JP2014524630A5 - - Google Patents

Claims (34)

1. 一連の生画像に対応する生画像データを受け入れる段階と、
   脊椎動物網膜の１つ又はそれよりも多くの網膜細胞の入力／出力変換を実質的に模倣する入力／出力変換によって特徴付けられる符号化器を用いて符号化されたデータを生成するために前記生画像データを処理する段階と、
   前記符号化されたデータに少なくとも部分的に基づいて生成されたデータに第１の機械視覚アルゴリズムを適用する段階と、
   を含むことを特徴とする方法。
2. 前記符号化されたデータに基づいて一連の網膜画像を生成する段階を更に含むことを特徴とする請求項１に記載の方法。
3. 前記符号化されたデータに基づいて前記網膜画像内のピクセル値を決定する段階を含むことを特徴とする請求項２に記載の方法。
4. 前記符号化されたデータに基づいて前記網膜画像内のピクセル値を決定する段階は、網膜細胞応答を示す符号化されたデータに基づいてピクセル強度又は色を決定する段階を含むことを特徴とする請求項３に記載の方法。
5. 網膜細胞応答を示す前記データは、網膜細胞発火率、網膜細胞出力パルス列、及び起動電位から構成されるリストからの少なくとも１つを示すことを特徴とする請求項４に記載の方法。
6. 前記一連の網膜画像に前記第１の機械視覚アルゴリズムを適用する段階、
   を更に含むことを特徴とする請求項２から請求項５のいずれか１項に記載の方法。
7. 前記機械視覚アルゴリズムは、物体認識アルゴリズム、画像分類アルゴリズム、顔認識アルゴリズム、光学文字認識アルゴリズム、コンテンツベースの画像取り出しアルゴリズム、姿勢推定アルゴリズム、運動解析アルゴリズム、自己運動決定アルゴリズム、移動追跡アルゴリズム、オプティカルフロー決定アルゴリズム、光景再現アルゴリズム、３Ｄ容積認識アルゴリズム、及びナビゲーションアルゴリズムから構成されるリストから選択された少なくとも１つを含むことを特徴とする請求項６に記載の方法。
8. 前記機械視覚アルゴリズムは、前記一連の網膜画像に適用された時に、前記符号化器を用いて処理されていない対応する生画像セットに適用された時よりも良好な性能を示すことを特徴とする請求項１から請求項７のいずれか１項に記載の方法。
9. 前記機械視覚アルゴリズムは、自然光景を含む一連の網膜画像に適用された時に、前記符号化器を用いて処理されていない対応する一連の生画像に適用された時よりも良好な性能を示すことを特徴とする請求項８に記載の方法。
10. 前記機械視覚アルゴリズムは、一連の画像内での人間の検出又は識別のためのアルゴリズムを含み、
    前記機械視覚アルゴリズムは、前記人間を含む様々な網膜画像に適用された時に、前記符号化器を用いて処理されていない対応する生画像セットに適用された時よりも良好な検出精度又は識別精度を示す、
    ことを特徴とする請求項８又は請求項９に記載の方法。
11. 前記人間を含む前記一連の画像は、自然光景に位置する該人間の画像を含むことを特徴とする請求項１０に記載の方法。
12. 前記人間を含む前記一連の画像は、前記機械視覚アルゴリズムをトレーニングするのに使用された自然光景とは異なる自然光景に位置する該人間の画像を含むことを特徴とする請求項１１に記載の方法。
13. 前記機械視覚アルゴリズムは、実環境又は仮想環境を通じたナビゲーションのためのアルゴリズムを含み、
    前記機械視覚アルゴリズムは、自然光景を含む一連の網膜画像に適用された時に、前記符号化器を用いて処理されていない対応する生画像セットに適用された時よりも良好なナビゲーション性能を示す、
    ことを特徴とする請求項８又は請求項９に記載の方法。
14. 前記機械視覚アルゴリズムは、自然光景を含む一連の網膜画像に適用された時に、前記符号化器を用いて処理されていない対応する生画像セットに適用された時よりも少ないナビゲーション中の望まない衝突イベントを示すことを特徴とする請求項１３に記載の方法。
15. 前記一連の網膜画像は、前記機械視覚アルゴリズムをトレーニングするのに使用されなかった環境に対応することを特徴とする請求項１４に記載の方法。
16. 前記一連の網膜画像に機械画像処理アルゴリズムを適用して１つ又はそれよりも多くの着目する網膜画像を識別する段階と、
    前記着目する網膜画像に対応する１つ又はそれよりも多くの着目する生画像を識別する段階と、
    を更に含むことを特徴とする請求項１から請求項１５のいずれか１項に記載の方法。
