の認証装置４１１では、特徴量変換部１０５は、斜めから撮影された虹彩の画像の特徴量の入力を受けて、正面から撮影された虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、斜めから撮影された虹彩の画像の特徴量からの変換後の特徴量と、正面から撮影された虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、斜めから撮影された虹彩の画像は第１学習用画像の例に該当し、正面から撮影された虹彩の画像は第２学習用画像の例に該当する。第８実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
【0138】
以上のように、認証対象画像取得部１０１は、認証対象画像として斜めから撮影された虹彩の画像を取得する。特徴量抽出部１０４は、認証対象画像の特徴量を、正面から撮影された虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量変換部１０５は、斜めから撮影された虹彩の画像である第１学習用画像の特徴量からの変換後の特徴量と、正面から撮影された虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、認証対象画像の特徴量を変換する。特徴量比較部１０６は、特徴量変換部１０５による変換後の特徴量と、比較用画像の特徴量とを比較する。
【0139】
第７実施形態に係る認証装置４１１によれば、斜めから撮影された虹彩の画像特徴量を、正面から撮影された虹彩の画像の特徴量に近付けることができると期待される。第７実施形態に係る認証装置４１１によれば、この点で、認証対象者の虹彩が斜めから撮影された画像を認証対象画像として用いる場合でも、虹彩認証を比較的高精度に行えると期待される。
【0140】
＜第８実施形態＞
図１６は、第８実施形態に係る特徴量変換学習装置の構成例を示す図である。第８実施形態の特徴量変換学習装置４１２は、第７実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
図１６は、第８実施形態に係る特徴量変換学習装置の構成例を示す図である。第８実施形態の特徴量変換学習装置４１２は、第７実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
【0141】
図１６に示す構成で、特徴量変換学習装置４１２は、画像バッチ取得部４１３と、特徴量抽出部１０４と、特徴量変換部１０５と、損失関数計算部２０３と、学習制御部２０８とを備える。損失関数計算部２０３は、再構成損失計算部２０４と、特徴判別部２０５と、敵対損失計算部２０６と、類似度損失計算部２０７とを備える。
【0142】
第８実施形態に係る特徴量変換学習装置４１２の構成は、第６実施形態に係る特徴量変換学習装置４１２の構成と同様である。図１６の各部のうち図１４の各部に対応して同様の機能を有する部分には同一の符号（１０４、１０５、２０３－２０８、３１２、４１２、４１３）を付して、ここでは詳細な説明を省略する。
【0143】
第８実施形態では、特徴量変換学習装置４１２が取得する訓練データに含まれる画像が、第６実施形態の場合と異なる。
第６実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、眼鏡着用時の虹彩の画像および裸眼の虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
第６実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、眼鏡着用時の虹彩の画像および裸眼の虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
【0144】
これに対し、第８実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、正面から撮影された虹彩の画像および斜めから撮影された虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。正面から撮影された虹彩の画像および斜めから撮影された虹彩の画像として、同一人物、かつ、同じ解像度の画像を用いる。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる正面から撮影された虹彩の画像は第１画像の例に該当し、斜めから撮影された虹彩の画像は第２画像の例に該当する。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる正面から撮影された虹彩の画像は第１画像の例に該当し、斜めから撮影された虹彩の画像は第２画像の例に該当する。
【0145】
第８実施形態では、画像バッチ取得部２０１は、斜めから撮影された虹彩の画像と、正面から撮影された虹彩の画像とを、それぞれ特徴量抽出部１０４へ出力する。特徴量抽出部１０４は、斜めから撮影された虹彩の画像の特徴量と、正面から撮影された虹彩の画像の特徴量とを抽出する。
正面から撮影された虹彩の画像の特徴量は、第１特徴量の例に該当する。斜めから撮影された虹彩の画像の特徴量は、第２特徴量の例に該当する。
正面から撮影された虹彩の画像の特徴量は、第１特徴量の例に該当する。斜めから撮影された虹彩の画像の特徴量は、第２特徴量の例に該当する。
【0146】
特徴量変換部１０５は、斜めから撮影された虹彩の画像の特徴量の入力を受けて、正面から撮影された虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。斜めから撮影された虹彩の画像の特徴量からの変換後の特徴量は、第３特徴量の例に該当する。損失関数計算部２０３は、特徴量変換部１０５による変換後の特徴量と、正面から撮影された虹彩の画像の特徴量とに基づく損失を計算する。
【0147】
学習制御部２０８は、損失関数計算部２０３が計算する損失に基づいて、特徴量変換部１０５、特徴判別部２０５それぞれの機械学習モデルパラメータ値を更新する。学習制御部２０８は、特徴量変換部１０５による変換後の特徴量と、正面から撮影された虹彩の画像の特徴量との相違が小さくなるように、上記の機械学習モデルパラメータ値を更新する。
【0148】
以上のように、画像バッチ取得部４１３は、正面から撮影された虹彩の画像である第１画像と、斜めから撮影された虹彩の画像である第２画像とを取得する。特徴量抽出部１０４は、第１画像の特徴量である第１特徴量、および、第２画像の特徴量である第２特徴量を抽出する。特徴量変換部１０５は、第２特徴量を第３特徴量に変換する。学習制御部２０８は、第１特徴量と第３特徴量との比較結果に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。
【0149】
第８実施形態に係る特徴量変換学習装置４１２によれば、特徴量変換部１０５に対して、斜めから撮影された虹彩の画像の特徴量を、正面から撮影された虹彩の画像の特徴量に近付ける変換を行うように、学習を行わせることができる。認証装置４１１が、この特徴量変換部１０５を用いて認証を行うことで、斜めから撮影された虹彩の画像を認証対象画像として用いる場合でも、虹彩認証を比較的高精度に行えると期待される。
【0150】
＜第９実施形態＞
図１７は、第９実施形態に係る認証装置の構成例を示す図である。図１７に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
図１７は、第９実施形態に係る認証装置の構成例を示す図である。図１７に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
【0151】
第９実施形態に係る認証装置４１１の構成は、第５実施形態に係る認証装置４１１の構成と同様である。図１７の各部のうち図１３の各部に対応して同様の機能を有する部分には同一の符号（１０１、１０２、１０４、１０５、１０６、４１１）を付して、ここでは詳細な説明を省略する。
【0152】
第９実施形態では、認証装置４１１が認証に用いる画像が、第５実施形態の場合と異なる。第５実施形態の認証装置４１１は、認証対象画像として眼鏡着用時の虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の裸眼の虹彩の画像を取得する。これに対し、第９実施形態の認証装置４１１は、認証対象画像として可視光で撮影された虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の画像、かつ、近赤外線など可視光以外の光で撮影された虹彩の画像を取得する。なお、認証用の画像の波長は可視光に限定されず、紫外線や近赤外などの他の波長で撮影された画像であってもよい。また、入力画像の色を表すチャネル数も特に限定しない。
【0153】
第９実施形態の認証装置４１１では、特徴量抽出部１０４は、認証対象画像の特徴量を、可視光以外の光で撮影された虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量抽出部１０４が、認証時に比較用画像の特徴量を抽出するようにしてもよい。あるいは、認証装置１００が、比較用画像の特徴量を予め記憶しておくようにしてもよい。
第９実施形態の認証装置４１１では、特徴量変換部１０５は、可視光で撮影された虹彩の画像の特徴量の入力を受けて、可視光以外の光で撮影された虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、可視光で撮影された虹彩の画像の特徴量からの変換後の特徴量と、可視光以外の光で撮影された虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、可視光で撮影された虹彩の画像は第１学習用画像の例に該当し、可視光以外の光で撮影された虹彩の画像は第２学習用画像の例に該当する。第１０実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
第９実施形態の認証装置４１１では、特徴量変換部１０５は、可視光で撮影された虹彩の画像の特徴量の入力を受けて、可視光以外の光で撮影された虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、可視光で撮影された虹彩の画像の特徴量からの変換後の特徴量と、可視光以外の光で撮影された虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、可視光で撮影された虹彩の画像は第１学習用画像の例に該当し、可視光以外の光で撮影された虹彩の画像は第２学習用画像の例に該当する。第１０実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
【0154】
以上のように、認証対象画像取得部１０１は、認証対象画像として可視光で撮影された虹彩の画像を取得する。特徴量抽出部１０４は、認証対象画像の特徴量を、可視光以外の光で撮影された虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量変換部１０５は、可視光で撮影された虹彩の画像である第１学習用画像の特徴量からの変換後の特徴量と、可視光以外の光で撮影された虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、認証対象画像の特徴量を変換する。特徴量比較部１０６は、特徴量変換部１０５による変換後の特徴量と、比較用画像の特徴量とを比較する。
【0155】
第９実施形態に係る認証装置４１１によれば、可視光で撮影された虹彩の画像特徴量を、可視光以外の光で撮影された虹彩の画像の特徴量に近付けることができると期待される。第７実施形態に係る認証装置４１１によれば、この点で、比較用画像が可視光以外の光で撮影されている場合でも、可視光で撮影された画像を用いて、虹彩認証を比較的高精度に行えると期待される。
【0156】
＜第１０実施形態＞
図１８は、第１０実施形態に係る特徴量変換学習装置の構成例を示す図である。第１０実施形態の特徴量変換学習装置４１２は、第９実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
第１０実施形態でも、認証用の画像の波長は可視光に限定されず、紫外線や近赤外などの他の波長で撮影された画像であってもよい。また、入力画像の色を表すチャネル数も特に限定しない。
図１８は、第１０実施形態に係る特徴量変換学習装置の構成例を示す図である。第１０実施形態の特徴量変換学習装置４１２は、第９実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
第１０実施形態でも、認証用の画像の波長は可視光に限定されず、紫外線や近赤外などの他の波長で撮影された画像であってもよい。また、入力画像の色を表すチャネル数も特に限定しない。
【0157】
図１８に示す構成で、特徴量変換学習装置４１２は、画像バッチ取得部４１３と、特徴量抽出部１０４と、特徴量変換部１０５と、損失関数計算部２０３と、学習制御部２０８とを備える。損失関数計算部２０３は、再構成損失計算部２０４と、特徴判別部２０５と、敵対損失計算部２０６と、類似度損失計算部２０７とを備える。
【0158】
第１０実施形態に係る特徴量変換学習装置４１２の構成は、第６実施形態に係る特徴量変換学習装置４１２の構成と同様である。図１８の各部のうち図１４の各部に対応して同様の機能を有する部分には同一の符号（１０４、１０５、２０３－２０８、３１２、４１２、４１３）を付して、ここでは詳細な説明を省略する。
【0159】
第１０実施形態では、特徴量変換学習装置４１２が取得する訓練データに含まれる画像が、第６実施形態の場合と異なる。
第６実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、眼鏡着用時の虹彩の画像および裸眼の虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
第６実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、眼鏡着用時の虹彩の画像および裸眼の虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
【0160】
これに対し、第１０実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、可視光以外の光で撮影された虹彩の画像および可視光で撮影された虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。可視光以外の光で撮影された虹彩の画像および可視光で撮影された虹彩の画像として、同一人物、かつ、同じ解像度の画像を用いる。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる可視光以外の光で撮影された虹彩の画像は第１画像の例に該当し、可視光で撮影された虹彩の画像は第２画像の例に該当する。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる可視光以外の光で撮影された虹彩の画像は第１画像の例に該当し、可視光で撮影された虹彩の画像は第２画像の例に該当する。
【0161】
第１０実施形態では、画像バッチ取得部２０１は、可視光で撮影された虹彩の画像と、可視光以外の光で撮影された虹彩の画像とを、それぞれ特徴量抽出部１０４へ出力する。特徴量抽出部１０４は、可視光で撮影された虹彩の画像の特徴量と、可視光以外の光で撮影された虹彩の画像の特徴量とを抽出する。
可視光以外の光で撮影された虹彩の画像の特徴量は、第１特徴量の例に該当する。可視光で撮影された虹彩の画像の特徴量は、第２特徴量の例に該当する。
可視光以外の光で撮影された虹彩の画像の特徴量は、第１特徴量の例に該当する。可視光で撮影された虹彩の画像の特徴量は、第２特徴量の例に該当する。
【0162】
特徴量変換部１０５は、可視光で撮影された虹彩の画像の特徴量の入力を受けて、可視光以外の光で撮影された虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。可視光で撮影された虹彩の画像の特徴量からの変換後の特徴量は、第３特徴量の例に該当する。損失関数計算部２０３は、特徴量変換部１０５による変換後の特徴量と、可視光以外の光で撮影された虹彩の画像の特徴量とに基づく損失を計算する。
【0163】
学習制御部２０８は、損失関数計算部２０３が計算する損失に基づいて、特徴量変換部１０５、特徴判別部２０５それぞれの機械学習モデルパラメータ値を更新する。学習制御部２０８は、特徴量変換部１０５による変換後の特徴量と、可視光以外の光で撮影された虹彩の画像の特徴量との相違が小さくなるように、上記の機械学習モデルパラメータ値を更新する。
【0164】
以上のように、画像バッチ取得部４１３は、可視光以外の光で撮影された虹彩の画像である第１画像と、可視光で撮影された虹彩の画像である第２画像とを取得する。特徴量抽出部１０４は、第１画像の特徴量である第１特徴量、および、第２画像の特徴量である第２特徴量を抽出する。特徴量変換部１０５は、第２特徴量を第３特徴量に変換する。学習制御部２０８は、第１特徴量と第３特徴量との比較結果に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。
【0165】
第１０実施形態に係る特徴量変換学習装置４１２によれば、特徴量変換部１０５に対して、可視光で撮影された虹彩の画像の特徴量を、可視光以外の光で撮影された虹彩の画像の特徴量に近付ける変換を行うように、学習を行わせることができる。認証装置４１１が、この特徴量変換部１０５を用いて認証を行うことで、比較用画像が可視光以外の光で撮影されている場合でも、可視光で撮影された画像を用いて、虹彩認証を比較的高精度に行えると期待される。
【0166】
＜第１１実施形態＞
図１９は、第１１実施形態に係る認証装置の構成例を示す図である。図１９に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
図１９は、第１１実施形態に係る認証装置の構成例を示す図である。図１９に示す構成で、認証装置４１１は、認証対象画像取得部１０１と、比較用画像取得部１０２と、特徴量抽出部１０４と、特徴量変換部１０５と、特徴量比較部１０６とを備える。
【0167】
第１１実施形態に係る認証装置４１１の構成は、第５実施形態に係る認証装置４１１の構成と同様である。図１９の各部のうち図１３の各部に対応して同様の機能を有する部分には同一の符号（１０１、１０２、１０４、１０５、１０６、４１１）を付して、ここでは詳細な説明を省略する。
【0168】
第１１実施形態では、認証装置４１１が認証に用いる画像が、第５実施形態の場合と異なる。第５実施形態の認証装置４１１は、認証対象画像として眼鏡着用時の虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の裸眼の虹彩の画像を取得する。これに対し、第１１実施形態の認証装置４１１は、認証対象画像として画像のピントがぼけている虹彩の画像を取得し、比較用画像として認証対象画像と同じ解像度の、画像のピントが合っている虹彩の画像を取得する。
ピントが合っていることをピント位置とも称する。ピントがぼけていることをピント位置外とも称する。
ピントが合っていることをピント位置とも称する。ピントがぼけていることをピント位置外とも称する。
【0169】
第１１実施形態の認証装置４１１では、特徴量抽出部１０４は、認証対象画像の特徴量を、画像のピントが合っている虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量抽出部１０４が、認証時に比較用画像の特徴量を抽出するようにしてもよい。あるいは、認証装置１００が、比較用画像の特徴量を予め記憶しておくようにしてもよい。
第９実施形態の認証装置４１１では、特徴量変換部１０５は、画像のピントがぼけている虹彩の画像の特徴量の入力を受けて、画像のピントが合っている虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、画像のピントがぼけている虹彩の画像の特徴量からの変換後の特徴量と、画像のピントが合っている虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、画像のピントがぼけている虹彩の画像は第１学習用画像の例に該当し、画像のピントが合っている虹彩の画像は第２学習用画像の例に該当する。第１２実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
第９実施形態の認証装置４１１では、特徴量変換部１０５は、画像のピントがぼけている虹彩の画像の特徴量の入力を受けて、画像のピントが合っている虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。特徴量変換部１０５の機械学習パラメータ値は、画像のピントがぼけている虹彩の画像の特徴量からの変換後の特徴量と、画像のピントが合っている虹彩の画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた学習によって調整される。この場合の、画像のピントがぼけている虹彩の画像は第１学習用画像の例に該当し、画像のピントが合っている虹彩の画像は第２学習用画像の例に該当する。第１２実施形態に係る特徴量変換学習装置４１２が、この学習を行う。
【0170】
以上のように、認証対象画像取得部１０１は、認証対象画像として画像のピントがぼけている虹彩の画像を取得する。特徴量抽出部１０４は、認証対象画像の特徴量を、画像のピントが合っている虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量変換部１０５は、画像のピントがぼけている虹彩の画像である第１学習用画像の特徴量からの変換後の特徴量と、画像のピントが合っている虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、認証対象画像の特徴量を変換する。特徴量比較部１０６は、特徴量変換部１０５による変換後の特徴量と、比較用画像の特徴量とを比較する。
【0171】
第１１実施形態に係る認証装置４１１によれば、画像のピントがぼけている虹彩の画像の特徴量を、画像のピントが合っている虹彩の画像の特徴量に近付けることができると期待される。第１１実施形態に係る認証装置４１１によれば、この点で、画像のピントがぼけている虹彩の画像を認証対象画像として用いる場合でも、虹彩認証を比較的高精度に行えると期待される。
【0172】
＜第１２実施形態＞
図２０は、第１２実施形態に係る特徴量変換学習装置の構成例を示す図である。第１２実施形態の特徴量変換学習装置４１２は、第１１実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
図２０は、第１２実施形態に係る特徴量変換学習装置の構成例を示す図である。第１２実施形態の特徴量変換学習装置４１２は、第１１実施形態の認証装置４１１の特徴量変換部１０５の学習を行う。
【0173】
図２０に示す構成で、特徴量変換学習装置４１２は、画像バッチ取得部４１３と、特徴量抽出部１０４と、特徴量変換部１０５と、損失関数計算部２０３と、学習制御部２０８とを備える。損失関数計算部２０３は、再構成損失計算部２０４と、特徴判別部２０５と、敵対損失計算部２０６と、類似度損失計算部２０７とを備える。
【0174】
第１２実施形態に係る特徴量変換学習装置４１２の構成は、第６実施形態に係る特徴量変換学習装置４１２の構成と同様である。図２０の各部のうち図１４の各部に対応して同様の機能を有する部分には同一の符号（１０４、１０５、２０３－２０８、３１２、４１２、４１３）を付して、ここでは詳細な説明を省略する。
【0175】
第１２実施形態では、特徴量変換学習装置４１２が取得する訓練データに含まれる画像が、第６実施形態の場合と異なる。
第６実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、眼鏡着用時の虹彩の画像および裸眼の虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
第６実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、眼鏡着用時の虹彩の画像および裸眼の虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。
【0176】
これに対し、第１２実施形態では、特徴量変換学習装置４１２の画像バッチ取得部４１３は、画像のピントがぼけている虹彩の画像および画像のピントが合っている虹彩の画像と、それらの画像のクラス分類における正解クラスを示すクラスラベルとの組合せが複数含まれる訓練データを取得する。画像のピントがぼけている虹彩の画像および画像のピントが合っている虹彩の画像として、同一人物、かつ、同じ解像度の画像を用いる。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる画像のピントが合っている虹彩の画像は第１画像の例に該当し、画像のピントがぼけている虹彩の画像は第２画像の例に該当する。
画像バッチ取得部４１３は、画像取得部の例に該当する。訓練データに含まれる画像のピントが合っている虹彩の画像は第１画像の例に該当し、画像のピントがぼけている虹彩の画像は第２画像の例に該当する。
【0177】
第１２実施形態では、画像バッチ取得部２０１は、画像のピントがぼけている虹彩の画像と、画像のピントが合っている虹彩の画像とを、それぞれ特徴量抽出部１０４へ出力する。特徴量抽出部１０４は、画像のピントがぼけている虹彩の画像の特徴量と、画像のピントが合っている虹彩の画像の特徴量とを抽出する。
画像のピントが合っている虹彩の画像の特徴量は、第１特徴量の例に該当する。画像のピントがぼけている虹彩の画像の特徴量は、第２特徴量の例に該当する。
画像のピントが合っている虹彩の画像の特徴量は、第１特徴量の例に該当する。画像のピントがぼけている虹彩の画像の特徴量は、第２特徴量の例に該当する。
【0178】
特徴量変換部１０５は、画像のピントがぼけている虹彩の画像の特徴量の入力を受けて、画像のピントが合っている虹彩の画像の特徴量との相違が小さくなるように、特徴量の変換を行う。画像のピントがぼけている虹彩の画像の特徴量からの変換後の特徴量は、第３特徴量の例に該当する。損失関数計算部２０３は、特徴量変換部１０５による変換後の特徴量と、画像のピントが合っている虹彩の画像の特徴量とに基づく損失を計算する。
【0179】
学習制御部２０８は、損失関数計算部２０３が計算する損失に基づいて、特徴量変換部１０５、特徴判別部２０５それぞれの機械学習モデルパラメータ値を更新する。学習制御部２０８は、特徴量変換部１０５による変換後の特徴量と、画像のピントが合っている虹彩の画像の特徴量との相違が小さくなるように、上記の機械学習モデルパラメータ値を更新する。
【0180】
以上のように、画像バッチ取得部４１３は、画像のピントが合っている虹彩の画像である第１画像と、画像のピントがぼけている虹彩の画像である第２画像とを取得する。特徴量抽出部１０４は、第１画像の特徴量である第１特徴量、および、第２画像の特徴量である第２特徴量を抽出する。特徴量変換部１０５は、第２特徴量を第３特徴量に変換する。学習制御部２０８は、第１特徴量と第３特徴量との比較結果に基づいて、特徴量変換部１０５に特徴量変換方法の学習を行わせる。
【0181】
第１２実施形態に係る特徴量変換学習装置４１２によれば、特徴量変換部１０５に対して、画像のピントがぼけている虹彩の画像の特徴量を、画像のピントが合っている虹彩の画像の特徴量に近付ける変換を行うように、学習を行わせることができる。認証装置４１１が、この特徴量変換部１０５を用いて認証を行うことで、画像のピントがぼけている画像を認証対象画像として用いる場合でも、虹彩認証を比較的高精度に行えると期待される。
【0182】
＜第１３実施形態＞
図２１は、第１３実施形態に係る特徴量変換学習装置の構成例を示す図である。図２１に示す構成で、特徴量変換学習装置６１０は、画像取得部６１１と、画像縮小部６１２と、画像拡大部６１３と、特徴量抽出部６１４と、特徴量変換部６１５と、学習制御部６１６とを備える。
図２１は、第１３実施形態に係る特徴量変換学習装置の構成例を示す図である。図２１に示す構成で、特徴量変換学習装置６１０は、画像取得部６１１と、画像縮小部６１２と、画像拡大部６１３と、特徴量抽出部６１４と、特徴量変換部６１５と、学習制御部６１６とを備える。
【0183】
かかる構成で、画像取得部６１１は、第１画像を取得する。画像縮小部６１２は、第１画像を、第１画像よりも解像度が低い第２画像に縮小する。画像拡大部６１３は、第２画像を第１画像と同じ解像度の第３画像に拡大する。特徴量抽出部６１４は、第１画像の特徴量である第１特徴量、および、第３画像の特徴量である第２特徴量を抽出する。特徴量変換部６１５は、第２特徴量を第３特徴量に変換する。学習制御部６１６は第１特徴量と第３特徴量との比較結果に基づいて、特徴量変換部６１５に特徴量変換方法の学習を行わせる。
【0184】
画像取得部６１１は、画像取得手段の例に該当する。画像縮小部６１２は、像縮小手段の例に該当する。画像拡大部６１３は、画像拡大手段の例に該当する。特徴量抽出部６１４は、特徴量抽出手段の例に該当する。特徴量変換部６１５は、特徴量変換手段の例に該当する。学習制御部６１６は学習制御手段の例に該当する。
【0185】
特徴量変換学習装置６１０では、特徴量変換部６１５の学習を行うことで、特徴量変換部６１５が、縮小画像を拡大した画像の特徴量を高解像度画像の特徴量に近づけることができる。学習済みの特徴量変換部６１５を用いる認証装置が、低解像度画像の入力を受けた場合でも比較的高精度に認証を行えることが期待される。
【0186】
＜第１４実施形態＞
図２２は、第１４実施形態に係る認証装置の構成例を示す図である。図２２に示す構成で、認証装置６２０は、認証対象画像取得部６２１と、画像拡大部６２２と、特徴量抽出部６２３と、特徴量変換部６２４と、特徴量比較部６２５とを備える。
図２２は、第１４実施形態に係る認証装置の構成例を示す図である。図２２に示す構成で、認証装置６２０は、認証対象画像取得部６２１と、画像拡大部６２２と、特徴量抽出部６２３と、特徴量変換部６２４と、特徴量比較部６２５とを備える。
【0187】
かかる構成で、認証対象画像取得部６２１は、認証対象画像を取得する。画像拡大部６２２は、認証対象画像を拡大する。特徴量抽出部６２３は、認証対象画像の拡大画像の特徴量を、認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量変換部６２４は、学習用画像の特徴量からの変換後の特徴量と、学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、認証対象画像の拡大画像の特徴量を変換する。特徴量比較部６２５は、特徴量変換部６２４による変換後の特徴量と、比較用画像の特徴量とを比較する。
【0188】
認証対象画像取得部６２１は、認証対象画像取得手段の例に該当する。画像拡大部６２２は、画像拡大手段の例に該当する。特徴量抽出部６２３は、特徴量抽出手段の例に該当する。特徴量変換部６２４は、特徴量変換手段の例に該当する。特徴量比較部６２５は、特徴量比較手段の例に該当する。
【0189】
認証装置６２０によれば、低解像度画像を拡大して特徴量を抽出し、抽出した特徴量を変換することで、低解像度画像である認証対象画像の特徴量として、高解像度画像である比較用画像の特徴量と比較可能な特徴量を得られる。認証装置６２０によれば、この点で、入力画像が低解像度画像であっても認証を行うことができる。
【0190】
また、特徴量変換部６２４が行う特徴量の変換によって、拡大された認証対象画像の特徴量から、認証対象画像がより高解像度に撮影された場合の特徴量に近付くことが期待される。認証装置６２０によれば、この点で、認証を高精度に行えると期待される。
また、認証装置６２０によれば、低解像度画像を用いて虹彩認証を行うことができる。これにより、認証装置６２０では、高解像度のカメラを必要とせずに、１つの顔画像を用いて、顔認証と虹彩認証とを併用することができ、認証精度の向上が期待される。
また、認証装置６２０によれば、低解像度画像を用いて虹彩認証を行うことができる。これにより、認証装置６２０では、高解像度のカメラを必要とせずに、１つの顔画像を用いて、顔認証と虹彩認証とを併用することができ、認証精度の向上が期待される。
【0191】
＜第１５実施形態＞
図２３は、第１５実施形態に係る特徴量変換学習方法における処理の手順の例を示すフローチャートである。図２３に示す特徴量変換学習方法は、画像を取得すること（ステップＳ６１１）と、画像を縮小すること（ステップＳ６１２）と、画像を拡大すること（ステップＳ６１３）と、特徴量を抽出すること（ステップＳ６１４）と、特徴量を変換すること（ステップＳ６１５）と、学習を制御すること（ステップＳ６１６）とを含む。
図２３は、第１５実施形態に係る特徴量変換学習方法における処理の手順の例を示すフローチャートである。図２３に示す特徴量変換学習方法は、画像を取得すること（ステップＳ６１１）と、画像を縮小すること（ステップＳ６１２）と、画像を拡大すること（ステップＳ６１３）と、特徴量を抽出すること（ステップＳ６１４）と、特徴量を変換すること（ステップＳ６１５）と、学習を制御すること（ステップＳ６１６）とを含む。
【0192】
画像を取得すること（ステップＳ６１１）では、第１画像を取得する。画像を縮小すること（ステップＳ６１２）では、第１画像を、第１画像よりも解像度が低い第２画像に縮小する。画像を拡大すること（ステップＳ６１３）では、第２画像を第１画像と同じ解像度の第３画像に拡大する。特徴量を抽出すること（ステップＳ６１４）では、第１画像の特徴量である第１特徴量、および、第３画像の特徴量である第２特徴量を抽出する。特徴量を変換すること（ステップＳ６１５）では、第２特徴量を第３特徴量に変換する。学習を制御すること（ステップＳ６１６）では、第１特徴量と第３特徴量との比較結果に基づいて、第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行う。
【0193】
図２３に示す特徴量変換学習方法によれば、特徴量変換方法の学習を行うことで、特徴量変換によって、縮小画像を拡大した画像の特徴量を高解像度画像の特徴量に近づけることができる。学習済みの特徴量変換方法を用いる認証において、低解像度画像の入力を受けた場合でも比較的高精度に認証を行えることが期待される。
【0194】
＜第１６実施形態＞
図２４は、第１６実施形態に係る認証方法における処理の手順の例を示すフローチャートである。図２４に示す認証方法は、認証対象画像を取得すること（ステップＳ６２１）と、画像を拡大すること（ステップＳ６２２）と、特徴量を抽出すること（ステップＳ６２３）と、特徴量を変換すること（ステップＳ６２４）と、特徴量を比較すること（ステップＳ６２５）とを含む。
図２４は、第１６実施形態に係る認証方法における処理の手順の例を示すフローチャートである。図２４に示す認証方法は、認証対象画像を取得すること（ステップＳ６２１）と、画像を拡大すること（ステップＳ６２２）と、特徴量を抽出すること（ステップＳ６２３）と、特徴量を変換すること（ステップＳ６２４）と、特徴量を比較すること（ステップＳ６２５）とを含む。
【0195】
認証対象画像を取得すること（ステップＳ６２１）では、認証対象画像を取得する。画像を拡大すること（ステップＳ６２２）では、認証対象画像を拡大する。特徴量を抽出すること（ステップＳ６２３）では、認証対象画像の拡大画像の特徴量を、認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する。特徴量を変換すること（ステップＳ６２４）では、学習用画像の特徴量からの変換後の特徴量と、学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、認証対象画像の拡大画像の特徴量を変換する。特徴量を比較すること（ステップＳ６２５）では、認証対象画像の拡大画像の特徴量からの変換後の特徴量と、比較用画像の特徴量とを比較する。
【0196】
図２４に示す認証方法によれば、低解像度画像を拡大して特徴量を抽出し抽出した特徴量を変換することで、低解像度画像である認証対象画像の特徴量として、高解像度画像である比較用画像の特徴量と比較可能な特徴量を得られる。図２４に示す認証方法によれば、この点で、入力画像が低解像度画像であっても認証を行うことができる。
【0197】
また、特徴量の変換によって、拡大された認証対象画像の特徴量から、認証対象画像がより高解像度に撮影された場合の特徴量に近付くことが期待される。図２４に示す認証方法によれば、この点で、認証を高精度に行えると期待される。
また、図２４に示す認証方法によれば、低解像度画像を用いて虹彩認証を行うことができる。これにより、認証装置１００では、高解像度のカメラを必要とせずに、１つの顔画像を用いて、顔認証と虹彩認証とを併用することができ、認証精度の向上が期待される。
また、図２４に示す認証方法によれば、低解像度画像を用いて虹彩認証を行うことができる。これにより、認証装置１００では、高解像度のカメラを必要とせずに、１つの顔画像を用いて、顔認証と虹彩認証とを併用することができ、認証精度の向上が期待される。
【0198】
＜第１７実施形態＞
第１７実施形態に係る認証装置６２０の構成は、第１４実施形態に係る認証装置６２０の構成と同様である。
第１７実施形態に係る認証装置６２０はさらに高解像度画像の特徴量または超解像特徴量の入力を受けて、入力された特徴量が超解像特徴量か否かを判定する特徴判別部を備える。かかる構成で、特徴判別部が、特徴量変換部６１５によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数に基づいて、特徴量変換部６１５に特徴量変換方法の学習を行わせる。
第１７実施形態に係る認証装置６２０の構成は、第１４実施形態に係る認証装置６２０の構成と同様である。
第１７実施形態に係る認証装置６２０はさらに高解像度画像の特徴量または超解像特徴量の入力を受けて、入力された特徴量が超解像特徴量か否かを判定する特徴判別部を備える。かかる構成で、特徴判別部が、特徴量変換部６１５によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数に基づいて、特徴量変換部６１５に特徴量変換方法の学習を行わせる。
【0199】
＜第１８実施形態＞
第１８実施形態に係る認証装置６２０の構成は、第１４実施形態または第１７実施形態に係る認証装置６２０の構成と同様である。
第１８実施形態に係る認証装置６２０では、学習制御部６１６は、高解像度画像の特徴量と超解像特徴量とが類似するほど損失が小さくなる損失関数に基づいて、特徴量変換部６１５に特徴量変換方法の学習を行わせる。
第１８実施形態に係る認証装置６２０の構成は、第１４実施形態または第１７実施形態に係る認証装置６２０の構成と同様である。
第１８実施形態に係る認証装置６２０では、学習制御部６１６は、高解像度画像の特徴量と超解像特徴量とが類似するほど損失が小さくなる損失関数に基づいて、特徴量変換部６１５に特徴量変換方法の学習を行わせる。
【0200】
＜第１９実施形態＞
第１９実施形態に係る認証装置６２０の構成は、第１４実施形態、第１７実施形態または第１８実施形態に係る認証装置６２０の構成と同様である。
第１９実施形態に係る認証装置６２０では、学習制御部６１６は、超解像特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数に基づいて、特徴量変換部６１５に特徴量変換方法の学習を行わせる。
第１９実施形態に係る認証装置６２０の構成は、第１４実施形態、第１７実施形態または第１８実施形態に係る認証装置６２０の構成と同様である。
第１９実施形態に係る認証装置６２０では、学習制御部６１６は、超解像特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数に基づいて、特徴量変換部６１５に特徴量変換方法の学習を行わせる。
【0201】
＜第２０実施形態＞
第２０実施形態に係る認証装置６２０の構成は、第１４実施形態、第１７実施形態、第１８実施形態または第１９実施形態に係る認証装置６２０の構成と同様である。
第２０実施形態に係る認証装置６２０では、画像縮小部６１２は、高解像度画像を、乱数を用いて決定したサイズに縮小して縮小画像を生成する。
第２０実施形態に係る認証装置６２０の構成は、第１４実施形態、第１７実施形態、第１８実施形態または第１９実施形態に係る認証装置６２０の構成と同様である。
第２０実施形態に係る認証装置６２０では、画像縮小部６１２は、高解像度画像を、乱数を用いて決定したサイズに縮小して縮小画像を生成する。
【0202】
図２５は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
図２５に示す構成において、コンピュータ７００は、ＣＰＵ（Central Processing Unit、中央処理装置）７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０とを備える。
図２５に示す構成において、コンピュータ７００は、ＣＰＵ（Central Processing Unit、中央処理装置）７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０とを備える。
【0203】
上記の認証装置１００、特徴量変換学習装置２００、認証装置４１１、特徴量変換学習装置４１２、特徴量変換学習装置６１０、および、認証装置６２０のうち何れか１つ以上またはその一部が、コンピュータ７００に実装されてもよい。その場合、上述した各処理部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ７１０は、プログラムに従って、上述した各記憶部に対応する記憶領域を主記憶装置７２０に確保する。各装置と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。
【0204】
認証装置１００がコンピュータ７００に実装される場合、認証対象画像取得部１０１、比較用画像取得部１０２、画像拡大部１０３、特徴量抽出部１０４、特徴量変換部１０５、および、特徴量比較部１０６の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0205】
また、ＣＰＵ７１０は、プログラムに従って、認証装置１００の処理のための記憶領域を主記憶装置７２０に確保する。認証装置１００と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。認証装置１００とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0206】
特徴量変換学習装置２００がコンピュータ７００に実装される場合、画像バッチ取得部２０１、画像縮小部２０２、画像拡大部１０３、特徴量抽出部１０４、特徴量変換部１０５、損失関数計算部２０３、学習制御部２０８、および、それらの各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0207】
また、ＣＰＵ７１０は、プログラムに従って、特徴量変換学習装置２００の処理のための記憶領域を主記憶装置７２０に確保する。特徴量変換学習装置２００と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。特徴量変換学習装置２００とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0208】
認証装置４１１がコンピュータ７００に実装される場合、認証対象画像取得部１０１、比較用画像取得部１０２、特徴量抽出部１０４、特徴量変換部１０５、および、特徴量比較部１０６の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0209】
また、ＣＰＵ７１０は、プログラムに従って、認証装置４１１の処理のための記憶領域を主記憶装置７２０に確保する。認証装置４１１と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。認証装置４１１とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0210】
特徴量変換学習装置４１２がコンピュータ７００に実装される場合、画像バッチ取得部４１３、特徴量抽出部１０４、特徴量変換部１０５、損失関数計算部２０３、学習制御部２０８、および、それらの各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0211】
また、ＣＰＵ７１０は、プログラムに従って、特徴量変換学習装置４１２の処理のための記憶領域を主記憶装置７２０に確保する。特徴量変換学習装置４１２と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。特徴量変換学習装置４１２とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0212】
特徴量変換学習装置６１０がコンピュータ７００に実装される場合、画像取得部６１１、画像縮小部６１２、画像拡大部６１３、特徴量抽出部６１４、特徴量変換部６１５、および、学習制御部６１６の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0213】
また、ＣＰＵ７１０は、プログラムに従って、特徴量変換学習装置６１０の処理のための記憶領域を主記憶装置７２０に確保する。特徴量変換学習装置６１０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。特徴量変換学習装置６１０とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0214】
認証装置６２０がコンピュータ７００に実装される場合、認証対象画像取得部６２１、画像拡大部６２２、特徴量抽出部６２３、特徴量変換部６２４、および、特徴量比較部６２５の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0215】
また、ＣＰＵ７１０は、プログラムに従って、認証装置６２０の処理のための記憶領域を主記憶装置７２０に確保する。認証装置６２０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。認証装置６２０とユーザとのインタラクションは、インタフェース７４０が表示装置および入力デバイスを備え、ＣＰＵ７１０の制御に従って各種画像の表示を行い、ユーザ操作を受け付けることで実行される。
【0216】
なお、認証装置１００、特徴量変換学習装置２００、認証装置４１１、特徴量変換学習装置４１２、特徴量変換学習装置６１０、および、認証装置６２０が行う処理の全部または一部を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳ（Operating System）や周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
【0217】
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【0218】
上記の実施形態の一部または全部は、以下の付記のようにも記載され得るが、以下には限定されない。
【0219】
（付記１）
第１画像を取得する画像取得手段と、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記２）
前記第１特徴量または前記第３特徴量の入力を受けて、入力された特徴量が、特徴量変換手段によって変換された特徴量か否かを判定する特徴判別手段をさらに備え、
前記学習制御手段は、前記特徴判別手段が、特徴量変換手段によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
付記１に記載の特徴量変換学習装置。
（付記３）
前記学習制御手段は、前記第１特徴量と前記第３特徴量とが類似するほど損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
付記１または付記２に記載の特徴量変換学習装置。
（付記４）
前記学習制御手段は、前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
付記１から３の何れか一つに記載の特徴量変換学習装置。
（付記５）
前記画像縮小手段は、前記第１画像を、乱数を用いて決定したサイズに縮小して前記第２画像を生成する
付記１から４の何れか一つに記載の特徴量変換学習装置。
（付記６）
前記特徴量抽出手段は、
特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段
を備える、付記１から５の何れか一つに記載の特徴量変換学習装置。
（付記７）
前記特徴量変換手段は、前記特徴量抽出手段が生成する中間特徴量に対して特徴量の変換を行う、
付記１から６の何れか一つに記載の特徴量変換学習装置。
（付記８）
認証対象画像を取得する認証対象画像取得手段と、
前記認証対象画像を拡大する画像拡大手段と、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記９）
裸眼の虹彩の画像である第１画像と、眼鏡着用時の前記虹彩の画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１０）
認証対象画像として眼鏡着用時の虹彩の画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、裸眼の虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
眼鏡着用時の虹彩の画像である第１学習用画像の特徴量からの変換後の特徴量と、裸眼の虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１１）
虹彩を正面から撮影した画像である第１画像と、前記虹彩を斜めから撮影した画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１２）
認証対象画像として虹彩を斜めから撮影した画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、虹彩を正面から撮影した画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
虹彩を斜めから撮影した画像である第１学習用画像の特徴量からの変換後の特徴量と、虹彩を正面から撮影した画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１３）
可視光以外の光で虹彩を撮影した画像である第１画像と、可視光で前記虹彩を撮影した画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１４）
認証対象画像として可視光で虹彩を撮影した画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、可視光以外の光で虹彩を撮影した画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
可視光で虹彩を撮影した画像である第１学習用画像の特徴量からの変換後の特徴量と、可視光以外の光で虹彩を撮影した画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１５）
ピントが合った状態で撮影された虹彩の画像である第１画像と、ピントがぼけた状態で撮影された虹彩の画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１６）
認証対象画像としてピントがぼけた状態で撮影された虹彩の画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、ピントが合った状態で撮影された虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
ピントがぼけた状態で虹彩が撮影された画像である第１学習用画像の特徴量からの変換後の特徴量と、ピントが合った状態で撮影された虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１７）
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を含む特徴量変換学習方法。
（付記１８）
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を含む認証方法。
（付記１９）
コンピュータに、
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を実行させるためプログラムを記録する記録媒体。
（付記２０）
コンピュータに、
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を実行させるためプログラムを記録する記録媒体。
第１画像を取得する画像取得手段と、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記２）
前記第１特徴量または前記第３特徴量の入力を受けて、入力された特徴量が、特徴量変換手段によって変換された特徴量か否かを判定する特徴判別手段をさらに備え、
前記学習制御手段は、前記特徴判別手段が、特徴量変換手段によって変換された特徴量とそれ以外の特徴量とを区別できない場合に損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
付記１に記載の特徴量変換学習装置。
（付記３）
前記学習制御手段は、前記第１特徴量と前記第３特徴量とが類似するほど損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
付記１または付記２に記載の特徴量変換学習装置。
（付記４）
前記学習制御手段は、前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる、
付記１から３の何れか一つに記載の特徴量変換学習装置。
（付記５）
前記画像縮小手段は、前記第１画像を、乱数を用いて決定したサイズに縮小して前記第２画像を生成する
付記１から４の何れか一つに記載の特徴量変換学習装置。
（付記６）
前記特徴量抽出手段は、
特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段
を備える、付記１から５の何れか一つに記載の特徴量変換学習装置。
（付記７）
前記特徴量変換手段は、前記特徴量抽出手段が生成する中間特徴量に対して特徴量の変換を行う、
付記１から６の何れか一つに記載の特徴量変換学習装置。
（付記８）
認証対象画像を取得する認証対象画像取得手段と、
前記認証対象画像を拡大する画像拡大手段と、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記９）
裸眼の虹彩の画像である第１画像と、眼鏡着用時の前記虹彩の画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１０）
認証対象画像として眼鏡着用時の虹彩の画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、裸眼の虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
眼鏡着用時の虹彩の画像である第１学習用画像の特徴量からの変換後の特徴量と、裸眼の虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１１）
虹彩を正面から撮影した画像である第１画像と、前記虹彩を斜めから撮影した画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１２）
認証対象画像として虹彩を斜めから撮影した画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、虹彩を正面から撮影した画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
虹彩を斜めから撮影した画像である第１学習用画像の特徴量からの変換後の特徴量と、虹彩を正面から撮影した画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１３）
可視光以外の光で虹彩を撮影した画像である第１画像と、可視光で前記虹彩を撮影した画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１４）
認証対象画像として可視光で虹彩を撮影した画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、可視光以外の光で虹彩を撮影した画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
可視光で虹彩を撮影した画像である第１学習用画像の特徴量からの変換後の特徴量と、可視光以外の光で虹彩を撮影した画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１５）
ピントが合った状態で撮影された虹彩の画像である第１画像と、ピントがぼけた状態で撮影された虹彩の画像である第２画像とを取得する画像取得手段と、
前記第１画像の特徴量である第１特徴量、および、前記第２画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備える特徴量変換学習装置。
（付記１６）
認証対象画像としてピントがぼけた状態で撮影された虹彩の画像を取得する認証対象画像取得手段と、
前記認証対象画像の特徴量を、ピントが合った状態で撮影された虹彩の画像である比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
ピントがぼけた状態で虹彩が撮影された画像である第１学習用画像の特徴量からの変換後の特徴量と、ピントが合った状態で撮影された虹彩の画像である第２学習用画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備える認証装置。
（付記１７）
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を含む特徴量変換学習方法。
（付記１８）
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を含む認証方法。
（付記１９）
コンピュータに、
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を実行させるためプログラムを記録する記録媒体。
（付記２０）
コンピュータに、
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を実行させるためプログラムを記録する記録媒体。
【産業上の利用可能性】
【0220】
この開示は、特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法および記録媒体に適用してもよい。
【符号の説明】
【0221】
１００、４１１、６２０ 認証装置
１０１ 認証対象画像取得部
１０２ 比較用画像取得部
１０３、６１３、６２２ 画像拡大部
１０４、１１４、６１４、６２３ 特徴量抽出部
１０５、６１５、６２４ 特徴量変換部
１０６、６２５ 特徴量比較部
１１４ａ 第１特徴量抽出部
１１４ｂ 第２特徴量抽出部
２００、４１２、６１０ 特徴量変換学習装置
２０１、４１３ 画像バッチ取得部
２０２、６１２ 画像縮小部
２０３ 損失関数計算部
２０４ 再構成損失計算部
２０５ 特徴判別部
２０６ 敵対損失計算部
２０７ 類似度損失計算部
２０８、６１６ 学習制御部
３０１、３０３、３０４ アテンション処理部
３０２ アテンションブロック
３１１、３１１ａ、３１１ｂ ２次元畳み込み演算部
３１２ 関数計算部
３１３ 乗算部
３２１ チャネル分離部
３２２ チャネル結合部
３４１ アテンションマップ取得部
６１１ 画像取得部
１０１ 認証対象画像取得部
１０２ 比較用画像取得部
１０３、６１３、６２２ 画像拡大部
１０４、１１４、６１４、６２３ 特徴量抽出部
１０５、６１５、６２４ 特徴量変換部
１０６、６２５ 特徴量比較部
１１４ａ 第１特徴量抽出部
１１４ｂ 第２特徴量抽出部
２００、４１２、６１０ 特徴量変換学習装置
２０１、４１３ 画像バッチ取得部
２０２、６１２ 画像縮小部
２０３ 損失関数計算部
２０４ 再構成損失計算部
２０５ 特徴判別部
２０６ 敵対損失計算部
２０７ 類似度損失計算部
２０８、６１６ 学習制御部
３０１、３０３、３０４ アテンション処理部
３０２ アテンションブロック
３１１、３１１ａ、３１１ｂ ２次元畳み込み演算部
３１２ 関数計算部
３１３ 乗算部
３２１ チャネル分離部
３２２ チャネル結合部
３４１ アテンションマップ取得部
６１１ 画像取得部
【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】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【手続補正書】
【提出日】2025-01-07
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
第１画像を取得する画像取得手段と、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備え、
前記特徴量抽出手段は、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段を備える、
特徴量変換学習装置。
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、
前記第２特徴量を第３特徴量に変換する特徴量変換手段と、
前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、
を備え、
前記特徴量抽出手段は、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段を備える、
特徴量変換学習装置。
【請求項2】
前記特徴量変換手段は、前記特徴量抽出手段が生成する中間特徴量に対して特徴量の変換を行う、
請求項１に記載の特徴量変換学習装置。
請求項１に記載の特徴量変換学習装置。
【請求項3】
認証対象画像を取得する認証対象画像取得手段と、
前記認証対象画像を拡大する画像拡大手段と、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備え、
前記特徴量抽出手段は、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段を備える、
認証装置。
前記認証対象画像を拡大する画像拡大手段と、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、
前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、
を備え、
前記特徴量抽出手段は、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段を備える、
認証装置。
【請求項4】
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を含み、
前記第１特徴量、および、前記第３特徴量を抽出することは、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを含む、
特徴量変換学習方法。
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を含み、
前記第１特徴量、および、前記第３特徴量を抽出することは、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを含む、
特徴量変換学習方法。
【請求項5】
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を含み、
前記拡大画像の特徴量を抽出することは、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを含む、
認証方法。
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を含み、
前記拡大画像の特徴量を抽出することは、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを含む、
認証方法。
【請求項6】
コンピュータに、
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を実行させ、
前記第１特徴量、および、前記第３特徴量を抽出することにおいて、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを実行させる
ためプログラム。
第１画像を取得することと、
前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、
前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、
前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、
前記第２特徴量を第３特徴量に変換することと、
前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、
を実行させ、
前記第１特徴量、および、前記第３特徴量を抽出することにおいて、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを実行させる
ためプログラム。
【請求項7】
コンピュータに、
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を実行させ、
前記拡大画像の特徴量を抽出することにおいて、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを実行させる
ためプログラム。
認証対象画像を取得することと、
前記認証対象画像を拡大することと、
前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、
学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、
前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、
を実行させ、
前記拡大画像の特徴量を抽出することにおいて、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを実行させる
ためプログラム。
【手続補正3】
【補正対象書類名】明細書
【補正対象項目名】０００１
【補正方法】変更
【補正の内容】
【0001】
この開示は、特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法およびプログラムに関する。
【手続補正4】
【補正対象書類名】明細書
【補正対象項目名】０００５
【補正方法】変更
【補正の内容】
【0005】
この開示の目的の一例は、上述した課題を解決することのできる特徴量変換学習装置、認証装置、特徴量変換学習方法、認証方法およびプログラムを提供することである。
【手続補正5】
【補正対象書類名】明細書
【補正対象項目名】０００６
【補正方法】変更
【補正の内容】
【0006】
この開示の第一の態様によれば、特徴量変換学習装置は、第１画像を取得する画像取得手段と、前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小する画像縮小手段と、前記第２画像を前記第１画像と同じ解像度の第３画像に拡大する画像拡大手段と、前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出する特徴量抽出手段と、前記第２特徴量を第３特徴量に変換する特徴量変換手段と、前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記特徴量変換手段に特徴量変換方法の学習を行わせる学習制御手段と、を備え、前記特徴量抽出手段は、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段を備える。
【手続補正6】
【補正対象書類名】明細書
【補正対象項目名】０００７
【補正方法】変更
【補正の内容】
【0007】
この開示の第二の態様によれば、認証装置は、認証対象画像を取得する認証対象画像取得手段と、前記認証対象画像を拡大する画像拡大手段と、前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出する特徴量抽出手段と、学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換する特徴量変換手段と、前記特徴量変換手段による変換後の特徴量と、前記比較用画像の特徴量とを比較する特徴量比較手段と、を備え、前記特徴量抽出手段は、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うアテンション処理手段を備える。
【手続補正7】
【補正対象書類名】明細書
【補正対象項目名】０００８
【補正方法】変更
【補正の内容】
【0008】
この開示の第三の態様によれば、特徴量変換学習方法は、第１画像を取得することと、前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、前記第２特徴量を第３特徴量に変換することと、前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、を含み、前記第１特徴量、および、前記第３特徴量を抽出することは、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを含む。
【手続補正8】
【補正対象書類名】明細書
【補正対象項目名】０００９
【補正方法】変更
【補正の内容】
【0009】
この開示の第四の態様によれば、認証方法は、認証対象画像を取得することと、前記認証対象画像を拡大することと、前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、を含み、前記拡大画像の特徴量を抽出することは、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを含む。
【手続補正9】
【補正対象書類名】明細書
【補正対象項目名】００１０
【補正方法】変更
【補正の内容】
【0010】
この開示の第五の態様によれば、プログラムは、コンピュータに、第１画像を取得することと、前記第１画像を、前記第１画像よりも解像度が低い第２画像に縮小することと、前記第２画像を前記第１画像と同じ解像度の第３画像に拡大することと、前記第１画像の特徴量である第１特徴量、および、前記第３画像の特徴量である第２特徴量を抽出することと、前記第２特徴量を第３特徴量に変換することと、前記第３特徴量に基づくクラス分類によるクラスが正解のクラスと一致する場合に損失が小さくなる損失関数を用いて、前記第１特徴量と前記第３特徴量との比較結果に基づいて、前記第２特徴量を第３特徴量に変換する特徴量変換方法の学習を行うことと、を実行させ、前記第１特徴量、および、前記第３特徴量を抽出することにおいて、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを実行させるためプログラムである。
【手続補正10】
【補正対象書類名】明細書
【補正対象項目名】００１１
【補正方法】変更
【補正の内容】
【0011】
この開示の第六の態様によれば、プログラムは、認証対象画像を取得することと、前記認証対象画像を拡大することと、前記認証対象画像の拡大画像の特徴量を、前記認証対象画像よりも解像度が高い比較用画像に対する特徴量抽出方法と同じ方法で抽出することと、学習用画像の特徴量からの変換後の特徴量と、前記学習用画像が縮小された後拡大された劣化画像の特徴量との相違が小さいほど値が小さくなる損失関数を用いた、特徴量変換方法の学習結果に基づいて、前記認証対象画像の拡大画像の特徴量を変換することと、前記認証対象画像の拡大画像の特徴量からの変換後の特徴量と、前記比較用画像の特徴量とを比較することと、を実行させ、
前記拡大画像の特徴量を抽出することにおいて、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを実行させるためプログラムである。
前記拡大画像の特徴量を抽出することにおいて、特徴量抽出対象の画像のうち特定の部分に対応する特徴量を強調する重み付けを行うことを実行させるためプログラムである。