[发明专利]确定系统和确定方法

说明书

本发明提供一种能够高精度地确定处理对象的确定系统和确定方法。上述确定系统中设置有：第1存储部，其保存用于将处理对象投影到中间表达空间的参数，其中，中间表达空间以表示所述处理对象的各属性的各中间表达为各维；计算部，其基于保存于第1存储部的参数，将从规定的传感器得到的输入数据或对输入数据实施规定的前处理而得到的值投影到中间表达空间；第2存储部，其对在中间表达空间确定处理对象时使用的参数进行保存；第3存储部，其将表示处理对象的各属性的各中间表达的重要度与处理对象相对应地进行保存；和确定部，其基于保存于第2存储部的参数、保存于第3存储部的重要度、和计算部的输出，确定输入数据中的处理对象。

技术领域

本发明涉及一种确定系统和确定方法，例如优选应用于用于确定从传感器得到的输入数据中包含的处理对象的确定系统和确定方法的确定系统和确定方法。

背景技术

具有使用行为识别、物体识别、声音识别等各种传感器数据，对该传感器数据表示的对象进行识别、分类、检测的需求。

例如有如下需求：用于监控系统、生活日志(life log)等，对从摄像机等得到的传感器数据进行分析，对人的行为进行自动识别。

为了满足这样的需求，至今为止已经开发了众多识别技术。其中，作为代表性方法，可举出如下方法：按每个作为识别对象的类(class)，收集学习数据(与各个类对应的传感器数据和该类名的标签数据)，采用神经网络、SVM(Support Vector Machine，支持向量机)等方法，对传感器数据和类标签的关联进行学习的方法。

例如，专利文献1中公开了一种用于对身体的动作进行识别来控制装置的功能的动作识别方法。更具体而言，专利文献1中公开了一种根据生物信号传感器的输出信号对用户的有意图的动作引起的动作赝象(artifact)进行检测，在检测出的动作赝象的信号模式与基准信号模式对应的情况下，生成与基准信号模式对应的用于控制目标装置的功能的控制信号的方法。

但是，在按每个识别对象的类预先收集学习数据，用该学习数据对传感器数据和类标签的关联进行学习的方法中，在将预先决定的对象类(现有类)以外的类(新类)新追加到识别对象时，需要收集新类的学习数据，重构识别模型。

对此，在非专利文献1、专利文献2等中提出了一种即使在只有少量或完全没有新类的学习数据的情况下也能够进行识别的方法。一般而言，完全没有新的识别对象的学习数据的情况被称为Zero-shot learning，只有一个样本的情况被称为One-shot learning，只有少量的情况被称为Few-shot learning。

在除此之外的一般的识别方法中，根据学习数据在输入空间(或对输入空间进行转换而得的特征空间)内的分布，对各类在输入空间(特征空间)内的分布位置进行预先学习，当被给予新的样本时，基于该样本在输入空间(特征空间)内的位置进行分类。对此，在Zero-shot learning中，将输入信号(或对输入信号进行转换而得的特征量)转换为中间表达(常称为Attribute，在本申请中也使用该用语)，在该Attribute空间内进行各样本的分类(识别)。作为输入数据和输出标签的中间表达的Attribute，表示分类(识别)对象的属性。例如，对于以在图像识别等中现有技术经常采用的SIFT(Scale-Invariant FeatureTransform)特征量为代表的特征量，人难以直观地解释其值，但是对于Attribute，在多数情况下，人能够对其进行解释。Attribute的具体例在后面进行阐述。在从输入空间X向Attribute空间A的投影f：X→A的情况下，使用现有的学习数据进行学习，而另一方面，在Attribute空间内各类的分布位置，通过利用不依赖于学习数据的方法进行定义，即使在没有学习数据的情况，即在新的识别对象(新类)的情况下，也能够进行识别。