JP2017138808A - 情報処理装置および情報処理方法 - Google Patents
情報処理装置および情報処理方法 Download PDFInfo
- Publication number
- JP2017138808A JP2017138808A JP2016019294A JP2016019294A JP2017138808A JP 2017138808 A JP2017138808 A JP 2017138808A JP 2016019294 A JP2016019294 A JP 2016019294A JP 2016019294 A JP2016019294 A JP 2016019294A JP 2017138808 A JP2017138808 A JP 2017138808A
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- information processing
- inference
- difference
- processing apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
【解決手段】パラメータを用いて推論を行う情報処理装置10であって、入力データを取得するデータ取得部31と、追加学習前のパラメータを記憶する基本パラメータ記憶部41と、推論に使用されるパラメータと基本パラメータとの差分である第1の差分パラメータを記憶する差分パラメータ記憶部40と、基本パラメータに対する追加学習後のパラメータと基本パラメータとの差分を第2の差分パラメータとして計算する追加学習手段42と、前記第1の差分パラメータと前記第2の差分パラメータとに基づいて、差分パラメータ記憶部40に記憶された前記第1の差分パラメータを更新する更新手段43と、基本パラメータと、前記更新手段により更新された差分パラメータとに基づいて生成したモデルパラメータを用いて入力データに対する推論を行う推論部34とを備える。
【選択図】図3
Description
このような複数回の追加学習を行う場合、最新の画像データに適合したモデルパラメータを学習することで、過去に学習した情報を忘却してしまうということが問題となる。
この問題に対し、特許文献1では、追加学習のたびにニューラルネットワークに中間ユニットを追加し、追加したユニットに関する重みだけが更新しやすくなるような学習方法によって、過去に学習した重みを維持する方法が提案されている。
上記課題を解決するために、本発明は、過去に学習した情報を忘却することなく、追加学習に関する装置側の負担増大を抑制することができる情報処理装置を提供することを目的とする。
実施形態1
以下、顔認証による入退室管理システムを例にとって本発明の実施形態1について説明する。
本システムは、建物内の所定のエリアに入ろうとする人物の画像を現場(当該エリア近傍)に備え付けられたカメラから取得し、予め登録しておいた複数の登録画像と照合することにより、当該人物の侵入を許可するか否かを判定するものである。許可すると判定した場合、本システムは当該エリアの出入口を開閉するゲートを開く等の操作を行う。許可しないと判定した場合、本システムはゲートを閉じたままにする等の操作を行う。本実施形態では、ゲートは、初期設定において、閉じられているとする。また、カメラは建物内に設置されているとする。
本実施形態では、顔認証の推論を行うための数値モデル(数学モデル)として、畳み込みニューラルネットワーク(CNN)を用いる。なお、本発明の数値モデルはCNNに限定されない。CNNは、Convolutional Neural Networkの略である。
図1はCNNの例を表す図である。このCNNは、1つの顔画像を人物の固有性を表す抽象度の高い特徴ベクトルへ変換する。顔認証では、検査対象の顔画像(検査画像)と、予め登録された比較対象の顔画像(登録画像)とをそれぞれCNNに入力し、得られた2つの特徴ベクトルを照合することで、それらが同一人物か別人かを推定する。照合方法としては、例えばSVM(Support Vector Machine)等の識別器を用いる方法や、特徴ベクトル間の単純なユークリッド距離が予め定めた閾値よりも大きいか小さいかに基づき判定する方法などがある。なお、本実施形態で使用可能な照合方法は上記したものに限定されない。
図1のCNNは4種類の演算要素(Convn、Pooln、ActnおよびFulln)を含む。Convnは畳み込み演算、Poolnはプーリング、Actnは活性化関数、Fullnは全結合演算を表す。以下、それぞれの演算要素について説明する。
畳み込み演算がネットワークに含まれていることがCNNの特徴である。畳み込み演算は、多チャンネル画像(3階テンソル)から多チャンネル画像への変換であり、モデルパラメータをθとして、畳み込みカーネルW(4階テンソル)とバイアスb(ベクトル)とを持ち、式1のような線形演算で表される。
プーリングは、画像の解像度を落とす演算である。プーリングとして、最大値プーリングや平均値プーリングなどを用いることができる。
活性化関数は、ニューラルネットの非線形性の基礎となっている。例えば、ロジスティックシグモイド関数や、Rectifier Linear Unit(ReLU)関数などが用いられる。
全結合演算は、入出力の全成分の間にパラメータ(畳み込みカーネル)Wによって重みをつけて加算し、バイアスbを付加する演算であり、式2のように表される。
畳み込み演算や全結合演算は、モデルパラメータθ={W,b}に関して線形演算である。畳み込み演算および全結合演算は、式3のように関数Fで表記することができる。
Y=F(X,θ) (式3)
追加学習では、現場のデータを用いてモデルパラメータθを誤差逆伝搬法によって更新する。このとき、追加学習を繰り返すことで過去に学習した情報を忘却してしまう。この忘却を防止するために、本実施形態では、モデルパラメータθを基本パラメータθ0と差分パラメータΔθに分割して保持する。基本パラメータとは、現場設置前に予め学習したモデルパラメータで、追加学習によって更新されない。差分モデル(差分パラメータ)は基本モデル(基本パラメータ)からの差分で、現場設置時には0によって初期化され、追加学習によって更新される。θ0およびΔθ間で対応するモデルパラメータはすべて階数および次元数が同一である。基本パラメータと差分パラメータにより、式3は式4のように表される。
Y=F(X, θ0+Δθ) (式4)
図2は本実施形態に係る入退室管理システムである情報処理装置10のハードウェア構成を示す図である。情報処理装置10は画像解析をするので、画像解析装置と称することもできる。情報処理装置(画像解析装置)10は、撮像装置11、CPU(Central Processing Unit)12、記憶装置13、ゲート装置14、入力装置15、および出力装置16を有する。各装置は、互いに通信可能に構成され、バス17等により接続されている。なお、各装置は、互いに無線接続されてもよい。
撮像装置11はカメラを含んでおり、通過しようとする人物の様子を撮像する。撮像装置11には時計も内蔵されており、撮像装置11は撮像の時刻や時間帯(朝・昼・夜)を検出することができる。撮像装置11は動画および静止画像を撮像することができる。
CPU12は、情報処理装置10の動作をコントロールし、記憶装置13に格納されたプログラムの実行等を行う。
ゲート装置14は、建物内の所定のエリアの出入口を開閉するゲートを含む。ゲート装置14のゲートは、情報装置装置10の推論結果に応じて開閉される。
なお、情報処理装置10のハードウェア構成は、上述した構成に限定されない。例えば、情報処理装置10は、各種の装置間で通信を行うためのI/O装置を備えてもよい。例えば、I/O装置は、メモリーカード、USBケーブル等の入出力部、有線、無線等による送受信部である。
図3は、実施形態に係る情報処理装置(画像解析装置)10の機能構成を示す図である。情報処理装置10の処理および機能は、図3に示す各部により実現される。
情報処理装置10は、データ取得部31、データ記憶部32、登録情報記憶部33、推論部34、推論結果記憶部35、推論結果表示部36、正解情報入力部37、ゲート駆動部38およびアラーム出力部39を有する。さらに、情報処理装置10は、差分パラメータ記憶部40、基本パラメータ記憶部41、仮差分パラメータ学習部42、差分パラメータ調整部43および追加学習回数記憶部44を有する。
データ取得部31は、人物の顔画像を撮像するカメラであり、撮像した画像を入力データとして取得し、顔検出を行った後、顔画像を抽出してデータ記憶部32に送る。データ記憶部32は、データ取得部31から受け取った顔画像を記憶する。登録情報記憶部33には、ゲート通過を許可する人物の顔画像を予め登録しておく。登録情報記憶部33は、登録した顔画像を記憶するので、登録画像記憶部と称することもできる。
正解情報入力部37は、情報処理装置10の作業者が正解情報(後述する)を情報処理装置10に入力する際に使用する入力部である。入力された正解情報は推論結果記憶部35に記憶される。
ゲート駆動部38は、ゲートを駆動してゲートを開閉する。アラーム出力部39は、推論部34からアラーム信号を受信すると、音や文字等によるアラームを発し、アラーム信号が受信されたことを作業者に知らせる。
基本パラメータ記憶部41には、情報処理装置10(撮像装置11)の現場への設置に先立ち(例えば、情報処理装置の出荷時に)予め学習しておいたCNNのモデルパラメータが基本パラメータとして記憶されている。
差分パラメータ記憶部40には、撮像装置11の現場設置後に基本パラメータに対して追加学習を行うことによって学習したモデルパラメータと、基本パラメータとの差分が、差分パラメータとして記憶されている。情報処理装置10が現場に設置される際には、差分パラメータはすべて0の値で初期化される。撮像装置11の現場設置後に追加学習によって最初に得た差分パラメータを、当初差分パラメータと称する。
図4は、推論結果表示部36が表示する情報の例を示す。図4(a)は、検査人物(検査画像)が登録人物(登録画像)のいずれにも一致しないと推定され、その認証信頼度が67%であった場合の表示例である。推論結果表示部36は、3つの表示エリア51、52および54を有すると共に、2つのタッチパネル式ボタン53および55を有する。表示エリア51には、認証の対象である検査画像が表示される。表示エリア52には、推論結果(未登録)と認証信頼度(67%)と×画像とが表示される。「未登録」は、推論部34が検査人物の画像は登録人物の画像のいずれとも一致しないと推論した場合に表示される。
図4(a)の場合、認証信頼度が閾値未満であるので、アラーム出力部39からアラームが発せられ、作業者は推論結果表示部36を見ることになる。作業者がこの推論結果(推論結果表示部36に表示されている内容)が正しいと判断した場合、ボタン53を押下することで、推論結果がそのまま正解として記憶される。つまり、認証信頼度は67%であるので推論の信頼度は低い(認証信頼度は閾値90%より低い)と判定されたが、作業者が確認したところ、認証信頼度は100%としてよいと判断された。その結果、図4(a)の検査画像を登録画像と比較する際の認証信頼度は、以後の推論において閾値以上の信頼度を有することになる。図4(a)の例では、作業者はボタン53を押下することで、正解情報を入力していることになる。
図5は、推論結果記憶部35に記憶される情報の例を示す。認証結果一件ごとに一行が記憶される。各検査画像に対し、「推論結果」と「認証信頼度」、作業者の入力した「正解(正解情報)」が記憶される。「推論結果」は、検査人物に一致する可能性が最も高い登録人物が「1位」列に記憶され、以下、可能性の高い順に「2位」から「4位」まで記憶される。「推論結果」と「認証信頼度」は、推論結果表示部36(図4)に表示するために用いられる。「正解」は、以下で説明する追加学習において用いられる。
(追加学習)
次に、追加学習の手順について説明する。追加学習によって現場により適合したモデルパラメータを構成することが可能になる。追加学習は、推論結果記憶部35に記憶されたサンプル数が一定数に達したとき、あるいは作業者が明示的に指示したとき、あるいは一定期間ごとに実施される。
図6は追加学習のフローである。以下、図6を参照して追加学習を説明する。なお、図6の説明においては、当初差分パラメータは既に学習(取得)されており、正解情報(後述)も取得されているとする。また、基本パラメータθ0は基本パラメータ記憶部41に記憶されているとする。
以下にS62における仮差分パラメータの学習方法を説明する。
CNNに含まれる線形演算(畳み込み演算ないし全結合演算)を式5のように構成する。
図6の説明に戻る。S62で仮差分パラメータを得た後、S63へ進む。
S63において、差分パラメータ調整部43は、追加学習回数記憶部44に記憶されている追加学習回数mを読み出す。追加学習回数は、初期差分パラメータの学習後に追加学習が実行された回数(仮差分パラメータを学習した回数)を表す整数値で、情報処理装置10の現場設置時には0に初期化されている。
Δθ←(1−α)Δθ+αΔθ’ (式7)
なお、最初の更新のときに差分パラメータ記憶部40に記憶されている差分パラメータΔθは、当初差分パラメータである。差分パラメータが更新されている場合、差分パラメータ記憶部40に記憶されている差分パラメータΔθは、最も最近更新された差分パラメータである。よってS64で更新される差分パラメータは、最も新しい差分パラメータ(直近の差分パラメータ)である。
ここで、αは、最も新しい差分パラメータ(差分パラメータ記憶部40から読み出された差分パラメータ)Δθと仮差分パラメータΔθ’の混合比である。αを、追加学習回数mを使って式8のように定めることで、更新後の差分パラメータΔθは、これまでの追加学習で算出した仮差分パラメータの平均となるように構成することができる。
S66において、差分パラメータ調整部43は、追加学習回数記憶部44に、増分した追加学習回数m+1を記憶(保存)する。
以上が追加学習の流れである。
上記手順における式8の重み設定方法(αの決め方)は、これまでの追加学習で算出した仮差分パラメータの平均となるように差分パラメータを構成しているが、本実施形態の重み設定方法は上記したような方法に限定されない。例えば、αを追加学習回数によらない定数として混合比を一定としてもよい。αを追加学習回数によらない定数とすれば、差分パラメータを仮差分パラメータの指数移動平均として構成することができる。
また、仮差分パラメータΔθ’を用いた差分パラメータΔθの調整(更新)は、上述した重み付きの加算に限らない。例えば、両者の積の平方など他の関数でもよい。
作業者が差分パラメータ調整方法(αの決め方)を指定できるよう、インターフェースを用いる(設ける)ことができる。図7は、そのようなインターフェース70の例を示す。インターフェース70は、ラジオボタン71とスライダー72とを有する。
図7において、まずラジオボタン71によって、混合結果が平均となるような調整方法(式8)か指数移動平均となるような調整方法かを選ぶことができる。指数移動平均を選択すると、さらにスライダー72によって混合比を調整することができる。スライダー72を0%に設定した場合、α=0となり、追加学習した仮差分パラメータΔθ’は差分パラメータに反映されない。スライダー72を100%に設定した場合、α=1となり、差分パラメータは、追加学習した仮差分パラメータΔθ’ですべて上書きされる。スライダー72を中間の値にした場合、αは当該値に応じた値となり、差分パラメータは仮差分パラメータΔθ’の指数移動平均となる。
つまり、上記した実施形態では、モデルパラメータを基本パラメータと差分パラメータとに分けて保持し、追加学習のたびに基本パラメータからの差分である仮差分パラメータを学習する。そして、差分パラメータに仮差分パラメータを加重加算することで差分パラメータを更新していく。このようにすることで、過去に追加学習した情報が忘却されることを防ぐとともに、効率的に追加学習をすることができる。
上記した実施形態における追加学習の手順では、差分パラメータΔθを1つのみ保持していた。本発明は、差分パラメータΔθを1つのみ保持する構成に限定されず、複数の差分パラメータΔθを保持してもよい。以下に、変形例として、撮像環境に関連する条件により複数の差分パラメータを保持し、使い分ける場合について説明する。
撮像環境に関連する条件とは、例えば、朝・昼・夜といった時刻(時間帯)や、春・夏・秋・冬といった季節や、日照条件である(これらに限定されない)。このような条件に対して1つのモデルパラメータで対応するのではなく、条件毎に個別のモデルパラメータによって対応することで、それぞれの条件に特化した精度の高いモデルパラメータを獲得(用意)することができる。各条件に対して個別のモデルパラメータで対応するために、例えば、差分パラメータ記憶部40に読み書き操作をする際、撮像環境によって、どの差分パラメータを読み書き操作の対象とするかを選択できるようにする。
このようにすることによって、入力データ(検査画像)が作成された環境に応じて、複数の差分パラメータの中から1つの差分パラメータを利用することができる。
本実施形態では、撮像装置11は建物内に設置されているので、条件の中には、建物外の天気などのように情報処理装置10が自動的に判定できない条件もある。情報処理装置10が自動的に判定できない条件の場合、作業者が手動で条件を与えることもできる。その場合、図8のようなインターフェース80によって条件を作業者に選択させることができる。インターフェース80は複数の条件を表示(提示)し、作業者はそのうちの1つの条件を選択することができる。図8の例では、「曇り」、「晴れ」および「雨」という3つの条件がインターフェース80に表示されている。
(他の実施形態)
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
Claims (15)
- パラメータを用いて入力データに対する推論を行う情報処理装置であって、
前記入力データを取得する取得手段と、
追加学習前のパラメータを基本パラメータとして記憶する第1の記憶手段と、
前記推論に使用されるパラメータと前記基本パラメータとの差分である第1の差分パラメータを記憶する第2の記憶手段と、
前記基本パラメータに対する追加学習を行い、追加学習後のパラメータと前記基本パラメータとの差分を第2の差分パラメータとして計算する追加学習手段と、
前記第1の差分パラメータと前記第2の差分パラメータとに基づいて、前記第2の記憶手段に記憶された前記第1の差分パラメータを更新する更新手段と、
前記基本パラメータと、前記更新手段により更新された前記第1の差分パラメータとに基づいてモデルパラメータを生成し、該生成されたモデルパラメータを用いて前記入力データに対する推論を行う推論手段と、
を備えることを特徴とする情報処理装置。 - 前記更新手段は、前記第1の差分パラメータと前記第2の差分パラメータとを、所定の混合比で加算することにより、前記第1の差分パラメータを更新することを特徴とする請求項1に記載の情報処理装置。
- 前記混合比は前記追加学習の回数に基づいて定められることを特徴とする請求項2に記載の情報処理装置。
- 前記混合比は予め定められた一定の比であることを特徴とする請求項2に記載の情報処理装置。
- 前記追加学習手段は、誤差逆伝搬法によってニューラルネットワークを学習する手段であり、前記基本パラメータを初期値として誤差逆伝搬法で追加学習した後、得られたパラメータと前記基本パラメータとの差分を前記第2の差分パラメータとして計算することを特徴とする請求項1〜4のいずれか1項に記載の情報処理装置。
- 前記入力データは顔の画像を含み、前記推論手段が行う推論は、顔認証を含むことを特徴とする請求項1〜5のいずれか1項に記載の情報処理装置。
- 前記入力データと、該入力データに対する前記推論手段が行う推論の結果とを表示する表示手段と、
前記推論の結果が正しいか否かに関する情報を入力する入力手段と、
をさらに備えることを特徴とする請求項1〜6のいずれか1項に記載の情報処理装置。 - 前記追加学習手段は、前記入力手段より入力された情報により正しいとされた推論の結果を学習データとして追加学習を行うことを特徴とする請求項7に記載の情報処理装置。
- 前記推論手段は、前記推論の信頼度を表す数値を生成することを特徴とする請求項1〜8のいずれか1項に記載の情報処理装置。
- 前記推論手段は、前記推論の信頼度を表す数値を生成し、
前記表示手段は、前記推論の信頼度を表す数値が所定の閾値未満の場合、前記推論の結果と前記入力データとを表示することを特徴とする請求項7に記載の情報処理装置。 - 前記表示手段が前記推論の結果と前記入力データとを表示する場合にアラームを発するアラーム手段をさらに備えることを特徴とする請求項7または10に記載の情報処理装置。
- 前記第2の記憶手段は、前記入力データが作成されたそれぞれの環境に応じて、複数の第1の差分パラメータを記憶することを特徴とする請求項1〜11のいずれか1項に記載の情報処理装置。
- 請求項1〜12のいずれか1項に記載の情報処理装置と、
人物の画像を撮像する撮像装置と、
複数の登録画像が記憶された登録画像記憶部と、
所定エリアへの出入口を開閉するゲートを駆動するゲート駆動部とを備え、
前記情報処理装置の推論手段による推論の結果、前記撮像装置により撮像された人物の画像が前記登録画像記憶部に記憶された複数の登録画像のいずれかと一致すると判断された場合、前記推論手段は前記ゲート駆動部にゲートを開けるための信号を送ることを特徴とするシステム。 - パラメータを用いて入力データに対する推論を行う情報処理方法であって、
追加学習前のパラメータを基本パラメータとして、前記推論に使用されるパラメータと前記基本パラメータとの差分である第1の差分パラメータを記憶手段に記憶するステップと、
前記基本パラメータに対する追加学習を行い、追加学習後のパラメータと前記基本パラメータとの差分を第2の差分パラメータとして計算するステップと、
前記第1の差分パラメータと前記第2の差分パラメータとに基づいて、前記記憶手段に記憶された前記第1の差分パラメータを更新するステップと、
前記基本パラメータと、更新された前記第1の差分パラメータとに基づいてモデルパラメータを生成し、該生成されたモデルパラメータを用いて前記入力データに対する推論を行うステップと、
を有することを特徴とする情報処理方法。 - コンピュータを、請求項1〜12のいずれか1項に記載の情報処理装置として機能させるためのコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016019294A JP6661398B2 (ja) | 2016-02-03 | 2016-02-03 | 情報処理装置および情報処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016019294A JP6661398B2 (ja) | 2016-02-03 | 2016-02-03 | 情報処理装置および情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017138808A true JP2017138808A (ja) | 2017-08-10 |
JP6661398B2 JP6661398B2 (ja) | 2020-03-11 |
Family
ID=59565904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016019294A Active JP6661398B2 (ja) | 2016-02-03 | 2016-02-03 | 情報処理装置および情報処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6661398B2 (ja) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019080271A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 在室者監視システム |
JP2019096179A (ja) * | 2017-11-27 | 2019-06-20 | ホーチキ株式会社 | 行動監視システム |
JP2019101927A (ja) * | 2017-12-06 | 2019-06-24 | 株式会社日立製作所 | 学習システム及び画像検索システム |
JP2019139720A (ja) * | 2018-02-15 | 2019-08-22 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 |
WO2019187277A1 (ja) * | 2018-03-27 | 2019-10-03 | エバ・ジャパン株式会社 | 情報探索システム及びプログラム |
JP2020121713A (ja) * | 2019-01-30 | 2020-08-13 | 株式会社ストラドビジョンStradvision,Inc. | 人の状態識別のためのイメージ分析により検出された乗客のポイントを利用して車両占有を検出する方法及び装置 |
CN111684474A (zh) * | 2018-03-13 | 2020-09-18 | 欧姆龙株式会社 | 运算装置、运算方法及其程序 |
JP2020533702A (ja) * | 2017-09-13 | 2020-11-19 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 対象者識別システム及び方法 |
JP2020536328A (ja) * | 2018-08-27 | 2020-12-10 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | バッテリー検出方法及び装置 |
WO2021002719A1 (ko) * | 2019-07-03 | 2021-01-07 | 한국과학기술원 | 비디오 처리 방법 및 장치 |
KR20210004859A (ko) * | 2019-07-03 | 2021-01-13 | 한국과학기술원 | 비디오 처리 방법 및 장치 |
JPWO2019215868A1 (ja) * | 2018-05-10 | 2021-04-01 | 日本電気株式会社 | パターン認識システム、パラメータ生成方法およびパラメータ生成プログラム |
WO2021157330A1 (ja) | 2020-02-06 | 2021-08-12 | 株式会社日立ハイテク | 計算機、識別器の学習方法、および分析システム |
CN113408528A (zh) * | 2021-06-24 | 2021-09-17 | 数贸科技(北京)有限公司 | 商品图像的质量识别方法、装置、计算设备及存储介质 |
JP2021144749A (ja) * | 2017-12-08 | 2021-09-24 | 日本電気株式会社 | 人物照合装置、方法、及びプログラム |
JP2021152759A (ja) * | 2020-03-24 | 2021-09-30 | 大日本印刷株式会社 | 情報処理システム、情報処理方法及び学習モデルの生成方法 |
WO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ファナック株式会社 | 検査装置 |
JP2023521118A (ja) * | 2020-04-09 | 2023-05-23 | アイデンティー インコーポレイテッド | 照明源を含むデバイスを使用する生体性検出 |
JP7482326B2 (ja) | 2020-12-31 | 2024-05-13 | シャンハイ リンガン ジュエイン インテリジェント テクノロジー カンパニー リミテッド | 身元認証方法および装置、電子機器並びに記憶媒体 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06187315A (ja) * | 1992-10-23 | 1994-07-08 | Nippondenso Co Ltd | ニューラルネット型追加学習装置 |
US20050033709A1 (en) * | 2003-05-23 | 2005-02-10 | Zhuo Meng | Adaptive learning enhancement to automated model maintenance |
-
2016
- 2016-02-03 JP JP2016019294A patent/JP6661398B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06187315A (ja) * | 1992-10-23 | 1994-07-08 | Nippondenso Co Ltd | ニューラルネット型追加学習装置 |
US20050033709A1 (en) * | 2003-05-23 | 2005-02-10 | Zhuo Meng | Adaptive learning enhancement to automated model maintenance |
Non-Patent Citations (2)
Title |
---|
山口 暢彦 他: "関数空間上におけるノルムを用いた干渉量の定義と追加学習", 電子情報通信学会技術研究報告, vol. 第97巻 第448号, JPN6020000387, 12 December 1997 (1997-12-12), JP, pages 25 - 31, ISSN: 0004190713 * |
皆川 洋一 他: "再学習の必要のない追加学習法と計算量の削減", 電子情報通信学会技術研究報告, vol. 第99巻 第685号, JPN6020000384, 14 March 2000 (2000-03-14), JP, pages 73 - 80, ISSN: 0004190712 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020533702A (ja) * | 2017-09-13 | 2020-11-19 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 対象者識別システム及び方法 |
JP2019080271A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 在室者監視システム |
JP7054331B2 (ja) | 2017-10-27 | 2022-04-13 | ホーチキ株式会社 | 在室者監視システム |
JP2019096179A (ja) * | 2017-11-27 | 2019-06-20 | ホーチキ株式会社 | 行動監視システム |
JP2022169507A (ja) * | 2017-11-27 | 2022-11-09 | ホーチキ株式会社 | 行動監視システム |
JP7108395B2 (ja) | 2017-11-27 | 2022-07-28 | ホーチキ株式会社 | 行動監視システム |
JP2019101927A (ja) * | 2017-12-06 | 2019-06-24 | 株式会社日立製作所 | 学習システム及び画像検索システム |
JP2021144749A (ja) * | 2017-12-08 | 2021-09-24 | 日本電気株式会社 | 人物照合装置、方法、及びプログラム |
US11776098B2 (en) | 2017-12-08 | 2023-10-03 | Nec Corporation | Person verification device and method and non-transitory computer readable media |
US11748864B2 (en) | 2017-12-08 | 2023-09-05 | Nec Corporation | Person verification device and method and non-transitory computer readable media |
US11495057B2 (en) | 2017-12-08 | 2022-11-08 | Nec Corporation | Person verification device and method and non-transitory computer readable media |
JP7106287B2 (ja) | 2018-02-15 | 2022-07-26 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 |
JP2019139720A (ja) * | 2018-02-15 | 2019-08-22 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 |
CN111684474B (zh) * | 2018-03-13 | 2024-04-16 | 欧姆龙株式会社 | 运算装置、运算方法及记录介质 |
CN111684474A (zh) * | 2018-03-13 | 2020-09-18 | 欧姆龙株式会社 | 运算装置、运算方法及其程序 |
WO2019187277A1 (ja) * | 2018-03-27 | 2019-10-03 | エバ・ジャパン株式会社 | 情報探索システム及びプログラム |
JP2019174200A (ja) * | 2018-03-27 | 2019-10-10 | エバ・ジャパン 株式会社 | 情報探索システム及びプログラム |
TWI696924B (zh) * | 2018-03-27 | 2020-06-21 | 日商Eba股份有限公司 | 情報探索資料搜尋系統及程式 |
RU2734870C2 (ru) * | 2018-03-27 | 2020-10-23 | Эба Джапан Ко., Лтд. | Система поиска информации и программа поиска информации |
JPWO2019215868A1 (ja) * | 2018-05-10 | 2021-04-01 | 日本電気株式会社 | パターン認識システム、パラメータ生成方法およびパラメータ生成プログラム |
JP2020536328A (ja) * | 2018-08-27 | 2020-12-10 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | バッテリー検出方法及び装置 |
US11158044B2 (en) | 2018-08-27 | 2021-10-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Battery detection method and device |
KR20210010541A (ko) * | 2018-08-27 | 2021-01-27 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 배터리 검출 방법 및 장치(battery detection method and device) |
JP7018135B2 (ja) | 2018-08-27 | 2022-02-09 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | バッテリー検出方法及び装置 |
KR102494946B1 (ko) * | 2018-08-27 | 2023-02-06 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 배터리 검출 방법 및 장치(battery detection method and device) |
JP2020121713A (ja) * | 2019-01-30 | 2020-08-13 | 株式会社ストラドビジョンStradvision,Inc. | 人の状態識別のためのイメージ分析により検出された乗客のポイントを利用して車両占有を検出する方法及び装置 |
KR102642059B1 (ko) | 2019-07-03 | 2024-03-04 | 한국과학기술원 | 다양한 영상 신호 특성의 다중 모델을 이용한 영상 화질 향상 방법 및 장치 |
KR20220000871A (ko) * | 2019-07-03 | 2022-01-04 | 한국과학기술원 | 시간 적응적, 공간 선택적 시그널링을 이용한 뉴럴 네트워크 처리 방법 및 장치 |
WO2021002719A1 (ko) * | 2019-07-03 | 2021-01-07 | 한국과학기술원 | 비디오 처리 방법 및 장치 |
KR20230008667A (ko) * | 2019-07-03 | 2023-01-16 | 한국과학기술원 | 다양한 영상 신호 특성의 다중 모델을 이용한 영상 화질 향상 방법 및 장치 |
KR102364628B1 (ko) | 2019-07-03 | 2022-02-18 | 한국과학기술원 | 비디오 처리 방법 및 장치 |
KR102642058B1 (ko) | 2019-07-03 | 2024-03-04 | 한국과학기술원 | 시간 적응적, 공간 선택적 시그널링을 이용한 뉴럴 네트워크 처리 방법 및 장치 |
KR20210004859A (ko) * | 2019-07-03 | 2021-01-13 | 한국과학기술원 | 비디오 처리 방법 및 장치 |
WO2021157330A1 (ja) | 2020-02-06 | 2021-08-12 | 株式会社日立ハイテク | 計算機、識別器の学習方法、および分析システム |
JP2021152759A (ja) * | 2020-03-24 | 2021-09-30 | 大日本印刷株式会社 | 情報処理システム、情報処理方法及び学習モデルの生成方法 |
JP7476599B2 (ja) | 2020-03-24 | 2024-05-01 | 大日本印刷株式会社 | 情報処理システム、及び情報処理方法 |
JP2023521118A (ja) * | 2020-04-09 | 2023-05-23 | アイデンティー インコーポレイテッド | 照明源を含むデバイスを使用する生体性検出 |
JP7445335B2 (ja) | 2020-04-09 | 2024-03-07 | アイデンティー インコーポレイテッド | 照明源を含むデバイスを使用する生体性検出 |
JPWO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ||
WO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ファナック株式会社 | 検査装置 |
JP7502448B2 (ja) | 2020-07-27 | 2024-06-18 | ファナック株式会社 | 検査装置 |
JP7482326B2 (ja) | 2020-12-31 | 2024-05-13 | シャンハイ リンガン ジュエイン インテリジェント テクノロジー カンパニー リミテッド | 身元認証方法および装置、電子機器並びに記憶媒体 |
CN113408528B (zh) * | 2021-06-24 | 2024-02-23 | 数贸科技(北京)有限公司 | 商品图像的质量识别方法、装置、计算设备及存储介质 |
CN113408528A (zh) * | 2021-06-24 | 2021-09-17 | 数贸科技(北京)有限公司 | 商品图像的质量识别方法、装置、计算设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6661398B2 (ja) | 2020-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6661398B2 (ja) | 情報処理装置および情報処理方法 | |
US11551153B2 (en) | Localized learning from a global model | |
US11551103B2 (en) | Data-driven activity prediction | |
EP4006790A1 (en) | Inference device, inference method, and inference program | |
JP6813055B2 (ja) | 画像処理システム、画像処理方法及びプログラム記憶媒体 | |
Sunny et al. | Applications and challenges of human activity recognition using sensors in a smart environment | |
CN112036331B (zh) | 活体检测模型的训练方法、装置、设备及存储介质 | |
Trapeznikov et al. | Multi-stage classifier design | |
WO2020194497A1 (ja) | 情報処理装置、個人識別装置、情報処理方法及び記憶媒体 | |
JP2015191334A (ja) | 情報処理装置、情報処理方法 | |
JP2013537618A (ja) | オブジェクト追跡及び認識方法及び装置 | |
US10481239B2 (en) | Indoor room-localization system and method therof | |
JP2008113442A (ja) | マルチチャネルセンサ信号ストリームにおけるイベント検出 | |
JP2019125002A (ja) | 顔認証装置 | |
Mekruksavanich et al. | Automatic Recognition of Construction Worker Activities Using Deep Learning Approaches and Wearable Inertial Sensors. | |
Hu et al. | Building occupancy detection and localization using CCTV camera and deep learning | |
Wang et al. | A2dio: Attention-driven deep inertial odometry for pedestrian localization based on 6d imu | |
CN114005149A (zh) | 一种目标角度检测模型的训练方法及装置 | |
CN113836241B (zh) | 时序数据分类预测方法、装置、终端设备及存储介质 | |
US20230115987A1 (en) | Data adjustment system, data adjustment device, data adjustment method, terminal device, and information processing apparatus | |
CN113569671A (zh) | 异常行为报警方法、装置 | |
JP2020170252A (ja) | 画像処理装置、情報処理方法及びプログラム | |
US9832427B2 (en) | Camera, camera system, and self-diagnosis method | |
JP2020187389A (ja) | 移動体軌跡分析装置、移動体軌跡分析プログラム、および移動体軌跡分析方法 | |
Delahoz et al. | A deep-learning-based floor detection system for the visually impaired |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190128 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191223 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200212 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6661398 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |