JP2022038390A - 推論装置、方法、プログラムおよび学習装置 - Google Patents
推論装置、方法、プログラムおよび学習装置 Download PDFInfo
- Publication number
- JP2022038390A JP2022038390A JP2020142879A JP2020142879A JP2022038390A JP 2022038390 A JP2022038390 A JP 2022038390A JP 2020142879 A JP2020142879 A JP 2020142879A JP 2020142879 A JP2020142879 A JP 2020142879A JP 2022038390 A JP2022038390 A JP 2022038390A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- inference
- input signal
- image
- partial
- 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
- 238000000034 method Methods 0.000 title claims description 35
- 238000012545 processing Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract 2
- 230000007547 defect Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 17
- 230000005856 abnormality Effects 0.000 description 15
- 230000002950 deficient Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 14
- 230000004048 modification Effects 0.000 description 14
- 239000013598 vector Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012790 confirmation Methods 0.000 description 6
- 238000001994 activation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000011179 visual inspection Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Biodiversity & Conservation Biology (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
一般的に採用されるニューラルネットワークによる識別処理では、画素数が多い画像に対して行うと、畳み込み処理の前半で画像サイズが小さくなる。よって、画像の分解能が低下してしまい識別精度が低くなる。また、注目マップの生成には、検出処理に加えて追加の処理が必要となり、短時間で識別処理結果を得ることが必要な状況では、その処理量や遅れが問題になる。さらに、注目マップは識別処理の過程には現れないため、識別の根拠として十分ではないという問題がある。
第1の実施形態に係る推論装置について図1のブロック図を参照して説明する。
第1の実施形態に係る推論装置10は、切出部101と、畳み込み処理部102と、算出部103と、出力部104と、表示制御部105とを含む。
切出部101は、入力信号から、それぞれが入力信号における異なる一部分である1以上の部分信号を切り出す。例えば、入力信号が1枚の静止画像である場合、部分信号は、静止画像における予め定められた一部分を切り出した部分画像である。複数の部分信号のそれぞれは、同一サイズでもよいし、異なるサイズでもよい。また、切出部101は、入力信号から複数の部分信号を切り出す際に、他の部分信号の一部が重複するように切り出してもよいし、他の部分信号と重複しないように切り出してもよい。
なお、畳み込み処理部102は、切出部101により切り出された複数の部分信号に一対一に対応するように複数設けられてもよい。複数の畳み込み処理部102が設けられる場合は、複数の畳み込み処理部102に含まれる畳み込みニューラルネットワークはそれぞれ、重み係数およびバイアス値などのパラメータ群が同一であっても、異なっていてもよい。また、畳み込み処理部102は1つでもよく、この場合、時分割で複数の部分信号を逐次処理すればよい。
ステップS201では、切出部101が、入力信号から複数の部分信号を切り出す。
ステップS202では、畳み込み処理部102が、複数の部分信号のそれぞれについて、畳み込みニューラルネットワークにより畳み込み処理し、複数の中間部分信号を生成する。
ステップS203では、算出部103が、各中間部分信号の統計量を算出する。ここでは、各中間部分信号の平均値を算出する。
ステップS204では、算出部103が、複数の平均値の中から最大値を算出する。
ステップS205では、出力部104が、最大値に関数を適用することで、入力信号に関する推論結果、例えば入力信号が推論対象のクラスに該当する確率を推論結果として出力する。
