認識・生成と精度を確かめる

1声を文字へ、文字を声へ

音声認識は話した音声を文字などに変換します。自然言語処理は人の言葉を解析したり生成したりする技術です。音声合成は文字などから音声を作ります。

会話装置では、音声認識→発話内容の処理→応答文生成→音声合成という役割を分けて理解できます。音を記録するだけでは意味理解にならず、文章を声にする処理は音声認識ではありません。

2画像の中の文字を取り出す

OCR（Optical Character Recognition：光学文字認識）は画像中の文字を文字データへ変換する技術です。紙を撮影した画像だけでは文字検索できなくても、OCRで取り出した文字なら検索や編集に利用できます。

認識誤りを原画像で校正します。

CCD（Charge-Coupled Device：電荷結合素子）は撮像素子、DVI（Digital Visual Interface）は映像の接続規格、GPU（Graphics Processing Unit：画像処理装置）は描画などの演算装置です。

近距離無線通信、音声合成、タッチ位置の検出もOCRとは違います。OCRの全方式が機械学習を使うとは限りません。

3画像や動画を認識・合成する

画像認識は写っている物や状態を判定します。静止画で傷を探したり、動画のフレームと時間の変化から動作を調べたりできます。画像合成・動画合成は新しい視覚データを作る処理です。

認識は入力の解釈、合成は出力を作る働きとして区別します。照明、撮影角度、学習時に少なかった対象で結果が変わる場合があるため、利用場面に合う評価データが必要です。

4何を分母にするかで精度が変わる

混同行列は実際の正解と予測を組み合わせた件数表です。不良品を陽性とすると、架空の100個で「不良を不良5、不良を良品5、良品を不良15、良品を良品75」とします。

再現率＝見つけた不良5÷実際の不良(5＋5)＝0.50。適合率＝正しく不良とした5÷不良と予測した(5＋15)＝0.25。正解率＝(5＋75)÷100＝0.80。5÷100＝0.05は再現率ではありません。見逃し重視なら実際の不良全体を分母とする再現率を確認します。