JP2018125777A - 撮像装置、学習サーバ、撮像システム - Google Patents
撮像装置、学習サーバ、撮像システム Download PDFInfo
- Publication number
- JP2018125777A JP2018125777A JP2017017950A JP2017017950A JP2018125777A JP 2018125777 A JP2018125777 A JP 2018125777A JP 2017017950 A JP2017017950 A JP 2017017950A JP 2017017950 A JP2017017950 A JP 2017017950A JP 2018125777 A JP2018125777 A JP 2018125777A
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- unit
- neural network
- imaging
- 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.)
- Pending
Links
Images
Landscapes
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Emergency Alarm Devices (AREA)
- Studio Devices (AREA)
Abstract
【課題】通信量の増加を抑制しながら、必要な情報を送信する技術を提供する。【解決手段】撮像部50は、画像を撮像する。受信部56は、処理対象が含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバ40から受信する。判定部60は、受信部56において受信した学習結果を反映させたニューラルネットワークに、撮像部50において撮像した画像を入力し、当該ニューラルネットワークからの出力をもとに、撮像部50において撮像した画像に処理対象が含まれているか否かを判定する。送信部58は、判定部60において、画像に処理対象が含まれていることを判定した場合、撮像部50において撮像した画像を送信する。受信部56は、送信部58が送信した画像によって学習させたニューラルネットワークの学習結果を学習サーバ40から受信する。【選択図】図1
Description
本発明は、撮像技術に関し、特に撮像した映像を送信する撮像装置、学習サーバ、撮像システムに関する。
ドライブレコーダは、通常、動画撮影部と加速度センサとGPS(Global Positioning System)とメモリ部と通信モジュール等を備える。このドライブレコーダは、事故発生時の前後における一定時間内の画像や事故の危険があった状況等を自動的に記録する。一方、自動車の走行に伴って自動的および任意に道路情報等を容易に送信し、その豊富な道路情報等をユーザ同士が的確に利用することが求められる。そのため、通信ネットワークを介してデータセンタと各ユーザのドライブレコーダが接続され、ドライブレコーダからの道路撮影画像や走行速度、走行経路等がデータセンタに蓄積されて、利用される(例えば、特許文献1参照)。
ドライブレコーダからデータセンタにデータ、特に映像を送信し続ける場合、通信量が大きくなる。一方、映像を送信するタイミングを制限した場合、通信量は減少するが、必要な映像を送信できない場合がある。
本発明はこうした状況に鑑みてなされたものであり、その目的は、通信量の増加を抑制しながら、必要な情報を送信する技術を提供することにある。
上記課題を解決するために、本発明のある態様の撮像装置は、画像を撮像する撮像部と、処理対象が含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信する受信部と、受信部において受信した学習結果を反映させたニューラルネットワークに、撮像部において撮像した画像を入力し、当該ニューラルネットワークからの出力をもとに、撮像部において撮像した画像に処理対象が含まれているか否かを判定する判定部と、判定部において、画像に処理対象が含まれていることを判定した場合、撮像部において撮像した画像を送信する送信部とを備える。受信部は、送信部が送信した画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信する。
本発明の別の態様は、学習サーバである。この学習サーバは、画像を撮像する撮像装置と通信可能な学習サーバであって、処理対象が含まれた画像によってニューラルネットワークを学習させる学習部と、学習部における学習結果を撮像装置に送信する送信部と、撮像装置において、送信部が送信した学習結果を反映させたニューラルネットワークに、撮像した画像が入力され、当該ニューラルネットワークからの出力をもとに、当該画像に処理対象が含まれていると判定された場合に、撮像装置が撮像した画像を受信する受信部とを備える。学習部は、受信部が受信した画像によってニューラルネットワークを学習させる。
本発明のさらに別の態様は、撮像システムである。この撮像システムは、処理対象が含まれた画像によってニューラルネットワークを学習させ、学習結果を送信する学習サーバと、画像を撮像するとともに、学習サーバからの学習結果を受信する撮像装置とを備える。撮像装置は、受信した学習結果を反映させたニューラルネットワークに、撮像した画像を入力し、当該ニューラルネットワークからの出力をもとに、撮像した画像に処理対象が含まれているか否かを判定する判定部と、判定部において、画像に処理対象が含まれていることを判定した場合、撮像した画像を送信する送信部とを備える。学習サーバは、送信部が送信した画像によってニューラルネットワークを学習させる。
なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。
本発明によれば、通信量の増加を抑制しながら、必要な情報を送信できる。
本発明の実施例を具体的に説明する前に、概要を述べる。本発明の実施例は、車両に搭載されたドライブレコーダ等の撮像装置と、撮像装置にネットワークを介して接続された蓄積サーバとを含む撮像システムに関する。撮像システムにおいて、撮像装置は映像を蓄積サーバに送信し、蓄積サーバは映像を蓄積する。撮像装置が映像を連続的に送信した場合、ネットワークの通信量が増加して、ネットワークへの負荷、蓄積サーバへの負荷も増加する。また、通信料金も増加する。このような状況の発生を防止するために、撮像装置から映像を送信するタイミングを制限した場合、必要な映像を送信できないおそれがある。本実施例では、通信量を削減しながら、必要な映像を送信することを目的とする。
本実施例に係る映像システムには、学習サーバがさらに含まれており、学習サーバは、処理対象が含まれた画像によってニューラルネットワークを学習させる。ここで、処理対象とは、車両、歩行者、自転車、二輪車のような対象物、出会い頭、追突、飛び出しのようなシーンが含まれる。そのため、学習サーバでの学習結果は、これらの処理対象が含まれた画像を検知可能なように設定される。学習サーバは、学習結果を撮像装置に送信する。撮像装置は、受信した学習結果を反映させるようにニューラルネットワークを更新させ、撮像した映像に含まれる各画像をニューラルネットワークに入力することによって、処理対象が含まれた画像を検知する。撮像装置は、処理対象が含まれた画像を検知した場合、当該画像が含まれた一定期間の映像をネットワーク経由で蓄積サーバに送信する。さらに、学習サーバは、蓄積サーバに蓄積された映像をもとに前述の学習を繰り返し実行し、学習結果を撮像装置に順次送信する。撮像装置は、受信した学習結果を反映させるようにニューラルネットワークをさらに更新させ、前述の処理を繰り返す。
図1は、実施例に係る撮像システム100の構成を示す。撮像システム100は、車両10、撮像装置20、蓄積サーバ30、学習サーバ40を含む。また、撮像装置20は、撮像部50、処理部52、記憶部54、受信部56、送信部58を含み、処理部52は、判定部60を含む。学習サーバ40は、受信部70、学習部72、送信部74を含む。ここで、撮像装置20は、車両10に搭載されるドライブレコーダである。
学習サーバ40は、画像の組合せで構成される映像を撮像する撮像装置20と通信可能である。学習サーバ40の学習部72は、処理対象が含まれた画像によってニューラルネットワークを学習させる。処理対象は、対象となるシーン(以下、単に「シーン」ということもある)と、対象となる物(以下、「対象物」ということもある)に分類される。前述のごとく、シーンには、出会い頭、追突、飛び出し等が含まれ、対象物には、車両、歩行者、自転車、二輪車等が含まれる。つまり、撮像装置20がドライブレコーダである場合を想定しているので、交通事故が発生した、あるいは発生の可能性が高いシーンと対象物が処理対象とされる。
ニューラルネットワークの学習は、機械学習の手法の1つであるディープラーニングによってなされており、人間の脳の神経回路をもとにした手法がベースになっている。ニューラルネットワークでは、脳の神経細胞を模したパーセプトロンが三層以上重なって組み合わさっており、データの特徴をさまざまな方面や段階から学ぶことによって、自動的に深く理解する。そのため、ニューラルネットワークは、複雑な特徴を理解しないとできない画像の判別処理に適する。ニューラルネットワークおよびニューラルネットワークの学習については公知の技術を使用すればよいので、ここでは説明を省略する。
学習部72は、出会い頭、追突、飛び出し等のシーンごとの映像をフレームごとの画像に分解し、それを時系列の順番に、予め構築したニューラルネットワークに入力する。これによって、ニューラルネットワークは各シーンの特徴を時系列で学習する。また、学習部72は、このような学習を数万件〜数十万件繰り返すことによって学習精度を向上させる。さらに、学習部72は、車両、歩行者、自転車、二輪車等の対象物ごとの映像をフレームごとの画像に分解し、前述の処理と同様の処理を実行する。その結果、学習部72は、シーンおよび対象物に対するニューラルネットワークの学習結果を取得する。
送信部74は、学習部72における学習結果をネットワーク経由で撮像装置20に送信する。図2は、学習サーバ40から送信される学習結果のデータ構造を示す。これは、学習結果に含まれるパラメータを示す。最適化関数は、Adam等の関数名とそのパラメータを含む。ネットワークモデルは、VGG等のベース、畳み込み、maxプーリング数、全結合等の層、BatchNormalization(あり、なし)を含む。活性化関数は、relu等の関数を含む。ドロップアウトは、dropout(あり、なし)、ratio等のパラメータを含み、loss計算は、softmax_cross_entropy等を含む。図1に戻る。
撮像装置20の受信部56は、学習結果を学習サーバ40から受信する。受信部56は、学習結果を処理部52に出力する。撮像部50は、映像を撮像する。撮像された映像は、複数の画像が時系列に並べられることによって構成される。そのため、撮像部50は、画像を撮像するともいえる。撮像部50は、撮像した映像、画像をデジタルデータに変換する。なお、以下では、デジタルデータに変換された映像、画像も、映像、画像という。撮像部50は、映像を処理部52に出力する。
記憶部54は、処理部52からの指示によって、撮像部50において撮像された映像を記憶する。なお、映像に含まれた複数の画像の少なくとも一部には、タイムスタンプ等の時間を特定するための情報(以下、「時間情報」という)が含まれており、記憶部54は、時間情報も記憶する。
判定部60は、受信部56において受信した学習結果を反映させるようにニューラルネットワークを更新させる。また、判定部60は、記憶部54に記憶した各画像、つまり撮像部50において撮像した各画像をニューラルネットワークに入力する。判定部60は、ニューラルネットワークからの出力をもとに、各画像に処理対象が含まれているか否かを判定する。これは、学習済みのニューラルネットワークが各画像を判定して、シーン、対象物の検知がなされることに相当する。つまり、判定部60は、各画像に、前述のシーン、対象物が含まれているか否かを判定する。
判定部60は、シーンと対象物とが含まれた画像を検知した場合、当該画像を含む一定期間の映像を記憶部54から取得する。一定期間は、例えば、当該画像よりも前のタイミングから後のタイミングまでになるように規定される。なお、このような一定期間の映像の取得には、前述の時間情報が使用される。ここでは、シーンと対象物とが含まれた画像を検知した場合に一定期間の映像が取得されているが、シーンと対象物のいずれか一方の画像を検知した場合に一定期間の映像が取得されてもよい。
送信部58は、判定部60において、画像に処理対象が含まれていることを判定した場合、一定期間の映像をネットワーク経由で蓄積サーバ30に送信する。これは、撮像部50において撮像した画像を送信することに相当する。蓄積サーバ30は、撮像装置20からの映像を受信して、それを蓄積する。蓄積サーバ30には、ネットワークを介して学習サーバ40が接続される。なお、蓄積サーバ30と学習サーバ40は一体的に構成されてもよい。
学習サーバ40の受信部70は、蓄積サーバ30からの映像を受信する。これは、撮像装置20が撮像した映像であって、かつ撮像装置20において処理対象が含まれていると判定された画像を含む映像を受信することに相当する。受信部70は、映像を学習部72に出力する。学習部72は、受信部70が受信した映像によって、前述のニューラルネットワークの学習を実行する。つまり、学習部72は、受信した映像をフレームごとの画像に分解し、それを時系列の順番に、予め構築したニューラルネットワークに入力する。これに続く処理はこれまでと同様であるので、ここでは説明を省略する。このような処理による学習結果も送信部74から撮像装置20に送信される。
撮像装置20の受信部56は、送信部58が送信した映像によって学習させたニューラルネットワークの学習結果を学習サーバ40から新たに受信する。判定部60は、受信部56において新たに受信した学習結果を反映させるようにニューラルネットワークを更新させる。これに続く処理はこれまでと同様であるので、ここでは処理を説明する。そのため、学習サーバ40におけるニューラルネットワークの学習と、撮像装置20におけるニューラルネットワークによる判定が、ループ状に繰り返し実行される。
ここでは、1台の車両10に搭載された1つの撮像装置20だけを示している。しかしながら、撮像システム100には、撮像装置20を搭載した車両10が複数含まれてもよい。このような構成において、学習サーバ40は、複数の撮像装置20のそれぞれが撮像した映像を受信する。その際、学習部72は、複数の撮像装置20のそれぞれが撮像した映像によってニューラルネットワークを学習させる。このような処理によって、ニューラルネットワークを学習させる際に使用する画像の数が増加される。
この構成は、ハードウエア的には、任意のコンピュータのCPU、メモリ、その他のLSIで実現でき、ソフトウエア的にはメモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、ハードウエアとソフトウエアの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。
以上の構成による撮像システム100の動作を説明する。図3は、撮像システム100による送信手順を示すシーケンス図である。学習サーバ40は、ニューラルネットワークを学習させる(S10)。学習サーバ40は、学習結果を送信する(S12)。撮像装置20は、ニューラルネットワークを更新させる(S14)。撮像装置20は映像を撮像する(S16)。撮像装置20は、映像に含まれる画像に処理対象を検出する(S18)。撮像装置20は、一定期間の映像を送信する(S20)。学習サーバ40は、映像に含まれた映像によってニューラルネットワークを学習させる(S22)。学習サーバ40は、学習結果を送信する(S24)。撮像装置20は、ニューラルネットワークを更新させる(S26)。
図4は、撮像装置20による送信手順を示すフローチャートである。受信部56は、学習結果を受信する(S50)。判定部60は、ニューラルネットワークを更新させる(S52)。判定部60が対象となるシーンを検知し(S54のY)、対象となる物を検知した場合(S56のY)、送信部58は、検知時刻前後の映像を送信する(S58)。判定部60が対象となるシーンを検知しない場合(S54のN)、あるいは対象となる物を検知しない場合(S56のN)、処理は終了される。
本実施例によれば、処理対象が含まれた画像によって学習させたニューラルネットワークによって、処理対象が含まれた画像を検出した場合に画像を送信するので、必要な映像を一時期だけ送信できる。また、必要な映像が一時期だけ送信されるので、通信量の増加を抑制しながら必要な情報を送信できる。また、対象となるシーンが含まれた画像によって学習させたニューラルネットワークを使用するので、対象となるシーンが含まれた画像を検出できる。また、対象物が含まれた画像によって学習させたニューラルネットワークを使用するので、対象物が含まれた画像を検出できる。
また、処理対象が含まれた画像によって学習させたニューラルネットワークを使用させて、処理対象が含まれた画像を検出した場合に画像を送信させるので、通信量の増加を抑制しながら必要な情報を受信できる。また、受信した画像をもとにニューラルネットワークを学習させるので、学習の精度を向上できる。また、複数の撮像装置のそれぞれが撮像した画像によってニューラルネットワークを学習させるので、学習に使用する画像の数を増加できる。また、学習に使用する画像の数が増加されるので、学習の精度を向上できる。
本発明の一態様の概要は、次の通りである。本発明のある態様の撮像装置は、画像を撮像する撮像部と、処理対象が含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信する受信部と、受信部において受信した学習結果を反映させたニューラルネットワークに、撮像部において撮像した画像を入力し、当該ニューラルネットワークからの出力をもとに、撮像部において撮像した画像に処理対象が含まれているか否かを判定する判定部と、判定部において、画像に処理対象が含まれていることを判定した場合、撮像部において撮像した画像を送信する送信部とを備える。受信部は、送信部が送信した画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信する。
この態様によると、処理対象が含まれた画像によって学習させたニューラルネットワークによって、処理対象が含まれた画像を検出した場合に画像を送信するので、通信量の増加を抑制しながら必要な情報を送信できる。
受信部は、対象となるシーンが含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信し、判定部は、撮像部において撮像した画像に対象となるシーンが含まれているか否かを判定してもよい。この場合、対象となるシーンが含まれた画像によって学習させたニューラルネットワークを使用するので、対象となるシーンが含まれた画像を検出できる。
受信部は、対象となる物が含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信し、判定部は、撮像部において撮像した画像に対象となる物が含まれているか否かを判定してもよい。この場合、対象となる物が含まれた画像によって学習させたニューラルネットワークを使用するので、対象となる物が含まれた画像を検出できる。
本発明の別の態様は、学習サーバである。この学習サーバは、画像を撮像する撮像装置と通信可能な学習サーバであって、処理対象が含まれた画像によってニューラルネットワークを学習させる学習部と、学習部における学習結果を撮像装置に送信する送信部と、撮像装置において、送信部が送信した学習結果を反映させたニューラルネットワークに、撮像した画像が入力され、当該ニューラルネットワークからの出力をもとに、当該画像に処理対象が含まれていると判定された場合に、撮像装置が撮像した画像を受信する受信部とを備える。学習部は、受信部が受信した画像によってニューラルネットワークを学習させる。
この態様によると、処理対象が含まれた画像によって学習させたニューラルネットワークを使用させて、処理対象が含まれた画像を検出した場合に画像を送信させるので、通信量の増加を抑制しながら必要な情報を受信できる。
受信部は、複数の撮像装置のそれぞれが撮像した画像を受信し、学習部は、受信部が受信した画像であって、かつ複数の撮像装置のそれぞれが撮像した画像によってニューラルネットワークを学習させてもよい。この場合、複数の撮像装置のそれぞれが撮像した画像によってニューラルネットワークを学習させるので、学習の精度を向上できる。
本発明のさらに別の態様は、撮像システムである。この撮像システムは、処理対象が含まれた画像によってニューラルネットワークを学習させ、学習結果を送信する学習サーバと、画像を撮像するとともに、学習サーバからの学習結果を受信する撮像装置とを備える。撮像装置は、受信した学習結果を反映させたニューラルネットワークに、撮像した画像を入力し、当該ニューラルネットワークからの出力をもとに、撮像した画像に処理対象が含まれているか否かを判定する判定部と、判定部において、画像に処理対象が含まれていることを判定した場合、撮像した画像を送信する送信部とを備える。学習サーバは、送信部が送信した画像によってニューラルネットワークを学習させる。
この態様によると、処理対象が含まれた画像によって学習させたニューラルネットワークによって、処理対象が含まれた画像を検出した場合に画像を送信するので、通信量の増加を抑制しながら必要な情報を送信できる。
以上、本発明を実施例をもとに説明した。この実施例は例示であり、それらの各構成要素あるいは各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。
本実施例において、撮像装置20は車両10に搭載される。しかしながらこれに限らず例えば、撮像装置20は車両10以外に設置されてもよく、監視カメラのように使用されてもよい。本変形例によれば、適用範囲を拡大できる。
10 車両、 20 撮像装置、 30 蓄積サーバ、 40 学習サーバ、 50 撮像部、 52 処理部、 54 記憶部、 56 受信部、 58 送信部、 60 判定部、 70 受信部、 72 学習部、 74 送信部、 100 撮像システム。
Claims (6)
- 画像を撮像する撮像部と、
処理対象が含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信する受信部と、
前記受信部において受信した学習結果を反映させたニューラルネットワークに、前記撮像部において撮像した画像を入力し、当該ニューラルネットワークからの出力をもとに、前記撮像部において撮像した画像に処理対象が含まれているか否かを判定する判定部と、
前記判定部において、画像に処理対象が含まれていることを判定した場合、前記撮像部において撮像した画像を送信する送信部とを備え、
前記受信部は、前記送信部が送信した画像によって学習させたニューラルネットワークの学習結果を前記学習サーバから受信することを特徴とする撮像装置。 - 前記受信部は、対象となるシーンが含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信し、
前記判定部は、前記撮像部において撮像した画像に対象となるシーンが含まれているか否かを判定することを特徴とする請求項1に記載の撮像装置。 - 前記受信部は、対象となる物が含まれた画像によって学習させたニューラルネットワークの学習結果を学習サーバから受信し、
前記判定部は、前記撮像部において撮像した画像に対象となる物が含まれているか否かを判定することを特徴とする請求項1に記載の撮像装置。 - 画像を撮像する撮像装置と通信可能な学習サーバであって、
処理対象が含まれた画像によってニューラルネットワークを学習させる学習部と、
前記学習部における学習結果を前記撮像装置に送信する送信部と、
前記撮像装置において、前記送信部が送信した学習結果を反映させたニューラルネットワークに、撮像した画像が入力され、当該ニューラルネットワークからの出力をもとに、当該画像に処理対象が含まれていると判定された場合に、前記撮像装置が撮像した画像を受信する受信部とを備え、
前記学習部は、前記受信部が受信した画像によってニューラルネットワークを学習させることを特徴とする学習サーバ。 - 前記受信部は、複数の撮像装置のそれぞれが撮像した画像を受信し、
前記学習部は、前記受信部が受信した画像であって、かつ前記複数の撮像装置のそれぞれが撮像した画像によってニューラルネットワークを学習させることを特徴とする請求項4に記載の学習サーバ。 - 処理対象が含まれた画像によってニューラルネットワークを学習させ、学習結果を送信する学習サーバと、
画像を撮像するとともに、前記学習サーバからの学習結果を受信する撮像装置とを備え、
前記撮像装置は、
受信した学習結果を反映させたニューラルネットワークに、撮像した画像を入力し、当該ニューラルネットワークからの出力をもとに、撮像した画像に処理対象が含まれているか否かを判定する判定部と、
前記判定部において、画像に処理対象が含まれていることを判定した場合、撮像した画像を送信する送信部とを備え、
前記学習サーバは、前記送信部が送信した画像によってニューラルネットワークを学習させることを特徴とする撮像システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017017950A JP2018125777A (ja) | 2017-02-02 | 2017-02-02 | 撮像装置、学習サーバ、撮像システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017017950A JP2018125777A (ja) | 2017-02-02 | 2017-02-02 | 撮像装置、学習サーバ、撮像システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018125777A true JP2018125777A (ja) | 2018-08-09 |
Family
ID=63109018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017017950A Pending JP2018125777A (ja) | 2017-02-02 | 2017-02-02 | 撮像装置、学習サーバ、撮像システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018125777A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020013556A (ja) * | 2019-06-12 | 2020-01-23 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、プログラム、およびアプリケーションプログラム |
WO2020085223A1 (ja) * | 2018-10-22 | 2020-04-30 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理方法、情報処理装置、情報処理プログラム及び情報処理システム |
JP2020126535A (ja) * | 2019-02-06 | 2020-08-20 | キヤノン株式会社 | 情報処理装置、情報処理装置の制御方法およびプログラム |
JP2021039464A (ja) * | 2019-09-02 | 2021-03-11 | 株式会社デンソーテン | 走行状況記録装置 |
JP2021536072A (ja) * | 2018-09-14 | 2021-12-23 | テスラ,インコーポレイテッド | トレーニングデータを取得するためのシステム及び方法 |
WO2023022251A1 (ko) * | 2021-08-18 | 2023-02-23 | 엘지전자 주식회사 | 무선 통신 시스템에서 신호 전송 방법 및 장치 |
JP7482011B2 (ja) | 2020-12-04 | 2024-05-13 | 株式会社東芝 | 情報処理システム |
JP7509939B2 (ja) | 2022-03-29 | 2024-07-02 | ウーブン・バイ・トヨタ株式会社 | 危険通知方法及び実装するためのシステム |
-
2017
- 2017-02-02 JP JP2017017950A patent/JP2018125777A/ja active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7512452B2 (ja) | 2018-09-14 | 2024-07-08 | テスラ,インコーポレイテッド | トレーニングデータを取得するためのシステム及び方法 |
JP2021536072A (ja) * | 2018-09-14 | 2021-12-23 | テスラ,インコーポレイテッド | トレーニングデータを取得するためのシステム及び方法 |
JP7227358B2 (ja) | 2018-09-14 | 2023-02-21 | テスラ,インコーポレイテッド | トレーニングデータを取得するためのシステム及び方法 |
WO2020085223A1 (ja) * | 2018-10-22 | 2020-04-30 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理方法、情報処理装置、情報処理プログラム及び情報処理システム |
JPWO2020085223A1 (ja) * | 2018-10-22 | 2021-10-07 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 情報処理方法、情報処理装置、情報処理プログラム及び情報処理システム |
JP7438126B2 (ja) | 2018-10-22 | 2024-02-26 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 情報処理方法及び情報処理システム |
JP7286333B2 (ja) | 2019-02-06 | 2023-06-05 | キヤノン株式会社 | 情報処理装置、情報処理装置の制御方法およびプログラム |
JP2020126535A (ja) * | 2019-02-06 | 2020-08-20 | キヤノン株式会社 | 情報処理装置、情報処理装置の制御方法およびプログラム |
JP7160763B2 (ja) | 2019-06-12 | 2022-10-25 | ヤフー株式会社 | 情報処理装置、情報処理システム、情報処理方法、プログラム、およびアプリケーションプログラム |
JP2020013556A (ja) * | 2019-06-12 | 2020-01-23 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、プログラム、およびアプリケーションプログラム |
JP2021039464A (ja) * | 2019-09-02 | 2021-03-11 | 株式会社デンソーテン | 走行状況記録装置 |
JP7482011B2 (ja) | 2020-12-04 | 2024-05-13 | 株式会社東芝 | 情報処理システム |
WO2023022251A1 (ko) * | 2021-08-18 | 2023-02-23 | 엘지전자 주식회사 | 무선 통신 시스템에서 신호 전송 방법 및 장치 |
JP7509939B2 (ja) | 2022-03-29 | 2024-07-02 | ウーブン・バイ・トヨタ株式会社 | 危険通知方法及び実装するためのシステム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018125777A (ja) | 撮像装置、学習サーバ、撮像システム | |
CN108388834B (zh) | 利用循环神经网络和级联特征映射的对象检测 | |
WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
CN110046640B (zh) | 用于关联来自多个车辆的观察的分布式表示学习 | |
CN111295689B (zh) | 深度感知对象计数 | |
US20180157918A1 (en) | System and Method for Estimating Vehicular Motion Based on Monocular Video Data | |
CN109636770A (zh) | 用于对象检测和轨迹预测的运动和外观特征的融合 | |
JP2020014144A (ja) | カメラシステムおよびイベント記録システム | |
JP6688970B2 (ja) | 画像認識システム | |
JP2016119547A (ja) | 車両データのリモート収集システム | |
US10534985B2 (en) | Method for recognizing license plate in vehicle camera device and vehicle camera device | |
JP2021111273A (ja) | 学習モデルの生成方法、プログラム及び情報処理装置 | |
US20220396281A1 (en) | Platform for perception system development for automated driving system | |
KR102584070B1 (ko) | 객체 분류 기반의 오류 제거를 이용한 자율 주행 시스템의 객체 인식 장치 및 이를 이용한 방법 | |
JP2019215755A (ja) | 画像認識装置、画像認識方法、機械学習モデル提供装置、機械学習モデル提供方法、機械学習モデル生成方法、および機械学習モデル装置 | |
JP2021051470A (ja) | 対象追跡手段の切り替えが可能な対象追跡プログラム、装置及び方法 | |
US10963721B2 (en) | License plate number recognition based on three dimensional beam search | |
CN111464736A (zh) | 服务器、服务器控制方法、车辆、车辆控制方法以及存储程序的存储介质 | |
KR102326793B1 (ko) | 사고 영상 분석 시스템 및 이를 이용한 분석 방법 | |
CN104067606A (zh) | 照相机、照相机***及自诊断方法 | |
KR20210023859A (ko) | 화상 처리 장치, 이동 장치 및 방법, 그리고 프로그램 | |
CN116776999A (zh) | 自动驾驶***中的自我监督网络的联合学习的***和方法 | |
US11760376B2 (en) | Machine learning updating with sensor data | |
WO2018231766A1 (en) | Employing vehicular sensor information for retrieval of data | |
US20210182572A1 (en) | Drive recorder and image storage system |