JP2015197702A5 - - Google Patents
Download PDFInfo
- 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
Links
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000001537 neural Effects 0.000 claims description 5
- 230000001131 transforming Effects 0.000 claims description 5
- 230000000875 corresponding Effects 0.000 claims description 4
- 210000002569 neurons Anatomy 0.000 claims description 4
- 230000001808 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 2
- 238000003672 processing method Methods 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 5
- 230000001186 cumulative Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical Effects 0.000 description 1
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1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。
第3層(特徴面1111)では、前階層の特徴面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(前階層への結合数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)。
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階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のタイミングで前階層の特徴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のタイミングで前階層の特徴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階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)
- 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。 - 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。
- 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。
- 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。
- 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。 - 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。
- 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。
- 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階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。
- 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。 - 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。
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)
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)
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 |
-
2014
- 2014-03-31 JP JP2014073728A patent/JP6393058B2/ja active Active
-
2015
- 2015-03-19 US US14/662,488 patent/US10013628B2/en active Active
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 |