CN104102898A - 识别器更新装置、信息处理装置及识别器更新方法 - Google Patents
识别器更新装置、信息处理装置及识别器更新方法 Download PDFInfo
- Publication number
- CN104102898A CN104102898A CN201410109857.7A CN201410109857A CN104102898A CN 104102898 A CN104102898 A CN 104102898A CN 201410109857 A CN201410109857 A CN 201410109857A CN 104102898 A CN104102898 A CN 104102898A
- Authority
- CN
- China
- Prior art keywords
- recognizer
- mentioned
- characteristic quantity
- view data
- weak
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种提高识别器对特定识别对象物的识别精度的识别器更新装置、识别器更新方法及信息处理装置。特征量更新部(23)基于由图像获取部(21)获取的包含特定种类的对象物的对象物图像数据,来更新识别器的规定判断基准的基准值。
Description
技术领域
本发明涉及用于更新对图像中的识别对象物进行识别的识别器的识别器更新装置、信息处理装置及识别器更新方法。
背景技术
以往,开发出了对图像中包含的狗、猫等宠物及人脸这样的识别对象物进行识别的识别器。这样的识别器将图像中的区域作为搜索区域,提取搜索区域内的显示物所具有的特征,在显示物的特征与识别对象物的特征相一致或相似的情况下,识别为在该搜索区域内存在识别对象物。在图13A及图13B示意性示出了图像中的搜索区域RX、RX’。在图13A及图13B中,搜索区域RX重叠在狗脸上。此时,将狗脸作为识别对象物的识别器识别为在搜索区域RX中存在狗脸。另一方面,在图13A部分中,搜索区域RX’与狗脸分离。此时,识别器识别为在搜索区域RX’中不存在狗脸。
另外,在专利文献1中,记载有通过更新由多个识别器构成的识别器组的构成来提高对特定的样品图像的识别精度的装置。更详细地,上述装置通过从多个识别器中选择对样品图像的识别精度高的几个识别器并组合,来作成新的识别器组。此外,在专利文献2至专利文献7中,也公开了更新识别器的构成的技术。
现有技术文献
专利文献
专利文献1:日本特开2005-115525号公报(2005年4月28日公开)
专利文献2:日本特开2008-204103号公报(2008年9月4日公开)
专利文献3:日本特开2009-64162号公报(2009年3月26日公开)
专利文献4:日本特开2010-9517号公报(2010年1月14日公开)
专利文献5:日本特开2010-61415号公报(2010年3月18日公开)
专利文献6:日本特开2010-170199号公报(2010年8月5日公开)
专利文献7:日本特开2011-138387号公报(2011年7月14日公开)
然而,存在如下情况,即,成为由如上所述识别器所识别的对象的各个识别对象物具有分别不同的特征。例如,狗脸根据狗的种类具有相互不同的鼻长、模样、颜色等的特征。在这样的情况下,产生识别器不能准确地识别出或难以识别出特定识别对象物这样的问题。例如,就将狗脸作为识别对象物的识别器而言,可能存在如下问题,即,该识别器能够准确地识别出鼻子短的狗脸(参照图13A的图像),但不能准确地识别出鼻子长的狗脸(参照图13B的图像)。
另外,专利文献1所述的装置通过组合多个识别器来构成新的识别器组,由此提高对样品图像的识别精度。但是,构成该识别器组的多个识别器是通过不利用样品图像的学习来作成的。因此,存在各个识别器对样品图像的识别精度低的情况。此时,由这些识别器构成的识别器组不能足够地提高对样品图像的识别精度。在其他的专利文献2至专利文献7中,也未记载有能够足够地提高特定识别对象物的识别精度的技术。
发明内容
本发明鉴于上述问题而做出的,其目的在于,提供一种提高了识别器对特定识别对象物的识别精度的识别器更新装置等。
为了解决上述问题,本发明的识别器更新装置,基于与从图像数据中提取出的规定特征量相关的值,来更新识别器,该识别器根据规定判断基准来识别有无该图像数据所包含的特定种类的对象物,其特征在于,该识别器更新装置包括:图像获取部,其获取包含上述特定种类的对象物的对象物图像数据;特征量更新部,其基于由上述图像获取部所获取的上述对象物图像数据,来更新上述识别器的上述规定判断基准的基准值。
另外,为了解决上述问题,本发明的识别器更新方法,基于与从图像数据中提取出的规定特征量相关的值,来更新识别器,该识别器根据规定判断基准来识别有无该图像数据所包含的特定种类的对象物,其特征在于,该识别器更新方法包括以下步骤:图像获取步骤,获取包含上述特定种类的对象物的对象物图像数据;特征量更新步骤,基于上述对象物图像数据,来更新上述识别器的上述规定判断基准的基准值。
根据上述结构,基于包含特定种类的对象物的图像数据即对象物图像数据,来更新识别器所具备的规定判断基准的基准值。即,识别器所具备的规定判断基准的基准值是根据由图像获取部获取的对象物图像数据来变更的。具体而言,以使识别器高精度地识别出新获取的对象物图像数据的方式,更新规定判断基准的基准值。
能够通过用户将包含某一对象物的对象物图像数据输入至具有本结构的识别器更新装置,来提高识别器对该对象物的识别精度。
另外,本发明的识别器更新装置可以如下构成,即,上述特征量更新部更新上述识别器的上述规定特征量的基准值,作为上述规定判断基准的基准值。
根据上述结构,基于由图像获取部获取的对象物图像数据,来更新规定特征量的基准值。例如,以使规定特征量的基准值成为与从所获取的对象物图像数据中提取的特征量更接近的值的方式进行更新。由此,识别器能够更加容易地识别出包含在所获取的对象物图像数据中的对象物。换言之,能够提高识别器的对该对象物的识别精度。
另外,本发明的识别器更新装置可以如下构成,即,该识别器更新装置还具有学习处理部,该学习处理部通过学习上述对象物图像数据,来计算上述规定特征量的基准值作为更新用基准值;上述特征量更新部基于由上述学习处理部计算出的上述更新用基准值,来更新上述识别器的上述规定特征量的基准值。
根据上述结构,利用对象物图像数据进行学习,由此来计算出用于识别对象物图像数据的特征量的基准值即更新用基准值。其后,基于更新用基准值,来更新识别器所具备的规定特征量的基准值。例如,将识别器所具有的规定特征量的基准值更新为更新用基准值。由此,识别器能够更容易地识别出在学习中使用的对象物图像数据所包含的对象物。换言之,能够提高识别器对该对象物的识别精度。
另外,本发明的识别器更新装置可以如下构成,即,上述规定特征量是应参照上述图像数据中的亮度信息的像素位置即参照位置以及该参照位置上的亮度信息中的至少一项。
根据上述结构,识别器基于作为像素位置的参照位置及该参照位置上的亮度信息中的某一项,来识别对象物图像数据所包含的对象物。因此,能够根据参照位置及亮度信息这样的图像数据一般所具备的特征量,来识别出对象物。在此,参照位置可以是由两点构成的一对位置,也可以是多对位置。另外,亮度信息可以是成对的参照位置彼此之间的亮度差或亮度的大小关系。
另外,本发明的识别器更新装置可以如下构成,即,上述识别器由多个弱识别器构成;并且该识别器更新装置还具有识别结果获取部,该识别结果获取部获取上述各弱识别器对由上述图像获取部获取的上述对象物图像数据的识别结果;上述特征量更新部仅针对识别为上述对象物图像数据不包含上述特定种类的对象物的弱识别器,更新该弱识别器的上述规定判断基准的基准值。
根据上述结构,在多个弱识别器分别具有的规定判断基准的基准值中,更新未能准确地识别出由图像获取部获取的特定对象物图像数据所包含的对象物的弱识别器的基准值。因此,这些弱识别器能够容易地准确识别出特定对象物图像数据所包含的对象物。另一方面,不更新准确地识别出了对象物图像数据所包含的对象物的弱识别器的基准值。因此,由于这些弱识别器的基准值保持了原样,因而能够高精度地识别出特定对象物图像数据以外的对象物图像数据所包含的对象物。因此,由具有上述性质的弱识别器构成的识别器能够高精度地识别出由图像获取部获取的特定对象物图像数据所包含的对象物的同时,还能够高精度地识别出其他对象物图像数据所包含的对象物。
另外,本发明的识别器更新装置可以如下构成,即,上述规定判断基准是指,与从上述对象物图像数据中提取出的规定特征量相关的值和上述识别器的上述规定特征量的基准值之间的差是否超过规定阈值,上述对象物图像数据是利用上述图像获取部所获取的;上述特征量更新部更新作为上述规定判断基准的基准值的上述规定阈值。
根据上述结构,基于由图像获取部获取的对象物图像数据,来更新作为规定判断基准的基准值的规定阈值。具体而言,更新规定阈值以使与规定特征量相关的值在该规定阈值以下,规定特征量是从图像获取部所获取的对象物图像数据所包含的对象物中提取的。由此,识别器能够更准确地识别出由图像获取部获取的对象物图像数据所包含的对象物。
另外,本发明的识别器更新装置可以如下构成,即,上述识别器具有多个上述规定特征量的基准值的图案;并且该识别器更新装置还具有分数获取部,该分数获取部获取上述识别器的每个上述图案对由上述图像获取部获取的上述对象物图像数据进行识别的识别结果的分数;上述特征量更新部以使由上述分数获取部获取的分数最高的图案成为上述识别器的上述规定特征量的基准值的方式进行更新。
根据上述结构,首先,利用识别器所具备的每个图案,获取表示在由图像获取部获取的对象物图像数据中包含特定种类的对象物的确切程度的分数。并且,分数最高的图案成为识别器的规定特征量的基准值。由此,识别器能够更加准确地识别(即,识别为包含特定种类的对象物)由图像获取部获取的对象物图像数据。
本发明的各技术方案的识别器更新装置可以由计算机来实现,在该情况下,通过使计算机执行上述识别器更新装置所具备的各单元的动作,由此以计算机的方式实现上述识别器更新装置的识别器更新装置制御程序也包含在本发明的范围内。
进而,具有上述的任何识别器更新装置和上述识别器的信息处理装置也包含在本发明的范围内。
本发明发挥如下效果。能够通过用户将包含某一对象物的对象物图像数据输入至具有本结构的识别器更新装置,来提高识别器对该对象物的识别精度。另外,不仅能够高精度地识别出由图像获取部获取的特定对象物图像数据所包含的对象物的同时,还能够高精度地识别出其他对象物图像数据所包含的对象物。
附图说明
图1是示出了本发明的一个实施方式的信息处理装置的结构的框图。
图2A、图2B是示出了包含在图1所示的信息处理装置中的弱识别器所具有的特征量中包含的参照位置及亮度信息的例子的图。
图3是示出了由图1所示的信息处理装置的识别器更新部所执行的通用识别器更新处理的流程的流程图。
图4是示出了本发明的另一实施方式的信息处理装置的结构的框图。
图5是示出了由图4所示的信息处理装置的识别器更新部所执行的通用识别器更新处理的流程的流程图。
图6是示出了本发明的又一实施方式的信息处理装置的结构的框图。
图7是示出了由图6所示的信息处理装置的识别器更新部所执行的通用识别器更新处理的流程的流程图。
图8是示出了本发明的再一实施方式的信息处理装置的结构的框图。
图9是示出了图8所示的信息处理装置所包含的图案生成部的结构的框图。
图10是示出了图8所示的信息处理装置所包含的弱识别器的图案的一个例子的图。
图11是示出了由图9所示的图案生成部所执行的通用识别器更新处理的流程的流程图。
图12是示出了由图8所示的信息处理装置的识别器更新部所执行的通用识别器更新处理的流程的流程图。
图13A、图13B是示意性示出了由一般的识别器设定到图像中的搜索区域的图。
附图标记的说明
1、2、3、4 信息处理装置
20、220、320、420 识别器更新部(识别器更新装置)
21 图像获取部
22 登录图像学习部(学习处理部)
23、23’、27 弱识别器置换部,图案选择部(特征量更新部)
24 识别结果获取部
26 分数获取部
具体实施方式
〔第一实施方式〕
下面,利用图1至图3,详细说明本发明的一个实施方式。
[信息处理装置1的结构]
首先,利用图1,说明本实施方式的信息处理装置1的结构。图1是示出了信息处理装置1的结构的框图。如图1所示,信息处理装置1包括通用识别器10及识别器更新部(识别器更新装置)20。
通用识别器10从图像中识别出作为识别对象物的“猫脸”。如图1所示,通用识别器10由具有多层结构的N个(N是正整数)弱识别器11的组构成。识别器更新部20更新构成通用识别器10的弱识别器11,以使通用识别器10准确地识别出由用户所指定的猫(下面,称为特定猫)脸。下面,依次详细说明通用识别器10及识别器更新部20。
[通用识别器10的说明]
[a.弱识别器11]
弱识别器11具有固有特征量,该固有特征量是通过利用包含有识别对象物即猫脸的图像(下面,称为通用图像)和不包含识别对象物的图像(下面,称为其他图像)进行学习来获取的。在此,例如在专利文献1中记载有通过利用图像进行学习来作成具有固有特征量的弱识别器的方法。
弱识别器11所具有的特征量包括:由搜索区域中的两点成对(pair)的参照位置;与一对参照位置建立了对应关系的亮度信息;以及分数(score)的阈值(下面,称为分数阈值),表示在该搜索区域中识别对象物存在的确切程度。在此,亮度信息是指,在搜索区域内存在识别对象物的情况下,预期在成对的两点参照位置之间所呈现的亮度差。另外,分数是表示成对的两点参照位置上的亮度差和上述亮度信息之间的相似度。弱识别器11对搜索区域的分数进行评价,在分数超过分数阈值的情况下,识别为在搜索区域内存在识别对象物,另一方面,在分数在分数阈值以下的情况下,识别为在搜索区域内不存在识别对象物。
在图2A及图2B作为例子示出了某一个弱识别器11所包含的三对参照位置FX1~FX3、FX4~FX6和与各对参照位置相对应的三个亮度信息FY1~FY3、FY4~FY6。如图2A及图2B所示,在某一个弱识别器11的特征量中,可以包含多对参照位置和与各对参照位置建立了对应关系的多个亮度信息。其中,在特征量包含多对参照位置及多个亮度信息的情况下,利用各对参照位置上的亮度差和与各对参照位置相对应的亮度信息来计算出各分数,并累计各分数作为搜索区域的分数。
另外,在弱识别器11上预先设定有识别精度参数,该识别精度参数表示识别搜索区域中是否包含识别对象物的精度的高低。弱识别器11的识别精度参数越高,则该弱识别器11识别识别对象物的识别精度就越高。识别精度参数较高的弱识别器11一般具有较多的参照位置及亮度信息。因此,具有高的识别精度参数的弱识别器11进行识别处理所需的时间较长。
[b.通用识别器10的识别流程]
当从信息处理装置1的外部或图像数据的存储部(未图示)向通用识别器10输入了图像,则通用识别器10首先在图像内设定规定大小的搜索区域。然后,通用识别器10一边使搜索区域在图像内一点一点地移动,一边如下面说明的那样识别在搜索区域内是否存在识别对象物。
首先由第一阶层的弱识别器11接收由识别器更新部22输入至通用识别器10的图像。接收到图像的弱识别器11识别搜索区域的分数是否超过阈值。在搜索区域的分数超过阈值的情况下,搜索区域通过第一阶层的弱识别器11并被输入至第二阶层的弱识别器11。第一阶层的弱识别器11以后的阶层的弱识别器11分别识别通过之前阶层的弱识别器11后输入来的搜索区域的分数是否超过阈值。在某一个阶层的弱识别器11识别出搜索区域的分数在阈值以下的情况下,使搜索区域在图像内进行移动之后,返回至由第一阶层的弱识别器11识别搜索区域的分数是否超过阈值的步骤。另一方面,在搜索区域通过了所有的弱识别器11的情况下,通用识别器10识别为在搜索区域内存在识别对象物。
在上述的说明中,通用识别器10利用某一大小的搜索区域对整个图像只进行了一次识别。然而,实际上,通用识别器10在每次利用某一大小的搜索区域完成对整个图像的识别之后,都变更搜索区域的大小,反复进行对整个图像的识别。
在此,优选地,在通用识别器10中,越是浅的阶层的弱识别器11(在图1中编号小的弱识别器11)则对其设定的识别精度参数就越低,越是深的阶层的弱识别器11(在图1中编号大的弱识别器11)则对其设定的识别精度参数就越高。例如,在构成通用识别器11的弱识别器11的个数N是10的情况下,对第一阶层及第二阶层的弱识别器11分别设定如具有10个及30个参照位置对及亮度信息那样的识别精度参数,对第十阶层的弱识别器11设定如具有140个参照位置对及亮度信息的识别精度参数。对第三阶层至第九阶层的弱识别器11设定第二阶层的弱识别器11的识别精度参数和第十阶层的弱识别器11的识别精度参数之间的识别精度参数。
在该结构中,设定有低的识别精度参数的浅阶层的弱识别器11在短的处理在线间内去掉(不让通过)明确地不包含识别对象物的搜索区域(例如,图13A部分所示的搜索区域RX’)。其后,设定有高的识别精度参数的深阶层的弱识别器11准确地识别在通过了浅阶层的弱识别器11的搜索区域内是否存在识别对象物。因此,在该结构中,深阶层的弱识别器11仅对通过了浅阶层的弱识别器11的搜索区域执行识别处理。因此,与浅阶层的弱识别器11的识别精度参数具有与深阶层的弱识别器11相同高的识别精度参数的结构相比,该结构能够在保持相同程度的识别精度的基础上缩短处理在线间。
[识别器更新部20的详细]
如图1所示,识别器更新部20包括图像获取部21、登录图像学习部(学习处理部)22及弱识别器置换部(特征量更新部)23。图像获取部21获取作为“特定猫的脸的图像”的登录图像。该登录图像是由用户通过从包含特定猫的图像中选择特定猫的脸区域来作成的。优选地,登录图像的个数在100张以上。另外,优选地,登录图像是从各种方向拍摄特定猫的脸所得到的图像。然而,用户可能会觉得输入大量登录图像是很费事的。另外,用户准备100张以上的登录图像,不太现实。因此,登录图像学习部22也可如下面那样通过根据各登录图像作成多张学习用图像来获取更新用特征量。
登录图像学习部22利用登录图像及“猫脸以外的图像”来进行学习。更详细地,登录图像学习部22通过对用户所输入的登录图像进行仿射变换(affine transformation),来基于各登录图像生成多个学习用图像,并利用这些学习用图像进行学习。由此,登录图像学习部22获取用于识别特定猫的特征量(参照位置、亮度信息及分数阈值)。登录图像学习部22利用所获取的特征量,生成由M个更新用弱识别器构成的更新用识别器。此外,更新用弱识别器的个数M不是必须要与弱识别器的个数N相等。
弱识别器置换部(特征量更新部)23将构成通用识别器10的弱识别器11的特征量(参照位置、亮度信息,图2B)置换为由登录图像学习部22所获取的更新用弱识别器的特征量(参照位置、亮度信息,图2A)。在图2A及图2B,图2B部分所示的更新后的参照位置FX4~FX6及亮度信息FY4~FY6成为了图2A所示的参照位置FX1~FX3及亮度信息FY1~FY3。
下面,为了区分弱识别器11的特征量,将更新用识别器的特征量称为更新用特征量,将更新用特征量中包含的参照位置及亮度信息分别称为更新用参照位置及更新用亮度信息。
弱识别器置换部23在将某一弱识别器11的特征量置换为更新用弱识别器的更新用特征量时,优选地,置换为设定有与该弱识别器11相同程度的识别精度参数的更新用弱识别器的更新用特征量。这是因为,第一,在将弱识别器11的特征量置换为设定有比该弱识别器11更低的识别精度参数的更新用弱识别器的更新用特征量的情况下,存在更新后的通用识别器10对识别对象物的识别能力降低至低于更新前的通用识别器10的识别能力的可能性。第二,在将弱识别器11的特征量置换为设定有比该弱识别器11更高的识别精度参数的更新用弱识别器的更新用特征量的情况下,存在由更新后的通用识别器10识别图像的时间变得比由更新前的通用识别器10识别相同图像的时间更长的可能性。
在此,弱识别器置换部23可以将弱识别器11的所有特征量置换为更新用特征量。或者,在更新用弱识别器的特征量所包含的更新用参照位置中存在与弱识别器11的特征量所包含的某个参照位置大不相同(即相似度低)的更新用参照位置的情况下,弱识别器置换部23可以将该参照位置置换为该更新用参照位置。在为后者结构时,弱识别器置换部23首先对更新用弱识别器的特征量所包含的各更新用参照位置和弱识别器11的特征量所包含的各参照位置之间的相似度进行计算。然后,在存在与某一参照位置之间的相似度在规定值以下的更新用参照位置的情况下,弱识别器置换部23将该参照位置及与该参照位置建立了对应关系的亮度信息置换为该更新用参照位置及与该更新用参照位置建立了对应关系的更新用亮度信息。
[通用识别器更新处理α的流程]
下面,利用图3,说明由识别器更新部20所执行的通用识别器更新处理α的流程。图3是示出了通用识别器更新处理α的流程的流程图。
在通用识别器更新处理α中,首先,图像获取部21获取作为特定猫的脸的图像的登录图像(S101)。接着,登录图像学习部22利用图像获取部21所获取的登录图像进行学习(S102)。由此,登录图像学习部22提取用于识别特定猫的脸的特征量(更新用特征量)(S103)。另外,登录图像学习部22生成由具有所提取的更新用特征量的弱识别器构成的更新用识别器。其后,弱识别器置换部23将弱识别器11的特征量置换为更新用特征量(S104)。至此,通用识别器更新处理α结束。
[第一变形例]
本实施方式的一个变形例可以是仅对弱识别器11的特征量中的参照位置进行更新的结构。在本变形例中,弱识别器置换部23搜索与弱识别器11的特征量所包含的亮度信息X1相似的更新用亮度信息X2。在此,亮度信息X1与更新用亮度信息X2相似的情况例如可以是亮度信息X1与更新用亮度信息X2之间的差分在规定值以下的情况。在存在那样的亮度信息X1及更新用亮度信息X2的情况下,弱识别器置换部23将与亮度信息X1建立了对应关系的参照位置置换为与更新用亮度信息X2建立了对应关系的更新用参照位置。
[第二变形例]
另外,本实施方式的另一变形例可以是仅对弱识别器11的特征量中的亮度信息进行更新的结构。在本变形例中,弱识别器置换部23搜索与弱识别器11的特征量所包含的参照位置Y1相似的更新用参照位置Y2。在此,所谓参照位置Y1与更新用参照位置Y2相似的情况例如可以指:在对成对的两点参照位置Y1和成对的两点更新用参照位置Y2以一对一的方式恰当地建立对应关系来形成两组的情况下,在两组中建立了对应关系的两点之间的距离均在规定距离以下的情况。在存在那样的参照位置Y1及更新用参照位置Y2的情况下,弱识别器置换部23将与参照位置Y1建立了对应关系的亮度信息置换为与更新用参照位置Y2建立了对应关系的更新用亮度信息。或者,在本变形例中,更新用参照位置可以是与弱识别器11的特征量所包含的参照位置相同的位置。在该结构中,弱识别器置换部23将与参照位置建立了对应关系的亮度信息置换为该参照位置上的登录图像的亮度差。
〔第二实施方式〕
基于图4至图5,如下说明本发明的另一实施方式。此外,为了方便说明,对于具有与在所述实施方式中说明的构件相同的功能的构件,标记相同的附图标记,并省略对该构件的说明。
所述实施方式的信息处理装置1的识别器更新部20与弱识别器11能否识别出登录图像无关地,将该弱识别器11的特征量置换为更新用特征量。另一方面,本实施方式的识别器更新部220(参照图4)更新未能准确地识别出登录图像的弱识别器11(错误识别器),另一方面,不更新准确地识别出登录图像的弱识别器11。因此,与由识别器更新部20更新的通用识别器10相比,由识别器更新部220更新的通用识别器10在将识别登录图像的识别能力保持在同等程度的基础上,提高了准确地识别通用图像的识别能力。这是因为,在更新后的通用识别器10中保留了能够识别出登录图像的弱识别器11,而未更新该弱识别器11。
图4示出了本实施方式的信息处理装置2的框图。信息处理装置2的识别器更新部220除了具有图1所示的信息处理装置1的识别器更新部20的结构之外,还具有识别结果获取部24。在本实施方式中,图像获取部21向通用识别器10输入登录图像,构成通用识别器10的弱识别器11对所输入到的登录图像进行识别。识别结果获取部24获取各弱识别器11对登录图像的识别结果。即,获取各弱识别器11是否准确地识别出了登录图像的信息。弱识别器置换部23从识别结果获取部24获取弱识别器11的识别结果,并将构成通用识别器10的弱识别器11中的未能准确地识别出登录图像的弱识别器11(下面,称为错误识别器)的特征量置换为更新用特征量。
[通用识别器更新处理β的流程]
下面,利用图5,说明由识别器更新部220所执行的通用识别器更新处理β的流程。图5是示出了通用识别器更新处理β的流程的流程图。
在通用识别器更新处理β中,首先由图像获取部21向通用识别器10输入由用户所输入的登录图像(S201)。当将登录图像输入至通用识别器10,则由弱识别器11对该登录图像执行识别(S202)。识别结果获取部24获取弱识别器11的对登录图像的识别结果。弱识别器置换部23判定是否存在未能准确地识别出登录图像的弱识别器(错误识别器)(S203)。在由弱识别器置换部23判定为不存在错误识别器的情况下(S203中为“否”),通用识别器更新处理β结束。
另一方面,在S203中,在由弱识别器置换部23判定为存在错误识别器的情况下(S203中为“是”),登录图像学习部22通过利用了登录图像的学习来获取更新用特征量(S204)。接着,弱识别器置换部23将错误识别器的特征量置换为具有与该错误识别器同等程度的识别精度参数的更新用弱识别器的更新用特征量(S205)。这样,更新错误识别器。此时,弱识别器置换部23如所述实施方式那样可以同时置换错误识别器的特征量所包含的参照位置及亮度信息这双方。或者,也可以如所述实施方式的变形例那样置换参照位置及亮度信息中的某一项。
其后,返回由弱识别器11识别登录图像的S202。在存在未能准确地识别出登录图像的其他错误识别器的情况下(S203中为“是”),反复执行S204及S205的步骤。最后,在由弱识别器置换部23判定出不存在错误识别器的情况下(S203中为“否”),通用识别器更新处理β结束。
〔第三实施方式〕
基于图6至图7,如下说明本发明的又一实施方式。此外,为了方便说明,对于具有与在所述实施方式中说明的构件相同的功能的构件,标记相同的附图标记,并省略对该构件的说明。
本实施方式的信息处理装置3的识别器更新部320(参照图6)与所述实施方式的信息处理装置2的识别器更新部220同样地,仅更新构成通用识别器10的弱识别器11中的未能准确地识别出登录图像的弱识别器(错误识别器)。然而,所述实施方式的识别器更新部220用更新用特征量更新错误识别器的特征量中的参照位置或亮度信息或者这双方,更新用特征量是利用登录图像进行学习来获取的。另一方面,本实施方式的识别器更新部320更新错误识别器的特征量中的分数阈值。因此,识别器更新部320不获取更新用特征量。本实施方式的识别器更新部320与所述实施方式的识别器更新部220在这一点上不同。
[信息处理装置3的结构]
图6示出了信息处理装置3的框图。如图6所示,信息处理装置3的识别器更新部320采用在信息处理装置2的识别器更新部220的结构上不包含登录图像学习部22的结构。另外,识别器更新部220的弱识别器置换部23更新错误识别器的特征量中的参照位置或亮度信息或者这双方。另一方面,识别器更新部320的弱识别器置换部(特征量更新部)23’更新错误识别器的特征量中的分数阈值。
[通用识别器更新处理γ的流程]
下面,利用图7,说明由识别器更新部320所执行的通用识别器更新处理γ的流程。图7是示出了通用识别器更新处理γ的流程的流程图。
在通用识别器更新处理γ中,首先由图像获取部21将从外部或图像数据存储部(未图示)获取的登录图像输入至通用识别器10(S301)。输入到登录图像的弱识别器11对该登录图像执行识别(S302)。其后,识别结果获取部24获取各弱识别器11对登录图像的识别结果。弱识别器置换部23从识别结果获取部24获取弱识别器11对登录图像的识别结果,并判定是否存在未能准确地识别出登录图像的弱识别器(错误识别器)(S303)。在存在错误识别器的情况下(S303中为“是”),弱识别器置换部23’更新错误弱识别器的特征量所包含的分数阈值(S304)。具体而言,弱识别器置换部23’更新分数阈值,以使由错误识别器评价出的登录图像的分数超过分数阈值。
其后,返回弱识别器11识别登录图像的S302。在存在未能准确地识别出登录图像的其他错误识别器的情况下(S303中为“是”),再次执行S304的步骤。最终,在由弱识别器置换部23’判定出不存在错误识别器的情况下(S303中为“否”),通用识别器更新处理γ结束。
〔第四实施方式〕
基于图8至图12,如下说明本发明的再一实施方式。此外,为了方便说明,对于具有与在所述实施方式中说明的构件相同的功能的构件,标记相同的附图标记,并省略对该构件的说明。
本实施方式的信息处理装置4在不接受来自外部的新的图像(登录图像,通用图像,其他图像)的输入的期间即离线期间内,生成多个弱识别器11的图案,作为构成通用识别器10的单阶层的弱识别器11(下面,称为弱识别器11)。然后,信息处理装置4的识别器更新部420(参照图8)在接受来自外部的新的图像(登录图像、通用图像及其他图像)的输入的期间即在线期间内输入了登录图像的情况下,从在离线时所生成的多个弱识别器11的图案中,选择准确地识别出登录图像的识别能力高的弱识别器11。
[信息处理装置4的结构]
图8示出了信息处理装置4的框图。信息处理装置4的识别器更新部420除了具有图像获取部21之外,还具有图案生成部25、分数获取部26及图案选择部(特征量更新部)27。图案生成部25生成通用识别器10内的同一阶层的弱识别器11的图案。分数获取部26获取利用由图案生成部25生成的多个图案对登录图像进行评价得到的分数。图案选择部27从某一阶层的弱识别器11的图案中,选择对登录图像以最高分数评价了的图案作为该阶层的弱识别器11。
[图案生成部25]
在此,利用图9,说明图案生成部25的详细结构。图9是示出了图案生成部25的结构的框图。如图9所示,图案生成部25包括通用图像学习部251、相似度计算部252及特征量聚类(clustering)部253。
通用图像学习部251通过利用从图像数据存储部(未图示)或信息处理装置4的外部输入的各种猫脸图像(通用图像)及猫脸图像以外的图像(其他图像)进行学习,来获取用于识别猫脸的特征量(特征量A)。通用图像学习部251在获取了特征量A之后,利用在之前的学习中用到的通用图像或者与此不同的通用图像,再次获取猫脸特征量(特征量B)。通用图像学习部251以这种方式学习多个特征量A、B、…。相似度计算部252计算由通用图像学习部251获取的多个特征量(亮度信息)之间的相似度。特征量聚类部253对由相似度计算部252计算出的相似度大于规定值的这些特征量进行聚类。
更详细地,特征量聚类部253对具有相似度大于规定值的亮度信息的这些特征量进行聚类。在此,所谓亮度信息彼此相似是指,表示在多个图案之间亮度信息之间的差在规定值以下的情况。特别地,在各图案的特征量所包含的亮度信息存在多个的情况下,表示如下情况,即:在多个图案之间,对多个亮度信息以一对一的方式恰当地建立了对应关系时,建立了对应关系的亮度信息之间的差均在规定值以下的情况。
图案生成部25生成具有由特征量聚类部253聚类的特征量的多个弱识别器,作为通用识别器10的同一阶层的弱识别器11的图案。作为例子,示出弱识别器11的图案的例子。图10所示的三个图案A~C的特征量各包含四个参照位置和四个亮度信息。如图10所示那样,图案A~C的特征量所包含的四个亮度信息彼此相似。此外,如图10所示,聚类的特征量所包含的参照位置之间也可以彼此不相似。
接着,利用图11,说明由图案生成部25生成弱识别器11的图案的图案生成处理的流程。图11示出了图案生成处理的流程的流程图。
在图案生成处理中,首先由通用图像学习部251获取通用图像及其他图像(S401)。接着,由通用图像学习部251通过利用所获取的图像进行学习,来获取用于识别识别对象物的特征量(S402)。通用图像学习部251通过反复执行S401及S402的处理,来学习多个特征量。其后,相似度计算部252计算由通用图像学习部251获取的多个特征量之间的相似度(S403)。特征量聚类部253对由相似度计算部252计算出的相似度在规定值以上的这些特征量进行聚类(S404)。图案生成部25在生成具有由通用图像学习部251进行学习得到的特征量的弱识别器11之后,将具有由特征量聚类部253聚类的特征量的多个弱识别器11作为通用识别器10的同一阶层的弱识别器11即图案(S405)。至此,图案生成处理结束。
[通用识别器更新处理δ的流程]
接着,利用图12,说明由信息处理装置4的识别器更新部420所执行的通用识别器更新处理δ的流程。图12是示出了通用识别器更新处理δ的流程的流程图。此外,假设在执行通用识别器更新处理δ之前已由图案生成部25生成了通用识别器10的各弱识别器的图案。
在通用识别器更新处理δ中,首先,由图像获取部21从某一阶层的弱识别器11的图案中选择某个图案(S501)。接着,图像获取部21获取登录图像,并输出至所选择的图案(S502)。利用获取到登录图像的图案对登录图像进行评价。接着,分数获取部26根据对登录图像进行了评价的图案,获取登录图像的分数(S503)。分数获取部26在存在之前获取的分数的情况下,将所获取的分数累计到之前获取的分数上(S504)。其后,图像获取部21判定是否存在其他登录图像(S505)。在存在其他登录图像的情况下(S505中为“是”),通用识别器更新处理δ返回S502,再次执行S502~S504的处理。
在S505中,在不存在其他登录图像的情况下(S505中为“否”),分数获取部26判定是否存在其他图案(S506)。在存在其他图案的情况下(S506中为“是”),通用识别器更新处理δ返回S501。另一方面,在不存在其他图案的情况下(S506中为“否”),图案选择部27判定将登录图像的分数(的累计值)评价得最高的图案(S507)。
〔软件构成的实现例〕
构成更新部1至更新部4的各部(控制区块)可以利用形成为集成电路(IC芯片)等的逻辑电路(硬件)来实现,也可以利用CPU(CentralProcessingUnit:中央处理单元)通过软件来实现。
在后者的情况下,更新部1至更新部4具备:CPU,用于执行程序命令,该程序命令作为实现各功能的软件;ROM(Read Only Memory:只读存储器)或存储装置(将它们称为“记录介质”),以计算机(或CPU)能够读取的方式记录了上述程序及各种数据;展开上述程序的RAM(Random AccessMemory:随机存取存储器)等。于是,计算机(或CPU)从上述记录介质读取并执行上述程序,由此实现本发明的目的。上述记录介质是指,“非易失性有形介质”,例如能够利用磁带、磁盘、磁卡、半导体存储器、可编程逻辑电路等。另外,上述程序可以经由能够传送该程序的任意的传送介质(通信网络或广播电波等)供给至上述计算机。此外,在本发明中,上述程序也能够以由电子传送体现的内嵌在传送波中的数据信号的方式实现。
本发明并不限定于上述的实施方式,而能够在权利要求书所示的范围内进行各种变更,通过适宜组合在不同的实施方式中分别公开的技术单元得到的实施方式也包含在本发明的技术范围内。
产业上的可利用性
本发明能够利用在从图像中识别出识别对象物的信息处理装置中。
Claims (10)
1.一种识别器更新装置,基于与从图像数据中提取出的规定特征量相关的值,来更新识别器,该识别器根据规定判断基准来识别该图像数据所包含的特定种类的对象物,其特征在于,
该识别器更新装置包括:
图像获取部,其获取包含上述特定种类的对象物的对象物图像数据;
特征量更新部,其基于由上述图像获取部所获取的上述对象物图像数据,来更新上述识别器的上述规定判断基准的基准值。
2.如权利要求1所述的识别器更新装置,其特征在于,上述特征量更新部更新上述识别器的上述规定特征量的基准值,作为上述规定判断基准的基准值。
3.如权利要求2所述的识别器更新装置,其特征在于,
该识别器更新装置还具有学习处理部,该学习处理部通过学习上述对象物图像数据,来计算上述规定特征量的基准值作为更新用基准值;
上述特征量更新部基于由上述学习处理部计算出的上述更新用基准值,来更新上述识别器的上述规定特征量的基准值。
4.如权利要求1至3中任一项所述的识别器更新装置,其特征在于,上述规定特征量是应参照上述图像数据中的亮度信息的像素位置即参照位置以及该参照位置上的亮度信息中的至少一项。
5.如权利要求1至3中任一项所述的识别器更新装置,其特征在于,
上述识别器由多个弱识别器构成;并且
该识别器更新装置还具有识别结果获取部,该识别结果获取部获取上述各弱识别器对由上述图像获取部获取的上述对象物图像数据的识别结果;
上述特征量更新部仅针对识别为上述对象物图像数据不包含上述特定种类的对象物的弱识别器,更新该弱识别器的上述规定判断基准的基准值。
6.如权利要求4所述的识别器更新装置,其特征在于,
上述识别器由多个弱识别器构成;并且
该识别器更新装置还具有识别结果获取部,该识别结果获取部获取上述各弱识别器对由上述图像获取部获取的上述对象物图像数据的识别结果;
上述特征量更新部仅针对识别为上述对象物图像数据不包含上述特定种类的对象物的弱识别器,更新该弱识别器的上述规定判断基准的基准值。
7.如权利要求1所述的识别器更新装置,其特征在于,
上述规定判断基准是指,与从上述对象物图像数据中提取出的规定特征量相关的值和上述识别器的上述规定特征量的基准值之间的差是否超过规定阈值,上述对象物图像数据是利用上述图像获取部所获取的;
上述特征量更新部更新作为上述规定判断基准的基准值的上述规定阈值。
8.如权利要求1所述的识别器更新装置,其特征在于,
上述识别器具有多个上述规定特征量的基准值的图案;并且
该识别器更新装置还具有分数获取部,该分数获取部获取上述识别器的每个上述图案对由上述图像获取部获取的上述对象物图像数据进行识别的识别结果的分数;
上述特征量更新部以使由上述分数获取部获取的分数最高的图案成为上述识别器的上述规定特征量的基准值的方式进行更新。
9.一种识别器更新方法,基于与从图像数据中提取出的规定特征量相关的值,来更新识别器,该识别器根据规定判断基准来识别该图像数据所包含的特定种类的对象物,其特征在于,
该识别器更新方法包括以下步骤:
图像获取步骤,获取包含上述特定种类的对象物的对象物图像数据;
特征量更新步骤,基于上述对象物图像数据,来更新上述识别器的上述规定判断基准的基准值。
10.一种信息处理装置,其特征在于,具有如权利要求1至5中任一项所述的识别器更新装置和上述识别器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013-085303 | 2013-04-15 | ||
JP2013085303A JP6160196B2 (ja) | 2013-04-15 | 2013-04-15 | 識別器更新装置、識別器更新プログラム、情報処理装置、および識別器更新方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104102898A true CN104102898A (zh) | 2014-10-15 |
Family
ID=50884655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410109857.7A Pending CN104102898A (zh) | 2013-04-15 | 2014-03-24 | 识别器更新装置、信息处理装置及识别器更新方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9324008B2 (zh) |
EP (1) | EP2793171A1 (zh) |
JP (1) | JP6160196B2 (zh) |
CN (1) | CN104102898A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108463821A (zh) * | 2016-04-04 | 2018-08-28 | 谷歌有限责任公司 | 用于直接从图像识别实体的系统和方法 |
CN108573485A (zh) * | 2017-03-08 | 2018-09-25 | 卡西欧计算机株式会社 | 识别装置、识别方法以及程序存储介质 |
CN111758116A (zh) * | 2018-03-14 | 2020-10-09 | 欧姆龙株式会社 | 脸部图像识别系统、识别器生成装置、识别装置、图像识别系统以及识别系统 |
CN113168699A (zh) * | 2019-07-18 | 2021-07-23 | Hoya株式会社 | 计算机程序、信息处理方法以及内窥镜用处理器 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7085370B2 (ja) * | 2017-03-16 | 2022-06-16 | 株式会社リコー | 診断装置、診断システム、診断方法およびプログラム |
CN111052177A (zh) * | 2017-09-14 | 2020-04-21 | 三菱电机株式会社 | 异常检测装置 |
US11144748B2 (en) * | 2018-12-07 | 2021-10-12 | IOT Technology, LLC. | Classification system |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989327A (zh) * | 2009-07-30 | 2011-03-23 | 富士胶片株式会社 | 图像分析装置及图像分析方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5052043A (en) | 1990-05-07 | 1991-09-24 | Eastman Kodak Company | Neural network with back propagation controlled through an output confidence measure |
JP4397667B2 (ja) | 2003-10-06 | 2010-01-13 | 富士フイルム株式会社 | 識別処理に用いる特徴量の種類と識別条件を決定する装置、プログラムならびにプログラムを記録した記録媒体、および特定内容のデータを選別する装置 |
JP2008204103A (ja) | 2007-02-19 | 2008-09-04 | Yokohama National Univ | 画像認識システム |
CN101315670B (zh) | 2007-06-01 | 2010-08-11 | 清华大学 | 特定被摄体检测装置及其学习装置和学习方法 |
JP2009064162A (ja) | 2007-09-05 | 2009-03-26 | Fuji Heavy Ind Ltd | 画像認識システム |
JP5041229B2 (ja) * | 2007-12-07 | 2012-10-03 | ソニー株式会社 | 学習装置および方法、認識装置および方法、並びにプログラム |
JP5311899B2 (ja) | 2008-06-30 | 2013-10-09 | キヤノン株式会社 | パターン検出器の学習装置、学習方法及びプログラム |
JP4623387B2 (ja) | 2008-09-04 | 2011-02-02 | ソニー株式会社 | 学習装置および方法、認識装置および方法、並びにプログラム |
JP5253194B2 (ja) | 2009-01-20 | 2013-07-31 | セコム株式会社 | 物体検出装置 |
JP5554987B2 (ja) | 2009-12-28 | 2014-07-23 | キヤノン株式会社 | オブジェクト識別装置及びその制御方法 |
JP2012243180A (ja) * | 2011-05-23 | 2012-12-10 | Sony Corp | 学習装置および方法、並びにプログラム |
JP2012252447A (ja) * | 2011-06-01 | 2012-12-20 | Sony Corp | 情報処理装置および方法、記録媒体、並びにプログラム |
-
2013
- 2013-04-15 JP JP2013085303A patent/JP6160196B2/ja active Active
-
2014
- 2014-03-24 CN CN201410109857.7A patent/CN104102898A/zh active Pending
- 2014-03-24 US US14/223,349 patent/US9324008B2/en active Active
- 2014-03-27 EP EP20140161958 patent/EP2793171A1/en not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989327A (zh) * | 2009-07-30 | 2011-03-23 | 富士胶片株式会社 | 图像分析装置及图像分析方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108463821A (zh) * | 2016-04-04 | 2018-08-28 | 谷歌有限责任公司 | 用于直接从图像识别实体的系统和方法 |
CN108463821B (zh) * | 2016-04-04 | 2022-04-05 | 谷歌有限责任公司 | 用于直接从图像识别实体的系统和方法 |
CN108573485A (zh) * | 2017-03-08 | 2018-09-25 | 卡西欧计算机株式会社 | 识别装置、识别方法以及程序存储介质 |
CN108573485B (zh) * | 2017-03-08 | 2022-10-14 | 卡西欧计算机株式会社 | 识别装置、识别方法以及程序存储介质 |
CN111758116A (zh) * | 2018-03-14 | 2020-10-09 | 欧姆龙株式会社 | 脸部图像识别系统、识别器生成装置、识别装置、图像识别系统以及识别系统 |
CN111758116B (zh) * | 2018-03-14 | 2023-07-14 | 欧姆龙株式会社 | 脸部图像识别系统、识别器生成装置、识别装置与系统 |
CN113168699A (zh) * | 2019-07-18 | 2021-07-23 | Hoya株式会社 | 计算机程序、信息处理方法以及内窥镜用处理器 |
CN113168699B (zh) * | 2019-07-18 | 2023-07-25 | Hoya株式会社 | 计算机程序、信息处理方法以及内窥镜用处理器 |
Also Published As
Publication number | Publication date |
---|---|
US20140307957A1 (en) | 2014-10-16 |
US9324008B2 (en) | 2016-04-26 |
JP6160196B2 (ja) | 2017-07-12 |
JP2014206935A (ja) | 2014-10-30 |
EP2793171A1 (en) | 2014-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104102898A (zh) | 识别器更新装置、信息处理装置及识别器更新方法 | |
CN112766244B (zh) | 目标对象检测方法、装置、计算机设备和存储介质 | |
CN109858476B (zh) | 标签的扩充方法和电子设备 | |
CN117556888A (zh) | 用于深度学习模型的分布式训练的系统和方法 | |
CN105160397A (zh) | 训练精炼的机器学习模型 | |
KR20180126220A (ko) | 객체를 식별하는 방법 및 디바이스 | |
CN111954860B (zh) | 对细粒度对抗性多队员运动进行预测的系统和方法 | |
CN113614780A (zh) | 使用损失函数学习检测模型 | |
CN109844729A (zh) | 通过示例利用预测性粒度修改来合并 | |
CN109804363A (zh) | 使用通过示例的格式修改的连接 | |
KR102216749B1 (ko) | 타겟 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램 | |
CN104778465A (zh) | 一种基于特征点匹配的目标跟踪方法 | |
US20210248795A1 (en) | Method, apparatus, and computer program for completing painting of image, and method, apparatus, and computer program for training artificial neural network | |
US20210183074A1 (en) | Apparatus and method for tracking multiple objects | |
US20220270341A1 (en) | Method and device of inputting annotation of object boundary information | |
Miura et al. | Autoware toolbox: Matlab/simulink benchmark suite for ros-based self-driving software platform | |
CN110889437A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113192175A (zh) | 模型训练方法、装置、计算机设备和可读存储介质 | |
CN114022748B (zh) | 目标识别方法、装置、设备及存储介质 | |
US20180239342A1 (en) | Method and apparatus for registering virtual equipment for virtual production system | |
CN111598000A (zh) | 基于多任务的人脸识别方法、装置、服务器和可读存储介质 | |
CN113326832B (zh) | 模型训练、图像处理方法、电子设备及存储介质 | |
CN105224957A (zh) | 一种基于单样本的图像识别的方法及系统 | |
US11798265B2 (en) | Teaching data correction method for training image, teaching data correction device and program | |
CN111462177B (zh) | 一种基于多线索的在线多目标跟踪方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141015 |