信息处理方法及信息处理系统技术方案

通过将感测数据输入到第1推论模型中，从第1推论模型取得作为对于感测数据的第1推论结果的特征地图(S2002)；通过将第1推论结果输入到第3推论模型中，从第3推论模型取得表示从多个第2推论模型中选择的至少1个第2推论模型的模型选择信息(S2003)；通过将第1推论结果输入到模型选择信息表示的至少1个第2推论模型中，从第2推论模型取得对于第1推论结果的至少1个第2推论结果并输出(S2005)。1个第2推论结果并输出(S2005)。1个第2推论结果并输出(S2005)。

【技术实现步骤摘要】
【国外来华专利技术】信息处理方法及信息处理系统


[0001]本专利技术涉及信息处理方法及信息处理系统。

技术介绍

[0002]有基于从设备取得的数据执行推论处理的技术(参照专利文献1)。在该文献中，公开了基于设备被置于的环境或条件来执行推论处理的推论模型。
[0003]现有技术文献
[0004]专利文献
[0005]专利文献1：国际公开第2018/173121号

技术实现思路

[0006]专利技术要解决的课题
[0007]但是，在上述文献的技术中，由于对于从设备取得的数据基于间接性的信息来选择推论模型，所以有未选择适合于推论处理对象的数据(换言之，推论模型的输入数据)的推论模型。
[0008]所以，本专利技术的目的是提供一种能够使适合于推论处理对象的数据的推论模型被选择的可能性提高的信息处理方法等。
[0009]用来解决课题的手段
[0010]有关本专利技术的一技术方案的信息处理方法，是处理器使用存储器执行的信息处理方法，通过将感测数据输入到第1推论模型中，从上述第1推论模型取得对于上述感测数据的第1推论结果；通过将上述第1推论结果输入到第3推论模型中，从上述第3推论模型取得表示从多个第2推论模型中选择的至少1个第2推论模型的模型选择信息；通过将上述第1推论结果输入到上述模型选择信息表示的上述至少1个第2推论模型中，从上述第2推论模型取得对于上述第1推论结果的至少1个第2推论结果；将上述至少1个第2推论结果输出。
[0011]另外，这些包含性或具体的技术方案也可以由系统、方法、集成电路、计算机程序或计算机可读取的CD－ROM等的记录介质实现，也可以由系统、方法、集成电路、计算机程序及记录介质的任意的组合来实现。
[0012]专利技术效果
[0013]本专利技术的信息处理方法能够使适合于推论处理对象的数据的推论模型被选择的可能性提高。
附图说明
[0014]图1是表示实施方式1的学习系统的功能结构的框图。
[0015]图2是表示被输入到实施方式1的学习系统中的图像的一例的说明图。
[0016]图3是表示实施方式1的任务评价信息的一例的说明图。
[0017]图4是表示实施方式1的训练数据的例子的说明图。
[0018]图5是表示实施方式1的学习系统执行的处理的流程图。
[0019]图6是表示实施方式1的推论系统的功能结构的框图。
[0020]图7是表示实施方式1的推论系统执行的处理的流程图。
[0021]图8是表示实施方式2的训练系统的功能结构的框图。
[0022]图9是表示实施方式2的训练数据的例子的说明图。
[0023]图10是表示实施方式2的训练系统执行的处理的流程图。
[0024]图11是表示实施方式2的推论系统的功能结构的框图。
[0025]图12是表示实施方式2的推论系统执行的处理的流程图。
[0026]图13是表示实施方式3的训练系统的功能结构的框图。
[0027]图14是表示实施方式3的训练系统执行的处理的流程图。
[0028]图15是表示实施方式3的推论系统的功能结构的框图。
[0029]图16是表示实施方式3的推论系统执行的处理的流程图。
[0030]图17是表示实施方式4的训练系统的功能结构的框图。
[0031]图18是表示实施方式4的训练系统执行的处理的流程图。
[0032]图19是表示实施方式4的推论系统的功能结构的框图。
[0033]图20是表示实施方式4的推论系统执行的处理的流程图。
具体实施方式
[0034](作为本专利技术的基础的认识)
[0035]近年来，随着使用机器学习等的推论处理技术的进步，应用推论处理的场合正在扩大。例如，在住宅内的人的行动识别中使用推论处理。另一方面，在行动识别中，各种各样的种类或识别难度的物体或场景作为识别对象存在。此外，为了住宅内的行动识别而要求进行识别处理的装置的小型化、低成本化，装置的计算资源受限。因此，在住宅内的行动识别中，对于各种各样的识别对象，要求在受限的计算资源(例如，处理器、存储器)下识别。另外，这并不限于行动识别，推测在其他的推论处理中也是同样的。
[0036]但是，为了对应于各种各样的种类的识别对象，使用多种行动识别模型执行识别处理，所以计算成本变得庞大。此外，为了与各种各样的识别难度的识别对象对应，使用巨大的行动识别模型执行识别处理，所以计算成本(例如，计算量、计算时间、计算资源的占有量、耗电)变得庞大。
[0037]此外，作为以往技术，有基于设备被置于的环境或条件来执行推论处理的推论模型的技术。
[0038]但是，在上述技术中，由于对于从设备取得的数据基于间接性的信息来选择推论模型，所以有未选择适合于推论处理对象的数据的推论模型的情况。此外，由于将推论模型的选择处理和推论处理独立地执行，所以花费计算成本。
[0039]所以，有关本专利技术的一技术方案的信息处理方法，是处理器使用存储器执行的信息处理方法，通过将感测数据输入到第1推论模型中，从上述第1推论模型取得对于上述感测数据的第1推论结果；通过将上述第1推论结果输入到第3推论模型中，从上述第3推论模型取得表示从多个第2推论模型中选择的至少1个第2推论模型的模型选择信息；通过将上述第1推论结果输入到上述模型选择信息表示的上述至少1个第2推论模型中，从上述第2推
论模型取得对于上述第1推论结果的至少1个第2推论结果；将上述至少1个第2推论结果输出。
[0040]根据上述技术方案，由于使用从多个第2推论模型中选择的至少1个第2推论模型取得第2推论结果，所以在取得第2推论结果时，多个第2推论模型中的没有被选择的第2推论模型不工作。因此，能够削减没有被选择的第2推论模型的工作所需要的计算资源或电力。这样，上述信息处理方法在能够进行对于各种各样的推论对象的推论处理的同时，能够抑制该推论处理所花费的计算成本。此外，由于基于通过输入感测数据而得到的第1推论结果来选择第2推论模型，所以实质上成为基于该感测数据的特征来选择第2推论模型。因而，能够使适合于推论处理对象的数据的推论模型被选择的可能性提高。
[0041]例如，上述第3推论模型也可以是以下的模型：通过将训练用感测数据输入到上述第1推论模型中，从上述第1推论模型取得对于上述训练用感测数据的训练用第1推论结果；基于通过将上述训练用第1推论结果输入到上述多个第2推论模型中的至少1个第2推论模型的各个选择样式之中的被选择的至少1个第2推论模型中而得到的至少1个训练用第2推论结果、以及通过将上述训练用第1推论结果输入到上述第3推论模型中而取得的作为上述模型选择信息的训练用模型选择信息，利用机器学习被进行了训练。
[0042]根据上述技术方案，通过利用机器学习，也能够将进行根据感测数据的特征选择第2推论模型这样的复杂的推论处理的第3推论模型用其他的方法容易地生成。
[0043]例如，上述第本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种信息处理方法，是处理器使用存储器执行的信息处理方法，其中，通过将感测数据输入到第1推论模型中，从上述第1推论模型取得对于上述感测数据的第1推论结果；通过将上述第1推论结果输入到第3推论模型中，从上述第3推论模型取得表示从多个第2推论模型中选择的至少1个第2推论模型的模型选择信息；通过将上述第1推论结果输入到上述模型选择信息表示的上述至少1个第2推论模型中，从上述第2推论模型取得对于上述第1推论结果的至少1个第2推论结果；将上述至少1个第2推论结果输出。2.如权利要求1所述的信息处理方法，其中，上述第3推论模型是以下的模型：通过将训练用感测数据输入到上述第1推论模型中，从上述第1推论模型取得对于上述训练用感测数据的训练用第1推论结果；基于通过将上述训练用第1推论结果输入到上述多个第2推论模型中的至少1个第2推论模型的各个选择样式之中的被选择的至少1个第2推论模型中而得到的至少1个训练用第2推论结果、以及通过将上述训练用第1推论结果输入到上述第3推论模型中而取得的作为上述模型选择信息的训练用模型选择信息，利用机器学习被进行了训练。3.如权利要求2所述的信息处理方法，其中，上述第3推论模型的训练，包括以基于上述至少1个训练用第2推论结果并按照上述模型选择信息的形式生成的数据为参照数据、以上述训练用模型选择信息为输出数据的利用了机器学习的训练。4.如权利要求3所述的信息处理方法，其中，上述模型选择信息包含与第2推论模型执行的任务对应的第1信息；上述模型选择信息表示的上述至少1个第2推论模型执行与上述第1信息对应的任务；生成上述参照数据，以使执行对上述至少1个训练用第2推论结果作出贡献的任务的第2推论模型优先地包含在上述训练用模型选择信息表示的至少1个第2推论模型中。5.如权利要求4所述的信息处理方法，其中，上述参照数据的生成包括：生成上述参照数据，以使执行属于基于上述至少1个训练用第2推论结果的得分比阈值高的任务集的任务的第2推论模型优先地包含在上述训练用模型选择信息表示的至少1个第2推论模型中。6.如权利要求3～5中任一项所述的信息处理方法，其中，上述模型选择信息包含与上述第2推论模型的性能对应的第2信息；上述模型选择信息表示的至少1个第2推论模型具有与上述第2信息对应的性能；上述参照数据的生成包括：生成上述参照数据，以使满足上述至少1个训练用第2推论结果中的性能要求的第2推论模型优先地包含在上述训练用模型选择信息表示的至少1个第2推论模型中。7.如权利要求6所述的信息处理方法，其中，上述第2信息包含上述第2推论模型的处理的难度；参照数据的生成包括：生成上述参照数据，以使具有与上述难度对应的性能的第2推论模型优先地包含在上述训练用模型选择信息表示的至少1个第2推论模型中。
8.如权利要求6所述的信息处理方法，其中，上述第2推论模型包括神经网络模型；上述第2信息作为上述第2推论模型的性能而包含表示上述神经网络模型的尺寸的尺寸信息；参照数据的生成包括：生成上述参照数据，以使具有上述第2信息中包含的上述尺寸信息的第2推论模型优先地包含在上述训练用模型选择信息表示的至少1个第2推论模型中。9.一种信息处理方法，是处理器使用存储器执行的信息处理方法，其中，通过将感测数据输入到第1推论模型中，从上述第1推论模型取得对于上述感测数据的第1推论结果、以及表示从多个第2推论模型中选择的至少1个第2推论模型的模型选择信息；通过将上述第1推论结果输入到上述模型选择信息表示的上述至少1个第2推论模型中，从上述第2推论模型取得对于上述第1推论结果的至少1个第2推论结果；将上述至少1个第2推论结果输出。1...

【专利技术属性】
技术研发人员：中田洋平，石井育规，
申请(专利权)人：松下知识产权经营株式会社，
类型：发明
国别省市：