JP2015197702A5 - - Google Patents

Download PDF

Info

Publication number
JP2015197702A5
JP2015197702A5 JP2014073728A JP2014073728A JP2015197702A5 JP 2015197702 A5 JP2015197702 A5 JP 2015197702A5 JP 2014073728 A JP2014073728 A JP 2014073728A JP 2014073728 A JP2014073728 A JP 2014073728A JP 2015197702 A5 JP2015197702 A5 JP 2015197702A5
Authority
JP
Japan
Prior art keywords
random number
vector
information processing
processing apparatus
basis
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
Application number
JP2014073728A
Other languages
English (en)
Other versions
JP6393058B2 (ja
JP2015197702A (ja
Filing date
Publication date
Application filed filed Critical
Priority to JP2014073728A priority Critical patent/JP6393058B2/ja
Priority claimed from JP2014073728A external-priority patent/JP6393058B2/ja
Priority to US14/662,488 priority patent/US10013628B2/en
Publication of JP2015197702A publication Critical patent/JP2015197702A/ja
Publication of JP2015197702A5 publication Critical patent/JP2015197702A5/ja
Application granted granted Critical
Publication of JP6393058B2 publication Critical patent/JP6393058B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Description

ランダムプロジェクションでは、乱数に基づいて生成した基底ベクトルを用いて特徴ベクトルをより低次元の空間に射影する。一般的に射影演算を実現する場合、特許文献に開示されている様に、記憶装置に格納された基底ベクトル(別途予め算出された基底ベクトル)を参照しながら処理する。
特徴抽出処理部102は、外部メモリ111から転送された画素ブロックごとに、該画素ブロックからn次元の特徴ベクトル(要素数がnのベクトル)を抽出する。この特徴ベクトルは、例えば、輝度勾配の方向をビンとしたヒストグラムや複数画像フレーム間の画素の動きベクトル(オプティカルフロー等)の方向をビンとしたヒストグラム等、識別目的に応じて定める様々な特徴量に基づくデータ列である。
まずDMAC108によって外部メモリ111に格納されている乱数シードをシードバッファ107に転送する(801、803)。特徴抽出処理部102は、この転送に並行して特徴抽出処理を実行する(815)。特徴抽出処理(815)と乱数シードの転送(801,803)を終了すると、シードバッファ107からの乱数シードの読み出し(806)、乱数生成処理(808)、基底ベクトル生成処理(810)を順次実行する。生成された基底ベクトルと格納済みの特徴ベクトルに対して内積演算処理を実行する(812)。ここでは、内積演算処理部103で並列に処理する基底ベクトルの個数分の内積演算が実行される。ここでの一連の処理と並行して、次の内積演算処理(813)のための乱数シードの転送を開始する(802、804)。内積演算処理(812)が終了すると、シードバッファ107に格納された乱数シードを参照して乱数生成処理(809)、基底ベクトル生成処理(811)を順次実行する。更に、生成された基底ベクトルと特徴抽出処理815で抽出された特徴ベクトルとの内積演算を実行する(813)。内積演算(813)を終了すると、得られた射影ベクトルに対して識別処理(814)を開始する。この様に本実施形態では、外部メモリに格納する少量の乱数シードに基づいて基底ベクトルを動的に生成しながら射影演算を実行する。
Figure 2015197702
第3層(特徴面1111)では、前層の特徴面1107a、1107bに対する非線形コンボリューション演算により検出対象の存在尤度を算出する(1112)。ここで、式(6)は一つのコンボリューションフィルタを基底ベクトルとすると式(1)に示す射影演算の総和(前層への結合数i)に非線形関数演算を追加したものと捉える事ができる(式(7))。つまり、非線形コンボリューション演算を非線形射影演算と定義できる(射影後の次元は特徴面の数に対応することになる)。
Figure 2015197702
一般的にコンボリューションフィルタの係数Ei(=weight)はバックプロパゲーション等により学習される。一方、非特許文献2に開示されている様に、下位階層(本実施形態の場合、第1層1106、第2層1110)の係数Weightに乱数を使用しても良い検出性能を示す事が知られている。本実施形態では第1層1106、第2層1110のコンボリューションフィルタ1104a〜1104c、1108a〜1108fの係数が乱数から生成するものとする。
図13はCNN回路の動作タイミングを模式的に説明する図である。図13は特徴面1107aの一つの注目点の値を算出する場合の例を示している。1301aはシードデータの読み出し処理であり、1108aのフィルタ演算の係数に対応する乱数シードのシードメモリ1205からの読み出しを示す。1302aは乱数生成処理部1204の動作期間であり、1301aで読みだされた乱数シードに基づいて乱数列を生成する処理を示す。1303aは基底ベクトル生成処理部1203の動作期間であり、乱数生成処理部1204で生成された乱数列に基づいてコンボリューションフィルタ1108aの係数に相当する基底ベクトルを生成する。即ち乱数列から所定の条件でフィルタ係数列を取り出す。1304aは特徴面データ保持メモリ1202からのデータ読み出し期間を示す。ここでは1105aに相当する特徴面の領域データを読み出す。1305aは非線形コンボリューション演算処理部1201の動作期間を示す。ここでは基底ベクトル生成処理部1203で生成されたフィルタ係数と特徴面データ保持メモリ1202から読み出された前層の特徴データとの内積演算を実行し、その結果を累積加算器に格納する。同様に1301b〜1305bのタイミングで前層の特徴1105bに対して1108bに示すフィルタ演算を実行し、その結果を累積加算する。更に同様に1301c〜1305cのタイミングで前層の特徴1105cに対して1108cに示すフィルタ演算を実行し、その結果を累積加算する。1306は3つのフィルタ演算の結果の累積和を非線形変換処理するタイミングである。なお、バイアス項は図示しないメモリに階層毎に格納し、その加算も1306で処理されるものとする。非線形変換処理された累積加算結果は1307で特徴面データ保持メモリ1202に格納する。以上の処理をラスタスキャン順に処理する事で特徴面1107aを算出する。
また、第3の実施形態では、CNNに適用した場合について説明したが、乱数に基づく係数による複数のコンボリューション演算処理を有する様々な処理に対応可能である。また、一般的なMulti Layer Perceptron型のニューラルネットワークに適用しても良い。この場合、階層型ニューラルネットワークの一つのニューロン値を算出するための前層ニューロン値に対する結合係数列が上記の基底ベクトルに対応する。更に、以下に開示されているRecursive Neural Networks等に適用しても良い。

Claims (10)

  1. 変換元ベクトルを取得する取得手段と、
    メモリに格納されている複数の乱数シードを用いて複数の乱数列を生成する生成手段と、
    前記複数の乱数列から複数の基底ベクトルを生成し、該生成した複数の基底ベクトルを用いて前記変換元ベクトルに対する乱数射影を行うことで、該変換元ベクトルをより低次元のベクトルに変換する変換手段と
    を備えることを特徴とする情報処理装置。
  2. 前記変換手段は、前記複数の基底ベクトルのそれぞれと、前記変換元ベクトルと、の内積演算を行うことで、前記変換元ベクトルをより低次元のベクトルに変換することを特徴とする請求項1に記載の情報処理装置。
  3. 前記変換手段は、前記複数の乱数列を、前記複数の基底ベクトルとすることを特徴とする請求項1又は2に記載の情報処理装置。
  4. 前記変換手段は、前記複数の乱数列から平均乱数列を求め、該求めた平均乱数列から前記基底ベクトルを取り出すことを特徴とする請求項1又は2に記載の情報処理装置。
  5. 更に、
    複数の乱数シードの候補のそれぞれについて、該候補を用いて乱数列を生成し、該乱数列から基底ベクトルを生成し、該基底ベクトルと、複数の学習画像のそれぞれから予め抽出された特徴ベクトルと、の内積演算の結果から、該候補に対する評価値を求める手段と、
    前記複数の乱数シードの候補のうち前記評価値が高い順に上位から、前記変換手段により変換するベクトルの次元数に対応する個数の候補を、前記生成手段が用いる乱数シードとして前記メモリに登録する手段と
    を備えることを特徴とする請求項1乃至4の何れか1項に記載の情報処理装置。
  6. 前記基底ベクトルは、コンボリューション演算で用いるフィルタ係数であることを特徴とする請求項1乃至5の何れか1項に記載の情報処理装置。
  7. 前記基底ベクトルは、コンボリューショナルニューラルネットワークで用いるフィルタ係数であることを特徴とする請求項1乃至5の何れか1項に記載の情報処理装置。
  8. 前記基底ベクトルは、階層型ニューラルネットワークにおける1つのニューロン値を算出するための前層ニューロン値に対する結合係数列であることを特徴とする請求項1乃至5の何れか1項に記載の情報処理装置。
  9. 情報処理装置が行う情報処理方法であって、
    前記情報処理装置の取得手段が、変換元ベクトルを取得する取得工程と、
    前記情報処理装置の生成手段が、メモリに格納されている複数の乱数シードを用いて複数の乱数列を生成する生成工程と、
    前記情報処理装置の変換手段が、前記複数の乱数列から複数の基底ベクトルを生成し、該生成した複数の基底ベクトルを用いて前記変換元ベクトルに対する乱数射影を行うことで、該変換元ベクトルをより低次元のベクトルに変換する変換工程と
    を備えることを特徴とする情報処理方法。
  10. コンピュータを、請求項1乃至8の何れか1項に記載の情報処理装置の各手段として機能させるためのコンピュータプログラム。
JP2014073728A 2014-03-31 2014-03-31 情報処理装置、情報処理方法 Active JP6393058B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014073728A JP6393058B2 (ja) 2014-03-31 2014-03-31 情報処理装置、情報処理方法
US14/662,488 US10013628B2 (en) 2014-03-31 2015-03-19 Information processing apparatus and information processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014073728A JP6393058B2 (ja) 2014-03-31 2014-03-31 情報処理装置、情報処理方法

Publications (3)

Publication Number Publication Date
JP2015197702A JP2015197702A (ja) 2015-11-09
JP2015197702A5 true JP2015197702A5 (ja) 2017-05-25
JP6393058B2 JP6393058B2 (ja) 2018-09-19

Family

ID=54190846

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014073728A Active JP6393058B2 (ja) 2014-03-31 2014-03-31 情報処理装置、情報処理方法

Country Status (2)

Country Link
US (1) US10013628B2 (ja)
JP (1) JP6393058B2 (ja)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10892889B2 (en) * 2015-04-07 2021-01-12 Coleridge Enterprises Llc Systems and methods for an enhanced XOR cipher through extensions
US20170085371A1 (en) * 2015-04-07 2017-03-23 Secure Channels Sa System and method for an enhanced xor cipher through extensions
US11074492B2 (en) * 2015-10-07 2021-07-27 Altera Corporation Method and apparatus for performing different types of convolution operations with the same processing elements
US10013653B2 (en) * 2016-01-26 2018-07-03 Università della Svizzera italiana System and a method for learning features on geometric domains
US10210430B2 (en) 2016-01-26 2019-02-19 Fabula Ai Limited System and a method for learning features on geometric domains
EP3552112A1 (en) * 2016-12-09 2019-10-16 Beijing Horizon Information Technology Co., Ltd. Systems and methods for data management
JP6846310B2 (ja) * 2017-08-18 2021-03-24 日本電信電話株式会社 距離測定装置、データ変換装置、距離測定方法、及びプログラム
US10726335B2 (en) * 2017-10-26 2020-07-28 Uber Technologies, Inc. Generating compressed representation neural networks having high degree of accuracy
CN107886942B (zh) * 2017-10-31 2021-09-28 东南大学 一种基于局部惩罚随机谱回归的语音信号情感识别方法
US11190498B1 (en) 2018-01-11 2021-11-30 Secure Channels, Inc. System and method for use of filters within a cryptographic process
JP2020052520A (ja) * 2018-09-25 2020-04-02 エヌ・ティ・ティ・コムウェア株式会社 判定装置、判定方法、およびプログラム
JP7012168B2 (ja) * 2018-10-12 2022-01-27 オリンパス株式会社 演算処理装置
GB2578729B (en) * 2018-11-05 2021-02-03 Dunkley Adam Generating a psuedorandom number sequence
JP7227769B2 (ja) * 2019-01-10 2023-02-22 キヤノン株式会社 情報処理装置及びメモリ制御方法
US10325371B1 (en) * 2019-01-22 2019-06-18 StradVision, Inc. Method and device for segmenting image to be used for surveillance using weighted convolution filters for respective grid cells by converting modes according to classes of areas to satisfy level 4 of autonomous vehicle, and testing method and testing device using the same
US11804955B1 (en) 2019-09-13 2023-10-31 Chol, Inc. Method and system for modulated waveform encryption

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3055672B2 (ja) * 1997-02-14 2000-06-26 日本電気株式会社 画像データのエンコードシステム及び画像入力装置
US7428066B2 (en) 2001-04-09 2008-09-23 Canon Kabushiki Kaisha Printing apparatus and method for verifying a printer controller
JP3863775B2 (ja) * 2001-12-25 2006-12-27 株式会社九州エレクトロニクスシステム 画像情報圧縮方法及び画像情報圧縮装置並びに画像情報圧縮プログラム
US7702103B2 (en) * 2002-10-25 2010-04-20 Nagra France Device for the transformation of MPEG 2-type multimedia and audiovisual contents into secured contents of the same type
DE602004007850T2 (de) * 2004-01-30 2008-05-21 Hewlett-Packard Development Co., L.P., Houston Authentifizierungsverfahren und -vorrichtung
US7958063B2 (en) * 2004-11-11 2011-06-07 Trustees Of Columbia University In The City Of New York Methods and systems for identifying and localizing objects based on features of the objects that are mapped to a vector
US20070041638A1 (en) * 2005-04-28 2007-02-22 Xiuwen Liu Systems and methods for real-time object recognition
US8023699B2 (en) * 2007-03-09 2011-09-20 Jiris Co., Ltd. Iris recognition system, a method thereof, and an encryption system using the same
JP5171118B2 (ja) 2007-06-13 2013-03-27 キヤノン株式会社 演算処理装置及びその制御方法
JP5368687B2 (ja) 2007-09-26 2013-12-18 キヤノン株式会社 演算処理装置および方法
US9311403B1 (en) * 2010-06-16 2016-04-12 Google Inc. Hashing techniques for data set similarity determination
JP5596648B2 (ja) 2011-09-26 2014-09-24 日本電信電話株式会社 ハッシュ関数生成方法、ハッシュ関数生成装置、ハッシュ関数生成プログラム
JP2013145954A (ja) * 2012-01-13 2013-07-25 Toyota Central R&D Labs Inc 分散情報処理装置

Similar Documents

Publication Publication Date Title
JP2015197702A5 (ja)
Li et al. An all-in-one network for dehazing and beyond
JP6393058B2 (ja) 情報処理装置、情報処理方法
Lu et al. Depth enhancement via low-rank matrix completion
Makhzani et al. K-sparse autoencoders
WO2018157873A1 (en) Fine-grained object recognition in robotic systems
TW202101371A (zh) 視訊流的處理方法和裝置
JP2018028899A5 (ja)
JP2016110653A (ja) ビデオストリーム内のコンテンツを分割及び追跡する方法
JP6395555B2 (ja) シーンから取得されたビデオを処理する方法
JP2018175226A5 (ja)
JP2020527812A5 (ja)
JP6664579B2 (ja) 学習装置、学習方法及び学習プログラム
Glegoła et al. MobileNet family tailored for Raspberry Pi
Szandała Convolutional neural network for blur images detection as an alternative for Laplacian method
KR102328029B1 (ko) 블러 이미지 처리 방법 및 장치
US10580127B2 (en) Model generation apparatus, evaluation apparatus, model generation method, evaluation method, and storage medium
Babu et al. Subject independent human action recognition using spatio-depth information and meta-cognitive RBF network
JP2016224821A (ja) 学習装置、学習装置の制御方法及びプログラム
JP2019212132A (ja) 画像処理方法、画像処理装置、撮像装置、プログラム、および、記憶媒体
CN111046740B (zh) 针对人类动作视频基于全张量化循环神经网络的分类方法
Torem et al. Complex-valued retrievals from noisy images using diffusion models
Dabhi et al. High fidelity 3d reconstructions with limited physical views
Conti et al. A regularized deep learning approach for image de-blurring
JP2006506724A (ja) 映像に固有の時間変動情報を介するオブジェクト分類