図3は、製造品301を撮像した画像データの一例を示す図である。推論装置10は、工場の製造ラインにおける製造品301の外観検査において、製造品301に異常があるかないかの製造欠陥の有無を判定するために用いられてもよい。この場合、推論装置10は、入力信号として、図3に示すような製造品301を撮像した画像データを取得する。製造品301を撮像した画像データは、例えば、可視光のモノクロ画像、カラー画像、あるいは、赤外線画像、X線画像または凹凸を計測した奥行画像などである。
なお、部分画像601および部分画像602のように画像パターンが近い方が異物などの検出が容易となるが、部分画像603および部分画像604のように形状の違いにより画像パターンが異なる部分画像も処理できる。これは、後述するニューラルネットワークの学習時において、画像パターンの違いを欠陥として反応させないように学習できるためである。よって、切り出した部分画像をまとめて推論装置10により処理できる。
図7は、部分信号である1チャンネルの部分画像701と、畳み込み処理部102により畳み込み処理されることで生成される中間部分信号である中間部分画像を示す模式図である。また、説明の便宜上、部分画像701の各画素(サンプリングデータともいう)702を球で表し、各画素702が画素値を有するとする。畳み込みニューラルネットワークを形成する複数の畳み込み層のうちの最初の畳み込み層において、部分画像701の各画素702で、カーネル(フィルタともいう)が有する重み係数と、カーネルに対応する領域の部分画像の画素702の画素値とが積和演算されることにより、中間部分信号である中間部分画像703の1つの画素704について画素値が算出される。
さらに、畳み込み層からの出力となる、積和演算およびバイアス値の加算により得られる中間部分画像703に対して、ReLU(Rectified Linear Unit)のような所定の関数を適用して活性化処理を行う活性化層を、複数の畳み込み層の層間に挿入してもよい。
畳み込み層で生成される中間部分画像703は、複数のチャンネルで構成されてもよい。例えばカラー画像であれば、RGB信号に対応する3チャンネルの画像となる。畳み込み層においては、チャンネルは複数存在するほうが処理の自由度が高くなり、様々な画像に対応できる。図8の例では、複数のチャンネル705を有する中間部分画像703を想定し、中間部分画像703はチャンネル705ごとに畳み込み処理が実行される。なお、画像の解像度を維持するために、中間部分画像703における縦画素数および横画素数は変化させない。データ数は、縦画素数×横画素数×チャンネル数であるので、推論装置10を実現するハードウェアのメモリ量に制限がある場合には、当該制限を超えないようにチャンネル数が設定されればよい。
図9は、切出部101における入力画像に対する部分画像の切り出し処理、畳み込み処理部102における畳み込み処理、算出部103における算出処理および出力部104による推論結果の出力処理の一連の流れを示す図である。
畳み込み処理部102は、部分画像601および部分画像602に対してそれぞれ畳み込みニューラルネットワークを用いた畳み込み処理を実行する。ここで、畳み込みニューラルネットワークの最終層、つまり畳み込み処理部102からの出力を生成する最後の畳み込み層では、出力が1チャンネルとなるように設計される。図9に示すように、最後の畳み込み層の直前の畳み込み層が複数のチャンネルを有する中間部分画像703である場合は、複数のチャンネルに対して1つのチャンネルのカーネルを適用して加算することで、1チャンネルの中間部分画像706を生成する。または、最後の畳み込み層において複数のチャンネルの和または重み付け和を計算し、1チャンネルの中間部分画像706を生成してもよい。
図10に示すように、各中間部分画像706の平均値901の最大値902に対してシグモイド関数を適用する代わりに、算出部103により算出された、各中間部分画像706の平均値901に対して重み係数をそれぞれ乗算して加算する、すなわち全結合した値1001に対してシグモイド関数を適用してもよい。第1の変形例に係る出力部104からの出力が、欠陥がある確率を示す推論結果903として生成される。
図11は、図10のように平均値901を全結合した出力を複数に設定して、当該出力に対してソフトマックス関数を適用してもよい。例えば、第1の入力1101および第2の入力1102とをソフトマックス関数に入力し、「欠陥あり」の確率を推論結果903として出力してもよい。
図11に示す第2の変形例とソフトマックス関数への入力は同様であるが、第3の変形例では、ソフトマックス関数からの出力を複数にしてもよい。具体的に、図12に示すように「欠陥あり」の確率に関する推論結果903に加え、「欠陥あり」の確率を1から減じた「欠陥なし」の確率に関する推論結果1201を同時に出力するようにしてもよい。
推論装置10の推論処理の過程で得られた、最大値として選択された平均値の元となる中間部分画像を、そのまま欠陥に関する注目マップとして用いることができる。
図14に示すように、部分画像602に対応する中間部分画像1401は、異物402の領域で画素値が大きくなり、異物402以外の領域では小さい画素値となることが多いと考えられる。これは、異物などの欠陥により中間部分画像1401内に画素値が大きい領域があれば、当該中間部分画像の輝度値の平均値も大きくなるため、最大値も大きくなり、結果として「欠陥あり」と推論される可能性も高くなるからである。
よって、推論装置10で生成される中間部分画像を注目マップとして入力画像と対応付けて表示することで、欠陥ありと推論された部分画像をユーザが確認できる。
続いて、入力画像と注目マップとの重畳表示の一例を図16に示す。
図16では、画素ごとに、入力画像の画素値と注目マップの画素値との平均を取った画像を表示する。これにより、ユーザが欠陥を確認するための確認用画像を生成できる。確認用画像において異物402の部分だけ画素値が大きいので、他の領域の画素値と比較して画素値が大きく、図16の例では白く表示される。これにより、ユーザが推論結果の根拠となる箇所を容易に把握できる。
第1の実施形態では、欠陥の有無といった1つのクラス分類について説明したが、第1の実施形態に係る変形例では、推論装置10が推論対象として複数のクラスに分類する、多クラス分類を行う。本変形例で想定する多クラス分類は、例えば欠陥検査であれば、異物の付着、部品の変形、傷などの欠陥の種類まで識別することを想定する。
図17では、畳み込み処理部102からの出力を生成する畳み込み層の最終層以前の処理は図9と同様であるため、ここでの説明を省略する。
図17の例では、算出部103は、中間部分画像1701の第1チャンネルCh1の画素値の平均値901を算出し、選択された平均値901の中で最大値902を出力とする。
なお、算出部103および出力部104は、第1の実施形態で上述した各変形例を適用してもよい。
第2の実施形態では、切出部101による切り出し処理を畳み込みニューラルネットワークの最終層の出力に対して行う点が、第1の実施形態と異なる。
ステップS1801では、畳み込み処理部102が、入力信号に対して畳み込みニューラルネットワークにより畳み込み処理し、中間信号を生成する。
ステップS1802では、切出部101が、中間信号から複数の中間部分信号を切り出す。なお、中間部分信号を切り出す位置は、畳み込みニューラルネットワークへの入力が入力信号であるので、第1の実施形態で上述した入力信号から部分信号の切り出し方法を適用でき、中間信号から中間部分信号を同様に切り出せばよい。
ステップS203からステップS205までの処理は、図2と同様であるので説明を省略する。また、第1の実施形態と同様に、推論装置10は部分信号を1つずつ処理してもよい。
図19は、図9と同様に、入力画像1901に対する推論処理の一連の流れを示す。
算出部103は、複数の中間部分画像1904のそれぞれの平均値1905を算出し、複数の平均値1905の中で最大値902を算出する。
出力部104は、第1の実施形態と同様に、最大値902にシグモイド関数を適用し、例えば「欠陥あり」の確率を推論結果903として出力する。
第3の実施形態では、入力信号として1次元信号を用いる場合について図20を参照して説明する。
図20は、物体にレーザパルスを照射してから、物体から反射した光を受信するまでの時間から、物体までの距離を計測する距離計測装置における受信光の時間変化を示す。図20のグラフは、縦軸が受信光の強度を示し、横軸が時間を示す。
第4の実施形態では、第1の実施形態から第3の実施形態までに説明した推論装置10に含まれる畳み込みニューラルネットワークを学習させる学習装置について説明する。
推論装置10及び学習装置21は、CPU(Central Processing Unit)31と、RAM(Random Access Memory)32と、ROM(Read Only Memory)33と、ストレージ34と、表示装置35と、入力装置36と、通信装置37とを含み、それぞれバスにより接続される。
入力装置36は、マウスおよびキーボード等の入力デバイスである。入力装置36は、ユーザから操作入力された情報を指示信号として受け付け、指示信号をCPU31に出力する。
通信装置37は、CPU31からの制御に応じて外部機器とネットワークを介して通信する。
さらに、本実施形態における記録媒体は、コンピュータあるいは組み込みシステムと独立した媒体に限らず、LANやインターネット等により伝達されたプログラムをダウンロードして記憶または一時記憶した記録媒体も含まれる。
また、記録媒体は1つに限られず、複数の媒体から本実施形態における処理が実行される場合も、本実施形態における記録媒体に含まれ、媒体の構成は何れの構成であってもよい。
また、本実施形態におけるコンピュータとは、パソコンに限らず、情報処理機器に含まれる演算処理装置、マイコン等も含み、プログラムによって本実施形態における機能を実現することが可能な機器、装置を総称している。
Claims (17)
- 入力信号から当該入力信号の一部である1以上の部分信号を切り出す切出部と、
前記1以上の部分信号を畳み込みニューラルネットワークにより処理することにより、前記1以上の部分信号に対応する1以上の中間部分信号を生成する畳み込み処理部と、
前記1以上の中間部分信号の統計量を算出する算出部と、
前記統計量に応じた前記入力信号に関する推論結果を出力する出力部と、
を具備する推論装置。 - 入力信号を畳み込みニューラルネットワークにより処理することにより、中間信号を生成する畳み込み処理部と、
前記中間信号から当該中間信号の一部である1以上の中間部分信号を切り出す切出部と、
前記1以上の中間部分信号の統計量を算出する算出部と、
前記統計量に応じた前記入力信号に関する推論結果を出力する出力部と、
を具備する推論装置。 - 前記算出部は、前記1以上の中間部分信号それぞれの平均値のうちの最大値を前記統計量として算出する、請求項1または請求項2に記載の推論装置。
- 前記算出部は、前記1以上の中間部分信号における最大値を前記統計量として算出する、請求項1または請求項2に記載の推論装置。
- 前記算出部は、前記1以上の中間部分信号それぞれの平均値を全結合した値を前記統計量として算出する、請求項1または請求項2に記載の推論装置。
- 前記出力部は、前記統計量に関数を適用することで前記推論結果を出力する、請求項1から請求項5のいずれか1項に記載の推論装置。
- 前記関数は、シグモイド関数またはソフトマックス関数である、請求項6に記載の推論装置。
- 前記中間部分信号は、1チャンネルの信号であり、
前記推論結果は、前記入力信号が推論対象となる1つのクラスに該当する確率を示す、
請求項1から請求項7のいずれか1項に記載の推論装置。 - 前記中間部分信号は、複数のチャンネルの信号であり、
前記算出部は、前記チャンネルごとに、中間部分信号それぞれの統計量を算出し、
前記出力部は、前記入力信号が、推論対象であって前記複数のチャンネルと同数である複数のクラスにそれぞれ該当する確率を前記推論結果として出力する、
請求項1から請求項7のいずれか1項に記載の推論装置。 - 前記中間部分信号のサンプリングデータの数は、前記部分信号と同じである、請求項1に記載の推論装置。
- 前記中間信号のサンプリングデータの数は、前記入力信号と同じである、請求項2に記載の推論装置。
- 前記入力信号は、1次元の時系列信号または画像信号である、請求項1から請求項11のいずれか1項に記載の推論装置。
- 前記中間部分信号に前記統計量に応じた強調処理を実行し、前記入力信号および部分信号の少なくともどちらか一方に、前記強調処理後の中間部分信号を重畳表示する表示制御部をさらに具備する、請求項1から請求項12のいずれか1項に記載の推論装置。
- 前記強調処理は、前記中間部分信号に対する前記統計量に応じた色による着色処理である、請求項13に記載の推論装置。
- 入力信号から当該入力信号の一部である1以上の部分信号を切り出し、
前記1以上の部分信号を畳み込みニューラルネットワークにより処理することにより、前記1以上の部分信号それぞれに対応する1以上の中間部分信号を生成し、
前記1以上の中間部分信号それぞれの統計量を算出し、
前記統計量に応じて、前記入力信号に関する推論結果を出力する、推論方法。 - コンピュータを、
入力信号から当該入力信号の一部である1以上の部分信号を切り出す切出手段と、
前記1以上の部分信号を畳み込みニューラルネットワークにより処理することにより、前記1以上の部分信号それぞれに対応する1以上の中間部分信号を生成する畳み込み処理手段と、
前記1以上の中間部分信号それぞれの統計量を算出する算出手段と、
前記統計量に応じて、前記入力信号に関する推論結果を出力する出力手段として機能させるための推論プログラム。 - 請求項1から請求項14のいずれか1項に記載の推論装置に含まれる前記畳み込みニューラルネットワークを学習する学習装置であって、
前記入力信号に対する前記推論装置の出力である推論結果と前記入力信号に紐付けられた正解データとの誤差を算出し、前記誤差を用いて前記畳み込みニューラルネットワークのパラメータを学習する学習制御部、を具備する学習装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020142879A JP7481956B2 (ja) | 2020-08-26 | 2020-08-26 | 推論装置、方法、プログラムおよび学習装置 |
US17/181,101 US20220067514A1 (en) | 2020-08-26 | 2021-02-22 | Inference apparatus, method, non-transitory computer readable medium and learning apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020142879A JP7481956B2 (ja) | 2020-08-26 | 2020-08-26 | 推論装置、方法、プログラムおよび学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022038390A true JP2022038390A (ja) | 2022-03-10 |
JP7481956B2 JP7481956B2 (ja) | 2024-05-13 |
Family
ID=80357089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020142879A Active JP7481956B2 (ja) | 2020-08-26 | 2020-08-26 | 推論装置、方法、プログラムおよび学習装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220067514A1 (ja) |
JP (1) | JP7481956B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020046774A (ja) * | 2018-09-14 | 2020-03-26 | 株式会社東芝 | 信号処理装置、距離計測装置、および距離計測方法 |
JP2021117548A (ja) * | 2020-01-22 | 2021-08-10 | 富士通株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
JP7297705B2 (ja) * | 2020-03-18 | 2023-06-26 | 株式会社東芝 | 処理装置、処理方法、学習装置およびプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018032340A (ja) * | 2016-08-26 | 2018-03-01 | 日本電信電話株式会社 | 属性推定装置、属性推定方法および属性推定プログラム |
JP2019086475A (ja) * | 2017-11-09 | 2019-06-06 | 富士通株式会社 | 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 |
JP2019125204A (ja) * | 2018-01-17 | 2019-07-25 | 株式会社東芝 | 目標認識装置、目標認識方法、プログラム及び畳み込みニューラルネットワーク |
WO2019159324A1 (ja) * | 2018-02-16 | 2019-08-22 | パナソニックIpマネジメント株式会社 | 処理方法およびそれを利用した処理装置 |
WO2020008834A1 (ja) * | 2018-07-05 | 2020-01-09 | 富士フイルム株式会社 | 画像処理装置、方法及び内視鏡システム |
JP2020008896A (ja) * | 2018-07-02 | 2020-01-16 | カシオ計算機株式会社 | 画像識別装置、画像識別方法及びプログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783627B2 (en) * | 2017-03-03 | 2020-09-22 | Case Western Reserve University | Predicting cancer recurrence using local co-occurrence of cell morphology (LoCoM) |
US10217030B2 (en) * | 2017-06-14 | 2019-02-26 | International Business Machines Corporation | Hieroglyphic feature-based data processing |
US11190784B2 (en) * | 2017-07-06 | 2021-11-30 | Samsung Electronics Co., Ltd. | Method for encoding/decoding image and device therefor |
JP6805984B2 (ja) * | 2017-07-06 | 2020-12-23 | 株式会社デンソー | 畳み込みニューラルネットワーク |
CN110580482B (zh) * | 2017-11-30 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 图像分类模型训练、图像分类、个性化推荐方法及装置 |
WO2020078818A1 (en) * | 2018-10-15 | 2020-04-23 | Koninklijke Philips N.V. | Adapting prediction models |
TWI829807B (zh) * | 2018-11-30 | 2024-01-21 | 日商東京威力科創股份有限公司 | 製造製程之假想測定裝置、假想測定方法及假想測定程式 |
KR102021515B1 (ko) * | 2018-12-27 | 2019-09-16 | (주)제이엘케이인스펙션 | 뇌혈관 질환 학습 장치, 뇌혈관 질환 검출 장치, 뇌혈관 질환 학습 방법 및 뇌혈관 질환 검출 방법 |
US11580356B2 (en) * | 2019-07-19 | 2023-02-14 | Qualcomm Incorporated | Efficient inferencing with piecewise pointwise convolution |
US11437050B2 (en) * | 2019-09-09 | 2022-09-06 | Qualcomm Incorporated | Artificial intelligence based audio coding |
-
2020
- 2020-08-26 JP JP2020142879A patent/JP7481956B2/ja active Active
-
2021
- 2021-02-22 US US17/181,101 patent/US20220067514A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018032340A (ja) * | 2016-08-26 | 2018-03-01 | 日本電信電話株式会社 | 属性推定装置、属性推定方法および属性推定プログラム |
JP2019086475A (ja) * | 2017-11-09 | 2019-06-06 | 富士通株式会社 | 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 |
JP2019125204A (ja) * | 2018-01-17 | 2019-07-25 | 株式会社東芝 | 目標認識装置、目標認識方法、プログラム及び畳み込みニューラルネットワーク |
WO2019159324A1 (ja) * | 2018-02-16 | 2019-08-22 | パナソニックIpマネジメント株式会社 | 処理方法およびそれを利用した処理装置 |
JP2020008896A (ja) * | 2018-07-02 | 2020-01-16 | カシオ計算機株式会社 | 画像識別装置、画像識別方法及びプログラム |
WO2020008834A1 (ja) * | 2018-07-05 | 2020-01-09 | 富士フイルム株式会社 | 画像処理装置、方法及び内視鏡システム |
Also Published As
Publication number | Publication date |
---|---|
JP7481956B2 (ja) | 2024-05-13 |
US20220067514A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022038390A (ja) | 推論装置、方法、プログラムおよび学習装置 | |
KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
US11386549B2 (en) | Abnormality inspection device and abnormality inspection method | |
US20080285840A1 (en) | Defect inspection apparatus performing defect inspection by image analysis | |
US20180330193A1 (en) | Image processing device, non-transitory computer readable storage medium, and image processing system | |
JP2012032370A (ja) | 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体 | |
Eshkevari et al. | Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method | |
KR102141302B1 (ko) | 회귀 딥러닝 모델 기반의 영상 객체 검출 방법 및 영상처리장치 | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
JP2006275952A (ja) | パターン評価方法、パターン位置合わせ方法およびプログラム | |
CN115359431B (zh) | 一种大气环境污染源污染程度评估方法及系统 | |
CN116453104B (zh) | 液位识别方法、装置、电子设备及计算机可读存储介质 | |
US20220414827A1 (en) | Training apparatus, training method, and medium | |
US11537823B2 (en) | Processing apparatus, processing method, learning apparatus, and computer program product | |
Sauter et al. | Defect detection of metal nuts applying convolutional neural networks | |
JP2023145412A (ja) | 欠陥検出方法及びシステム | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
KR20200095767A (ko) | 멀티카메라를 이용한 물체 인식 방법 및 장치 | |
CN114119594A (zh) | 一种基于深度学习的油液渗漏检测方法和检测装置 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
JP2021064215A (ja) | 表面性状検査装置及び表面性状検査方法 | |
JPWO2020031423A1 (ja) | オブジェクト検出方法、オブジェクト検出装置及びコンピュータプログラム | |
KR102252590B1 (ko) | 기계학습 환경에 기초한 테스트 환경을 설정하는 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220826 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20230105 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230630 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230908 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240319 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240426 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7481956 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |