JP6798854B2 - 目的物個数推定装置、目的物個数推定方法及びプログラム - Google Patents
目的物個数推定装置、目的物個数推定方法及びプログラム Download PDFInfo
- Publication number
- JP6798854B2 JP6798854B2 JP2016208818A JP2016208818A JP6798854B2 JP 6798854 B2 JP6798854 B2 JP 6798854B2 JP 2016208818 A JP2016208818 A JP 2016208818A JP 2016208818 A JP2016208818 A JP 2016208818A JP 6798854 B2 JP6798854 B2 JP 6798854B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- target
- learning
- vehicle
- 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.)
- Active
Links
Description
目的物判定部は、学習対象画像の特徴と当該学習対象画像に含まれる目的物の有無の正解値を学習した分類モデルを用いて、解析対象画像を構成する複数の小画像の各々に対し各小画像に目的物が存在するかどうかを判定する。
個数推定部は、学習対象画像の特徴と当該学習対象画像に含まれる目的物の個数の正解値を学習した回帰モデルを用いて、上記目的物判定部により目的物が存在すると判定された小画像に含まれる目的物の個数を推定する。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
まず検討(1)について説明する。図1は、検討(1)に係る車両台数推定方法の概要を示す説明図である。
+N2×(クラス14bの1グリッド当たりの台数(13.3))
+N3×(クラス14cの1グリッド当たりの台数(6)) ・・・・(1)
次に、検討(2)について説明する。検討(2)の手法は、チップ画像2の分類を行わずに、各チップ画像の車両台数を回帰モデルで直接推定する手法である。解析に使用した衛星画像は、検討(1)と同様である。
図10に示すように、検討(2)の「回帰」の相対誤差は23%(推定精度77%)であり、検討(1)の「2クラス分類」の相対誤差25%を僅かに上回った。
[車両台数推定方法の概要]
図14は、本発明の一実施形態に係る車両台数推定方法の概要を示す説明図である。本実施形態では、目的物として衛星画像の車両を例にとり説明する。車両台数推定方法は、目的物個数推定方法の一実施形態である。
図16は、一実施形態に係る車両台数推定装置の内部構成例を示すブロック図である。図16に示すように車両台数推定装置100は、学習用データベース110(図中「学習用DB」と表記)、前処理部120、学習部130、解析処理部140、及び後処理部150を備える。
次に、車両台数推定装置100の学習・モデル生成フェーズにおける処理を説明する。図17は、一実施形態に係る学習・モデル生成フェーズにおける処理例を示すフローチャートである。
次に、車両台数推定装置100の解析フェーズにおける処理を説明する。図18は、一実施形態に係る解析フェーズにおける処理例を示すフローチャートである。
以下、本発明の一実施形態に係る台数推定結果について図19〜図23を参照しながら検証する。解析対象画像には、検討(1)、検討(2)で使用したものと同じ衛星画像を使用した。学習シーン数及び評価シーン数も同じである。
図24は、車両台数推定装置100が備えるコンピューターのハードウェア構成を示すブロック図である。車両台数推定装置100の機能、使用目的に合わせてコンピューターの各部は取捨選択されてもよい。
上述した一実施形態では、目的物として駐車車両の台数を推定する例を示したが、この例に限定されない。例えば目的物として、ある海域に出航している船舶、道路で渋滞中の車両、設置されたキャンプテント、ある地域の野生生物、キャベツ等の農作物(収穫量)など、画像中の地物が挙げられる。
Claims (8)
- 学習対象画像の特徴と当該学習対象画像に含まれる目的物の有無の正解値を学習した分類モデルを用いて、解析対象画像を構成する複数の小画像の各々に対し各小画像に前記目的物が存在するかどうかを判定する目的物判定部と、
学習対象画像の特徴と当該学習対象画像に含まれる前記目的物の個数の正解値を学習した回帰モデルを用いて、前記目的物判定部により前記目的物が存在すると判定された小画像に含まれる前記目的物の個数を推定する個数推定部と、を備える
目的物個数推定装置。 - 前記個数推定部により推定された、前記目的物が存在すると判定された各小画像に含まれる前記目的物の個数を集計する後処理部、を更に備える
請求項1に記載の目的物個数推定装置。 - 前記解析対象画像の指定領域を分割して複数の前記小画像を生成する画像分割部、を更に備える
請求項1又は2のいずれかに記載の目的物個数推定装置。 - 前記解析対象画像の色調を補正する色調補正部、を更に備える
請求項1乃至3のいずれかに記載の目的物個数推定装置。 - 入力データに対する演算結果を出力する複数のノードを多層に接続した構成を有し、教師あり学習により、抽象化された前記小画像の特徴を学習して前記分類モデル及び前記回帰モデルを生成する学習部、を更に備える
請求項1乃至4のいずれかに記載の目的物個数推定装置。 - 前記解析対象画像は衛星画像であり、前記目的物は前記衛星画像に写っている地物である
請求項1乃至5のいずれかに記載の目的物個数推定装置。 - 学習対象画像の特徴と当該学習対象画像に含まれる目的物の有無の正解値を学習した分類モデルを用いて、解析対象画像を構成する複数の小画像の各々に対し各小画像に前記目的物が存在するかどうかを判定することと、
学習対象画像の特徴と当該学習対象画像に含まれる前記目的物の個数の正解値を学習した回帰モデルを用いて、前記目的物が存在すると判定された小画像に含まれる前記目的物の個数を推定すること、を含む
目的物個数推定方法。 - 学習対象画像の特徴と当該学習対象画像に含まれる目的物の有無の正解値を学習した分類モデルを用いて、解析対象画像を構成する複数の小画像の各々に対し各小画像に前記目的物が存在するかどうかを判定する手順と、
学習対象画像の特徴と当該学習対象画像に含まれる前記目的物の個数の正解値を学習した回帰モデルを用いて、前記目的物が存在すると判定された小画像に含まれる前記目的物の個数を推定する手順を
コンピューターに実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016208818A JP6798854B2 (ja) | 2016-10-25 | 2016-10-25 | 目的物個数推定装置、目的物個数推定方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016208818A JP6798854B2 (ja) | 2016-10-25 | 2016-10-25 | 目的物個数推定装置、目的物個数推定方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018072938A JP2018072938A (ja) | 2018-05-10 |
JP6798854B2 true JP6798854B2 (ja) | 2020-12-09 |
Family
ID=62111633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016208818A Active JP6798854B2 (ja) | 2016-10-25 | 2016-10-25 | 目的物個数推定装置、目的物個数推定方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6798854B2 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7314711B2 (ja) | 2018-09-03 | 2023-07-26 | 東洋製罐グループホールディングス株式会社 | 画像処理システム、及び画像処理プログラム |
CN109445457B (zh) * | 2018-10-18 | 2021-05-14 | 广州极飞科技股份有限公司 | 分布信息的确定方法、无人飞行器的控制方法及装置 |
JP6979005B2 (ja) * | 2018-11-26 | 2021-12-08 | Kddi株式会社 | 道路側面に並ぶ店舗の訪問者数を推定する訪問者数推定装置、プログラム及び方法 |
US10460210B1 (en) * | 2019-01-22 | 2019-10-29 | StradVision, Inc. | Method and device of neural network operations using a grid generator for converting modes according to classes of areas to satisfy level 4 of autonomous vehicles |
JP7114082B2 (ja) | 2019-03-20 | 2022-08-08 | 株式会社アクセルスペース | 情報処理装置、情報処理方法及びプログラム |
WO2020261333A1 (ja) * | 2019-06-24 | 2020-12-30 | 日本電気株式会社 | 学習装置、交通事象予測システム及び学習方法 |
JP7167355B2 (ja) * | 2019-09-03 | 2022-11-08 | 富士フイルム株式会社 | 学習装置、学習装置の作動方法、学習装置の作動プログラム |
US11655791B2 (en) | 2019-09-26 | 2023-05-23 | Hitachi Astemo, Ltd. | Internal combustion engine control device |
US20230125890A1 (en) * | 2020-03-27 | 2023-04-27 | Hitachi Kokusai Electric Inc. | Image analysis system, image analysis method, and image analysis program |
JP7201733B2 (ja) * | 2021-04-16 | 2023-01-10 | 株式会社三井住友銀行 | 衛星データ分析装置及び衛星データ分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2978374B2 (ja) * | 1992-08-21 | 1999-11-15 | 松下電器産業株式会社 | 画像処理装置及び画像処理方法並びに空気調和機の制御装置 |
JPH08305856A (ja) * | 1995-05-01 | 1996-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像の系統的分類方法及び装置 |
JPH11118793A (ja) * | 1997-10-14 | 1999-04-30 | Hitachi Ltd | 尿中赤血球分類装置 |
JP4966820B2 (ja) * | 2007-10-29 | 2012-07-04 | パナソニック株式会社 | 混雑推定装置および方法 |
JP6104115B2 (ja) * | 2013-09-25 | 2017-03-29 | 三菱電機株式会社 | 画像処理装置 |
JP6426441B2 (ja) * | 2014-11-13 | 2018-11-21 | 株式会社東芝 | 密度計測装置、密度計測方法、およびプログラム |
-
2016
- 2016-10-25 JP JP2016208818A patent/JP6798854B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018072938A (ja) | 2018-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6798854B2 (ja) | 目的物個数推定装置、目的物個数推定方法及びプログラム | |
