JP7396040B2 - 画像分析装置、画像分析方法及びコンピュータプログラム - Google Patents

Description

本発明は、動画データを構成する複数の画像フレームを分析可能な画像分析装置、画像分析方法及びコンピュータプログラムの技術分野に関する。

動画データ（言い換えれば、動画データセット又は動画レコード）を構成する複数の画像フレームを分析する画像分析装置の一例が非特許文献１に記載されている。具体的には、非特許文献１に記載された画像分析装置は、相対的に軽量な画像分析モデルを用いて、画像フレームを分析する。更に、非特許文献１に記載された画像分析装置は、軽量な画像分析モデルより高価な（その結果、分析精度が高い）画像分析モデルを用いて画像フレームに対して行われる分析の結果を相対的に軽量な画像分析モデルを学習させることで、相対的に軽量な画像分析モデルを更新している。

その他、本願発明に関連する先行技術文献として、特許文献１から特許文献４が挙げられる。

国際公開第２０１９／２０８４１１号パンフレット 特開２０１９－０５６９６６号公報 特開２０１７－２２４１８４号公報 特開２０１６－１９１９７３号公報 特許第６４４６９７１号

Ｒａｖｉ Ｔｅｊａ Ｍｕｌｌａｐｕｄｉ ｅｔ ａｌ．、"Ｏｎｌｉｎｅ Ｍｏｄｅｌ Ｄｉｓｔｉｌｌａｔｉｏｎ ｆｏｒ Ｅｆｆｉｃｉｅｎｔ Ｖｉｄｅｏ Ｉｎｔｅｒｆａｃｅ"、ａｒＸｉｖ １８１２．０２６９９、２０１８年１２月６日

上述した非特許文献１に記載された画像分析装置は、オンラインで相対的に軽量な画像分析モデルを学習させている。具体的には、非特許文献１に記載された画像分析装置は、オンラインで相対的に軽量な画像分析モデルを学習させるために、画像分析装置に新たに入力された新たな画像フレームを、相対的に高価な画像分析モデルを用いて分析する。その後、非特許文献１に記載された画像分析装置は、高価な画像分析モデルを用いて行われた分析の結果を、相対的に軽量な画像分析モデルに学習させることで、軽量な画像分析モデルを更新している。この場合、オフラインで相対的に軽量な画像分析モデルを学習させる（つまり、あらかじめ用意した学習用データを相対的に軽量な画像分析モデルに学習させる）場合と比較して、相対的に軽量な画像分析モデルを用いた画像フレームの分析精度の向上に限界があるという技術的問題が生ずる。

本発明は、上述した技術的問題を解決可能な画像分析装置、画像分析方法及びコンピュータプログラムを提供することを課題とする。一例として、本発明は、相対的に軽量な画像分析モデルを用いた画像フレームの分析精度を向上させることが可能な画像分析装置、画像分析方法及びコンピュータプログラムを提供することを課題とする。

本発明の一の態様において、画像分析装置は、動画データを構成する複数の画像フレームを順次取得する取得手段と、第１画像分析モデルを用いて前記複数の画像フレームを分析可能な第１分析手段と、前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いて行われる分析の結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析可能な第２分析手段と、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納する格納手段と、前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出する抽出手段と、前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち前記取得手段が新たに取得した画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する更新手段と備える。

本発明の一の態様において、画像分析方法は、コンピュータによって、動画データを構成する複数の画像フレームを順次取得し、第１画像分析モデルを用いて前記複数の画像フレームを分析し、前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いた分析結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析し、格納手段に、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納し、前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出し、前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち新たに取得された画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する。

本発明の一態様において、コンピュータプログラムは、コンピュータに、画像分析方法を実行させるプログラムであって、前記画像分析方法は、動画データを構成する複数の画像フレームを順次取得し、第１画像分析モデルを用いて前記複数の画像フレームを分析し、前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いた分析結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析し、格納手段に、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納し、前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出し、前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち新たに取得された画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する。

上述した画像分析装置、画像分析方法及びコンピュータプログラムの夫々の一の態様によれば、相対的に軽量な画像分析モデルを用いた画像フレームの分析精度を向上させることができる。

図１は、本実施形態の画像分析システムの全体構成を例示するブロック図である。 図２は、画像分析装置の構成を例示するブロック図である。 図３は、記憶装置が記憶するキャッシュデータのデータ構造を例示するデータ構造図である。 図４は、画像分析装置が行う画像分析動作の流れを例示するフローチャートである。 図５は、キャッシュデータから更新用データが抽出される様子を例示するデータ構造図である。 図６は、キャッシュデータが更新される様子を例示するデータ構造図である。 図７は、キャッシュデータが更新される様子を例示するデータ構造図である。 図８は、本実施形態の画像分析装置が更新した軽量画像分析モデルを用いた画像分析処理の分析精度と、比較例の画像分析装置が更新した軽量画像分析モデルを用いた画像分析処理の分析精度を例示するグラフである。 図９は、記憶装置が記憶するキャッシュデータのデータ構造を例示するデータ構造図である。

以下、図面を参照しながら、画像分析装置、画像分析方法及びコンピュータプログラムの実施形態について説明する。以下では、画像分析装置、画像分析方法及びコンピュータプログラムの実施形態が適用された画像分析システムＳＹＳについて説明する。

＜１＞画像分析システムＳＹＳの構成
＜１－１＞画像分析システムＳＹＳの全体構成
はじめに、図１を参照しながら、本実施形態の画像分析システムＳＹＳの構成について説明する。図１は、本実施形態の画像システムＳＹＳの構成を例示するブロック図である。

図１に示すように、画像分析システムＳＹＳは、カメラ１と、画像分析装置２とを備えている。

図１に示すように、画像分析システムＳＹＳは、カメラ１と、画像分析装置２とを備えている。カメラ１と画像分析装置２とは、データバスを介して接続されている。但し、カメラ１と画像分析装置２とは、有線の通信ネットワーク網及び無線の通信ネットワーク網の少なくとも一方を含む通信ネットワーク網５を介して接続されていてもよい。

カメラ１は、カメラ１が備える光学系の特性によって定まる所定の撮影範囲（言い換えれば、撮影画角）に含まれる光景を撮影可能な撮影機器である。カメラ１は、所定の撮影レート（例えば、１秒間に３０回撮影範囲を撮影する撮影レート）で撮影範囲を撮影する。その結果、カメラ１は、夫々が撮影範囲の状況を示す複数の画像フレームを、時系列データとして出力する。つまり、カメラ１は、複数の画像フレームによって構成される動画データ（つまり、映像データ）を出力する。尚、本実施形態では、「データ」は、「データセット」又は「レコード」と称されてもよい。

画像分析装置２は、カメラ１が出力する動画データを取得する。画像分析装置２は、カメラ１から取得した動画データに対して、所定の画像分析モデルを用いた画像分析処理を実行する。画像分析モデルは、例えば、ニューラルネットワークを用いた演算モデルであってもよいし、ニューラルネットワーク以外の任意の構造を有する演算モデルであってもよい。更に、画像分析装置２は、カメラ１から取得した動画データを用いて画像分析モデルを学習させることで、画像分析モデルを更新するモデル更新処理を実行する。

本実施形態では、画像分析装置２は、画像分析処理の一例として、物体検出処理を実行してもよい。物体検出処理は、動画データを構成する各画像フレームを用いて、カメラ１が撮影範囲を撮影していた時点でカメラ１の撮影範囲に存在していた物体を検出する処理である。つまり、物体検出処理は、各画像フレームが示す画像に表現されている物体を検出する処理である。以下の説明では、画像分析装置２が動画データに対して物体検出処理を行う例について説明する。但し、画像分析装置２は、画像分析処理の一例として、物体検出処理とは異なる処理を実行してもよい。

物体検出処理は、画像フレームが示す画像に表現されている物体を検出する処理を含んでいてもよい。画像に表現されている物体を検出する処理は、画像内における物体の位置を特定する処理を含んでいてもよい。物体の位置を特定する処理は、例えば、画像内で物体を包含する矩形上の領域（いわゆるボックス）の座標（例えば、２次元座標系の座標値）を特定する処理を含んでいてもよい。また、物体検出処理は、画像に表現されている物体を検出する処理に加えて又は代えて、画像に表現されている物体のクラスを特定する（言い換えれば、識別する又は認識する）処理を含んでいてもよい。つまり、物体検出処理は、画像に表現されている物体の種類を特定する処理を含んでいてもよい。以下の説明では、説明の便宜上、物体検出処理は、物体の位置及び物体のクラスの双方を特定する処理を含む例について説明する。

＜１－２＞画像分析装置２の構成
続いて、図２を参照しながら、画像分析装置２の構成について説明する。図２は、画像分析装置２の構成を例示するブロック図である。

図２に示すように、画像分析装置２は、演算装置２１と、記憶装置２２と、入出力ＩＦ（Ｉｎｔｅｒｆａｃｅ：インタフェース）２３とを備えている。演算装置２１と、記憶装置２２と、入出力ＩＦ２３とは、データバス２４を介して接続されていてもよい。

演算装置２１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）及びＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）の少なくとも一方を含む。演算装置２１は、コンピュータプログラムを読み込む。例えば、演算装置２１は、記憶装置２２が記憶しているコンピュータプログラムを読み込んでもよい。例えば、演算装置２１は、コンピュータで読み取り可能な記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。演算装置２１は、通信装置２４を介して、画像分析装置２の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、ダウンロードしてもよい又は読み込んでもよい）。演算装置２１は、読み込んだコンピュータプログラムを実行する。その結果、演算装置２１内には、画像分析装置２が行うべき動作を実行するための論理的な機能ブロックが実現される。具体的には、演算装置２１内には、上述した画像分析処理及びモデル更新処理を含む画像分析動作を実行するための論理的な機能ブロックが実現される。つまり、演算装置２１は、画像分析装置２が行うべき動作を実行するための論理的な機能ブロックを実現するためのコントローラとして機能可能である。

図２には、画像分析動作を実行するために演算装置２１内に実現される論理的な機能ブロックの一例が示されている。図２に示すように、演算装置２１内には、画像取得部２１０と、画像分析部２１１と、画像分析部２１２と、モデル更新部２１３と、キャッシュ管理部２１４とが実現される。尚、画像分析部２１１、画像分析部２１２、モデル更新部２１３及びキャッシュ管理部２１４の夫々の動作の詳細については、後に図４等を参照しながら詳述するが、ここでその概要について簡単に説明する。

画像取得部２１０は、入出力ＩＦ２３を介して、カメラ１が時系列データとして出力する複数の画像フレームを順次取得する。

画像分析部２１１は、動画データに対して（つまり、動画データを構成する各画像フレームに対して）画像分析処理を実行可能である。その結果、画像分析部２１１は、画像分析処理の結果として、画像分析部２１１が特定した物体の位置を示す位置情報ｑｌと、画像分析部２１１が特定した物体のクラスを示すクラス情報ｑｃとを出力する。

画像分析部２１２もまた、動画データに対して（つまり、動画データを構成する各画像フレームに対して）画像分析処理を実行可能である。その結果、画像分析部２１２は、画像分析処理の結果として、画像分析部２１２が特定した物体の位置を示す位置情報ｐｌと、画像分析部２１２が特定した物体のクラスを示すクラス情報ｐｃとを出力する。

画像分析部２１１及び画像分析部２１２は、画像分析部２１２が実行する画像分析処理の処理速度が、画像分析部２１１が実行する画像分析処理の処理速度よりも速いという点で異なっていてもよい。つまり、画像分析部２１１及び画像分析部２１２は、一の画像フレームに対して画像分析部２１２が実行した画像分析処理が完了するまでに要する時間が、同じ一の画像フレームに対して画像分析部２１１が実行した画像分析処理が完了するまでに要する時間よりも短いという点で異なっていてもよい。尚、画像分析処理の処理速度は、典型的には、画像分析処理の処理負荷が軽くなるほど速くなる。このため、画像分析部２１１及び画像分析部２１２は、画像分析部２１２が実行する画像分析処理の処理負荷が、画像分析部２１１が実行する画像分析処理の処理負荷よりも軽いという点で異なっていてもよい。また、上述したように、画像分析処理は、画像分析モデルを用いて行われる。このため、「画像分析部２１２が実行する画像分析処理の処理速度が、画像分析部２１１が実行する画像分析処理の処理速度よりも速い」という状態は、実質的には、「画像分析部２１２が用いる画像分析モデルの処理速度が、画像分析部２１２が用いる画像分析モデルの処理速度よりも速い」という状態と等価であるとも言える。

画像分析部２１１及び画像分析部２１２は、画像分析部２１１が実行する画像分析処理による分析精度が、画像分析部２１２が実行する画像分析処理による分析精度よりも高いという点で異なっていてもよい。「画像分析部２１１が実行する画像分析処理による分析精度が、画像分析部２１２が実行する画像分析処理による分析精度よりも高い」という状態は、実質的には、「画像分析部２１１が用いる画像分析モデルの分析精度が、画像分析部２１２が用いる画像分析モデルの分析精度よりも高い」という状態と等価であるとも言える。尚、本実施形態では、上述したように画像分析処理が物体検出処理である。このため、分析精度は、画像フレームが示す画像に表現されている物体を正しく検出できるほど高くなる物体の検出精度を意味していてもよい。また、ここで言う分析精度は、後述する画像分析動作（特に、図４のステップＳ１１２）で算出される分析精度を意味していてもよい。

画像分析部２１１及び画像分析部２１２の夫々は、上述した画像分析モデルを用いた画像分析処理を実行する。上述したように画像分析部２１１と画像分析部２１２との間では画像分析処理の処理速度及び分析精度の少なくとも一方が異なるがゆえに、画像分析部２１１が用いる画像分析モデルは、典型的には、画像分析部２１２が用いる画像分析モデルとは異なる。但し、画像分析部２１１が用いる画像分析モデルは、画像分析部２１２が用いる画像分析モデルと同一であってもよい。

以上説明した画像分析部２１１及び画像分析部２１２の違いを踏まえ、以下の説明では、説明の便宜上、画像分析部２１１を“高精度画像分析部２１１”と称し、画像分析部２１２を“軽量画像分析部”と称して、両者をより明確に区別する。また、画像分析部２１１が用いる画像分析モデルを“高精度画像分析モデル”と称し、画像分析部２１２が用いる画像分析モデルを“軽量画像分析モデル”と称して、両者を区別する。

このような高精度画像分析部２１１及び軽量画像分析部２１２を備える画像分析装置２は、通常は、軽量画像分析部２１２を用いて画像分析処理を実行してもよい。この場合、画像分析装置２は、相対的に軽い処理負荷で、相対的に高速に画像分析処理を実行することができる。一方で、軽量画像分析部２１２が軽量画像分析モデルを用いて実行する画像分析処理の分析精度が相対的に低いがゆえに、軽量画像分析モデルには改善の余地があるとも言える。ここで、高精度画像分析部２１１が実行する画像分析処理の分析精度が高いがゆえに、高精度画像分析部２１１が実行する画像分析処理の結果は、信頼性が相対的に高い。このため、画像分析装置２は、高精度画像分析部２１１が実行する画像分析処理の結果を用いて、軽量画像分析部２１２が用いる軽量画像分析モデルを更新してもよい。つまり、画像分析装置２は、高精度画像分析部２１１が実行する画像分析処理の結果を計量画像分析モデルに学習させることで、軽量画像分析モデルを更新してもよい。

モデル更新部２１３は、モデル更新処理を行う。本実施形態では特に、モデル更新部２１３は、上述したように、軽量画像分析部２１２が用いる軽量画像分析モデルを更新する。具体的には、モデル更新部２１３は、画像分析部２１１が出力した位置情報ｑｌ及びクラス情報ｑｃと、画像分析部２１２が出力した位置情報ｐｌ及びクラス情報ｐｃとに基づいて、損失関数の値Ｌ（以降、“ロス値Ｌ”と称する）を算出する。ロス値Ｌは、軽量画像分析部２１２が実行する画像分析処理の結果を評価するための評価値に相当する。ロス値Ｌは、例えば、物体の位置に関するロス値と、物体のクラスに関するロス値との総和であってもよい。物体の位置に関するロス値の一例として、Ｓｍｏｏｔｈ Ｌ１ Ｌｏｓｓと称されるロス値ＳＬが用いられてもよい。ロス値ＳＬは、「ＳＬ＝０．５×（ｑｌ－ｐｌ）＾２：｜ｑｌ－ｐｌ｜＜１の場合、ＳＬ＝｜ｑｌ－ｐｌ｜－０．５：｜ｑｌ－ｐｌ｜＜１でない場合」という数式２で表現されるロス値が用いられてもよい。物体のクラスに関するロス値の一例として、Ｆｏｃａｌ Ｌｏｓｓと称されるロス値ＦＬが用いられてもよい。ロス値ＦＬは、「ＦＬ＝（ｑｃ－ｐｃ）×γ×ＣＥ（ｑｃ、ｐｃ）」という数式２で表現される。尚、数式２中の「γ」は、パラメータであり、ＣＥ（ｑｃ、ｐｃ）は、クラス情報ｑｃとクラス情報ｐｃとの交差エントロピーである。その後、モデル更新部２１３は、ロス値Ｌに基づいて、軽量画像分析モデルを更新する。例えば、上述したロス値ＦＬとロス値ＳＬとの総和に相当するロス値Ｌは、軽量画像分析部２１２が実行する画像分析処理の結果が良好になるほど小さくなる。この場合には、モデル更新部２１３は、ロス値Ｌが小さくなるように（典型的には、最小になるように）軽量画像分析モデルを更新することが好ましい。尚、本段落において、記号「｜ｘ｜」は、「ｘの絶対値」を表しており、記号「ｘ＾ｙ」は、「ｘのｙ乗（べき乗）」を表している。

キャッシュ管理部２１４は、モデル更新部２１３がモデル更新処理を行うために利用するキャッシュデータ２２１を管理する。例えば、キャッシュデータ２２１は、キャッシュデータ２２１のデータ構造の一例を示すデータ構造図である図３に例示するように、高精度画像分析部２１１（更には、軽量画像分析部２１２）が過去に画像分析処理を実行した画像フレーム（以降、適宜“分析済みフレーム”と称する）と、分析済みフレームに対して高精度画像分析部２１１が過去に実行した画像分析処理の結果と、分析済みフレームに対して軽量画像分析部２１２が過去に実行した画像分析処理の結果を評価するためのロス値Ｌとを含む更新用データ２２１１を複数含んでいてもよい。つまり、キャッシュデータ２２１は、分析済みフレームと、高精度画像分析部２１１が過去に実行した画像分析処理の結果と、ロス値Ｌとが関連付けられた更新用データ２２１１を複数含んでいてもよい。尚、図３に示す例では、キャッシュデータ２２１は、更新用データ２２１１をＮ（但し、Ｎは２以上の整数）個含んでいる。また、図３に示す例では、更新用データ２２１１は、高精度画像分析部２１１が過去に実行した画像分析処理の結果として、分析済みフレームから高精度画像分析部２１１が特定した物体の位置を示す位置情報ｑｌと、分析済みフレームから高精度画像分析部２１１が特定した物体のクラスを示すクラス情報ｑｃとを含んでいる。尚、以下では、分析済みフレーム（つまり、過去に取得された画像フレーム）から特定された位置情報ｑｌ及びクラス情報ｑｃを、夫々、位置情報ｑｌ＿ｐａｓｔ及びクラス情報ｑｃ＿ｐａｓｔと称する。同様に、分析済みフレーム（つまり、過去に取得された画像フレーム）から特定された位置情報ｐｌ及びクラス情報ｐｃを、夫々、位置情報ｐｌ＿ｐａｓｔ及びクラス情報ｐｃ＿ｐａｓｔと称する。

記憶装置２２は、所望のデータを記憶可能である。例えば、記憶装置２２は、演算装置２１が実行するコンピュータプログラムを一時的に記憶していてもよい。記憶装置２２は、演算装置２１がコンピュータプログラムを実行している際に演算装置２１が一時的に使用するデータを一時的に記憶してもよい。記憶装置２２は、画像分析装置２が長期的に保存するデータを記憶してもよい。本実施形態では特に、記憶装置２２は、上述したキャッシュデータ２２１を記憶する。尚、記憶装置２２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。

入出力ＩＦ２３は、画像分析装置２とカメラ１との間でのデータの送受信を行う装置である。従って、画像分析装置２は、入出力ＩＦ２３を介して、カメラ１から動画データ（つまり、画像データ）を取得する。

＜２＞画像分析システムＳＹＳの動作
続いて、画像分析システムＳＹＳの動作について説明する。以下では、図４を参照しながら、画像分析システムＳＹＳが行う動作の少なくとも一部として、画像分析装置２が行う画像分析動作（つまり、上述した画像分析処理とモデル更新処理とを含む動作）について説明する。図４は、画像分析装置２が行う画像分析動作の流れを例示するフローチャートである。

図４に示すように、演算装置２１は、変数ｔを１に初期化する（ステップＳ１０１）。変数ｔは、画像分析装置２が画像分析動作を開始してから画像分析装置２がカメラ１から取得した画像フレームの数を示す変数である。

その後、画像取得部２１０が入出力ＩＦ２３を介して画像分析装置２がカメラ１から画像フレームを新たに取得した場合には（ステップＳ１０２：Ｙｅｓ）、軽量画像分析部２１２は、ステップＳ１０２で新たに取得された画像フレームに対して、軽量画像分析モデルを用いた画像分析処理（つまり、物体検出処理）を行う（ステップＳ１０３）。

その後、演算装置２１は、画像分析動作を終了するか否かを判定する（ステップＳ１０４）。画像分析動作を終了すると判定された場合には、画像分析装置２は、図４に示す画像分析動作を終了する。

一方で、画像分析動作を終了すると判定された場合には、モデル更新部２１３は、ステップＳ１０２で新たに取得された画像フレームを用いて、軽量画像分析モデルを更新するか否かを判定する（ステップＳ１０５）。図４に示す例では、モデル更新部２１３は、変数ｔをパラメータσで除算した剰余が０であるか否か、及び、変数ｔがパラメータｎ未満であるか否を判定することで、軽量画像分析モデルを更新するか否かを判定している（ステップＳ１０５）。パラメータσは、軽量画像分析モデルの更新周期を規定する数値パラメータである。具体的には、パラメータσは、σ個の画像フレームが取得されるたびに軽量画像分析モデルが更新されるように更新周期を規定する数値パラメータである。また、パラメータｎは、軽量画像分析モデルの更新を継続する継続期間を規定する数値パラメータである。具体的には、パラメータｎは、画像分析装置２が画像分析動作を開始してからｎ個の画像フレームが取得された時点で軽量画像分析モデルの更新を停止するようにモデル更新処理の継続期間を規定する数値パラメータである。つまり、パラメータｎは、画像分析装置２が画像分析動作を開始してからｎ個の画像フレームが取得されるまでは軽量画像分析モデルが更新され、画像分析装置２が画像分析動作を開始してからｎ個の画像フレームが取得された後は軽量画像分析モデルが更新されないように継続期間を規定する数値パラメータである。

ステップＳ１０５における判定の結果、変数ｔをパラメータσで除算した剰余が０でないと判定された場合には（ステップＳ１０５：Ｎｏ）、現在のタイミングが、軽量画像分析モデルを更新するタイミングではないと想定される。このため、モデル更新部２１３は、ステップＳ１０２で新たに取得された画像フレームを用いて、軽量画像分析モデルを更新しない。この場合、モデル更新部２１３は、変数ｔを１だけインクリメントする（ステップＳ１１６）。その後、ステップＳ１０２以降の処理が繰り返される。

ステップＳ１０５における判定の結果、変数ｔをパラメータσで除算した剰余が０であると判定された変数ｔがパラメータｎ以上であると判定された場合であっても、変数ｔがパラメータｎ以上であると判定された場合には（ステップＳ１０５：Ｎｏ）、軽量画像分析モデルの更新を継続する継続期間が既に経過してしまったと想定される。このため、モデル更新部２１３は、ステップＳ１０２で新たに取得された画像フレームを用いて、軽量画像分析モデルを更新しない。この場合、モデル更新部２１３は、変数ｔを１だけインクリメントする（ステップＳ１１６）。その後、ステップＳ１０２以降の処理が繰り返される。但し、この場合には、変数ｔが初期化されない限りは変数ｔがパラメータｎ未満になることはないため、原則として、軽量画像分析モデルが更新されることない。

他方で、ステップＳ１０５における判定の結果、変数ｔをパラメータσで除算した剰余が０であり且つ変数ｔがパラメータｎ未満であると判定された場合には（ステップＳ１０５：Ｙｅｓ）、モデル更新部２１３は、ステップＳ１０２で新たに取得された画像フレームを用いて、軽量画像分析モデルを更新する（ステップＳ１１１からステップＳ１２６）。

具体的には、モデル更新部２１３は、ステップＳ１０２で新たに取得された画像フレーム（以降、“新規フレーム”と称する）に対して画像分析処理を行うように、高精度画像分析部２１１を制御する（ステップＳ１１１）。

その後、モデル更新部２１３は、ステップＳ１０３において軽量画像分析部２１２が実行した画像分析処理の結果と、ステップＳ１１１において高精度画像分析部２１１が実行した画像分析処理の結果とを用いて、軽量画像分析部２１２の分析精度を算出する（ステップＳ１１２）。以下、分析精度を算出する処理の一例について説明する。

まず、ステップＳ１１１において高精度画像分析部２１１が実行した画像分析処理の結果は、高精度画像分析部２１１によって特定された物体の位置を示す位置情報ｑｌと、高精度画像分析部２１１によって特定された物体のクラスを示すクラス情報ｑｃとを含む。同様に、ステップＳ１０３において軽量画像分析部２１２が実行した画像分析処理の結果は、軽量画像分析部２１２によって特定された物体の位置を示す位置情報ｐｌと、軽量画像分析部２１２によって特定された物体のクラスを示すクラス情報ｐｃとを含む。尚、以下では、ステップＳ１０２で新たに取得された画像フレームから特定された位置情報ｑｌ及びクラス情報ｑｃ並びに位置情報ｐｌ及びクラス情報ｐｃを、夫々、位置情報ｑｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｑｃ＿ｃｕｒｒｅｎｔ並びに位置情報ｐｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｐｃ＿ｃｕｒｒｅｎｔと称する。この場合、モデル更新部２１３は、位置情報ｑｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｑｃ＿ｃｕｒｒｅｎｔを正解データとして用いることで、位置情報ｐｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｐｃ＿ｃｕｒｒｅｎｔの精度を、軽量画像分析部２１２が実行した画像分析処理の分析精度として算出してもよい。この際、モデル更新部２１３は、信頼度が０．５以上になる位置情報ｑｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｑｃ＿ｃｕｒｒｅｎｔを正解データとして用いることで、位置情報ｐｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｐｃ＿ｃｕｒｒｅｎｔの精度を、軽量画像分析部２１２の分析精度として算出してもよい。尚、分析精度として、画像分析処理（特に、物体検出処理）の精度を示す既存の指標値が用いられてもよい。このような既存の指標値の一例として、ｍＡＰ（ｍｅａｎ Ａｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ）及びＩｏＵ（Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）の少なくとも一つが挙げられる。

その後、モデル更新部２１３は、変数ｕを１に初期化する（ステップＳ１１３）。変数ｕは、モデル更新処理による軽量画像分析モデルの更新回数を示す変数である。

その後、モデル更新部２１３は、ステップＳ１１２で算出した分析精度が下限閾値ＴＨ１未満であるか否か、及び、変数ｕが上限閾値ＴＨ２未満であるか否かを判定する（ステップＳ１１４）。下限閾値ＴＨ１は、軽量画像分析部２１２の分析精度が、軽量画像分析部２１２が画像フレームに対して適切な画像分析処理を行うことができる程度に高いか否かを判定するために分析精度と比較される閾値である。軽量画像分析部２１２の分析精度が下限閾値ＴＨ１未満である状態は、軽量画像分析部２１２の分析精度が、軽量画像分析部２１２が画像フレームに対して適切な画像分析処理を行うことができない可能性がある程度に低い状態に対応する。軽量画像分析部２１２の分析精度が下限閾値ＴＨ１以上である状態は、軽量画像分析部２１２の分析精度が、軽量画像分析部２１２が画像フレームに対して適切な画像分析処理を行うことができる程度に高い状態に対応する。上限閾値ＴＨ２は、変数ｕ（つまり、軽量画像分析モデルの更新回数）の上限値を規定する閾値である。

ステップＳ１１４における判定の結果、ステップＳ１１２で算出した分析精度が所定閾値ＴＨ１未満であり、且つ、変数ｕが所定閾値ＴＨ２未満であると判定された場合には（ステップＳ１１４：Ｙｅｓ）、軽量画像分析部２１２の分析精度が未だ十分に高くないがゆえに、モデル更新処理によって軽量画像分析モデルが更新されるべき状況にあると想定される。そこで、この場合には、画像分析装置２は、実際に軽量画像分析モデルを更新する（ステップＳ１２１からステップＳ１２２）。

具体的には、キャッシュ管理部２１４は、キャッシュデータ２２１１から、軽量画像分析モデルを更新するために用いるべき少なくとも一つの更新用データ２２１１を抽出する（ステップＳ１２１）。つまり、キャッシュ管理部２１４は、キャッシュデータ２２１１から、分析済みフレームと、高精度画像分析部２１１が過去に実行した画像分析処理の結果と、ロス値Ｌとを、軽量画像分析モデルを更新するために用いるべきデータとして抽出する。

本実施形態では、キャッシュ管理部２１４は、例えば、ロス値Ｌに基づく所定の抽出条件を満たす少なくとも一つの更新用データ２２１１を抽出する。例えば、ロス値Ｌは、典型的には、軽量画像分析部２１２が実行した画像分析処理の結果が良好になるほど、小さくなる。つまり、ロス値Ｌは、軽量画像分析部２１２が実行した画像分析処理の結果と、高精度画像分析部２１１が実行した画像分析処理の結果との差分が小さくなるほど、小さくなる。このため、相対的に大きなロス値Ｌを含む更新用データ２２１１に含まれる分析済みフレームは、相対的に小さなロス値Ｌを含む更新用データ２２１１に含まれる分析済みフレームと比較して、軽量画像分析モデルにとって相対的に物体を検出しづらい画像フレームであると言える。つまり、相対的に大きなロス値Ｌを含む更新用データ２２１１に含まれる分析済みフレームは、軽量画像分析モデルが十分に学習していない（つまり、計量画像分析モデルにとって相対的に苦手な）画像フレームであると言える。この場合、十分に学習していない画像フレームを用いて軽量画像分析モデルを更新すれば、十分に学習した画像フレームを用いて軽量画像分析モデルを更新する場合と比較して、軽量画像分析モデルを用いた画像分析処理の結果が相対的に大きく改善することが期待される。このため、キャッシュ管理部２１４は、相対的に大きなロス値Ｌを含む更新用データ２２１１を抽出してもよい。

例えば、キャッシュデータ２２１から更新用データ２２１１が抽出される様子を例示する図５に示すように、ロス値Ｌ＃Ｎが他のロス値Ｌ＃１からロス値Ｌ＃Ｎ－１よりも大きい場合には、キャッシュ管理部２１４は、ロス値Ｌ＃Ｎと、ロス値Ｌ＃Ｎに関連付けられた分析済みフレームｘ＃Ｎと、ロス値Ｌ＃Ｎに関連付けられた位置情報ｑｌ＿ｐａｓｔ＃Ｎ及びクラス情報ｑｃ＿ｐａｓｔ＃Ｎとを含む更新用データ２２１１を抽出してもよい。

相対的に大きなロス値Ｌを含む更新用データ２２１１を抽出するために、抽出条件は、ロス値Ｌの大きさに関する条件を含んでいてもよい。例えば、抽出条件は、ロス値Ｌが大きくなるほど更新用データ２２１１が抽出される確率が高くなるという条件を含んでいてもよい。例えば、抽出条件は、ロス値Ｌが最大になる更新用データ２２１１が抽出されるという条件を含んでいてもよい。例えば、抽出条件は、ロス値Ｌが所定の抽出閾値よりも大きい更新用データ２２１１が抽出されるという条件を含んでいてもよい。例えば、抽出条件は、ロス値Ｌが大きい順に所定個の更新用データ２２１１が抽出されるという条件を含んでいてもよい。いずれの抽出条件が用いられたとしても、キャッシュ管理部２１４は、相対的に大きなロス値Ｌを含む更新用データ２２１１を抽出することができる。

その後、モデル更新部２１３は、ステップＳ１２１で抽出した更新用データ２２１１に含まれる画像フレーム（つまり、分析済みフレーム）と、ステップＳ１０２で新たに取得した画像フレーム（つまり、新規フレーム）とを用いて、軽量画像分析モデルを更新する（ステップＳ１２２）。つまり、モデル更新部２１３は、分析済みフレームと新規フレームとの双方を軽量画像分析モデルに学習させることで、軽量画像分析モデルを更新する（ステップＳ１２２）。

軽量画像分析モデルを更新するために、モデル更新部２１３は、分析済みフレームに対応するロス値Ｌ（以降、“ロス値Ｌ＿ｐａｓｔ”と称する）と、新規フレームに対応するロス値Ｌ（以降、“ロス値Ｌ＿ｃｕｒｒｅｎｔ”と称する）とを算出する。ロス値Ｌ＿ｐａｓｔは、ステップＳ１２１で抽出した更新用データ２２１１に含まれる分析済みフレームに対して軽量画像分析部２１１が実行した画像分析処理の結果を評価するための損失関数の値である。一方で、ロス値Ｌ＿ｃｕｒｒｅｎｔは、ステップＳ１０２で新たに取得された新規フレームに対して軽量画像分析部２１１が実行した画像分析処理の結果を評価するための損失関数の値である。

ロス値Ｌ＿ｐａｓｔを算出するために、モデル更新部２１３は、ステップＳ１２１で抽出した分析済みフレームに対して画像処理を行うように、軽量画像分析部２１２を制御する。その結果、モデル更新部２１３は、分析済みフレームから軽量画像分析部２１２が特定した物体の位置を示す位置情報ｐｌ＿ｐａｓｔと、分析済みフレームから軽量画像分析部２１２が特定した物体のクラスを示すクラス情報ｐｃ＿ｐａｓｔとを取得する。また、モデル更新部２１３は、ステップＳ１２１で抽出した更新用データ２２１１から、分析済みフレームから高精度画像分析部２１１が特定した物体の位置を示す位置情報ｑｌ＿ｐａｓｔと、分析済みフレームから高精度画像分析部２１１が特定した物体のクラスを示すクラス情報ｑｃ＿ｐａｓｔとを取得する。その後、モデル更新部２１３は、位置情報ｐｃ＿ｐａｓｔ、クラス情報ｐｃ＿ｐａｓｔ、位置情報ｑｌ＿ｐａｓｔ及びクラス情報ｑｃ＿ｐａｓｔに基づいて、ロス値Ｌ＿ｐａｓｔを算出する。例えば、モデル更新部２１３は、上述したロス値Ｌを算出するための数式１及び２を用いて、ロス値Ｌ＿ｐａｓｔを算出する。

また、モデル更新部２１３は、ステップＳ１０３において軽量画像分析部２１２が実行した画像分析処理の結果と、ステップＳ１１１において高精度画像分析部２１１が実行した画像分析処理の結果とを用いて、ロス値Ｌ＿ｃｕｒｒｅｎｔを算出する。つまり、モデル更新部２１３は、位置情報ｐｃ＿ｃｕｒｒｅｎｔ、クラス情報ｐｃ＿ｃｕｒｒｅｎｔ、位置情報ｑｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｑｃ＿ｃｕｒｒｅｎｔに基づいて、ロス値Ｌ＿ｃｕｒｒｅｎｔを算出する。

その後、モデル更新部２１３は、ロス値Ｌ＿ｐａｓｔとロス値Ｌ＿ｃｕｒｒｅｎｔとの総和に相当するロス値Ｌ＿ｔｏｔａｌを、軽量画像分析モデルを更新するために用いるロス値Ｌとして算出する。つまり、モデル更新部２１３は、ロス値Ｌ＿ｔｏｔａｌに基づいて、軽量画像分析モデルを更新する。言い換えれば、モデル更新部２１３は、ロス値Ｌ＿ｔｏｔａｌに基づいて軽量画像分析モデルを学習させることで、軽量画像分析モデルを更新する。例えば、モデル更新部２１３は、ロス値Ｌ＿ｔｏｔａｌが小さくなる（典型的には、最小になる）ように軽量画像分析モデルを構成するパラメータ等を更新することで、軽量画像分析モデルを更新する。例えば、軽量画像分析モデルがニューラルネットワークを用いた演算モデルである場合には、モデル更新部２１３は、ロス値Ｌ＿ｔｏｔａｌが小さくなる（典型的には、最小になる）ようにニューラルネットワークのパラメータ（例えば、重み、バイアス及びノードの接続経路の少なくとも一つ）を学習させることで、軽量画像分析モデルを更新する。

モデル更新部２１３は、ロス値Ｌ＿ｔｏｔａｌを算出する際に、ロス値Ｌ＿ｐａｓｔとロス値Ｌ＿ｃｕｒｒｅｎｔとの少なくとも一方に重み付け処理を施してもよい。例えば、モデル更新部２１３は、Ｌ＿ｔｏｔａｌ＝α×Ｌ＿ｃｕｒｒｅｎｔ＋（１－α）×Ｌ＿ｐａｓｔという数式を用いて、ロス値Ｌ＿ｔｏｔａｌを算出してもよい。この場合、αは重み付け係数を示しており、０より大きく且つ１より小さい値に設定される。重み付け係数αが１に設定されている場合には、軽量画像分析モデルは、ロス値Ｌ＿ｐａｓｔを用いることなく更新される。つまり、軽量画像分析モデルは、更新用データ２２１１に含まれる分析済みフレームを用いることなく、新規フレームを用いて更新される。

一方で、重み付け係数αが小さくなればなるほど、軽量画像分析モデルの更新に対するロス値Ｌ＿ｐａｓｔの寄与度が増加する。この場合、軽量画像分析モデルの時間的汎用性が増加する。つまり、軽量画像分析モデルが、直近に入力された画像フレームに特化した汎用性の相対的に低い画像分析モデルになる可能性が小さくなる。言い換えれば、軽量画像分析モデルが、直近に入力された画像フレームを過学習した汎用性の相対的に低い画像分析モデルになる可能性が小さくなる。尚、軽量画像分析モデルの時間的汎用性の増加度合いをより高めるという点から言えば、重み付け係数αは、０．５未満の値に設定されてもよい。

軽量画像分析モデルが更新されると、分析済みフレームに対応するロス値Ｌ＿ｐａｓｔが変わる可能性が高い。典型的には、軽量画像分析モデルが更新されると、分析済みフレームに対応するロス値Ｌ＿ｐａｓｔが小さくなる可能性が相対的に高い。なぜならば、ロス値Ｌ＿ｔｏｔａｌが小さくなるように計量画像分析モデルが更新されるがゆえに、ロス値Ｌ＿ｔｏｔａｌを構成するロス値Ｌ＿ｐａｓｔもまた小さくなる可能性があるからである。このため、キャッシュ管理部２１４は、軽量画像分析モデルが更新された場合には、軽量画像分析モデルの更新によって変動したロス値Ｌ＿ｐａｓｔを用いて、キャッシュデータ２２１を更新する（ステップＳ１２３からステップＳ１２４）。具体的には、キャッシュ管理部２１４は、ステップＳ１２１で抽出された処理済みデータに対して、更新された軽量画像分析モデルを用いて画像分析処理を行うように、軽量画像分析部２１２を制御する（ステップＳ１２３）。その結果、キャッシュ管理部２１４は、分析済みフレームから軽量画像分析モデルを用いて特定された物体の位置を示す位置情報ｐｌ＿ｐａｓｔと、分析済みフレームから軽量画像分析モデルを用いて特定された物体のクラスを示すクラス情報ｐｃ＿ｐａｓｔとを取得する。その後、キャッシュ管理部２１４は、ステップＳ１２３で取得した位置情報ｐｌ＿ｐａｓｔ及びクラス情報ｐｃ＿ｐａｓｔと、ステップＳ１２１で抽出した位置情報ｑｌ＿ｐａｓｔ及びクラス情報ｑｃ＿ｐａｓｔとを用いて、軽量画像分析モデルの更新によって変動した後のロス値Ｌ＿ｐａｓｔを算出する。その後、キャッシュ管理部２１４は、ステップＳ１２１で抽出した更新用データ２２１１に含まれるロス値Ｌを、軽量画像分析モデルを更新する前のロス値Ｌ＿ｐａｓｔから、軽量画像分析モデルを更新した後のロス値Ｌ＿ｐａｓｔに変更する（ステップＳ１２４）。

例えば、キャッシュデータ２２１が更新される様子を例示する図６に示すように、分析済みフレームｘ＃Ｎを含む更新用データ２２１１を用いて軽量画像分析モデルが更新された場合には、分析済みフレームｘ＃Ｎを含む更新用データ２２１１に含まれるロス値Ｌ＃Ｎが更新される。つまり、ロス値Ｌ＃Ｎが、軽量画像分析モデルを更新した後のロス値Ｌ’＃Ｎに変更される。

その後、モデル更新部２１３は、ステップＳ１２３において軽量画像分析部２１２が実行した画像分析処理の結果と、ステップＳ１１１において高精度画像分析部２１１が実行した画像分析処理の結果とを用いて、軽量画像分析モデルが更新された後の軽量画像分析部２１２の分析精度を算出する（ステップＳ１２５）。尚、ステップＳ１２５における処理は、ステップＳ１１２における処理と同一であってもよいため、その詳細な説明は省略する。

その後、モデル更新部２１３は、変数ｕを１だけインクリメントした後（ステップＳ１２６）、ステップＳ１１４以降の処理を繰り返す。尚、ステップＳ１１２において分析精度が算出された後にステップＳ１２５において分析精度が新たに算出された場合には、モデル更新部２１３は、ステップＳ１１４において、ステップＳ１１２で算出した分析精度に代えて、ステップＳ１２５で算出した分析精度が下限閾値ＴＨ１未満であるか否かを判定する。

他方で、ステップＳ１１４における判定の結果、ステップＳ１１２（或いは、ステップＳ１２５）で算出した分析精度が所定閾値ＴＨ１以上であると判定された場合には（ステップＳ１１４：Ｎｏ）、軽量画像分析部２１２の分析精度が既に十分に高いがゆえに、モデル更新処理によって軽量画像分析モデルが更新される必要性が相対的に小さい状況にあると想定される。そこで、この場合には、モデル更新部２１３は、軽量画像分析モデルを更新するためのモデル更新処理を終了する。

また、ステップＳ１１４における判定の結果、変数ｕが所定閾値ＴＨ２以上であると判定された場合には（ステップＳ１１４：Ｎｏ）、モデル更新処理による軽量画像分析モデルの更新回数が上限に達していると想定される。そこで、この場合には、モデル更新部２１３は、軽量画像分析モデルを更新するためのモデル更新処理を終了する。

軽量画像分析モデルを更新する処理を終了した後には、キャッシュ管理部２１４は、キャッシュデータ２２１を更新する（ステップＳ１１５）。具体的には、キャッシュデータ２２１が更新される様子を例示する図７に示すように、キャッシュ管理部２１４は、ステップＳ１０２で取得した画像フレームを分析済みフレーム（図７に示す例では、分析済みフレームｘ＃Ｎ＋１）として含む更新用データ２２１１を、キャッシュデータ２２１に追加する。新たに追加される更新用データ２２１１は、ステップＳ１０２で取得した新規フレームに対してステップＳ１１１において高精度画像分析部２１１が実行した画像分析処理の結果（つまり、位置情報ｑｌ＿ｃｕｒｒｅｎｔ及びクラス情報ｑｃ＿ｃｕｒｒｅｎｔ）を、位置情報ｑｌ＿ｐａｓｔ及びクラス情報ｑｃ＿ｐａｓｔとして含む。更に、新たに追加される更新用データ２２１１は、ステップＳ１０２で取得した新規フレームに対応するロス値ＬとしてステップＳ１２３で算出されたロス値Ｌ＿ｃｕｒｒｅｎｔを含む。

また、更新用データ２２１１の追加に伴ってキャッシュデータ２２１のデータサイズが上限サイズを超える場合には、キャッシュ管理部２１４は、キャッシュデータ２２１から少なくとも一つの更新用データ２２１１を破棄（つまり、削除）してもよい。

本実施形態では、キャッシュ管理部２１４は、例えば、ロス値Ｌに基づく所定の破棄条件を満たす少なくとも一つの更新用データ２２１１を削除してもよい。例えば、上述したように、相対的に大きなロス値Ｌを含む更新用データ２２１１に含まれる分析済みフレームは、軽量画像分析部２１２が用いる軽量画像分析モデルにとって相対的に物体を検出しづらい画像フレームである。逆に言えば、相対的に小さなロス値Ｌを含む更新用データ２２１１に含まれる分析済みフレームは、軽量画像分析部２１２が用いる軽量画像分析モデルにとって相対的に物体を検出しやすい画像フレームである。つまり、相対的に小さなロス値Ｌを含む更新用データ２２１１に含まれる分析済みフレームは、軽量画像分析モデルが十分に学習した画像フレームである可能性が高い。この場合、十分に学習した画像フレームを用いて軽量画像分析モデルを更新しても、十分に学習していない画像フレームを用いて軽量画像分析モデルを更新する場合と比較して、軽量画像分析モデルを用いた画像分析処理の結果の改善量には限界がある。このため、モデル更新部２１３は、相対的に小さなロス値Ｌを含む更新用データ２２１１を破棄してもよい。

例えば、キャッシュデータ２２１から更新用データ２２１１が破棄される様子を例示する図７に示すように、ロス値Ｌ＃２が他のロス値Ｌ＃１及びロス値Ｌ＃３からロス値Ｌ＃Ｎ＋１よりも小さい場合には、キャッシュ管理部２１４は、ロス値Ｌ＃２と、ロス値Ｌ＃２に関連付けられた分析済みフレームｘ＃２と、ロス値Ｌ＃２に関連付けられた位置情報ｑｌ＿ｐａｓｔ＃２及びクラス情報ｑｃ＿ｐａｓｔ＃２とを含む更新用データ２２１１を破棄してもよい。

相対的に小さなロス値Ｌを含む更新用データ２２１１を破棄するために、破棄条件は、ロス値Ｌの大きさに関する条件を含んでいてもよい。例えば、破棄条件は、ロス値Ｌが小さくなるほど更新用データ２２１１が破棄される確率が高くなるという条件を含んでいてもよい。例えば、破棄条件は、ロス値Ｌが最小になる更新用データ２２１１が破棄されるという条件を含んでいてもよい。例えば、破棄条件は、ロス値Ｌが所定の破棄閾値よりも小さい更新用データ２２１１が破棄されるという条件を含んでいてもよい。例えば、破棄条件は、ロス値Ｌが小さい順に所定個の更新用データ２２１１が破棄されるという条件を含んでいてもよい。いずれの破棄条件が用いられたとしても、キャッシュ管理部２１４は、相対的に小さなロス値Ｌを含む更新用データ２２１１を破棄することができる。

＜３＞画像分析システムＳＹＳの技術的効果
以上説明したように、本実施形態の画像分析システムＳＹＳによれば、画像分析装置２は、カメラ１から新たに取得された画像フレームのみならず、キャッシュデータ２２１に含まれる更新用データ２２１１を用いて、軽量画像分析モデルを更新することができる。つまり、画像分析装置２は、過去に軽量画像分析モデルを更新するために用いられた分析済みフレームを用いて、軽量画像分析モデルを更新することができる。このため、カメラ１から新たに取得された画像フレームのみを用いて軽量画像分析モデルが更新される場合と比較して、軽量画像分析モデルを用いた画像分析処理の分析精度が向上する。例えば、図８は、本実施形態の画像分析装置２が更新した（つまり、学習させた）軽量画像分析モデルを用いた画像分析処理の分析精度を実線で示している。一方で、図８は、カメラ１から新たに取得された画像フレームのみを用いて更新された軽量画像分析モデル（第１比較例）を用いた画像分析処理の分析精度を一点鎖線で示している。図８に示すように、本実施形態の画像分析装置２が更新した軽量画像分析モデルを用いた画像分析処理の分析精度は、カメラ１から新たに取得された画像フレームのみを用いて更新された第１比較例の軽量画像分析モデルを用いた画像分析処理の分析精度よりも高いことが分かる。

また、画像分析装置２は、ロス値Ｌに基づく抽出条件を満たす少なくとも一つの更新用データ２２１１を、軽量画像分析モデルを更新するために用いる更新用データ２２１１として抽出する。その結果、キャッシュデータ２２１１からランダムに（つまり、ロス値Ｌを考慮することなく）抽出される更新用データ２２１１を用いて軽量画像分析モデルが更新される場合と比較して、軽量画像分析モデルを用いた画像分析処理の分析精度が向上する。なぜならば、ロス値Ｌに基づく抽出条件を満たす少なくとも一つの更新用データ２２１１は、軽量画像分析モデルが十分に学習していない画像フレームを含んでいるがゆえに、軽量画像分析モデルは、十分に学習していない画像フレームを優先的に学習するからである。例えば、図８は、キャッシュデータ２２１１からランダムに抽出される更新用データ２２１１を用いて更新された軽量画像分析モデル（第２比較例）を用いた画像分析処理の分析精度を点線で示している。図８に示すように、本実施形態の画像分析装置２が更新した軽量画像分析モデルを用いた画像分析処理の分析精度は、キャッシュデータ２２１１からランダムに抽出される更新用データ２２１１を用いて更新された第２比較例の軽量画像分析モデルを用いた画像分析処理の分析精度よりも高いことが分かる。

また、上述したようにロス値Ｌ＿ｔｏｔａｌを算出する際にロス値Ｌ＿ｐａｓｔとロス値Ｌ＿ｃｕｒｒｅｎｔとの少なくとも一方に重み付け処理が施される場合には、軽量画像分析モデルを用いた画像分析処理の分析精度のばらつきが小さくなる。なぜならば、上述したように、重み付け処理によって軽量画像分析モデルの時間的汎用性が増加するからである。特に、画像分析処理の分析精度のばらつきが小さくなるという効果は、重み付け係数αが０．５未満の値に設定される場合により顕著になる。例えば、図８は、０．５未満の値に設定された重み付け係数αを用いて画像分析装置２が更新した軽量画像分析モデル（重み付けあり）を用いた画像分析処理の分析精度を太い実線で示し、重み付け係数αを用いることなく画像分析装置２が更新した軽量画像分析モデル（重み付けない）を用いた画像分析処理の分析精度を細い実線で示している。図８に示すように、重み付け係数αが０．５未満の値に設定される場合に画像分析処理の分析精度のばらつきが小さくなることが分かる。

＜４＞変形例
上述した説明では、画像分析装置２は、相対的に大きなロス値Ｌを含む更新用データ２２１１を、軽量画像分析モデルを更新するために用いるべき更新用データ２２１１として抽出するために、ロス値Ｌの大きさに関する抽出条件を満たす更新用データ２２１１を抽出している。一方で、画像分析装置２は、ロス値Ｌに関するその他の抽出条件を満たす更新用データ２２１１を抽出してもよい。

例えば、軽量画像分析モデルが更新される都度、軽量画像分析モデルを更新するために用いられた分析済みフレームに対応するロス値Ｌ＿ｐａｓｔが変わる可能性が高いことは上述したとおりである。特に、上述したように、軽量画像分析モデルが更新される都度、軽量画像分析モデルを更新するために用いられた分析済みフレームに対応するロス値Ｌ＿ｐａｓｔが小さくなる可能性が高いことは上述したとおりである。一方で、仮に軽量画像分析モデルが更新された場合に軽量画像分析モデルを更新するために用いられた分析済みフレームに対応するロス値Ｌ＿ｐａｓｔが大きくなった場合には、当該分析済みフレームを用いた学習効果が薄れてしまったと想定される。つまり、更新後の軽量画像分析モデルは、軽量画像分析モデルを更新するために用いられた分析済みフレームを用いた学習結果を忘れてしまったと想定される。この場合、軽量画像分析モデルを更新したことでロス値Ｌ＿ｐａｓｔが増加した場合に軽量画像分析モデルを更新するために用いられた分析済みフレームは、軽量画像分析モデルが再度学習することが好ましい画像フレームであると言える。この場合、再度学習することが好ましい画像フレームを用いて軽量画像分析モデルを更新すれば、再度学習しなくてもよい画像フレームを用いて軽量画像分析モデルを更新する場合と比較して、軽量画像分析モデルを用いた画像分析処理の結果が相対的に大きく改善することが期待される。このため、モデル更新部２１３は、軽量画像分析モデルの更新に伴ってロス値Ｌ＿ｐａｓｔが増加しなかった更新用データ２２１１よりも、軽量画像分析モデルの更新に伴ってロス値Ｌ＿ｐａｓｔが増加した更新用データ２２１１を優先的に抽出してもよい。

軽量画像分析モデルの更新に伴ってロス値Ｌ＿ｐａｓｔが増加した更新用データ２２１１を優先的に抽出するために、抽出条件は、軽量画像分析モデルの更新によるロス値Ｌ＿ｐａｓｔの変化量に関する条件を含んでいてもよい。つまり、抽出条件は、軽量画像分析モデルを更新する前のロス値Ｌ＿ｐａｓｔと軽量画像分析モデルを更新した後のロス値Ｌ＿ｐａｓｔとの大小関係に関する条件を含んでいてもよい。特に、抽出条件は、軽量画像分析モデルを更新する前のロス値Ｌ＿ｐａｓｔに対する軽量画像分析モデルを更新した後のロス値Ｌ＿ｐａｓｔの増加に関する条件を含んでいてもよい。例えば、抽出条件は、一の分析済みフレームを用いた軽量画像分析モデルの更新によってロス値Ｌ＿ｐａｓｔが大きくなった回数の、一の分析済みフレームを用いて軽量画像分析モデルが更新された回数（つまり、図４のステップＳ１１２が行われた回数）に対する比率が大きくなるほど、更新用データ２２１１が抽出される確率が高くなるという条件を含んでいてもよい。

同様の理由から、図４のステップＳ１１５においてキャッシュデータ２２１から更新用データ２２１１が破棄される場合においても、キャッシュ管理部２１４は、軽量画像分析モデルの更新に伴ってロス値Ｌ＿ｐａｓｔが増加した更新用データ２２１１よりも、軽量画像分析モデルの更新に伴ってロス値Ｌ＿ｐａｓｔが増加しなかった更新用データ２２１１を優先的に破棄してもよい。軽量画像分析モデルの更新に伴ってロス値Ｌ＿ｐａｓｔが増加しなかった更新用データ２２１１を破棄するために、破棄条件は、軽量画像分析モデルの更新によるロス値Ｌ＿ｐａｓｔの変化量に関する条件を含んでいてもよい。つまり、破棄条件は、軽量画像分析モデルを更新する前のロス値Ｌ＿ｐａｓｔと軽量画像分析モデルを更新した後のロス値Ｌ＿ｐａｓｔとの大小関係に関する条件を含んでいてもよい。特に、破棄条件は、軽量画像分析モデルを更新する前のロス値Ｌ＿ｐａｓｔに対する軽量画像分析モデルを更新した後のロス値Ｌ＿ｐａｓｔの増加に関する条件を含んでいてもよい。例えば、破棄条件は、一の分析済みフレームを用いた軽量画像分析モデルの更新によってロス値Ｌ＿ｐａｓｔが大きくなった回数の、一の分析済みフレームを用いて軽量画像分析モデルが更新された回数（つまり、図４のステップＳ１１２が行われた回数）に対する比率が小さくなるほど、更新用データ２２１１が破棄される確率が高くなるという条件を含んでいてもよい。

尚、抽出条件及び破棄条件の少なくとも一方が、軽量画像分析モデルの更新によるロス値Ｌ＿ｐａｓｔの変化量に関する条件を含む場合には、図９に示すように、上述したキャッシュデータ２２１に代えて、軽量画像分析モデルの更新によるロス値Ｌ＿ｐａｓｔの変化量を示すパラメータ（図９では、“変化パラメータ”と称されている）を含むキャッシュデータ２２１ａが記憶装置２２によって記憶されてもよい。つまり、記憶装置２２は、上述した更新用データ２２１１と比較して、変化パラメータを更に含むという点で異なる更新用データ２２１１ａを複数格納したキャッシュデータ２２１ａが記憶装置２２によって記憶されてもよい。例えば、更新用データ２２１１ａは、一の分析済みフレームを用いた軽量画像分析モデルの更新によってロス値Ｌ＿ｐａｓｔが大きくなった回数の、一の分析済みフレームを用いて軽量画像分析モデルが更新された回数に対する比率を、ロス値Ｌ＿ｐａｓｔの変化量を示すパラメータとして含んでいてもよい。

この場合であっても、画像分析装置２は、ロス値Ｌに基づく抽出条件を満たす少なくとも一つの更新用データ２２１１（或いは、更新用データ２２１１ａ、以下この段落において同じ）を、軽量画像分析モデルを更新するために用いる更新用データ２２１１として抽出することができる。このため、キャッシュデータ２２１１からランダムに（つまり、ロス値Ｌを考慮することなく）抽出される更新用データ２２１１を用いて軽量画像分析モデルが更新される場合と比較して、軽量画像分析モデルを用いた画像分析処理の分析精度が向上する。つまり、変形例においても、上述した画像分析システムＳＹＳが享受可能な効果と同様の効果が享受可能となる。

＜５＞付記
以上説明した実施形態に関して、更に以下の付記を開示する。
［付記１］
動画データを構成する複数の画像フレームを順次取得する取得手段と、
第１画像分析モデルを用いて前記複数の画像フレームを分析可能な第１分析手段と、
前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いて行われる分析の結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析可能な第２分析手段と、
前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納する格納手段と、
前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出する抽出手段と、
前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち前記取得手段が新たに取得した画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する更新手段と
を備える画像分析装置。
［付記２］
前記抽出条件は、前記評価値の大きさに基づく条件を含む
付記１に記載の画像分析装置。
［付記３］
前記評価値は、前記第２画像分析モデルを用いて行われた分析の結果が良好になるほど小さくなり、
前記抽出条件は、関連付けられている前記評価値が大きくなるほど前記分析済みフレームが抽出される確率が高くなるという条件、関連付けられている前記評価値が最大となる又は第１閾値より大きい前記分析済みフレームが抽出されるという条件、並びに、関連付けられている前記評価値が大きい順に所定枚数の前記分析済みフレームが抽出されるという条件の少なくとも一つを含む
付記２に記載の画像分析装置。
［付記４］
前記格納手段は、前記更新手段が前記画像分析モデルを更新する都度、前記画像分析モデルを更新するために用いられた前記分析済みフレームに関連付けられている前記評価値を、前記画像分析モデルが更新される前の前記評価値である更新前評価値から、前記画像分析モデルが更新された後の前記評価値である更新後評価値へと変更し、
前記抽出条件は、前記更新前評価値と前記更新後評価値との大小関係に基づく条件を含む
付記１から３のいずれか一項に記載の画像分析装置。
［付記５］
前記評価値は、前記第２画像分析モデルを用いて行われた分析の結果が良好になるほど小さくなり、
前記抽出条件は、前記複数の分析済みフレームのうちの一の分析済みフレームを用いた前記第２画像分析モデルの更新によって前記一の分析済みフレームに関連付けられた前記更新後評価値が前記一の分析済みフレームに関連付けられた前記更新前評価値よりも大きくなった回数の、前記一の分析済みフレームを用いて前記画像分析モデルを更新した回数に対する比率が大きくなるほど、前記一の分析済みフレームが抽出される確率が高くなるという条件を含む
付記４に記載の画像分析装置。
［付記６］
前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の破棄条件を満たす少なくとも一つの分析済みフレームを破棄する破棄手段を更に備える
付記１から５のいずれか一項に記載の画像分析装置。
［付記７］
前記破棄条件は、前記評価値の大きさに基づく条件を含む
付記６に記載の画像分析装置。
［付記８］
前記評価値は、前記第２画像分析モデルを用いて行われた分析の結果が良好になるほど小さくなり、
前記破棄条件は、関連付けられている前記評価値が小さくなるほど前記分析済みフレームが破棄される確率が高くなるという条件、関連付けられている前記評価値が最小となる又は第２閾値より小さい前記分析済みフレームが破棄されるという条件、並びに、関連付けられている前記評価値が小さい順に所定枚数の前記分析済みフレームが破棄されるという条件の少なくとも一つを含む
付記７に記載の画像分析装置。
［付記９］
前記格納手段は、前記更新手段が前記画像分析モデルを更新する都度、前記画像分析モデルを更新するために用いられた前記分析済みフレームに関連付けられている前記評価値を、前記更新手段が前記画像分析モデルを更新する前の前記評価値である更新前評価値から、前記更新手段が前記画像分析モデルを更新した後の前記評価値である更新後評価値へと変更し、
前記破棄条件は、前記更新前評価値と前記更新後評価値との大小関係に基づく条件を含む
付記６から８のいずれか一項に記載の画像分析装置。
［付記１０］
前記評価値は、前記第２画像分析モデルを用いて行われた分析の結果が良好になるほど小さくなり、
前記破棄条件は、前記複数の分析済みフレームのうちの一の分析済みフレームを用いた前記第２画像分析モデルの更新によって前記一の分析済みフレームに関連付けられた前記更新後評価値が前記一の分析済みフレームに関連付けられた前記更新前評価値よりも大きくなった回数の、前記一の分析済みフレームを用いて前記第２画像分析モデルを更新した回数に対する比率が小さくなるほど、前記一の分析済みフレームが破棄される確率が高くなるという条件を含む
付記９に記載の画像分析装置。
［付記１１］
前記更新手段は、前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果を用いて、前記抽出された分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する前記評価値である第１評価値を算出し、前記新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果を用いて、前記新規フレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する前記評価値である第２評価値を算出し、前記第１及び第２評価値に重み付け処理を実行し、重み付け処理が実行された前記第１及び第２評価値を用いて前記画像分析モデルを更新する
付記１から１０のいずれか一項に記載の画像分析装置。
［付記１２］
前記更新手段は、前記第１評価値の重みが前記第２評価値の重みよりも大きくなるように、前記重み付け処理を実行する
付記１１に記載の画像分析装置。
［付記１３］
コンピュータによって、
動画データを構成する複数の画像フレームを順次取得し、
第１画像分析モデルを用いて前記複数の画像フレームを分析し、
前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いた分析結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析し、
格納手段に、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納し、
前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出し、
前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち新たに取得された画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する
画像分析方法。
［付記１４］
コンピュータに、画像分析方法を実行させるプログラムであって、
前記画像分析方法は、
動画データを構成する複数の画像フレームを順次取得し、
第１画像分析モデルを用いて前記複数の画像フレームを分析し、
前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いた分析結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析し、
格納手段に、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納し、
前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出し、
前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち新たに取得された画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する
コンピュータプログラム。
［付記１５］
コンピュータに画像分析方法を実行させるプログラムが記録された、コンピュータ読み取り可能な一時的でない記録媒体であって、
前記画像分析方法は、
動画データを構成する複数の画像フレームを順次取得し、
第１画像分析モデルを用いて前記複数の画像フレームを分析し、
前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いた分析結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析し、
格納手段に、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納し、
前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出し、
前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち新たに取得された画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する
記録媒体。

本発明は、請求の範囲及び明細書全体から読み取るこのできる発明の要旨又は思想に反しない範囲で適宜変更可能であり、そのような変更を伴う画像分析装置、画像分析方法、コンピュータプログラム及び記録媒体もまた本発明の技術思想に含まれる。

１ カメラ
２ 画像分析装置
２１ 演算装置
２１１ 高精度画像分析部
２１２ 軽量画像分析部
２１３ モデル更新部
２１４ キャッシュ管理部
２２ 記憶装置
２２１ キャッシュデータ
２２１１ 更新用データ

Claims (10)

1. 動画データを構成する複数の画像フレームを順次取得する取得手段と、
   第１画像分析モデルを用いて前記複数の画像フレームを分析可能な第１分析手段と、
   前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いて行われる分析の結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析可能な第２分析手段と、
   前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納する格納手段と、
   前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出する抽出手段と、
   前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち前記取得手段が新たに取得した画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する更新手段と
   を備える画像分析装置。
2. 前記抽出条件は、前記評価値の大きさに基づく条件を含む
   請求項１に記載の画像分析装置。
3. 前記格納手段は、前記更新手段が前記第２画像分析モデルを更新する都度、前記第２画像分析モデルを更新するために用いられた前記分析済みフレームに関連付けられている前記評価値を、前記第２画像分析モデルが更新される前の前記評価値である更新前評価値から、前記第２画像分析モデルが更新された後の前記評価値である更新後評価値へと変更し、
   前記抽出条件は、前記更新前評価値と前記更新後評価値との大小関係に基づく条件を含む
   請求項１又は２に記載の画像分析装置。
4. 前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の破棄条件を満たす少なくとも一つの分析済みフレームを破棄する破棄手段を更に備える
   請求項１から３のいずれか一項に記載の画像分析装置。
5. 前記破棄条件は、前記評価値の大きさに基づく条件を含む
   請求項４に記載の画像分析装置。
6. 前記格納手段は、前記更新手段が前記第２画像分析モデルを更新する都度、前記第２画像分析モデルを更新するために用いられた前記分析済みフレームに関連付けられている前記評価値を、前記更新手段が前記第２画像分析モデルを更新する前の前記評価値である更新前評価値から、前記更新手段が前記第２画像分析モデルを更新した後の前記評価値である更新後評価値へと変更し、
   前記破棄条件は、前記更新前評価値と前記更新後評価値との大小関係に基づく条件を含む
   請求項４又は５に記載の画像分析装置。
7. 前記更新手段は、前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果を用いて、前記抽出された分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する前記評価値である第１評価値を算出し、前記新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果を用いて、前記新規フレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する前記評価値である第２評価値を算出し、前記第１及び第２評価値に重み付け処理を実行し、重み付け処理が実行された前記第１及び第２評価値を用いて前記画像分析モデルを更新する
   請求項１から６のいずれか一項に記載の画像分析装置。
8. 前記更新手段は、前記第１評価値の重みが前記第２評価値の重みよりも大きくなるように、前記重み付け処理を実行する
   請求項７に記載の画像分析装置。
9. コンピュータによって、
   動画データを構成する複数の画像フレームを順次取得し、
   第１画像分析モデルを用いて前記複数の画像フレームを分析し、
   前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いた分析結果を用いて更新可能な第２画像分析モデルを用いて前記複数の画像フレームを分析し、
   格納手段に、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納し、
   前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出し、
   前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち新たに取得された画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する
   画像分析方法。
10. コンピュータに、画像分析方法を実行させるプログラムであって、
    前記画像分析方法は、
    動画データを構成する複数の画像フレームを順次取得し、
    第１画像分析モデルを用いて前記複数の画像フレームを分析し、
    前記第１画像分析モデルよりも処理速度が速く、前記第１画像分析モデルよりも分析精度が低く且つ前記第１画像分析モデルを用いた分析結果を用いて更新可能な第２画像分析モデルを用いて前記複数のフレームを分析し、
    格納手段に、前記複数の画像フレームのうち前記第１及び第２画像分析モデルを用いて既に分析された画像フレームである分析済みフレームを、前記分析済みフレームに対して前記第２画像分析モデルを用いて行われた分析の結果を評価する評価値と関連付けて複数格納し、
    前記格納手段に格納された前記複数の分析済みフレームから、前記評価値に基づく所定の抽出条件を満たす少なくとも一つの分析済みフレームを抽出し、
    前記抽出された分析済みフレームに対して前記第１画像分析モデルを用いて行われた分析の結果と、前記複数の画像フレームのうち新たに取得された画像フレームである新規フレームに対して前記第１画像分析モデルを用いて行われた分析の結果とを用いて、前記第２画像分析モデルを更新する
    コンピュータプログラム。

Images