[发明专利]小批量学习装置及其工作程序、工作方法及图像处理装置

说明书

本发明提供一种可以抑制用于实施语义分割的机器学习模型的类别的判别精度降低的小批量学习装置及其工作程序、工作方法及图像处理装置。若启动工作程序，小批量学习装置的CPU作为计算部、确定部、更新部发挥作用。计算部计算小批量数据中的多个类别中每个类别的面积比例。确定部确定面积比例低于设定值的稀有类别。更新部使得在确定部中确定有稀有类别时的机器学习模型的更新程度小于在确定部中未确定稀有类别时的更新程度。

技术领域

本发明技术涉及一种小批量学习装置及其工作程序和工作方法。

背景技术

已知有以像素单元来判别图像内的多个类别的语义分割。语义分割通过U形卷积神经网络(U-Net；U-Shaped Neural Network)等机器学习模型(以下，简称为模型)来实现。

为了提高模型的判别精度，需要对模型赋予学习数据来进行训练，从而更新模型。学习数据由学习用输入图像和用手动指定学习用输入图像内的类别的注释图像构成。在专利文献1中，从多个学习用输入图像中提取了成为注释图像来源的一个学习用输入图像。

以往技术文献

专利文献

专利文献1：日本专利公开2017-107386号公报

发明内容

发明要解决的技术课题

在学习中有称为小批量学习的方法。在小批量学习中，将小批量数据作为学习数据赋予到模型。小批量数据由将学习用输入图像和注释图像进行分割的多个分割图像(例如以原始图像的1/100尺寸的框来分割的1万张分割图像)中的一部分(例如100张)构成。小批量数据生成多组(例如100组)，各组依次被赋予到模型。

在此，考虑在学习用输入图像及注释图像中存在类别偏差的情况。例如，学习用输入图像是显现出细胞培养状态的相差显微镜的图像，并且是类别1分类为分化细胞，类别2分类为未分化细胞，类别3分类为培养基、类别4分类为死细胞的图像。而且，是如下情况：在整个学习用输入图像及注释图像中的各类别的面积比例是分化细胞为38％、未分化细胞为2％、培养基为40％、死细胞为20％，未分化细胞的面积比例相对低。

若如此在学习用输入图像及注释图像中存在类别偏差，则在由学习用输入图像及注释图像构成的小批量数据中产生类别偏差的可能性也变高。在小批量数据中产生了类别偏差的情况下，不考虑面积比例相对低的稀有类别而进行训练。其结果，导致创建稀有类别的判别精度低的模型。

在专利文献1中，如上所述，从多个学习用输入图像中提取了成为注释图像来源的一个学习用输入图像。然而，在该方法中，在多个学习用输入图像的所有图像中存在类别偏差的情况下，最终导致创建稀有类别的判别精度低的模型。从而，在专利文献1中记载的方法中，无法解决导致创建稀有类别的判别精度低的模型的问题。

本发明技术的目的在于提供一种可以抑制用于实施语义分割的机器学习模型的类别的判别精度降低的小批量学习装置及其工作程序、工作方法、以及安装有小批量学习装置及其工作程序的图像处理装置。

用于解决技术课题的手段

为了实现上述目的，本发明的小批量学习装置对用于实施以像素单元来判别图像内的多个类别的语义分割的机器学习模型赋予小批量数据来进行训练，所述小批量学习装置具备：计算部，计算小批量数据中的多个类别中每个类别的面积比例；确定部，确定面积比例低于设定值的稀有类别；及更新部，根据使用了小批量数据的训练结果来更新机器学习模型，并且使得在确定部中确定有稀有类别时的机器学习模型的更新程度小于在确定部中未确定稀有类别时的更新程度。

优选更新部使得在确定部中确定有稀有类别时的表示机器学习模型的各种参数值的变化幅度的学习系数小于在确定部中未确定稀有类别时的学习系数。

优选具备接收部，所述接收部接收是否使更新部进行减小更新程度的处理的选择指示。