JP7210380B2

JP7210380B2 - 画像学習プログラム、画像学習方法、及び画像認識装置

Info

Publication number: JP7210380B2
Application number: JP2019104825A
Authority: JP
Inventors: 俊菅原
Original assignee: Kyocera Corp
Current assignee: Kyocera Corp
Priority date: 2019-06-04
Filing date: 2019-06-04
Publication date: 2023-01-23
Anticipated expiration: 2039-06-04
Also published as: JP2020197999A

Description

本発明は、画像学習プログラム、画像学習方法、及び画像認識装置に関する。

画像認識技術として、Fully Convolutional Network（ＦＣＮ：全層畳み込みネットワーク）を用いたSemantic Segmentation（セマンティック・セグメンテーション）が知られている（例えば、非特許文献１参照）。セマンティック・セグメンテーションは、デジタル画像のピクセル単位でのクラス分類（クラス推論）を行っている。つまり、セマンティック・セグメンテーションは、デジタル画像の各ピクセルに対してクラス推論を行い、推論結果として、クラス分けした各ピクセル対してカテゴリをラベリングすることで、デジタル画像を複数のカテゴリの画像領域に分割する。

Zhao, Hengshuang, et al. "Pyramid scene parsing network." IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). 2017

ここで、セマンティック・セグメンテーションでは、学習データセットを用いて深層学習を行うことにより、画像認識の精度を高めている。学習データセットは、学習対象の画像となる学習画像と、学習画像に対する回答となる領域分割された教師画像とを含む。教師画像には、複数のカテゴリの画像領域が含まれている。ここで、学習画像に出現するカテゴリの出現頻度は、カテゴリの種類によって異なるものとなっている。例えば、学習画像が車両の走行時における画像である場合、信号機等の小さいオブジェクトは、道路等の大きいオブジェクトに比べて、出現頻度が少ないものとなっている。つまり、学習画像に含まれる所定のカテゴリの画像領域が、他のカテゴリの画像領域に比して極端に小さいものとなっており、カテゴリ間の出現頻度が不均衡となっている。この場合、学習方法によっては、出現頻度の多いカテゴリの学習が優先的に行われることから、出現頻度の少ないカテゴリの学習が進まないという場合があった。

本発明は、カテゴリ間の出現頻度が不均衡である場合でも、学習効率を向上させることができる画像学習プログラム、画像学習方法、及び画像認識装置を提供することを目的とする。

態様の１つに係る画像学習プログラムは、画像セグメンテーションを行う画像認識装置によって実行される画像学習プログラムであって、前記画像認識装置の学習に用いられる学習データセットは、前記画像認識装置の学習対象の画像となる学習画像と、前記学習画像に対応する教師画像と、を含み、前記教師画像は、複数のカテゴリの画像領域を含み、複数の前記カテゴリは、前記教師画像中において所定の画像領域となる第１のカテゴリと、前記第１のカテゴリよりも小さな画像領域となる第２のカテゴリと、を含み、前記画像認識装置に、前記教師画像よりも小さな画像領域となる選択教師画像を、前記教師画像から抽出すると共に、前記選択教師画像に対応する選択学習画像を、前記学習画像から抽出する第１のステップと、前記第１のステップにより抽出した前記選択学習画像及び前記選択教師画像を用いて画像学習を行う第２のステップと、を実行させ、前記第１のステップでは、前記第２のカテゴリの画像領域を含むように、前記学習画像及び前記教師画像から、前記選択学習画像及び前記選択教師画像を抽出する。

態様の１つに係る画像学習方法は、画像セグメンテーションを行う画像認識装置が実行する画像学習方法であって、前記画像認識装置の学習に用いられる学習データセットは、前記画像認識装置の学習対象の画像となる学習画像と、前記学習画像に対応する教師画像と、を含み、前記教師画像は、複数のカテゴリの画像領域を含み、複数の前記カテゴリは、前記教師画像中において所定の画像領域となる第１のカテゴリと、前記第１のカテゴリよりも小さな画像領域となる第２のカテゴリと、を含み、前記画像認識装置は、前記教師画像よりも小さな画像領域となる選択教師画像を、前記教師画像から抽出すると共に、前記選択教師画像に対応する選択学習画像を、前記学習画像から抽出する第１のステップと、前記第１のステップにより抽出した前記選択学習画像及び前記選択教師画像を用いて画像学習を行う第２のステップと、を実行し、前記第１のステップでは、前記第２のカテゴリの画像領域を含むように、前記学習画像及び前記教師画像から、前記選択学習画像及び前記選択教師画像を抽出する。

態様の１つに係る画像認識装置は、画像セグメンテーションを行う画像認識装置であって、前記画像認識装置の学習に用いられる学習データセットは、前記画像認識装置の学習対象の画像となる学習画像と、前記学習画像に対応する教師画像と、を含み、前記教師画像は、複数のカテゴリの画像領域を含み、複数の前記カテゴリは、前記教師画像中において所定の画像領域となる第１のカテゴリと、前記第１のカテゴリよりも小さな画像領域となる第２のカテゴリと、を含み、前記教師画像よりも小さな画像領域となる選択教師画像を、前記教師画像から抽出すると共に、前記選択教師画像に対応する選択学習画像を、前記学習画像から抽出する画像抽出部と、前記第１のステップにより抽出した前記選択学習画像及び前記選択教師画像を用いて画像学習を行う画像認識部と、を備え、前記画像抽出部は、前記第２のカテゴリの画像領域を含むように、前記学習画像及び前記教師画像から、前記選択学習画像及び前記選択教師画像を抽出する。

図１は、実施形態に係る画像認識装置の概要を示す図である。図２は、実施形態に係る画像認識装置の学習時における機能の概要を示す図である。図３は、学習データセットの学習画像の一例を示す図である。図４は、学習データセットの教師画像の一例を示す図である。図５は、クロッピングされる学習画像の一例を示す図である。図６は、クロッピングされる教師画像の一例を示す図である。図７は、画像認識装置の画像学習に関する処理の一例を示す図である。

本出願に係る実施形態を、図面を参照しつつ詳細に説明する。以下の説明において、同様の構成要素について同一の符号を付すことがある。さらに、重複する説明は省略することがある。また、本出願に係る実施形態を説明する上で密接に関連しない事項は、説明及び図示を省略することがある。

（実施形態）
図１は、実施形態に係る画像認識装置の概要を示す図である。図２は、実施形態に係る画像認識装置の学習時における機能の概要を示す図である。画像認識装置１は、入力される入力画像Ｉに含まれるオブジェクトを認識し、認識した結果を出力画像Ｏとして出力するものである。画像認識装置１は、カメラ等の撮像装置において撮像された撮影画像が入力画像Ｉとして入力される。画像認識装置１は、入力画像Ｉに対して画像セグメンテーションを行う。画像セグメンテーションとは、デジタル画像の分割された画像領域に対してクラスをラベリングすることであり、クラス推論（クラス分類）ともいう。つまり、画像セグメンテーションとは、デジタル画像の分割された所定の画像領域が、何れのクラスであるかを判別して、画像領域が示すクラスを識別するための識別子（カテゴリ）を付すことで、複数のカテゴリに領域分割することである。画像認識装置１は、入力画像Ｉを画像セグメンテーション（クラス推論）した画像を、出力画像Ｏとして出力する。

画像認識装置１は、例えば、車の車載認識カメラに設けられている。車載認識カメラは、車の走行状況を所定のフレームレートでリアルタイムに撮像し、撮像した撮影画像を画像認識装置１に入力する。画像認識装置１は、所定のフレームレートで入力される撮影画像を入力画像Ｉとして取得する。画像認識装置１は、入力画像Ｉに含まれるオブジェクトをクラス分類して、クラス分類された画像を出力画像Ｏとして、所定のフレームレートで出力する。なお、画像認識装置１は、車載認識カメラへの搭載に限定されず、他の装置に設けてもよい。

図３は、学習データセットの学習画像の一例を示す図である。図４は、学習データセットの教師画像の一例を示す図である。画像認識装置１の学習には、学習データセットＤが用いられる。学習データセットＤは、学習対象となる画像である学習画像Ｇと、学習画像Ｇに対応する教師画像Ｔと、を含む。図３に示す学習画像Ｇは、画像認識装置１の学習時において、入力画像Ｉとして入力される。入力画像Ｉ（学習画像Ｇ）は、複数の画素（ピクセル）からなるデジタル画像である。図４に示す教師画像Ｔは、学習画像Ｇに対応する画像セグメンテーションされた回答となる画像、つまり、複数のカテゴリに領域分割された画像となっている。教師画像Ｔは、アノテーション作業により生成される画像となっている。

再び図１及び図２を参照して、画像認識装置１について説明する。画像認識装置１は、制御部５と、記憶部６と、画像認識部７とを備えている。

記憶部６は、プログラム及びデータを記憶する。また、記憶部６は、制御部５の処理結果を一時的に記憶する作業領域としても利用してもよい。記憶部６は、半導体記憶デバイス、及び磁気記憶デバイス等の任意の記憶デバイスを含んでよい。また、記憶部６は、複数の種類の記憶デバイスを含んでよい。また、記憶部６は、メモリカード等の可搬の記憶媒体と、記憶媒体の読み取り装置との組み合わせを含んでよい。

記憶部６は、プログラムとして、画像学習プログラムＰを含む。画像学習プログラムＰは、画像認識部７に学習を行わせるためのプログラムである。また、記憶部６は、データとして、学習データセットＤを含む。学習データセットＤは、画像認識部７の学習に用いられるデータであり、図３に示す学習画像Ｇと、図４に示す教師画像Ｔとを含む。

制御部５は、画像認識装置１の動作を統括的に制御して各種の機能を実現する。制御部５は、例えば、ＣＰＵ（Central Processing Unit）等の集積回路を含んでいる。具体的に、制御部５は、記憶部６に記憶されているプログラムに含まれる命令を実行して、画像認識部７等を制御することによって各種機能を実現する。制御部５は、例えば、画像学習プログラムＰを実行することにより、学習データセットＤを用いて、画像認識部７の学習を実行させる。また、制御部５は、画像認識部７の学習にあたり、学習データセットＤの学習画像Ｇ及び教師画像Ｔをクロッピング処理する。

画像認識部７は、ＧＰＵ（Graphics Processing Unit）等の集積回路を含んでいる。画像認識部７は、例えば、セマンティック・セグメンテーションを用いた画像セグメンテーションを行っている。セマンティック・セグメンテーションは、学習画像Ｇ等の入力画像Ｉの各ピクセルに対してクラス推論を行い、クラス分けされた各ピクセルに対してカテゴリをラベリングすることで、入力画像Ｉを複数のカテゴリごとに領域分割する。画像認識部７は、入力画像Ｉが入力されると、画像セグメンテーションを行うことで、入力画像Ｉのピクセルごとにクラス分類された画像を、出力画像Ｏとして出力する。

画像認識部７は、全てが畳み込み層で構成されるＦＣＮ（Fully Convolutional Network）等のニューラル・ネットワーク（以下、単にネットワークともいう）を用いた画像セグメンテーションを行っている。画像認識部７は、エンコーダ２２と、デコーダ２３とを有している。

エンコーダ２２は、入力画像Ｉに対してエンコード処理を実行する。エンコード処理は、入力画像Ｉの特徴量を抽出した特徴マップ（Feature Map）を生成しつつ、特徴マップの解像度を低くするダウンサンプリング（プーリングともいう）を実行する処理である。具体的に、エンコード処理では、畳み込み層とプーリング層とにおいて入力画像Ｉに処理が行われる。畳み込み層では、入力画像Ｉの特徴量を抽出するためのカーネル（フィルタ）を、入力画像Ｉにおいて所定のストライドで移動させる。そして、畳み込み層では、畳み込み層の重みに基づいて、入力画像Ｉの特徴量を抽出するための畳み込み計算が行われ、この畳み込み計算により特徴量が抽出された特徴マップを生成する。生成される特徴マップは、カーネルのチャネル数に応じた数だけ生成される。プーリング層では、特徴量が抽出された特徴マップを縮小して、低解像度となる特徴マップを生成する。エンコード処理では、畳み込み層における処理とプーリング層における処理とを複数回繰り返し実行することで、ダウンサンプリングされた特徴量を有する特徴マップを生成する。

デコーダ２３は、エンコード処理後の特徴マップに対してデコード処理を実行する。デコード処理は、特徴マップの解像度を高くするアップサンプリング（アンプーリングともいう）を実行する処理である。具体的に、デコード処理は、逆畳み込み層とアンプーリング層とにおいて特徴マップに処理が行われる。アンプーリング層では、特徴量を含む低解像度の特徴マップを拡大して、高解像度となる特徴マップを生成する。逆畳み込み層では、特徴マップに含まれる特徴量を、復元させるための逆畳み込み計算が、逆畳み込み層の重みに基づいて実行され、この計算により特徴量を復元させた特徴マップを生成する。そして、デコード処理では、アンプーリング層における処理と逆畳み込み層における処理とを複数回繰り返し実行することで、アップサンプリングされ、領域分割された画像である出力画像Ｏを生成する。出力画像Ｏは、画像認識部７に入力される入力画像Ｉと同じ解像度になるまで、アップサンプリングされる。

以上のように、画像認識部７は、入力画像Ｉに対して、エンコード処理及びデコード処理を実行し、ピクセル単位でクラス推論（クラス分類）を行うことで、入力画像Ｉの画像セグメンテーションを行う。そして、画像認識部７は、入力画像Ｉをクラスごとに領域分割した画像を、出力画像Ｏとして出力する。

次に、図５から図７を参照して、学習データセットＤを用いた画像認識装置１の学習に関する処理について説明する。図５は、クロッピングされる学習画像の一例を示す図である。図６は、クロッピングされる教師画像の一例を示す図である。図７は、画像認識装置の画像学習に関する処理の一例を示す図である。画像認識装置１の学習では、学習データセットＤの学習画像Ｇ及び教師画像Ｔをクロッピングし、クロッピングした学習データセットＤを用いて、画像認識部７の学習を行っている。

なお、以下の説明では、学習データセットＤとして、特定のカテゴリを前景とし、その他の全てのカテゴリを背景とする、２クラスに分類された教師画像Ｔを用いた学習データセットＤを例にして説明する。具体的に、図３の学習画像Ｇ及び図４の教師画像Ｔを含む学習データセットＤは、前景となるカテゴリが信号機となっており、背景となるカテゴリが信号機以外の全てのカテゴリとなっている。

先ず、画像認識装置１において、制御部５は、学習データセットＤをクロッピングするクロッピング処理を実行する（ステップＳ１：第１のステップ）。クロッピング処理は、教師画像Ｔよりも小さな画像領域となる選択教師画像Ｔ１～Ｔ３を、教師画像Ｔから抽出すると共に、選択教師画像Ｔ１～Ｔ３に対応する選択学習画像Ｇ１～Ｇ３を、学習画像Ｇから抽出する処理である。なお、教師画像Ｔ及び学習画像Ｇから抽出される選択教師画像Ｔ１～Ｔ３及び選択学習画像Ｇ１～Ｇ３の画像数は、特に限定されない。

ここで、教師画像Ｔは、複数の（つまり、前景と背景の）カテゴリの画像領域を含んでおり、複数のカテゴリは、教師画像中において所定の画像領域となる第１のカテゴリと、第１のカテゴリよりも小さな画像領域となる第２のカテゴリと、を含んでいる。具体的に、第１のカテゴリは、教師画像Ｔにおいて支配的な画像領域を占める背景のカテゴリとなっており、第２のカテゴリよりも大きな画像領域となっている。換言すれば、第１のカテゴリは、教師画像Ｔにおいて出現頻度の高いメジャーとなるカテゴリである。第２のカテゴリは、教師画像Ｔにおいて非支配的な画像領域となる前景のカテゴリとなっており、第１のカテゴリよりも小さな画像領域となっている。換言すれば、第２のカテゴリは、教師画像Ｔにおいて出現頻度の低いマイナーとなるカテゴリである。

クロッピング処理では、第２のカテゴリの画像領域を含むように、学習画像Ｇ及び教師画像Ｔから、選択学習画像Ｇ１～Ｇ３及び選択教師画像Ｔ１～Ｔ３を抽出する。具体的に、クロッピング処理では、先ず、教師画像Ｔに基づいて、選択教師画像の画像領域をクロッピングする。クロッピング処理を行う場合、入力情報としては、教師画像Ｔ、教師画像Ｔの各ピクセルに付されている入力ラベル、クロッピングされる選択教師画像Ｔ１～Ｔ３の画像サイズ、教師画像Ｔの画像サイズ、学習対象となるカテゴリが入力される。そして、クロッピング処理では、入力されたカテゴリに対応する、教師画像Ｔにおける入力ラベルのラベル値を全て抽出する。この後、クロッピング処理では、抽出したラベル値の中から、ランダムに一つのラベル値を選択し、このラベル値に対応するピクセルを含むように、選択教師画像Ｔ１～Ｔ３を抽出する。また、クロッピング処理では、抽出した選択教師画像Ｔ１～Ｔ３の画像領域と同じ位置となる、選択学習画像Ｇ１～Ｇ３を抽出する。なお、選択学習画像Ｇ１～Ｇ３及び選択教師画像Ｔ１～Ｔ３の画像領域の大きさは、背景のカテゴリと前景のカテゴリとの不均衡が解消される大きさとなっており、また、抽出される画像の特徴と画像に対する人間の認識との隔たり、つまり、セマンティックギャップが生じないような大きさとなっている。

続いて、制御部５は、クロッピング処理した選択教師画像Ｔ１～Ｔ３と選択学習画像Ｇ１～Ｇ３とを用いて、画像認識部７による画像学習を行うステップＳ２～Ｓ８（第２のステップ）を実行する。具体的に、制御部５は、クロッピング処理した選択学習画像Ｇ１～Ｇ３を画像認識装置１の画像認識部７に入力する（ステップＳ２）。選択学習画像Ｇ１～Ｇ３が入力されると、画像認識部７は、選択学習画像Ｇ１～Ｇ３を入力画像Ｉとして、選択学習画像Ｇ１～Ｇ３に対してエンコード処理を実行する（ステップＳ３）。画像認識部７は、エンコード処理を実行することで、ダウンサンプリングされた特徴量を含む低解像度の特徴マップを生成する。画像認識部７は、ダウンサンプリングされた低解像度の特徴量を含む特徴マップに対してデコード処理を実行する（ステップＳ４）。画像認識部７は、デコード処理を実行することで、特徴量を含む特徴マップを復元しながらアップサンプリングして、選択学習画像Ｇ１～Ｇ３と同じ解像度とする。そして、画像認識部７は、画像をピクセル単位でクラスごとに領域分割するクラス推論を実行する（ステップＳ５）。画像認識部７は、クラス推論の結果として、出力画像Ｏを取得する（ステップＳ６）。

次に、画像認識部７の学習を行う処理では、選択教師画像Ｔ１～Ｔ３に対する出力画像Ｏの誤差を取得するステップ（ステップＳ７）を実行する。

つまり、ステップＳ７において、画像認識部７は、出力画像Ｏを取得すると、抽出した選択教師画像Ｔ１～Ｔ３を取得する。画像認識部７は、取得した選択教師画像Ｔ１～Ｔ３と出力画像Ｏとから、選択教師画像Ｔ１～Ｔ３と出力画像Ｏとの誤差量を算出する。

そして、画像認識部７の学習を行う処理では、誤差に基づいて、画像認識部７による画像セグメンテーションを修正するステップ（ステップＳ８）を実行する。

具体的に、画像認識部７は、誤差を取得すると、誤差量に基づいて誤差逆伝播法によりネットワークにおける誤差が修正されるように、ネットワークの畳み込み層及び逆畳み込み層の重みを学習させ、ネットワークを更新する（ステップＳ８）。画像認識部７は、ステップＳ８の実行により、学習データセットＤを用いた学習を終了する。そして、画像認識部７は、ステップＳ２からステップＳ８を、学習データセットＤから抽出した選択教師画像Ｔ１～Ｔ３と選択学習画像Ｇ１～Ｇ３とのセット数に応じて繰り返し実行する。

以上のように、実施形態に係る画像認識装置１の学習では、教師画像Ｔ及び学習画像Ｇに対してクロッピング処理を行うことで抽出される選択教師画像Ｔ１～Ｔ３及び選択学習画像Ｇ１～Ｇ３を用いることができる。このとき、選択教師画像Ｔ１～Ｔ３及び選択学習画像Ｇ１～Ｇ３に、第２（前景）のカテゴリの画像領域を含ませることができる。このため、選択教師画像Ｔ１～Ｔ３及び選択学習画像Ｇ１～Ｇ３において、カテゴリ間における出現頻度の不均衡を是正することができるため、第２のカテゴリに関する画像学習を適切に進めることができる。

また、実施形態に係る画像認識装置１の学習では、画像セグメンテーションとしてＦＣＮに基づく処理を行うことができる。このため、学習時において用いた選択学習画像Ｇ１～Ｇ３及び選択教師画像Ｔ１～Ｔ３の画像サイズと、学習後の画像認識時における入力画像Ｉの画像サイズとが異なる場合であっても、画像セグメンテーションを適切に実行することが可能となる。

１画像認識装置
５制御部
６記憶部
７画像認識部
２２エンコーダ
２３デコーダ
Ｉ入力画像
Ｏ出力画像
Ｐ画像学習プログラム
Ｄ学習データセット
Ｇ学習画像
Ｔ教師画像
Ｇ１～Ｇ３選択学習画像
Ｔ１～Ｔ３選択教師画像

Claims

画像セグメンテーションを行う画像認識装置によって実行される画像学習プログラムであって、
前記画像認識装置の学習に用いられる学習データセットは、
前記画像認識装置の学習対象の画像となる学習画像と、
前記学習画像に対応する教師画像と、を含み、
前記教師画像は、複数のカテゴリの画像領域を含み、
複数の前記カテゴリは、前記教師画像中において支配的な画像領域を占める出現頻度の高いカテゴリである第１のカテゴリと、前記第１のカテゴリよりも非支配的な画像領域となる出現頻度の低いカテゴリである第２のカテゴリと、を含み、
前記画像認識装置に、
前記教師画像よりも小さな画像領域となる選択教師画像を、前記教師画像から抽出すると共に、前記選択教師画像に対応する選択学習画像を、前記学習画像から抽出する第１のステップと、
前記第１のステップにより抽出した前記選択学習画像及び前記選択教師画像を用いて画像学習を行う第２のステップと、を実行させ、
前記第１のステップでは、前記第２のカテゴリの画像領域を含むように、前記学習画像及び前記教師画像から、前記選択学習画像及び前記選択教師画像を抽出する画像学習プログラム。
前記第２のステップでは、
前記選択学習画像に対して前記画像セグメンテーションを行って、出力画像を取得するステップと、
前記選択教師画像に対する前記出力画像の誤差を取得するステップと、
前記誤差に基づいて、前記画像セグメンテーションの処理を修正するステップと、
を実行させており、
前記画像セグメンテーションは、ＦＣＮ（Fully Convolutional Network）に基づく処理である請求項１に記載の画像学習プログラム。
画像セグメンテーションを行う画像認識装置が実行する画像学習方法であって、
前記画像認識装置の学習に用いられる学習データセットは、
前記画像認識装置の学習対象の画像となる学習画像と、
前記学習画像に対応する教師画像と、を含み、
前記教師画像は、複数のカテゴリの画像領域を含み、
複数の前記カテゴリは、前記教師画像中において支配的な画像領域を占める出現頻度の高いカテゴリである第１のカテゴリと、前記第１のカテゴリよりも非支配的な画像領域となる出現頻度の低いカテゴリである第２のカテゴリと、を含み、
前記画像認識装置は、
前記教師画像よりも小さな画像領域となる選択教師画像を、前記教師画像から抽出すると共に、前記選択教師画像に対応する選択学習画像を、前記学習画像から抽出する第１のステップと、
前記第１のステップにより抽出した前記選択学習画像及び前記選択教師画像を用いて画像学習を行う第２のステップと、を実行し、
前記第１のステップでは、前記第２のカテゴリの画像領域を含むように、前記学習画像及び前記教師画像から、前記選択学習画像及び前記選択教師画像を抽出する画像学習方法。
画像セグメンテーションを行う画像認識装置であって、
前記画像認識装置の学習に用いられる学習データセットは、
前記画像認識装置の学習対象の画像となる学習画像と、
前記学習画像に対応する教師画像と、を含み、
前記教師画像は、複数のカテゴリの画像領域を含み、
複数の前記カテゴリは、前記教師画像中において支配的な画像領域を占める出現頻度の高いカテゴリである第１のカテゴリと、前記第１のカテゴリよりも非支配的な画像領域となる出現頻度の低いカテゴリである第２のカテゴリと、を含み、
前記教師画像よりも小さな画像領域となる選択教師画像を、前記教師画像から抽出すると共に、前記選択教師画像に対応する選択学習画像を、前記学習画像から抽出する画像抽出部と、
抽出した前記選択学習画像及び前記選択教師画像を用いて画像学習を行う画像認識部と、を備え、
前記画像抽出部は、前記第２のカテゴリの画像領域を含むように、前記学習画像及び前記教師画像から、前記選択学習画像及び前記選択教師画像を抽出する画像認識装置。