CN112005245A - 运算处理装置、对象识别系统、学习方法、汽车、车辆用灯具 - Google Patents
运算处理装置、对象识别系统、学习方法、汽车、车辆用灯具 Download PDFInfo
- Publication number
- CN112005245A CN112005245A CN201980023552.5A CN201980023552A CN112005245A CN 112005245 A CN112005245 A CN 112005245A CN 201980023552 A CN201980023552 A CN 201980023552A CN 112005245 A CN112005245 A CN 112005245A
- Authority
- CN
- China
- Prior art keywords
- image
- processing device
- arithmetic processing
- object recognition
- recognition unit
- 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
- 238000000034 method Methods 0.000 title claims description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 101150071665 img2 gene Proteins 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 101150013335 img1 gene Proteins 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
- B60Q1/0017—Devices integrating an element dedicated to another function
- B60Q1/0023—Devices integrating an element dedicated to another function the element being a sensor, e.g. distance sensor, camera
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
运算处理装置(40)基于图像数据来对物体进行识别。物体识别部(44)基于图像数据来对物体进行识别。转换部(42)为被设置在物体识别部(44)的上游的神经网络,将照相机(20)所取得的第1图像(IMG1)转换为第2图像(IMG2),并将第2图像(IMG2)输入到物体识别部(44)。
Description
技术领域
本发明涉及对象识别系统。
背景技术
在自动驾驶中,物体识别是非常重要的架构。物体识别系统由传感器及对传感器的输出进行处理的神经网络的运算装置构成。作为传感器,可举出照相机、LiDAR(LightDetection and Ranging/Laser Imaging Detection and Ranging:光探测和测距/激光成像探测和测距)、毫米波雷达、以及超声波声呐等作为候选对象,其中,照相机的分辨率较高,能够最廉价地获得,向车辆的搭载正在不断发展。
对照相机的输出图像进行处理的运算处理装置由卷积神经网络(CNN:Convolutional Neural Network)构成。CNN用在各种场景下拍摄到的图像来进行学习(训练)。
[现有技术文献]
[专利文献]
专利文献1:日本特开2017-56935号公报
专利文献2:日本特开2009-98023号公报
发明内容
[发明要解决的课题]
车载用的物体识别系统被要求即使在夜间,也会以与白天同样的精度进行动作。可是,夜间没有太阳光,而是利用照相机来拍摄本车的前照灯的反射光。因此,本车附近的对象会拍得较亮,远方的对象会拍得较暗,从而会取得与白天全然不同的图像。此外,汽车在夜间前照灯及尾灯是点亮的,会具有与白天不同的特征。
当在仅将仅在白天的场景下拍摄的图像用作学习数据时,在夜间的场景下拍摄的图像所包含的对象的识别率就会降低。通过将在夜间的场景下拍摄的图像与白天的图像一并用作学习数据,从而能够使该问题略有改善,但因为需要准备出夜间的图像数据,所以学习所需的成本会大大増加。此外,无法那样地期待会改善光难以到达的远方的对象的识别率。
本发明鉴于上述问题而完成,其一个方案的例示性目的之一在于提供一种在各种场景下都会获得较高识别率的物体识别系统及其运算处理装置、学习方法。
[用于解决技术课题的技术方案]
本发明的一个方案涉及一种基于图像数据来对物体进行识别的运算处理装置。运算处理装置包括:物体识别部,其基于图像数据来对物体进行识别;以及转换部,其为被设置在物体识别部的上游的神经网络,将照相机所取得的第1图像转换为第2图像,并将第2图像输入到物体识别部。
本发明的另一方案涉及一种基于由传感器取得的传感器输出来对物体进行识别的运算处理装置。运算处理装置包括:转换部,其由神经网络构成,将传感器输出转换为中间数据;以及物体识别部,其基于中间数据来对物体进行识别。转换部将传感器输出转换为在取得用于物体识别部的训练的学习数据的环境下可能会得到的中间数据。
[发明效果]
根据本发明,在各种场景下都能够提供较高的识别能力。
附图说明
图1是表示实施方式的对象识别系统的图。
图2是对转换部的转换处理进行说明的图。
图3是表示用于转换部的学习的图像的一例的图。
图4是运算处理装置的学习的流程图。
图5是包括对象识别系统的汽车的框图。
图6是表示包括对象识别系统的车辆用灯具的框图。
具体实施方式
(实施方式的概要)
本说明书所公开的一个实施方式涉及运算处理装置。运算处理装置基于图像数据来对物体进行识别。运算处理装置包括:物体识别部,其基于图像数据来对物体进行识别;以及转换部,其为被设置在物体识别部的上游的神经网络,将照相机所取得的第1图像转换为第2图像,并将第2图像输入到物体识别部。通过输入具有与物体识别部的学习相适的灰度的图像,从而能够提高识别率。
也可以是,第2图像通过如下方式得到:对第1图像的灰度进行修正,使其近似于用于物体识别部的训练的学习数据的灰度。通过将接近学习数据的图像输入到物体识别部,从而能够提高识别率。
也可以是,在对转换部的神经网络进行训练时,参照物体识别部的识别率来对转换部进行训练,使得该识别率提高。
也可以是,第2图像为在拍摄用于物体识别部的训练的学习数据的环境下对与第1图像相同的场景进行拍摄时可能会得到的图像。
也可以是,学习数据是在白天被拍摄的,转换部将在夜间被拍摄的第1图像转换为像在白天被拍摄的那样的第2图像。
也可以是,转换部将连续的多个帧作为输入来接收。通过将连续的多个帧作为输入,转换部能够基于经时的特征量来进行转换处理。
另一实施方式涉及一种基于由传感器取得的传感器输出来对物体进行识别的运算处理装置。传感器也可以为LiDAR或TOF传感器等测距传感器(三维传感器)。运算处理装置包括:转换部,其由神经网络构成,将传感器输出转换为中间数据;以及物体识别部,其基于中间数据来对物体进行识别。转换部将传感器输出转换为在取得用于物体识别部的训练的学习数据的环境下可能会得到的中间数据。例如,测距传感器的精度会在雨天或浓雾中降低。通过利用转换部来补偿该精度的降低,并将好像在晴天时取得的中间数据提供给物体识别部,从而能够改善识别率。
(实施方式)
以下,参照附图,基于优选的实施方式来对本发明进行说明。对于各附图所示的相同或等同的构成要素、构件、以及处理,标注相同的附图标记,并适当省略重复的说明。此外,实施方式并不对发明进行限定,仅为例示,实施方式所记述的一切特征或其组合并非都是发明的实质性内容。
图1是表示实施方式的对象识别系统10的图。该对象识别系统10如后所述地被搭载于车辆,并能够灵活使用于自动驾驶或前照灯的配光控制,但其用途并不被限定。本实施方式的说明的一部分以搭载于车辆为前提。
对象识别系统10包括照相机20及运算处理装置40。照相机20为CMOS(Complementary Metal Oxide Semiconductor:互补金属氧化物半导体)传感器或CCD(Charge Coupled Device:电荷耦合器件)等图像传感器,以预定的帧率输出图像数据(第1图像)IMG1。
运算处理装置40基于图像数据IMG1来识别物体。具体而言,运算处理装置40对图像数据IMG1所包含的物体的位置及类别进行判定。运算处理装置40能够以CPU(CentralProcessing Unit:中央处理器)或GPU(Graphics Processing Unit:图形处理器)、微机等处理器(硬件)与处理器(硬件)所执行的软件程序的组合来实现。运算处理装置40也可以是多个处理器的组合。例如,关于物体的类别,例示了行人、自行车、汽车、以及电线杆等。也可以是,针对行人,将从前方观察到的行人、从后方观察到的行人、以及从侧方观察到的行人定义为相同的类别。汽车、自行车也是同样。
运算处理装置40包括转换部42及物体识别部44。在物体识别部44,采用利用了深度学习(deep learning)的卷积神经网络的算法。作为这种算法,能够使用FasterRCNN,但并不仅限于此,也能够采用YOLO(You Only Look Once:你只需看一遍)、SSD(Single ShotMultiBox Detector:单发多框检测器)、R-CNN(Region-based Convolutional NeuralNetwork:基于区域的卷积神经网络)、SPPnet(Spatial Pyramid Pooling:空间金字塔池化)、以及Mask R-CNN等,或是能够采用将来被开发出来的算法。
转换部42为被设置在物体识别部44的上游(前级)的神经网络,将照相机20所取得的第1图像IMG1转换为第2图像IMG2,并将第2图像IMG2输入到物体识别部44。
接着,针对转换部42的转换进行说明。图2是对转换部42的转换处理进行说明的图。物体识别部44用在某一环境(称为标准环境)下拍摄到的图像IMG3(学习数据)来进行训练。典型地,作为学习数据IMG3,使用在白天对各种场景(市区、高速道路、晴天、阴天、雨天)进行拍摄而得到的图像。在该例子中,标准环境为白天。
另一方面,会存在取得第2图像IMG2的环境(称为实际环境)与标准环境大不相同的情况。最典型地,在实际环境为夜间的情况下,此时,第2图像IMG2与学习数据IMG3存在较大差别。转换部42将第1图像IMG1转换为第2图像IMG2,以弥补该差别。转换后的第2图像IMG2与学习数据IMG3近似。更详细而言,转换部42对第1图像IMG1的灰度进行修正,使其近似于学习数据IMG3的灰度,从而生成第2图像IMG2。
即,第2图像IMG2为像在拍摄用于物体识别部44的训练的学习数据IMG3的标准环境下,对与第1图像IMG1相同的场景进行拍摄而得到那样的图像。以下,将标准环境设为白天,将实际环境设为夜间,继续进行说明。
作为关联技术,存在用深度网络(deep network)来将黑白图像转换为彩色图像的技术(“使用了深度网络的基于全局特征和局部特征的学习的黑白照片的自动上色”,饭塚里志、Simo-Serra·Edgar、石川博,http://hi.cs.waseda.ac.jp/~iizuka/projects/colorization/ja/)。转换部42比其略微简单,被构成为通过不使颜色变化地调节灰度(对比度或亮度)来再现白天被拍摄到的图像。本领域技术人员应理解的是:能够用公知的算法来设计这样的转换部42。
转换部42既可以按各像素调节亮度或对比度,也可以按各区域进行调节,还可以对整个画面统一进行调节。
图3是表示用于转换部42的学习的图像的一例的图。在图3中,示出了对相同的场景,在白天拍摄到的图像IMG_DAY和在夜间拍摄到的图像IMG_NIGHT。通过向转换部42大量输入这样的两个图像的“对”,从而能够构筑可将夜间的图像转换为白天的图像的神经网络。
图4是运算处理装置40的学习的流程图。将在预定的标准环境下(白天)取得的标准环境图像IMG_DAY作为学习数据来对物体识别部44进行训练(S100)。此外,用在标准环境下取得的标准环境图像(例如IMG_DAY)和在与其不同的环境下取得的实际环境图像(例如IMG_NIGHT)的组合来对转换部42进行训练(S102)。
以上是对象识别系统10的构成。根据该对象识别系统10,使用在标准环境下进行训练的物体识别部44,基于在与标准环境不同的实际环境下得到的图像,能够进行高精度的物体识别。
例如,物体识别部44可以仅使用在白天拍摄的图像来训练,因为无需使用在夜间拍摄的图像(或是因为能够减少其数量),所以能够大幅削减学习所需的成本。
(用途)
图5是包括对象识别系统10的汽车的框图。汽车100包括前照灯102L、以及102R。对象识别系统10中,至少照相机20被内置于前照灯102L、102R中的至少一者。前照灯102位于车体的最前端,在对周围的对象进行检测上,作为照相机20的设置位置最为有利。针对运算处理装置40,既可以内置于前照灯102,也可以设置于车辆侧。例如,也可以是,运算处理装置40中,生成第2图像IMG2的转换部42设置于前照灯102的内部,物体识别部44搭载于车辆侧。
图6是表示包括对象识别系统10的车辆用灯具200的框图。车辆用灯具200包括光源202、点亮电路204、以及光学系统206。进而,在车辆用灯具200,设置有照相机20及运算处理装置40。与运算处理装置40所检测的对象OBJ有关的信息被发送到车辆ECU104。车辆ECU也可以基于该信息来进行自动驾驶。
此外,与运算处理装置40所检测的对象OBJ有关的信息也可以利用于车辆用灯具200的配光控制。具体而言,灯具ECU208基于与运算处理装置40所生成的对象OBJ的种类及其位置有关的信息来生成适当的配光图案。点亮电路204及光学系统206以会得到灯具ECU208所生成的配光图案的方式进行动作。
以上,针对本发明,基于实施方式进行了说明。本领域技术人员应理解的是,该实施方式仅为例示,在它们的各构成要素或各处理过程的组合中,可能存在各种变形例,且那样的变形例也在本发明的范围之内。以下,针对这样的变形例进行说明。
(变形例1)
在实施方式中,作为环境的不同,对白天和夜晚进行了说明,但不限于此。在包含用于拍摄学习数据的照相机(标准照相机)的摄像系统与被搭载于对象识别系统10的照相机20之间,在视场角、视野、视线方向、以及失真等大不相同的情况下,能够将它们的不同理解为环境的不同。在该情况下,也可以是,以照相机20所取得的第1图像IMG1来生成与以标准照相机拍摄时可能会得到的图像近似的第2图像IMG2。在该情况下,在转换部42中,会对形状而非灰度进行修正。
例如,在将照相机20内置于前照灯的情况下,会存在像因外透镜而失真的情况。另一方面,在拍摄学习数据的照相机中,不存在失真。在这种情况下,也可以是,利用转换部42来对第1图像IMG1进行转换,以降低该失真的影响。
(变形例2)
在实施方式中,也可以是,在对转换部42的神经网络进行训练时,以物体识别部44的识别率为参数来参照,将转换部42的神经网络最优化,以使该识别率提高。
(变形例3)
也可以是,将当前帧即第1图像IMG1和与其连续的过去帧一起输入到转换部42,从而生成第2图像IMG2。通过将连续的多个帧作为输入,转换部能够基于经时的特征量来进行转换处理。
(变形例4)
也可以是,不使用照相机20,而是使用TOF照相机或LiDAR。在该情况下,也可以是,将LiDAR或TOF照相机的输出数据作为以距离为像素值的图像数据来处理。这些测距传感器(三维传感器)的输出数据在降雨、降雪、浓雾中,会成为与晴天或阴天时不同的数据。因此,转换部42将测距传感器的输出数据转换为在取得用于物体识别部44的训练的学习数据的环境下(晴天或阴天)可能会得到的中间数据。由此,能够改善识别率。
(变形例5)
也可以是,运算处理装置40通过使用FPGA或专用的ASIC(Application SpecificIntegrated Circuit:专用集成电路)等仅由硬件构成。
(变形例6)
在实施方式中,对车载用的对象识别系统10进行了说明,但本发明的适用不限于此,例如也能够适用于被固定地设置于信号灯或交通标识、以及其他交通基础设施,并进行定点观测的用途。
虽然基于实施方式,使用具体的语句来对本发明进行了说明,但实施方式仅表示本发明的原理、应用的一个侧面,在实施方式中,在不脱离权利要求书所规定的本发明的思想的范围内,可以对许多变形例或配置进行变更。
[工业可利用性]
本发明涉及对象识别系统。
[附图标记说明]
10…对象识别系统、20…照相机、40…运算处理装置、42…转换部、44…物体识别部、IMG1…第1图像、IMG2…第2图像、100…汽车、102…前照灯、104…车辆ECU、200…车辆用灯具、202…光源、204…点亮电路、206…光学系统、208…灯具ECU。
Claims (11)
1.一种运算处理装置,其基于图像数据来对物体进行识别;
该运算处理装置的特征在于,包括:
物体识别部,其基于上述图像数据来对物体进行识别,以及
转换部,其为被设置于上述物体识别部的上游的神经网络,将照相机所取得的第1图像转换为第2图像,并将上述第2图像输入到上述物体识别部。
2.如权利要求1所述的运算处理装置,其特征在于,
上述第2图像通过如下方式得到:对上述第1图像的灰度进行修正,使其近似于用于上述物体识别部的训练的学习数据。
3.如权利要求1或2所述的运算处理装置,其特征在于,
上述第2图像为在拍摄用于上述物体识别部的训练的学习数据的环境下,对与上述第1图像相同的场景进行拍摄时可能会得到的图像。
4.如权利要求3所述的运算处理装置,其特征在于,
上述学习数据是在白天被拍摄的;
上述转换部将在夜间被拍摄的上述第1图像转换为像在白天被拍摄的那样的上述第2图像。
5.如权利要求1~4的任何一项所述的运算处理装置,其特征在于,
在对上述转换部进行训练时,参照上述物体识别部的识别率,使上述转换部的神经网络最优化,使得该识别率提高。
6.如权利要求1~5的任何一项所述的运算处理装置,其特征在于,
上述转换部接收连续的多个帧作为输入。
7.一种对象识别系统,其特征在于,包括:
照相机,以及
如权利要求1~6的任何一项所述的运算处理装置。
8.一种车辆用灯具,其特征在于,
包括如权利要求7所述的对象识别系统。
9.一种汽车,其特征在于,包括:
照相机,其被内置于前照灯,以及
如权利要求1~6的任何一项所述的运算处理装置。
10.一种运算处理装置,其基于由传感器取得的传感器输出来对物体进行识别;
该运算处理装置的特征在于,包括:
转换部,其由神经网络构成,并将上述传感器输出转换为中间数据,以及
物体识别部,其基于上述中间数据来对物体进行识别;
上述转换部将上述传感器输出转换为在取得用于上述物体识别部的训练的学习数据的环境下可能会得到的中间数据。
11.一种运算处理装置的学习方法,该运算处理装置基于照相机所取得的图像数据来对物体进行识别,该学习方法的特征在于,
上述运算处理装置包括:
转换部,其对上述照相机所取得的图像数据进行转换,以及
物体识别部,其对由上述转换部转换后的图像数据进行处理,并对物体进行识别;
上述学习方法包括:
将在预定的环境下取得的图像作为学习数据来对上述物体识别部进行训练的步骤,以及
使用在上述预定的环境下取得的图像和在与其不同的环境下取得的图像的组合来对上述转换部进行训练的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-073354 | 2018-04-05 | ||
JP2018073354 | 2018-04-05 | ||
PCT/JP2019/014890 WO2019194256A1 (ja) | 2018-04-05 | 2019-04-03 | 演算処理装置、オブジェクト識別システム、学習方法、自動車、車両用灯具 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112005245A true CN112005245A (zh) | 2020-11-27 |
Family
ID=68100544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980023552.5A Pending CN112005245A (zh) | 2018-04-05 | 2019-04-03 | 运算处理装置、对象识别系统、学习方法、汽车、车辆用灯具 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11676394B2 (zh) |
EP (1) | EP3779872A4 (zh) |
JP (1) | JP7268001B2 (zh) |
CN (1) | CN112005245A (zh) |
WO (1) | WO2019194256A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6642474B2 (ja) * | 2017-02-13 | 2020-02-05 | オムロン株式会社 | 状態判定装置、学習装置、状態判定方法及びプログラム |
CN112005245A (zh) * | 2018-04-05 | 2020-11-27 | 株式会社小糸制作所 | 运算处理装置、对象识别系统、学习方法、汽车、车辆用灯具 |
KR20210075568A (ko) * | 2019-12-13 | 2021-06-23 | 임영한 | 인공지능에 의한 교차로 신호등 |
FR3112009B1 (fr) * | 2020-06-30 | 2022-10-28 | St Microelectronics Grenoble 2 | Procédé de conversion d’une image numérique |
US20220122360A1 (en) * | 2020-10-21 | 2022-04-21 | Amarjot Singh | Identification of suspicious individuals during night in public areas using a video brightening network system |
WO2022250153A1 (ja) * | 2021-05-27 | 2022-12-01 | 京セラ株式会社 | 学習済みモデル生成装置、学習済みモデル生成方法、及び認識装置 |
CN117396927A (zh) * | 2021-05-28 | 2024-01-12 | 京瓷株式会社 | 训练模型生成装置、训练模型生成方法和识别装置 |
US11367289B1 (en) * | 2021-07-16 | 2022-06-21 | Motional Ad Llc | Machine learning-based framework for drivable surface annotation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11275376A (ja) * | 1998-03-24 | 1999-10-08 | Konica Corp | 色彩データ保持方法およびカラーマネージメント方法 |
JP2008105518A (ja) * | 2006-10-25 | 2008-05-08 | Calsonic Kansei Corp | カメラ内蔵ランプ |
JP2009017157A (ja) * | 2007-07-04 | 2009-01-22 | Omron Corp | 画像処理装置および方法、並びに、プログラム |
JP2017533482A (ja) * | 2015-09-10 | 2017-11-09 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 車線データの処理方法、装置、記憶媒体及び機器 |
KR101818129B1 (ko) * | 2017-04-25 | 2018-01-12 | 동국대학교 산학협력단 | 나선 신경망 기법을 이용한 보행자 인식 장치 및 방법 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05127698A (ja) * | 1991-10-30 | 1993-05-25 | Ricoh Co Ltd | ニユーラルネツトワークによるパターン変換装置及び画像パターン復元装置 |
JP2009098023A (ja) | 2007-10-17 | 2009-05-07 | Toyota Motor Corp | 物体検出装置及び物体検出方法 |
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 |
US9576185B1 (en) | 2015-09-14 | 2017-02-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Classifying objects detected by 3D sensors for autonomous vehicle operation |
KR20180092778A (ko) * | 2017-02-10 | 2018-08-20 | 한국전자통신연구원 | 실감정보 제공 장치, 영상분석 서버 및 실감정보 제공 방법 |
CN107767408B (zh) | 2017-11-09 | 2021-03-12 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
US10984286B2 (en) * | 2018-02-02 | 2021-04-20 | Nvidia Corporation | Domain stylization using a neural network model |
CN112005245A (zh) * | 2018-04-05 | 2020-11-27 | 株式会社小糸制作所 | 运算处理装置、对象识别系统、学习方法、汽车、车辆用灯具 |
-
2019
- 2019-04-03 CN CN201980023552.5A patent/CN112005245A/zh active Pending
- 2019-04-03 WO PCT/JP2019/014890 patent/WO2019194256A1/ja active Application Filing
- 2019-04-03 EP EP19781869.3A patent/EP3779872A4/en not_active Withdrawn
- 2019-04-03 JP JP2020512308A patent/JP7268001B2/ja active Active
-
2020
- 2020-10-02 US US17/061,662 patent/US11676394B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11275376A (ja) * | 1998-03-24 | 1999-10-08 | Konica Corp | 色彩データ保持方法およびカラーマネージメント方法 |
JP2008105518A (ja) * | 2006-10-25 | 2008-05-08 | Calsonic Kansei Corp | カメラ内蔵ランプ |
JP2009017157A (ja) * | 2007-07-04 | 2009-01-22 | Omron Corp | 画像処理装置および方法、並びに、プログラム |
JP2017533482A (ja) * | 2015-09-10 | 2017-11-09 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 車線データの処理方法、装置、記憶媒体及び機器 |
KR101818129B1 (ko) * | 2017-04-25 | 2018-01-12 | 동국대학교 산학협력단 | 나선 신경망 기법을 이용한 보행자 인식 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP7268001B2 (ja) | 2023-05-02 |
US20210027102A1 (en) | 2021-01-28 |
EP3779872A1 (en) | 2021-02-17 |
WO2019194256A1 (ja) | 2019-10-10 |
US11676394B2 (en) | 2023-06-13 |
EP3779872A4 (en) | 2021-05-19 |
JPWO2019194256A1 (ja) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112005245A (zh) | 运算处理装置、对象识别系统、学习方法、汽车、车辆用灯具 | |
US10377322B2 (en) | In-vehicle camera and vehicle control system | |
JP6176028B2 (ja) | 車両制御システム、画像センサ | |
JP5680573B2 (ja) | 車両の走行環境認識装置 | |
US20120062746A1 (en) | Image Processing Apparatus | |
JP4389999B2 (ja) | 露出制御装置及び露出制御プログラム | |
JP4433045B2 (ja) | 露出制御装置及び露出制御プログラム | |
JP2020501423A (ja) | 車両の周辺領域を状況に依存した捕捉を実施するためのカメラ手段及び方法 | |
JP2009017157A (ja) | 画像処理装置および方法、並びに、プログラム | |
CN113767395A (zh) | 图像识别装置、固态成像装置及图像识别方法 | |
CN111989709A (zh) | 运算处理装置、对象识别系统、对象识别方法、汽车、车辆用灯具 | |
JP6468568B2 (ja) | 物体認識装置、モデル情報生成装置、物体認識方法、および物体認識プログラム | |
CN114520880A (zh) | 一种曝光参数调节方法及装置 | |
CN110536814B (zh) | 摄像机装置及与周围环境相适应地检测车辆周围环境区域的方法 | |
US20200118280A1 (en) | Image Processing Device | |
JP6789151B2 (ja) | カメラ装置、検出装置、検出システムおよび移動体 | |
US20220014674A1 (en) | Imaging system and image processing apparatus | |
WO2019058755A1 (ja) | 物体距離検出装置 | |
JP2004304303A (ja) | 対象物認識装置および対象物認識方法 | |
JP7253693B2 (ja) | 画像処理装置 | |
US10957023B2 (en) | Vehicular vision system with reduced windshield blackout opening | |
KR20230048429A (ko) | 해질녘 및 야간의 야생 동물 횡단으로 인한 사고를 방지하기 위한 시스템 | |
JP2023036384A (ja) | 固体撮像装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |