JP7069435B1 - 情報処理装置 - Google Patents
情報処理装置 Download PDFInfo
- Publication number
- JP7069435B1 JP7069435B1 JP2021563348A JP2021563348A JP7069435B1 JP 7069435 B1 JP7069435 B1 JP 7069435B1 JP 2021563348 A JP2021563348 A JP 2021563348A JP 2021563348 A JP2021563348 A JP 2021563348A JP 7069435 B1 JP7069435 B1 JP 7069435B1
- Authority
- JP
- Japan
- Prior art keywords
- numerical data
- information processing
- image data
- data
- symbol
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 claims abstract description 121
- 230000008569 process Effects 0.000 claims abstract description 72
- 238000003860 storage Methods 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 239000000284 extract Substances 0.000 claims abstract description 16
- 230000014509 gene expression Effects 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 28
- 238000009827 uniform distribution Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 74
- 238000012545 processing Methods 0.000 description 58
- 238000013527 convolutional neural network Methods 0.000 description 34
- 238000004364 calculation method Methods 0.000 description 28
- 239000003990 capacitor Substances 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 12
- 239000004065 semiconductor Substances 0.000 description 12
- 230000008878 coupling Effects 0.000 description 11
- 238000010168 coupling process Methods 0.000 description 11
- 238000005859 coupling reaction Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000011960 computer-aided design Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000003985 ceramic capacitor Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007616 round robin method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
Abstract
Description
図1は、実施の形態1に係る情報処理装置1の機能構成を示すブロック図である。図1に示されるように、情報処理装置1は、学習部10と、推論部20と、記憶部30とを備える。記憶部30には、画像認識モデルθ1が保存されている。情報処理装置1には、画像データが入力される。図1には、当該画像データの例として、画像データIm1,Im2が示されている。画像データIm1は学習部10に入力され、画像データIm2は推論部20に入力される。
実施の形態1においては、学習部および推論部の双方を備える情報処理装置について説明した。実施の形態1の変形例1においては、学習部を備えない情報処理装置について説明する。図8は、実施の形態1の変形例1に係る情報処理装置1Aの機能構成を示すブロック図である。情報処理装置1Aの構成は、図1の情報処理装置1から学習部10が除かれた構成である。これ以外の情報処理装置1Aの構成は、図1の情報処理装置1の構成と同様であるため、当該構成についての説明を繰り返さない。
実施の形態1の変形例2においては、推論部を備えない情報処理装置について説明する。図10は、実施の形態1の変形例2に係る情報処理装置1Bの機能構成を示すブロック図である。情報処理装置1Aの構成は、図1の情報処理装置1から推論部20が除かれた構成である。これ以外の情報処理装置1Bの構成は、図1の情報処理装置1の構成と同様であるため、当該構成についての説明を繰り返さない。
実施の形態2においては、数値データに含まれる複数のパラメータ間の関係を散布図に変換して、当該散布図(画像データ)の形状から複数のパラメータ間の関係式(特定情報)を推論する構成について説明する。図12は、実施の形態2に係る情報処理装置2の機能構成を示すブロック図である。情報処理装置2の機能構成は、図1の情報処理装置1にグラフ生成部40が追加された機能構成である。これ以外の機能構成は情報処理装置1と同様であるため、当該機能構成に関する説明を繰り返さない。
実施の形態3においては、画像データを更新することにより、当該画像データに含まれるシンボルに対する画像認識モデルの認識精度を向上させる構成について説明する。図23は、実施の形態3に係る情報処理装置3の機能構成を示すブロック図である。情報処理装置3の機能構成は、図1の情報処理装置1に画像更新部50が追加された機能構成である。これ以外の情報処理装置3の機能構成は情報処理装置1と同様であるため、当該機能構成に関する説明を繰り返さない。
実施の形態4においては、画像データに含まれるシンボルに対する画像認識モデルの認識精度を向上させる構成について説明する。実施の形態4に係る情報処理装置は、図1の情報処理装置1と同様であるため、同様の構成に関する説明を繰り返さない。以下では、実施の形態4において特徴的なシンボルの構成について説明する。
実施の形態5においては、数値パラメータに含まれる複数のパラメータから目的変数との関連が相対的に低いパラメータを削除して、学習処理および推論処理を高速化する構成について説明する。図29は、実施の形態5に係る情報処理装置5の機能構成を示すブロック図である。情報処理装置5の機能構成は、図12の情報処理装置2に次元削減部60が追加された機能構成である。これ以外の情報処理装置5の機能構成は情報処理装置2と同様であるため、当該機能構成に関する説明を繰り返さない。
実施の形態6においては、散布図等の画像データから算出される関係式の活用例について説明する。1つの条件に対して比較的長い計算時間を要するミュレーション、実験、またはパラメータ数が多いシミュレーション条件において、従来の方法によると、どのパラメータを優先して計算する必要があるかを判断することは困難な場合が多かった。このような場合、モンテカルロ法、または等間隔で全てのパラメータを均一に分散させて計算する方法が用いられることが多い。このような網羅的な計算を防止するために、遺伝的アルゴリズム等を用いてパラメータ数を削減する方法が用いられることがある。しかし、当該方法は、計算量が大きいだけでなく判断の根拠も不明確である。そのため、物理現象等、根拠が必要な設計が求められる場合には、遺伝的アルゴリズム等を用いてのパラメータ数の削減は不向きであった。
実施の形態7においては、実施の形態2において説明された散布図の分布が偏っている場合に、当該分布を一様分布に変換する構成について説明する。図31は、実施の形態7に係る情報処理装置7の機能構成を示すブロック図である。情報処理装置7の機能構成は、図12のグラフ生成部40が40Aに置き換えられた構成である。これ以外の情報処理装置7の機能構成は情報処理装置2と同様であるため、当該機能構成に関する説明を繰り返さない。
実施の形態8においては、実施の形態1に係る情報処理装置によって処理される所望の特性を有する画像データが、生成モデルによって自動的に生成される構成について説明する。図35は、実施の形態8に係る情報処理装置8の機能構成を示すブロック図である。情報処理装置8の機能構成は、図1の情報処理装置1に画像生成部80および画像生成モデルθ2が追加されているとともに、学習部10が10Aに置き換えられた機能構成である。これら以外の情報処理装置8の機能構成は情報処理装置1と同様であるため、当該機能構成に関する説明を繰り返さない。
Claims (32)
- 特定空間における複数の数値データの分布を表現する画像データを処理する情報処理装置であって、
画像認識プログラムが保存された記憶部と、
前記画像認識プログラムを実行することにより前記画像データから前記複数の数値データに関する特定情報を抽出する推論部とを備え、
前記複数の数値データの各々は、当該数値データの種類ごとに形状または模様が異なる外観を有するシンボルであって、前記シンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置されている、情報処理装置。 - 前記記憶部には、学習済みの画像認識モデルがさらに保存され、
前記画像認識モデルは、画像フィルタおよびニューラルネットワークの少なくとも1つを含み、
前記推論部は、前記画像認識モデルを用いて前記特定情報を抽出する、請求項1に記載の情報処理装置。 - 前記画像データに対応する前記画像認識モデルの出力と前記画像データに対応する目標値との差を定義する損失関数が最小化するように前記画像データにノイズを重畳して前記画像データを更新する画像更新部をさらに備える、請求項2に記載の情報処理装置。
- 前記画像データから前記画像認識モデルを生成する学習部をさらに備える、請求項2または3に記載の情報処理装置。
- 前記記憶部には、前記画像データを生成する生成モデルがさらに保存され、
前記情報処理装置は、前記生成モデルを用いて前記画像データを生成するグラフ生成部をさらに備える、請求項1~4のいずれか1項に記載の情報処理装置。 - 前記生成モデルは、敵対的生成ネットワークを含む、請求項5に記載の情報処理装置。
- 前記複数の数値データは、前記特定空間に配置された少なくとも1つの物体にそれぞれ関連付けられ、
前記特定空間において前記複数の数値データの各々が関連付けられる位置は、当該数値データが関連付けられる物体が前記特定空間において配置されている位置であり、
前記外観は、前記シンボルに対応する数値データの大きさ、および当該数値データに関連する物体の種類に対応している、請求項1~6のいずれか1項に記載の情報処理装置。 - 前記シンボルは、前記大きさおよび前記種類の少なくとも一方を表す複数のドットの組合せを含む、請求項7に記載の情報処理装置。
- 前記シンボルは、前記大きさおよび前記シンボルの向きの少なくとも1つを示すサブシンボルを含む、請求項7または8に記載の情報処理装置。
- 前記特定空間は、少なくとも1つの回路部品が実装されるプリント基板上の2次元平面を表し、
前記シンボルは、前記少なくとも1つの回路部品のいずれかに対応する、請求項7~9のいずれか1項に記載の情報処理装置。 - 前記特定空間は、少なくとも1つのセンサが配置される3次元空間を表し、
前記シンボルは、前記少なくとも1つのセンサのいずれかに対応する、請求項7~9のいずれか1項に記載の情報処理装置。 - 前記複数の数値データの各々は、少なくとも1つのパラメータを含み、
前記画像データは、前記少なくとも1つのパラメータにそれぞれ対応する少なくとも1つの座標軸を有するグラフを含む、請求項1~4のいずれか1項に記載の情報処理装置。 - 前記複数の数値データから前記グラフを生成するグラフ生成部をさらに備える、請求項12に記載の情報処理装置。
- 前記グラフは、2次元以上の散布図を含む、請求項13に記載の情報処理装置。
- 前記グラフ生成部は、
前記2次元以上の散布図に対してクラスタリングを行って前記2次元以上の散布図を複数の境界領域に分割し、
前記少なくとも1つのパラメータの各々に対して一様分布を生成し、
前記一様分布を前記複数の境界領域に適用して、前記2次元以上の散布図を更新する、請求項14に記載の情報処理装置。 - 前記複数の数値データは、第1パラメータと、第2パラメータとを含み、
前記数値データから生成されたグラフは、前記第1パラメータと前記第2パラメータとの関係を表す第1散布図を含み、
前記推論部は、
前記第1散布図から、平行な第1包絡線および第2包絡線を抽出し、
前記第1包絡線および前記第2包絡線の傾きから、前記第1パラメータを表す、前記第1パラメータと前記第2パラメータとの第1関係式を導出する、請求項12~15のいずれか1項に記載の情報処理装置。 - 前記複数の数値データは、第3パラメータと、第4パラメータとをさらに含み、
前記推論部は、
前記第3パラメータおよび前記第4パラメータの少なくとも一方に対する特定演算、または前記第3パラメータおよび前記特定演算から取得される第5パラメータの少なくとも一方に対する前記特定演算から取得される値の対数から、前記第3パラメータと前記第4パラメータとの関係、または前記第3パラメータと前記第5パラメータとの関係を表す第2散布図を生成し、
前記第2散布図から、平行な第3包絡線および第4包絡線を抽出し、
前記第3包絡線および前記第4包絡線の傾きから、前記第3パラメータと前記第4パラメータとの関係式、または前記第3パラメータと前記第5パラメータとの関係式を導出する、請求項12~16のいずれか1項に記載の情報処理装置。 - 前記少なくとも1つのパラメータは、目的変数を含み、
前記目的変数に対する前記少なくとも1つのパラメータの重要性の順位を用いて、前記少なくとも1つのパラメータの次元削減を行う次元削減部をさらに備える、請求項12~17のいずれか1項に記載の情報処理装置。 - 前記次元削減部は、摂動法を用いて前記順位を算出する、請求項18に記載の情報処理装置。
- 前記少なくとも1つのパラメータは、シミュレーション条件に関するパラメータ、実験の観測条件に関するパラメータ、または機械学習のハイパーパラメータを含む、請求項12~17のいずれか1項に記載の情報処理装置。
- 前記複数の数値データは、目的変数を含み、
前記画像更新部は、友好的攻撃によって前記画像データを更新し、
前記推論部は、前記友好的攻撃によって更新された前記画像データから前記画像認識モデルを用いて前記目的変数を抽出する、請求項3に記載の情報処理装置。 - 前記画像認識モデルは、ユーザ毎に指定された画像データを学習データとする転移学習によって生成される、請求項21に記載の情報処理装置。
- 特定空間における複数の数値データの分布を表現する画像データを処理する情報処理装置であって、
前記画像データから前記複数の数値データに関する特定情報を抽出する画像認識モデルが保存された記憶部と、
前記画像認識モデルを学習済みモデルとする学習部とを備え、
前記複数の数値データの各々は、当該数値データの種類ごとに形状または模様が異なる外観を有するシンボルであって、前記シンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置されている、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
画像認識プログラムが保存された記憶部と、
前記画像認識プログラムを実行することにより前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する推論部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置され、
前記記憶部には、学習済みの画像認識モデルがさらに保存され、
前記推論部は、前記画像認識モデルを用いて前記特定情報を抽出し、
前記画像データに対応する前記画像認識モデルの出力と前記画像データに対応する目標値との差を定義する損失関数が最小化するように前記画像データにノイズを重畳して前記画像データを更新する画像更新部をさらに備える、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
画像認識プログラムが保存された記憶部と、
前記画像認識プログラムを実行することにより前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する推論部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置され、
前記記憶部には、前記画像データを生成する生成モデルがさらに保存され、
前記情報処理装置は、前記生成モデルを用いて前記画像データを生成するグラフ生成部をさらに備える、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
画像認識プログラムが保存された記憶部と、
前記画像認識プログラムを実行することにより前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する推論部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置され、
前記少なくとも1つの数値データは、前記特定空間に配置された少なくとも1つの物体にそれぞれ関連付けられ、
前記特定空間において前記少なくとも1つの数値データの各々が関連付けられる位置は、当該数値データが関連付けられる物体が前記特定空間において配置されている位置であり、
前記外観は、前記シンボルに対応する数値データの大きさ、および当該数値データに関連する物体の種類に対応している、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
画像認識プログラムが保存された記憶部と、
前記画像認識プログラムを実行することにより前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する推論部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置され、
前記少なくとも1つの数値データの各々は、少なくとも1つのパラメータを含み、
前記画像データは、前記少なくとも1つのパラメータにそれぞれ対応する少なくとも1つの座標軸を有するグラフを含む、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する画像認識モデルが保存された記憶部と、
前記画像認識モデルを学習済みモデルとする学習部と、
前記画像データに対応する前記画像認識モデルの出力と前記画像データに対応する目標値との差を定義する損失関数が最小化するように前記画像データにノイズを重畳して前記画像データを更新する画像更新部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置されている、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する画像認識モデル、および前記画像データを生成する生成モデルが保存された記憶部と、
前記画像認識モデルを学習済みモデルとする学習部と、
前記生成モデルを用いて前記画像データを生成するグラフ生成部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置されている、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する画像認識モデルが保存された記憶部と、
前記画像認識モデルを学習済みモデルとする学習部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置され、
前記少なくとも1つの数値データは、前記特定空間に配置された少なくとも1つの物体にそれぞれ関連付けられ、
前記特定空間において前記少なくとも1つの数値データの各々が関連付けられる位置は、当該数値データが関連付けられる物体が前記特定空間において配置されている位置であり、
前記外観は、前記シンボルに対応する数値データの大きさ、および当該数値データに関連する物体の種類に対応している、情報処理装置。 - 特定空間における少なくとも1つの数値データの分布を表現する画像データを処理する情報処理装置であって、
前記画像データから前記少なくとも1つの数値データに関する特定情報を抽出する画像認識モデルが保存された記憶部と、
前記画像認識モデルを学習済みモデルとする学習部とを備え、
前記少なくとも1つの数値データの各々に対応する外観を有するシンボルは、前記特定空間において当該数値データに関連付けられた対象が前記特定空間内に占める領域に配置され、
前記少なくとも1つの数値データの各々は、少なくとも1つのパラメータを含み、
前記画像データは、前記少なくとも1つのパラメータにそれぞれ対応する少なくとも1つの座標軸を有するグラフを含む、情報処理装置。 - 同じ種類の前記数値データに対して、三角形および四角形を含む多角形ならびに円および楕円を含む多角形以外の形状のうちの一つが選択されて前記シンボルとして定義され、
前記シンボルは、前記特定空間において、前記数値データが占める領域の重心座標または前記数値データが占める領域内の任意の点の座標に配置される、請求項1~31のいずれか1項に記載の情報処理装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/020708 WO2022254528A1 (ja) | 2021-05-31 | 2021-05-31 | 情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7069435B1 true JP7069435B1 (ja) | 2022-05-17 |
JPWO2022254528A1 JPWO2022254528A1 (ja) | 2022-12-08 |
Family
ID=81607966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021563348A Active JP7069435B1 (ja) | 2021-05-31 | 2021-05-31 | 情報処理装置 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4328854A4 (ja) |
JP (1) | JP7069435B1 (ja) |
CN (1) | CN117377968A (ja) |
WO (1) | WO2022254528A1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018124639A (ja) * | 2017-01-30 | 2018-08-09 | 日本電気株式会社 | データ分析システム、データ分析方法およびプログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10867224B2 (en) * | 2016-09-28 | 2020-12-15 | 3M Innovative Properties Company | Occlusion-resilient optical codes for machine-read articles |
JP6877978B2 (ja) | 2016-12-06 | 2021-05-26 | 日本電気通信システム株式会社 | 学習装置、学習方法およびプログラム |
JP6964857B2 (ja) * | 2017-03-28 | 2021-11-10 | 国立大学法人神戸大学 | 画像認識装置、画像認識方法、コンピュータプログラム、及び製品監視システム |
JP6757378B2 (ja) * | 2018-08-28 | 2020-09-16 | 株式会社モルフォ | 画像識別装置、画像識別方法及び画像識別プログラム |
US20220036140A1 (en) * | 2018-09-26 | 2022-02-03 | Riken | Classification device, classification method, program, and information recording medium |
-
2021
- 2021-05-31 CN CN202180098589.1A patent/CN117377968A/zh active Pending
- 2021-05-31 JP JP2021563348A patent/JP7069435B1/ja active Active
- 2021-05-31 EP EP21944036.9A patent/EP4328854A4/en active Pending
- 2021-05-31 WO PCT/JP2021/020708 patent/WO2022254528A1/ja active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018124639A (ja) * | 2017-01-30 | 2018-08-09 | 日本電気株式会社 | データ分析システム、データ分析方法およびプログラム |
Non-Patent Citations (2)
Title |
---|
遠藤 結城 ほか,移動手段推定のための表現学習を用いたGPSログからの特徴抽出,情報処理学会論文誌 データベース(TOD) [online],情報処理学会,2015年,第8巻, 第3号,pp.12-23,[検索日 2015.12.25], インターネット:<URL:https://ipsj.ixsq.nii.ac.jp/ej/?action=repository_uri&item_id=145433&file_id=1&file_no=1> |
遠藤 結城 ほか: "移動手段推定のための表現学習を用いたGPSログからの特徴抽出", 情報処理学会論文誌 データベース(TOD) [ONLINE], vol. 第8巻, 第3号, JPN6021027038, 2015, pages 12 - 23, ISSN: 0004698241 * |
Also Published As
Publication number | Publication date |
---|---|
CN117377968A (zh) | 2024-01-09 |
EP4328854A1 (en) | 2024-02-28 |
JPWO2022254528A1 (ja) | 2022-12-08 |
EP4328854A4 (en) | 2024-05-01 |
WO2022254528A1 (ja) | 2022-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angra et al. | Machine learning and its applications: A review | |
Kannan et al. | Effective fuzzy c-means clustering algorithms for data clustering problems | |
Babichev et al. | An evaluation of the objective clustering inductive technology effectiveness implemented using density-based and agglomerative hierarchical clustering algorithms | |
US20130177235A1 (en) | Evaluation of Three-Dimensional Scenes Using Two-Dimensional Representations | |
Yang et al. | Object matching with hierarchical skeletons | |
CN113272827A (zh) | 卷积神经网络中分类决策的验证 | |
Iqbal et al. | Learning feature fusion strategies for various image types to detect salient objects | |
Chew et al. | Large-scale 3D point-cloud semantic segmentation of urban and rural scenes using data volume decomposition coupled with pipeline parallelism | |
JP2019191895A (ja) | データ分析システム及びデータ分析方法 | |
Hamidzadeh et al. | Identification of uncertainty and decision boundary for SVM classification training using belief function | |
CN107609507B (zh) | 基于特征张量和支持张量机的遥感图像目标识别方法 | |
Tsai et al. | Machine learning based common radiologist-level pneumonia detection on chest X-rays | |
Cirrincione et al. | The growing curvilinear component analysis (GCCA) neural network | |
Pinjarkar et al. | Deep CNN combined with relevance feedback for trademark image retrieval | |
Kar et al. | Tropical cyclones classification from satellite images using blocked local binary pattern and histogram analysis | |
Liu et al. | Adaptive image segmentation by using mean‐shift and evolutionary optimisation | |
Zeybek | Inlier point preservation in outlier points removed from the ALS point cloud | |
JP7069435B1 (ja) | 情報処理装置 | |
CN115937568B (zh) | 一种玄武岩构造背景分类方法、系统、装置及存储介质 | |
Feng et al. | Fuzzy clustering image segmentation based on particle swarm optimization | |
Berikov et al. | On a weakly supervised classification problem | |
Shukla et al. | Automated face retrieval using bag-of-features and sigmoidal grey wolf optimization | |
Kurniati et al. | GLCM-Based Feature Combination for Extraction Model Optimization in Object Detection Using Machine Learning | |
Ramathilaga et al. | Two novel fuzzy clustering methods for solving data clustering problems | |
Tamura et al. | Time series classification using macd-histogram-based recurrence plot |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211025 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211025 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211025 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220201 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220302 |
|
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: 20220405 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220502 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7069435 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |