JP2018115974A - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】確定的な観測履歴に基づいて、より精度の高い動物体の追尾を行う。
【解決手段】新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、前記検出情報に係る動物体と前記観測履歴とに係る動物体とが同一であるか否かを判別する比較部と、前記比較部による判別結果に基づいて、前記検出情報と前記観測履歴とを対応付ける観測履歴更新部と、を備え、前記比較部は、前記観測履歴に含まれる要素を時間方向に畳み込む第１の畳み込み層と、前記第１の畳み込み層により畳み込まれた前記観測履歴と前記検出情報とが入力される全結合層と、を有するニューラルネットワークを用いて前記判別を行う、情報処理装置が提供される。
【選択図】図４

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関する。

近年、技術の発展に伴い、動物体の性質や特徴を検出する種々のセンサ装置が開発されている。上記のようなセンサ装置が検出し得る情報には、例えば、センサ装置を基準とした動物体の距離や角度、また動物体の速度などが挙げられる。また、上記のような検出情報を用いて、動物体の挙動に係る推定や判別を行う手法も多く提案されている。例えば、非特許文献１には、位置や速度を含む観測値に基づいて動物体の状態変化を予測することで、当該動物体の追尾を行う技術が開示されている。

松尾健太、小菅義夫、「位置・速度を観測値とする目標追尾法」、電子情報通信学会技術研究報告（ＩＥＩＣＥ ｔｅｃｈｎｉｃａｌ ｒｅｐｏｒｔ）、電子情報通信学会、２０１４年１月、ｖｏｌ．１１３、ｎｏ．３８７、ＳＡＮＥ２０１３−１１８、ｐ．３１−３６

しかし、一般に、上記のような観測値には、センサ装置の計測精度などに起因する計測誤差が含まれる。このため、非特許文献１に記載の技術では、観測値に基づいて次の時刻における予測値を精度高く算出することが困難な場合がある。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、確定的な観測履歴に基づいて、より精度の高い動物体の追尾を行うことが可能な、新規かつ改良された情報処理装置、情報処理方法、およびプログラムを提供することにある。

上記課題を解決するために、本発明のある観点によれば、新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、前記検出情報に係る動物体と前記観測履歴とに係る動物体とが同一であるか否かを判別する比較部と、前記比較部による判別結果に基づいて、前記検出情報と前記観測履歴とを対応付ける観測履歴更新部と、を備え、前記比較部は、前記観測履歴に含まれる要素を時間方向に畳み込む第１の畳み込み層と、前記第１の畳み込み層により畳み込まれた前記観測履歴と前記検出情報とが入力される全結合層と、を有するニューラルネットワークを用いて前記判別を行う、情報処理装置が提供される。

前記第１の畳み込み層は、前記観測履歴に含まれる複数の要素を、それぞれの要素ごとに独立したフィルタを用いて時間方向に畳み込んでもよい。

前記第１の畳み込み層は、前記観測履歴に含まれる複数の要素のうち、相関のある要素を同一のフィルタを用いて時間方向に畳み込んでもよい。

前記全結合層には、動物体に係る周辺情報がさらに入力されてもよい。

前記ニューラルネットワークは、前記検出情報に含まれる受信波の周波数に基づいて切り出された過去の部分スペクトログラムを時間方向に畳み込む第２の畳み込み層と、前記検出情報と同一時刻に取得された周波数スペクトルから、前記部分スペクトログラムと同一の周波数範囲で切り出された部分スペクトルを時間方向に畳み込む第３の畳み込み層と、をさらに有し、前記全結合層には、前記第２の畳み込み層により畳み込まれた前記部分スペクトログラムと前記第３の畳み込み層により畳み込まれた前記部分スペクトルとがさらに入力されてもよい。

前記ニューラルネットワークは、畳み込まれた特徴を時間方向に圧縮する圧縮層をさらに備えてもよい。

前記圧縮層は、プーリングによる圧縮処理を行ってもよい。

また、上記課題を解決するために、本発明の別の観点によれば、新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、前記検出情報に係る動物体と前記観測履歴とに係る動物体とが同一であるか否かを判別することと、前記判別の結果に基づいて、前記検出情報と前記観測履歴とを対応付けることと、を含み、前記判別することは、前記観測履歴に含まれる特徴を時間方向に畳み込むことと、畳み込まれた前記観測履歴と前記検出情報とを結合し判別を行うことと、をさらに含む、情報処理方法が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、前記検出情報に係る動物体と前記観測履歴とに係る動物体とが同一であるか否かを判別する比較部と、前記比較部による判別結果に基づいて、前記検出情報と前記観測履歴とを対応付ける観測履歴更新部と、を備え、前記比較部は、前記観測履歴に含まれる特徴を時間方向に畳み込む第１の畳み込み層と、前記第１の畳み込み層により畳み込まれた前記観測履歴と前記検出情報とが入力される全結合層と、を有するニューラルネットワークを用いて前記判別を行う、情報処理装置、として機能させるためのプログラムが提供される。

以上説明したように本発明によれば、確定的な観測履歴に基づいて、より精度の高い動物体の追尾を行うことが可能となる。

本発明の第１の実施形態に係る情報処理装置の機能ブロック図の一例である。 同実施形態に係る検出情報について説明するための図である。 同実施形態に係る観測履歴について説明するための図である。 同実施形態に係るニューラルネットワークのネットワーク構造の一例を示す図である。 同実施形態に係る第１の畳み込み層が、要素ごとに独立したフィルタを用いて畳み込みを行う場合の例を示す図である。 同実施形態に係る互いに相関のある要素について説明するための図である。 同実施形態に係る第１の畳み込み層が、相関のある複数の要素に対し同一のフィルタを用いて畳み込みを行う場合の例を示す図である。 同実施形態に係る情報処理装置の動作の流れを示すフローチャートである 本発明の第２の実施形態に係る部分スペクトログラムおよび部分スペクトルについて説明するための図である。 同実施形態に係るニューラルネットワークのネットワーク構造の一例を示す図である。 本発明に係る情報処理装置のハードウェア構成例である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．本発明の概要＞
まず、本発明の概要について説明する。上述したとおり、近年においては、動物体の性質や特徴を検出する種々のセンサ装置が開発されている。ここで、上記の動物体には、例えば、道路を走行する車両や、航空機、船舶などが挙げられる。また、上記のセンサ装置には、例えば、レーダーやライダーなど照射信号に対する反応を測定する装置や、カメラなどの撮像装置が広く含まれてよい。

この際、上記のようなセンサ装置により得られる検出情報としては、センサ装置を基準とした動物体の距離や角度、動物体の速度などが挙げられる。また、センサ装置がカメラなどの撮像装置である場合、上記の検出情報には、例えば、色などの動物体に係る視覚情報が含まれてもよい。

ところで、複数の動物体が観測され得る状況において、特定の動物体の追尾を行う場合、ある時刻に検出された複数の動物体と、別の時刻に観測された複数の動物体と、がそれぞれどのように対応するかを明確にすることが求められる。この際、対応付けの手法としては、動物体の位置などの検出要素が次の時刻においてどう変化するかを予測した予測値と実際に得られた観測値とを比較することで、過去に検出された動物体と新たに検出された動物体とを対応付けることも想定される。

例えば、センサ装置がレーダーである場合、線形予測や非特許文献１に記載されるようなα‐βフィルタを用いて動物体の追尾を行うことも可能である。非特許文献１に記載の技術では、まず、観測地に基づいて観測誤差を含んだ実際の動物体の状態を推定し、さらに、次の時刻における動物体の状態を推定したうえで、次の時刻における観測地と予測値との差を分析することで、動物体の対応付けを実現している。

しかし、上記のように取得される観測値には、センサ装置の計測精度などに起因する計測誤差が含まれるため、非特許文献１に記載されるような技術では、観測値に基づいて次の時刻における予測値を精度高く算出することが困難な場合がある。

例えば、センサ装置にレーダーを用いる場合、電波の反射量は、動物体の材質や形状に依存するため、生じる観測誤差にも差異が発生する。一般に、同一条件で動く動物体であっても、電波の反射量が大きい場合には観測誤差は小さくなり、電波の反射量が小さい場合には観測誤差は大きくなる。

また、動物体が巨大である場合や複雑な形状を有している場合には、電波の反射箇所が複数存在することとなるため、受信波の同一周波数ビンに反射箇所の違いに起因する位相差が合成されてしまう。このため、例えば、センサ装置に多周波ＣＷ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ：連続波）レーダーを用いる場合、動物体の距離は受信波の位相を用いて算出されることから、上記のような位相差に起因する計測誤差が生じることとなり、予測値の精度を劣化させる要因となり得る。

さらには、複数の動物体が類似の動作を行う場合、各観測値の差が誤差によるものか、別の動物体の反応によるものか、を判別するためには、長期間における観測値の変化を分析したうえで対応付けを行うことが求められる。しかし、上述したとおり、動物体によって観測値の誤差の傾向が異なるため、上記のような判別を適切に行うことが困難な場合も多い。

このように、誤差が複数の要因から生じ得る場合、当該誤差を吸収するためには、複数の観測項目の間における関係性や各項目の時間に応じた変化などを適切に分析する必要があり、判別の精度や分析のコストを改善する手法が求められていた。

本発明に係る情報処理装置、情報処理方法、およびプログラムは、上記の点に着目して発想されたものであり、確定的な観測履歴に基づいて、より精度の高い動物体の追尾を行うことを可能とする。このために、本発明に係る技術思想では、新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、上記検出情報に係る動物体と上記観測履歴とに係る動物体とが同一であるか否かを判別する。この際、本発明に係る技術思想では、観測履歴に含まれる特徴を時間方向に畳み込む第１の畳み込み層と、第１の畳み込み層により畳み込まれた観測履歴と検出情報とが入力される全結合層と、を有するニューラルネットワークを用いて判別を行うことを特徴の一つとする。

すなわち、本発明に係るニューラルネットワークは、過去の単数または複数の検出情報の履歴（以下、観測履歴、と称する）に基づき当該観測履歴に係る特徴を抽象化するモデルと、観測履歴に係る特徴と現在時刻に得られた検出情報との入力に基づき観測履歴に係る動物体と検出情報に係る動物体とが同一であるか否かを判定するモデルとを含んで構成される。

本発明では、上記のようなニューラルネットワークを用いて、観測履歴に係る特徴までを総合的に学習することで、動物体に依存した差異のほか、多重反射により検出情報に複雑な変化が生じる場合であっても、ロバストな判別モデルを構築すること可能である。

なお、上記の観測履歴に係る特徴を抽象化するモデルでは、観測履歴に含まれる要素の時間的な変化を捉えるために、ニューロンの結合が局所的となる１次元の畳み込みを時間方向にスライドしながら適用してもよい。本発明では、上記のような畳み込みを、動物体の位置や、距離、方位などに対して適用することで、要素の時間方向における変化成分を特徴として抽出可能なネットワークモデルを獲得することができる。

＜２．第１の実施形態＞
＜＜２．１．情報処理装置１０の機能構成例＞＞
次に、本発明の第１の実施形態に係る情報処理装置１０の機能構成例について説明する。本実施形態に係る情報処理装置１０は、上述したニューラルネットワークを用いて、動物体の追尾を実現する装置である。本実施形態に係る情報処理装置１０は、例えば、道路脇などに設置され、走行車両などの追尾を行う装置であってもよい。

図１は、本実施形態に係る情報処理装置１０の機能ブロック図の一例である。図１を参照すると、本実施形態に係る情報処理装置１０は、センサ部１１０、動物体検出部１２０、観測履歴保持部１３０、観測履歴取得部１４０、比較部１５０、および観測履歴更新部１６０を備える。

（センサ部１１０）
本実施形態に係るセンサ部１１０は、動物体の動作を計測する機能を有する。このために、本実施形態に係るセンサ部１１０は、種々のセンサ装置を含んで構成される。ここで、上記のセンサ装置には、例えば、レーダーやライダーなど照射信号に対する反応を測定する装置や、カメラなどの撮像装置が広く含まれてよい。また、上記の照射信号には、例えば、電波、光、超音波などが含まれ得る。さらには、水中を移動する動物体を観測する場合にあっては、上記の照射信号には音波などが含まれてもよい。より具体的には、センサ部１１０は、例えば、ミリ波などの電波を動物体に向けて送信し、反射波を受信するＣＷレーダーなどを含んで構成され得る。なお、以下の説明においては、本実施形態に係るセンサ部１１０が上記のようなレーダーを含む場合を例に述べる。また、センサ部１１０は、取得した受信信号を動物体検出部１２０に引き渡す。

（動物体検出部１２０）
本実施形態に係る動物体検出部１２０は、センサ部１１０が取得した受信信号に基づいて、動物体の検出を行う機能を有する。より具体的には、本実施形態に係る動物体検出部１２０は、上記の受信信号から動物体に係る検出情報を算出してよい。

ここで、上記の検出情報には、例えば、センサ装置を基準とした動物体の距離や角度を含む位置、動物体の速度、大きさなどが含まれてよい。本実施形態に係る動物体検出部１２０は、上記のような要素を算出して検出情報としてもよいし、当該要素に起因して受信信号に現れる特徴を直接に検出情報としてもよい。上記のような特徴として、例えば、受信信号の周波数情報や信号強度などが挙げられる。

図２は、本実施形態に係る検出情報について説明するための図である。図２には、本実施形態に係る動物体検出部１２０により算出される検出情報の一例が示されている。図２に示すように、本実施形態に係る動物体検出部１２０は、ある時刻ｔに取得された受信信号に基づいて、要素ａ〜要素ｋを含む検出情報を算出してよい。ここで、上記の要素ａ〜要素ｋは、それぞれ上述した動物体の距離、角度、速度、大きさ、受信信号の強度などに対応する情報であってよい。例えば、要素ａが動物体の距離に対応する要素である場合、値Ａ_ｔは、時刻ｔにおけるセンサ装置と動物体との距離を示すデータであり得る。

また、本実施形態に係る検出情報は、動物体ごとに取得されるものであってよい。すなわち、本実施形態に係る動物体検出部１２０は、同一時刻に複数の動物体が観測された場合には、当該複数の動物体にそれぞれ対応する複数の検出情報を算出することができる。図２に示す一例の場合、動物体検出部１２０は、時刻ｔにおいて観測されたｎ個の動物体にそれぞれ対応するｎ個の検出情報を算出している。

（観測履歴保持部１３０）
本実施形態に係る観測履歴保持部１３０は、動物体に係る観測履歴を保持する機能を有する。ここで、本実施形態に係る観測履歴とは、前時刻までに得られた検出情報を動物体ごとに時系列に対応付けた情報であってよい。

図３は、本実施形態に係る観測履歴について説明するための図である。図３には、本実施形態に係る観測履歴保持部１３０により保持される観測履歴の一例が示されている。図３に示す一例の場合、観測履歴保持部１３０には、現時刻である時刻ｔの前時刻である時刻ｔ−１〜時刻１までに得られた検出情報が動物体ごとに対応付けられて保持されている。ここで、時刻ｔ−１までにｍ個の動物体が観測されている場合、観測履歴保持部１３０には、図３に示すように、ｍ個の観測履歴が保持されてよい。なお、観測済みである動物体がある時刻ｔｘにおいて観測されなかった場合には、時刻ｔｘにおける要素ａ〜要素ｋは、所定値（例えば、０、など）で補間されてもよい。

（観測履歴取得部１４０）
本実施形態に係る観測履歴取得部１４０は、観測履歴保持部１３０から単一の観測履歴を取得する機能を有する。また、本実施形態に係る観測履歴取得部１４０は、取得した単一の観測履歴と動物体検出部１２０が算出した検出情報のうちの１つとを比較部１５０に引き渡す機能を有する。

この際、観測履歴取得部１４０は、比較部１５０による判別が完了する度に、新たに単一の観測履歴と検出情報とを取得し、共に比較部１５０に引き渡す。すなわち、観測履歴取得部１４０は、観測履歴の数ｍと検出情報の数ｎとのすべての組み合わせを取得し、上記の引き渡し処理をｍ×ｎ回繰り返し実行してよい。

また、本実施形態に係る観測履歴取得部１４０は、観測履歴保持部１３０から単一の観測履歴を取得する際、保持される観測履歴のうち、過去の所定期間分の情報のみを取得してよい。例えば、サンプリング周波数が２０Ｈｚである場合、観測履歴取得部１４０は、過去１秒間の情報であれば最新２０個分の情報を取得する。

（比較部１５０）
本実施形態に係る比較部１５０は、観測履歴取得部１４０から引き渡される動物体の検出情報と観測履歴とを比較し、当該検出情報に係る動物体と当該観測履歴とに係る動物体とが同一であるか否かを判別する機能を有する。この際、本実施形態に係る比較部１５０は、観測履歴に含まれる要素を時間方向に畳み込む第１の畳み込み層と、前記第１の畳み込み層により畳み込まれた観測履歴と検出情報とが入力される全結合層と、を有するニューラルネットワークを用いて上記の判別を行ってよい。本実施形態に係る比較部１５０によれば、過去の観測履歴から次時刻における状態予測を行わずとも、確定的な観測履歴そのものを用いて動物体の同一性を判別することができ、より精度の高い動物体の追尾を実現することが可能となる。

図４は、本実施形態に係る比較部１５０により用いられるニューラルネットワークＮＮ１のネットワーク構造の一例を示す図である。図４に示すように、本実施形態に係るニューラルネットワークＮＮ１は、２つの入力層Ｉ１およびＩ２と、複数の第１の畳み込み層Ｃ１およびＣ２と、複数の全結合層Ａ１〜Ａ３と、２つの出力層Ｏ１およびＯ２とを有してもよい。

ここで、図４に示す入力層Ｉ１は、観測履歴取得部１４０から引き渡される観測情報が入力される層であり、入力層Ｉ２は、観測履歴取得部１４０から引き渡される検出情報が入力される層であってよい。

また、第１の畳み込み層Ｃ１およびＣ２は、入力層Ｉ１から入力される観測情報に含まれる要素を時間方向に畳み込む処理を行う機能を有する。なお、本実施形態に係る第１の畳み込み層Ｃ１およびＣ２が有する機能については、別途詳細に説明する。

また、全結合層Ａ１〜Ａ３には、図４に示すように、第１の畳み込み層Ｃ１およびＣ２により畳み込まれた観測履歴と検出情報とが入力される。

また、出力層Ｏ１は、観測履歴に係る動物体と検出情報に係る動物体が一致する確度を出力する層であり、出力層Ｏ２は、観測履歴に係る動物体と検出情報に係る動物体が一致しない確度を出力する層であってよい。

さらには、本実施形態に係るニューラルネットワークＮＮ１は、畳み込まれた特徴を時間方向に圧縮する圧縮層をさらに備えてもよい。上記の圧縮層としては、例えば、図４に示すようなプーリング層Ｐ１およびＰ２が挙げられる。プーリング層Ｐ１およびＰ２は、それぞれ第１の畳み込み層Ｃ１およびＣ２により畳み込まれた特徴に対し、最大値プーリング（Ｍａｘ ｐｏｏｌｉｎｇ）などによる圧縮処理を行ってよい。

この際、本実施形態に係るプーリング層Ｐ１およびＰ２は、後述する第１の畳み込み層Ｃ１およびＣ２による畳み込み処理と同様に、要素の特性を考慮したフィルタを用いることで、要素の不連続性による誤った情報圧縮を防ぐことができる。

以上、本実施形態に係るニューラルネットワークＮＮ１のネットワーク構造例について説明した。本実施形態に係る比較部１５０は、上記のように学習されたモデルを用いて、動物体の同一性を判別することが可能である。なお、図４を用いて説明したネットワーク構造はあくまで一例であり、本実施形態に係るネットワーク構造は係る例に限定されない。

例えば、図４では、ニューラルネットワークＮＮ１が２つの第１の畳み込み層Ｃ１およびＣ２と、２つのプーリング層Ｐ１およびＰ２を有する場合を例に述べたが、本実施形態に係る第１の畳み込み層およびプーリング層は、それぞれ１つであってもよいし、３つ以上であってもよい。また、本実施形態に係るプーリング層は、必ずしも設けられる必要はなく、ニューラルネットワークＮＮ１は、プーリング層に代わる情報圧縮手段を備えることも可能である。

また、本実施形態に係るニューラルネットワークＮＮ１は、図４に示す以外の構造をさらに有してもよい。ニューラルネットワークＮＮ１は、例えば、畳み込み後にＲｅＬＵなどの活性化関数を通すことにより、より重要な情報が伝達されるニューロンの活性化を行ってもよい。本実施形態に係るニューラルネットワークＮＮ１のネットワーク構造は、情報処理装置１０や処理される情報の特性に応じて柔軟に変形され得る。

（観測履歴更新部１６０）
本実施形態に係る観測履歴更新部１６０は、比較部１５０による判別結果に基づいて、観測履歴保持部１３０に保持される観測履歴を更新する機能を有する。より具体的には、本実施形態に係る観測履歴更新部１６０は、比較部１５０が検出情報に係る動物体と観測履歴に係る動物体とが一致すると判別したことに基づいて、当該検出情報を新たに観測履歴に対応付ける。

なお、この際、観測履歴更新部１６０は、現時刻に観測されなかった動物体の観測履歴に対しては、上述したように、すべての要素を所定値で埋めることで情報の補間を行ってよい。また、観測履歴更新部１６０は、既存のどの観測履歴にも一致しない検出情報については、新たな動物体の観測履歴として観測履歴保持部１３０に記憶させる。

以上、本実施形態に係る情報処理装置１０の機能構成例について説明した。なお、図１を用いて説明した上記の機能構成はあくまで一例であり、本実施形態に係る情報処理装置１０の機能構成は係る例に限定されない。本実施形態に係る情報処理装置１０は、上記に示した以外の構成をさらに含んでもよい。情報処理装置１０は、例えば、ユーザによる入力操作などを検出する入力部や、判別結果などを出力する出力部をさらに備えてもよい。

また、本実施形態に係る情報処理装置１０が有する各機能は、複数の装置に分散して実現されてもよい。例えば、センサ部１１０や観測履歴保持部１３０は、情報処理装置１０とは別途の装置の機能として備えられてもよい。この場合、情報処理装置１０は、有線や無線によるネットワークを介して受信信号や観測履歴を送受信してもよい。本実施形態に係る情報処理装置１０の機能構成は、柔軟に変形され得る。

＜＜２．２．第１の畳み込み層による観測履歴の畳み込み＞＞
次に、本実施形態に係る第１の畳み込み層による観測履歴の畳み込みについて詳細に述べる。上述したように、本実施形態に係るニューラルネットワークＮＮ１では、検出情報と、第１の畳み込み層による畳み込み処理を経た観測履歴と、が全結合層に入力されることを特徴の一つとする。

この際、本実施形態に係る第１の畳み込み層は、観測履歴に含まれる複数の要素を、それぞれの要素ごとに独立したフィルタを用いて時間方向に畳み込んでよい。図５は、本実施形態に係る第１の畳み込み層が、要素ごとに独立したフィルタを用いて畳み込みを行う場合の例を示す図である。

図５には、第１の畳み込み層に入力される観測履歴と、当該観測履歴に適用される畳み込み用フィルタｆ１〜ｆ４と、が示されている。この際、観測履歴には、時刻ｔ−２０〜時刻ｔ−１に得られた要素ａ〜要素ｋの情報が含まれてよい。また、図５に示す一例の場合、要素ａ〜要素ｋの各列は、隣接する他の要素列との間に連続性を持たない情報であってよい。すなわち、図５に示す要素ａ〜要素ｋは、互いに独立した分布を有するベクトル値といえる。

この際、本実施形態に係る第１の畳み込み層は、図５のフィルタｆ１〜ｆ４に示すように、畳み込みに用いるフィルタの列幅を１とし、それぞれの要素列ごとに時間方向に独立した畳み込みを行ってよい。図５に示す一例の場合、第１の畳み込み層は、３×１のサイズのフィルタｆ１〜ｆ４を適用して、観測履歴の畳み込みを行っている。

このように、本実施形態に係る第１の畳み込み層が観測履歴全体に共通したサイズのフィルタを適用することで、ｋ個の要素に対してそれぞれ重みをかけるのではなく、各要素に共通した重みを用いることが可能となり、最適化時における計算コストを大幅に削減することができる。

一方、観測履歴に含まれるｋ個の要素には、互いに相関のある要素が含まれる場合も想定される。図６は、本実施形態に係る互いに相関のある要素について説明するための図である。図６には、センサ部１１０が備えるセンサ装置Ｒ、および動物体Ｏが示されている。また、図６には、センサ装置Ｒを基準とした動物体Ｏの角度θおよび距離Ｓと、動物体Ｏの速度Ｖとが併せて示されている。

この際、例えば、図６に示すように、センサ装置Ｒの中心方向と動物体Ｏの進行方向とが一致しており、さらに、動物体Ｏが等速直線運動を行っている場合、動物体Ｏの距離Ｓは、距離Ｓ＝速度Ｖ×時間ｔ、により算出することができる。このため、同一サンプリング間隔で計測を行う場合、距離Ｓおよび速度Ｖは比例関係にあるといえる。

また、大きさや材質などが等しい球体のような１種類の動物体を観測している場合、受信信号の信号強度は、距離Ｓの２乗に反比例することが知られている。このように、観測履歴に含まれる要素間に相関性が認められる場合、本実施形態に係る第１の畳み込み層は、観測履歴に含まれる複数の要素のうち、互いに相関のある要素を同一のフィルタを用いて時間方向に畳み込んでもよい。

図７は、本実施形態に係る第１の畳み込み層が、相関のある複数の要素に対し同一のフィルタを用いて畳み込みを行う場合の例を示す図である。図７に示す一例の場合、第１の畳み込み層は、観測履歴に含まれる要素ｓおよび要素ｖに対し、同一のフィルタｆ５およびｆ６を適用して畳み込み処理を行っている。ここで、図７に示す要素ｓおよび要素ｖは、それぞれ図６に示したような距離Ｓおよび速度Ｖに対応する情報であってよい。

このように、隣接する要素列に相関がある場合、第１の畳み込み層が、２以上の列幅を有する同一のフィルタを用いて当該要素列を時間方向に畳み込むことで、要素間の関係性を考慮した学習を行うことも可能である。

以上、本実施形態に係る第１の畳み込み層による観測履歴の畳み込みについて詳細に説明した。上述したように、本実施形態に係る第１の畳み込み層は、要素間の相関性に基づいて最適なフィルタの列幅を設定することができる。本実施形態に係る第１の畳み込み層によれば、より小さい情報量で観測履歴の特徴を抽出することが可能となり、特徴抽出に掛かるコストを大きく低減することができる。

＜＜２．３．情報処理装置１０の動作の流れ＞＞
次に、本実施形態に係る情報処理装置１０の動作の流れについて詳細に説明する。図８は、本実施形態に係る情報処理装置１０の動作の流れを示すフローチャートである。

図８を参照すると、まず、本実施形態に係るセンサ部１１０は、動物体から反射される受信信号を取得する（Ｓ１１０１）。なお、上記の説明では、本実施形態に係るセンサ部１１０がＣＷレーダーなどを含んで構成される場合を例に述べたが、上述したとおり、本実施形態に係るセンサ装置は係る例に限定されない。このため、ステップＳ１１０１において取得される受信信号には、センサ部１１０が含むセンサ装置の特性に応じた情報が含まれてよい。また、センサ装置がカメラなどである場合にあっては、ステップＳ１１０１における受信信号の取得は必ずしも行われなくてもよい。

次に、本実施形態に係る動物体検出部１２０は、ステップＳ１１０１において取得された受信信号に基づいて、動物体に係る検出情報を算出する（Ｓ１１０２）。この際、本実施形態に係る動物体検出部１２０は、動物体やセンサ装置の特性に応じた検出情報を算出することができる。

次に、本実施形態に係る観測履歴取得部１４０は、観測履歴保持部１３０から単一の観測履歴を取得し、取得した観測履歴とステップＳ１１０２において算出された検出情報のうちの１つとを比較部１５０に引き渡す（Ｓ１１０３）。なお、この際、観測履歴取得部１４０は、観測履歴保持部１３０が保持する観測履歴のうち、過去の所定期間分の情報のみを取得してよい。

次に、本実施形態に係る比較部１５０は、ステップＳ１１０３において、観測履歴取得部１４０から引き渡される観測履歴と検出情報とが一致するか否かを判定する（Ｓ１１０４）。この際、比較部１５０は、上述したニューラルネットワークＮＮ１を用いて上記の判定を行うことを特徴の一つとする。

なお、情報処理装置１０は、上記のステップＳ１１０３およびＳ１１０４における処理を、観測履歴の数ｍと検出情報の数ｎとのすべての組み合わせで繰り返し実行する。

ここで、検出情報と一致する観測履歴が存在する場合（Ｓ１１０５：ＹＥＳ）、本実施形態に係る観測履歴更新部１６０は、検出情報を新たに観測履歴に対応付けて更新させる（Ｓ１１０６）。

一方、検出情報と一致する観測履歴が存在しない場合（Ｓ１１０５：ＮＯ）、本実施形態に係る観測履歴更新部１６０は、検出情報を新たな動物体の観測履歴として観測履歴保持部１３０に記憶させる（Ｓ１１０７）。

＜＜２．４．第１の実施形態のまとめ＞＞
以上、本発明の第１の実施形態について詳細に説明した。上述したように、本実施形態に係る比較部１５０は、センサ部１１０が取得した受信信号から得られた検出情報と、観測履歴保持部１３０が保持する観測履歴とが同一の動物体に由来するものか否かをニューラルネットワークＮＮ１により判別することができる。この際、本実施形態に係るニューネットワークＮＮ１が有する第１の畳み込み層は、観測履歴に含まれる要素を、要素間の相関性に応じた列幅のフィルタを用いて時間方向に畳み込むことができる。また、本実施形態に係る観測履歴更新部１６０は、比較部１５０による判別結果と検出情報とに基づいて、観測履歴保持部１３０が保持する観測履歴を更新することができる。本実施形態に係る情報処理装置１０は、上記のような構成により多くのデータを学習することで、検出情報が複雑な条件で変化する場合であっても、高精度な判別を実現するモデルを構築することができる。

＜３．第２の実施形態＞
＜＜３．１．第２の実施形態の概要＞＞
続いて、本発明の第２の実施形態について説明する。上記で述べた第１の実施形態では、動物体に係る単一の観測履歴と単一の検出情報とをニューラルネットワークＮＮ１に入力することで、各時刻における動物体の対応付けを実現している。すなわち、第１の実施形態に係るニューラルネットワークＮＮ１では、入力される動物体一体ずつの情報に基づく学習を行っている。

一方、動物体一体ずつの情報に加え、当該動物体の周辺情報を併せて入力することで、ニューラルネットワークにより高度な学習を行わせることも可能である。例えば、観測対象となる動物体の周辺に、当該動物体と近い速度や距離などの特徴を有する別の動物体が存在する場合、観測対象となる動物体の情報のみではなく、上記のような近い条件を持つ別の動物体が存在することを示す情報を、併せてニューラルネットワークに入力してもよい。すなわち、本発明の第２の実施形態では、ニューラルネットワークに動物体に係る周辺情報がさらに入力されてよい。第２の実施形態に係るニューラルネットワークが有する上記の特徴によれば、より精度の高い動体の対応付けを実現する効果が期待される。

以下、第２の実施形態に係るニューラルネットワークが有する上記の特徴について詳細に説明する。なお、以下の説明においては、第１の実施形態との差異について中心に述べ、共通する構成、機能、動作、効果については、詳細な説明は省略する。

＜＜３．２．第２の実施形態に係るニューラルネットワークＮＮ２＞＞
まず、本実施形態に係るニューラルネットワークＮＮ２の特徴について説明する。本実施形態に係るニューラルネットワークＮＮ２は、第１の実施形態に係るニューラルネットワークＮＮ１と同様に、観測履歴に含まれる要素を時間方向に畳み込む第１の畳み込み層と、畳み込まれた観測履歴と検出情報とが入力される全結合層を有する。一方、本実施形態に係るニューラルネットワークＮＮ２は、上記の情報に加え、動物体に係る周辺情報がさらに入力されることを特徴の一つとする。

ここで、上記の周辺情報とは、観測対象となる動物体の周辺環境を示す種々の情報であってよい。例えば、センサ部１１０がレーダーを備える場合、上記の周辺情報には、受信信号のスペクトログラムなどが含まれ得る。また、ＣＷレーダーなど、速度が受信信号の周波数に比例する場合においては、観測対象の動物体に係る周波数近辺のスペクトログラムには近い速度で動く別の動物体の情報も含まれることとなる。

また、ＦＭＣＷ（Ｆｒｅｑｕｅｎｃｙ Ｍｏｄｕｌａｔｅｄ Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ）レーダーなど、距離が受信信号の周波数に比例する場合においては、観測対象の動物体に係る周波数近辺のスペクトログラムには近い距離に位置する別の動物体の情報も含まれ得る。

このため、本実施形態における比較部１５０は、観測履歴取得部１４０から引き渡される検出情報に受信信号の周波数の起因する情報が含まれている場合、当該周波数近辺のスペクトログラムを切り取った部分スペクトログラムを取得し、併せてニューラルネットワークＮＮ２に入力してよい。また、比較部１５０は、上記の部分スペクトログラムのほか、検出情報と同時刻における周波数スペクトルから、部分スペクトログラムの切り出しに用いた範囲と同様の周波数範囲で切り出した部分スペクトルをさらにニューラルネットワークＮＮ２に入力してもよい。

図９は、本実施形態に係る部分スペクトログラムおよび部分スペクトルについて説明するための図である。図９の上部には、受信信号の周波数スペクトログラムと、検出情報から得られた振幅閾値に基づいて検出される周波数ＦＲとが示されている。また、図９の下部には、上記の周波数ＦＲに基づいて切り出される部分スペクトログラムＰＳＧと部分スペクトルＰＳＲとが示されている。

図９に示す一例の場合、比較部１５０は、検出された時刻ｔにおける周波数ＦＲに基づいて、時刻ｔ−２０〜時刻ｔ−１、および周波数ＦＲを含む所定の周波数範囲の部分スペクトログラムＰＳＧを切り出している。また、比較部１５０は、部分スペクトログラムＰＳＧの切り出しに用いた周波数範囲で、同様に時刻ｔにおける部分スペクトルＰＳＲを抽出している。

本実施形態に係る比較部１５０は、上記のように切り出した部分スペクトログラムＰＳＧおよび部分スペクトルＰＳＲを、観測履歴取得部１４０から引き渡される検出情報および観測履歴と併せてニューラルネットワークＮＮ２に入力することができる。

図１０は、本実施形態に係るニューラルネットワークＮＮ２のネットワーク構造について説明するための図である。図１０を参照すると、本実施形態に係るニューラルネットワークＮＮ２は、第１の実施形態におけるニューラルネットワークＮＮ１が有する構成に加え、入力層Ｉ３およびＩ４、第２の畳み込み層Ｃ３およびＣ４、第３の畳み込み層Ｃ５およびＣ６、プーリング層Ｐ３〜Ｐ６をさらに有する。

ここで、入力層Ｉ３は、上記のように切り出された時刻ｔ−２０〜ｔ−１における部分スペクトログラムＰＳＧが入力される層であり、入力層Ｉ４は、時刻ｔにおける部分スペクトルＰＳＲが入力される層であってよい。

また、本実施形態に係る第２の畳み込み層Ｃ３およびＣ４は、入力層Ｉ３から入力される部分スペクトログラムＰＳＧを時間方向に畳み込む処理を行う。なお、部分スペクトログラムＰＳＧは、時間方向および周波数方向にも連続している情報であるため、畳み込み用いるフィルタの列幅は１列でなくてよい。また、本実施形態に係る第３の畳み込み層Ｃ５およびＣ６は、部分スペクトルＰＳＲを時間方向に畳み込む処理を行う。

また、プーリング層Ｐ３およびＰ４は、それぞれ第２の畳み込み層Ｃ３およびＣ４により畳み込まれた部分スペクトログラムＰＳＧに対し、最大値プーリングなどによる圧縮処理を行ってよい。同様に、プーリング層Ｐ５およびＰ６は、それぞれ第３の畳み込み層Ｃ５およびＣ６により畳み込まれた部分スペクトルＰＳＲに対し、最大値プーリングなどによる圧縮処理を行ってよい。

この際、本実施形態に係る全結合層Ａ１には、上記の構成により情報圧縮された部分スペクトログラムＰＳＧと部分スペクトルＰＳＲとが、観測履歴および検出情報とさらに統合されて入力される。すなわち、本実施形態に係る全結合層Ａ１には、動物体に係る検出情報が得られた時刻ｔにおける現在と過去の情報が入力されることとなる。本実施形態に係るニューラルネットワークＮＮ２が有する上記の特徴によれば、動物体の周辺環境を考慮したより精度の高い判別を実現することが可能となる。

以上、本実施形態に係るニューラルネットワークＮＮ２のネットワーク構造例について説明した。なお、図１０を用いて説明した上記の構造はあくまで一例であり、本実施形態に係るニューラルネットワークＮＮ２のネットワーク構造は係る例に限定されない。本実施形態に係る第２の畳み込み層、第３の畳み込み層、およびプーリング層は、それぞれ１つであってもよいし、３つ以上であってもよい。また、本実施形態に係るプーリング層Ｐ３〜Ｐ６は、必ずしも設けられる必要はなく、ニューラルネットワークＮＮ２は、プーリング層Ｐ３〜Ｐ６に代わる情報圧縮手段を備えることも可能である。

また、上記の説明においては、周辺情報の一例として、部分スペクトログラム及び部分スペクトルがニューラルネットワークＮＮ２に入力される場合を例に説明したが、本実施形態に係る周辺情報は係る例に限定されない。例えば、センサ部１１０がカメラにより動物体の観測を行う場合、比較部１５０は、動物体に対応する位置近辺を切り出した画像を周辺情報としてニューラルネットワークＮＮ２に入力してもよい。上記の画像には、観測対象の動物体の近辺に存在する別の動物体の情報が含まれ得る。この際、比較部１５０は、単に画像を切り出すのではなく、可能な限り広い範囲を抽出し解像度を下げることで、より少ない情報量で別の動物体に係る情報をニューラルネットワークＮＮ２に入力することもできる。

＜＜３．３．第２の実施形態のまとめ＞＞
以上、本発明の第２の実施形態について詳細に説明した。上述したように、本実施形態に係るニューラルネットワークＮＮ２には、動物体に係る検出情報と観測履歴とに加え、当該動物体に係る周辺環境を示す周辺情報が入力される。上記の周辺情報には、例えば、受信信号の周波数から抽出される部分スペクトログラムや部分スペクトルが含まれ得る。本実施形態に係るニューラルネットワークＮＮ２が有する上記の特徴によれば、動物体の周辺環境を併せて学習することが可能となり、さらに高精度な動物体の追尾を実現することが可能となる。

＜４．ハードウェア構成例＞
次に、本発明に係る情報処理装置１０のハードウェア構成例について説明する。図１１は、本発明に係る情報処理装置１０のハードウェア構成例を示すブロック図である。図１１を参照すると、情報処理装置１０は、例えば、ＣＰＵ８７１と、ＲＯＭ８７２と、ＲＡＭ８７３と、ホストバス８７４と、ブリッジ８７５と、外部バス８７６と、インターフェース８７７と、入力部８７８と、出力部８７９と、記憶部８８０と、ドライブ８８１と、接続ポート８８２と、通信部８８３と、を有する。なお、ここで示すハードウェア構成は一例であり、構成要素の一部が省略されてもよい。また、ここで示される構成要素以外の構成要素をさらに含んでもよい。

（ＣＰＵ８７１）
ＣＰＵ８７１は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ８７２、ＲＡＭ８７３、記憶部８８０、又はリムーバブル記録媒体９０１に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。

（ＲＯＭ８７２、ＲＡＭ８７３）
ＲＯＭ８７２は、ＣＰＵ８７１に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ８７３には、例えば、ＣＰＵ８７１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。

（ホストバス８７４、ブリッジ８７５、外部バス８７６、インターフェース８７７）
ＣＰＵ８７１、ＲＯＭ８７２、ＲＡＭ８７３は、例えば、高速なデータ伝送が可能なホストバス８７４を介して相互に接続される。一方、ホストバス８７４は、例えば、ブリッジ８７５を介して比較的データ伝送速度が低速な外部バス８７６に接続される。また、外部バス８７６は、インターフェース８７７を介して種々の構成要素と接続される。

（入力部８７８）
入力部８７８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、マイク、及びレバー等が用いられる。さらに、入力部８７８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。

（出力部８７９）
出力部８７９には、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＬＣＤ、又は有機ＥＬ等のディスプレイ装置（表示装置）、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。また、出力部８７９は、上述したような各種のレーダー、ライダーなどを含んでよい。

（記憶部８８０）
記憶部８８０は、各種のデータを格納するための装置である。記憶部８８０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。

（ドライブ８８１）
ドライブ８８１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記録媒体９０１に記録された情報を読み出し、又はリムーバブル記録媒体９０１に情報を書き込む装置である。

（リムーバブル記録媒体９０１）
リムーバブル記録媒体９０１は、例えば、ＤＶＤメディア、Ｂｌｕ−ｒａｙ（登録商標）メディア、ＨＤ ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記録媒体９０１は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。

（接続ポート８８２）
接続ポート８８２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）、ＲＳ−２３２Ｃポート、又は光オーディオ端子等のような外部接続機器９０２を接続するためのポートである。

（外部接続機器９０２）
外部接続機器９０２は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。

（通信部８８３）
通信部８８３は、ネットワーク９０３に接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、又は各種通信用のモデム等である。また、内線電話網や携帯電話事業者網等の電話網に接続してもよい。

＜５．まとめ＞
以上説明したように、本発明に係る情報処理装置１０は、センサ部１１０が取得した受信信号から得られた検出情報と、観測履歴保持部１３０が保持する観測履歴とが同一の動物体に由来するものか否かをニューラルネットワークＮＮ１により判別することができる。この際、本実施形態に係るニューネットワークＮＮ１が有する第１の畳み込み層は、観測履歴に含まれる要素を、要素間の相関性に応じた列幅のフィルタを用いて時間方向に畳み込むことができる。係る構成によれば、確定的な観測履歴に基づいて、より精度の高い動物体の追尾を行うことが可能となる。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記実施形態では、情報処理装置１０が現在時刻または過去時刻に取得されたデータに基づいて判別を行う場合を主に説明したが、本発明は係る例に限定されない。本発明に係る情報処理装置１０は、観測履歴に基づいて動物体の状態を予測し、当該予測と検出情報とを比較することで判別を行うことも可能である。この場合においても、上述したような畳み込み処理を行うことにより、特徴抽出に掛かるコストを低減し、判別精度を向上させる効果が期待される。

また、本発明の情報処理装置１０の処理に係る各ステップは、必ずしもフローチャートとして記載された順序に沿って時系列に処理する必要はない。例えば、情報処理装置１０の処理に係る各ステップは、フローチャートとして記載した順序と異なる順序で処理されても、並列的に処理されてもよい。

１０ 情報処理装置
１１０ センサ部
１２０ 動物体検出部
１３０ 観測履歴保持部
１４０ 観測履歴取得部
１５０ 比較部
１６０ 観測履歴更新部

Claims (9)

1. 新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、前記検出情報に係る動物体と前記観測履歴とに係る動物体とが同一であるか否かを判別する比較部と、
   前記比較部による判別結果に基づいて、前記検出情報と前記観測履歴とを対応付ける観測履歴更新部と、
   を備え、
   前記比較部は、前記観測履歴に含まれる要素を時間方向に畳み込む第１の畳み込み層と、前記第１の畳み込み層により畳み込まれた前記観測履歴と前記検出情報とが入力される全結合層と、を有するニューラルネットワークを用いて前記判別を行う、
   情報処理装置。
2. 前記第１の畳み込み層は、前記観測履歴に含まれる複数の要素を、それぞれの要素ごとに独立したフィルタを用いて時間方向に畳み込む、
   請求項１に記載の情報処理装置。
3. 前記第１の畳み込み層は、前記観測履歴に含まれる複数の要素のうち、相関のある要素を同一のフィルタを用いて時間方向に畳み込む、
   請求項１に記載の情報処理装置。
4. 前記全結合層には、動物体に係る周辺情報がさらに入力される、
   請求項１〜３のいずれかに記載の情報処理装置。
5. 前記ニューラルネットワークは、前記検出情報に含まれる受信波の周波数に基づいて切り出された過去の部分スペクトログラムを時間方向に畳み込む第２の畳み込み層と、
   前記検出情報と同一時刻に取得された周波数スペクトルから、前記部分スペクトログラムと同一の周波数範囲で切り出された部分スペクトルを時間方向に畳み込む第３の畳み込み層と、
   をさらに有し、
   前記全結合層には、前記第２の畳み込み層により畳み込まれた前記部分スペクトログラムと前記第３の畳み込み層により畳み込まれた前記部分スペクトルとがさらに入力される、
   請求項１〜４のいずれかに記載の情報処理装置。
6. 前記ニューラルネットワークは、畳み込まれた特徴を時間方向に圧縮する圧縮層をさらに備える、
   請求項１〜５のいずれかに記載の情報処理装置。
7. 前記圧縮層は、プーリングによる圧縮処理を行う、
   請求項６に記載の情報処理装置。
8. 新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、前記検出情報に係る動物体と前記観測履歴とに係る動物体とが同一であるか否かを判別することと、
   前記判別の結果に基づいて、前記検出情報と前記観測履歴とを対応付けることと、
   を含み、
   前記判別することは、前記観測履歴に含まれる特徴を時間方向に畳み込むことと、畳み込まれた前記観測履歴と前記検出情報とを結合し判別を行うことと、をさらに含む、
   情報処理方法。
9. コンピュータを、
   新たに検出された動物体の検出情報と過去に検出された動物体の観測履歴とを比較し、前記検出情報に係る動物体と前記観測履歴とに係る動物体とが同一であるか否かを判別する比較部と、
   前記比較部による判別結果に基づいて、前記検出情報と前記観測履歴とを対応付ける観測履歴更新部と、
   を備え、
   前記比較部は、前記観測履歴に含まれる特徴を時間方向に畳み込む第１の畳み込み層と、前記第１の畳み込み層により畳み込まれた前記観測履歴と前記検出情報とが入力される全結合層と、を有するニューラルネットワークを用いて前記判別を行う、
   情報処理装置、
   として機能させるためのプログラム。
   

Images