JP5823270B2 - 画像認識装置及び方法 - Google Patents
画像認識装置及び方法 Download PDFInfo
- Publication number
- JP5823270B2 JP5823270B2 JP2011262535A JP2011262535A JP5823270B2 JP 5823270 B2 JP5823270 B2 JP 5823270B2 JP 2011262535 A JP2011262535 A JP 2011262535A JP 2011262535 A JP2011262535 A JP 2011262535A JP 5823270 B2 JP5823270 B2 JP 5823270B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- unit
- target
- recognition
- area
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Description
図2に、当該実施例Aにおける部分領域抽出部11の機能ブロックとその処理の説明(1)とを示す。実施例Aにて部分領域抽出部11は、候補選出部21及び矩形抽出部22を含む。
P(RX, RY, RW, RH) =P(RY|RH) P(RX|RW)P(RW, RH)
図5に、実施例Bに係る部分領域抽出部11の機能ブロックとその説明を示す。図2に示した実施例Aとの差異点として、実施例Bに係る部分領域抽出部11は追加構成として候補選別部23を含む。候補選別部23は、(2)に示すように、候補選出部21で選出した多数の矩形パラメータのセットの中から対象が存在する信頼度の高い矩形を表すものを選別し、当該選別されたパラメータセットを矩形抽出部22へ渡す。例えば、候補選出部21にて105セット程度のパラメータが選出されたのに対して、その数が候補選別部23における選別によって102〜103程度へと絞り込まれる。
[特許文献2]特願2010-232914号「画像領域分割装置、画像領域分割方法および画像領域分割プログラム」
ステップ1.信頼度SS(w)の高い順に、候補領域となる各矩形を並べて、ステップ2以降の当該繰り返し判定アルゴリズムを適用する順番iとする。
ステップ2.i番目の矩形が、これまでに採用した矩形と重なりが一定の割合RO以下であれば対象領域として採用し、そうでなければ不採用とする。
ステップ3.採用数がパラメータにより指定された最終候補数NFの数に達すれば終了とする。
ステップ4.採用・不採用の判定対象となる矩形が残っていればiを増分して2に戻る。残っていなければ、ROを小さくし、最も信頼度SS(w)の大きく、且つ不採用とされた候補iからステップ2の判定を再開する。
図16は実施例Cに係る部分領域抽出部11の機能ブロック図である。部分領域抽出部11は、顕著度抽出部210、矩形確定部230及び矩形抽出部22を含む。矩形抽出部22は実施例A及びBと同様である。
顕著度マップ内における顕著度の重心(Ox, Oy)を下式(式3)の通り求め、手順1へ進む。
重心を含む矩形で、かつ含まれる全ての要素の顕著度がしきい値TVを超える最大の面積を持つ矩形を顕著度マップ内で特定する。つまり、特定された矩形内に含まれる全ての要素は顕著度がしきい値TVを超えている。また、当該特定矩形をその外で囲む外周上(幅が1画素の外周)のいずれかの点がしきい値TV以下の要素となっている。しきい値TVは例えば、予め0.8に設定することができるが、設定可能最大値の1.0を設定する等してもよい。当該しきい値TVを超える要素が1つでもあれば手順2へ、無ければ手順3へ移る。
手順1で特定された矩形について、入力画像に占める特定矩形の割合がしきい値TSを超えていたら、この特定矩形をCN個の候補領域のうちの1つとして確定すると同時に、確定された候補領域に含まれる顕著度マップ内の全ての要素の顕著度を0に置き換えてから、手順3へ移る。超えていなければ、候補領域は確定せずに手順3へ移る。例えばTSは0.05に設定し、これを下回る面積比の非常に小さな特定矩形が候補領域として抽出されるのを防ぐ。
次に、しきい値TVの値を更新する。TV更新後=αTV更新前とし、αは0から1の範囲内の実数で設定する。よって更新する毎にしきい値TVは減少する。例えばα=0.99とする。以下、手順0に戻って、次の候補領域の確定を繰り返すが、確定した候補領域が目標数のCN個に達した場合、確定処理を終了する。またはCN個には達していないが、しきい値TVを更新した結果、TVの値がしきい値TEを下回った場合も確定処理を終了する。この場合、CN個未満の矩形領域が確定することとなるが、含まれる顕著度があまりにも低い特定矩形が候補領域として抽出されることを防ぐことができる。この意味から、しきい値TEは例えばTE=0.20に設定する。
(A)キーポイントの検出
(a)キーポイント候補点の検出
(b)キーポイントのローカライズ
(B)特徴ベクトルの抽出
(c)オリエンテーションの算出
(d)特徴量の抽出
(1)データを指定された任意の数であるk個のクラスタに分割する。
(2)各クラスタについて重心を計算する。
(3)全てのデータについて、重心との距離を最小にするクラスタを求め、各データを最小のクラスタに割り当てる。
(4)前回のクラスタから変化がなければ終了する。変化がある場合は、(2)に戻る。
本発明の主要部分についての説明は以上であるが、最後に、画像認識部12(図1参照)においてデータセット蓄積部83に蓄積する特徴ベクトル、および、再判定認識部13において画像特徴ベクトル蓄積部35に蓄積する画像特徴ベクトルについて、本発明の認識精度を上げるための注意事項について説明する。なお、当該蓄積のための登録時の流れについては、図1や図11にて点線の矢印で示した通りである。
図18に、第三実施例に係る画像認識装置1の機能ブロック図を示す。図1に示した第一又は第二実施例の構成との差異点として画像認識部12が除外され、画像認識装置1は部分領域抽出部11と再判定認識部13とのみを備える。また図18では図1とは異なり、機能ブロック間の矢印は認識時の流れのみを示しており、登録時及びCB(コードブック)作成時の流れは省略してある。
本発明の画像認識装置1によって画像内に含まれる複数の物体の名称と存在する場所を自動的に認識してテキスト情報化することができる。これにより、画像クラウドサーバ上でユーザがアップロードしたデジカメ画像にタグを付け、キーワードによる画像検索に応用が可能となる。
Claims (11)
- 入力画像より部分領域を複数切り出して各々を対象画像となす部分領域抽出部と、
前記対象画像が何を表すかを認識する画像認識部とを備え、
該画像認識部は、
前記対象画像より第一の画像特徴量を抽出して画像特徴ベクトルに変換する画像特徴量変換部と、
所与の複数の画像に各々ラベルを付与すると共に、当該各画像を前記画像特徴量変換部にて変換した画像特徴ベクトルと対応付けて蓄積するデータセット蓄積部と、
前記対象画像の画像特徴ベクトルと前記データセット蓄積部に蓄積された画像特徴ベクトルの各々とを比較して、前記対象画像と前記蓄積された所与の複数の画像の各々との類似度を求める比較部と、
前記類似度が上位の所定数の画像に対して前記付与されたラベルのうち、出現頻度が所定基準を満たすラベルを前記対象画像が何を表すかの認識結果として求める投票判定部と、を含み、
前記部分領域抽出部によって複数切り出された部分領域の各々における前記画像認識部による認識結果によって、前記入力画像に含まれる複数の対象の各々が何であるか認識し、且つ当該複数の対象の各々の前記入力画像内における位置をも認識し、
前記投票判定部における前記所定基準を満たすラベルの各々を候補として、当該候補に予め対応付けられた第二の画像特徴量と、前記対象画像より抽出した第二の画像特徴量との比較に基づいて前記対象画像が何を表すかを認識する再判定認識部をさらに備え、
前記入力画像に含まれる複数の対象の各々が何であるかの認識結果に、前記画像認識部の認識結果に代えて前記再判定認識部の認識結果を採用し、
前記画像特徴量変換部は、前記対象画像より前記第一の画像特徴量として画素値を各要素とした画像特徴ベクトルに変換し、
前記再判定認識部は、前記対象画像より前記第二の画像特徴量として局所特徴量を抽出する局所特徴量抽出部と、
所与の複数の画像より各々局所特徴量を抽出すると共に、クラスタリングを施して各クラスタの代表ベクトルを算出するクラスタリング処理部と、
前記算出された代表ベクトルをコードブックとして蓄積するコードブック蓄積部と、
前記対象画像より抽出された局所特徴量を前記蓄積されたコードブックを参照して代表ベクトルへと量子化すると共に、各代表ベクトルの出現頻度を計測して画像特徴ベクトルを求めるベクトル量子化部と、
各々ラベルを付与された所与の複数の画像と当該各画像に対して前記ベクトル量子化部を適用した画像特徴ベクトルとを対応づけて保存する画像特徴ベクトル保存部と、
前記画像特徴ベクトル保存部に保存されたラベル付与された画像特徴ベクトルを学習データとして機械学習を適用し、各ラベルについての識別器を出力する機械学習部と、
前記各ラベルについての識別器を蓄積する識別器蓄積部と、
前記投票判定部における認識結果として求められたラベルの各々に対応する識別器を前記識別器蓄積部から読み出して、前記対象画像に対して前記ベクトル量子化部により求められた画像特徴ベクトルを入力することで所定基準を満たすラベルを求め、当該求まったラベルを前記対象画像が何を表すかの認識結果とし、当該所定基準を満たすラベルが求まらない場合には前記対象画像が何を表すかの認識結果を該当無しとする識別部とを含むことを特徴とする画像認識装置。 - 前記部分領域抽出部が、前記部分領域として前記入力画像の縦又は横軸に平行な辺からなる矩形の形状の領域を、当該領域が前記入力画像において占める相対的な位置及び大きさによって複数特定して選出する候補選出部と、当該選出された複数の矩形の領域を前記入力画像から各々切り出して前記部分領域となす矩形抽出部とを含むことを特徴とする請求項1に記載の画像認識装置。
- 前記候補選出部が、前記矩形の領域が前記入力画像において占める相対的な位置及び大きさを乱数を用いて所定数特定する乱数発生部を含む、又は、所定の画像において予め対象が存在する相対的な位置及び大きさに関する統計情報を測定する統計情報測定部と、当該測定された位置及び大きさの所定の組合せに関する事前確率分布を蓄積する確率分布蓄積部と、当該事前確率の高い順に前記相対的な位置及び大きさを所定数特定する候補抽出部を含むことを特徴とする請求項2に記載の画像認識装置。
- 前記部分領域抽出部がさらに、前記候補選出部にて選出された複数の矩形の形状の領域の中から、当該領域間の重複関係に基づいてその一部のみを選別する候補選別部を含み、前記矩形抽出部は当該選別された領域のみを切り出すことを特徴とする請求項2または3に記載の画像認識装置。
- 前記候補選別部が、
前記入力画像を色及び/又はテクスチャ特徴の類似に基づいて任意形状の領域に分割する領域分割部と、
当該分割された領域を過不足なく覆っている度合いを指標として前記候補選出部にて選出された複数の矩形の形状の領域が対象を捉えているかについての信頼度を算出する物体信頼度算出部と、
前記算出された信頼度の高さと、前記候補選出部にて選出された複数の矩形の形状の領域の重複の少なさとに基づいて、前記一部のみを選別する最終候補決定部とを含むことを特徴とする請求項4に記載の画像認識装置。 - 前記領域分割部が、
前記入力画像を色及び/又はテクスチャ特徴の類似に基づいて任意形状の複数の小領域に過剰分割する小領域分割部と、
当該過剰分割された複数の小領域の各々に対して、前記入力画像において当該小領域に属する内部領域と当該小領域に属さない外部領域とを対応付けて出力する対象領域選択部と、
前記外部領域のうち対応する前記内部領域と色及び/又はテクスチャ特徴が類似する領域を当該内部領域と統合して小領域拡張領域として出力する小領域拡張部と、
前記小領域拡張領域同士のペアの領域類似度を算出する領域類似度算出部と、
前記小領域のペアのうち、対応する小領域拡張領域ペアの前記領域類似度が所定基準を満たす小領域ペア同士を全て同一オブジェクトに属すると判定して統合し、前記所定基準を満たさない小領域ペア同士は異なるオブジェクトに属すると判定することによって、各オブジェクトに対応する領域として統合された小領域としての前記任意形状の領域への分割結果を得る小領域統合部とを含むことを特徴とする請求項5に記載の画像認識装置。 - 前記部分領域抽出部が、
前記入力画像より画素毎の注目度合いに対応する顕著度を抽出する顕著度抽出部と、
前記入力画像の縦又は横軸に平行な辺からなる矩形の形状の領域であり且つ前記顕著度が所定基準を満たす所定数の領域を前記部分領域として確定し、当該領域が前記入力画像において占める相対的な位置及び大きさによって特定して選出する矩形確定部と、
当該選出された複数の矩形の領域を前記入力画像から各々切り出して前記部分領域となす矩形抽出部とを含むことを特徴とする請求項1に記載の画像認識装置。 - 前記識別部がさらに、
各々が複数の対象を含む画像として構成され且つ各対象に対応するラベルが付与された所与の複数の画像より、ラベル同士の共起関係を測定する共起関係測定部と、
前記測定された共起関係に基づいてラベル同士の共起に関する事前確率を蓄積する事前確率分布蓄積部と、
前記対象画像の各々と、当該各々における前記投票判定部における認識結果として求められたラベルの各々に対して前記識別器が出力したスコアとの組合せに対して、前記事前確率を乗じた総合信頼度を算出する総合信頼度算出部とを含み、
前記総合信頼度が最大となる組合せに対応する前記対象画像の各々に対するラベルを前記入力画像に含まれる複数の対象の各々が何であるかの認識結果とすることを特徴とする請求項1ないし7のいずれかに記載の画像認識装置。 - 前記共起関係測定部が、各々が複数の対象を含む画像として構成され且つ各対象に対応するラベル及び各対象が画像において占める矩形領域の情報が付与された所与の複数の画像より、ラベル同士の共起関係を当該ラベルに対応する矩形領域の面積占有率の共起関係として測定することを特徴とする請求項8に記載の画像認識装置。
- 前記データセット蓄積部における所与の複数の画像と、前記画像特徴ベクトル保存部における所与の複数の画像との少なくとも一方が、単一の対象を含む画像として構成されていることを特徴とする請求項1ないし9のいずれかに記載の画像認識装置。
- 入力画像より部分領域を複数切り出して各々を対象画像となす部分領域抽出ステップと、
前記対象画像が何を表すかを認識する画像認識ステップとを備え、
該画像認識ステップは、
前記対象画像より第一の画像特徴量を抽出して画像特徴ベクトルに変換する画像特徴量変換ステップと、
所与の複数の画像に各々ラベルを付与すると共に、当該各画像を前記画像特徴量変換ステップにて変換した画像特徴ベクトルと対応付けて蓄積するデータセット蓄積ステップと、
前記対象画像の画像特徴ベクトルと前記データセット蓄積ステップにて蓄積された画像特徴ベクトルの各々とを比較して、前記対象画像と前記蓄積された所与の複数の画像の各々との類似度を求める比較ステップと、
前記類似度が上位の所定数の画像に対して前記付与されたラベルのうち、出現頻度が所定基準を満たすラベルを前記対象画像が何を表すかの認識結果として求める投票判定ステップと、を含み、
前記部分領域抽出ステップによって複数切り出された部分領域の各々における前記画像認識ステップによる認識結果によって、前記入力画像に含まれる複数の対象の各々が何であるか認識し、且つ当該複数の対象の各々の前記入力画像内における位置をも認識し、
前記投票判定ステップにおける前記所定基準を満たすラベルの各々を候補として、当該候補に予め対応付けられた第二の画像特徴量と、前記対象画像より抽出した第二の画像特徴量との比較に基づいて前記対象画像が何を表すかを認識する再判定認識ステップをさらに備え、
前記入力画像に含まれる複数の対象の各々が何であるかの認識結果に、前記画像認識ステップの認識結果に代えて前記再判定認識ステップの認識結果を採用し、
前記画像特徴量変換ステップでは、前記対象画像より前記第一の画像特徴量として画素値を各要素とした画像特徴ベクトルに変換し、
前記再判定認識ステップは、前記対象画像より前記第二の画像特徴量として局所特徴量を抽出する局所特徴量抽出ステップと、
所与の複数の画像より各々局所特徴量を抽出すると共に、クラスタリングを施して各クラスタの代表ベクトルを算出するクラスタリング処理ステップと、
前記算出された代表ベクトルをコードブックとして蓄積するコードブック蓄積ステップと、
前記対象画像より抽出された局所特徴量を前記蓄積されたコードブックを参照して代表ベクトルへと量子化すると共に、各代表ベクトルの出現頻度を計測して画像特徴ベクトルを求めるベクトル量子化ステップと、
各々ラベルを付与された所与の複数の画像と当該各画像に対して前記ベクトル量子化ステップを適用した画像特徴ベクトルとを対応づけて保存する画像特徴ベクトル保存ステップと、
前記画像特徴ベクトル保存ステップにて保存されたラベル付与された画像特徴ベクトルを学習データとして機械学習を適用し、各ラベルについての識別器を出力する機械学習ステップと、
前記各ラベルについての識別器を蓄積する識別器蓄積ステップと、
前記投票判定ステップにおける認識結果として求められたラベルの各々に対応する識別器を前記識別器蓄積ステップの結果から読み出して、前記対象画像に対して前記ベクトル量子化ステップにより求められた画像特徴ベクトルを入力することで所定基準を満たすラベルを求め、当該求まったラベルを前記対象画像が何を表すかの認識結果とし、当該所定基準を満たすラベルが求まらない場合には前記対象画像が何を表すかの認識結果を該当無しとする識別ステップとを含むことを特徴とする画像認識方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011262535A JP5823270B2 (ja) | 2011-11-30 | 2011-11-30 | 画像認識装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011262535A JP5823270B2 (ja) | 2011-11-30 | 2011-11-30 | 画像認識装置及び方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013114596A JP2013114596A (ja) | 2013-06-10 |
JP5823270B2 true JP5823270B2 (ja) | 2015-11-25 |
Family
ID=48710059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011262535A Active JP5823270B2 (ja) | 2011-11-30 | 2011-11-30 | 画像認識装置及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5823270B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10133959B2 (en) | 2015-10-15 | 2018-11-20 | University Of Seoul Industry Cooperation Foundation | Machine vision system using quantum mechanical hardware based on trapped ion spin-phonon chains and arithmetic operation method thereof |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101490027B1 (ko) * | 2013-06-11 | 2015-02-06 | 한양대학교 에리카산학협력단 | 영상 처리 방법 및 장치 |
KR101694309B1 (ko) * | 2013-10-02 | 2017-01-09 | 한국전자통신연구원 | 서브영역 기반의 객체 인식 방법 및 그 장치 |
JP6351240B2 (ja) | 2013-11-20 | 2018-07-04 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
JP6149710B2 (ja) * | 2013-11-27 | 2017-06-21 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
JP2015204561A (ja) | 2014-04-15 | 2015-11-16 | 株式会社デンソー | 情報提示システム、及び、提示装置 |
JP2016051277A (ja) * | 2014-08-29 | 2016-04-11 | 株式会社ニコン | 被写体検索装置、被写体検索方法、および被写体検索プログラム |
JP6325405B2 (ja) | 2014-09-22 | 2018-05-16 | 株式会社東芝 | 特徴点検出装置、方法及びプログラム |
JP6440303B2 (ja) * | 2014-12-02 | 2018-12-19 | エヌ・ティ・ティ・コムウェア株式会社 | 対象認識装置、対象認識方法、およびプログラム |
KR101556602B1 (ko) * | 2015-02-12 | 2015-10-01 | 연세대학교 산학협력단 | 도로의 젖은 영역 검출 장치 및 그 방법 |
JP6535605B2 (ja) * | 2016-01-13 | 2019-06-26 | 日本電信電話株式会社 | 物体領域選択方法、装置、及びプログラム |
WO2017163532A1 (ja) * | 2016-03-22 | 2017-09-28 | 日本電気株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP6977345B2 (ja) * | 2017-07-10 | 2021-12-08 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
JP6972757B2 (ja) * | 2017-08-10 | 2021-11-24 | 富士通株式会社 | 制御プログラム、制御方法、及び情報処理装置 |
JP6972756B2 (ja) * | 2017-08-10 | 2021-11-24 | 富士通株式会社 | 制御プログラム、制御方法、及び情報処理装置 |
US10643332B2 (en) * | 2018-03-29 | 2020-05-05 | Uveye Ltd. | Method of vehicle image comparison and system thereof |
US11030486B2 (en) | 2018-04-20 | 2021-06-08 | XNOR.ai, Inc. | Image classification through label progression |
JP7311310B2 (ja) * | 2018-10-18 | 2023-07-19 | 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 | 情報処理装置、情報処理方法及びプログラム |
JP7119910B2 (ja) * | 2018-10-30 | 2022-08-17 | 富士通株式会社 | 検出方法、検出プログラムおよび検出装置 |
JP7143263B2 (ja) * | 2019-09-05 | 2022-09-28 | Kddi株式会社 | 符号化パラメータを用いて対象識別位置を決定する対象識別方法、装置及びプログラム |
WO2021085258A1 (ja) * | 2019-10-31 | 2021-05-06 | キヤノン株式会社 | 画像処理装置、画像処理装置の制御方法、識別器の生成方法、識別方法、識別装置、識別器の生成装置、及び識別器 |
JP7363384B2 (ja) | 2019-11-05 | 2023-10-18 | 富士通株式会社 | 解析装置、解析プログラム及び解析方法 |
JP7363382B2 (ja) | 2019-11-05 | 2023-10-18 | 富士通株式会社 | 解析装置、解析プログラム及び解析方法 |
JP7382240B2 (ja) * | 2020-01-30 | 2023-11-16 | 富士フイルムヘルスケア株式会社 | 医用画像処理装置及び医用画像処理方法 |
CN111582409B (zh) * | 2020-06-29 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 图像标签分类网络的训练方法、图像标签分类方法及设备 |
CN111967493A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 图像审核方法、装置、电子设备和存储介质 |
CN112291574B (zh) * | 2020-09-17 | 2023-07-04 | 上海东方传媒技术有限公司 | 一种基于人工智能技术的大型体育赛事内容管理*** |
CN112270377B (zh) * | 2020-11-11 | 2024-03-15 | 北京百度网讯科技有限公司 | 目标图像提取方法、神经网络训练方法和装置 |
CN113361451B (zh) * | 2021-06-24 | 2024-04-30 | 福建万福信息技术有限公司 | 基于多级模型和预置点自动调节的生态环境目标识别方法 |
WO2024013893A1 (ja) * | 2022-07-13 | 2024-01-18 | 日本電信電話株式会社 | 物体検出装置、物体検出方法、及び物体検出プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4755632B2 (ja) * | 2007-08-15 | 2011-08-24 | ヤフー株式会社 | アイテム認識装置及びアイテム認識方法 |
JP2009212929A (ja) * | 2008-03-05 | 2009-09-17 | Fujifilm Corp | 画像トリミング範囲の評価方法、装置およびプログラム |
JP5353482B2 (ja) * | 2009-06-26 | 2013-11-27 | 株式会社日立情報通信エンジニアリング | パターン認識用辞書生成装置、パターン認識装置、及びパターン認識用辞書生成方法 |
JP5464739B2 (ja) * | 2010-01-22 | 2014-04-09 | Kddi株式会社 | 画像領域分割装置、画像領域分割方法および画像領域分割プログラム |
-
2011
- 2011-11-30 JP JP2011262535A patent/JP5823270B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10133959B2 (en) | 2015-10-15 | 2018-11-20 | University Of Seoul Industry Cooperation Foundation | Machine vision system using quantum mechanical hardware based on trapped ion spin-phonon chains and arithmetic operation method thereof |
Also Published As
Publication number | Publication date |
---|---|
JP2013114596A (ja) | 2013-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5823270B2 (ja) | 画像認識装置及び方法 | |
CN107679078B (zh) | 一种基于深度学习的卡口图像车辆快速检索方法及*** | |
JP5202148B2 (ja) | 画像処理装置、画像処理方法、及びコンピュータプログラム | |
CN110991465B (zh) | 一种物体识别方法、装置、计算设备及存储介质 | |
US9824294B2 (en) | Saliency information acquisition device and saliency information acquisition method | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
JP6992590B2 (ja) | 特徴表現装置、特徴表現方法、およびプログラム | |
US9025864B2 (en) | Image clustering using a personal clothing model | |
JP5567448B2 (ja) | 画像領域分割装置、画像領域分割方法および画像領域分割プログラム | |
US8861873B2 (en) | Image clustering a personal clothing model | |
US20130236081A1 (en) | Image classification apparatus and recording medium having program recorded therein | |
CN106203539B (zh) | 识别集装箱箱号的方法和装置 | |
JP3938872B2 (ja) | データ分類装置および物体認識装置 | |
JP6149710B2 (ja) | 画像処理装置及びプログラム | |
CN113361495A (zh) | 人脸图像相似度的计算方法、装置、设备及存储介质 | |
CN107622280B (zh) | 基于场景分类的模块化处方式图像显著性检测方法 | |
CN113112498B (zh) | 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
JP2012221061A (ja) | 画像認識装置、画像認識方法、及びプログラム | |
CN108647703B (zh) | 一种基于显著性的分类图像库的类型判断方法 | |
CN112926601A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
KR100924690B1 (ko) | 디지털 영상 특징 관리 시스템 및 그 방법 | |
Mata-Montero et al. | A texture and curvature bimodal leaf recognition model for identification of costa rican plant species | |
CN113963295A (zh) | 视频片段中地标识别方法、装置、设备及存储介质 | |
Suruliandi et al. | Local texture patterns-a univariate texture model for classification of images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140725 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150424 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150520 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150716 |
|
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: 20150930 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151007 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5823270 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |