正解データ（JP）

US2021166139(JP)
[0067] Note that threshold calculation device 200 a may include a trainer (not shown) for training a machine learning model.
【００５２】
  なお、閾値算出装置２００ａは、機械学習モデルを訓練するための訓練部（不図示）を備えてもよい。

The trainer may include storage (not shown) that holds a data set for training.
訓練部は、訓練用データセットを保持する記憶部（不図示）を備えてもよい。

The data set for training includes a set of input data and correct answer data, stored in advance.
訓練用データセットは、予め格納された入力データと正解データとのセットを含む。

The trainer may update the data set for training by obtaining new data for training from a database located on the server connected over a communication network such as the Internet.
訓練部は、インターネットなどの通信ネットワークを介して接続されるサーバ上に配置されたデータベースから新規の訓練用データを取得して、訓練用データセットを更新してもよい。

Additionally, the trainer may include a holder (not shown) that holds the same classification model as first calculator 202 , and the holder may further hold the same N single-class classification probability calculators as classification probability calculator 203 .
また、訓練部は、第１演算部２０２と同じ分類モデルを保持する保持部（不図示）を備えてもよく、保持部は、さらに、分類確率演算部２０３と同じＮ個の単クラスの分類確率演算部を保持してもよい。

The trainer trains the same classification model as first calculator 202 by using the data set for training.
訓練部は、訓練用データセットを用いて、第１演算部２０２と同じ分類モデルを訓練する。

US2022092871(JP)
[0040] The parameter updating unit 35 uses an estimation result received from the result output unit 34 to optimize the filter parameter to be used in the optical filter unit 32 and the parameter of the neural network to be used in the estimation calculation unit 33 .
【００３３】
  パラメータ更新部３５は、結果出力部３４から受け取った推定結果を用いて、光学フィルタ部３２において用いられるフィルタパラメータ及び推定演算部３３において用いられるニューラルネットワークのパラメータを最適化する。

The parameter updating unit 35 corresponds to the parameter updating unit 12 in FIG. 1.
パラメータ更新部３５は、図１のパラメータ更新部１２に相当する。

For example, in order to improve the accuracy of object recognition for recognizing a red color, the parameter updating unit 35 calculates a gradient of each parameter by using, as feedback information, a loss function which is a comparison result between the estimation result received from the result output unit 34 and correct answer data held in advance.
パラメータ更新部３５は、例えば、赤色を認識する物体認識の精度を向上させるために、結果出力部３４から受け取った推定結果と予め保持しておいた正解データの比較結果である損失関数をフィードバック情報として各パラメータの勾配を計算する。

[0041] The parameter updating unit 35 optimizes the filter parameter and the neural network parameter by using a calculation result.
パラメータ更新部３５は、計算した結果を用いて、フィルタパラメータ及びニューラルネットワークのパラメータを最適化する。

The correct answer data is, for example, a numerical value of correct answer data 1 indicating the red and a numerical value of correct answer data 0 indicating other colors in the case of object recognition for recognizing the red.
正解データは例えば、赤色を認識する物体認識の場合、赤色を示す正解データ１、それ以外の色を示す正解データ０の数値である。

The pair of input data and correct answer data may be referred to as training data to be used in machine learning, for example.
入力データと正解データのペアは、例えば、機械学習において用いられる訓練データと称されてもよい。

The filter parameter may be, for example, a parameter indicating the center wavelength and standard deviation in the distribution of transmittance.
フィルタパラメータは、例えば、透過率の分布における中心波長及び標準偏差を示すパラメータであってもよい。

In other words, the filter parameter may be wavelength information indicating a transmission region.
つまり、フィルタパラメータは、透過領域を示す波長の情報であってもよい。

The neural network parameter may be, for example, weight information, bias information or the like, or a combination thereof.
ニューラルネットワークのパラメータは、例えば、重み情報もしくはバイアス情報等、もしくはこれらの組み合わせの情報であってもよい。

US2022020135(JP)
[0040] Here, the learning model is a model in which the model is trained using much training data to make the future output predictable.
【００２５】
  ここで、学習モデルとは、多数の教師データを用いてモデルを訓練し、将来の出力を予測可能にするモデルである。

In this embodiment, the input data of the training data is the training input image data d 1 , and the ground truth data of the training data is the same as the input data of the training data.
本実施形態において、教師データの入力データは学習時入力画像データｄ１であり、教師データの正解データは教師データの入力データと同じである。

When much training data are input to the training unit 12 A, the weighting coefficients of the encoder 12 A 1 and the decoder 12 A 2 are sequentially changed. 
多数の教師データが学習部１２Ａに入力されることで、エンコーダ１２Ａ１及びデコーダ１２Ａ２の重み係数は逐次変更される。

Then, when the training of the training unit 12 A is completed, the weighting coefficient is determined in the training unit 12 A.
そして、学習部１２Ａの学習が完了すると、学習部１２Ａでは重み係数が確定する。

That is, in the training unit 12 A, the weighting coefficient is determined in the stage of training described above.
つまり、学習部１２Ａでは、上述した学習段階において、重み係数が確定される。

After that, in the above-mentioned the stage of acquiring the relationship, the training unit 12 A is used to acquire the relationship RS between the error L and the similarity S shown in FIG. 5A.
その後に、上述した関係取得段階において、学習部１２Ａは、図５Ａに示す誤差Ｌ及び類似度Ｓの関係ＲＳを取得するために用いられる。

Specifically, when the input image data D 1 for acquiring the relationship is input, the training unit 12 A outputs the compressed data Dc based on the weighting coefficient determined and outputs the output image data (the output image data D 2 for acquiring the relationship) calculated based on the weighting coefficient determined.
具体的には、学習部１２Ａは、関係取得用の入力画像データＤ１が入力されると、確定した重み係数に基づいて圧縮データＤｃを出力するとともに、確定した重み係数に基づいて算出される出力画像データ（関係取得用の出力画像データＤ２）を出力する。

The error calculation unit 12 B and the similarity calculation unit 12 C, which will be described below, acquire the above output data.
次に説明する誤差算出部１２Ｂ及び類似度算出部１２Ｃは、これらの出力を取得する。

US2021181256(JP)
[0097] Next, machine learning of the battery deterioration prediction model will be described.
【００７６】
  次に、電池劣化予測モデルの機械学習について説明する。

[0098] FIG. 6 is a diagram showing an example in which the battery deterioration prediction model is generated according to the present embodiment.
図６は、本実施形態に係る電池劣化予測モデルの生成例を示す図である。

[0099] Reference sign g 101 denotes an example of battery information (hereinafter also referred to as model learning data) with which the teacher label is associated.
 符号ｇ１０１は、教師ラベルが対応付けられる電池情報（以下、モデル学習用データともいう）の例である。

In the example denoted by reference sign g 101 , the model learning data includes
符号ｇ１０１に示す例では、モデル学習用データが、

the number of days elapsed after the removable battery 14 was produced, the initial performance (the capacity and the resistance value) of the removable battery 14 , the histogram data of the temperature of the removable battery 14 , the histogram data of the SOC of the removable battery 14 , and the like.
着脱式バッテリ１４が生産されてからの経過日数、着脱式バッテリ１４の初期性能（容量、抵抗値）、着脱式バッテリ１４の温度のヒストグラムデータ、および着脱式バッテリ１４のＳＯＣのヒストグラムデータ等である。

[0100] Reference sign 102 denotes an example of battery performance information (hereinafter also referred to as correct answer data of model learning) serving as the teacher label.
【００７７】
  符号１０２は、教師ラベルとして扱われる電池性能情報（以下、モデル学習の正解データともいう）の例である。

In the example denoted by reference sign g 102 , the correct answer data of the model learning represents a battery capacity at the time of measurement and a battery resistance value at the time of measurement.
符号ｇ１０２に示す例では、モデル学習の正解データが、測定時点の電池容量と、測定時点の電池抵抗値である。

[0101] Reference sign 103 denotes an example of a learning engine for machine learning.
【００７８】
  符号１０３は、機械学習の学習エンジンの例である。

As denoted by reference sign g 103 , an engine of the machine learning includes, for example, deep learning,
符号ｇ１０３に示すように、機械学習のエンジンは、例えばＤｅｅｐ  Ｌｅａｒｎｉｎｇ（深層学習）、

random forest regression (random forest),
Ｒａｎｄｏｍ  Ｆｏｒｅｓｔ  Ｒｅｇｒｅｓｓｉｏｎ（ランダムフォレスト）、

extreme gradient boosting (XG-boosting),
ＸＧ－Ｂｏｏｓｔｉｎｇ（ｅＸｔｒｅｍｅ  Ｇｒａｄｉｅｎｔ  Ｂｏｏｓｔｉｎｇ）、

a support vector machine, ensemble learning thereof, and the like.
Ｓｕｐｐｏｒｔ  Ｖｅｃｔｏｒ  Ｍａｃｈｉｎｅ（サポートベクターマシン）等や、これらのアンサンブル学習も含む。

The ensemble learning is, for example, bagging, boosting, or the like.
アンサンブル学習は、例えばバギング、ブースティング等である。

[0102] As shown in FIG. 6, the model generator 1832 learns the battery deterioration prediction model according to a learning method such as deep learning using teacher data in which the correct answer data of the model learning is associated with the model learning data.
【００７９】
  図６に示したように、モデル生成部１８３２は、モデル学習用データに対して、モデル学習の正解データが対応付けられた教師データを用いて、Ｄｅｅｐ  Ｌｅａｒｎｉｎｇ等の学習手法により電池劣化予測モデルを学習する。

Thereby, the battery deterioration prediction model is generated.
これによって、電池劣化予測モデルが生成される。

EP3815599(JP)
[0011] The controller of the ophthalmic image processing device exemplified in the present disclosure acquires, as the base image, the ophthalmic image captured by the ophthalmic image capturing device or the averaged image obtained by averaging the plurality of ophthalmic images obtained by imaging the identical region of the tissue by the ophthalmic image capturing device.
【００１１】
  本開示で例示する眼科画像処理装置の制御部は、眼科画像撮影装置によって撮影された眼科画像、または、眼科画像撮影装置によって組織の同一部位を撮影した複数の眼科画像を加算平均した加算平均画像を、基画像として取得する。

By inputting the base image into the mathematical model trained with using the machine learning algorithm, the controller acquires the target image having higher quality than the base image.
制御部は、機械学習アルゴリズムによって訓練された数学モデルに基画像を入力することで、基画像よりも高品質の目的画像を取得する。

The mathematical model is trained by a training data set, which is a set of the input training data and the output training data.
数学モデルは、入力用訓練データと出力用訓練データのセットである訓練データセットによって訓練されている。

The data based on the L (L ≥ 1) training ophthalmic image among the plurality of training ophthalmic images obtained by imaging the identical region of the tissue is used as the input training data.
組織の同一部位を撮影した複数の訓練用眼科画像のうち、Ｌ枚（Ｌ≧１）の訓練用眼科画像に基づくデータが、入力用訓練データとされる。

Further, the data of the averaged image obtained by averaging the H (H> L) training ophthalmic images among the plurality of training ophthalmic images is used as the output training data (sometimes it is referred to as correct answer data).
また、複数の訓練用眼科画像のうち、Ｈ枚（Ｈ＞Ｌ）の訓練用眼科画像を加算平均した加算平均画像のデータが、出力用訓練データ（正解データと言われる場合もある）とされる。

In other words, H is a number greater than the number of the training ophthalmic images used for the input training data.
換言すると、Ｈは、入力用訓練データに使用される訓練用眼科画像の枚数よりも大きい数である。

US2021209447(JP)
[0078] FIG. 8 is a diagram illustrating a specific configuration of the neural network 30 .
【００６７】
  図８は、ニューラルネットワーク３０の具体的な構成を例示する図である。

In this example, a plurality of pieces of input data (hereinafter, reference data) having a known correct answer (correct prediction result) are prepared other than the input data 10 .
この例では、入力データ１０以外に、正解（正しい予測結果）が既知である入力データ（以下、参照データ）が複数用意されている。

Then, by using the reference data and correct answer data associated with the reference data, a matrix (hereinafter, a feature matrix of the usage rule set 60 ) representing a feature related to each of the prediction rules 50 included in the usage rule set 60 is prepared.
そして、参照データとそれに対応する正解データとを用いて、使用ルールセット６０に含まれる各予測ルール５０に関する特徴を表す行列（以下、使用ルールセット６０の特徴行列）を用意する。

The neural network 30 outputs a degree that each of the prediction rules 50 should be extracted by using a feature vector extracted from the input data 10 and the feature matrix of the usage rule set 60 .
ニューラルネットワーク３０は、入力データ１０から抽出される特徴ベクトルと、使用ルールセット６０の特徴行列とを用いて、各予測ルール５０を抽出すべき度合いを出力する。

////////

[0105] The training unit 2100 acquires training data 80 .
【００９４】
  訓練部２１００は、訓練データ８０を取得する。

The training data 80 are data in which training input data 82 and training correct answer data 84 are associated with each other.
訓練データ８０は、訓練入力データ８２と訓練正解データ８４とが対応づけられたデータである。

The training input data 82 are data of the similar type as input data 10 .
訓練入力データ８２は、入力データ１０と同種のデータである。

In other words, when the information processing apparatus 2000 treats image data as the input data 10 , the training input data 82 are also image data.
すなわち、情報処理装置２０００が入力データ１０として画像データを扱うのであれば、訓練入力データ８２も画像データである。

The training correct answer data 84 are data representing a correct answer for the training input data 82 , and are data of the similar type as conclusion data 54 .
訓練正解データ８４は、訓練入力データ８２についての正解を表すデータであり、帰結データ５４と同種のデータである。

For example, it is assumed that the information processing apparatus 2000 predicts a class of an object included in the input data 10 .
例えば情報処理装置２０００が、入力データ１０に含まれるオブジェクトのクラスを予測するとする。

In this case, for example, the training correct answer data 84 indicate a class of an object included in the training input data 82 .
この場合、例えば訓練正解データ８４は、訓練入力データ８２に含まれるオブジェクトのクラスを示す。