JP7578779B2 - ニューラルネットワークを動的環境に適応させる方法及びシステム - Google Patents

Description

本開示は一般に、人工知能及びデータ分析の分野に関する。より詳細には、本開示は、ニューラルネットワークを動的環境に適応させるための方法及びシステムに関する。

ニューラルネットワークは、人間の脳が意思決定を行う方法を模倣しようとする計算モデルである。ニューラルネットワークは、さまざまな業界の多様なアプリケーションで広く使われている。このようなアプリケーションで使用される場合、ニューラルネットワークはさまざまな種類の環境に対応する。例えば、職場の安全のための監視アプリケーションのようなビデオ分析システムに実装されたニューラルネットワークは、組立ラインで安全ギアを装着した作業員を識別する必要がある。また、ニューラルネットワークは、生産ラインで安全ギアを装着した作業員を識別する必要がある。組立ラインと生産ラインでは環境が異なるため、安全ギアを装着した作業員の識別に影響する背景のばらつきが大きい。このため、ニューラルネットワークが作業員を誤って識別したり、識別を見落としたりする可能性があり、ニューラルネットワークの性能が低下する。別の例では、物体認識アプリケーションにおいて、晴れた地域で撮影された物体の画像を使用して訓練されたニューラルネットワークは、曇りの地域ではうまく機能しないことがある。ニューラルネットワークは物体を誤って認識する可能性があるため、異なる気候条件下ではうまく動作しない可能性がある。そのため、ニューラルネットワークを異なる環境用に開発し、性能を向上させる必要がある。しかし、このような開発は高価で面倒である。また、さまざまなアプリケーションにおけるデータとアノテーションの不足は、ニューラルネットワークを異なる環境に適応させることを困難にしている。

半教師あり学習、ゼロショット学習、少数ショット学習などの従来の技術は、大量のデータとアノテーションの必要性に取り組んでいる。しかし、これらの技術は、最小限のアノテーションなしで異なる環境に対処できるようにニューラルネットワークを拡張する解決策を提供しない。さらに、これらの技術は、アノテーションを作成するにもかかわらず、精度が低い。他の従来技術の中には、ニューラルネットワークの性能を向上させるために画像ビューの抽出を利用するものがある。しかし、これらの従来技術は、データ内のニューラルネットワークのアプリケーションに関連する前景特徴のみを考慮するため、異なる背景や環境に適応することができない。

本開示の背景の項で開示された情報は、本発明の一般的背景の理解を深めるためのものであり、この情報が当業者に既に知られている先行技術を形成していることを認めるもの、又は何らかの形で示唆するものと解釈されるべきではない。

実施形態において、本開示は、ニューラルネットワークを動的環境に適応させる方法を開示する。本方法は、入力データ項目の第１の部分に関連付けられた、入力データ項目の特徴の第１のセットを受信することを備える。さらに、本方法は、ニューラルネットワークを使用して生成された１つ又は複数の相関ペアと特徴の第１のセットとを関連付けることによって、入力データ項目の第２の部分に関連付けられた、入力データ項目の特徴の第２のセットを決定することを備える。１つ又は複数の相関ペアは、１つ又は複数のニューラルネットワークから、複数の訓練データ項目の各々のデータセットの訓練特徴の第１のセット及び訓練特徴の第２のセットを含む特徴セットを受信することによって生成される。複数の訓練データ項目の各々のデータセットに対する１つ又は複数の第１のラベル及び１つ又は複数の第２のラベルは、訓練特徴の第１のセット及び訓練特徴の第２のセットを特徴空間上に投影することによって生成される。訓練特徴の第１のセット及び訓練特徴の第２のセットは、訓練特徴の第１のセットと訓練特徴の第２のセットとの相関に基づいて、特徴空間上で再配置される。複数の訓練データ項目の各々のデータセットの１つ又は複数の第１のラベル及び対応する第２のラベルをそれぞれ示す１つ又は複数の相関ペアが、訓練特徴の第１のセット及び訓練特徴の第２のセットの再配置に基づいて、生成される。

一実施形態において、本開示は、ニューラルネットワークを動的環境に適応させるためのシステムを開示する。このシステムは、１つ又は複数のプロセッサと、メモリとを備える。１つ以上のプロセッサは、入力データ項目の第１の部分に関連付けられた、入力データ項目の特徴の第１のセットを受信するように構成される。さらに、１つ又は複数のプロセッサは、ニューラルネットワークを使用して生成された１つ又は複数の相関ペアと特徴の第１のセットとを関連付けることによって、入力データ項目の第２の部分に関連付けられた、入力データ項目の特徴の第２のセットを決定するように構成される。１つ又は複数の相関ペアは、１つ又は複数のニューラルネットワークから、複数の訓練データ項目の各々のデータセットの訓練特徴の第１のセット及び訓練特徴の第２のセットを含む特徴セットを受信することによって生成される。複数の訓練データ項目の各々のデータセットに対する１つ又は複数の第１のラベル及び１つ又は複数の第２のラベルは、訓練特徴の第１のセット及び訓練特徴の第２のセットを特徴空間上に投影することによって生成される。訓練特徴の第１のセット及び訓練特徴の第２のセットは、訓練特徴の第１のセットと訓練特徴の第２のセットとの相関に基づいて、特徴空間上で再配置される。複数の訓練データ項目の各々のデータセットの１つ又は複数の第１のラベル及び対応する第２のラベルをそれぞれ示す１つ又は複数の相関ペアが、訓練特徴の第１のセット及び訓練特徴の第２のセットの再配置に基づいて、生成される。

前述の概要は例示的なものであり、いかなる意味においても限定的であることを意図するものではない。上述した例示的な態様、実施形態、及び特徴に加えて、さらなる態様、実施形態、及び特徴は、図面及び以下の詳細な説明を参照することによって明らかになるであろう。

本開示の新規な特徴及び特性は、添付の特許請求の範囲に記載されている。しかしながら、本開示自体、並びにその好ましい使用態様、さらなる目的、及び利点は、添付の図と併せて読まれたときに、例示的な実施形態の以下の詳細な説明を参照することによって最もよく理解されるであろう。ここで、１つ又は複数の実施形態が、例示のためにのみ、添付の図を参照して説明され、ここで、同様の参照数字は同様の要素を表し、その中で、同様の参照数字は同様の要素を表す。

図１は、本開示のいくつかの実施形態による、ニューラルネットワークを動的環境に適応させるための例示的な環境を示す。 図２は、本開示のいくつかの実施形態による、ニューラルネットワークを動的環境に適応させるためのシステムの詳細図である。 図３Ａは本開示のいくつかの実施形態による、ニューラルネットワークを動的環境に適応させるための例示的な図である。 図３Ｂは本開示のいくつかの実施形態による、ニューラルネットワークを動的環境に適応させるための例示的な図である。 図３Ｃは本開示のいくつかの実施形態による、ニューラルネットワークを動的環境に適応させるための例示的な図である。 図４は、本開示のいくつかの実施形態による、動的環境に適応するためのニューラルネットワークを訓練するための方法ステップを示す例示的なフローチャートである。 図５は、本開示のいくつかの実施形態によるニューラルネットワークを動的環境に適応させるための方法ステップを示す例示的なフローチャートである。 図６は、本開示の実施形態によるニューラルネットワークを動的環境に適応させるための汎用コンピューティングシステムのブロック図である。

本明細書における任意のブロック図は、本主題の原理を具体化する例示的なシステムの概念図を表すことが、当業者には理解されよう。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コードなどは、そのようなコンピュータ又はプロセッサが明示的に示されているか否かにかかわらず、実質的にコンピュータ可読媒体で表され、コンピュータ又はプロセッサによって実行され得る様々なプロセスを表すことが理解されよう。

本明細書において、「例示的」という語は、「例、実例、又は説明として役立つ」という意味で使用される。本明細書において「例示的」として記載される本主題の任意の実施形態又は実装は、必ずしも、他の実施形態よりも好ましい又は有利であると解釈されるものではない。

本開示は様々な修正及び代替形態に影響を受け得るが、その具体的な実施形態が図面に例示的に示されており、以下に詳細に説明される。しかしながら、本開示を開示された特定の形態に限定することを意図するものではなく、逆に、本開示は、本開示の範囲内に入る全ての変更、等価物、及び代替物を対象とするものであることを理解されたい。

「含む」、「含むこと」、又はそれらの他の変形は、非排他的な包含を意図しており、構成要素又はステップのリストから構成されるセットアップ、装置又は方法は、それらの構成要素又はステップのみを含むのではなく、明示的に列挙されていない、又はそのようなセットアップ又は装置又は方法に固有の他の構成要素又はステップを含む可能性がある。言い換えれば、システム又は装置内の１つ又は複数の要素の「…を含む」という文は、さらなる制約がなければ、システム又は装置内の他の要素又は追加の要素の存在を妨げるものではない。

ニューラルネットワークは、さまざまな業界のさまざまなアプリケーションで使用されている。このようなアプリケーションで使用される場合、ニューラルネットワークはさまざまな種類の環境に対応する。ニューラルネットワークは、より良い性能を得るために、異なる種類の環境に適応する必要がある。本開示は、ニューラルネットワークを異なる動的環境に適応させるための方法及びシステムを提供する。ニューラルネットワークは、複数の訓練データ項目の訓練特徴（例えば、背景特徴）の第１のセットと訓練特徴（例えば、前景特徴）の第２のセットを提供することによって訓練される。ニューラルネットワークは、特徴の第１のセット及び特徴の第２のセットを相関させ、第１のラベル（例えば、背景ラベル）及び第２のラベル（例えば、前景ラベル）との相関ペアを形成する。ニューラルネットワークが入力データ項目の特徴（例えば背景特徴）の第１のセットを受信すると、ニューラルネットワークは相関ペアに基づいて入力データ項目の特徴の第２のセット（例えば前景特徴）を決定する。したがって、ニューラルネットワークは新しい環境に適応することができる。したがって、本開示は、ニューラルネットワークを異なる環境に適応させることを可能にする。本開示は、新たな環境（例えば、新たなモノのインターネット（ＩｏＴ）環境）に対するデータ不足の制約下でニューラルネットワークを開発する際に使用することができ、それによってニューラルネットワークの用途を拡大することができる。

図１は、本開示のいくつかの実施形態による、ニューラルネットワークを動的環境に適応させるための例示的な環境１００を示す。環境１００は、ニューラルネットワーク１０２及びシステム１０４を有する。入力データ項目１０１は、ニューラルネットワーク１０２に提供されてもよい。入力データ項目１０１は、画像、ビデオ、音声入力、テキスト入力、音声入力などのうちの１つを含む。入力データ項目１０１は、キャプチャユニット、ボイスレコーダ、データベースなどのようなソースから受信されてもよい。システム１０４は、入力データ項目１０１の第１の部分に関連付けられた、入力データ項目１０１の特徴の第１のセット１０３（第１の特徴のセット１０３）を受信する。例えば、入力データ項目１０１が画像である場合、入力データ項目１０１の第１の部分は画像の背景であってもよい。一実施形態では、特徴の第１のセット１０３は、ニューラルネットワーク１０２から受信されてもよい。人工ニューラルネットワークとしても知られるニューラルネットワーク１０２は、相互接続されたノードを有するコンピューティングシステムである。ニューラルネットワーク１０２は、継続的な学習及び改善のために、データ、領域、及び分類における隠れたパターン及び相関を経時的に認識する。ニューラルネットワーク１０２は、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、長期短期記憶（ＬＳＴＭ）、再帰的ニューラルネットワーク、グラフ畳み込みネットワーク、逐次ニューラルネットワーク、エンコーダ－デコーダネットワーク、及び、それらの組み合わせなどのうちの少なくとも１つで構成される。当業者は、本開示が、上記のニューラルネットワーク以外の任意のニューラルネットワークに適用可能であることを理解するであろう。

システム１０４は、特徴の第１のセット１０３を１つ以上の相関ペアと関連付けることによって、入力データ項目１０１の第２の部分に関連付けられた、入力データ項目１０１の特徴の第２のセット１０８（第２の特徴のセット１０８）を決定してもよい。例えば、入力データ項目１０１が画像である場合、入力データ項目１０１の第２の部分は画像の前景であってもよい。本明細書では、入力データ項目１０１の前景は、ニューラルネットワーク１０２の所定の用途に関連する関心対象／音声特徴（入力データ項目１０１が音声入力を含む場合）を含む入力データ項目１０１の一部を指す。入力データ項目１０１の背景とは、関心対象を含まない／ニューラルネットワーク１０２の所定のアプリケーションに関連しない、入力データ項目１０１の一部／音声特徴を指す。相関ペアは、ニューラルネットワーク１０２を使用して、複数の訓練データ項目の各々のデータセットの訓練特徴の第１のセット（第１訓練特徴のセット）及び訓練特徴の第２のセット（第２訓練特徴のセット）からなる特徴セットを受信することによって生成される。例えば、訓練特徴の第１のセットは背景訓練特徴であってもよく、訓練特徴の第２のセットは前景訓練特徴であってもよい。複数の訓練データ項目の各々のデータセットは、元のデータ項目と、元のデータ項目の１つ以上の変換とから構成されてもよい。訓練特徴の第１のセット及び訓練特徴の第２のセットは、第１のラベル及び第２のラベルを生成するために特徴空間上に投影される。さらに、訓練特徴の第１のセット及び訓練特徴の第２のセットは、訓練特徴の第１のセットを訓練特徴の第２のセットに相関させることによって、特徴空間上に再配置される。再配置に基づいて、第１のラベル及び対応する第２のラベルをそれぞれ示す１つ又は複数の相関ペアが生成される。相関ペアは、第１のラベル（例えば、背景ラベル）及び対応する第２のラベル（例えば、前景ラベル）を示す。新たな特徴（例えば、背景特徴）を有する新たな入力データ項目１０１が受信されると、ニューラルネットワーク１０２は、入力データ項目１０１の前景特徴を決定し、異なる環境に適応することができる。ニューラルネットワーク１０２は、物体検出、物体追跡、顔認識などのアプリケーションで実装することができる。

システム１０４は、入出力（Ｉ／Ｏ）インターフェース１０６、メモリ１０７、及び中央処理装置１０５（「ＣＰＵ」又は「１つ以上のプロセッサ１０５」とも呼ばれる）を含むことができる。いくつかの実施形態では、メモリ１０７は、１つ又は複数のプロセッサ１０５に通信可能に結合されてもよい。メモリ１０７は、１つ以上のプロセッサ１０５によって実行可能な命令を記憶する。１つ以上のプロセッサ１０５は、ユーザ又はシステムが生成した要求を実行するためのプログラムコンポーネントを実行するための少なくとも１つのデータプロセッサを含んでよい。メモリ１０７は、１つ以上のプロセッサ１０５に通信可能に結合されてもよい。メモリ１０７は、１つ又は複数のプロセッサ１０５によって実行可能な命令を記憶し、実行時に、１つ又は複数のプロセッサ１０５にニューラルネットワーク１０２を動的環境に適応させるようにさせることができる。Ｉ／Ｏインターフェース１０６は、入力信号又は／及び出力信号が通信される１つ又は複数のプロセッサ１０５と結合される。例えば、入力データ項目１０１は、Ｉ／Ｏインターフェース１０６を介してユーザから受信されることがある。一実施形態では、システム１０４は、ラップトップコンピュータ、デスクトップコンピュータ、パーソナルコンピュータ（ＰＣ）、ノートブック、スマートフォン、タブレット、サーバ、ネットワークサーバ、クラウドベースのサーバなど、様々なコンピューティングシステムに実装することができる。

本開示のいくつかの実施形態による、ニューラルネットワーク１０２を異なる環境に適応させるためのシステム１０４の詳細図２００を示す。一実施形態では、メモリ１０７は、１つ以上のモジュール２０２及びデータ２０１を含み得る。１つ又は複数のモジュール２０２は、ダイナミックな環境にニューラルネットワーク１０２を適応させるために、データ２０１を使用して本開示のステップを実行するように構成され得る。一実施形態では、１つ以上のモジュール２０２の各々は、メモリ１０７の外部にあり、システム１０４と結合され得るハードウェアユニットであってもよい。本明細書で使用される場合、モジュール２０２という用語は、ASIC（Application Specific Integrated Circuit）、電子回路、FPGA（Field-Programmable Gate Arrays）、PSoC（Programmable System-on-Chip）、組合せ論理回路、及び／又は記載された機能を提供する他の適切なコンポーネントを指す。１つ又は複数のモジュール２０２は、本開示において定義される記載された機能性で構成されるとき、新規なハードウェアをもたらす。

一実施形態では、モジュール２０２は、例えば、入力モジュール２０９、ラベル生成モジュール２１０、再配置モジュール２１１、相関モジュール２１２、決定モジュール２１３、及び他のモジュール２１４を含むことができる。このような前述のモジュール２０２は、単一のモジュールとして表されてもよいし、異なるモジュールの組み合わせとして表されてもよいことが理解されよう。一実施態様では、データ２０１は、例えば、入力データ２０３、ラベルデータ２０４、再配置データ２０５、相関データ２０６、決定データ２０７、及び他のデータ２０８を含むことができる。

一実施形態において、入力モジュール209は、複数の訓練データ項目の各々のデータセットの特徴セットを受信するように構成されてもよい。複数の訓練データ項目は、画像、ビデオ、音声入力、テキスト入力、音声入力などのうちの１つを含んでよい。複数の訓練データ項目の各々のデータセットは、元のデータ項目と、元のデータ項目の１つ以上の変換とから構成される。元のデータ項目の１つ以上の変換は、回転、平行移動、スケーリングなどのうちの少なくとも１つから構成されてもよい。例えば、データセットは、原画像、原画像の回転バージョン、原画像のスケーリングバージョン等から構成されてもよい。特徴セットは、複数の訓練データ項目の各々のデータセットの訓練特徴の第1のセット及び訓練特徴の第２のセットから構成されてもよい。訓練特徴の第１のセットは、複数の訓練データ項目の各々の第１の部分に関連付けられ得る。訓練特徴の第２のセットは、複数の訓練データ項目の各々の第２の部分に関連付けられてもよい。例えば、訓練データ項目が画像であることを考える。その場合、訓練データ項目の第１の部分は画像の背景であってもよい。一方、訓練データ項目の第２の部分は、画像の前景であってもよい。画像は、前景に列車、背景に鉄道駅構内の人々から構成される。別の例では、画像は、前景に作業員、背景に組立ライン環境から構成される。

一実施形態では、ニューラルネットワーク１０２の訓練中、入力モジュール２０９は、１つ又は複数のニューラルネットワーク１０２から訓練特徴の第１のセット及び訓練特徴の第２のセットを受信してもよい。例えば、第１のニューラルネットワークは、複数の訓練データ項目の各々のデータセットの第１の部分に関連する訓練特徴の第１のセットを抽出するために使用されてもよい。第２のニューラルネットワークは、複数の訓練データ項目の各々のデータセットの第２の部分に関連付けられた訓練特徴の第２のセットを抽出するために使用されてもよい。１つ又は複数のニューラルネットワーク１０２は、訓練されたニューラルネットワーク又は未訓練のニューラルネットワークであってよい。一実施形態において、複数の訓練データ項目は、入力モジュール２０９に提供されてもよい。入力モジュール２０９は、複数の訓練データ項目のそれぞれの第１の部分及び第２の部分を生成してもよい。例えば、入力モジュール２０９は、複数の訓練データ項目の各々の前景及び背景を得るために、背景減算技術を使用して、複数の訓練データ項目の各々の第１の部分及び第２の部分を生成してもよい。当業者であれば、複数の訓練データ項目の各々の第１の部分及び第２の部分を得るために、上述の技法以外の任意の技法が使用されてもよいことを理解するであろう。別の実施形態において、入力モジュール２０９は、複数の訓練データ項目の各々の第１の部分及び第２の部分を受信してもよい。第１の部分及び第２の部分は、ユーザ、データベースなどから受信されてもよい。

図３Ａの例３００を参照すると、複数の訓練データ項目の各々の第１の部分３０２及び第２の部分３０１が図示されている。この例では、複数の訓練データ項目の各々は画像である。第１の部分３０２は画像の背景であり、第２の部分３０１は画像の前景である。さらに、複数の訓練データ項目の各々の１つ以上の変換３０３が生成される。次に、１つ又は複数のニューラルネットワーク１０２（ニューラルネットワーク１０２_１、ニューラルネットワーク１０２_２）は、複数の訓練データ項目の各々のデータセットの特徴の第１のセット及び特徴の第２のセットを抽出することができる。例えば、ニューラルネットワーク１０２_１は、特徴の第２のセット３０４（例えば、前景特徴）を生成し、ニューラルネットワーク１０２_２は、特徴の第１のセット３０５（例えば、背景特徴）を生成する。一例において、ニューラルネットワーク１０２は、異なるアプリケーションにおいてニューラルネットワーク１０２によって実行されるタスクに基づいて、複数の訓練データ項目の各々の複数のクラスに対して訓練されてもよい。各クラスに対応する特徴の第１のセット３０５及び特徴の第２のセット３０４が抽出されてもよい。特徴セットは、入力データ２０３としてメモリ１０７に格納されてもよい。

一実施形態において、ラベル生成モジュール２１０は、入力モジュール２０９から入力データ２０３を受信するように構成されてもよい。さらに、ラベル生成モジュール２１０は、複数の訓練データ項目の各々のデータセットについて、１つ以上の第１のラベル及び１つ以上の第２のラベルを生成するように構成されてもよい。ラベル生成モジュール２１０は、訓練特徴の第１のセット及び訓練特徴の第２のセットを特徴空間上に投影することによって、１つ以上の第１のラベル（例えば、背景ラベル）及び１つ以上の第２のラベル（例えば、前景ラベル）を生成する。まず、ラベル生成モジュール２１０は、複数の訓練データ項目からの訓練データ項目の第２の部分の１つ以上のクラスの各々の、特徴空間における訓練特徴の第１のセット及び訓練特徴の第２のセットを投影する。例えば、訓練データ項目は画像であってもよい。画像の第２の部分（例えば、前景）の１つ又は複数のクラスは、オブジェクト識別、オブジェクト認識などを含み得る。一例において、ニューラルネットワーク１０２は、歩行者分類において実装されてもよい。その場合、１つ又は複数のクラスは、歩行者識別、歩行者認識などを含み得る。別の例では、ニューラルネットワーク１０２は、職場の安全のための監視アプリケーションに実装されてもよい。１つ又は複数のクラスは、作業者識別、安全装置遵守検出などを含むことができる。一実施形態では、特徴空間は超球であってもよい。当業者であれば、訓練特徴の第１のセット及び第２のセットは、上述の特徴空間以外の任意の特徴空間に投影されてもよいことを理解するであろう。図３Ｂの３０６を参照すると、三角形は、特徴空間３０８に投影された訓練特徴の第２のセットからの訓練特徴を示す。同様に、星印は、特徴空間３０８に投影された訓練特徴の第１のセットからの訓練特徴を示す。次に、ラベル生成モジュール２１０は、訓練特徴の第１のセットと訓練特徴の第２のセットとの間の類似性に基づいて複数の領域を作成する。図３Ｂの例を参照すると、複数の領域３０７₁₁、３０７₁₂、３０７₂₁、３０７₂₂、３０７₃₁及び３０７₃₂が作成される。特徴空間が超球の場合、複数の領域は球である。他の例では、複数の領域は、正方形、eclipseなどを含んでもよい。３０９は、訓練特徴の第１のセットと訓練特徴の第２のセットを分離する湾曲超平面３０９を示す。

ラベル生成モジュール２１０は、複数の領域の各々の中心及び半径を特定してもよい。次に、ラベル生成モジュール２１０は、複数の訓練データ項目から他の訓練データ項目の第２の部分の１つ以上のクラスのそれぞれの、特徴空間における訓練特徴の第１のセット及び訓練特徴の第２のセットを投影することによって、複数の領域のそれぞれの半径を調整する。特徴空間が超球である場合、ラベル生成モジュール２１０は、以下の式（１）に基づいて半径を調整する。

ここで、「W_pxk」は中心行列、「R_pxk」は半径行列、「l_mxn」は訓練特徴の第１及び第２のセット、「Dist」は特徴空間における点（訓練特徴の第１のセット及び訓練特徴の第２のセット）間の距離である。距離は、ユークリッド距離、コサイン距離などを用いて計算することができる。ラベル生成モジュール２１０は、対応する領域に関連付けられた、訓練特徴の第１のセットと訓練特徴の第２のセットの類似性に基づいて、複数の領域の各々に対してラベルを生成する。例えば、「黄色いシャツを着た歩行者」というラベルが、領域３０７_１１に対して生成されることがある。複数の領域の数は、複数の訓練データ項目の各々の１つ以上の変換３０３の数と、１つ以上のクラスの数に基づく。一実施形態では、複数の領域の数は、１つ以上のクラスと１つ以上の変換３０３との積である。１つ以上の第１のラベル及び１つ以上の第２のラベルは、ラベルデータ２０４としてメモリ１０７に記憶されてもよい。

一実施形態において、再配置モジュール２１１は、入力モジュール２０９から入力データ２０３を受信し、ラベル生成モジュール２１０からラベルデータ２０４を受信するように構成されてもよい。さらに、再配置モジュール２１１は、訓練特徴の第１のセットと訓練特徴の第２のセットとの相関に基づいて、訓練特徴の第１のセットと訓練特徴の第２のセットとを特徴空間上に再配置するように構成されてもよい。特に、再配置モジュール２１１は、訓練特徴の第２のセットの生成に関連する１つ以上のニューラルネットワーク１０２から第１のニューラルネットワークに１つ以上の第１のラベルを提供することによって、１つ以上の第２のラベルを１つ以上の第１のラベルと相関させる。さらに、１つ又は複数の第２のラベルは、訓練特徴の第１のセットの生成に関連付けられた１つ又は複数のニューラルネットワーク１０２から第２のニューラルネットワークに提供される。相関（関連付け）は、スワップされたラベリング技術を使用して実行されてもよい。当業者は、１つ又は複数の第２のラベルを１つ又は複数の第１のラベルと相関させるために、上述の技法以外の任意の技法が使用されてもよいことを理解するであろう。再配置モジュール２１１は、相関関係に基づいて、特徴空間上で訓練特徴の第１のセット及び訓練特徴の第２のセットを再配置してもよい。一例において、再配置は、訓練特徴の第２のセットを有する領域に対する訓練特徴の第１のセットを有する領域の移動を含み得る。図３Ｂの例を参照すると、相関関係に基づいて、領域３０７_１２が領域３０７_１１に近付くように移動されてもよい。再配置された訓練特徴の第１のセット及び訓練特徴の第２のセットに関連するデータは、再配置データ２０５としてメモリ１０７に格納されてもよい。

一実施形態において、相関モジュール２１２は、再配置モジュール２１１から再配置データ２０５を受信するように構成されてもよい。さらに、相関モジュール２１２は、１つ以上の相関ペアを生成するように構成されてもよい。相関モジュール２１２は、訓練特徴の第１のセット及び訓練特徴の第２のセットの再配置に基づいて、１つ又は複数の相関ペアを生成してもよい。１つ又は複数の相関ペアの各々は、複数の訓練データ項目の各々のデータセットの１つ又は複数の第１のラベル及び対応する第２のラベルを示してよい。図３Ｂの例を参照すると、第１の相関ペアは、領域３０７₁₁と領域３０７₁₂とを含み、第2の相関ペアは、領域３０７₂₁と領域３０７₂₂とを含み、第3の相関ペアは、領域３０７₃₁と領域３０７₃₂とを含む。一例において、相関ペアは、複数の画像の各々のデータセットの背景ラベル及び対応する前景ラベルを示すことができる。１つ以上の相関ペアは、相関データ２０６としてメモリ１０７に格納されることがある。

一実施形態では、展開中、入力モジュール２０９は、入力データ項目１０１の特徴の第１のセット１０３を受信するようにさらに構成される。入力データ項目１０１は、画像、ビデオ、音声入力、テキスト入力及び音声入力などのうちの１つを含んでよい。特徴の第１のセット１０３は、入力データ項目１０１の第１の部分に関連付けられることがある。例えば、入力データ項目１０１は画像であってもよい。入力データ項目１０１の第１の部分は、画像の背景であってもよい。一例では、画像の背景は、オープンエリアにある列車を含むことがある。別の例では、入力データ項目１０１は書かれたテキストであってもよい。背景は青い紙を含んでいてもよい。別の例では、背景は生産ライン環境を含む。ニューラルネットワークは、組立ライン環境で訓練されてもよい。一実施形態では、入力モジュール２０９は、ニューラルネットワーク１０２から特徴の第１のセット１０３を受信してもよい。別の実施形態では、入力モジュール２０９は、データベース、ユーザ、キャプチャユニット、オーディオレコーダなどの１つ以上のソースから特徴の第１のセットを受信してもよい。特徴の第１のセット１０３は、入力データ２０３としてメモリ１０７に格納されてもよい。

一実施形態では、決定モジュール２１３は、入力モジュール２０９から入力データ２０３を受信するように構成される。さらに、決定モジュール２１３は、入力データ項目１０１の特徴の第２のセット１０８を決定するように構成される。特徴の第２のセット１０８は、入力データ項目１０１の第２の部分、例えば、画像の前景に関連付けられる。決定モジュール２１３は、特徴の第１のセット１０３を１つ又は複数の相関ペアと関連付けることによって、特徴の第２のセット１０８を決定してもよい。決定モジュール２１３は、図３Ｃに示されるように、変換行列Wt３１０を生成することによって、特徴の第１のセット１０３を１つ又は複数の相関ペアと関連付けることができる。一実施形態では、変換行列Ｗｔは、リーマン条件付け技法（Riemannian conditioning technique）を使用して生成されてもよい。決定モジュール２１３は、以下に与えられるように、式（２）を使用して、特徴の第１のセット１０３を１つ又は複数の相関ペアと関連付けることができる。

ここで、Arccosはコサイン関数の逆関数を示す。当業者であれば、上述の関数以外の任意の逆三角関数が、特徴の第１のセット１０３と１つ又は複数の相関ペアとの関連付けに使用され得ることを理解するであろう。特徴の第２のセット１０８は、メモリ１０７に決定データ２０７として記憶されてもよい。上述の例を参照すると、ニューラルネットワーク１０２は、背景に人がいる場合に列車又は列車の周囲の物体を識別するように訓練されてもよい。本開示は、列車がオープンエリアにある場合に、ニューラルネットワーク１０２が列車又は列車の周囲の物体を識別することを可能にする。したがって、本開示は、異なる環境におけるニューラルネットワーク１０２による予測における背景変動（例えば、オープンエリアにおける太陽光）を克服し、したがって、ニューラルネットワーク１０２の性能及びスケーラビリティを向上させる。

その他のデータ２０８は、システム１０４の様々な機能を実行するために１つ又は複数のモジュール２０２によって生成された一時データ及び一時ファイルを含むデータを格納することができる。その他のデータ２０８は、メモリ１０７に格納されてもよい。また、１つ以上のモジュール２０２は、システム１０４の様々な雑多な機能を実行するための他のモジュール２１４を含んでもよい。例えば、他のモジュール２１４は、テストモジュールを含むことができる。テストモジュールは、訓練特徴の第２のセット及び特徴の第２のセット１０８に基づいて、１つ又は複数のテスト特徴を生成するように構成されてもよい。さらに、テストモジュールは、１つ以上のテスト特徴を特徴の第１のセット１０３と比較することによって偏差を識別するように構成されてもよい。テストモジュールは、入力データ項目１０１の第１の部分に関連する正しい特徴（背景特徴）が予測されるか否かを判定するために、偏差を識別する。次に、テストモジュールは、偏差の識別に応じて、１つ以上のテスト特徴を修正するように構成されてもよい。さらに、テストモジュールは、特徴の第２のセット１０８を修正するように構成されてもよい。テストモジュールは、特徴の第２のセット１０８を修正するために逆変換を実行するために使用される。１つ又は複数のモジュール２０２は、単一のモジュール又は異なるモジュールの組み合わせとして表されてもよいことが理解されよう。

図４は、本開示のいくつかの実施形態に従って、動的環境に適応するためのニューラルネットワーク１０２を訓練するための方法ステップを示す例示的なフローチャートである。図４に示されるように、方法４００は、１つ又は複数のステップから構成され得る。方法４００は、コンピュータ実行可能命令の一般的な文脈で説明され得る。一般に、コンピュータ実行可能命令は、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造、手順、モジュール、及び、関数を含み得、これらは、特定の機能を実行するか、又は特定の抽象データ型を実装する。

方法４００が説明される順序は、限定として解釈されることを意図しておらず、説明される方法ブロックの任意の数は、方法を実施するために任意の順序で組み合わせることができる。さらに、個々のブロックは、本明細書に記載の主題の範囲から逸脱することなく、方法から削除することができる。 さらに、本方法は、任意の適切なハードウェア、ソフトウェア、ファームウェア、又はそれらの組み合わせで実施することができる。

ステップ４０１で、システム１０４は、入力データ項目１０１の特徴の第１のセット１０３を受信する。入力データ項目１０１は、画像、ビデオ、音声入力、テキスト入力及び音声入力などのうちの１つで構成されてもよい。特徴１０３の第１のセットは、入力データ項目１０１の第１の部分に関連付けられる。一実施形態では、システム１０４は、ニューラルネットワーク１０２から特徴の第１のセット１０３を受信してもよい。別の実施形態では、システム１０４は、データベース、ユーザ、キャプチャユニット、オーディオレコーダなどの１つ又は複数のソースから特徴の第１のセットを受信してもよい。

ステップ４０２において、システム１０４は、複数の訓練データ項目の各々のデータセットについて、１つ以上の第１のラベル及び１つ以上の第２のラベルを生成する。システム１０４は、訓練特徴の第１のセット及び訓練特徴の第２のセットを特徴空間上に投影することによって、１つ又は複数の第１のラベル及び１つ又は複数の第２のラベルを生成する。システム１０４は、複数の訓練データ項目からの訓練データ項目の第２の部分の１つ又は複数のクラスの各々の、特徴空間における訓練特徴の第１のセット及び訓練特徴の第２のセットを投影する。さらに、システム１０４は、訓練特徴の第１のセットと訓練特徴の第２のセットとの間の類似性に基づいて、複数の領域を作成する。次に、システム１０４は、複数の領域のそれぞれの中心と半径を特定する。システム１０４は、複数の訓練データ項目から他の訓練データ項目の第２の部分の１つ又は複数のクラスの各々について、訓練特徴の第１のセット及び訓練特徴の第２のセットを特徴空間内に投影することによって、複数の領域の各々の半径を調整する。さらに、システム１０４は、訓練特徴の第１のセット及び訓練特徴の第２のセットの類似性に基づいて、対応する領域に関連付けられた、複数の領域の各々に対するラベルを生成する。

ステップ４０３において、システム１０４は、訓練特徴の第１のセットと訓練特徴の第２のセットとの相関に基づいて、訓練特徴の第１のセットと訓練特徴の第２のセットとを特徴空間上に再配置する。システム１０４は、訓練特徴の第２のセットの生成に関連する１つ又は複数のニューラルネットワーク１０２から第１のニューラルネットワークに１つ又は複数の第１のラベルを提供することによって、１つ又は複数の第２のラベルを１つ又は複数の第１のラベルと相関させる。さらに、１つ又は複数の第２のラベルは、訓練特徴の第１のセットの生成に関連付けられた１つ又は複数のニューラルネットワーク１０２からの第２のニューラルネットワークに提供される。

ステップ４０４において、システム１０４は、１つ以上の相関ペアを生成する。システム１０４は、訓練特徴の第１のセット及び訓練特徴の第２のセットの再配置に基づいて、１つ又は複数の相関ペアを生成してもよい。１つ又は複数の相関ペアの各々は、複数の訓練データ項目の各々のデータセットの１つ又は複数の第１のラベル及び対応する第２のラベルを示してもよい。

図５は、本開示のいくつかの実施形態による、ニューラルネットワーク１０２を動的環境に適応させるための方法ステップを示す例示的なフローチャートである。図５に示されるように、方法５００は、１つ又は複数のステップから構成され得る。方法５００は、コンピュータ実行可能命令の一般的な文脈で説明され得る。一般に、コンピュータ実行可能命令は、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造、手順、モジュール、及び関数を含み得る、これらは、特定の機能を実行するか、又は特定の抽象データ型を実装する。

方法５００が説明される順序は、限定として解釈されることを意図しておらず、説明される方法ブロックの任意の数は、方法を実施するために任意の順序で組み合わせることができる。さらに、個々のブロックは、本明細書に記載の主題の範囲から逸脱することなく、方法から削除することができる。さらに、本方法は、任意の適切なハードウェア、ソフトウェア、ファームウェア、又はそれらの組み合わせで実施することができる。

ステップ５０１で、システム１０４は、入力データ項目１０１の特徴の第１のセット１０３を受信する。入力データ項目１０１は、画像、ビデオ、音声入力、テキスト入力及び音声入力などのうちの１つで構成されてもよい。特徴の第１のセット１０３は、入力データ項目１０１の第１の部分に関連付けられる。一実施形態では、システム１０４は、ニューラルネットワーク１０２から特徴の第１のセット１０３を受信してもよい。別の実施形態では、システム１０４は、データベース、ユーザ、キャプチャユニット、オーディオレコーダなどの１つ又は複数のソースから特徴の第１のセットを受信してもよい。

ステップ５０２で、システム１０４は、入力データ項目１０１の特徴の第２のセット１０８を決定する。特徴の第２のセット１０８は、入力データ項目１０１の第２の部分に関連付けられる。システム１０４は、特徴の第１のセット１０３を１つ以上の相関ペアと関連付けることによって、特徴の第２のセット１０８を決定する。システム１０４は、リーマン条件付け技術（Riemannian conditioning technique）を使用して変換行列Wtを生成することによって、特徴の第１のセット１０３を１つ又は複数の相関ペアと関連付けることができる。当業者であれば、上述の技法以外の任意の技法が、特徴の第１のセット１０３を１つ又は複数の相関ペアと関連付けるために使用されてもよいことを理解するであろう。

上述した実施例及び対応する図は、入力データ項目（複数の訓練データ項目及び入力データ項目１０１）を画像とみなして説明する。従って、特徴の第１のセット、特徴の第２のセット、訓練特徴の第１のセット、訓練特徴の第２のセット、第１のラベル、第２のラベル等は、画像の前景及び背景に対応する。本発明は、画像に限定されず、特徴の第１のセット、特徴の第２のセットは、入力データ項目１０１のタイプに基づいて適宜変化してもよい。例えば、入力データ項目１０１は、ニューラルネットワークの音声認識アプリケーションのための音声入力を含んでもよい。このような場合、特徴の第１のセットは、人物のアクセントなどの音声入力の背景特徴から構成されてもよい。特徴の第２のセットは、人物の声などの音声入力の前景特徴から構成されてもよい。別の例では、入力データ項目１０１は、ニューラルネットワークのアクセント分類アプリケーションにおける音声入力を含む場合がある。このような場合、特徴の第１のセットは、人物の声などの音声入力の背景特徴から構成されてもよい。特徴の第２のセットは、人物のアクセントなどの音声入力の前景特徴から構成される場合がある。

＜コンピュータシステム＞
図６は、本開示と一致する実施形態を実施するための例示的なコンピュータシステム６００のブロック図である。実施形態において、コンピュータシステム６００は、システム１０４であってもよい。したがって、コンピュータシステム６００は、動的環境においてニューラルネットワーク１０２を適応させるために使用されてもよい。コンピュータシステム６００は、中央処理装置６０２（「ＣＰＵ」又は「プロセッサ」とも呼ばれる）を含んでもよい。プロセッサ６０２は、少なくとも１つのデータプロセッサを含んでよい。プロセッサ６０２は、統合システム（バス）コントローラ、メモリ管理制御ユニット、浮動小数点ユニット、グラフィック処理ユニット、デジタル信号処理ユニットなどの特殊な処理ユニットを含んでもよい。プロセッサ６０２は、図２で説明したプロセッサ１０５を実現するために使用されてもよい。

プロセッサ６０２は、Ｉ／Ｏインターフェース６０１を介して、１つ以上の入力／出力（Ｉ／Ｏ）デバイス（図示せず）と通信可能に配置されてもよい。Ｉ／Ｏインターフェース６０１は、限定されないが、オーディオ、アナログ、デジタル、モノラル、ＲＣＡ、ステレオ、IEEE（Institute of Electrical and Electronics Engineers）-１３９４、シリアルバス、ユニバーサルシリアルバス（USB）、赤外線、PS／2、BNC、同軸、コンポーネント、コンポジット、デジタルビジュアルインターフェース（DVI）、高精細マルチメディアインターフェース（HDMI）、無線周波数（RF）アンテナ、Sビデオ、VGA、IEEE 802.n /b/g/n/x、ブルートゥース、セルラー（例えば、符号分割多元接続（CDMA）、高速パケットアクセス（HSPA+）、グローバル移動通信システム（GSM）、長期進化（LTE）、WiMaxなど）などのような、通信プロトコル／通信方法などが挙げられる。

Ｉ／Ｏインターフェース６０１を使用して、コンピュータシステム６００は、１つ又は複数のＩ／Ｏデバイスと通信してもよい。例えば、入力デバイス６１０は、アンテナ、キーボード、マウス、ジョイスティック、（赤外線）リモートコントロール、カメラ、カードリーダ、ファックス機、ドングル、バイオメトリックリーダ、マイクロフォン、タッチスクリーン、タッチパッド、トラックボール、スタイラス、スキャナ、記憶装置、トランシーバ、ビデオデバイス／ソースなどであってもよい。出力デバイス６１１は、プリンタ、ファクシミリ、ビデオ・ディスプレイ（例えば、陰極線管（CRT）、液晶ディスプレイ（LCD）、発光ダイオード（LED）、プラズマ、プラズマ・ディスプレイ・パネル（PDP）、有機発光ダイオード・ディスプレイ（OLED）等）、オーディオ・スピーカ等であってもよい。

プロセッサ６０２は、ネットワークインターフェース６０３を介して通信ネットワーク６０９と通信可能に配置されてもよい。ネットワークインターフェース６０３は、通信ネットワーク６０９と通信してもよい。ネットワークインターフェース６０３は、限定されないが、ダイレクトコネクト、イーサネット（例えば、ツイストペア１０／１００／１０００ベースＴ）、伝送制御プロトコル／インターネットプロトコル（TCP／IP）、トークンリング、IEEE802.11a／b／g／n／xなどを含む接続プロトコルを採用してもよい。通信ネットワーク６０９は、限定するものではないが、直接相互接続、ローカルエリアネットワーク（LAN）、ワイドエリアネットワーク（WAN）、ワイヤレスネットワーク（例えば、ワイヤレスアプリケーションプロトコルを使用する）、インターネット等を含み得る。ネットワークインターフェース６０３は、接続プロトコルとして、ダイレクトコネクト、イーサネット（例えば、ツイストペア10／100／1000ベースT）、伝送制御プロトコル／インターネットプロトコル（TCP／IP）、トークンリング、IEEE 802.11a／b／g／n／xなどを採用することができるが、これらに限定されない。

通信ネットワーク６０９は、直接相互接続、電子商取引ネットワーク、ピアツーピア（Ｐ２Ｐ）ネットワーク、ローカルエリアネットワーク（LAN）、ワイドエリアネットワーク（WAN）、ワイヤレスネットワーク（例えば、ワイヤレスアプリケーションプロトコルを使用する）、インターネット、Wi-Fiなどを含むが、これらに限定されない。第１のネットワークと第２のネットワークは、専用ネットワークであっても、共有ネットワークであってもよく、これは、例えば、HTTP（Hypertext Transfer Protocol）、TCP／IP（Transmission Control Protocol／Internet Protocol）、WAP（Wireless Application Protocol）等の様々なプロトコルを使用して互いに通信する異なるタイプのネットワークの関連付けを表す。さらに、第１のネットワーク及び第２のネットワークは、ルータ、ブリッジ、サーバ、コンピューティングデバイス、ストレージデバイスなどを含む様々なネットワークデバイスを含み得る。コンピュータシステム６００は、通信ネットワーク６０９を介してデータ項目６１２（入力データ項目及び複数の訓練データ項目）を受信することができる。

いくつかの実施形態では、プロセッサ６０２は、ストレージインタフェース６０４を介してメモリ６０５（例えば、図６には示されていないRAM、ROMなど）と通信可能に配置されてもよい。ストレージインタフェース６０４は、シリアル・アドバンスド・テクノロジー・アタッチメント（SATA）、統合ドライブ・エレクトロニクス（IDE）、IEEE-1394、ユニバーサルシリアルバス（USB）、ファイバ・チャネル、小型コンピュータシステム・インターフェース（SCSI）などの接続プロトコルを採用する、限定されないが、メモリ・ドライブ、リムーバブル・ディスク・ドライブなどを含むメモリ605に接続してもよい。メモリ・ドライブには、さらに、ドラム、磁気ディスク・ドライブ、光磁気ドライブ、光学ドライブ、RAID（Redundant Array of Independent Discs）、ソリッド・ステート・メモリ・デバイス、ソリッド・ステート・ドライブなどを含めることができる。

メモリ６０５は、限定されるものではないが、ユーザインタフェース６０６、オペレーティングシステム６０７、ウェブブラウザ６０８などを含む、プログラム又はデータベースコンポーネントの集合を格納することができる。いくつかの実施形態では、コンピュータシステム６００は、本開示で説明されるようなデータ、変数、レコードなどのユーザ／アプリケーションデータを格納することができる。このようなデータベースは、Oracle（登録商標）又はSybase（登録商標）などのフォールトトレラント、リレーショナル、スケーラブル、セキュアなデータベースとして実装することができる。メモリ６０５は、図２で説明したメモリ１０７を実現するために使用することができる。メモリ６０５は、プロセッサ６０２と通信可能に結合されていてもよい。メモリ６０５は、１つ又は複数のプロセッサ６０２によって実行可能な命令を格納し、実行時に、プロセッサ６０２にニューラルネットワーク１０２を動的環境に適応させることができる。

オペレーティングシステム６０７は、コンピュータシステム６００のリソース管理及び動作を容易にすることができる。オペレーティングシステムの例としては、限定されないが、APPLE MACINTOSHR OS X、UNIXR、UNIXライクシステムディストリビューション（例えば、BERKELEY SOFTWARE DISTRIBUTIONTM（BSD）、FREEBSDTM、NETBSDTM、OPENBSDTM など）、LINUX DISTRIBUTIONSTM（例えば、RED HATTM,UBUNTUTM,KUBUNTUTMなど)、IBMTM OS/2、MICROSOFTTM WINDOWSTM (XPTM , VISTATM /7/8, 10など)、APPLER IOSTM、GOOGLER ANDROIDTM、BLACKBERRYR OSなどを含む。

いくつかの実施形態では、コンピュータシステム６００は、ウェブブラウザ６０８に格納されたプログラムコンポーネントを実装することができる。ウェブブラウザ６０８は、例えば、MICROSOFTR INTERNET EXPLORERTM 、GOOGLER CHROMETM0 、MOZILLAR FIREFOXTM 、APPLER SAFARITM などのハイパーテキスト閲覧アプリケーションであってもよい。セキュアなウェブブラウジングは、セキュア・ハイパーテキスト・トランスポート・プロトコル（HTTPS）、セキュア・ソケット・レイヤー（SSL）、トランスポート・レイヤー・セキュリティ（TLS）などを使用して提供される。ウェブブラウザ608は、AJAXTM 、DHTMLTM 、ADOBER FLASHTM、JAVASCRIPTTM 、JAVATM 、アプリケーションプログラミングインタフェース（API）などのファシリティを利用することができる。いくつかの実施形態では、コンピュータシステム６００は、メールサーバ（図示せず）に格納されたプログラムコンポーネントを実装してもよい。メールサーバは、Microsoft Exchangeなどのインターネットメールサーバーであってもよい。メールサーバは、ASPTM、ACTIVEXTM 、ANSITM C++/C#、MICROSOFTR、.NETTM、CGI SCRIPTSTM 、JAVATM、JAVASCRIPTTM、PERLTM、PHPTM、PYTHONTM、WEBOBJECTSTMなどの設備を利用してもよい。メールサーバは、IMAP（Internet Message Access Protocol）、MAPI（Messaging Application Programming Interface）、MICROSOFTR exchange、POP（Post Office Protocol）、SMTP（Simple Mail Transfer Protocol）などの通信プロトコルを利用することができる。いくつかの実施形態では、コンピュータシステム６００は、メールクライアントストアドプログラムコンポーネントを実装してもよい。メールクライアント（図示せず）は、APPLER MAILTM 、MICROSOFTR ENTOURAGETM 、MICROSOFTR OUTLOOKTM 、MOZILLAR THUNDERBIRDTM などのメール閲覧アプリケーションであってもよい。

さらに、本開示と一致する実施形態を実施する際に、１つ以上のコンピュータ読み取り可能な記憶媒体を利用することができる。コンピュータ可読記憶媒体は、プロセッサによって読み取り可能な情報又はデータが記憶され得る任意のタイプの物理的メモリを指す。したがって、コンピュータ読み取り可能記憶媒体は、プロセッサ（複数可）に本明細書に記載の実施形態と一致するステップ又は段階を実行させるための命令を含む、１つ又は複数のプロセッサによる実行のための命令を記憶することができる。「コンピュータ読み取り可能媒体」という用語は、有形物を含み、搬送波及び過渡信号を除外する、すなわち、非一過性であると理解されるべきである。例えば、ランダムアクセスメモリ（RAM）、読み出し専用メモリ（ROM）、揮発性メモリ、不揮発性メモリ、ハードドライブ、コンパクトディスク読み出し専用メモリ（CD ROM）、デジタルビデオディスク（DVD）、フラッシュドライブ、ディスク、及び他の任意の既知の物理的記憶媒体が挙げられる。

本開示は、ニューラルネットワークを異なる動的環境に適応させるための方法及びシステムを提供する。ニューラルネットワークは、複数の訓練データ項目の訓練特徴の第１のセット（例えば、背景特徴）と訓練特徴の第２のセット（例えば、前景特徴）とを提供することによって訓練される。
ニューラルネットワークは、特徴の第１のセット及び特徴の第２のセットを相関させ、第１のラベル（例えば、背景ラベル）及び第２のラベル（例えば、前景ラベル）との相関ペアを形成する。ニューラルネットワークが入力データ項目の特徴の第１のセット（例えば背景特徴）を受信すると、ニューラルネットワークは相関ペアに基づいて入力データ項目の特徴の第２のセット（例えば前景特徴）を決定する。したがって、ネットワークは新しい環境に適応することができる。したがって、本開示は、ニューラルネットワークを異なる環境に適応させることを可能にする。本開示は、新たな環境（例えば、新たなモノのインターネット（ＩｏＴ）環境）に対するデータ不足の制約下でのニューラルネットワークの開発に使用することができ、それによりニューラルネットワークの用途を拡大することができる。

「実施形態」、「実施形態」、「実施形態」、「１つ又は複数の実施形態」、「いくつかの実施形態」、及び「１つの実施形態」という用語は、明示的に別段の指定がない限り、「本発明（複数可）の１つ又は複数の（すべてではない）実施形態」を意味する。

用語「を含む」、「からなる」、「を有する」及びその変形は、明示的に別段の定めがない限り、「を含むが、これに限定されない」を意味する。

項目の列挙は、明示的に別段の定めがない限り、項目のいずれか又はすべてが相互に排他的であることを意味するものではない。「a」、「an」及び「the」という用語は、明示的に別段の定めがない限り、「１つ以上」を意味する。

互いに通信する複数の構成要素を有する実施形態の説明は、そのような構成要素がすべて必要であることを意味するものではない。それどころか、本発明の多種多様な可能な実施形態を説明するために、様々なオプションの構成要素が記載されている。

単一の装置又は成形品が本明細書に記載されている場合、複数の装置／成形品（それらが協働するか否かを問わない）が、単一の装置／成形品の代わりに使用され得ることは、容易に明らかであろう。同様に、本明細書において（それらが協働するか否かにかかわらず）２つ以上の装置又は物品が記載される場合、２つ以上の装置又は物品の代わりに単一の装置／物品が使用されてもよいこと、又は、示された数の装置又はプログラムの代わりに異なる数の装置／物品が使用されてもよいことは、容易に明らかであろう。装置の機能性及び／又は特徴は、そのような機能性／特徴を有するものとして明示的に記載されていない１つ以上の他の装置によって代替的に具現化されてもよい。したがって、本発明の他の実施形態は、装置自体を含む必要はない。

図４及び図５の図示された動作は、特定の事象が特定の順序で発生することを示している。代替の実施形態では、特定の動作は、異なる順序で実行されたり、修正されたり、削除されたりしてもよい。さらに、上述したロジックにステップを追加しても、説明した実施形態に適合する。さらに、本明細書に記載された操作は、順次行われてもよいし、特定の操作が並行して処理されてもよい。さらに、操作は、単一の処理ユニットによって実行されてもよいし、分散処理ユニットによって実行されてもよい。

最後に、本明細書で使用される文言は、主として読みやすさと説明の目的で選択されたものであり、発明的主題を画定又は包囲するために選択されたものではない可能性がある。したがって、本発明の範囲は、この詳細な説明によってではなく、むしろ、ここに基づく出願に基づいて発行される特許請求の範囲によって限定されることが意図される。従って、本発明の実施形態の開示は、以下の特許請求の範囲に規定される本発明の範囲を例示するものであるが、限定するものではないことを意図している。

本明細書では様々な態様及び実施形態を開示したが、他の態様及び実施形態も当業者には明らかであろう。本明細書に開示された様々な態様及び実施形態は、例示を目的とするものであり、限定を意図するものではなく、真の範囲は以下の特許請求の範囲によって示される。

１００…環境、１０１…入力データ項目、１０２…ニューラルネットワーク、１０３…特徴の第１のセット、１０４…システム、１０５…プロセッサ、１０６…Ｉ／Ｏインターフェース、１０７…メモリ、１０８…特徴の第２のセット、２００…詳細図、２０１…データ、２０２…モジュール、２０３…入力データ、２０４…ラベルデータ、２０５…再配置データ、２０６…相関データ、２０７…決定データ、２０８…他のデータ、２０９…入力モジュール、２１０…ラベル生成モジュール、２１１…再配置モジュール、２１２…相関モジュール、２１３…決定モジュール、２１４…他のモジュール、３００…例、３０１…第１の部分、３０２…第２の部分、３０３…変換、３０４…特徴の第２のセット、３０５…特徴の第１のセット、３０７…領域、３０８…特徴空間、３０９…湾曲超平面、３１０…変換行列、６００…コンピュータシステム、６０１…Ｉ／Ｏインターフェース、６０２…プロセッサ、６０３…ネットワークインターフェース、６０４…ストレージインタフェース、６０５…メモリ、６０６…ユーザインタフェース、６０７…オペレーティングシステム、６０８…ウェブブラウザ、６０９…通信ネットワーク、６１０…入力デバイス、６１１…出力デバイス、６１２…データ項目

Claims (14)

1. ニューラルネットワークを動的環境に適応させる方法であって、
   システムによって、入力データ項目の第１の部分に関連付けられた、入力データ項目の特徴の第１のセットを受信することと、
   システムによって、入力データ項目の第２の部分に関連付けられた、入力データ項目の特徴の第２のセットを、特徴の第１のセットを、ニューラルネットワークを使用して生成された１つ又は複数の相関ペアと関連付けることによって決定することと、
   １つ又は複数のニューラルネットワークから、複数の訓練データ項目のそれぞれのデータセットの訓練特徴の第１のセット及び訓練特徴の第２のセットを含む特徴セットを受信することと、
   前記複数の訓練データ項目の各々のデータセットについて、前記訓練特徴の第１のセット及び前記訓練特徴の第２のセットを特徴空間上に投影することにより、１つ又は複数の第１のラベル及び１つ又は複数の第２のラベルを生成することと、
   前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとの相関に基づいて、前記第１の訓練特徴セットと前記訓練特徴の第２のセットとを特徴空間上で再配置することと、
   前記複数の訓練データ項目のそれぞれのデータセットの１つ又は複数の第１のラベルと対応する第２のラベルをそれぞれ示す１つ又は複数の相関ペアを、前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとの再配置に基づいて生成することと、
   を含む、
   方法。
2. 請求項１に記載の方法において、
   前記訓練特徴の第２のセットと前記特徴の第２のセットに基づいて、１つ又は複数のテスト特徴を生成することと、
   前記１つ又は複数のテスト特徴と前記特徴の第１のセットとを比較することによって偏差を特定することと、
   前記偏差に応じて前記特徴の第２のセットを修正することと、
   を含む、
   方法。
3. 請求項１に記載の方法において、
   前記入力データ項目及び前記複数の訓練データ項目は、画像、ビデオ、音声入力、テキスト入力、及び音声入力のうちの１つを含む、
   方法。
4. 請求項１に記載の方法において、
   前記複数の訓練データ項目の各々のデータセットは、元のデータ項目と、元のデータ項目の１つ以上の変換とを有する、
   方法。
5. 請求項１に記載の方法において、
   前記１つ又は複数の第１のラベル及び前記１つ又は複数の第２のラベルを生成することは、
   前記複数の訓練データ項目から、前記訓練データ項目の第２の部分の１つ又は複数のクラスの各々について、前記特徴空間において前記訓練特徴の第１のセット及び前記訓練特徴の第２のセットを投影することと、
   前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとの間の類似性に基づいて、複数の領域を作成することと、
   前記複数の領域のそれぞれの中心と半径を特定することと、
   前記複数の訓練データ項目から、前記他の訓練データ項目の前記第２の部分の１つ又は複数のクラスの各々について、前記特徴空間において前記訓練特徴の第１のセット及び前記訓練特徴の前記第２のセットを投影することによって、前記複数の領域の各々の半径を調整することと、
   前記複数の領域の各々について、対応する領域に関連付けられた、前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとの類似性に基づくラベルを生成することと、
   を含む、
   方法。
6. 請求項５に記載の方法において、
   前記複数の領域の数は、前記複数の訓練データ項目の各々の１つ又は複数の変換の数と、前記１つ又は複数のクラスの数とに基づいている、
   方法。
7. 請求項１に記載の方法において、
   前記１つ又は複数の第２のラベルを前記１つ又は複数の第１のラベルと相関させることは、前記１つ又は複数の第１のラベルを、訓練特徴の第２のセットの生成に関連付けられた１つ又は複数のニューラルネットワークから第１のニューラルネットワークに提供することと、
   前記１つ又は複数の第２のラベルを、訓練特徴の第１のセットの生成に関連付けられた１つ又は複数のニューラルネットワークから第２のニューラルネットワークに提供することと、
   を含む、
   方法。
8. ニューラルネットワークを動的環境に適応させるためのシステムであって、
   １つ又は複数のプロセッサと、
   プロセッサ実行可能命令を記憶するメモリであって、実行時に、１つ又は複数のプロセッサに下記の動作を実行させる、メモリと、
   を備え、
   前記プロセッサは、
   入力データ項目の特徴の第１のセットを受信することと、
   前記特徴の第１のセットを、ニューラルネットワークを使用して生成された１つ又は複数の相関ペアと関連付けることによって、前記入力データ項目の特徴の第２のセットを決定すること、
   １つ又は複数のニューラルネットワークから、複数の訓練データ項目のそれぞれのデータセットの訓練特徴の第１のセット及び訓練特徴の第２のセットを含む特徴セットを受信することと、
   前記複数の訓練データ項目の各々のデータセットについて、前記訓練特徴の第１のセット及び前記訓練特徴の第２のセットを特徴空間上に投影することにより、１つ又は複数の第１のラベル及び１つ又は複数の第２のラベルを生成することと、
   前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとの相関に基づいて、前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとを特徴空間上で再配置することと、
   前記複数の訓練データ項目のそれぞれのデータセットの１つ又は複数の第１のラベルと対応する第２のラベルを示す１つ又は複数の相関ペアを、前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとの再配置に基づいて生成することと、
   を行う、
   システム。
9. 請求項８に記載のシステムにおいて、
   前記１つ又は複数のプロセッサは、
   前記訓練特徴の第２のセットと前記特徴の第２のセットに基づいて、１つ又は複数のテスト特徴を生成することと、
   前記１つ又は複数のテスト特徴と前記特徴の第１のセットとを比較することにより、偏差を特定することと、
   前記偏差に応じて前記特徴の第２のセットを修正することと、
   を行う、
   システム。
10. 請求項８に記載のシステムにおいて、
    前記入力データ項目及び前記複数の訓練データ項目は、画像、ビデオ、音声入力、テキスト入力、及び音声入力のうちの１つを有する、システム。
11. 請求項８に記載のシステムにおいて、
    前記複数の訓練データ項目の各々のデータセットは、元のデータ項目と、元のデータ項目の１つ以上の変換とを有する、
    システム。
12. 請求項８に記載のシステムにおいて、
    前記１つ又は複数のプロセッサは、
    前記複数の訓練データ項目から、前記訓練データ項目の第２の部分の１つ又は複数のクラスの各々について、前記特徴空間において前記訓練特徴の第１のセット及び前記訓練特徴の第２のセットを投影することと、
    前記第１の訓練特徴セットと前記訓練特徴の第２のセットとの間の類似性に基づいて、複数の領域を作成することと、
    前記複数の領域のそれぞれの中心と半径を特定することと、
    前記複数の訓練データ項目から、前記他の訓練データ項目の前記第２の部分の１つ又は複数のクラスの各々について、前記特徴空間において前記訓練特徴の前記第１のセット及び前記訓練特徴の前記第２のセットを投影することによって、前記複数の領域の各々の半径を調整することと、
    前記複数の領域の各々について、対応する領域に関連付けられた、前記訓練特徴の第１のセットと前記訓練特徴の第２のセットとの類似性に基づくラベルを生成することと、
    により、
    前記１つ又は複数の第１のラベル及び前記１つ又は複数の第２のラベルを生成する、
    システム。
13. 請求項１２に記載のシステムにおいて、
    前記複数の領域の数は、前記複数の訓練データ項目の各々の１つ又は複数の変換の数と、前記１つ又は複数のクラスの数とに基づいている、システム。
14. 請求項８に記載のシステムにおいて、
    前記１つ又は複数のプロセッサは、
    前記１つ又は複数の第１のラベルを、訓練特徴の第２のセットの生成に関連付けられた１つ又は複数のニューラルネットワークから第１のニューラルネットワークに提供し、前記１つ又は複数の第２のラベルを、訓練特徴の第１のセットの生成に関連付けられた１つ又は複数のニューラルネットワークから第２のニューラルネットワークに提供することによって、前記１つ又は複数の第１のラベルと前記１つ又は複数の第２のラベルとを相関させる、
    システム。

Images