17. 前記着目する生画像を処理する段階を更に含むことを特徴とする請求項１６に記載の方法。
18. 前記着目する生画像を処理する前記段階は、該着目する生画像に第２の機械視覚アルゴリズムを適用する段階を含むことを特徴とする請求項１７に記載の方法。
19. 前記第１の機械視覚アルゴリズムは、網膜画像セットに対してトレーニングされたアルゴリズムを含み、
    前記第２の機械視覚アルゴリズムは、生画像セットに対してトレーニングされたアルゴリズムを含む、
    ことを特徴とする請求項１８に記載の方法。
20. 前記第１の機械視覚アルゴリズムを適用する段階は、ナビゲーションアルゴリズムを適用する段階を含むことを特徴とする請求項１から請求項１９のいずれか１項に記載の方法。
21. 前記ナビゲーションアルゴリズムを適用する段階は、
    前記一連の網膜画像を処理して、該一連の画像内の複数の画像位置での運動を示す運動情報を決定する段階と、
    前記運動情報に基づいて前記一連の画像内の空間領域を分類する段階と、
    前記空間領域の前記分類に基づいてナビゲーション決定を生成する段階と、
    を含む、
    ことを特徴とする請求項２０に記載の方法。
22. 運動情報が、前記一連の画像内のオプティカルフローを示すことを特徴とする請求項２１に記載の方法。
23. 畳み込みニューラルネットワークを使用して前記空間領域を分類する段階、
    を含むことを特徴とする請求項２１又は請求項２２に記載の方法。
24. ナビゲーションアルゴリズムからの結果に基づいてロボット装置の運動を制御する段階を更に含むことを特徴とする請求項２１から請求項２３のいずれか１項に記載の方法。
25. ナビゲーションアルゴリズムからの結果に基づいて仮想空間内の仮想物体の運動を制御する段階を更に含むことを特徴とする請求項１８から請求項２４のいずれか１項に記載の方法。
26. 前記ナビゲーションアルゴリズムは、仮想空間を表す画像データに基づいてトレーニングされたものであることを特徴とする請求項２４又は請求項２５に記載の方法。
27. 前記網膜画像に基づいて機械視覚アルゴリズムをトレーニングする段階を更に含むことを特徴とする請求項１から請求項２６のいずれか１項に記載の方法。
28. 前記機械視覚アルゴリズムをトレーニングする段階は、
    （ｉ）前記機械視覚アルゴリズムを網膜画像セットに適用して出力を生成する段階と、 （ｉｉ）前記出力に基づいて前記機械視覚アルゴリズムの性能を示す性能情報を決定する段階と、
    （ｉｉｉ）前記性能情報に基づいて前記機械視覚アルゴリズムの１つ又はそれよりも多くの特性を修正する段階と、
    を含む、
    ことを特徴とする請求項２７に記載の方法。
29. 選択された性能基準に達するまで段階（ｉ）から段階（ｉｉｉ）までを反復的に繰り返す段階、
    を更に含むことを特徴とする請求項２８に記載の方法。
30. 前記トレーニングされた機械視覚アルゴリズムは、パラメータセットによって特徴付けられ、
    前記パラメータは、前記網膜画像に対応する生画像を用いた前記機械視覚アルゴリズムの同等のトレーニングによって得られると考えられる対応するパラメータとは異なる、
    ことを特徴とする請求項２７から請求項２９のいずれか１項に記載の方法。
31. 符号化されたデータを生成するために符号化器を用いて前記生画像データを処理する段階は、対応する該生画像データと比較して低減された情報量を含む符号化されたデータを生成する段階を含み、
    前記機械視覚アルゴリズムは、前記一連の網膜画像に適用された時に、前記符号化器を用いて処理されていない対応する生画像セットに適用された時よりも良好な性能を示す、 ことを特徴とする請求項６から請求項３０のいずれか１項に記載の方法。
32. 前記符号化されたデータに含まれる前記情報量は、対応する前記生画像データと比較して少なくとも約２倍だけ圧縮されることを特徴とする請求項３１に記載の方法。
33. 生画像データを格納するように構成された少なくとも１つのメモリストレージデバイスと、
    前記メモリと作動可能に結合され、かつ請求項１から請求項３２のいずれか１項に記載の方法を実行するようにプログラムされた少なくとも１つのプロセッサと、
    を含むことを特徴とする装置。
34. 請求項１から請求項３２のいずれか１項に記載の方法の段階を実施するためのコンピュータ実行可能命令を有する持続性コンピュータ可読媒体。