JP6563858B2 - 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム - Google Patents
特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム Download PDFInfo
- Publication number
- JP6563858B2 JP6563858B2 JP2016110736A JP2016110736A JP6563858B2 JP 6563858 B2 JP6563858 B2 JP 6563858B2 JP 2016110736 A JP2016110736 A JP 2016110736A JP 2016110736 A JP2016110736 A JP 2016110736A JP 6563858 B2 JP6563858 B2 JP 6563858B2
- Authority
- JP
- Japan
- Prior art keywords
- feature
- feature point
- matrix
- amount
- unit
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 76
- 239000011159 matrix material Substances 0.000 claims description 240
- 238000004364 calculation method Methods 0.000 claims description 106
- 238000000354 decomposition reaction Methods 0.000 claims description 82
- 239000013598 vector Substances 0.000 claims description 58
- 230000008707 rearrangement Effects 0.000 claims description 47
- 238000001514 detection method Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 description 38
- 238000000605 extraction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
Description
まず、図12に示すように、任意の顔検出手法により顔画像から矩形の顔領域を検出する。この顔領域検出には任意の手法を用いることができ、例えばViola−Jonesによる手法やSPADEによる方法(Scalar Product Accelerator by Integer Decomposition for Object Detection, Mitsuru Ambai and Ikuro Sato, ECCV2014)を用いることができる。
次に、検出された顔領域に対して、図13に示すように、初期位置として平均器官点位置に平均器官点を配置する。平均器官点位置は、多数の顔画像について、人が器官点(例えば、目頭、鼻の頂部、口元等)の正解データを与え、それらの平均をとることによってあらかじめ求められている。ここで、平均器官点はL個用意されているものとする。
次に、図14に示すように、配置したL個の顔器官点の周辺から、それぞれD次元の特徴量を抽出する。ここで、特徴量は何でもよく、たとえばHOG(Histogramsof Oriented Gradients)特徴量を用いることができる。そして、図14に示すように、すべての器官点の特徴量を統合したLD次元の特徴ベクトルx1を生成する。
次に、図15に示すように、特徴ベクトルx1を回帰行列W1で変換することにより、差分ベクトルy1を求める。回帰行列W1は、特徴ベクトルx1を入力とし、平均器官点に対する真の器官点位置のずれ量を示す差分ベクトルy1を出力とし、特徴ベクトルx1を差分ベクトルy1に変換する変換行列であり、多数の顔画像について、線形回帰の技術を用いた機械学習を行うことによって求めることができる。なお、差分ベクトルy1は器官点の数Lに各器官点の座標値の数(2)を掛けた2L次元となり、回帰行列W1は、2L行LD列の行列として求められる。
次に、図16に示すように、ステップ2で用いた平均器官点の位置をステップ4で求められた差分ベクトルy1で補正することにより、器官点を再配置する。
図3は、第1の実施の形態によって回帰行列Wを基底数kの基底行列Mと係数行列Cに分解する処理を説明する図である。この例では、行列分解装置は、回帰行列Wを2つの実数行列に分解する。具体的には、行列分解装置は、回帰行列Wを特異値分解によって直行基底の実数の基底行列と実数の係数行列に分解する。
図4は、第2の実施の形態によって回帰行列Wを基底数kの基底行列Mと係数行列Cに分解する処理を説明する図である。この例では、行列分解装置は、回帰行列Wを整数の基底行列Mと実数の係数行列Cに分解する。具体的には、行列分解装置は、回帰行列Wを二値又は三値の基底行列Mと実数の係数行列Cに分解する。そして、この基底行列Mと係数行列Cを用いる場合には、特徴点位置推定装置1の特徴量取得部13にて特徴点につき抽出する特徴量についても二値とする。
第1の分解手法として、データ非依存型の分解手法を説明する。第1の分解手法では、行列分解装置は、分解誤差を表す下式のコスト関数g1を解くことで分解を行う。
(1)基底行列M及び係数行列Cをランダムに初期化する。
(2)基底行列Mの要素を固定して、係数行列Cの要素を最小二乗法により最適化することで、コスト関数g1が最小になるように係数行列Cの要素を更新する。
(3)係数行列Cの要素を固定して、コスト関数g1が最小になるように全探索で基底行列Mの要素を更新する。
(4)収束するまで(2)及び(3)を繰り返す。例えば、コスト関数g1が所定の収束条件(例えば、減少量が一定値以下となる)を満たしたときに、収束したと判定する。
(5)ステップ(1)〜ステップ(4)により得た解を候補として保持する。
(6)ステップ(1)〜ステップ(5)を繰り返し、最もコスト関数g1を小さくできた候補基底行列M及び候補係数行列Cを最終結果として採用する。なお、このステップ(1)〜ステップ(5)の繰り返しはなくてもよいが、複数回繰り返すことで、初期値依存の問題を回避できる。
第2の分解手法として、係数行列Cを疎にするデータ非依存型の分解手法を説明する。第2の分解手法では、行列分解装置は、分解誤差である下式のコスト関数g2を解くことで分解を行う。
(1)基底行列M及び係数行列Cをランダムに初期化する。
(2)基底行列Mの要素を固定して、係数行列Cの要素を近接勾配法で最適化する。
(3)係数行列Cの要素を固定して、コスト関数g2が最小になるように全探索で基底行列Mの要素を更新する。
(4)収束するまで(2)及び(3)を繰り返す。例えば、コスト関数g2が所定の収束条件(例えば、減少量が一定値以下となる)を満たしたときに、収束したと判定する。
(5)ステップ(1)〜ステップ(4)により得た解を候補として保持する。
(6)ステップ(1)〜ステップ(5)を繰り返し、最もコスト関数g2を小さくできた候補基底行列M及び候補係数行列Cを最終結果として採用する。なお、このステップ(1)〜ステップ(5)の繰り返しはなくてもよいが、複数回繰り返すことで、初期値依存の問題を回避できる。
次に、第3の分解手法を説明する。第1の分解手法では、コスト関数g1として、分解誤差
(1)第1又は第2の分解手法によって、基底行列M及び係数行列Cを求めて、これをそれらの初期値とする。
(2)基底行列Mの要素を固定して、係数行列Cの要素を最小二乗法で最適化する。
(3)係数行列Cの要素を固定して、基底行列Mの要素を最適化することで、基底行列Mの要素を更新する。この基底行列Mの更新処理については後述する。
(4)収束するまで(2)及び(3)を繰り返し、コスト関数g3を最小化した基底行列M及び係数行列Cを候補として保持する。
(5)ステップ(1)〜(4)を繰り返し、コスト関数g3を最小化した基底行列M及び係数行列Cを最終結果として採用する。なお、ステップ(1)では再度第1又は第2の分解手法による基底行列M及び係数行列Cの最適化が行われるので、初期値が変更される。また、ステップ(5)の繰り返しはなくてもよいが、複数回繰り返すことで、初期値依存の問題を軽減できる。
(3−1)基底行列Mの要素のうち、ランダムにT個を選択する。
(3−2)2T通りの組み合わせ(後述の三値分解の場合は3T通り)を試し、最もコスト関数g3を最小化したものを採用する。
(3−3)ステップ(3−1)及びステップ(3−2)を収束するまで繰り返す。
第4の分解手法は、第2の分解手法と第3の分解手法とを組み合わせたものである。具体的には、下式のコスト関数g4を解くことで分解を行う。
図6は、第3の実施の形態における回帰行列の分解を説明する図である。本実施の形態では、図6に示すように、回帰行列Wのj列目のベクトルを個別に分解して、それらをまとめる。このようにベクトルごとに分解することで、分解にかかる計算コストを抑えることができる。個々のベクトルは、第2の実施の形態で述べた手続きよって分解すればよい。
本実施の形態は、特徴点位置を推定する対象である対象画像が連続する複数のフレームとして得られる場合に適用される。本実施の形態の特徴点抽出部13は、前フレームで特徴量抽出と回帰計算を反復する過程の中間ステージにおいて再配置部16で得られた特徴点位置を、現フレームの初期特徴点位置として、特徴量を抽出して回帰計算を開始する。
本実施の形態の特徴点位置推定装置は、上記の実施の形態の特徴点推定装置の構成に加えて、特徴点位置の推定が成功したか否かを判定するスコア(確からしさ)を算出する評価部(図示は省略)をさらに備えている。いま、特徴量取得部13による特徴量の抽出と回帰計算部14による回帰計算の反復を繰り返し、器官点位置が得られたとする。
本実施の形態では、回帰計算部14は、回帰計算の対象とする特徴点の優先度付けを行い、例えば、最初の回帰計算では優先度上位の特徴量のみを利用し、2回目では優先度中位の特徴量まで利用し、3回目は優先度下位の特徴量まで利用する、といった具合に段階分けする。優先度付けの考え方は、例えば、人の顔から特徴点としての器官点の位置を推定する場合は、顔向き、顔表情、着用物、個人差の影響を受けにくい部位とする。鼻、目頭、目尻、口端、・・・の順に優先度を低くする。
第7の実施の形態の特徴量取得部13は、対象領域から特徴量を抽出する代わりに、対象検出部11で対象領域を検出する際に利用した特徴量をそのまま流用する。この場合に、対象検出部11は、対象画像から二値のHOG特徴量(BinaryHOG)を抽出して識別処理を行うことで、対象画像から対象領域を検出する。
11 対象検出部
12 特徴点配置部
13 特徴量取得部
14 回帰計算部
141 基底行列掛算部
142 係数行列掛算部
15 行列記憶部
16 再配置部
Claims (16)
- 対象画像から対象領域を検出する対象検出部と、
前記対象領域に対して、あらかじめ用意された初期特徴点位置に特徴点を配置する特徴点配置部と、
配置された前記特徴点の特徴量を取得する特徴量取得部と、
前記特徴量について回帰計算をすることで、前記特徴点の位置に対する真の特徴点の位置のずれ量を算出する回帰計算部と、
前記ずれ量に基づいて前記特徴点を再配置する再配置部と、
を備え、
前記特徴量取得部は、前記特徴点配置部にて配置された特徴点、及び前記再配置部にて再配置された特徴点の特徴量を取得し、
前記回帰計算部は、行列分解された回帰行列で、前記特徴量を変換することで、前記ずれ量を算出し、
前記再配置部は、前記特徴量取得部による特徴量の取得、前記回帰計算部によるずれ量の算出、および前記特徴点の再配置を複数回繰り返して再配置された特徴点の位置を出力する、特徴点位置推定装置。 - 前記回帰行列は、実数行列である基底行列と、実数行列である係数行列とに分解されている、請求項1に記載の特徴点位置推定装置。
- 前記回帰行列は、特異値分解により前記基底行列及び前記係数行列に分解される、請求項2に記載の特徴点位置推定装置。
- 前記回帰行列は、整数行列である基底行列と、実数行列である係数行列とに分解されている、請求項1に記載の特徴点位置推定装置。
- 前記基底行列は、二値行列又は三値行列である、請求項4に記載の特徴点位置推定装置。
- 前記回帰行列は、各列ベクトルが個別に分解されている、請求項4に記載の特徴点位置推定装置。
- 前記回帰行列は、まとめて一括で行列分解されている、請求項4に記載の特徴点位置推定装置。
- 前記特徴点位置推定装置は、連続する複数のフレームの対象画像について、特徴点の位置推定し、
前記特徴点配置部は、前フレームで前記特徴量取得部による特徴量の取得、前記回帰計算部によるずれ量の算出、および前記特徴点の再配置を複数回繰り返す過程で再配置された特徴点の位置を、現フレームのあらかじめ用意された前記初期特徴点位置として、特徴点を配置する、請求項1ないし7のいずれかに記載の特徴点位置推定装置。 - 前記再配置部にて再配置された特徴点の特徴量を線形変換することで、当該特徴点のスコアを求める評価部をさらに備えた、請求項1ないし8のいずれかに記載の特徴点位置推定装置。
- 前記評価部は、前記再配置部にて再配置された複数の特徴点をグループ化して、各グループについて前記スコアを求める、請求項9に記載の特徴点位置推定装置。
- 前記回帰計算部は、複数の前記特徴点のうちの優先度の高い一部の特徴点のみについて前記回帰計算を行い、前記特徴量取得部による特徴量の取得、前記回帰計算部によるずれ量の算出、および前記特徴点の再配置を複数回繰り返しながら、前記優先度に従って前記回帰計算を行う特徴点の数を増加させていき、すべての前記特徴点について前記回帰計算を行う、請求項1ないし10のいずれかに記載の特徴点位置推定装置。
- 前記対象検出部は、前記対象画像の複数のブロックからそれぞれ特徴量を抽出して識別処理をすることで前記対象領域を検出し、
前記特徴量取得部は、前記対象検出部で抽出された特徴量を前記特徴点の特徴量として取得する、請求項1ないし11のいずれかに記載の特徴点位置推定装置。 - 前記特徴量取得部は、前記特徴点が属する前記ブロックの特徴量を当該特徴点の特徴量として取得する、請求項12に記載の特徴点位置推定装置。
- 対象画像から対象領域を検出する対象検出部と、
前記対象領域に対して、あらかじめ用意された初期特徴点位置に特徴点を配置する特徴点配置部と、
配置された前記特徴点の特徴量を取得する特徴量取得部と、
前記特徴量について回帰計算をすることで、前記特徴点の位置に対する真の特徴点の位置のずれ量を算出する回帰計算部と、
前記ずれ量に基づいて前記特徴点を再配置する再配置部と、
を備え、
前記特徴量取得部は、前記特徴点配置部にて配置された特徴点、及び前記再配置部にて再配置された特徴点の特徴量を取得し、
前記回帰計算部は、行列分解された回帰行列で、前記特徴量を変換することで、前記ずれ量を算出し、
前記再配置部は、前記特徴量取得部による特徴量の取得、前記回帰計算部によるずれ量の算出、および前記特徴点の再配置を複数回繰り返して再配置された特徴点の位置を出力する、特徴点位置推定システム。 - コンピュータにて実行されることで、前記コンピュータを
対象画像から対象領域を検出する対象検出部、
前記対象領域に対して、あらかじめ用意された初期特徴点位置に特徴点を配置する特徴点配置部、
配置された前記特徴点の特徴量を取得する特徴量取得部、
前記特徴量について回帰計算をすることで、前記特徴点の位置に対する真の特徴点の位置のずれ量を算出する回帰計算部、及び
前記ずれ量に基づいて前記特徴点を再配置する再配置部、
として機能させる特徴点位置推定プログラムであって、
前記特徴量取得部は、前記特徴点配置部にて配置された特徴点、及び前記再配置部にて再配置された特徴点の特徴量を取得し、
前記回帰計算部は、行列分解された回帰行列で、前記特徴量を変換することで、前記ずれ量を算出し、
前記再配置部は、前記特徴量取得部による特徴量の取得、前記回帰計算部によるずれ量の算出、および前記特徴点の再配置を複数回繰り返して再配置された特徴点の位置を出力する、特徴点位置推定プログラム。 - 対象画像から対象領域を検出する対象検出ステップと、
前記対象領域に対して、あらかじめ用意された初期特徴点位置に特徴点を配置する特徴点配置ステップと、
配置された前記特徴点の特徴量を取得する特徴量取得ステップと、
前記特徴量について回帰計算をすることで、前記特徴点の位置に対する真の特徴点の位置のずれ量を算出する回帰計算ステップと、
前記ずれ量に基づいて前記特徴点を再配置する再配置ステップと、
を備え、
前記特徴量取得ステップは、前記特徴点配置ステップにて配置された特徴点、及び前記再配置ステップにて再配置された特徴点の特徴量を取得し、
前記回帰計算ステップは、行列分解された回帰行列で、前記特徴量を変換することで、前記ずれ量を算出し、
前記再配置ステップは、前記特徴量取得ステップによる特徴量の取得、前記回帰計算ステップによるずれ量の算出、および前記特徴点の再配置を複数回繰り返して再配置された特徴点の位置を出力する、特徴点位置推定方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016110736A JP6563858B2 (ja) | 2016-06-02 | 2016-06-02 | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム |
US16/305,909 US11163980B2 (en) | 2016-06-02 | 2017-05-22 | Feature point estimation device, feature point position estimation method, and computer-readable medium |
DE112017002766.7T DE112017002766T5 (de) | 2016-06-02 | 2017-05-22 | Merkmalspunktschätzvorrichtung, merkmalspunktpositionsschätzssystem, merkmalspunktpositionsschätzverfahren und merkmalspunktpositionsschätzprogramm |
PCT/JP2017/018954 WO2017208875A1 (ja) | 2016-06-02 | 2017-05-22 | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016110736A JP6563858B2 (ja) | 2016-06-02 | 2016-06-02 | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017215897A JP2017215897A (ja) | 2017-12-07 |
JP6563858B2 true JP6563858B2 (ja) | 2019-08-21 |
Family
ID=60477447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016110736A Expired - Fee Related JP6563858B2 (ja) | 2016-06-02 | 2016-06-02 | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US11163980B2 (ja) |
JP (1) | JP6563858B2 (ja) |
DE (1) | DE112017002766T5 (ja) |
WO (1) | WO2017208875A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016206114A1 (en) * | 2015-06-26 | 2016-12-29 | Intel Corporation | Combinatorial shape regression for face alignment in images |
JP7290930B2 (ja) * | 2018-09-27 | 2023-06-14 | 株式会社アイシン | 乗員モデリング装置、乗員モデリング方法および乗員モデリングプログラム |
JP2020126573A (ja) * | 2019-02-06 | 2020-08-20 | 株式会社デンソー | 画像処理装置、目検出方法、及び注視方向検出方法 |
JP2021111097A (ja) * | 2020-01-09 | 2021-08-02 | 富士通株式会社 | ノイズ推定方法、ノイズ推定プログラム及びノイズ推定装置 |
JP7384081B2 (ja) * | 2020-03-18 | 2023-11-21 | 株式会社デンソー | 情報処理装置、データ分解方法、及びデータ分解プログラム |
CN113676999A (zh) * | 2021-08-19 | 2021-11-19 | 重庆邮电大学 | 一种基于偏最小二乘回归的位置坐标估计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080187213A1 (en) * | 2007-02-06 | 2008-08-07 | Microsoft Corporation | Fast Landmark Detection Using Regression Methods |
JP6566397B2 (ja) * | 2014-08-18 | 2019-08-28 | 株式会社デンソーアイティーラボラトリ | 認識装置、実数行列分解方法、認識方法 |
JP5756556B1 (ja) | 2014-12-03 | 2015-07-29 | 株式会社日立パワーソリューションズ | ロールプレス設備 |
US9633250B2 (en) * | 2015-09-21 | 2017-04-25 | Mitsubishi Electric Research Laboratories, Inc. | Method for estimating locations of facial landmarks in an image of a face using globally aligned regression |
US10096132B2 (en) * | 2016-01-27 | 2018-10-09 | Samsung Electronics Co., Ltd. | Method and apparatus for positioning feature point |
-
2016
- 2016-06-02 JP JP2016110736A patent/JP6563858B2/ja not_active Expired - Fee Related
-
2017
- 2017-05-22 DE DE112017002766.7T patent/DE112017002766T5/de active Pending
- 2017-05-22 WO PCT/JP2017/018954 patent/WO2017208875A1/ja active Application Filing
- 2017-05-22 US US16/305,909 patent/US11163980B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20200327368A1 (en) | 2020-10-15 |
DE112017002766T5 (de) | 2019-02-21 |
US11163980B2 (en) | 2021-11-02 |
JP2017215897A (ja) | 2017-12-07 |
WO2017208875A1 (ja) | 2017-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6563858B2 (ja) | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム | |
JP6921079B2 (ja) | ニューラルネットワーク装置、車両制御システム、分解処理装置、及びプログラム | |
CN107688855B (zh) | 针对于复杂神经网络的分层量化方法与装置 | |
CN110969250B (zh) | 一种神经网络训练方法及装置 | |
US11334744B2 (en) | Three-dimensional point cloud label learning device, three-dimensional point cloud label estimating device, three-dimensional point cloud label learning method, three-dimensional point cloud label estimating method, and program | |
CN107229757B (zh) | 基于深度学习和哈希编码的视频检索方法 | |
JP6393058B2 (ja) | 情報処理装置、情報処理方法 | |
JP7020312B2 (ja) | 画像特徴学習装置、画像特徴学習方法、画像特徴抽出装置、画像特徴抽出方法、及びプログラム | |
JP2020027370A (ja) | 最適化装置、シミュレーションシステム及び最適化方法 | |
US9842279B2 (en) | Data processing method for learning discriminator, and data processing apparatus therefor | |
US20160140414A1 (en) | Density measuring device, density measuring method, and computer program product | |
CN111553296B (zh) | 一种基于fpga实现的二值神经网络立体视觉匹配方法 | |
CN114419406A (zh) | 图像变化检测方法、训练方法、装置和计算机设备 | |
CN112651418A (zh) | 数据分类方法、分类器训练方法及系统 | |
JP6927410B2 (ja) | 画像分類システム、画像分類方法および画像分類プログラム | |
US20210248293A1 (en) | Optimization device and optimization method | |
US11295229B1 (en) | Scalable generation of multidimensional features for machine learning | |
CN108205805B (zh) | 锥束ct图像间体素稠密对应的自动建立方法 | |
CN111368594B (zh) | 用于检测关键点的方法和装置 | |
CN111984812A (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
US20180150950A1 (en) | Method, apparatus for attitude estimating, and non-transitory computer-readable storage medium | |
CN113591593B (zh) | 基于因果干预的异常天气下目标检测方法、设备及介质 | |
US20230059976A1 (en) | Deep neural network (dnn) accelerator facilitating quantized inference | |
JP2019133496A (ja) | コンテンツ特徴量抽出装置、方法、及びプログラム | |
US20230401427A1 (en) | Training neural network with budding ensemble architecture based on diversity loss |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180517 |
|
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: 20190716 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190725 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6563858 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |