学習済みモデル

US2020364570(JP)
[0005] In an end-to-end segmentation framework in deep learning, a region of a desired object is extracted by learning a pair of an input image and a label image having the same size.
【０００４】
  深層学習におけるエンドツーエンド（Ｅｎｄ－ｔｏ－Ｅｎｄ）のセグメンテーションフレームワークでは、入力画像と同サイズのラベル画像のペアを学習させて、所望のオブジェクトの領域を抽出する。

[0006] One significant factor in successful deep learning is learning a large amount of learning data. However, data of medical images or the like is rare, and it is difficult to prepare a large amount of data. Therefore, a technique called “transfer learning” is used (JP2017-224156A).
【０００５】
  深層学習を成功させる大きな要因の１つは、大量の学習データを学習させることである。しかし、医療画像などは、データが希少であり、大量に用意することが難しい。そこで「転移学習」と呼ばれる手法が用いられる（特許文献１）。

Transfer learning is learning another problem (for example, class classification for medical images) using a part of a network that has once learned in a field where a large amount of data such as photographic images can be used.
転移学習は、写真画像など大量のデータが利用できる分野で一旦、学習させたネットワークについて、その一部を流用して別の問題（例えば、医療画像についてのクラス分類）を学習させるものである。

Optimization of the network to solve a new problem using a parameter of the learned network as an initial value is called fine tuning.
学習済みネットワークのパラメータを初期値として、新しい問題を解くようにネットワークを最適化することはファインチューニング（Fine Tuning）と呼ばれる。

Optimization may also be performed by fixing and not changing a parameter of a network on a low layer side at all in the learned network and switching only a layer (particularly, the last layer) in a rear stage.
また、学習済みネットワークにおける低層側のネットワークのパラメータを全く変えずに固定して、後段の層（特に最終層）のみを入れ替えて、最適化することもある。

[0025] A learned model according to Aspect 6 is a learned model having acquired a processing function of performing tasks of first class classification and second class classification through learning of the second neural network by performing the machine learning method of any one aspect of Aspect 1 to Aspect 5.
【００２６】
  態様６に係る学習済みモデルは、態様１から態様５のいずれか一態様の機械学習方法を実施して第２のニューラルネットワークを学習させることにより、第１のクラス分類と第２のクラス分類のタスクを行う処理機能を獲得させた学習済みモデルである。

US2020342267(JP)
[0085] In order to improve recognition accuracy for the rare case in the recognizer, increasing the ratio of the data of the rare case in the learning data is considered. However, in actuality, it is difficult to collect a large amount of data of the rare case.
【００６９】
  認識器においてレアケースについての認識精度を向上させるためには、学習データ中のレアケースのデータの割合を増やすことが考えられるが、実際にレアケースのデータを大量に収集するのは困難である。

The “learning data” is data for learning in which an input signal used in learning is associated with a supervisory signal indicating a correct answer label corresponding to the input signal, and is also called “training data”.
「学習データ」は、学習に用いる入力信号と、その入力信号に対応した正解ラベルを示す教師信号とを関連付けた学習用のデータであり、「訓練データ」とも呼ばれる。

[0100] The image recognition unit 14 includes a recognizer that learns by machine learning. The recognizer is a learned model that acquires recognition performance by machine learning.
【００８３】
  画像認識部１４は、機械学習によって学習させた認識器を含んでいる。認識器は、機械学習によって認識性能を獲得した学習済みモデルである。

The learned model that performs the recognition processing is referred to as a “recognition model”. For example, the recognizer can be configured using a convolutional neural network (CNN). Learning performed for acquiring the initial recognition performance as the recognition model is referred to as “first learning”.
認識処理を行う学習済みモデルを「認識モデル」という。認識器は、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）を用いて構成することができる。認識モデルとしての初期の認識性能を獲得するために行われた学習を「第１の学習」という。

A learning data set used in the first learning of the recognizer is referred to as a “first learning data set”. The first learning data set may be a learning data set that is prepared in advance.
認識器の第１の学習に用いた学習データセットを「第１の学習データセット」という。第１の学習データセットは、予め用意された学習データセットであってよい。

The first learning may be performed using the machine learning unit 22 or may be performed using a separate machine learning apparatus, not illustrated. In the first learning, the contribution degree to learning from each learning data used in learning is constant (non-weighted).
第１の学習は、機械学習部２２を用いて実施されてもよいし、図示せぬ別の機械学習装置を用いて実施されてもよい。なお、第１の学習においては、学習に用いる各学習データからの学習への寄与度は一定（重み付け無し）である。

The first learning may also be referred to as “non-weighted learning”.
第１の学習は、「重み付け無し学習」と言い換えてもよい。