JP2020160804A - 情報処理装置、プログラム及び情報処理方法 - Google Patents
情報処理装置、プログラム及び情報処理方法 Download PDFInfo
- Publication number
- JP2020160804A JP2020160804A JP2019059587A JP2019059587A JP2020160804A JP 2020160804 A JP2020160804 A JP 2020160804A JP 2019059587 A JP2019059587 A JP 2019059587A JP 2019059587 A JP2019059587 A JP 2019059587A JP 2020160804 A JP2020160804 A JP 2020160804A
- Authority
- JP
- Japan
- Prior art keywords
- inference
- image
- unit
- additional learning
- appearance
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000012937 correction Methods 0.000 claims abstract description 99
- 238000006243 chemical reaction Methods 0.000 claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 100
- 238000000034 method Methods 0.000 claims description 85
- 230000008569 process Effects 0.000 claims description 75
- 238000001514 detection method Methods 0.000 claims description 37
- 230000009467 reduction Effects 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 46
- 238000009434 installation Methods 0.000 description 14
- 238000010191 image analysis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008921 facial expression Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
しかしながら、カメラの設置環境は様々であり、設置角度又は照度等によって認識対象となる物体の見え方が変わるため、予めこれらのすべてを想定して教師データを用意して推論モデルを構築することは困難である。また、推論モデルを設置環境に適応させるために、各々のカメラから画像を収集して、正解ラベル付けを行った教師データを生成するには膨大な工数がかかり現実的ではない。
図1は、実施の形態1に係る映像解析装置を含む映像監視システムの構成を概略的に示すブロック図である。
映像監視システム100は、管理サーバ110と、複数のカメラ120−1〜120−N(Nは、2以上の整数)と、複数の映像解析装置130−1〜130−Nとを備える。管理サーバ110と、複数の映像解析装置130−1〜130−Nとは、ネットワーク101に接続されている。
また、複数のカメラ120−1〜120−Nの各々には、複数の映像解析装置130−1〜130−Nの各々が接続されている。
ここで、複数のカメラ120−1〜120−Nの各々を特に区別する必要がない場合には、単に、カメラ120といい、複数の映像解析装置130−1〜130−Nの各々を特に区別する必要がない場合には、単に、映像解析装置130という。
映像解析装置130は、入力インターフェース部(以下、入力I/F部という)131と、見え方判定部132と、データ処理部133と、推論モデル記憶部138と、推論実行部139と、追加学習実行部140と、出力インターフェース部(以下、出力I/F部という)141とを備える。
見え方判定部132は、カメラ120から入力される画像データで示される画像の見え方を判定し、その結果に基づいて、その画像の変換に使用される補正パラメータを生成する。
データ処理部133は、推論対象データ生成部134と、教師データ生成部135とを備える。
教師データ生成部135は、推論結果処理部136と、生成実行部137とを備える。
推論実行部139は、推論対象データ生成部134で生成された推論対象データに対して、機械学習による推論を実行し、その推論の結果である推論結果を生成する。
出力I/F部141は、推論結果処理部136で生成された認識結果を管理サーバ110に出力するための通信インターフェースである。
なお、実施の形態1は、カメラ120以外の情報入力装置から入力される画像データ又は画像データ以外のデータの解析を行ってもよく、物体検出以外の画像認識を行ってもよい。
また、以下の説明における物体検出処理においては画像内のどの位置に物体があるかを示す物体領域情報と、その物体が何であるかを示すラベル情報と、検出結果の確からしさを示す尤度情報とが得られるものとする。
次に、見え方判定部132は、与えられた画像データで示される画像の見え方を判定し、その判定結果から画像の変換が必要か否かを判定する。そして、見え方判定部132は、画像の変換が必要と判定した場合には、画像データで示される画像を、画像認識しやすくするために変換する画像変換処理に使用する補正パラメータを生成する。なお、見え方判定部132は、画像の変換が必要ないと判定した場合には、画像変換を行わないように、補正パラメータを生成する。
また、予め推論モデルの学習に使用された教師データの画像がわかっていれば、教師データの画像の撮影状況に近づけるための補正パラメータを生成することもできる。例えば、推論モデルの学習に物体の正対画像が使用されていた場合、画像データで示されている画像が俯瞰画像であると、画像認識しにくいため、見え方判定部132は、俯瞰画像を正対画像に変換するための補正パラメータを生成する。補正パラメータの生成にあたっては、既知の射影変換技術を使用することができる。
まず、入力I/F部131は、接続されているカメラ120から画像データを取得すると、その画像データを見え方判定部132に与える。見え方判定部132は、その画像データで示される画像の全体の明るさ、彩度、コントラスト、色の偏り、又は、画像に含まれている物の傾き等の情報に基づいて、その画像データで示される画像が、画像認識しにくい見え方であるか否かの見え方判定を行う(S10)。
具体的には、設置環境が変更された場合、輝度値が想定の範囲外にある場合、f値が想定の範囲外にある場合、k−means法等のクラスタリング手法を用いて、既に与えられているデータ間の距離が予め定められた閾値を超えている場合、又は、機械学習を用いた異常判定により異常と判定された場合に、見え方判定部132は、画像変換が必要と判定する。
一方、ステップS13では、見え方判定部132は、画像変換なしとする補正パラメータを生成する。そして、見え方判定部132は、補正パラメータ及び画像データを推論対象データ生成部134に与えて、処理はステップS14に進む。
図1に示されているように、実施の形態2における映像監視システム200は、管理サーバ110と、複数のカメラ120−1〜120−Nと、複数の映像解析装置230−1〜230−Nとを備える。
実施の形態2における映像監視システム200の管理サーバ110及びカメラ120は、実施の形態1における映像監視システム100の管理サーバ110及びカメラ120と同様である。
なお、映像解析装置230−1〜230−Nの各々を特に区別する必要がない場合には、映像解析装置230という。
映像解析装置230は、入力I/F部131と、見え方判定部232と、データ処理部133と、推論モデル記憶部138と、推論実行部139と、追加学習実行部140と、出力I/F部141と、精度低下状態検出部242とを備える。
実施の形態2における映像解析装置230における入力I/F部131、データ処理部133、推論モデル記憶部138、推論実行部139、追加学習実行部140及び出力I/F部141は、実施の形態1における映像解析装置130における入力I/F部131、データ処理部133、推論モデル記憶部138、推論実行部139、追加学習実行部140及び出力I/F部141と同様である。
そして、見え方判定部232は、精度低下状態検出部242からの指示があった場合に、カメラ120から入力される画像データで示される画像の見え方を判定し、その画像に対する補正パラメータを生成して、補正パラメータを更新する。なお、見え方判定部232は、精度低下状態検出部242からの指示があった場合には、再度、補正パラメータを初期値に戻してもよい。
また、見え方判定部232及び精度低下状態検出部242の一部又は全部は、例えば、図3(B)に示されているように、処理回路12で構成することもできる。
なお、図6に示されているフローチャートに含まれているステップの内、図4に示されているフローチャートと同様の処理を行っているステップについては、図4と同じ符号を付し、詳細な説明を省略する。
次に、精度低下状態検出部242は、精度低下状態を検出したか否かを判定する(S21)。精度低下状態が検出された場合(S21でYes)には、精度低下状態検出部242は、精度低下状態検出通知を見え方判定部232に与えて、処理はステップS22に進む。精度低下状態が検出されていない場合(S21でNo)には、処理はステップS14に進む。
図1に示されているように、実施の形態3における映像監視システム300は、管理サーバ110と、複数のカメラ120−1〜120−Nと、複数の映像解析装置330−1〜330−Nとを備える。
実施の形態3における映像監視システム300の管理サーバ110及びカメラ120は、実施の形態1における映像監視システム100の管理サーバ110及びカメラ120と同様である。
なお、映像解析装置330−1〜330−Nの各々を特に区別する必要がない場合には、映像解析装置330という。
映像解析装置330は、入力I/F部131と、見え方判定部332と、データ処理部133と、推論モデル記憶部138と、推論実行部139と、追加学習実行部340と、出力I/F部141と、処理制御部343とを備える。
実施の形態3における映像解析装置330における入力I/F部131、データ処理部133、推論モデル記憶部138、推論実行部139及び出力I/F部141は、実施の形態1における映像解析装置130における入力I/F部131、データ処理部133、推論モデル記憶部138、推論実行部139及び出力I/F部141と同様である。
ここで、見え方判定部332は、処理制御部343から停止命令を受けると、カメラ120から入力される画像データで示される画像の見え方を判定する見え方判定処理、及び、補正パラメータを生成する補正パラメータ生成処理を停止する。
また、見え方判定部332は、処理制御部343から停止解除命令を受けると、見え方判定処理及び補正パラメータ生成処理を再開する。
ここで、追加学習実行部340は、処理制御部343から停止命令を受けると、生成実行部137が生成した教師データを使用して推論モデルの追加学習を行う追加学習処理を停止する。
また、追加学習実行部340は、処理制御部343から停止解除命令を受けると、追加学習処理を再開する。
処理制御部343は、処理負荷監視部344と、学習進度判定部345とを備える。
また、処理負荷監視部344は、その処理負荷が予め定められた閾値未満になると、見え方判定部132及び追加学習実行部140に停止解除命令を与える。
追加学習の成熟度は、入力される画像データを変換せずに推論を行った場合に、予め定められた閾値以上の尤度の物体検出結果が、予め定められた期間以上出力されるか否かにより判定することができる。
また、追加学習の成熟度は、追加学習実行部340で実行した追加学習に使用した教師データの数が予め定められた数以上になったか否かにより判定することもできる。
また、見え方判定部332、追加学習実行部340及び処理制御部343の一部又は全部は、例えば、図3(B)に示されているように、処理回路12で構成することもできる。
なお、図8に示されているフローチャートに含まれているステップの内、図4又は図6に示されているフローチャートと同様の処理を行っているステップについては、図4又は図6と同じ符号を付し、詳細な説明を省略する。
一方、ステップS33では、処理負荷監視部344は、見え方判定部332及び追加学習実行部340に、停止解除命令を発行する。そして、処理はステップS34に進む。
また、図8におけるステップS14〜S17での処理は、図4におけるステップS14〜S17での処理と同様である。但し、図8においては、ステップS17での処理の後に、処理はステップS35に進む。
一方、ステップS37では、追加学習実行部340は、蓄積された追加学習による推論モデルの追加学習を実行する。
また、追加学習が十分に進んだ時点では不要となる処理を停止させることで、余計な処理を実行することで映像解析装置330の処理負荷が無駄に高くなることを抑止できる。
このようにすることで、処理負荷状況に応じて実行可能な画像変換ができるようになるため、画像認識精度の改善と処理負荷上昇の抑止を両立した制御が可能になる
ここで、処理制御部343に学習進度判定部345のみが設けられている場合には、学習進度判定部345は、追加学習の成熟度が予め定められた閾値以上であるか否かを判断する。追加学習の成熟度が予め定められた閾値未満の間は停止解除命令を見え方判定部332及び追加学習実行部340に与え、習熟度が閾値以上となった場合に、停止命令を見え方判定部332及び追加学習実行部340に与えてもよい。
図1に示されているように、実施の形態4における映像監視システム400は、管理サーバ110と、複数のカメラ120−1〜120−Nと、複数の映像解析装置430−1〜430−Nとを備える。
実施の形態4における映像監視システム400の管理サーバ110及びカメラ120は、実施の形態1における映像監視システム100の管理サーバ110及びカメラ120と同様である。
なお、映像解析装置430−1〜430−Nの各々を特に区別する必要がない場合には、映像解析装置430という。
映像解析装置430は、入力I/F部131と、見え方判定部432と、データ処理部133と、推論モデル記憶部138と、推論実行部139と、追加学習実行部140と、出力I/F部141とを備える。
実施の形態4における映像解析装置430における入力I/F部131、データ処理部133、推論モデル記憶部138、推論実行部139、追加学習実行部140及び出力I/F部141は、実施の形態1における映像解析装置130における入力I/F部131、データ処理部133、推論モデル記憶部138、推論実行部139、追加学習実行部140及び出力I/F部141と同様である。但し、推論実行部139は、推論結果を見え方判定部432にも与える。
まず、見え方判定部432は、補正パラメータ及び補正パラメータ候補を、画像変換なしとする初期値に設定する(S40)。
見え方判定部432は、最適な補正パラメータ候補を識別するための識別番号Nを「0」に設定する(S41)。
見え方判定部432は、識別番号Nに「1」をインクリメントする(S42)。
なお、N=1の場合には、見え方判定部432は、補正パラメータ候補を初期値とし、補正パラメータの推論結果の尤度を「0」に設定する。
Claims (13)
- 画像データにより示される画像の見え方を判定した結果に基づいて、前記画像の変換に使用される補正パラメータを生成する見え方判定部と、
前記補正パラメータを用いて前記画像を変換し、前記変換された画像を示す推論対象データを生成する推論対象データ生成部と、
前記推論対象データに対して、機械学習による推論を実行することで、推論結果を生成する推論実行部と、
前記推論結果と前記画像データとを関連付けることで、教師データを生成する教師データ生成部と、
前記教師データを使用して推論モデルの追加学習を行う追加学習実行部と、を備えること
を特徴とする情報処理装置。 - 前記推論結果の精度が低下した状態である精度低下状態を検出する精度低下状態検出部をさらに備え、
前記見え方判定部は、前記精度低下状態が検出された場合に、前記画像の見え方を判定した結果に基づいて、前記補正パラメータを生成すること
を特徴とする請求項1に記載の情報処理装置。 - 前記精度低下状態検出部は、予め定められた推論結果が、予め定められた期間得られない場合に、前記精度低下状態を検出すること
を特徴とする請求項2に記載の情報処理装置。 - 前記情報処理装置の処理負荷を監視し、前記処理負荷が予め定められた閾値以上である場合に、前記見え方判定部及び前記追加学習実行部に停止命令を与える処理負荷監視部をさらに備え、
前記見え方判定部は、前記停止命令を受けると、前記画像の見え方を判定する見え方判定処理及び前記補正パラメータを生成する補正パラメータ生成処理を停止し、
前記追加学習実行部は、前記追加学習を行う追加学習処理を停止すること
を特徴とする請求項1から3の何れか一項に記載の情報処理装置。 - 前記処理負荷監視部は、前記停止命令を与えた後に、前記処理負荷が前記予め定められた閾値未満となった場合には、前記見え方判定部及び前記追加学習実行部に停止解除命令を与え、
前記見え方判定部は、前記停止解除命令を受けると、前記見え方判定処理及び前記補正パラメータ生成処理を再開し、
前記追加学習実行部は、前記停止解除命令を受けると、前記追加学習処理を再開すること
を特徴とする請求項4に記載の情報処理装置。 - 前記情報処理装置の処理負荷を監視し、前記処理負荷が予め定められた閾値以上である場合に、前記見え方判定部及び前記追加学習実行部に停止命令を与える処理負荷監視部をさらに備え、
前記補正パラメータは、複数の種別の値を含み
前記見え方判定部は、前記停止命令を受けると、前記補正パラメータの内、予め定められた少なくとも一つの値を生成する一部生成処理を停止し、
前記追加学習実行部は、前記追加学習を行う追加学習処理を停止すること
を特徴とする請求項1から3の何れか一項に記載の情報処理装置。 - 前記処理負荷監視部は、前記停止命令を与えた後に、前記処理負荷が前記予め定められた閾値未満となった場合には、前記見え方判定部及び前記追加学習実行部に停止解除命令を与え、
前記見え方判定部は、前記停止解除命令を受けると、前記一部生成処理を再開し、
前記追加学習実行部は、前記停止解除命令を受けると、前記追加学習処理を再開すること
を特徴とする請求項6に記載の情報処理装置。 - 前記追加学習の成熟度を判定し、前記成熟度が予め定められた閾値以上である場合に、前記見え方判定部及び前記追加学習実行部に停止命令を与える学習進度判定部をさらに備え、
前記見え方判定部は、前記停止命令を受けると、前記画像の見え方を判定する見え方判定処理及び前記補正パラメータを生成する補正パラメータ生成処理を停止し、
前記追加学習実行部は、前記追加学習を行う追加学習処理を停止すること
を特徴とする請求項1から3の何れか一項に記載の情報処理装置。 - 前記学習進度判定部は、前記停止命令を与えた後に、前記成熟度が予め定められた閾値未満となった場合には、前記見え方判定部及び前記追加学習実行部に停止解除命令を与え、
前記見え方判定部は、前記停止解除命令を受けると、前記見え方判定処理及び前記補正パラメータ生成処理を再開し、
前記追加学習実行部は、前記停止解除命令を受けると、前記追加学習処理を再開すること
を特徴とする請求項8に記載の情報処理装置。 - 前記見え方判定部は、前記推論結果の精度が高くなるように、最適な補正パラメータを探索すること
を特徴とする請求項1に記載の情報処理装置。 - 前記見え方判定部は、時刻毎に、前記最適な補正パラメータを探索し、
前記推論対象データ生成部は、時刻毎に、前記最適な補正パラメータを用いて前記画像を変換することで、前記推論対象データを生成すること
を特徴とする請求項10に記載の情報処理装置。 - コンピュータを、
画像データにより示される画像の見え方を判定した結果に基づいて、前記画像の変換に使用される補正パラメータを生成する見え方判定部、
前記補正パラメータを用いて前記画像を変換し、前記変換された画像を示す推論対象データを生成する推論対象データ生成部、
前記推論対象データに対して、機械学習による推論を実行することで、推論結果を生成する推論実行部、
前記推論結果と前記画像データとを関連付けることで、教師データを生成する教師データ生成部、及び、
前記教師データを使用して推論モデルの追加学習を行う追加学習実行部、として機能させること
を特徴とするプログラム。 - 画像データにより示される画像の見え方を判定した結果に基づいて、前記画像の変換に使用される補正パラメータを生成し、
前記補正パラメータを用いて前記画像を変換し、前記変換された画像を示す推論対象データを生成し、
前記推論対象データに対して、機械学習による推論を実行することで、推論結果を生成し、
前記推論結果と前記画像データとを関連付けることで、教師データを生成し、
前記教師データを使用して推論モデルの追加学習を行うこと
を特徴とする情報処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019059587A JP7446060B2 (ja) | 2019-03-27 | 2019-03-27 | 情報処理装置、プログラム及び情報処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019059587A JP7446060B2 (ja) | 2019-03-27 | 2019-03-27 | 情報処理装置、プログラム及び情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020160804A true JP2020160804A (ja) | 2020-10-01 |
JP7446060B2 JP7446060B2 (ja) | 2024-03-08 |
Family
ID=72643501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019059587A Active JP7446060B2 (ja) | 2019-03-27 | 2019-03-27 | 情報処理装置、プログラム及び情報処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7446060B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230019060A (ko) * | 2021-07-30 | 2023-02-07 | 주식회사 딥엑스 | 이미지 신호 프로세서의 제어 방법 및 이를 수행하는 제어 장치 |
WO2023175727A1 (ja) * | 2022-03-15 | 2023-09-21 | 株式会社ソニー・インタラクティブエンタテインメント | 情報処理システム、情報処理方法及びプログラム |
WO2024069886A1 (ja) * | 2022-09-29 | 2024-04-04 | 株式会社ニコン | 演算装置、演算システム、ロボットシステム、演算方法及びコンピュータプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1049509A (ja) * | 1996-08-07 | 1998-02-20 | Kokusai Denshin Denwa Co Ltd <Kdd> | ニューラルネットワーク学習方式 |
JP2000353231A (ja) * | 1999-06-10 | 2000-12-19 | Mitsubishi Electric Corp | 画像処理装置 |
WO2006129601A1 (ja) * | 2005-06-03 | 2006-12-07 | Nikon Corporation | 画像処理装置、画像処理方法、画像処理プログラム製品、および撮像装置 |
WO2015145917A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | 画像補正装置、画像補正方法およびプログラム記録媒体 |
-
2019
- 2019-03-27 JP JP2019059587A patent/JP7446060B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1049509A (ja) * | 1996-08-07 | 1998-02-20 | Kokusai Denshin Denwa Co Ltd <Kdd> | ニューラルネットワーク学習方式 |
JP2000353231A (ja) * | 1999-06-10 | 2000-12-19 | Mitsubishi Electric Corp | 画像処理装置 |
WO2006129601A1 (ja) * | 2005-06-03 | 2006-12-07 | Nikon Corporation | 画像処理装置、画像処理方法、画像処理プログラム製品、および撮像装置 |
WO2015145917A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | 画像補正装置、画像補正方法およびプログラム記録媒体 |
Non-Patent Citations (1)
Title |
---|
SAYANAN SIVARAMAN, ET AL.: "A General Active-Learning Framework for On-Road Vehicle Recognition and Tracking", IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, JPN6022045483, 2010, ISSN: 0004976852 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230019060A (ko) * | 2021-07-30 | 2023-02-07 | 주식회사 딥엑스 | 이미지 신호 프로세서의 제어 방법 및 이를 수행하는 제어 장치 |
KR102617391B1 (ko) * | 2021-07-30 | 2023-12-27 | 주식회사 딥엑스 | 이미지 신호 프로세서의 제어 방법 및 이를 수행하는 제어 장치 |
US11941871B2 (en) | 2021-07-30 | 2024-03-26 | Deepx Co., Ltd. | Control method of image signal processor and control device for performing the same |
WO2023175727A1 (ja) * | 2022-03-15 | 2023-09-21 | 株式会社ソニー・インタラクティブエンタテインメント | 情報処理システム、情報処理方法及びプログラム |
WO2024069886A1 (ja) * | 2022-09-29 | 2024-04-04 | 株式会社ニコン | 演算装置、演算システム、ロボットシステム、演算方法及びコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7446060B2 (ja) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380232B2 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
US20190244504A1 (en) | Fire monitoring system | |
DK2377044T3 (en) | DETECTING ANORMAL EVENTS USING A LONG TIME MEMORY IN A VIDEO ANALYSIS SYSTEM | |
WO2020007118A1 (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
US7982774B2 (en) | Image processing apparatus and image processing method | |
JP2015534202A (ja) | ビデオ監視システムのための画像安定化技法 | |
JP7446060B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
US20210281748A1 (en) | Information processing apparatus | |
US20150262068A1 (en) | Event detection apparatus and event detection method | |
US20200355627A1 (en) | Method for detecting display screen peripheral circuit, apparatus, electronic device and storage medium | |
CN102348128A (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
CN109064446A (zh) | 显示屏质量检测方法、装置、电子设备及存储介质 | |
JP2011123742A (ja) | 侵入物体検知装置 | |
KR20170038144A (ko) | 어텐션 검출 장치 및 어텐션 검출 방법 | |
KR20220151583A (ko) | 영상 처리 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
KR101396838B1 (ko) | 다수의 모션 모델을 선택적으로 이용하는 영상 안정화 방법 및 시스템 | |
JP7078295B2 (ja) | 変状検出装置、変状検出方法、及びプログラム | |
CN111860429B (zh) | 高炉风口异常检测方法、装置、电子设备和存储介质 | |
CN113487166A (zh) | 一种基于卷积神经网络的化纤飘丝质量检测方法及系统 | |
JP2021007055A (ja) | 識別器学習装置、識別器学習方法およびコンピュータプログラム | |
JP5142416B2 (ja) | 物体検出装置 | |
JP7476028B2 (ja) | 監視情報処理装置、方法およびプログラム | |
CN112949490A (zh) | 设备动作检测方法、装置、电子设备及可读存储介质 | |
CN111860070A (zh) | 识别发生改变的对象的方法和装置 | |
JP7477764B2 (ja) | 情報処理プログラム、情報処理方法、および情報処理装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211006 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221017 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221215 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230131 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20230330 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20230425 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230928 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7446060 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |