JP7025269B2 - 符号化装置、復号装置、変換装置及び学習装置 - Google Patents

Description

本発明は、観測対象から得られた観測値を伝送するシステムに用いる符号化装置、復号装置、変換装置及び学習装置に関する。

従来、入力情報を可逆的または不可逆的に圧縮してビット列を生成し、符号化ビット列を出力する符号化装置が知られている。また、この符号化装置に対応する装置として、符号化装置から出力された符号化ビット列を入力し、元の情報またはこれを近似する情報に復元する復号装置が知られている。

例えば映像信号を伝送対象とする場合、符号化装置が入力する信号は映像信号であり、復号装置が出力する信号も映像信号である。これらの映像信号は、同一の信号波形を有するか、または互いに近似する信号波形を有する。

一方で、入力信号を別の信号に変換し、または入力信号から別の信号を推定する手法が知られている（例えば、特許文献１を参照）。この特許文献１の手法は、観測対象から得られた観測値を、例えば別の種類の信号である制御値に変換するものである。

具体的には、観測ノード及び制御ノード等の複数のノードからなるシステムにおいて、観測ノードは、観測対象から得られた観測値を入力し、観測値をシステム内共通の表現である状態種別の状態値に変換し、状態種別の状態値を含むメッセージを送信する。制御ノードは、観測ノードから送信されたメッセージを受信し、メッセージに含まれる状態種別の状態値を制御値に変換する。

特許第５０４４４５９号公報

映像信号を伝送対象とする従来の符号化装置及び復号装置においては、映像信号を圧縮する符号化装置の入力信号と、映像信号を復号する復号装置の出力信号とは、同一種類の信号同士である。音声信号を伝送対象とする場合も同様である。この場合の復号装置は、例えば、映像信号を音声信号に変換することができない。つまり、復号装置は、ある種類の信号を別の種類の信号へ変換することができない。

これに対し、前述の特許文献１の手法を用いることにより、ある種類の信号である観測値を、別の種類の信号である制御値に変換することができる。この変換を行うために、観測ノード及び制御ノードは、システム内の共通表現である状態値を、木構造にて構成される各種の状態種別の状態値として記憶しておく必要がある。この木構造は、観測値から変換される状態種別の状態値について、観測値、状態種別等が予め定義される情報群である。

このため、前述の特許文献１の手法では、観測値とシステム内の共通表現である状態値との間の関係、状態値等について、観測値等の取り扱うデータ毎に予め明示的に定義する必要があり、その定義作業の負荷が高いという問題があった。

そこで、本発明は前記課題を解決するためになされたものであり、その目的は、取り扱うデータを定義するための負荷を低減し、観測対象から得られる観測値の伝送処理、及び観測値から別の数値への変換処理を効率的に実現可能な符号化装置、復号装置、変換装置及び学習装置を提供することにある。

前記課題を解決するために、請求項１の符号化装置は、複数の符号化装置と複数の復号装置とにより構成されるシステムの下で、複数の符号化装置及び単数の復号装置からなる系を構成した場合の前記符号化装置であって、観測対象から得られた観測値を入力し、予め設定されたパラメータに基づいて、前記観測値を符号化し、中間形式値を生成する個別符号化部と、予め設定されたパラメータに基づいて、前記個別符号化部により生成された前記中間形式値を符号化し、共通符号を生成して前記単数の復号装置へ出力する共通符号化部と、を備え、前記個別符号化部が用いる前記パラメータが、当該個別符号化部の挙動を規定し、かつ他の符号化装置に備えた個別符号化部が用いるパラメータとは独立して調整されたパラメータであり、前記共通符号化部が用いる前記パラメータが、当該共通符号化部の挙動を規定し、かつ他の符号化装置に備えた共通符号化部が用いるパラメータと同じである、ことを特徴とする。

請求項１の符号化装置によれば、複数の符号化装置と複数の復号装置とにより構成されるシステムにおいて、異なる種類の観測値に紐づいた共通符号への変換を行う際に、観測値の差異への対応を個別符号化部に分担させ、情報の圧縮を共通符号化部に分担させることができる。これにより、異なる種類の観測値から効率的に表現した共通符号へ変換することができる。

また、請求項２の符号化装置は、請求項１に記載の符号化装置において、前記個別符号化部及び前記共通符号化部の一方または両方が、入力層よりも出力層の方が素子数の少ないニューラルネットワークにより構成される、ことを特徴とする。

請求項２の符号化装置によれば、共通符号のデータ量を削減することができる。

さらに、請求項３の復号装置は、複数の符号化装置と複数の復号装置とにより構成されるシステムの下で、複数の符号化装置及び単数の復号装置からなる系を構成した場合の前記復号装置であって、前記複数の符号化装置により生成された複数の共通符号を入力し、前記複数の共通符号を合成して合成結果の共通符号を生成する合成部と、予め設定されたパラメータに基づいて、前記合成部により生成された前記合成結果の共通符号を復号し、中間形式値を生成する共通復号部と、予め設定されたパラメータに基づいて、前記共通復号部により生成された前記中間形式値を復号し、復号データを生成する個別復号部と、を備え、前記共通復号部が用いる前記パラメータが、当該共通復号部の挙動を規定し、かつ他の復号装置に備えた共通復号部が用いるパラメータと同じであり、前記個別復号部が用いる前記パラメータが、当該個別復号部の挙動を規定し、かつ他の復号装置の個別復号部が用いるパラメータとは独立して調整されたパラメータである、ことを特徴とする。

請求項３の復号装置によれば、複数の符号化装置と複数の復号装置とにより構成されるシステムにおいて、複数の復号装置に紐づいた異種の復号データへの変換を行う際に、情報の伸張を共通復号部に分担させ、復号データの差異への対応を個別復号部に分担させることができる。これにより、効率的に表現された共通符号から異なる種類の復号データへ変換することができる。

また、請求項４の復号装置は、請求項３に記載の復号装置において、前記共通復号部及び前記個別復号部の一方または両方が、入力層よりも出力層の方が素子数の多いニューラルネットワークにより構成される、ことを特徴とする。

請求項４の復号装置によれば、共通符号のデータ量を削減することができる。

さらに、請求項５の変換装置は、観測対象から得られた観測値を所定のデータに変換する変換装置において、前記観測値を入力し、予め設定されたパラメータに基づいて、前記観測値を符号化し、中間形式値を生成する個別符号化部、及び、予め設定されたパラメータに基づいて、前記個別符号化部により生成された前記中間形式値を符号化し、共通符号を生成して出力する共通符号化部を有する符号化装置と、前記共通符号化部により出力された前記共通符号を入力し、予め設定されたパラメータに基づいて、前記共通符号を復号し、中間形式値を生成する共通復号部、及び、予め設定されたパラメータに基づいて、前記共通復号部により生成された前記中間形式値を復号し、復号データを生成し、当該復号データを前記所定のデータとして出力する個別復号部を有する復号装置と、を備え、前記符号化装置の前記個別符号化部が用いる前記パラメータが、当該個別符号化部の挙動を規定し、かつ、複数の符号化装置と複数の復号装置とにより構成されるシステムにおける他の符号化装置に備えた個別符号化部が用いるパラメータとは独立して調整されたパラメータであり、前記符号化装置の前記共通符号化部が用いる前記パラメータが、当該共通符号化部の挙動を規定し、かつ、前記システムにおける他の符号化装置に備えた共通符号化部が用いるパラメータと同じであり、前記復号装置の前記共通復号部が用いる前記パラメータが、当該共通復号部の挙動を規定し、かつ、前記システムにおける他の復号装置に備えた共通復号部が用いるパラメータと同じであり、前記復号装置の前記個別復号部が用いる前記パラメータが、当該個別復号部の挙動を規定し、かつ前記システムにおける他の復号装置の個別復号部が用いるパラメータとは独立して調整されたパラメータである、ことを特徴とする。

請求項５の変換装置によれば、観測値を、当該観測値とは異なる種類のデータに変換することができる。

また、請求項６の変換装置は、請求項５に記載の変換装置において、前記個別符号化部及び前記共通符号化部の一方または両方が、入力層よりも出力層の方が素子数の少ないニューラルネットワークにより構成され、前記共通復号部及び前記個別復号部の一方または両方が、入力層よりも出力層の方が素子数の多いニューラルネットワークにより構成される、ことを特徴とする。

請求項６の変換装置によれば、共通符号のデータ量を削減することができる。

さらに、請求項７の学習装置は、複数の符号化装置と複数の復号装置とにより構成されるシステムに用いるパラメータを、機械学習により決定する学習装置において、前記複数の符号化装置のそれぞれが、個別符号化部及び共通符号化部を備え、前記複数の復号装置のそれぞれが、共通復号部及び個別復号部を備える場合に、前記複数の符号化装置に対応する複数の個別符号化部が用いるそれぞれの第１パラメータ、前記複数の符号化装置に対応する複数の共通符号化部が共通に用いる第２パラメータ、前記複数の復号装置に対応する複数の共通復号部が共通に用いる第３パラメータ、及び前記複数の復号装置に対応する複数の個別復号部が用いるそれぞれの第４パラメータを、前記機械学習により決定する学習部と、前記複数の符号化装置に対応する複数の個別符号化部から選択した１個の前記個別符号化部、１個の前記共通符号化部、１個の前記共通復号部、及び前記複数の復号装置に対応する複数の個別復号部から選択した１個の前記個別復号部を構成し、前記機械学習を行うことで、前記第１パラメータ、前記第２パラメータ、前記第３パラメータ及び前記第４パラメータを調整する構成部と、を備え、前記学習部が、所定の指示、前記構成部により選択された前記個別符号化部が入力する観測値、及び前記構成部により選択された前記個別復号部が出力するデータとして期待される期待データを前記構成部に出力し、前記機械学習が完了すると、前記構成部から前記第１パラメータ、前記第２パラメータ、前記第３パラメータ及び前記第４パラメータを、前記構成部から入力し、これらのパラメータを、前記機械学習により決定したパラメータとし、前記構成部が、前記学習部から前記所定の指示、前記観測値及び前記期待データを入力し、前記所定の指示に従い、前記複数の符号化装置に対応する複数の個別符号化部から１個の前記個別符号化部をランダムに選択すると共に、前記複数の復号装置に対応する複数の個別復号部から１個の前記個別復号部をランダムに選択する選択処理を行い、１個の前記個別符号化部、１個の前記共通符号化部、１個の前記共通復号部及び１個の前記個別復号部を構成する構成処理を行い、前記観測値及び前記期待データに基づいて、前記第１パラメータ、前記第２パラメータ、前記第３パラメータ及び前記第４パラメータを調整する調整処理を行い、さらに、前記選択処理、前記構成処理及び前記調整処理を繰り返し行う、ことを特徴とする。

請求項７の学習装置によれば、符号化装置に備えた個別符号化部及び共通符号化部、並びに復号装置に備えた共通復号部及び個別復号部の各パラメータを、それぞれの分担する役割に応じて最適化することができる。

以上のように、本発明によれば、取り扱うデータを定義するための負荷を低減し、観測対象から得られる観測値の伝送処理、及び観測値から別の数値への変換処理を効率的に実現することが可能となる。

本発明の実施形態による符号化装置及び復号装置を含む全体システムの構成例を示す概略図である。 実施例１の符号化装置及び復号装置の接続例及び構成例を示すブロック図である。 実施例２の符号化装置及び復号装置の接続例及び構成例を示すブロック図である。 実施例３の符号化装置及び復号装置の接続例及び構成例を示すブロック図である。 本発明の実施形態による学習装置の構成例を示すブロック図である。 学習装置の処理例を示すフローチャートである。 実施例１に対応するＮＮ構成部の接続例及び構成例を示すブロック図である。 実施例２に対応するＮＮ構成部の接続例及び構成例を示すブロック図である。 実施例３に対応するＮＮ構成部の接続例及び構成例を示すブロック図である。 本発明の実施形態による変換装置の構成例を示すブロック図である。 実施例１の適用例を説明する概略図である。 変換装置の適用例を説明する概略図である。

以下、本発明を実施するための形態について図面を用いて詳細に説明する。
〔全体システム〕
まず、全体システムについて説明する。図１は、本発明の実施形態による符号化装置及び復号装置を含む全体システムの構成例を示す概略図である。このシステムは、Ｍ個の符号化装置及びＮ個の復号装置を備えて構成される。Ｍ，Ｎは自然数である。Ｍ個の符号化装置とＮ個の復号装置とは、無線または有線の回線を介して接続される。

Ｍ個の符号化装置は、第１符号化装置１－１、・・・、第ｍ符号化装置１－ｍ、・・・、第Ｍ符号化装置１－Ｍである。Ｎ個の復号装置は、第１復号装置２－１、・・・、第ｎ復号装置２－ｎ、・・・、第Ｎ復号装置２－Ｎである。ｍは、１以上Ｍ以下の自然数であり、ｎは、１以上Ｎ以下の自然数である。Ｍ個の符号化装置を総称して第ｍ符号化装置１－ｍとし、Ｎ個の復号装置を総称して第ｎ復号装置２－ｎとする。

第ｍ符号化装置１－ｍは、図示しない観測対象５を観測する複数のセンサー（図示せず）から観測値ｙ^(m)を入力する。そして、第ｍ符号化装置１－ｍは、観測値ｙ^(m)を符号化することで、観測値ｙ^(m)を、全体システムで共通に使用する中間表現である共通符号ｘ^(m)に変換し、共通符号ｘ^(m)を出力する。

これにより、Ｍ個の符号化装置により出力される共通符号ｘ^(1～M)は、全体システムにおいて統合化したデータとして取り扱うことができる。尚、観測値ｙ^(1～M)のそれぞれは、同じ種類のデータ（例えば映像信号）であってもよいし、異なる種類のデータ（例えば映像信号及び温度）であってもよい。

ここで、観測値ｙ^(m)及び共通符号ｘ^(m)、並びに、後述する復号データｚ⁽ⁿ⁾、構成結果の共通符号ｘ’⁽ⁿ⁾、中間形式値ｕ^(m) ，ｖ⁽ⁿ⁾、期待データｗ⁽ⁿ⁾及びパラメータｐ^(m) ，ｑ，ｒ，ｓ⁽ⁿ⁾は、それぞれ複数のデータにより構成される。

第ｎ復号装置２－ｎは、Ｍ個の符号化装置のうち１個以上の符号化装置から共通符号ｘ^(m)を入力する。そして、第ｎ復号装置２－ｎは、１個以上の共通符号ｘ^(m)を復号することで、１個以上の共通符号ｘ^(m)を復号データｚ⁽ⁿ⁾に変換し、復号データｚ⁽ⁿ⁾を出力する。

復号データｚ⁽ⁿ⁾は、Ｍ個の符号化装置のうちいずれかの符号化装置が担当するセンサーが出力することを期待される観測値の推定値であってもよい。また、復号データｚ⁽ⁿ⁾は、いずれの符号化装置が担当するセンサーとは異なる仮想のセンサーが出力することを期待される観測値の推定値であってもよい。また、復号データｚ⁽ⁿ⁾は、所定の意味を表すデータ（例えば名称、識別子、品質の評価値）であってもよい。つまり、復号データｚ⁽ⁿ⁾は、センサーが出力する数値、及び名称等のテキストデータを含む広い概念である。

このように、Ｍ個の符号化装置とＮ個の復号装置との間で、全体システムにおいて統合化した共通符号ｘ^(1～M)を伝送するようにした。これにより、様々なセンサーが出力する観測値ｙ^(1～M)の間の変換を、レート歪特性について効率的な共通符号ｘ^(1～M)を介して実現することができる。つまり、全体として符号化による圧縮率が向上してレート歪を低減することができ、符号化効率が向上するから、観測値ｙ^(1～M)の伝送処理、及び観測値ｙ^(1～M)から復号データｚ^(1～N)への変換処理を、効率的に実現することができる。

〔実施例１〕
次に、第１の実施形態（実施例１）の符号化装置及び復号装置について説明する。実施例１は、図１に示した全体システムにおいて、１個以上の符号化装置と１個の復号装置（各復号装置）とを接続して構成されるシステムを前提とするものである。

図２は、実施例１の符号化装置及び復号装置の接続例及び構成例を示すブロック図である。このシステムは、図１に示した全体システムにおいて、Ｎ個の復号装置のうちｎ番目の復号装置である第ｎ復号装置２ａ－ｎに着目した例であり、Ｍ個の全ての第１符号化装置１ａ－１～第Ｍ符号化装置１ａ－Ｍと単数の第ｎ復号装置２ａ－ｎとが接続された系にて構成される。以下、Ｍ個の符号化装置を総称した第ｍ符号化装置１ａ－ｍ、及びＮ個の復号装置を総称した第ｎ復号装置２ａ－ｎについて説明する。

（第ｍ符号化装置１ａ－ｍ）
第ｍ符号化装置１ａ－ｍは、第ｍ個別符号化部１１－ｍ及び共通符号化部１２－ｍを備えている。

第ｍ個別符号化部１１－ｍは、担当する複数のセンサーから観測値ｙ^(m)を入力し、予め設定されたパラメータｐ^(m)に基づいて、観測値ｙ^(m)を符号化することで、観測値ｙ^(m)を中間形式値ｕ^(m)に変換する。そして、第ｍ個別符号化部１１－ｍは、中間形式値ｕ^(m)を共通符号化部１２－ｍに出力する。

パラメータｐ^(m)は、第ｍ個別符号化部１１－ｍの挙動（入力から出力への写像、処理）を規定するための情報である。パラメータｐ^(m)は、第ｍ符号化装置１ａ－ｍが担当する複数のセンサー（観測値ｙ^(m)）に応じて、他の個別符号化部が使用するパラメータとは独立して調整される。つまり、第ｍ₁個別符号化部１１－ｍ₁と第ｍ₂個別符号化部１１－ｍ₂とは、異なる写像を実行するものであってもよい。

例えば、第ｍ個別符号化部１１－ｍは、多層パーセプトロン、畳み込みニューラルネットワーク、残差ネットワーク等のニューラルネットワークにより構成することができる。

共通符号化部１２－ｍは、第ｍ個別符号化部１１－ｍから中間形式値ｕ^(m)を入力し、予め設定されたパラメータｑに基づいて、中間形式値ｕ^(m)を符号化することで、中間形式値ｕ^(m)を共通符号ｘ^(m)に変換する。そして、共通符号化部１２－ｍは、共通符号ｘ^(m)を第ｎ復号装置２ａ－ｎへ出力する。

パラメータｑは、共通符号化部１２－ｍの挙動を規定するための情報である。パラメータｑは、第ｍ符号化装置１ａ－ｍが担当する複数のセンサー（観測値ｙ^(m)）に関わらず、第１符号化装置１ａ－１～第Ｍ符号化装置１ａ－Ｍのそれぞれが担当する複数のセンサー（観測値ｙ^(1～M)）に共通のパラメータ（共通符号化部１２－１～１２－Ｍが共通に使用するパラメータ）として調整される。つまり、全ての共通符号化部１２－１～１２－Ｍは、同じ写像を実行する。

例えば、共通符号化部１２－ｍは、多層パーセプトロン、畳み込みニューラルネットワーク、残差ネットワーク等のニューラルネットワークにより構成することができる。

以上のように、実施例１の第ｍ符号化装置１ａ－ｍによれば、第ｍ個別符号化部１１－ｍは、他の個別符号化部とは独立して設定されたパラメータｐ^(m)に基づいて、観測値ｙ^(m)を符号化して中間形式値ｕ^(m)に変換する。そして、共通符号化部１２－ｍは、他の共通符号化部と共通に設定されたパラメータｑに基づいて、中間形式値ｕ^(m)を符号化して共通符号ｘ^(m)に変換し、共通符号ｘ^(m)を第ｎ復号装置２ａ－ｎへ出力する。

これにより、予め設定されたパラメータｐ^(m)に基づいて、観測値ｙ^(m)が中間形式値ｕ^(m)に変換される。前述の特許文献１の手法では、観測値と状態値（中間形式値ｕ^(m)に相当）との間の関係について、木構造によって観測値及び状態種別等をその種類に応じて階層的に定義しておく必要があった。実施例１では、観測値ｙ^(m)の種類に関わることなくパラメータｐ^(m)のみを定義しておけば済むから、観測値ｙ^(m)及び中間形式値ｕ^(m)等のデータを明示的に定義しておく必要がなく、負荷を低減することができる。

また、第ｎ復号装置２ａ－ｎは、Ｍ個の符号化装置から共通符号ｘ^(1～M)を入力し、共通符号ｘ^(1～M)のそれぞれに対して共通の復号処理を行えばよいから、Ｍ個の符号化装置のそれぞれに対応する復号処理を行う必要がない。

また、複数の符号化装置及び複数の復号装置からなるシステムにおいて、異なる種類の観測値ｙ^(1～M)に紐づいた共通符号ｘ^(1～M)への変換を行う際に、観測値ｙ^(1～M)の差異への対応を個別符号化部に分担させ、情報の圧縮を共通符号化部に分担させることができる。

したがって、取り扱うデータを定義するための負荷を低減することができると共に、第ｍ符号化装置１ａ－ｍの入力信号である観測値ｙ^(m)の伝送処理、及び、観測値ｙ^(1～M)から第ｎ復号装置２ａ－ｎの出力信号である復号データｚ⁽ⁿ⁾への変換処理を効率的に実現することができる。

（第ｎ復号装置２ａ－ｎ）
第ｎ復号装置２ａ－ｎは、合成部４０－ｎ、共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎを備えている。

合成部４０－ｎは、第１符号化装置１ａ－１～第Ｍ符号化装置１ａ－Ｍから共通符号ｘ^(1～M)を入力し、共通符号ｘ^(1～M)を合成して合成結果の共通符号ｘ’⁽ⁿ⁾を生成する。例えば、合成部４０－ｎは、共通符号ｘ^(1～M)の（例えばベクトルとしての）相加平均を算出し、合成結果の共通符号ｘ’⁽ⁿ⁾を求める。そして、合成部４０－ｎは、合成結果の共通符号ｘ’⁽ⁿ⁾を共通復号部４１－ｎに出力する。

この合成部４０－ｎは、Ｍ個の共通符号化部１２－１～１２－Ｍと１個の共通復号部４１－ｎとを接続するために設けられる。尚、１個の共通符号化部１２－ｍと１個の共通復号部４１－ｎとを接続する場合には、第ｎ復号装置２ａ－ｎは、合成部４０－ｎを備える必要はない（後述する図１０の第ｎ復号装置２ａ’－ｎを参照）。この場合、第ｎ復号装置２ａ－ｎの共通復号部４１－ｎは、第ｍ符号化装置１ａ－ｍの共通符号化部１２－ｍが出力した共通符号ｘ^(m)をそのまま入力する。

共通復号部４１－ｎは、合成部４０－ｎから合成結果の共通符号ｘ’⁽ⁿ⁾を入力し、予め設定されたパラメータｒに基づいて、共通符号ｘ’⁽ⁿ⁾を符号化することで、共通符号ｘ’⁽ⁿ⁾を中間形式値ｖ⁽ⁿ⁾に変換する。そして、共通復号部４１－ｎは、中間形式値ｖ⁽ⁿ⁾を第ｎ個別復号部４２－ｎに出力する。

パラメータｒは、共通復号部４１－ｎの挙動を規定するための情報である。パラメータｒは、第ｎ復号装置２ａ－ｎが担当する復号データｚ⁽ⁿ⁾に関わらず、第１復号装置２ａ－１～第Ｎ復号装置２ａ－Ｎのそれぞれが担当する復号データｚ^(1～N)に共通のパラメータ（共通復号部４１－１～４１－Ｎが共通に使用するパラメータ）として調整される。つまり、全ての共通復号部４１－１～４１－Ｎは、同じ写像を実行する。

例えば、共通復号部４１－ｎは、多層パーセプトロン、畳み込みニューラルネットワーク、残差ネットワーク等のニューラルネットワークにより構成することができる。

第ｎ個別復号部４２－ｎは、共通復号部４１－ｎから中間形式値ｖ⁽ⁿ⁾を入力し、予め設定されたパラメータｓ⁽ⁿ⁾に基づいて、中間形式値ｖ⁽ⁿ⁾を符号化することで、中間形式値ｖ⁽ⁿ⁾を復号データｚ⁽ⁿ⁾に変換する。そして、第ｎ個別復号部４２－ｎは、復号データｚ⁽ⁿ⁾を出力する。

パラメータｓ⁽ⁿ⁾は、第ｎ個別復号部４２－ｎの挙動を規定するための情報である。パラメータｓ⁽ⁿ⁾は、第ｎ復号装置２ａ－ｎが担当する復号データｚ⁽ⁿ⁾に応じて、他の個別復号部が使用するパラメータとは独立して調整される。つまり、第ｎ₁個別復号部４２－ｎ₁と第ｎ₂個別復号部４２－ｎ₂とは、異なる写像を実行するものであってもよい。

例えば、第ｎ個別復号部４２－ｎは、多層パーセプトロン、畳み込みニューラルネットワーク、残差ネットワーク等のニューラルネットワークにより構成することができる。

以上のように、実施例１の第ｎ復号装置２ａ－ｎによれば、合成部４０－ｎは、Ｍ個の符号化装置から入力した共通符号ｘ^(1～M)を合成して共通符号ｘ’⁽ⁿ⁾を生成し、共通復号部４１－ｎは、他の共通復号部と共通に設定されたパラメータｒに基づいて、共通符号ｘ’⁽ⁿ⁾を符号化して中間形式値ｖ⁽ⁿ⁾に変換する。第ｎ個別復号部４２－ｎは、他の個別復号部とは独立して設定されたパラメータｓ⁽ⁿ⁾に基づいて、中間形式値ｖ⁽ⁿ⁾を符号化して復号データｚ⁽ⁿ⁾に変換する。

これにより、予め設定されたパラメータｓ⁽ⁿ⁾に基づいて、中間形式値ｖ⁽ⁿ⁾が復号データｚ⁽ⁿ⁾に変換される。つまり、復号データｚ⁽ⁿ⁾の種類に関わることなくパラメータｓ⁽ⁿ⁾のみを定義しておけば済むから、木構造によって観測値及び状態種別等をその種類に応じて階層的に定義しておく必要がある前述の特許文献１の手法に比べ、負荷を低減することができる。

また、第ｎ復号装置２ａ－ｎは、Ｍ個の符号化装置から共通符号ｘ^(1～M)を受信し、共通符号ｘ^(1～M)のそれぞれに対して共通の復号処理を行えばよいから、Ｍ個の符号化装置のそれぞれに対応する復号処理を行う必要がない。

また、複数の符号化装置及び複数の復号装置からなるシステムにおいて、複数の復号装置に紐づいた異種の復号データｚ^(1～N)への変換を行う際に、情報の伸張を共通復号部に分担させ、復号データの差異への対応を個別復号部に分担させることができる。

したがって、取り扱うデータを定義するための負荷を低減することができると共に、第ｍ符号化装置１ａ－ｍの入力信号である観測値ｙ^(m)の伝送処理、及び、観測値ｙ^(1～M)から第ｎ復号装置２ａ－ｎの出力信号である復号データｚ⁽ⁿ⁾への変換処理を効率的に実現することができる。

図１１は、図２に示した実施例１の適用例を説明する概略図である。この適用例は、Ｍ台のカメラ６－１～６－Ｍにより撮影される観測対象５の映像信号を観測値ｙ^(1～M)とし、仮想カメラ７により撮影される観測対象５の映像信号を復号データｚ⁽ⁿ⁾とした場合に、観測値ｙ^(1～M)を用いて復号データｚ⁽ⁿ⁾を生成する例である。

図示しない第ｎ復号装置２ａ－ｎは、第１符号化装置１ａ－１～第Ｍ符号化装置１ａ－Ｍがカメラ６－１～６－Ｍから入力した観測値ｙ^(1～M)を、共通符号ｘ^(1～M)を介して入力し、仮想カメラ７により撮影される映像信号として復号データｚ⁽ⁿ⁾を生成する。これにより、実際には存在しない他の視点位置の仮想カメラ７により撮影される映像信号を、復号データｚ⁽ⁿ⁾として推定することができる。

尚、第１符号化装置１ａ－１～第Ｍ符号化装置１ａ－Ｍ及び図示しない第ｎ復号装置２ａ－ｎが用いるパラメータｐ^(1～M)，ｑ，ｒ，ｓ⁽ⁿ⁾は、後述する図５に示す学習装置３により予め設定される。学習装置３が機械学習を行う際には、後述する図７に示すＮＮ構成部３２ａの構成において、所定位置のカメラ６－１～６－Ｍにより撮影された映像信号の観測値ｙ^(1～M)に加え、仮想カメラ７の位置に実際のカメラを配置して撮影された映像信号の観測値が期待データｗ⁽ⁿ⁾として用いられる。

〔実施例２〕
次に、第２の実施形態（実施例２）の符号化装置及び復号装置について説明する。実施例２は、実施例１と同様に、図１に示した全体システムにおいて、１個以上の符号化装置と１個の復号装置（各復号装置）とを接続して構成されるシステムを前提とするものである。

図３は、実施例２の符号化装置及び復号装置の接続例及び構成例を示すブロック図である。このシステムは、図１に示した全体システムにおいて、Ｎ個の復号装置のうちｎ番目の復号装置である第ｎ復号装置２ｂ－ｎに着目した例であり、Ｍ個の全ての第１符号化装置１ｂ－１～第Ｍ符号化装置１ｂ－Ｍと単数の第ｎ復号装置２ｂ－ｎとが接続された系にて構成される。以下、Ｍ個の符号化装置を総称した第ｍ符号化装置１ｂ－ｍ、及びＮ個の復号装置を総称した第ｎ復号装置２ｂ－ｎについて説明する。

（第ｍ符号化装置１ｂ－ｍ）
第ｍ符号化装置１ｂ－ｍは、第ｍ個別符号化部１１－ｍを備えている。図２に示した実施例１の第ｍ符号化装置１ａ－ｍとこの第ｍ符号化装置１ｂ－ｍとを比較すると、両第ｍ符号化装置１ａ－ｍ，１ｂ－ｍは、第ｍ個別符号化部１１－ｍを備えている点で共通する。一方、この第ｍ符号化装置１ｂ－ｍは、共通符号化部１２－ｍを備えていない点で、図２の第ｍ符号化装置１ａ－ｍと相違する。

第ｍ個別符号化部１１－ｍは、図２に示した第ｍ個別符号化部１１－ｍと同様であるから、ここでは説明を省略する。第ｍ個別符号化部１１－ｍは、観測値ｙ^(m)を変換して得られた中間形式値ｕ^(m)を共通符号ｘ^(m)として、共通符号ｘ^(m)を第ｎ復号装置２ｂ－ｎへ出力する。

以上のように、実施例２の第ｍ符号化装置１ｂ－ｍによれば、予め設定されたパラメータｐ^(m)に基づいて、観測値ｙ^(m)が中間形式値ｕ^(m)である共通符号ｘ^(m)に変換される。つまり、観測値ｙ^(m)の種類に関わることなくパラメータｐ^(m)のみを定義しておけば済むから、前述の特許文献１の手法に比べ、負荷を低減することができる。

また、第ｎ復号装置２ｂ－ｎは、Ｍ個の符号化装置から共通符号ｘ^(1～M)を入力し、共通符号ｘ^(1～M)のそれぞれに対して共通の復号処理を行えばよいから、Ｍ個の符号化装置のそれぞれに対応する復号処理を行う必要がない。

したがって、取り扱うデータを定義するための負荷を低減することができると共に、第ｍ符号化装置１ｂ－ｍの入力信号である観測値ｙ^(m)の伝送処理、及び、観測値ｙ^(1～M)から第ｎ復号装置２ｂ－ｎの出力信号である復号データｚ⁽ⁿ⁾への変換処理を効率的に実現することができる。

（第ｎ復号装置２ｂ－ｎ）
第ｎ復号装置２ｂ－ｎは、合成部４０－ｎ、共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎを備えている。図２に示した実施例１の第ｎ復号装置２ａ－ｎとこの第ｎ復号装置２ｂ－ｎとを比較すると、両第ｎ復号装置２ａ－ｎ，２ｂ－ｎは、同一の構成をなしている。

合成部４０－ｎ、共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎは、図２に示した合成部４０－ｎ、共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎと同様であるから、ここでは説明を省略する。

以上のように、実施例２の第ｎ復号装置２ｂ－ｎによれば、実施例１と同様の効果を奏する。すなわち、取り扱うデータを定義するための負荷を低減することができると共に、第ｍ符号化装置１ｂ－ｍの入力信号である観測値ｙ^(m)の伝送処理、及び、観測値ｙ^(1～M)から第ｎ復号装置２ｂ－ｎの出力信号である復号データｚ⁽ⁿ⁾への変換処理を効率的に実現することができる。

〔実施例３〕
次に、第３の実施形態（実施例３）の符号化装置及び復号装置について説明する。実施例３は、実施例１，２と同様に、図１に示した全体システムにおいて、１個以上の符号化装置と１個の復号装置（各復号装置）とを接続して構成されるシステムを前提とするものである。

図４は、実施例３の符号化装置及び復号装置の接続例及び構成例を示すブロック図である。このシステムは、図１に示した全体システムにおいて、Ｎ個の復号装置のうちｎ番目の復号装置である第ｎ復号装置２ｃ－ｎに着目した例であり、Ｍ個の全ての第１符号化装置１ｃ－１～第Ｍ符号化装置１ｃ－Ｍと単数の第ｎ復号装置２ｃ－ｎとが接続された系にて構成される。以下、Ｍ個の符号化装置を総称した第ｍ符号化装置１ｃ－ｍ、及びＮ個の復号装置を総称した第ｎ復号装置２ｃ－ｎについて説明する。

（第ｍ符号化装置１ｃ－ｍ）
第ｍ符号化装置１ｃ－ｍは、第ｍ個別符号化部１１－ｍ及び共通符号化部１２－ｍを備えている。図２に示した実施例１の第ｍ符号化装置１ａ－ｍとこの第ｍ符号化装置１ｃ－ｍとを比較すると、両第ｍ符号化装置１ａ－ｍ，１ｃ－ｍは、同一の構成をなしている。

第ｍ個別符号化部１１－ｍ及び共通符号化部１２－ｍは、図２に示した第ｍ個別符号化部１１－ｍ及び共通符号化部１２－ｍと同様であるから、ここでは説明を省略する。共通符号化部１２－ｍは、共通符号ｘ^(m)を第ｎ復号装置２ｃ－ｎへ出力する。

以上のように、実施例３の第ｍ符号化装置１ｃ－ｍによれば、実施例１と同様の効果を奏する。すなわち、取り扱うデータを定義するための負荷を低減することができると共に、第ｍ符号化装置１ｃ－ｍの入力信号である観測値ｙ^(m)の伝送処理、及び、観測値ｙ^(1～M)から第ｎ復号装置２ｃ－ｎの出力信号である復号データｚ⁽ⁿ⁾への変換処理を効率的に実現することができる。

（第ｎ復号装置２ｃ－ｎ）
第ｎ復号装置２ｃ－ｎは、合成部４０－ｎ及び第ｎ個別復号部４２－ｎを備えている。図２に示した実施例１の第ｎ復号装置２ａ－ｎとこの第ｎ復号装置２ｃ－ｎとを比較すると、両第ｎ復号装置２ａ－ｎ，２ｃ－ｎは、合成部４０－ｎ及び第ｎ個別復号部４２－ｎを備えている点で共通する。一方、この第ｎ復号装置２ｃ－ｎは、共通復号部４１－ｎを備えていない点で、図２の第ｎ復号装置２ａ－ｎと相違する。

合成部４０－ｎは、合成結果の共通符号ｘ’⁽ⁿ⁾を第ｎ個別復号部４２－ｎに出力する。合成部４０－ｎは、図２に示した合成部４０－ｎと同様であるから、ここでは説明を省略する。

第ｎ個別復号部４２－ｎは、合成部４０－ｎから合成結果の共通符号ｘ’⁽ⁿ⁾を入力し、予め設定されたパラメータｓ⁽ⁿ⁾に基づいて、共通符号ｘ’⁽ⁿ⁾を符号化して復号データｚ⁽ⁿ⁾に変換し、復号データｚ⁽ⁿ⁾を出力する。第ｎ個別復号部４２－ｎは、図２に示した第ｎ個別復号部４２－ｎと同様であるから、ここでは説明を省略する。

以上のように、実施例３の第ｎ復号装置２ｃ－ｎによれば、予め設定されたパラメータｓ⁽ⁿ⁾に基づいて、共通符号ｘ’⁽ⁿ⁾が復号データｚ⁽ⁿ⁾に変換される。つまり、復号データｚ⁽ⁿ⁾の種類に関わることなくパラメータｓ⁽ⁿ⁾のみを定義しておけば済むから、前述の特許文献１の手法に比べ、負荷を低減することができる。

したがって、取り扱うデータを定義するための負荷を低減することができると共に、第ｍ符号化装置１ｃ－ｍの入力信号である観測値ｙ^(m)の伝送処理、及び、観測値ｙ^(1～M)から第ｎ復号装置２ｃ－ｎの出力信号である復号データｚ⁽ⁿ⁾への変換処理を効率的に実現することができる。

〔学習装置〕
次に、パラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を機械学習にて生成する本発明の実施形態による学習装置について説明する。

図１～図４において、Ｍ個の符号化装置及びＮ個の復号装置を動作させるためには、これらの構成部である第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２－１～１２－Ｍ、共通復号部４１－１～４１－Ｎ及び第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎが使用するパラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を予め適切に設定しておく必要がある。

例えば、パラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)は、第ｍ符号化装置１ａ－ｍへ与える入力信号であるテスト用の観測値ｙ^(m)と、そのときの第ｎ復号装置２ａ－ｎから出力される出力信号として期待される復号データｚ⁽ⁿ⁾の期待データｗ⁽ⁿ⁾との対に基づいて、機械学習を行うことで設定される。

第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２－１～１２－Ｍ、共通復号部４１－１～４１－Ｎ及び第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎのそれぞれをニューラルネットワークにより構成した場合には、パラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)は、ニューラルネットワークの結合重み係数列となる。

図５は、学習装置の構成例を示すブロック図である。この学習装置３は、学習部３１、ＮＮ（ニューラルネットワーク）構成部３２及び記憶部３３を備えている。

学習装置３は、１個以上の符号化装置及び２個以上の復号装置により構成される全体システム、または２個以上の符号化装置及び１個以上の復号装置により構成される全体システムを前提とする。学習装置３は、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択することで、第ｍ個別符号化部１１－ｍから第ｎ個別復号部４２－ｎまでの入出力端子を相互接続して１系統のＮＮを構成し、当該１系統のＮＮに対し、観測値ｙ^(m)を入力データ、期待データｗ⁽ⁿ⁾を出力データとして与えることで、第ｍ個別符号化部１１－ｍから第ｎ個別復号部４２－ｎまでの一連の構成部が最適に動作するように、パラメータｐ^(m)，ｑ，ｒ，ｓ⁽ⁿ⁾を最適化する。そして、学習装置３は、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを、ランダムにまたは所定の順序で順次選択することで、パラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を最適化する。

学習部３１は、１個の符号化装置及び１個の復号装置を選択するための指示をＮＮ構成部３２に出力することで、ＮＮ構成部３２に１系統のＮＮを構成させ、観測値ｙ^(m)及び期待データｗ⁽ⁿ⁾を入力する。そして、学習部３１は、観測値ｙ^(m)及び期待データｗ⁽ⁿ⁾をＮＮ構成部３２に出力することで、１系統のＮＮに対して観測値ｙ^(m)を入力データ、期待データｗ⁽ⁿ⁾を出力データとして与え、ＮＮ構成部３２に、１系統のＮＮの機械学習を行わせる。

学習部３１は、これらの処理を、指示に応じて構成された１系統のＮＮについて繰り返し行い、ＮＮ構成部３２から、機械学習により最適化されたパラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を入力する。そして、学習部３１は、パラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を記憶部３３に格納する。

記憶部３３に格納されたパラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)は、図１～図４に示したＭ個の符号化装置及びＮ個の復号装置における各構成部に、予め設定されたパラメータとして与えられる。

図６は、学習装置３の処理例を示すフローチャートである。学習部３１は、機械学習を開始すると、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択するための指示をＮＮ構成部３２に出力する（ステップＳ６０１）。

ＮＮ構成部３２は、学習部３１から指示を入力すると、乱数を用いて、Ｍ個の個別符号化装置のうち１個の第ｍ個別符号化部１１－ｍ、及びＮ個の個別復号部のうち１個の第ｎ個別復号部４２－ｎを選択する（ステップＳ６０２）。

ＮＮ構成部３２は、第ｍ個別符号化部１１－ｍから第ｎ個別復号部４２－ｎまでの一連の構成部の入出力端子を相互に接続し、１系統のＮＮを構成する（ステップＳ６０３）。このＮＮは、Ｍ個の個別符号化装置のうち１個の第ｍ個別符号化部１１－ｍが選択され、かつＮ個の個別復号部のうち１個の第ｎ個別復号部４２－ｎが選択されているという意味で、１系統である。

学習部３１は、第ｍ個別符号化部１１－ｍの入力信号である観測値ｙ^(m)、及び第ｎ個別復号部４２－ｎの出力信号である復号データｚ⁽ⁿ⁾として期待される期待データｗ⁽ⁿ⁾を入力する（ステップＳ６０４）。

ＮＮ構成部３２は、学習部３１から観測値ｙ^(m)及び復号データｚ⁽ⁿ⁾を入力し、１系統のＮＮに対して観測値ｙ^(m)を入力データ、期待データｗ⁽ⁿ⁾を出力データとして与え、１系統のＮＮの機械学習を行い、パラメータｐ^(m)，ｑ，ｒ，ｓ⁽ⁿ⁾を調整する（ステップＳ６０５）。

学習部３１は、機械学習が完了したか否かを判定し（ステップＳ６０６）、機械学習が完了していないと判定した場合（ステップＳ６０６：Ｎ）、ステップＳ６０１へ移行し、新たな選択のための指示をＮＮ構成部３２に出力する。機械学習が完了するまでの間、ステップＳ６０１～ステップＳ６０５の処理（選択処理、構成処理、調整処理等）が繰り返される。これにより、最適なパラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)が決定される。

一方、学習部３１は、ステップＳ６０６において、機械学習が完了していると判定した場合（ステップＳ６０６：Ｙ）、ＮＮ構成部３２から、機械学習により決定された最適なパラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を入力する。そして、学習部３１は、パラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を記憶部３３に格納する（ステップＳ６０７）。

（実施例１に適用する機械学習）
図７は、図２に示した実施例１の符号化装置及び復号装置に対応するＮＮ構成部３２の接続例及び構成例を示すブロック図である。このＮＮ構成部３２ａは、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２、共通復号部４１、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎ、乱数発生部３４、切替部３５，３６、及びＮ個の減算部３７－１～３７－Ｎを備えている。切替部３５は、Ｓ１個（第ｍ個別符号化部１１－ｍの出力データの数、共通符号化部１２の入力データの数、中間形式値ｕ^(m)を構成するデータの数）のスイッチを備えている。切替部３６は、Ｓ２個（共通復号部４１－ｎの出力データの数、第ｎ個別復号部４２－ｎの入力データの数、中間形式値ｖ⁽ⁿ⁾を構成するデータの数）のスイッチを備えている。

Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍにおける出力端子（個別符号化部毎の出力端子）と、切替部３５に備えたＳ１個のスイッチの入力端子とが接続されている。また、切替部３５に備えたＳ１個のスイッチの出力端子と、共通符号化部１２の入力端子（入力データ毎の入力端子）とが接続されている。また、共通符号化部１２の出力端子（出力データ毎の入力端子）と、共通復号部４１の入力端子（入力データ毎の入力端子）とが接続されている。

共通復号部４１の出力端子（出力データ毎の出力端子）と、切替部３６に備えたＳ２個のスイッチの入力端子とが接続されている。また、切替部３６に備えたＳ２個のスイッチの出力端子と、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎの入力端子（個別復号部毎の入力端子）とが接続されている。さらに、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎの出力端子（個別復号部毎の出力端子）と、Ｎ個の減算部３７－１～３７－Ｎの入力端子（減算部毎の入力端子）とが接続されている。

乱数発生部３４は、学習部３１から、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択するための指示を入力する。そして、乱数発生部３４は、１からＭまでの整数の一様乱数（または一様乱数を近似する擬似乱数）を発生し、乱数ｍを切替部３５に出力する。また、乱数発生部３４は、１からＮまでの整数の一様乱数（または一様乱数を近似する擬似乱数）を発生し、乱数ｎを切替部３６に出力する。

切替部３５は、乱数発生部３４から乱数ｍを入力し、第ｍ個別符号化部１１－ｍの出力端子のそれぞれと、共通符号化部１２の入力端子のそれぞれとを接続するように、Ｓ１個のスイッチを切り替える。

切替部３６は、乱数発生部３４から乱数ｎを入力し、共通復号部４１の出力端子のそれぞれと、第ｎ個別復号部４２－ｎの入力端子のそれぞれとを接続するように、Ｓ２個のスイッチを切り替える。

これにより、ＮＮ構成部３２ａにおいて、学習部３１から入力した指示にて、第ｍ個別符号化部１１－ｍから、切替部３５、共通符号化部１２、共通復号部４１、切替部３６、第ｎ個別復号部４２－ｎを介して減算部３７－ｎまでを接続した１系統のＮＮが構成される。

ＮＮ構成部３２ａは、学習部３１から観測値ｙ^(m)及び期待データｗ⁽ⁿ⁾を入力し、これらを学習用データとして、１系統のＮＮにおける第ｍ個別符号化部１１－ｍに観測値ｙ^(m)の入力データを与え、減算部３７－ｎに期待データｗ⁽ⁿ⁾の出力データを与える。ＮＮ構成部３２ａは、１系統のＮＮを機械学習する。

具体的には、ＮＮ構成部３２ａは、機械学習時に、第ｍ個別符号化部１１－ｍに観測値ｙ^(m)を与え、第ｍ個別符号化部１１－ｍから、切替部３５、共通符号化部１２、共通復号部４１及び切替部３６を経て、第ｎ個別復号部４２－ｎへと信号を流し、復号データｚ⁽ⁿ⁾を算出する。これにより、図２に示した実施例１の符号化装置及び復号装置の場合と同様に、復号データｚ⁽ⁿ⁾が算出される。

ＮＮ構成部３２ａは、減算部３７－ｎに期待データｗ⁽ⁿ⁾を与える。減算部３７－ｎは、第ｎ個別復号部４２－ｎから復号データｚ⁽ⁿ⁾を入力すると共に、期待データｗ⁽ⁿ⁾を入力し、期待データｗ⁽ⁿ⁾から復号データｚ⁽ⁿ⁾を減算して差分を求め、これを誤差ｗ⁽ⁿ⁾－ｚ⁽ⁿ⁾とする。

第ｎ個別復号部４２－ｎは、誤差ｗ⁽ⁿ⁾－ｚ⁽ⁿ⁾に基づいて、パラメータｓ⁽ⁿ⁾を更新する。例えば、第ｎ個別復号部４２－ｎは、誤差逆伝播法により誤差ｗ⁽ⁿ⁾－ｚ⁽ⁿ⁾を逆伝播させることで、パラメータｓ⁽ⁿ⁾である結合重み係数を更新する。

共通復号部４１は、第ｎ個別復号部４２－ｎから誤差逆伝播法による信号を、切替部３６を介して入力し、入力した信号に基づいて、誤差逆伝播法によりパラメータｒである結合重み係数を更新する。

共通符号化部１２は、共通復号部４１から誤差逆伝播法による信号を入力し、入力した信号に基づいて、誤差逆伝播法によりパラメータｑである結合重み係数を更新する。

第ｍ個別符号化部１１－ｍは、共通符号化部１２から誤差逆伝播法による信号を、切替部３５を介して入力し、入力した信号に基づいて、誤差逆伝播法によりパラメータｐ^(m)である結合重み係数を更新する。

これにより、学習部３１からの指示に応じて、１系統のＮＮに対して最適なパラメータｐ^(m)，ｑ，ｒ，ｓ⁽ⁿ⁾が決定される。

更なる学習を行う場合には、ＮＮ構成部３２ａは、学習部３１から、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択するための新たな指示を入力する。

これにより、乱数発生部３４により新たな乱数ｍ，ｎが出力され、新たな第ｍ個別符号化部１１－ｍから、切替部３５、共通符号化部１２、共通復号部４１、切替部３６、新たな第ｎ個別復号部４２－ｎを介して新たな減算部３７－ｎまでを接続した１系統のＮＮが構成される。そして、新たな観測値ｙ^(m)及び期待データｗ⁽ⁿ⁾が学習用データとして与えられ、新たな１系統のＮＮが機械学習され、最適なパラメータｐ^(m)，ｑ，ｒ，ｓ⁽ⁿ⁾が決定される。

このような学習部３１からの指示に応じた処理を適宜繰り返すことで、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２、共通復号部４１及びＮ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎの系における復号データｚ^(1～N)の推定精度が向上するように、パラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)が更新される。

この場合、共通符号化部１２により更新されるパラメータｑは、Ｍ個の共通符号化部１２－１～１２－Ｍで共通に使用されるパラメータである。このため、パラメータｑは、乱数発生部３４により発生した乱数ｍに応じて選択される第ｍ個別符号化部１１－ｍによることなく、共通的に更新される。

また、共通復号部４１により更新されるパラメータｒは、Ｎ個の共通復号部４１－１～４１－Ｎで共通に使用されるパラメータである。このため、パラメータｒは、乱数発生部３４により発生した乱数ｎに応じて選択される第ｎ個別復号部４２－ｎによることなく、共通的に更新される。

一方、第ｍ個別符号化部１１－ｍにより更新されるパラメータｐ^(m)は、乱数発生部３４により発生した乱数ｍに応じて当該第ｍ個別符号化部１１－ｍが選択された場合にのみ、更新される。同様に、第ｎ個別復号部４２－ｎにより更新されるパラメータｓ⁽ⁿ⁾は、乱数発生部３４により発生した乱数ｎに応じて当該第ｎ個別復号部４２－ｎが選択された場合にのみ、更新される。

以上のように、本発明の実施形態の学習装置３によれば、実施例１に適用する機械学習を行う場合に、学習部３１は、１系統のＮＮを構成させるための指示をＮＮ構成部３２ａに出力し、ＮＮ構成部３２ａは、学習部３１からの指示により発生した乱数ｍ，ｎに従い、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択する。そして、ＮＮ構成部３２ａは、図２に示した実施例１の符号化装置及び復号装置に対応して、第ｍ個別符号化部１１－ｍ、共通符号化部１２、共通復号部４１及び第ｎ個別復号部４２－ｎによる１系統のＮＮを構成する。

ＮＮ構成部３２ａは、観測値ｙ^(m)を入力データ、期待データｗ⁽ⁿ⁾を出力データとして、１系統のＮＮを機械学習し、パラメータｐ^(m)，ｑ，ｒ，ｓ⁽ⁿ⁾を更新する。そして、ＮＮ構成部３２ａは、学習部３１からの新たな指示に従って処理を繰り返すことで、最適なパラメータｐ^(1～M)，ｑ，ｒ，ｓ^(1～N)を決定する。

これにより、図２に示した実施例１の符号化装置及び復号装置に対応した機械学習が行われ、第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍがそれぞれ使用するパラメータｐ^(1～M)、共通符号化部１２－１～１２－Ｍが共通に使用するパラメータｑ、共通復号部４１－１～４１－Ｎが共通に使用するパラメータｒ、及び第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎがそれぞれ使用するパラメータｓ^(1～N)が決定される。

（実施例２に適用する機械学習）
図８は、図３に示した実施例２の符号化装置及び復号装置に対応するＮＮ構成部３２の接続例及び構成例を示すブロック図である。このＮＮ構成部３２ｂは、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通復号部４１、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎ、乱数発生部３４、切替部３５，３６、及びＮ個の減算部３７－１～３７－Ｎを備えている。

図７に示したＮＮ構成部３２ａとこのＮＮ構成部３２ｂとを比較すると、両ＮＮ構成部３２ａ，３２ｂは、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通復号部４１、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎ、乱数発生部３４、切替部３５，３６、及びＮ個の減算部３７－１～３７－Ｎを備えている点で共通する。一方、ＮＮ構成部３２ａは共通符号化部１２を備えているが、ＮＮ構成部３２ｂは、共通符号化部１２を備えていない点でＮＮ構成部３２ａと相違する。

Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通復号部４１、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎ、乱数発生部３４、切替部３５，３６、及びＮ個の減算部３７－１～３７－Ｎは、図７と同様であるから、ここでは説明を省略する。

ここで、切替部３５は、乱数発生部３４から乱数ｍを入力することで、図７と同様に、スイッチを切り替える。これにより、第ｍ個別符号化部１１－ｍの出力端子のそれぞれと共通復号部４１の入力端子のそれぞれとが接続される。

ＮＮ構成部３２ｂは、学習部３１から入力した指示にて、第ｍ個別符号化部１１－ｍから、切替部３５、共通復号部４１、切替部３６、第ｎ個別復号部４２－ｎを介して減算部３７－ｎまでを接続した１系統のＮＮを構成する。

ＮＮ構成部３２ｂは、学習部３１から観測値ｙ^(m)及び期待データｗ⁽ⁿ⁾を入力し、これらを学習用データとして、１系統のＮＮにおける第ｍ個別符号化部１１－ｍに観測値ｙ^(m)の入力データを与え、減算部３７－ｎに期待データｗ⁽ⁿ⁾の出力データを与える。ＮＮ構成部３２ｂは、１系統のＮＮを機械学習する。

更なる学習を行う場合には、ＮＮ構成部３２ｂは、学習部３１から、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択するための新たな指示を入力する。

このような学習部３１からの指示に応じた処理を適宜繰り返すことで、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通復号部４１及び第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎの系における復号データｚ^(1～N)の推定精度が向上するように、パラメータｐ^(1～M)，ｒ，ｓ^(1～N)が更新される。

以上のように、本発明の実施形態の学習装置３によれば、実施例２に適用する機械学習を行う場合に、学習部３１は、１系統のＮＮを構成させるための指示をＮＮ構成部３２ｂに出力し、ＮＮ構成部３２ｂは、学習部３１からの指示により発生した乱数ｍ，ｎに従い、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択する。そして、ＮＮ構成部３２ｂは、図３に示した実施例２の符号化装置及び復号装置に対応して、第ｍ個別符号化部１１－ｍ、共通復号部４１及び第ｎ個別復号部４２－ｎによる１系統のＮＮを構成する。

ＮＮ構成部３２ｂは、観測値ｙ^(m)を入力データ、期待データｗ⁽ⁿ⁾を出力データとして、１系統のＮＮを機械学習し、パラメータｐ^(m)，ｒ，ｓ⁽ⁿ⁾を更新する。そして、ＮＮ構成部３２ｂは、学習部３１からの新たな指示に従って処理を繰り返すことで、最適なパラメータｐ^(1～M)，ｒ，ｓ^(1～N)を決定する。

これにより、図３に示した実施例２の符号化装置及び復号装置に対応した機械学習が行われ、第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍがそれぞれ使用するパラメータｐ^(1～M)、共通復号部４１－１～４１－Ｎが共通に使用するパラメータｒ、及び第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎがそれぞれ使用するパラメータｓ^(1～N)が決定される。

（実施例３に適用する機械学習）
図９は、図４に示した実施例３の符号化装置及び復号装置に対応するＮＮ構成部３２の接続例及び構成例を示すブロック図である。このＮＮ構成部３２ｃは、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎ、乱数発生部３４、切替部３５，３６、及びＮ個の減算部３７－１～３７－Ｎを備えている。

図７に示したＮＮ構成部３２ａとこのＮＮ構成部３２ｃとを比較すると、両ＮＮ構成部３２ａ，３２ｃは、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎ、乱数発生部３４、切替部３５，３６、及びＮ個の減算部３７－１～３７－Ｎを備えている点で共通する。一方、ＮＮ構成部３２ａは共通復号部４１を備えているが、ＮＮ構成部３２ｃは、共通復号部４１を備えていない点でＮＮ構成部３２ａと相違する。

Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２、Ｎ個の第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎ、乱数発生部３４、切替部３５，３６、及びＮ個の減算部３７－１～３７－Ｎは、図７と同様であるから、ここでは説明を省略する。

ここで、切替部３６は、乱数発生部３４から乱数ｎを入力することで、図７と同様に、スイッチを切り替える。これにより、共通符号化部１２の出力端子のそれぞれと第ｎ個別復号部４２－ｎの入力端子のそれぞれとが接続される。

ＮＮ構成部３２ｃは、学習部３１から入力した指示にて、第ｍ個別符号化部１１－ｍから、切替部３５、共通符号化部１２、切替部３６、第ｎ個別復号部４２－ｎを介して減算部３７－ｎまでを接続した１系統のＮＮを構成する。

ＮＮ構成部３２ｃは、学習部３１から観測値ｙ^(m)及び期待データｗ⁽ⁿ⁾を入力し、これらを学習用データとして、１系統のＮＮにおける第ｍ個別符号化部１１－ｍに観測値ｙ^(m)の入力データを与え、減算部３７－ｎに期待データｗ⁽ⁿ⁾の出力データを与える。ＮＮ構成部３２ｃは、１系統のＮＮを機械学習する。

更なる学習を行う場合には、ＮＮ構成部３２ｃは、学習部３１から、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択するための新たな指示を入力する。

このような学習部３１からの指示に応じた処理を適宜繰り返すことで、Ｍ個の第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍ、共通符号化部１２及び第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎによる系における復号データｚ^(1～N)の推定精度が向上するように、パラメータｐ^(1～M)，ｑ，ｓ^(1～N)が更新される。

以上のように、本発明の実施形態の学習装置３によれば、実施例３に適用する機械学習を行う場合に、学習部３１は、１系統のＮＮを構成させるための指示をＮＮ構成部３２ｃに出力し、ＮＮ構成部３２ｃは、学習部３１からの指示により発生した乱数ｍ，ｎに従い、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択する。そして、ＮＮ構成部３２ｃは、図４に示した実施例３の符号化装置及び復号装置に対応して、第ｍ個別符号化部１１－ｍ、共通符号化部１２及び第ｎ個別復号部４２－ｎによる１系統のＮＮを構成する。

ＮＮ構成部３２ｃは、観測値ｙ^(m)を入力データ、期待データｗ⁽ⁿ⁾を出力データとして、１系統のＮＮを機械学習し、パラメータｐ^(m)，ｑ，ｓ⁽ⁿ⁾を更新する。そして、ＮＮ構成部３２ｃは、学習部３１からの新たな指示に従って処理を繰り返すことで、最適なパラメータｐ^(1～M)，ｑ，ｓ^(1～N)を決定する。

これにより、図４に示した実施例３の符号化装置及び復号装置に対応した機械学習が行われ、第１個別符号化部１１－１～第Ｍ個別符号化部１１－Ｍがそれぞれ使用するパラメータｐ^(1～M)、共通符号化部１２－１～１２－Ｍが共通に使用するパラメータｑ、及び第１個別復号部４２－１～第Ｎ個別復号部４２－Ｎがそれぞれ使用するパラメータｓ^(1～N)が決定される。

〔変換装置〕
次に、観測値ｙ^(m)を復号データｚ⁽ⁿ⁾に変換する本発明の実施形態による変換装置について説明する。

図１０は、本発明の実施形態による変換装置の構成例を示すブロック図である。この変換装置４は、第ｍ符号化装置１ａ－ｍ及び第ｎ復号装置２ａ’－ｎを備えている。第ｍ符号化装置１ａ－ｍは、第ｍ個別符号化部１１－ｍ及び共通符号化部１２－ｍを備えており、第ｎ復号装置２ａ’－ｎは、共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎを備えている。

変換装置４は、センサーから観測値ｙ^(m)を入力し、予め設定されたパラメータｐ^(m)，ｑに基づいて、観測値ｙ^(m)を共通符号ｘ^(m)に変換し、予め設定されたパラメータｒ，ｓ⁽ⁿ⁾に基づいて、共通符号ｘ^(m)を復号データｚ⁽ⁿ⁾に変換する。つまり、変換装置４は、共通符号ｘ^(m)を介して、センサーからの観測値ｙ^(m)を復号データｚ⁽ⁿ⁾に変換する写像装置である。

変換装置４は、例えば図５に示した学習装置３により機械学習された第ｍ個別符号化部１１－ｍ及び共通符号化部１２（１２－ｍ）を備えた第ｍ符号化装置１ａ－ｍと、同様に機械学習された共通復号部４１（４１－ｎ）及び第ｎ個別復号部４２－ｎを備えた第ｎ復号装置２ａ’－ｎとが接続されて構成される。

第ｍ符号化装置１ａ－ｍは、図２に示した第ｍ符号化装置１ａ－ｍと同様であるからここでは説明を省略する。共通符号化部１２－ｍは、共通符号ｘ^(m)を共通復号部４１－ｎに出力する。

第ｎ復号装置２ａ’－ｎの共通復号部４１－ｎは、共通符号化部１２－ｍから共通符号ｘ^(m)を入力し、図２に示した共通復号部４１－ｎと同様に、予め設定されたパラメータｒに基づいて、共通符号ｘ^(m)を中間形式値ｖ⁽ⁿ⁾に変換する。

第ｎ個別復号部４２－ｎは、共通復号部４１－ｎから中間形式値ｖ⁽ⁿ⁾を入力し、図２に示した第ｎ個別復号部４２－ｎと同様に、予め設定されたｓ⁽ⁿ⁾に基づいて、中間形式値ｖ⁽ⁿ⁾を復号データｚ⁽ⁿ⁾に変換する。

ここで、例えば機械学習時に、学習装置３は、第ｍ個別符号化部１１－ｍに対し、ある物理量を測定するセンサーによる観測値ｙ^(m)を与え、第ｎ個別復号部４２－ｎ（減算部３７－ｎ）に対し、別の数量（物理量であっても構わない）として推定されるべき期待データｗ⁽ⁿ⁾を与える。

このような機械学習により調整されたパラメータｐ^(m)，ｑ，ｒ，ｓ⁽ⁿ⁾を用いることで、変換装置４は、ある物理量から別の数量への写像を実行することができる。

例えば、変換装置４は、部屋の壁に設置された温度センサーにより測定された温度を観測値ｙ^(m)として入力し、これを復号データｚ⁽ⁿ⁾に変換する。これにより、部屋の中央部分の温度を復号データｚ⁽ⁿ⁾として推定することができる。

また、変換装置４は、あるセンサー（ｍ番目のセンサー）から観測値ｙ^(m)を入力し、これを復号データｚ⁽ⁿ⁾に変換する。これにより、他のセンサー（ｎ番目のセンサー）が観測する観測値を、復号データｚ⁽ⁿ⁾として推定することができる。

図１２は、変換装置４の適用例を説明する図であり、他のセンサー（ｎ番目のセンサー）が観測する観測値を推定する例である。この適用例は、１台のカメラ６－ｍにより撮影される観測対象５の映像信号を観測値ｙ^(m)とし、仮想カメラ７により撮影される観測対象５の映像信号を復号データｚ⁽ⁿ⁾とした場合に、観測値ｙ^(m)を用いて復号データｚ⁽ⁿ⁾を生成する例である。

図示しない変換装置４は、所定位置のカメラ６－ｍ（ｍ番目のセンサー）により撮影された映像信号の観測値ｙ^(m)を入力し、実際には存在しない他の視点位置の仮想カメラ７（ｎ番目のセンサー）により撮影される映像信号を、復号データｚ⁽ⁿ⁾として推定する。

尚、変換装置４が用いるパラメータｐ^(m)，ｑ，ｒ，ｓ⁽ⁿ⁾は、例えば図５に示した学習装置３により予め設定される。学習装置３が機械学習を行う際には、図７に示したＮＮ構成部３２ａの構成において、所定位置のカメラ６－ｍにより撮影された映像信号の観測値ｙ^(m)に加え、仮想カメラ７の位置に実際のカメラを配置して撮影された映像信号の観測値が期待データｚ⁽ⁿ⁾として用いられる。

以上のように、本発明の実施形態の変換装置４によれば、観測値ｙ^(m)を、当該観測値ｙ^(m)と同じ種類のデータまたは異なる種類のデータに変換することができる。また、取り扱うデータを定義するための負荷を低減することができると共に、第ｍ符号化装置１ａ－ｍの入力信号である観測値ｙ^(m)を、共通符号ｘ^(m)を介して第ｎ復号装置２ａ’－ｎへ出力する処理、及び、観測値ｙ^(m)から第ｎ復号装置２ａ’－ｎの出力信号である復号データｚ⁽ⁿ⁾への変換処理を効率的に実現することができる。

以上、実施形態を挙げて本発明を説明したが、本発明は前記実施形態に限定されるものではなく、その技術思想を逸脱しない範囲で種々変形可能である。例えば、前記実施形態では、第ｍ符号化装置１ａ－ｍに備えた第ｍ個別符号化部１１－ｍ及び共通符号化部１２－ｍをＮＮにより構成する場合、いずれか一方または両方の構成部において、出力層の素子数が入力層の素子数より少なくなるように構成してもよい。第ｍ符号化装置１ｂ－ｍに備えた第ｍ個別符号化部１１－ｍをＮＮにより構成する場合も同様である。

同様に、第ｎ復号装置２ａ－ｎに備えた共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎをＮＮにより構成する場合、いずれか一方または両方の構成部において、出力層の素子数が入力層の素子数より多くなるように構成してもよい。第ｎ復号装置２ｃ－ｎに備えた第ｎ個別復号部４２－ｎ部をＮＮにより構成する場合も同様である。

このような構成により、第ｍ符号化装置１ａ－ｍ及び第ｎ復号装置２ａ－ｎを接続した変換装置４を、オートエンコーダとすることができ、第ｍ符号化装置１ａ－ｍにデータ圧縮の機能、第ｎ復号装置２ａ－ｎにデータ伸張の機能をそれぞれ付与することができる。また、共通符号ｘ^(1～M)のデータ量を削減することができる。

また、前記実施形態では、学習装置３のＮＮ構成部３２は、乱数を用いて、Ｍ個の個別符号化装置のうち１個の第ｍ個別符号化部１１－ｍ、及びＮ個の個別復号部のうち１個の第ｎ個別復号部４２－ｎを選択するようにした。本発明は、乱数を用いることに限定されるものではなく、乱数を用いる手法以外の手法により、１個の第ｍ個別符号化部１１－ｍ及び１個の第ｎ個別復号部４２－ｎを選択するようにしてもよい。

尚、本発明の実施形態による第ｍ符号化装置１ａ－ｍ，１ｂ－ｍ，１ｃ－ｍ（ｍは１～Ｍの自然数）、第ｎ復号装置２ａ－ｎ，２ｂ－ｎ，２ｃ－ｎ，２ａ’－ｎ（ｎは１～Ｎの自然数）、学習装置３及び変換装置４のハードウェア構成としては、通常のコンピュータを使用することができる。第ｍ符号化装置１ａ－ｍ，１ｂ－ｍ，１ｃ－ｍ、第ｎ復号装置２ａ－ｎ，２ｂ－ｎ，２ｃ－ｎ，２ａ’－ｎ、学習装置３及び変換装置４は、ＣＰＵ、ＲＡＭ等の揮発性の記憶媒体、ＲＯＭ等の不揮発性の記憶媒体、及びインターフェース等を備えたコンピュータによって構成される。

第ｍ符号化装置１ａ－ｍ，１ｃ－ｍに備えた第ｍ個別符号化部１１－ｍ及び共通符号化部１２－ｍの各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。また、第ｍ符号化装置１ｂ－ｍに備えた第ｍ個別符号化部１１－ｍの機能は、この機能を記述したプログラムをＣＰＵに実行させることにより実現される。

第ｎ復号装置２ａ－ｎ，２ｂ－ｎに備えた合成部４０－ｎ、共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎの各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。また、第ｎ復号装置２ｃ－ｎに備えた合成部４０－ｎ及び第ｎ個別復号部４２－ｎの各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。また、第ｎ復号装置２ａ’－ｎに備えた共通復号部４１－ｎ及び第ｎ個別復号部４２－ｎの各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。

学習装置３に備えた学習部３１、ＮＮ構成部３２及び記憶部３３の各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。また、変換装置４に備えた第ｍ符号化装置１ａ－ｍ及び第ｎ復号装置２ａ’－ｎの各機能は、これらの機能を記述したプログラムをＣＰＵに実行させることによりそれぞれ実現される。

これらのプログラムは、前記記憶媒体に格納されており、ＣＰＵに読み出されて実行される。また、これらのプログラムは、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスク等）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤ等）、半導体メモリ等の記憶媒体に格納して頒布することもでき、ネットワークを介して送受信することもできる。

１－１，１ａ－１，１ｂ－１，１ｃ－１ 第１符号化装置
１ａ－２ 第２符号化装置
１ａ－３ 第３符号化装置
１ａ－４ 第４符号化装置
１－ｍ，１ａ－ｍ，１ｂ－ｍ，１ｃ－ｍ 第ｍ符号化装置
１－Ｍ，１ａ－Ｍ，１ｂ－Ｍ，１ｃ－Ｍ 第Ｍ符号化装置
２－１ 第１復号装置
２－ｎ，２ａ－ｎ，２ａ’－ｎ，２ｂ－ｎ，２ｃ－ｎ 第ｎ復号装置
２－Ｎ 第Ｎ復号装置
３ 学習装置
４ 変換装置
５ 観測対象
６－１，６－２，６－３，６－４，６－ｍ，６－Ｍ カメラ
７ 仮想カメラ
１１－１ 第１個別符号化部
１１－ｍ 第ｍ個別符号化部
１１－Ｍ 第Ｍ個別符号化部
１２，１２－１，１２－ｍ，１２－Ｍ 共通符号化部
３１ 学習部
３２，３２ａ，３２ｂ，３２ｃ ＮＮ（ニューラルネットワーク）構成部
３３ 記憶部
３４ 乱数発生部
３５，３６ 切替部
３７－１，３７－ｎ，３７－Ｎ 減算部
４０－ｎ 合成部
４１，４１－１，４１－ｎ，４１－Ｎ 共通復号部
４２－１，４２－ｎ，４２－Ｎ 第ｎ個別復号部
ｙ⁽¹⁾，ｙ^(m) ，ｙ^(M) 観測値
ｘ⁽¹⁾，ｘ^(m) ，ｘ^(M) 共通符号
ｘ’⁽ⁿ⁾ 合成結果の共通符号
ｚ⁽¹⁾，ｚ⁽ⁿ⁾ ，ｚ^(N) 復号データ
ｕ⁽¹⁾，ｕ^(m) ，ｕ^(M)，ｖ⁽ⁿ⁾ 中間形式値
ｗ⁽¹⁾，ｗ⁽ⁿ⁾，ｗ^(N) 期待データ
ｐ⁽¹⁾，ｐ^(m) ，ｐ^(M)，ｑ，ｒ，ｓ⁽¹⁾，ｓ⁽ⁿ⁾，ｓ^(N) パラメータ

Claims (7)

1. 複数の符号化装置と複数の復号装置とにより構成されるシステムの下で、複数の符号化装置及び単数の復号装置からなる系を構成した場合の前記符号化装置であって、
   観測対象から得られた観測値を入力し、予め設定されたパラメータに基づいて、前記観測値を符号化し、中間形式値を生成する個別符号化部と、
   予め設定されたパラメータに基づいて、前記個別符号化部により生成された前記中間形式値を符号化し、共通符号を生成して前記単数の復号装置へ出力する共通符号化部と、を備え、
   前記個別符号化部が用いる前記パラメータは、当該個別符号化部の挙動を規定し、かつ他の符号化装置に備えた個別符号化部が用いるパラメータとは独立して調整されたパラメータであり、
   前記共通符号化部が用いる前記パラメータは、当該共通符号化部の挙動を規定し、かつ他の符号化装置に備えた共通符号化部が用いるパラメータと同じである、ことを特徴とする符号化装置。
2. 請求項１に記載の符号化装置において、
   前記個別符号化部及び前記共通符号化部の一方または両方は、
   入力層よりも出力層の方が素子数の少ないニューラルネットワークにより構成される、ことを特徴とする符号化装置。
3. 複数の符号化装置と複数の復号装置とにより構成されるシステムの下で、複数の符号化装置及び単数の復号装置からなる系を構成した場合の前記復号装置であって、
   前記複数の符号化装置により生成された複数の共通符号を入力し、前記複数の共通符号を合成して合成結果の共通符号を生成する合成部と、
   予め設定されたパラメータに基づいて、前記合成部により生成された前記合成結果の共通符号を復号し、中間形式値を生成する共通復号部と、
   予め設定されたパラメータに基づいて、前記共通復号部により生成された前記中間形式値を復号し、復号データを生成する個別復号部と、を備え、
   前記共通復号部が用いる前記パラメータは、当該共通復号部の挙動を規定し、かつ他の復号装置に備えた共通復号部が用いるパラメータと同じであり、
   前記個別復号部が用いる前記パラメータは、当該個別復号部の挙動を規定し、かつ他の復号装置の個別復号部が用いるパラメータとは独立して調整されたパラメータである、ことを特徴とする復号装置。
4. 請求項３に記載の復号装置において、
   前記共通復号部及び前記個別復号部の一方または両方は、
   入力層よりも出力層の方が素子数の多いニューラルネットワークにより構成される、ことを特徴とする復号装置。
5. 観測対象から得られた観測値を所定のデータに変換する変換装置において、
   前記観測値を入力し、予め設定されたパラメータに基づいて、前記観測値を符号化し、中間形式値を生成する個別符号化部、及び、
   予め設定されたパラメータに基づいて、前記個別符号化部により生成された前記中間形式値を符号化し、共通符号を生成して出力する共通符号化部を有する符号化装置と、
   前記共通符号化部により出力された前記共通符号を入力し、予め設定されたパラメータに基づいて、前記共通符号を復号し、中間形式値を生成する共通復号部、及び、
   予め設定されたパラメータに基づいて、前記共通復号部により生成された前記中間形式値を復号し、復号データを生成し、当該復号データを前記所定のデータとして出力する個別復号部を有する復号装置と、を備え、
   前記符号化装置の前記個別符号化部が用いる前記パラメータは、当該個別符号化部の挙動を規定し、かつ、複数の符号化装置と複数の復号装置とにより構成されるシステムにおける他の符号化装置に備えた個別符号化部が用いるパラメータとは独立して調整されたパラメータであり、
   前記符号化装置の前記共通符号化部が用いる前記パラメータは、当該共通符号化部の挙動を規定し、かつ、前記システムにおける他の符号化装置に備えた共通符号化部が用いるパラメータと同じであり、
   前記復号装置の前記共通復号部が用いる前記パラメータは、当該共通復号部の挙動を規定し、かつ、前記システムにおける他の復号装置に備えた共通復号部が用いるパラメータと同じであり、
   前記復号装置の前記個別復号部が用いる前記パラメータは、当該個別復号部の挙動を規定し、かつ前記システムにおける他の復号装置の個別復号部が用いるパラメータとは独立して調整されたパラメータである、ことを特徴とする変換装置。
6. 請求項５に記載の変換装置において、
   前記個別符号化部及び前記共通符号化部の一方または両方は、
   入力層よりも出力層の方が素子数の少ないニューラルネットワークにより構成され、
   前記共通復号部及び前記個別復号部の一方または両方は、
   入力層よりも出力層の方が素子数の多いニューラルネットワークにより構成される、ことを特徴とする変換装置。
7. 複数の符号化装置と複数の復号装置とにより構成されるシステムに用いるパラメータを、機械学習により決定する学習装置において、
   前記複数の符号化装置のそれぞれが、個別符号化部及び共通符号化部を備え、前記複数の復号装置のそれぞれが、共通復号部及び個別復号部を備える場合に、
   前記複数の符号化装置に対応する複数の個別符号化部が用いるそれぞれの第１パラメータ、前記複数の符号化装置に対応する複数の共通符号化部が共通に用いる第２パラメータ、前記複数の復号装置に対応する複数の共通復号部が共通に用いる第３パラメータ、及び前記複数の復号装置に対応する複数の個別復号部が用いるそれぞれの第４パラメータを、前記機械学習により決定する学習部と、
   前記複数の符号化装置に対応する複数の個別符号化部から選択した１個の前記個別符号化部、１個の前記共通符号化部、１個の前記共通復号部、及び前記複数の復号装置に対応する複数の個別復号部から選択した１個の前記個別復号部を構成し、前記機械学習を行うことで、前記第１パラメータ、前記第２パラメータ、前記第３パラメータ及び前記第４パラメータを調整する構成部と、を備え、
   前記学習部は、
   所定の指示、前記構成部により選択された前記個別符号化部が入力する観測値、及び前記構成部により選択された前記個別復号部が出力するデータとして期待される期待データを前記構成部に出力し、前記機械学習が完了すると、前記構成部から前記第１パラメータ、前記第２パラメータ、前記第３パラメータ及び前記第４パラメータを、前記構成部から入力し、これらのパラメータを、前記機械学習により決定したパラメータとし、
   前記構成部は、
   前記学習部から前記所定の指示、前記観測値及び前記期待データを入力し、前記所定の指示に従い、前記複数の符号化装置に対応する複数の個別符号化部から１個の前記個別符号化部をランダムに選択すると共に、前記複数の復号装置に対応する複数の個別復号部から１個の前記個別復号部をランダムに選択する選択処理を行い、１個の前記個別符号化部、１個の前記共通符号化部、１個の前記共通復号部及び１個の前記個別復号部を構成する構成処理を行い、前記観測値及び前記期待データに基づいて、前記第１パラメータ、前記第２パラメータ、前記第３パラメータ及び前記第４パラメータを調整する調整処理を行い、さらに、前記選択処理、前記構成処理及び前記調整処理を繰り返し行う、ことを特徴とする学習装置。

Images