JP2012529110A - 無作為多項ロジットを用いる意味場面区画 - Google Patents
無作為多項ロジットを用いる意味場面区画 Download PDFInfo
- Publication number
- JP2012529110A JP2012529110A JP2012514018A JP2012514018A JP2012529110A JP 2012529110 A JP2012529110 A JP 2012529110A JP 2012514018 A JP2012514018 A JP 2012514018A JP 2012514018 A JP2012514018 A JP 2012514018A JP 2012529110 A JP2012529110 A JP 2012529110A
- Authority
- JP
- Japan
- Prior art keywords
- texton
- rml
- classifier
- image
- images
- 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.)
- Granted
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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
Abstract
【解決手段】無作為多項ロジット(RML)分類装置を使用し、場面区画に当該装置を適用するシステム及び方法が開示される。システムは、画像テクストン化モジュール、特徴選択モジュール及びRML分類装置を含む。画像テクストン化モジュールは、画像の被写体が事前にラベル付けされている訓練画像集合を受け取り、訓練画像集合から対応するテクストン画像を生成する。特徴選択モジュールは、テクストン画像から1又は複数のテクスチャレイアウト特徴を無作為に選択する。RML分類装置は、複数の多項ロジスティック回帰モデルを有し、選択されたテクスチャレイアウト特徴を使用して多項ロジスティック回帰モデルのそれぞれを学習し、学習済のモデルを、入力画像に対して適用し場面を区画する。
【選択図】図3A
Description
(システム概要)
(RML画像テクストン化)
(無作為多項ロジット(RML)分類子)
(RMLテクスチャレイアウト特徴選択)
その後、回帰モデルは、現在の係数を初期値として、最適化のために再学習される。消去された特徴は統計的に有意ではないので、他の特徴についての係数値は一般的には有意に変化することはなく、再学習は効率的に進む。
(場面区画へのRML分類子の適用)
110A 訓練画像集合
110B 入力画像
120 メモリ
122 画像テクストン化モジュール
124 特徴選択モジュール
126 無作為多項ロジット(RML)分類子
128 データストア
140 出力制御装置
150 プロセッサ
Claims (28)
- 場面区画のための無作為多項ロジット(RML)分類子を使用するコンピュータを用いる方法であって、
前記方法は、
意味ラベルを有する被写体の画像の複数のデジタル代表値を含む訓練画像集合を受け取り、
前記訓練画像集合内の画像に対応する複数のテクストン画像であって、画素値が前記訓練画像集合内の対応する画像の画素値の代表値によって置換される画素を有する複数のテクストン画像を生成し、
前記複数のテクストン画像から、1又は複数のテクスチャレイアウト特徴を選択し、
前記選択されたテクスチャレイアウト特徴に基づいて、前記RML分類子の複数の多項ロジスティック回帰モデルを学習し、
前記訓練画像集合内の被写体の意味ラベルに基づいて、前記複数の多項ロジスティック回帰モデルの性能を評価すること、
を特徴とする方法。 - 前記訓練画像情報内の前記画像に対応する前記複数のテクストン画像を生成することは、
前記訓練画像集合内の画像間のコントラストのばらつき及び輝度のばらつきを除去し、
フィルタバンクを用いて前記訓練画像集合の前記画像を多重化し、
前記多重化された画像をクラスタリングすることを含むこと、
を特徴とする請求項1に記載の方法。 - 前記フィルタバンクは、
異なる縮尺におけるガウシアン、異なる縮尺におけるガウシアンの微分係数、及び、異なる縮尺におけるガウシアンのラプラシアンからなる17次元フィルタバンクであること、
を特徴とする請求項2に記載の方法。 - 前記多重化された画像をクラスタリングすることは、
階層的k平均クラスタリング方法を使用して前記多重化された画像をクラスタクリングすることを含むこと、
を特徴とする請求項2に記載の方法。 - 前記多重化された画像の17次元ベクトルは、
前記ベクトルが属するクラスタの識別子によって表されること、
を特徴とする請求項4に記載の方法。 - 前記複数のテクストン画像から、1又は複数のテクスチャレイアウト特徴を選択することは、
前記RML分類子によって現在使用されている特徴の統計的有意性に基づいて、前記現在使用されている特徴を無作為に選択された新たな特徴と交換することを含むこと、
を特徴とする請求項1に記載の方法。 - 前記特徴の統計的有意性は、
前記特徴に関連付けられた係数値と前記係数値の標準偏差とを比較することによって決定されること、
を特徴とする請求項6に記載の方法。 - 前記テクストン画像から選択された前記テクスチャレイアウト特徴は、
前記テクストン画像の長方形領域及びテクストン語を含むこと、
を特徴とする請求項6に記載の方法。 - 前記方法は、
前記長方形領域の内側にある画素のうち画素値が前記テクストン語の値に等しい画素の数が、前記長方形領域の内側にある画素の総数に占める百分率を算出すること、
を特徴とする請求項8に記載の方法。 - 前記テクストン語の値は、
前記テクストン語のクラスタ識別子に等しいこと、
を特徴とする請求項9に記載の方法。 - 前記RML分類子の複数の多項ロジスティック回帰モデルを学習することは、
前記RML分類子の複数の多項ロジスティック回帰モデルごとに、
選択されたテクスチャレイアウト特徴のテクストン語の確率分布を推定し、
前記テクストン語の前記推定された確率分布の誤差を最小化し、
前記テクストン語の前記推定された確率分布を最適化することを含むこと、
を特徴とする請求項1に記載の方法。 - 前記RML分類子の複数の多項ロジスティック回帰モデルを学習することは、
前記複数の多項ロジスティック回帰モデルからの、テクストン語の確率分布を平均し、前記テクストン語ごとに最終出力ラベルを生成することを含むこと、
を特徴とする請求項11に記載の方法。 - 前記方法は、
前記多項ロジスティック回帰モデルの性能が性能閾値より低い場合は、前記RML分類子の多項ロジスティック回帰モデルを再学習すること、
を特徴とする請求項1に記載の方法。 - 前記方法は、
場面区画の対象となる入力画像に対して前記RML分類子を適用すること、
を特徴とする請求項1に記載の方法。 - 場面区画のための無作為多項ロジット(RML)分類子を使用する方法のためのコンピュータシステムであって、
前記コンピュータシステムは、
画像テクストン化モジュール、特徴選択モジュール及びRML分類子を有し、
前記テクストン化モジュールは、
意味ラベルを有する被写体の画像の複数のデジタル代表値を含む訓練画像集合を受け取り、
前記訓練画像集合内の画像に対応する複数のテクストン画像であって、画素値が前記訓練画像集合内の対応する画像の画素値の代表値によって置換される画素を有する複数のテクストン画像を生成し、
前記特徴選択モジュールは、
前記複数のテクストン画像から、1又は複数のテクスチャレイアウト特徴を選択し、
前記RML分類子は、
前記選択されたテクスチャレイアウト特徴に基づいて、前記RML分類子の複数の多項ロジスティック回帰モデルを学習し、
前記訓練画像集合内の前記被写体の前記意味ラベルに基づいて、前記複数の多項ロジスティック回帰モデルの性能を評価すること、
を特徴とするコンピュータシステム。 - 前記テクストン化モジュールは、
前記訓練画像集合内の画像間のコントラストのばらつき及び輝度のばらつきを除去し、
フィルタバンクを用いて前記訓練画像集合を多重化し、
前記多重化された画像をクラスタリングすること、
を特徴とする請求項15に記載のコンピュータシステム。 - 前記フィルタバンクは、
異なる縮尺におけるガウシアン、異なる縮尺におけるガウシアンの微分係数、及び、異なる縮尺におけるガウシアンのラプラシアンからなる17次元フィルタバンクであること、
を特徴とする請求項16に記載のコンピュータシステム。 - 前記多重化された画像の17次元ベクトルは、
前記ベクトルが属するクラスタの識別子によって表されること、
を特徴とする請求項17に記載のコンピュータシステム。 - 前記特徴選択モジュールは、
前記RML分類子によって現在使用されている特徴の統計的有意性に基づいて、前記現在使用されている特徴を無作為に選択された新たな特徴と交換すること、
を特徴とする請求項15に記載のコンピュータシステム。 - 前記テクストン画像から選択された前記テクスチャレイアウト特徴は、
前記テクストン画像の長方形領域及びテクストン語を含むこと、
を特徴とする請求項19に記載のコンピュータシステム。 - 前記特徴選択モジュールは、
前記長方形領域の内側にある画素のうち画素値が前記テクストン語の値に等しい画素の数が、前記長方形領域の内側にある画素の総数に占める百分率を算出すること、
を特徴とする請求項20に記載のコンピュータシステム。 - 前記RML分類子は、
前記RML分類子の複数の多項ロジスティック回帰モデルのそれぞれを設定し、
選択されたテクスチャレイアウト特徴のテクストン語の確率分布を推定し、
前記テクストン語の前記推定された確率分布の誤差を最小化し、
前記テクストン語の前記推定された確率分布を最適化すること、
を特徴とする請求項15に記載のコンピュータシステム。 - 前記RML分類子は、
前記複数の多項ロジスティック回帰モデルからの、テクストン語の確率分布を平均し、前記テクストン語ごとに最終出力ラベルを生成すること、
を特徴とする請求項22に記載のコンピュータシステム。 - 前記RML分類子は、
前記多項ロジスティック回帰モデルの性能が性能閾値より低い場合は、前記RML分類子の多項ロジスティック回帰モデルを再学習すること、
を特徴とする請求項15に記載のコンピュータシステム。 - 前記RML分類子は、
場面区画の対象となる入力画像に対して前記RML分類子を適用すること、
を特徴とする請求項15に記載のコンピュータシステム。 - 場面区画のための無作為多項ロジット(RML)分類子を使用するコンピュータプログラム製品であって、
前記コンピュータプログラム製品は、
意味ラベルを有する被写体の画像の複数のデジタル代表値を含む訓練画像集合を受け取り、
前記訓練画像集合内の画像に対応する複数のテクストン画像であって、画素値が前記訓練画像集合内の対応する画像の画素値の代表値によって置換される画素を有する複数のテクストン画像を生成し、
前記複数のテクストン画像から、1又は複数のテクスチャレイアウト特徴を選択し、
前記選択されたテクスチャレイアウト特徴に基づいて、前記RML分類子の複数の多項ロジスティック回帰モデルを学習し、
前記訓練画像集合内の前記被写体の前記意味ラベルに基づいて、前記複数の多項ロジスティック回帰モデルの性能を評価する処理を実行するためのコンピュータプログラムコードを格納するコンピュータ読取可能な媒体を含むこと、
を特徴とするコンピュータプログラム製品。 - 前記RML分類子の複数の多項ロジスティック回帰モデルを学習するためのコンピュータプログラムコードは、
前記RML分類子の複数の多項ロジスティック回帰モデルごとに、
選択されたテクスチャレイアウト特徴のテクストン語の確率分布を推定し、
前記テクストン語の前記推定された確率分布の誤差を最小化し、
前記テクストン語の前記推定された確率分布を最適化するコンピュータプログラムコードを含むこと、
を特徴とする請求項26に記載のコンピュータプログラム製品。 - 前記コンピュータプログラム製品は、
場面区画の対象となる入力画像に対して前記RML分類子を適用するコンピュータプログラムコードを含むこと、
を特徴とする請求項26に記載のコンピュータプログラム製品。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US21793009P | 2009-06-04 | 2009-06-04 | |
US61/217,930 | 2009-06-04 | ||
US12/789,292 US8442309B2 (en) | 2009-06-04 | 2010-05-27 | Semantic scene segmentation using random multinomial logit (RML) |
US12/789,292 | 2010-05-27 | ||
PCT/US2010/036656 WO2010141369A1 (en) | 2009-06-04 | 2010-05-28 | Semantic scene segmentation using random multinomial logit (rml) |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2012529110A true JP2012529110A (ja) | 2012-11-15 |
JP2012529110A5 JP2012529110A5 (ja) | 2013-07-18 |
JP5357331B2 JP5357331B2 (ja) | 2013-12-04 |
Family
ID=43298064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012514018A Active JP5357331B2 (ja) | 2009-06-04 | 2010-05-28 | 無作為多項ロジットを用いる意味場面区画 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8442309B2 (ja) |
JP (1) | JP5357331B2 (ja) |
DE (1) | DE112010002232B4 (ja) |
WO (1) | WO2010141369A1 (ja) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8891869B2 (en) * | 2011-03-31 | 2014-11-18 | Sony Corporation | System and method for effectively performing an integrated segmentation procedure |
WO2012166840A2 (en) * | 2011-06-01 | 2012-12-06 | The Board Of Trustees Of The Leland Stanford Junior University | Learning of image processing pipeline for digital imaging devices |
CN102663418B (zh) * | 2012-03-21 | 2014-04-23 | 清华大学 | 一种基于回归模型的图像集合建模与匹配方法 |
FR2996939B1 (fr) * | 2012-10-12 | 2014-12-19 | Commissariat Energie Atomique | Procede de classification d'un objet multimodal |
CN103268635B (zh) * | 2013-05-15 | 2016-08-10 | 北京交通大学 | 一种几何网格场景模型的分割及语义标注方法 |
US9488483B2 (en) * | 2013-05-17 | 2016-11-08 | Honda Motor Co., Ltd. | Localization using road markings |
EP3120300A4 (en) * | 2014-03-19 | 2017-11-22 | Neurala Inc. | Methods and apparatus for autonomous robotic control |
CN105389583A (zh) * | 2014-09-05 | 2016-03-09 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
CN106327469B (zh) * | 2015-06-29 | 2019-06-18 | 北京航空航天大学 | 一种语义标签引导的视频对象分割方法 |
US20170200041A1 (en) * | 2016-01-13 | 2017-07-13 | Regents Of The University Of Minnesota | Multi-modal data and class confusion: application in water monitoring |
CN106021376B (zh) * | 2016-05-11 | 2019-05-10 | 上海点融信息科技有限责任公司 | 用于处理用户信息的方法和设备 |
WO2017211395A1 (en) * | 2016-06-07 | 2017-12-14 | Toyota Motor Europe | Control device, system and method for determining the perceptual load of a visual and dynamic driving scene |
US11205103B2 (en) | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
US10635927B2 (en) | 2017-03-06 | 2020-04-28 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
CN106971150B (zh) * | 2017-03-15 | 2020-09-08 | 国网山东省电力公司威海供电公司 | 基于逻辑回归的排队异常检测方法及装置 |
US11798297B2 (en) * | 2017-03-21 | 2023-10-24 | Toyota Motor Europe Nv/Sa | Control device, system and method for determining the perceptual load of a visual and dynamic driving scene |
CN110533749B (zh) * | 2018-02-07 | 2022-11-11 | 深圳市腾讯计算机系统有限公司 | 一种动态纹理视频生成方法、装置、服务器及存储介质 |
KR20190134272A (ko) | 2018-05-25 | 2019-12-04 | 삼성전자주식회사 | 영상 처리를 위한 네트워크 조정 방법 및 장치 |
JP7242882B2 (ja) * | 2019-09-27 | 2023-03-20 | 富士フイルム株式会社 | 情報処理装置、情報処理装置の作動方法、情報処理装置の作動プログラム |
US20230028042A1 (en) * | 2021-07-21 | 2023-01-26 | Canoo Technologies Inc. | Augmented pseudo-labeling for object detection learning with unlabeled images |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040252870A1 (en) * | 2000-04-11 | 2004-12-16 | Reeves Anthony P. | System and method for three-dimensional image rendering and analysis |
US20080027917A1 (en) * | 2006-07-31 | 2008-01-31 | Siemens Corporate Research, Inc. | Scalable Semantic Image Search |
US20080075361A1 (en) * | 2006-09-21 | 2008-03-27 | Microsoft Corporation | Object Recognition Using Textons and Shape Filters |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4945478A (en) | 1987-11-06 | 1990-07-31 | Center For Innovative Technology | Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like |
DE19623033C1 (de) | 1996-06-08 | 1997-10-16 | Aeg Electrocom Gmbh | Verfahren und Anordnung zur Mustererkennung auf statistischer Basis |
US6711278B1 (en) | 1998-09-10 | 2004-03-23 | Microsoft Corporation | Tracking semantic objects in vector image sequences |
FR2832832A1 (fr) * | 2001-11-23 | 2003-05-30 | Ge Med Sys Global Tech Co Llc | Procede de detection et de caracterisation automatique de nodules dans une image tomographique et systeme d'imagerie medicale par tomodensimetrie correspondant |
US7313268B2 (en) * | 2002-10-31 | 2007-12-25 | Eastman Kodak Company | Method for using effective spatio-temporal image recomposition to improve scene classification |
WO2004083986A2 (en) | 2003-03-19 | 2004-09-30 | Customiser Ltd | Recognition of patterns in data |
US7110000B2 (en) * | 2003-10-31 | 2006-09-19 | Microsoft Corporation | Synthesis of progressively-variant textures and application to arbitrary surfaces |
US20050221266A1 (en) * | 2004-04-02 | 2005-10-06 | Mislevy Robert J | System and method for assessment design |
JP4260060B2 (ja) * | 2004-05-12 | 2009-04-30 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | X線ct装置および画像再構成装置 |
CN101422035B (zh) * | 2006-05-29 | 2012-02-29 | 松下电器产业株式会社 | 光源推定装置、光源推定系统与光源推定方法以及图像高分辨率化装置与图像高分辨率化方法 |
US20090083790A1 (en) | 2007-09-26 | 2009-03-26 | Tao Wang | Video scene segmentation and categorization |
US8213725B2 (en) * | 2009-03-20 | 2012-07-03 | Eastman Kodak Company | Semantic event detection using cross-domain knowledge |
-
2010
- 2010-05-27 US US12/789,292 patent/US8442309B2/en active Active
- 2010-05-28 DE DE112010002232.1T patent/DE112010002232B4/de not_active Expired - Fee Related
- 2010-05-28 WO PCT/US2010/036656 patent/WO2010141369A1/en active Application Filing
- 2010-05-28 JP JP2012514018A patent/JP5357331B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040252870A1 (en) * | 2000-04-11 | 2004-12-16 | Reeves Anthony P. | System and method for three-dimensional image rendering and analysis |
US20080027917A1 (en) * | 2006-07-31 | 2008-01-31 | Siemens Corporate Research, Inc. | Scalable Semantic Image Search |
US20080075361A1 (en) * | 2006-09-21 | 2008-03-27 | Microsoft Corporation | Object Recognition Using Textons and Shape Filters |
Also Published As
Publication number | Publication date |
---|---|
DE112010002232B4 (de) | 2021-12-23 |
DE112010002232T5 (de) | 2012-07-05 |
JP5357331B2 (ja) | 2013-12-04 |
US20100310159A1 (en) | 2010-12-09 |
US8442309B2 (en) | 2013-05-14 |
WO2010141369A1 (en) | 2010-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5357331B2 (ja) | 無作為多項ロジットを用いる意味場面区画 | |
US11182620B2 (en) | Method for training a convolutional recurrent neural network and for semantic segmentation of inputted video using the trained convolutional recurrent neural network | |
CN111160311B (zh) | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 | |
US10699151B2 (en) | System and method for performing saliency detection using deep active contours | |
US20230351544A1 (en) | Low- And High-Fidelity Classifiers Applied To Road-Scene Images | |
US8620026B2 (en) | Video-based detection of multiple object types under varying poses | |
US20220277549A1 (en) | Generative Adversarial Networks for Image Segmentation | |
CN111553397B (zh) | 基于区域全卷积网络和自适应的跨域目标检测方法 | |
CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN111768432A (zh) | 基于孪生深度神经网络的动目标分割方法及系统 | |
CN116188999B (zh) | 一种基于可见光和红外图像数据融合的小目标检测方法 | |
Wang et al. | A feature-supervised generative adversarial network for environmental monitoring during hazy days | |
Vaiyapuri et al. | Automatic Vehicle License Plate Recognition Using Optimal Deep Learning Model. | |
CN112613387A (zh) | 一种基于YOLOv3的交通标志检测方法 | |
CN112651274A (zh) | 路上障碍物检测装置、路上障碍物检测方法及记录介质 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN111476226B (zh) | 一种文本定位方法、装置及模型训练方法 | |
CN110969104A (zh) | 基于二值化网络检测可行驶区域的方法、系统及存储介质 | |
CN115641317A (zh) | 面向病理图像的动态知识回溯多示例学习及图像分类方法 | |
Nakazawa et al. | An EM algorithm based method for constructing dynamic saliency maps considering characteristics while driving | |
CN113807354A (zh) | 图像语义分割方法、装置、设备和存储介质 | |
CN114882449B (zh) | 一种基于Car-Det网络模型的车辆检测方法及装置 | |
US20230245319A1 (en) | Image processing apparatus, image processing method, learning device, learning method, and program | |
CN116630212A (zh) | 一种基于条件gan网络的自适应特征融合的数据合成方法 | |
CN117876719A (zh) | 一种基于逆向知识蒸馏的工业产品异常检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130528 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130528 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20130528 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20130618 |
|
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: 20130730 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130829 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5357331 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |