[发明专利]机器学习系统、域变换装置、及机器学习方法

说明书

一种机器学习系统、域变换装置、及机器学习方法，机器学习系统具备：第一判定模型，判定输入图像是否是第二域图像；第二判定模型，判定从输入图像提取了存在对象物的区域后的提取图像是否是从第二域图像提取了存在对象物的区域后的提取图像，选择伪第二域图像及第二域图像的其中一个并输入至第一判定模型，选择伪第二域图像的第一提取图像和第二域图像的第二提取图像的其中一个并输入至图像提取部，基于第一判定模型的第一判定结果进行第一判定模型的学习，基于第二判定模型的第二判定结果进行第二判定模型的学习，基于第一判定结果和第二判定结果进行将对对象物进行拍摄而得到的第一域图像变换为伪第二域图像的伪图像生成模型的学习。

技术领域

本发明涉及机器学习系统、域变换装置、及机器学习方法。

背景技术

在专利文献1中，关于生成模型学习方法，关于抑制对用户来说不好的数据的生成的技术进行了记载。生成模型学习方法包含：第一学习工序，基于预先准备的学习数据，通过无监督学习对第一生成模型进行学习；生成工序，生成基于第一生成模型的生成数据；以及第二学习工序，基于学习数据和由用户判定为不好的生成数据，通过监督学习对第二生成模型进行学习。

在非专利文献1中，关于通过对使用敌对的生成网络(生成对抗网络(GAN：Generative Adversarial network))，保持来自模拟装置的注释(annotation)信息，且对使用实际数据来改善模拟装置的输出的现实感(reality)的模型进行学习，从而使合成图像和实际的图像的差距(gap)减少的技术进行了记载。

现有技术文献

专利文献

专利文献1：(日本)特开2018-63504号公报

非专利文献1：Learning from Simulated and Unsupervised Images throughAdversarial Training，Ashish Shrivastava，Tomas Pfister，Oncel Tuzel，JoshSusskind，Wenda Wang，Russ Webb，Apple Inc，因特网，2018年11月29日检索

发明内容

发明要解决的课题

在进行图像辨识的机器学习系统中的模型的学习中需要庞大的数目的学习数据。作为高效地进行模型的学习的方法，有使用对应用机器学习系统的现场的环境进行模拟的模拟环境中的学习数据对模型进行学习的方法。

但是在基于该方法的情况下，模拟环境和现场环境的状态的不同(差距(gap))成为课题。作为消除上述的不同的方法，有将现场环境中的图像通过敌对的生成网络(生成对抗网络(GAN：Generative Adversarial network))的生成模型(生成器，Generator)而变换(域变换)为与模拟环境的图像相似的图像的方法，但在该情况下生成模型的变换精度的提高成为课题。

专利文献1中记载的技术基于生成模型，以抑制对用户来说不好的数据的生成为目的，并非以生成模型的学习数据的准备等所涉及的用户的负荷减轻为目的。

本发明是鉴于以上的课题而完成的，目的在于，提供能够高效地进行执行图像的域变换的模型的学习的机器学习系统、域变换装置、及机器学习方法。

用于解决课题的手段