JP7452149B2 - ブロックノイズ検出の為の学習装置及びコンピュータプログラム - Google Patents
ブロックノイズ検出の為の学習装置及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7452149B2 JP7452149B2 JP2020050353A JP2020050353A JP7452149B2 JP 7452149 B2 JP7452149 B2 JP 7452149B2 JP 2020050353 A JP2020050353 A JP 2020050353A JP 2020050353 A JP2020050353 A JP 2020050353A JP 7452149 B2 JP7452149 B2 JP 7452149B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- block noise
- pseudo
- noise
- 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
- 230000013016 learning Effects 0.000 title claims description 321
- 238000001514 detection method Methods 0.000 title claims description 24
- 238000004590 computer program Methods 0.000 title claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 61
- 238000012360 testing method Methods 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000002834 transmittance Methods 0.000 claims description 12
- 238000011867 re-evaluation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 239000004973 liquid crystal related substance Substances 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Description
現在位置検出部31は、GPS41、車速センサ42、ステアリングセンサ43、ジャイロセンサ44等からなり、現在の車両の位置、方位、車両の走行速度、現在時刻等を検出することが可能となっている。ここで、特に車速センサ42は、車両の移動距離や車速を検出する為のセンサであり、車両の駆動輪の回転に応じてパルスを発生させ、パルス信号をナビゲーションECU33に出力する。そして、ナビゲーションECU33は発生するパルスを計数することにより駆動輪の回転速度や移動距離を算出する。尚、上記4種類のセンサをナビゲーション装置3が全て備える必要はなく、これらの内の1又は複数種類のセンサのみをナビゲーション装置3が備える構成としても良い。
(1)周波数をランダムに取得し、sin波とcos波の合成波を生成する。
(2)画像の縦方向に対してブロックサイズ単位のステップで合成波からサンプリング値をサンプリングする。
(3)画像の横方向に対しても上記(1)及び(2)の処理を行う。
(4)縦方向と横方向に夫々サンプリングされたサンプリング値について、閾値を基準に白(255)と黒(0)のいずれかに区分する。黒に設定された領域がノイズ領域となる。
例えば、上記実施形態では、学習モデルの学習結果を評価する手段として再現率(Recall)と適合率(Precision)を用いているが、他の評価手段によって学習結果を評価するようにしても良い。
ブロックノイズの生じていない学習用正常画像(25)を取得する正常画像取得手段(21)と、ブロック形状の所定エリアを疑似的にノイズ領域に設定したブロックノイズの画像である疑似ブロックノイズ画像(61)を生成する疑似ブロックノイズ画像生成手段(21)と、前記学習用正常画像に対して前記疑似ブロックノイズ画像を重畳して合成することによって、前記学習用正常画像に対して擬似的にブロックノイズを生じさせた疑似異常画像(62)を、ブロックノイズを検出する為の学習モデルの学習に用いる教師データとして生成する教師データ生成手段(21)と、を有する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、正常画像に対して疑似的にブロックノイズを生じさせた画像を生成して教師データとして用い、ブロックノイズを検出する為の学習を行うので、従来と比べて教師データの取得が容易となる。その結果、画像表示装置に表示する画像の品質を向上させるという点において広く適用可能な学習モデルを構築することが可能となる。
前記疑似ブロックノイズ画像生成手段(21)は、ノイズ領域とするブロック形状のサイズ、位置、ノイズ領域の色及び透過率を夫々設定して前記疑似ブロックノイズ画像(61)を生成する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、擬似的にブロックノイズを生じさせた疑似異常画像を生成する場合であっても、実際にブロックノイズが生じている異常画像を再現して教師データとして用いることが可能となる。
前記疑似ブロックノイズ画像生成手段(21)は、ノイズ領域とするブロック形状のサイズ、位置、ノイズ領域の色及び透過率の少なくとも一をパラメータとしてランダムに変化させて複数の前記疑似ブロックノイズ画像(61)を生成し、前記教師データ生成手段(21)は、複数の前記疑似ブロックノイズ画像(61)を前記学習用正常画像(25)に対して重畳して合成した複数の前記疑似異常画像(62)を生成し、複数の前記疑似異常画像を教師データとして用いて前記学習モデルの学習を行う。
上記構成を有するブロックノイズ検出の為の学習装置によれば、擬似的にブロックノイズを生じさせた疑似異常画像を生成する場合に、パラメータをランダムに変えて様々なブロックノイズのパターンに基づく複数の疑似異常画像を生成し、生成した複数の疑似異常画像を教師データとして用いることによって、実際に生じ得る多様なブロックノイズを想定した高い学習効果について期待できる。
教師データとして用いる前記疑似異常画像(62)を変えて前記学習モデルの学習を複数回行い、複数回の学習毎に前記学習モデルの学習結果を評価する学習結果評価手段(21)と、最も評価の高い学習結果を示した前記学習モデルを採用する学習モデル採用手段(21)と、を有する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、教師データとする疑似異常画像を変化させて複数回の学習を行わせるとともに、最も評価の高い学習後の学習モデルを採用するので、仮に擬似的にブロックノイズを生じさせた疑似異常画像に実際には存在し得ない不自然な異常画像が含まれていたとしても、それらを教師データとして学習した学習モデルについては排除でき、より実際の異常画像に近い疑似異常画像を教師データとして学習した学習モデルを採用することが可能となる。
前記学習結果評価手段(21)は、複数回の学習毎に学習された学習モデルを用いて、ブロックノイズが生じているテスト用異常画像を含む第1のテスト用画像(26)に対してブロックノイズが生じているエリアの予測判断を行わせ、ブロックノイズが生じていると予測されたエリアと実際にブロックノイズが生じているエリアとの一致の度合いを評価する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、ブロックノイズが生じているエリアの予測判断によって学習結果の評価を行うので、ブロックノイズを検出する為の学習評価の高い学習モデルを採用することが可能となる。
前記学習モデル採用手段(21)により採用された前記学習モデルを用いて、ブロックノイズの生じていないテスト用正常画像とブロックノイズが生じているテスト用異常画像とを含む第2のテスト用画像(27)群に対してブロックノイズが生じているエリアの予測を行わせるエリア予測手段(21)と、前記エリア予測手段によりブロックノイズが生じていると予測されたエリアの面積分布を、前記テスト用正常画像と前記テスト用異常画像とに分けて生成する面積分布生成手段(21)と、前記面積分布に基づいて前記学習モデル採用手段により採用された前記学習モデルを再評価する学習モデル再評価手段(21)と、を有する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、ブロックノイズの生じていないテスト用正常画像とブロックノイズが生じているテスト用異常画像に対して夫々ブロックノイズが生じているエリアの予測判断を行い、ブロックノイズが生じていると予測されたエリアの面積分布に基づいて学習結果の評価を行うので、ブロックノイズの生じていない正常画像を正常画像と検出し、ブロックノイズの生じている異常画像を異常画像と検出することを評価対象とした学習モデルの評価が可能となる。
前記学習モデル再評価手段(21)は、再現率と適合率が予め設定された目標値に到達したか否かによって評価を行い、再現率と適合率が目標値に到達していない場合には、再度、学習モデルの学習を行う再学習手段(21)を有する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、特に再現率と適合率が予め設定された目標値に到達した学習モデルを採用可能となる一方で、再現率と適合率が予め設定された目標値に到達しない学習モデルについては再学習を行うことによって、再現率と適合率を向上させることが可能となる。
前記再学習手段(21)は、前記第2のテスト用画像(27)群に含まれるテスト用正常画像の内、前記学習モデルによってブロックノイズのエリアの予測が正しくできなかったテスト用正常画像を前記学習用正常画像(25)に追加し、再度、学習モデルの学習を行う。
上記構成を有するブロックノイズ検出の為の学習装置によれば、再現率と適合率が予め設定された目標値に到達しない学習モデルについては、ブロックノイズのエリアの予測が正しくできなかったテスト用正常画像を学習対象に追加して再学習を行うことによって、再現率と適合率を向上させることが可能となる。
画像表示装置(35)に表示する為の画像データを生成する画像データ生成手段(51)と、前記画像データ生成手段により生成された前記画像データに基づく画像の表示を行う前に、前記画像データに対して前記教師データに基づいて学習された学習モデルを用いてブロックノイズの検出を行うブロックノイズ検出手段(51)と、前記ブロックノイズ検出手段によって前記ブロックノイズが生じると検出された画像データに対してブロックノイズを低減させるための処理を行うブロックノイズ低減手段(51)と、を有する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、学習された学習モデルを用いることによって、画像表示装置に表示する前の画像データに対して予めブロックノイズを生じさせる画像データか否かを検出することが可能となる。そして、ブロックノイズが生じると検出された画像データに対してブロックノイズを低減させるための処理を行うことによって、ブロックノイズが生じた画像が画像表示装置に表示されることを防止できる。
前記ブロックノイズ検出手段(51)は、前記画像データにおいてブロックノイズが生じるエリアを予測するとともに、ブロックノイズが生じると予測されたエリアの面積値が閾値以上の場合に、前記画像データに前記ブロックノイズが生じると検出する。
上記構成を有するブロックノイズ検出の為の学習装置によれば、学習された学習モデルを用いて画像表示装置に表示する前の画像データに対してブロックノイズが生じるエリアを予測することによって、画像表示装置に表示する前の画像データがブロックノイズを生じさせる画像データか否かを正確に検出することが可能となる。
2 学習システム
3 ナビゲーション装置
12 教師画像DB
21 CPU
22 RAM
23 ROM
25 学習用画像
26 一次テスト用画像
27 二次テスト用画像
33 ナビゲーションECU
35 液晶ディスプレイ
51 CPU
55 GPU
61 疑似ブロックノイズ画像
62 疑似異常画像
Claims (10)
- ブロックノイズの生じていない学習用正常画像を取得する正常画像取得手段と、
ブロック形状の所定エリアを疑似的にノイズ領域に設定したブロックノイズの画像である疑似ブロックノイズ画像を生成する疑似ブロックノイズ画像生成手段と、
前記学習用正常画像に対して前記疑似ブロックノイズ画像を重畳して合成することによって、前記学習用正常画像に対して擬似的にブロックノイズを生じさせた疑似異常画像を、ブロックノイズを検出する為の学習モデルの学習に用いる教師データとして生成する教師データ生成手段と、を有し、
前記疑似ブロックノイズ画像生成手段は、ノイズ領域とするブロック形状のサイズ、位置、ノイズ領域の色及び透過率を夫々設定して前記疑似ブロックノイズ画像を生成する学習装置。 - 前記疑似ブロックノイズ画像生成手段は、ノイズ領域とするブロック形状のサイズ、位置、ノイズ領域の色及び透過率の少なくとも一をパラメータとしてランダムに変化させて複数の前記疑似ブロックノイズ画像を生成し、
前記教師データ生成手段は、複数の前記疑似ブロックノイズ画像を前記学習用正常画像に対して重畳して合成した複数の前記疑似異常画像を生成し、
複数の前記疑似異常画像を教師データとして用いて前記学習モデルの学習を行う請求項1に記載の学習装置。 - 教師データとして用いる前記疑似異常画像を変えて前記学習モデルの学習を複数回行い、
複数回の学習毎に前記学習モデルの学習結果を評価する学習結果評価手段と、
最も評価の高い学習結果を示した前記学習モデルを採用する学習モデル採用手段と、を有する請求項1又は請求項2に記載の学習装置。 - 前記学習結果評価手段は、
複数回の学習毎に学習された学習モデルを用いて、ブロックノイズが生じているテ
スト用異常画像を含む第1のテスト用画像に対してブロックノイズが生じているエリアの予測判断を行わせ、
ブロックノイズが生じていると予測されたエリアと実際にブロックノイズが生じているエリアとの一致の度合いを評価する請求項3に記載の学習装置。 - 前記学習モデル採用手段により採用された前記学習モデルを用いて、ブロックノイズの生じていないテスト用正常画像とブロックノイズが生じているテスト用異常画像とを含む第2のテスト用画像群に対してブロックノイズが生じているエリアの予測を行わせるエリア予測手段と、
前記エリア予測手段によりブロックノイズが生じていると予測されたエリアの面積分布を、前記テスト用正常画像と前記テスト用異常画像とに分けて生成する面積分布生成手段と、
前記面積分布に基づいて前記学習モデル採用手段により採用された前記学習モデルを再評価する学習モデル再評価手段と、を有する請求項3又は請求項4に記載の学習装置。 - 前記学習モデル再評価手段は、再現率と適合率が予め設定された目標値に到達したか否かによって評価を行い、
再現率と適合率が目標値に到達していない場合には、再度、学習モデルの学習を行う再学習手段を有する請求項5に記載の学習装置。 - 前記再学習手段は、前記第2のテスト用画像群に含まれるテスト用正常画像の内、前記学習モデルによってブロックノイズのエリアの予測が正しくできなかったテスト用正常画像を前記学習用正常画像に追加し、再度、学習モデルの学習を行う請求項6に記載の学習装置。
- 画像表示装置に表示する為の画像データを生成する画像データ生成手段と、
前記画像データ生成手段により生成された前記画像データに基づく画像の表示を行う前に、前記画像データに対して前記教師データに基づいて学習された学習モデルを用いてブロックノイズの検出を行うブロックノイズ検出手段と、
前記ブロックノイズ検出手段によって前記ブロックノイズが生じると検出された画像データに対してブロックノイズを低減させるための処理を行うブロックノイズ低減手段と、を有する請求項1乃至請求項7のいずれかに記載の学習装置。 - 前記ブロックノイズ検出手段は、前記画像データにおいてブロックノイズが生じるエリアを予測するとともに、ブロックノイズが生じると予測されたエリアの面積値が閾値以上の場合に、前記画像データに前記ブロックノイズが生じると検出する請求項8に記載の学習装置。
- コンピュータを、
ブロックノイズの生じていない学習用正常画像を取得する正常画像取得手段と、
ブロック形状の所定エリアを疑似的にノイズ領域に設定したブロックノイズの画像である疑似ブロックノイズ画像を生成する疑似ブロックノイズ画像生成手段と、
前記学習用正常画像に対して前記疑似ブロックノイズ画像を重畳して合成することによって、前記学習用正常画像に対して擬似的にブロックノイズを生じさせた疑似異常画像を、ブロックノイズを検出する為の学習モデルの学習に用いる教師データとして生成する教師データ生成手段と、
して機能させる為のコンピュータプログラムであって、
前記疑似ブロックノイズ画像生成手段は、ノイズ領域とするブロック形状のサイズ、位置、ノイズ領域の色及び透過率を夫々設定して前記疑似ブロックノイズ画像を生成するコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020050353A JP7452149B2 (ja) | 2020-03-20 | 2020-03-20 | ブロックノイズ検出の為の学習装置及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020050353A JP7452149B2 (ja) | 2020-03-20 | 2020-03-20 | ブロックノイズ検出の為の学習装置及びコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021149719A JP2021149719A (ja) | 2021-09-27 |
JP7452149B2 true JP7452149B2 (ja) | 2024-03-19 |
Family
ID=77849137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020050353A Active JP7452149B2 (ja) | 2020-03-20 | 2020-03-20 | ブロックノイズ検出の為の学習装置及びコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7452149B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7339394B1 (ja) | 2022-05-20 | 2023-09-05 | 株式会社日立ハイテクフィールディング | 情報処理装置、情報処理方法、およびプロブラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010009518A (ja) | 2008-06-30 | 2010-01-14 | Canon Inc | パターン検出器の学習装置、学習方法及びプログラム |
JP2010152751A (ja) | 2008-12-25 | 2010-07-08 | Nec Corp | 統計モデル学習装置、統計モデル学習方法、およびプログラム |
JP2011217010A (ja) | 2010-03-31 | 2011-10-27 | Sony Corp | 係数学習装置および方法、画像処理装置および方法、プログラム、並びに記録媒体 |
JP2014135014A (ja) | 2013-01-11 | 2014-07-24 | Fuji Xerox Co Ltd | 画像識別装置及びプログラム |
JP2016057918A (ja) | 2014-09-10 | 2016-04-21 | 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 |
WO2018105195A1 (ja) | 2016-12-07 | 2018-06-14 | 三菱電機株式会社 | 映像障害検知装置、映像障害検知方法、及びプログラム |
-
2020
- 2020-03-20 JP JP2020050353A patent/JP7452149B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010009518A (ja) | 2008-06-30 | 2010-01-14 | Canon Inc | パターン検出器の学習装置、学習方法及びプログラム |
JP2010152751A (ja) | 2008-12-25 | 2010-07-08 | Nec Corp | 統計モデル学習装置、統計モデル学習方法、およびプログラム |
JP2011217010A (ja) | 2010-03-31 | 2011-10-27 | Sony Corp | 係数学習装置および方法、画像処理装置および方法、プログラム、並びに記録媒体 |
JP2014135014A (ja) | 2013-01-11 | 2014-07-24 | Fuji Xerox Co Ltd | 画像識別装置及びプログラム |
JP2016057918A (ja) | 2014-09-10 | 2016-04-21 | 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 |
WO2018105195A1 (ja) | 2016-12-07 | 2018-06-14 | 三菱電機株式会社 | 映像障害検知装置、映像障害検知方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021149719A (ja) | 2021-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Lane changing intention recognition based on speech recognition models | |
CN110458165B (zh) | 一种引入注意力机制的自然场景文本检测方法 | |
JP5911165B2 (ja) | 画像認識装置 | |
JP2022526513A (ja) | ビデオフレームの情報ラベリング方法、装置、機器及びコンピュータプログラム | |
JP5509712B2 (ja) | 運転支援システム、運転支援装置、運転支援方法、及び運転支援プログラム | |
KR20190128724A (ko) | 타겟 인식 방법, 장치, 저장 매체 및 전자 기기 | |
Roy et al. | Multi-modality sensing and data fusion for multi-vehicle detection | |
US12005922B2 (en) | Toward simulation of driver behavior in driving automation | |
US11330384B2 (en) | Artificial intelligence device for diagnosing failure and method thereof | |
US11587314B2 (en) | Intelligent correction of vision deficiency | |
CN111044045A (zh) | 基于神经网络的导航方法、装置及终端设备 | |
CN105607288A (zh) | 基于声波探测辅助的智能眼镜全方位车辆零部件完整性检测方法 | |
JP7452149B2 (ja) | ブロックノイズ検出の為の学習装置及びコンピュータプログラム | |
WO2021130888A1 (ja) | 学習装置、推定装置および学習方法 | |
CN111323033A (zh) | 路径引导装置及其控制方法、信息处理服务器、以及路径引导*** | |
CN115205335A (zh) | 行人轨迹预测方法、装置和电子设备 | |
Lee et al. | Linking the detection response task and the attend algorithm through assessment of human–machine interface workload | |
CN107992873A (zh) | 目标检测方法及装置、存储介质、电子设备 | |
KR102014288B1 (ko) | 드론을 이용한 인공지능 기반 개발압력 예측방법 | |
WO2005098760A1 (ja) | 描画方法、描画プログラム、および描画装置 | |
JP6681965B2 (ja) | 自律走行のための学習対象イメージ抽出装置及び方法 | |
EP3691297A1 (en) | Test arrangement and test method | |
CN115830638A (zh) | 基于注意力机制的小尺寸人头检测方法及相关设备 | |
US20240083441A1 (en) | Driving evaluation system, learning device, evaluation result output device, method, and program | |
Castorena et al. | A safety-oriented framework for sound event detection in driving scenarios |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20210423 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230907 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231017 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231121 |
|
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: 20240206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240219 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7452149 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |