信息处理方法以及信息处理系统技术方案

在信息处理方法中，计算机进行如下处理，即，获得将传感数据输入到通过机器学习训练后且执行识别处理的模型而得到的传感数据上的多个识别结果候选以及多个识别结果候选各自的似然度(S102)，获得指定传感数据之中的分析对象的部分的指示(S103)，根据多个识别结果候选的每一个与部分的关系、以及多个识别结果候选各自的似然度，从多个识别结果候选中选择至少一个识别结果候选(S104)，输出选择出的至少一个识别结果候选(S105)。

Information processing method and information processing system

【技术实现步骤摘要】
【国外来华专利技术】信息处理方法以及信息处理系统
本公开涉及，信息处理方法等。
技术介绍
以往，提出了将深度神经网络的反应可见化的方法(例如，非专利文件1)。(现有技术文献)(非专利文献)非专利文件1：LuisaMZintgraf，其他3名，“VisualizingDeepNeuralNetworkDecisions:PredictionDifferenceAnalysis”，2017年2月15日，https://arxiv.org/pdf/1702.04595.pdf然而，根据物体检测等那样的识别处理，会有不能检测物体的情况，会有难以进行识别处理的输出的分析的情况。
技术实现思路
于是，本公开的目的在于提供，即使在通过识别处理不能检测物体的情况下，也能够进行用于识别处理的输出的分析的信息的输出的信息处理方法等。本公开的一个形态涉及的信息处理方法，计算机进行如下处理，即，获得将传感数据输入到模型而得到的所述传感数据上的多个识别结果候选以及所述多个识别结果候选各自的似然度，所述模型是通过机器学习训练后的模型，并且是执行识别处理的模型，获得指定所述传感数据之中的分析对象的部分的指示，根据所述多个识别结果候选的每一个与所述部分的关系、以及所述多个识别结果候选各自的所述似然度，从所述多个识别结果候选中选择至少一个识别结果候选，输出选择出的所述至少一个识别结果候选。而且，这些总括或具体形态，也可以由系统、装置、方法、集成电路、计算机程序或计算机可读取的CD-ROM等的非暂时性的记录介质实现，也可以由系统、装置、方法、集成电路、计算机程序以及记录介质的任意组合实现。根据本公开的一个形态涉及的信息处理方法等，即使在通过识别处理不能检测物体的情况下，也能够进行用于识别处理的输出的分析的信息的输出。附图说明图1是示出参考例的用于判别处理的输入图像的示意图。图2是示出参考例的通过判别处理得到的判别结果的示意图。图3是示出参考例的用于检测处理的输入图像的示意图。图4是示出参考例的通过检测处理得到的检测结果的示意图。图5是示出参考例的针对判别结果的正的贡献度的示意图。图6是示出参考例的针对判别结果的负的贡献度的示意图。图7是示出实施方式的信息处理系统的结构的框图。图8是示出实施方式的信息处理系统的形态的示意图。图9是示出实施方式的信息处理系统的处理的流程图。图10是示出实施方式的识别部的处理的概念图。图11是示出实施方式的指定部的处理的概念图。图12是示出实施方式的指定部的处理的其他的形态的概念图。图13是示出实施方式的指定部的处理的另外的形态的概念图。图14是示出实施方式的指定部的处理的另外的形态的概念图。图15是示出实施方式的选择部的处理的概念图。图16是示出实施方式的选择部的处理的流程图。图17是示出实施方式的选择部的处理的其他的形态的流程图。图18是示出实施方式的从指定坐标导出分析对象的区域的处理的概念图。图19是示出实施方式的从指定坐标导出分析对象的区域的处理的其他的形态的概念图。图20是示出实施方式的分析部的处理的概念图。具体实施方式(作为本公开的基础的知识)近几年，开始利用神经网络型的识别模型。神经网络是模拟生物的神经的数学模型，该数学模型可以具有多个层。神经网络型的识别模型是，由神经网络构成的模型，也是用于进行识别处理的模型。例如，图像等的传感数据输入到神经网络型的识别模型，由神经网络型的识别模型识别传感数据的内容。并且，通过各种识别模型，进行各种识别处理，这些识别处理，可以分类为判别处理、检测处理、以及分段处理等。例如，通过判别处理，判别传感数据表示什么。判别处理，也表现为分类处理，例如，将传感数据分类为多个种类之中的任意种类。并且，例如，通过检测处理，检测传感数据中表示检测对象的内容的部分。或者，通过检测处理，检测传感数据的哪个部分表示什么。图1是示出参考例的用于判别处理的输入图像的示意图。例如，图1示出的输入图像，输入到进行判别处理的识别模型。图2是示出参考例的通过判别处理得到的判别结果的示意图。例如，图1示出的输入图像，输入到进行判别处理的识别模型，从而得到图2示出的判别结果。具体而言，得到的判别结果是，输入图像表示狗。图3是示出参考例的用于检测处理的输入图像的示意图。例如，图3示出的输入图像，输入到进行检测处理的识别模型。图4是示出参考例的通过检测处理得到的检测结果的示意图。例如，图3示出的输入图像，输入到进行检测处理的识别模型，从而得到图4示出的判别结果。具体而言，得到表示狗的部分以作为判别结果。换句话说，得到的判别结果是，图4的虚线框部分表示狗。并且，提出了为了解析进行传感数据的判别处理的识别模型，而针对判别结果，导出传感数据中包括的多个值各自的贡献度的方法。具体而言，存在PDA(PredictionDifferenceAnalysis)、LIME(LocalInterpretableModel-agnosticExplanations)、Grad-CAM(Gradient-weightedClassActivationMapping)、或GBackProp(GuidedBackPropagation)等那样的方法。非专利文件1是，其一个例子。根据这样的方法，例如，在输入的传感数据是图像的情况下，针对图像的判别结果，导出图像中包括的多个像素值各自的贡献度。图5是示出针对图2示出的判别结果的正的贡献度的示意图。为了便于说明，在图5中，以点的密度表现肯定地贡献于输入图像表示狗这判别结果的程度。实际上，也可以按每个像素以颜色的浓度等，表现肯定地贡献于判别结果的程度。在该例子中，输入图像中显示狗的头部的部分、以及输入图像中显示狗的尾巴的部分，肯定地贡献于输入图像表示狗这判别结果。也就是说，显示狗的头部的部分、以及显示狗的尾巴的部分，向输入图像表示狗这方向引导判别结果。图6是示出图2示出的针对判别结果的负的贡献度的示意图。为了便于说明，在图6中，以点的密度表现否定地贡献于输入图像表示狗这判别结果的程度。实际上，也可以按每个像素以颜色的浓度等，表现否定地贡献于判别结果的程度。在该例子中，输入图像中显示狗的前脚的部分，否定地贡献于输入图像表示狗这判别结果。也就是说，显示狗的前脚的部分，向输入图像没有表示狗这方向引导判别结果。在此，分开表现正的贡献度和负的贡献度，但是，也可以组合表现正的贡献度和负的贡献度。例如，也可以以红色的浓度表现，肯定地贡献于判别结果的程度，以蓝色的浓度表现，否定地贡献于判别结果的程度。根据图5以及图6示出的信息，示出输入图像表示狗这判别结果的要因。这样的信息，有用于识别模型的精度提高。例如，在判别结果错误的情况下，根据该要因，能够进行识别模型的参数的调整、或再学习等本文档来自技高网...

【技术保护点】
1.一种信息处理方法，计算机进行如下处理，即，/n获得将传感数据输入到模型而得到的所述传感数据上的多个识别结果候选以及所述多个识别结果候选各自的似然度，所述模型是通过机器学习训练后的模型，并且是执行识别处理的模型，/n获得指定所述传感数据之中的分析对象的部分的指示，/n根据所述多个识别结果候选的每一个与所述部分的关系、以及所述多个识别结果候选各自的所述似然度，从所述多个识别结果候选中选择至少一个识别结果候选，/n输出选择出的所述至少一个识别结果候选。/n

【技术特征摘要】
【国外来华专利技术】20190412 JP 2019-076509;20180907 US 62/728,4181.一种信息处理方法，计算机进行如下处理，即，
获得将传感数据输入到模型而得到的所述传感数据上的多个识别结果候选以及所述多个识别结果候选各自的似然度，所述模型是通过机器学习训练后的模型，并且是执行识别处理的模型，
获得指定所述传感数据之中的分析对象的部分的指示，
根据所述多个识别结果候选的每一个与所述部分的关系、以及所述多个识别结果候选各自的所述似然度，从所述多个识别结果候选中选择至少一个识别结果候选，
输出选择出的所述至少一个识别结果候选。


2.如权利要求1所述的信息处理方法，
进一步，所述计算机，根据输出的所述至少一个识别结果候选提示处理结果。


3.如权利要求2所述的信息处理方法，
所述处理结果示出，所述传感数据中包括的多个值的每一个，贡献于输出的所述至少一个识别结果候选各自的所述似然度的程度。


4.如权利要求1至3的任一项所述的信息处理方法，
所述关系是，所述多个识别结果候选的每一个与所述部分的重复的有无、以及所述重复的程度之中的至少一个。


5.如权利要求1至4的任一项所述的信息处理方法，
从所述多个识别结果候选中选择的所述至少一个...

【专利技术属性】
技术研发人员：D·古多夫斯基，山口拓也，石井育规，筑泽宗太郎，
申请(专利权)人：松下电器美国知识产权公司，
类型：发明
国别省市：美国;US