JP2019079381A - 機械学習システム及び交通情報提供システム - Google Patents

機械学習システム及び交通情報提供システム Download PDF

Info

Publication number
JP2019079381A
JP2019079381A JP2017207164A JP2017207164A JP2019079381A JP 2019079381 A JP2019079381 A JP 2019079381A JP 2017207164 A JP2017207164 A JP 2017207164A JP 2017207164 A JP2017207164 A JP 2017207164A JP 2019079381 A JP2019079381 A JP 2019079381A
Authority
JP
Japan
Prior art keywords
image data
category
road environment
machine learning
traffic information
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.)
Pending
Application number
JP2017207164A
Other languages
English (en)
Inventor
西村　和也
Kazuya Nishimura
和也 西村
義博 大栄
Yoshihiro Daiei
義博 大栄
神丸　博文
Hirofumi Kamimaru
博文 神丸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2017207164A priority Critical patent/JP2019079381A/ja
Priority to CN201811062825.0A priority patent/CN109711240A/zh
Priority to US16/131,929 priority patent/US20190130222A1/en
Publication of JP2019079381A publication Critical patent/JP2019079381A/ja
Pending legal-status Critical Current

Links

Images

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
    • G06V10/70—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
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】蓄積データ量を削減できる機械学習システムを提案する。【解決手段】機械学習システムは、複数の画像データのそれぞれについて、複数のカテゴリのうちどのカテゴリにどの画像データが分類されるべきかを教師付き学習することにより、各画像データをカテゴリ別に分類する分類器を生成する手段（ステップ２０１〜２０４）と、複数の画像データの中から各カテゴリを代表する画像データを選択する手段（ステップ２０６）と、選択された画像データを除く残りの画像データを削除する手段（ステップ２０７）と、を備える。【選択図】図２

Description

本発明は機械学習システム及び交通情報提供システムに関わる。
複数の画像データのそれぞれを複数のカテゴリのうち何れかのカテゴリに分類する技術として、例えば、分類誤差が最小になるように教師付き学習により生成された分類器を用いるものが知られている。教師付き学習の例として、サポートベクタマシンや最大エントロピー法などがよく知られており、この種の機械学習は、画像データの分類のみならず、自然言語処理や生物情報処理などの分野においても幅広く用いられている。このような事情を背景に、特開２０１５−３５１１８号公報は、分類誤差が低減するように、機械学習に用いられる学習データを蓄積及び更新する技術を提案している。
特開２０１５−３５１１８号公報
しかし、機械学習に用いられる学習データを蓄積していくと、蓄積データ量が膨大となるため、リソースの有効利用の観点からは、蓄積データ量を削減するのが望ましい。
そこで、本発明は、このような問題を解消し、蓄積データ量を削減できる機械学習システムを提案することを課題とする。
上述の課題を解決するため、本発明に関わる機械学習システムは、複数の画像データのそれぞれについて、複数のカテゴリのうちどのカテゴリにどの画像データが分類されるべきかを教師付き学習することにより、各画像データをカテゴリ別に分類する分類器を生成する手段と、複数の画像データの中から各カテゴリを代表する画像データを選択する手段と、選択された画像データを除く残りの画像データを削除する手段と、を備える。
本発明に関わる機械学習システムによれば、複数の画像データの中から各カテゴリを代表する画像データを除く残りの画像データを削除することにより、蓄積データ量を削減することができる。
本発明の実施形態に関わるホスト計算機の概略構成を示すハードウェア構成図である。 本発明の実施形態に関わる機械学習処理の流れを示すフローチャートである。 本発明の実施形態に関わる交通情報提供処理の流れを示すフローチャートである。
以下、各図を参照しながら本発明の実施形態について説明する。ここで、同一符号は同一の構成要素を示すものとし、重複する説明は省略する。
図１は本発明の実施形態に関わるホスト計算機１０の概略構成を示すハードウェア構成図である。ホスト計算機１０は、複数の車両２０の運行を管理するためのサーバコンピュータである。ホスト計算機１０は、例えば、移動通信回線を通じて各車両２０からその位置情報を取得し、車両２０の位置に応じた交通情報（例えば、道路の積雪状況や水はけ状況などの情報）を車両２０に提供する。
ホスト計算機１０は、ハードウェア資源として、プロセッサ１１、入力インタフェース１２、出力インタフェース１３、記憶資源１４、及び通信装置１５を備えている。記憶資源１４には、コンピュータプログラム１７が格納されている。コンピュータプログラム１７には、図２に示す機械学習処理や図３に示す交通情報提供処理の実行をプロセッサ１１に指示するコマンドが記述されている。プロセッサ１１がコンピュータプログラム１７を解釈及び実行することにより、ホスト計算機１０は、機械学習処理を実行する機械学習システムとして機能するとともに、交通情報提供処理を実行する交通情報提供システムとしても機能する。機械学習処理及び交通情報提供処理の詳細については後述する。記憶資源１４は、コンピュータ読み取り可能な記録媒体（物理デバイス）が提供する記憶領域（論理デバイス）である。コンピュータ読み取り可能な記録媒体は、例えば、半導体メモリ（揮発性メモリ、不揮発性メモリ）やディスク媒体などの記憶デバイスである。入力インタフェース１２は、例えば、キーボード、マウス、又はタッチパネルなどのユーザインタフェースである。出力インタフェース１３は、例えば、ディスプレイ、又はプリンタなどのユーザインタフェースである。通信装置１５は、例えば、移動通信回線を通じて各車両２０との間で通信を行う。
車両２０は、車載器２１と、カメラ２２とを搭載している。車載器２１は、車両２０の位置を検出する装置（例えば、グローバルポジショニングシステム）と、移動通信回線を通じてホスト計算機１０との間で通信を行う通信装置とを備えている。カメラ２２は、ドライブレコーダと呼ばれる録画装置の車載デジタルカメラである。車両２０は、カメラ２２を用いて道路環境を撮影し、撮影した道路環境を示す画像データ１６を、車両２０の位置情報及び時刻情報と共に、車載器２１を通じてホスト計算機１０にアップロード送信する。ここで、道路環境とは、道路上又はその周辺の気象状況（例えば、積雪状況や水はけ状況など）を意味し、道路環境は、地域毎に異なり得るものであり、また、同じ地域でも時間帯毎に異なり得る。道路環境の特定を要する地域（例えば、幹線道路のある地域、交通量の多い地域、過去に交通事故が生じた地域）は、予め設定されている。ホスト計算機１０は、この予め設定された地域の道路環境を示す複数の画像データ１６を各車両２０から取得し、取得した複数の画像データ１６を記憶資源１４に格納する。なお、各車両２０は、自車の位置情報をホスト計算機１０に定期的に送信しており、ホスト計算機１０は、各車両２０の位置情報を把握している。
次に、図２を参照しながら、機械学習処理の流れについて説明をする。
ステップ２０１において、プロセッサ１１は、記憶資源１４に格納されている複数の画像データ１６の中から一つの画像データ１６を選択する。選択された画像データ１６については、ステップ２０３の処理に先立って、前処理（例えば、ノイズ除去や画像サイズの正規化などの処理）を行ってもよい。
ステップ２０２において、プロセッサ１１は、ステップ２０１で選択された画像データ１６が、道路環境に関わる複数のカテゴリのうちのどのカテゴリに分類されるべきかを示す教示情報を入力する。この教示情報は、例えば、入力インタフェース１２を通じてオペレータからの入力操作により与えられる。道路環境に関わるカテゴリとは、道路上又はその周辺の段階的に変化し得る気象状況がどの段階にあるのかを示す分類である。例えば、積雪状況に関する道路環境については、「積雪あり」のカテゴリと、「積雪なし」のカテゴリとを設けることができる。また、例えば、水はけ状況に関する道路環境については、「水あり」のカテゴリと、「水なし」のカテゴリとを設けることができる。但し、各道路環境について設定されるカテゴリの数は、２つに限られるものではなく、３つ以上でもよい。
ステップ２０３において、プロセッサ１１は、ステップ２０１で選択された画像データ１６から特徴（例えば、エッジ、色ヒストグラム、方向性特徴、ウェーブレット係数）を抽出する。この特徴を抽出する処理では、画像データ１６のカテゴリ別の分類に必要な特徴量が特徴量ベクトルとして算出される。
ステップ２０４において、プロセッサ１１は、ステップ２０１で選択された画像データ１６の特徴と、ステップ２０２で入力された教示情報との対応関係を学習する。このような教示情報を用いた機械学習は、教師付き学習と呼ばれる。プロセッサ１１は、道路環境に関わる複数のカテゴリのうちどのカテゴリにどの画像データ１６が分類されるべきかを教師付き学習することにより、各画像データ１６をカテゴリ別に分類する分類器を生成する。
ステップ２０５において、プロセッサ１１は、複数の画像データ１６のそれぞれについて、教師付き学習が終了したか否かを判定する。複数の画像データ１６のそれぞれについて、教師付き学習が終了していない場合は（ステップ２０５；ＮＯ）、プロセッサ１１は、ステップ２０１〜２０４の処理を繰り返し実行する。複数の画像データ１６のそれぞれについて、教師付き学習が終了すると（ステップ２０５；ＹＥＳ）、プロセッサ１１は、ステップ２０６の処理を実行する。
ステップ２０６において、プロセッサ１１は、複数の画像データ１６の中から各カテゴリを代表する画像データ１６を選択する。プロセッサ１１は、例えば、各カテゴリの特徴ベクトルの分布の中心とのユークリッド距離が最小となる特徴ベクトルを有する画像データ１６を、「カテゴリを代表する画像データ１６」として選択する。或いは、プロセッサ１１は、各カテゴリを代表する理想的な特徴ベクトルとのユークリッド距離が最小となる特徴ベクトルを有する画像データ１６を、「カテゴリを代表する画像データ１６」として選択してもよい。この場合、各カテゴリを代表する理想的な特徴ベクトルは、入力インタフェース１２を通じてオペレータからの入力操作により与えられる。カテゴリを代表する画像データ１６を選択する方法は、上述の二つの例に限られるものではなく、カテゴリを代表する画像データ１６の特徴ベクトルがどのようなものであるかを定義し、その定義を満たす特徴ベクトルを有する画像データ１６を選択すればよい。例えば、積雪状況に関する道路環境については、プロセッサ１１は、「積雪あり」のカテゴリを代表する画像データ１６と、「積雪なし」のカテゴリを代表する画像データ１６とを選択する。また、例えば、水はけ状況に関する道路環境については、プロセッサ１１は、「水あり」のカテゴリを代表する画像データ１６と、「水なし」のカテゴリを代表する画像データ１６とを選択する。
ステップ２０７において、プロセッサ１１は、ステップ２０６で選択された画像データ１６を除く残りの画像データ１６を記憶資源１４から削除する。これにより、各カテゴリを代表する画像データ１６を除く不要な画像データ１６は、記憶資源１４から削除されるため、蓄積データ量を削減することができる。
このように、ホスト計算機１０のハードウェア資源と、機械学習処理の実行をプロセッサ１１に指示するコンピュータプログラム１７との協働により、ホスト計算機１０は機械学習システムとして機能する。
次に、図３を参照しながら、交通情報提供処理の流れについて説明をする。説明の便宜上、図１に示すように、予め定められた特定の地点Ａを走行する車両２０を第１の車両２０と呼び、地点Ａに向かって地点Ｂを走行する車両２０を第２の車両２０と呼ぶ。ここで、地点Ａは、道路環境の特定を要するものとして予め定められた地域にあるものとする。また、交通情報提供処理に先立って、機械学習処理を通じて分類器が予め生成されているものとする。
ステップ３０１において、プロセッサ１１は、予め定められた特定の地点Ａを走行する第１の車両２０が撮影した道路環境を示す画像データ１６を、移動通信回線を通じて取得する。
ステップ３０２において、プロセッサ１１は、第１の車両２０が撮影した道路環境を示す画像データ１６から特徴（例えば、エッジ、色ヒストグラム、方向性特徴、ウェーブレット係数）を抽出する。
ステップ３０３において、プロセッサ１１は、第１の車両２０が撮影した道路環境を示す画像データ１６が、道路環境に関わる複数のカテゴリのうちのどのカテゴリに分類されるべきかを、ステップ３０２で抽出された特徴に基づいて、分類器を用いて決定する。例えば、積雪状況に関する道路環境については、プロセッサ１１は、第１の車両２０が撮影した道路環境を示す画像データ１６が、「積雪あり」のカテゴリに分類されるのか、或いは「積雪なし」のカテゴリに分類されるのかを決定する。また、例えば、水はけ状況に関する道路環境については、プロセッサ１１は、第１の車両２０が撮影した道路環境を示す画像データ１６が、「水あり」のカテゴリに分類されるのか、或いは「水なし」のカテゴリに分類されるのかを決定する。
ステップ３０４において、プロセッサ１１は、ステップ３０３で決定された道路環境に関わるカテゴリを代表する画像データ１６と、ステップ３０３で決定された道路環境に関わるカテゴリに関連する交通情報とを、特定の地点Ａに向かって走行する第２の車両２０に送信する。道路環境に関わるカテゴリに関連する交通情報は、地点Ａ付近の道路上又はその周辺の段階的に変化し得る気象状況がどの段階にあるのかを示す情報を含む。この交通情報は、必要に応じて、例えば、積雪状況や水はけ状況が悪い場合に、運転の注意を促す情報や、運転に最適なタイヤに関わる情報を含んでもよい。
このように、ホスト計算機１０のハードウェア資源と、機械学習処理及び交通情報提供処理の実行をプロセッサ１１に指示するコンピュータプログラム１７との協働により、ホスト計算機１０は、交通情報提供システムとして機能する。
本発明に関わる実施形態によれば、複数の画像データ１６の中から各カテゴリを代表する画像データ１６を除く残りの画像データ１６を削除することにより、蓄積データ量を削減することができる。例えば、従来では、機械学習をするために数百の画像データを要しており、蓄積データ量が多かったが、本実施形態によれば、必要最小限の画像データ１６を記憶資源１４に格納しておけばよいため、蓄積データ量を削減することができる。
以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更又は改良され得るととともに、本発明には、その等価物も含まれる。即ち、実施形態に当業者が適宜設計変更を加えたものも、本発明の特徴を備えている限り、本発明の範囲に包含される。実施形態が備える各要素は、技術的に可能な限りにおいて組み合わせることができ、これらを組み合わせたものも本発明の特徴を含む限り本発明の範囲に包含される。
１０…ホスト計算機 １１…プロセッサ １２…入力インタフェース １３…出力インタフェース １４…記憶資源 １５…通信装置 １６…画像データ １７…コンピュータプログラム ２０…車両 ２１…車載器 ２２…カメラ

Claims (2)

  1. 複数の画像データのそれぞれについて、複数のカテゴリのうちどのカテゴリにどの画像データが分類されるべきかを教師付き学習することにより、各画像データをカテゴリ別に分類する分類器を生成する生成手段と、
    前記複数の画像データの中から各カテゴリを代表する画像データを選択する選択手段と、
    前記選択された画像データを除く残りの画像データを削除する削除手段と、
    を備える機械学習システム。
  2. 道路環境を示す複数の画像データのそれぞれについて、道路環境に関わる複数のカテゴリのうちどのカテゴリにどの画像データが分類されるべきかを教師付き学習することにより、各画像データをカテゴリ別に分類する分類器を生成する生成手段と、
    前記複数の画像データの中から各カテゴリを代表する画像データを選択する選択手段と、
    前記選択された画像データを除く残りの画像データを削除する削除手段と、
    予め定められた特定の地点を走行する第１の車両が撮影した道路環境を示す画像データを取得する取得手段と、
    前記第１の車両が撮影した道路環境を示す画像データが、前記道路環境に関わる複数のカテゴリのうちのどのカテゴリに分類されるべきかを前記分類器を用いて決定する決定手段と、
    前記特定の地点に向かって走行する第２の車両に、前記決定されたカテゴリを代表する画像データと前記決定されたカテゴリに関連する交通情報とを送信する送信手段と、
    を備える交通情報提供システム。
JP2017207164A 2017-10-26 2017-10-26 機械学習システム及び交通情報提供システム Pending JP2019079381A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2017207164A JP2019079381A (ja) 2017-10-26 2017-10-26 機械学習システム及び交通情報提供システム
CN201811062825.0A CN109711240A (zh) 2017-10-26 2018-09-12 机器学习系统、交通信息提供系统以及机器学习方法
US16/131,929 US20190130222A1 (en) 2017-10-26 2018-09-14 Machine learning system, transportation information providing system, and machine learning method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017207164A JP2019079381A (ja) 2017-10-26 2017-10-26 機械学習システム及び交通情報提供システム

Publications (1)

Publication Number Publication Date
JP2019079381A true JP2019079381A (ja) 2019-05-23

Family

ID=66243055

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017207164A Pending JP2019079381A (ja) 2017-10-26 2017-10-26 機械学習システム及び交通情報提供システム

Country Status (3)

Country Link
US (1) US20190130222A1 (ja)
JP (1) JP2019079381A (ja)
CN (1) CN109711240A (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003281540A (ja) * 2002-03-19 2003-10-03 Fuji Xerox Co Ltd 画像処理装置、画像処理方法、画像処理プログラムならびに画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2015064675A (ja) * 2013-09-24 2015-04-09 株式会社日立製作所 運転支援方法、センタ装置、運転支援システム
JP2017021745A (ja) * 2015-07-15 2017-01-26 パイオニア株式会社 情報収集装置、情報収集サーバ及び情報収集システム
JP2017188164A (ja) * 2017-07-13 2017-10-12 パイオニア株式会社 画像取得装置、端末および画像取得システム

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7769513B2 (en) * 2002-09-03 2010-08-03 Automotive Technologies International, Inc. Image processing for vehicular applications applying edge detection technique
US6647139B1 (en) * 1999-02-18 2003-11-11 Matsushita Electric Industrial Co., Ltd. Method of object recognition, apparatus of the same and recording medium therefor
US8803966B2 (en) * 2008-04-24 2014-08-12 GM Global Technology Operations LLC Clear path detection using an example-based approach
US8237743B2 (en) * 2009-02-17 2012-08-07 Xerox Corporation Modification of images from a user's album for spot-the-differences
CN101853400B (zh) * 2010-05-20 2012-09-26 武汉大学 基于主动学习和半监督学习的多类图像分类方法
CN102955950A (zh) * 2011-08-16 2013-03-06 索尼公司 用于在线训练分类器的装置和在线训练分类器的方法
US20150085118A1 (en) * 2011-09-07 2015-03-26 Valeo Schalter Und Sensoren Gmbh Method and camera assembly for detecting raindrops on a windscreen of a vehicle
CN102354449B (zh) * 2011-10-09 2013-09-04 昆山市工业技术研究院有限责任公司 基于车联网实现图像信息共享的方法、装置和系统
KR101716646B1 (ko) * 2013-01-10 2017-03-15 한국전자통신연구원 국부이진패턴을 이용한 객체 검출 인식 방법 및 장치
JP5880454B2 (ja) * 2013-01-11 2016-03-09 富士ゼロックス株式会社 画像識別装置及びプログラム
US9129161B2 (en) * 2013-05-31 2015-09-08 Toyota Jidosha Kabushiki Kaisha Computationally efficient scene classification
US9542626B2 (en) * 2013-09-06 2017-01-10 Toyota Jidosha Kabushiki Kaisha Augmenting layer-based object detection with deep convolutional neural networks
CN103700261A (zh) * 2014-01-03 2014-04-02 河海大学常州校区 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统
CN104484682A (zh) * 2014-12-31 2015-04-01 中国科学院遥感与数字地球研究所 一种基于主动深度学习的遥感图像分类方法
US20170206434A1 (en) * 2016-01-14 2017-07-20 Ford Global Technologies, Llc Low- and high-fidelity classifiers applied to road-scene images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003281540A (ja) * 2002-03-19 2003-10-03 Fuji Xerox Co Ltd 画像処理装置、画像処理方法、画像処理プログラムならびに画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2015064675A (ja) * 2013-09-24 2015-04-09 株式会社日立製作所 運転支援方法、センタ装置、運転支援システム
JP2017021745A (ja) * 2015-07-15 2017-01-26 パイオニア株式会社 情報収集装置、情報収集サーバ及び情報収集システム
JP2017188164A (ja) * 2017-07-13 2017-10-12 パイオニア株式会社 画像取得装置、端末および画像取得システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHONGHUA SUN, ET AL.: "Road Surface Condition Classification Based on Color and Texture Information", 2013 NINTH INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSI, JPN6021009745, 18 October 2013 (2013-10-18), pages 137 - 140, XP032614860, ISSN: 0004608659, DOI: 10.1109/IIH-MSP.2013.43 *

Also Published As

Publication number Publication date
US20190130222A1 (en) 2019-05-02
CN109711240A (zh) 2019-05-03

Similar Documents

Publication Publication Date Title
US8644561B2 (en) License plate optical character recognition method and system
US11188789B2 (en) Detecting poisoning attacks on neural networks by activation clustering
US10769473B2 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
KR102117543B1 (ko) 컴퓨팅 장치 및 이를 이용한 인공 지능 기반 영상 처리 서비스 시스템
US9477892B2 (en) Efficient method of offline training a special-type parked vehicle detector for video-based on-street parking occupancy detection systems
JP6446971B2 (ja) データ処理装置、データ処理方法、及び、コンピュータ・プログラム
EP3869385B1 (en) Method for extracting structural data from image, apparatus and device
JP7117934B2 (ja) 画像分類装置及びプログラム
US11029969B2 (en) Determining characteristics of configuration files
JP2016071412A (ja) 画像分類装置、画像分類システム、画像分類方法、及びプログラム
EP3443482B1 (en) Classifying entities in digital maps using discrete non-trace positioning data
US20220415019A1 (en) Method and apparatus for image classification
CN114998595B (zh) 弱监督语义分割方法、语义分割方法及可读存储介质
US11526708B2 (en) Information processing device, information processing method, and recording medium
CN112906823A (zh) 目标对象识别模型训练方法、识别方法及识别装置
KR20100064140A (ko) 지능형 자동차를 위한 교통 표지판 검출 방법 및 상기 방법을 실행하는 시스템
CN114254146A (zh) 图像数据的分类方法、装置和系统
KR102196110B1 (ko) 광학 문자 판독 장치를 포함하는 로봇 프로세스 자동화 시스템
CN113705650B (zh) 一种人脸图片集的处理方法、装置、介质和计算设备
JP2009151759A (ja) 画像処理方法及び画像処理装置
CN113223011B (zh) 基于引导网络和全连接条件随机场的小样本图像分割方法
US20190392249A1 (en) Image feature amount output device, image recognition device, the image feature amount output program, and image recognition program
JP2019200495A (ja) プログラム配信方法、プログラム配信装置およびプログラム配信システム
CN110728229B (zh) 图像处理方法、装置、设备和存储介质
JP2019079381A (ja) 機械学習システム及び交通情報提供システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200226

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210312

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210319

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210514

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20211006