CN109447994B (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
Li et al. | A 30-year (1984–2013) record of annual urban dynamics of Beijing City derived from Landsat data | |
Man et al. | Pixel-and feature-level fusion of hyperspectral and lidar data for urban land-use classification | |
US20200065968A1 (en) | Joint Deep Learning for Land Cover and Land Use Classification | |
Touati et al. | An energy-based model encoding nonlocal pairwise pixel interactions for multisensor change detection | |
Bonnet et al. | Comparison of UAS photogrammetric products for tree detection and characterization of coniferous stands | |
Nurmasari et al. | Oil palm plantation detection in Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case study: Rokan Hulu regency, Riau Province) | |
CN106845341A (zh) | 一种基于虚拟号牌的无牌车辆识别方法 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
Peters et al. | Synergy of very high resolution optical and radar data for object-based olive grove mapping | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
Gleason et al. | A fusion approach for tree crown delineation from lidar data. | |
CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
Ichim et al. | Road detection and segmentation from aerial images using a CNN based system | |
US20170053172A1 (en) | Image processing apparatus, and image processing method | |
Dawod et al. | Assessing mangrove deforestation using pixel-based image: a machine learning approach | |
CN113689412A (zh) | 甲状腺图像处理方法、装置、电子设备及存储介质 | |
US10210621B2 (en) | Normalized probability of change algorithm for image processing | |
Chen et al. | Structural damage detection using bi-temporal optical satellite images | |
DadrasJavan et al. | An object-level strategy for pan-sharpening quality assessment of high-resolution satellite imagery | |
Mendes et al. | Urban road classification in geometrically integrated high-resolution RGB aerial and laser-derived images using the artificial neural network classification method | |
Mahendra et al. | Mangroves Change Detection using Support Vector Machine Algorithm on Google Earth Engine (A Case Study in Part of Gulf of Bone, South Sulawesi, Indonesia) | |
Mani et al. | Mixed pixel removal in north Tamil Nadu region for accurate area measurement | |
CN116363530B (zh) | 高速公路路面病害的定位方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190926 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201023 |
|
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: 20201110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201119 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6798854 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |