JP7119774B2 - 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 - Google Patents
学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 Download PDFInfo
- Publication number
- JP7119774B2 JP7119774B2 JP2018159651A JP2018159651A JP7119774B2 JP 7119774 B2 JP7119774 B2 JP 7119774B2 JP 2018159651 A JP2018159651 A JP 2018159651A JP 2018159651 A JP2018159651 A JP 2018159651A JP 7119774 B2 JP7119774 B2 JP 7119774B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- intermediate output
- neural network
- classification
- images
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
図1-1、図1-2は、実施形態にかかる画像分類装置の機能構成例を示すブロック図である。具体的には、図1-1は、分類原因の推定を行うための、ベイジアンネットワークに関するベイジアンネットワーク構築情報14aを生成する学習時(運用準備時)に関する機能構成例を示す図である。また、図1-2は、生成したベイジアンネットワーク構築情報14aを適用した原因推定器17により、画像分類器12における分類原因を推定する運用時に関する機能構成例を示す図である。
出力を得ているが、9×9×3のデータに3×3×3のフィルタを畳み込んだ場合も出力は7×7×1になる。また、CNNの設計で、各畳み込み層には出力のチャネル数が設定される。例えば、入力が3chで出力が64chの場合は、この層で3枚1組の畳み込みフィルタが64組用いられることを示し、各組の出力の最大値である中間出力も64個存在することになる。
YTL,YTS=(Yellow)が(True)の教師画像10aで、中間出力のクラス分類がLになった数とSになった数
YFL,YFS=(Yellow)が(False)の教師画像10aで、中間出力のクラス分類がLになった数とSになった数
YTL=YellowがTrueの画像群のうち、中間出力-nでクラス分類がLになった枚数
YTM=YellowがTrueの画像群のうち、中間出力-nでクラス分類がMになった枚数
YTS=YellowがTrueの画像群のうち、中間出力-nでクラス分類がSになった枚数
YTT=YTL+YTM+YTS=YellowがTrueの画像群の総枚数
YFL=YellowがFalseの画像群のうち、中間出力-nでクラス分類がLになった枚数
YFM=YellowがFalseの画像群のうち、中間出力-nでクラス分類がMになった枚数
YFS=YellowがFalseの画像群のうち、中間出力-nでクラス分類がSになった枚数
YFT=YFL+YFM+YFS=YellowがFalseの画像群の総枚数
P(YT|I1L,I2S)=P(YT|I1L)*P(YT|I2S)=(P(I1L|YT)*P(YT)/P(I1L))*(P(I2S|YT)*P(YT)/P(I2S))
P(YF|I1L,I2S)=P(YF|I1L)*P(YF|I2S)=(P(I1L|YF)*P(YF)/P(I1L))*(P(I2S|YF)*P(YF)/P(I2S))
次に、りんごの等級分類に画像分類装置1を適用した具体例を説明する。各りんごの市場価値の目安として、大きさを示す階級と、品質を示す等級とがある。階級は重さからほぼ自明であるが、等級は、色、形、傷の有無など、様々な原因が影響する。したがって、ある等級に分類された原因が解析できると、原因に対応した農薬散布、剪定などの栽培方針を決めることができ、等級のより高いりんごの大量生産が望めることとなる。
・色の原因を含む優の画像群(色に問題があり優になっている):50枚
・色の原因を含まない優の画像群(優ではあるが色が問題ではない):50枚
・形の原因を含む優の画像群(形に問題があり優になっている):50枚
・形の原因を含まない優の画像群(優ではあるが形が問題ではない):50枚
・傷の原因を含む優の画像群(傷があることで優になっている):50枚
・傷の原因を含まない優の画像群(優ではあるが傷が問題ではない):50枚
寄与指数=(max(CTL,CTS)/min(CTL,CTS))×( max(CFL,CFS)/min(CFL,CFS))
1:conv2d_1_1
2:conv2d_1_0
使用しない:conv2d_1_2
以上のように、画像分類装置1は、学習時(運用準備時)において、学習制御部11の制御のもと、分類の特徴となる所定の特徴部分が含まれる画像群と、特徴部分が含まれない画像群とを含む複数の教師画像10aを画像記憶部10より読み出す。次いで、画像分類装置1は、読み出した各教師画像10aを、画像を分類するニューラルネットワークである画像分類器12に入力する。画像分類装置1の中間出力抽出部13は、各教師画像10aを入力した画像分類器12のニューラルネットワークの中間層における中間出力をクラス分けする。画像分類装置1の情報生成部14は、各教師画像10aにおける中間出力のクラス分け結果をもとに、ニューラルネットワークの中間出力がいずれのクラスであるかを条件として所定の特徴から分類結果に至る因果関係を示す情報を生成する。具体的には、情報生成部14は、各教師画像10aにおける中間出力のクラス分け結果をもとに中間出力のクラスごとの条件付確率表を求めて因果関係を確率で記述したベイジアンネットワークに関するベイジアンネットワーク構築情報14aを生成する。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、任意に変更することができる。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更することができる。
前記各画像を入力したニューラルネットワークの中間層における中間出力をクラス分けし、
前記各画像における中間出力のクラス分け結果をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として前記所定の特徴から分類結果に至る因果関係を示す情報を生成する、
処理をコンピュータに実行させることを特徴とする学習プログラム。
ことを特徴とする付記1に記載の学習プログラム。
前記生成する処理は、前記中間出力それぞれについて計算した評価値に基づき、複数の前記中間出力の中で前記ベイジアンネットワークに組み入れる中間出力を選別する、
ことを特徴とする付記2に記載の学習プログラム。
ことを特徴とする付記1乃至3のいずれか一に記載の学習プログラム。
前記中間出力は、畳み込み層からの出力である、
ことを特徴とする付記1乃至4のいずれか一に記載の学習プログラム。
前記ニューラルネットワークの中間層から得られた中間出力をクラス分けし、
クラス分けした前記中間出力をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として所定の特徴から分類結果に至る因果関係を示す情報を参照して前記対象画像の入力に対する前記ニューラルネットワークの分類結果が前記所定の特徴を原因とする確度を計算し、
計算した前記確度を出力する、
処理をコンピュータに実行させることを特徴とする画像分類プログラム。
前記各画像を入力したニューラルネットワークの中間層における中間出力をクラス分けし、
前記各画像における中間出力のクラス分け結果をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として前記所定の特徴から分類結果に至る因果関係を示す情報を生成する、
処理をコンピュータが実行することを特徴とする学習方法。
ことを特徴とする付記7に記載の学習方法。
前記生成する処理は、前記中間出力それぞれについて計算した評価値に基づき、複数の前記中間出力の中で前記因果関係を示す情報に組み入れる中間出力を選別する、
ことを特徴とする付記8に記載の学習方法。
ことを特徴とする付記7乃至9のいずれか一に記載の学習方法。
前記中間出力は、畳み込み層からの出力である、
ことを特徴とする付記7乃至10のいずれか一に記載の学習方法。
前記ニューラルネットワークの中間層から得られた中間出力をクラス分けし、
クラス分けした前記中間出力をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として所定の特徴から分類結果に至る因果関係を示す情報を参照して前記対象画像の入力に対する前記ニューラルネットワークの分類結果が前記所定の特徴を原因とする確度を計算し、
計算した前記確度を出力する、
処理をコンピュータが実行することを特徴とする画像分類方法。
前記各画像を入力したニューラルネットワークの中間層における中間出力をクラス分けするクラス分け部と、
前記各画像における中間出力のクラス分け結果をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として前記所定の特徴から分類結果に至る因果関係示す情報を生成する生成部と、
を有することを特徴とする学習装置。
ことを特徴とする付記13に記載の学習装置。
前記生成部は、前記中間出力それぞれについて計算した評価値に基づき、複数の前記中間出力の中で前記因果関係を示す情報に組み入れる中間出力を選別する、
ことを特徴とする付記14に記載の学習装置。
ことを特徴とする付記13乃至15のいずれか一に記載の学習装置。
前記中間出力は、畳み込み層からの出力である、
ことを特徴とする付記13乃至16のいずれか一に記載の学習装置。
前記ニューラルネットワークの中間層から得られた中間出力をクラス分けするクラス分け部と、
クラス分けした前記中間出力をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として所定の特徴から分類結果に至る因果関係を示す情報を参照して前記対象画像の入力に対する前記ニューラルネットワークの分類結果が前記所定の特徴を原因とする確度を計算する計算部と、
計算した前記確度を出力する出力部と、
を有することを特徴とする画像分類装置。
2…携帯端末
10…画像記憶部
10a…教師画像
10b…分類結果
10c、10d…中間出力
11…学習制御部
12…画像分類器
12a…畳み込みフィルタ
13…中間出力抽出部
13a…各画像中間出力群
13b…対象画像中間出力群
14…情報生成部
14a…ベイジアンネットワーク構築情報
15…画像分類制御部
15a…対象画像
16…構築部
17…原因推定器
17a…原因推定器(色原因)
17b…原因推定器(形原因)
17c…原因推定器(傷原因)
18…出力部
18a…原因推定結果
18b…結果マップ
19…平均値等ストレージ
20…ベイジアンネットワーク
21~23…ノード
30…ニューラルネットワーク
31~40…畳み込み層
50…中間値ファイル
51…計算結果ファイル
52a~52c…中間出力リスト
53…クラス分類テーブル
60…カメラ
61…GPS
62…写真ストレージ
200…コンピュータ
201…CPU
202…入力装置
203…モニタ
204…スピーカ
205…媒体読取装置
206…インタフェース装置
207…通信装置
208…RAM
209…ハードディスク装置
210…バス
211…プログラム
212…各種データ
H…ユーザ
Claims (10)
- 画像を分類するニューラルネットワークに対し、分類の特徴となる所定の特徴部分が含まれる画像群と、前記特徴部分が含まれない画像群とを含む教師画像群の各画像を入力し、
前記各画像を入力したニューラルネットワークの中間層における中間出力をクラス分けし、
前記各画像における中間出力のクラス分け結果をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として前記所定の特徴から分類結果に至る因果関係を示す情報を生成する、
処理をコンピュータに実行させることを特徴とする学習プログラム。 - 前記クラス分けする処理は、前記中間層における複数の中間出力の平均を基準としてクラス分けを行う、
ことを特徴とする請求項1に記載の学習プログラム。 - 前記クラス分けする処理は、前記所定の特徴部分が含まれる画像群の前記中間出力それぞれについて各クラスへ分けられた数と、前記所定の特徴部分が含まれない画像群の前記中間出力それぞれについて各クラスへ分けられた数とに基づき、前記所定の特徴に関連する反応の強さを評価する評価値を計算し、
前記生成する処理は、前記中間出力それぞれについて計算した評価値に基づき、複数の前記中間出力の中で前記因果関係を示す情報に組み入れる中間出力を選別する、
ことを特徴とする請求項2に記載の学習プログラム。 - 前記生成する処理は、前記各画像における中間出力のクラス分け結果をもとに前記中間出力のクラスごとの条件付確率表を求めて前記因果関係を確率で記述したベイジアンネットワークに関する情報を生成する、
ことを特徴とする請求項1乃至3のいずれか一項に記載の学習プログラム。 - 前記ニューラルネットワークは、畳み込みニューラルネットワークであり、
前記中間出力は、畳み込み層からの出力である、
ことを特徴とする請求項1乃至4のいずれか一項に記載の学習プログラム。 - 画像を分類するニューラルネットワークに分類の対象画像を入力し、
前記ニューラルネットワークの中間層から得られた中間出力をクラス分けし、
クラス分けした前記中間出力をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として所定の特徴から分類結果に至る因果関係を示す情報を参照して前記対象画像の入力に対する前記ニューラルネットワークの分類結果が前記所定の特徴を原因とする確度を計算し、
計算した前記確度を出力する、
処理をコンピュータに実行させることを特徴とする画像分類プログラム。 - 画像を分類するニューラルネットワークに対し、分類の特徴となる所定の特徴部分が含まれる画像群と、前記特徴部分が含まれない画像群とを含む教師画像群の各画像を入力し、
前記各画像を入力したニューラルネットワークの中間層における中間出力をクラス分けし、
前記各画像における中間出力のクラス分け結果をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として前記所定の特徴から分類結果に至る因果関係を示す情報を生成する、
処理をコンピュータが実行することを特徴とする学習方法。 - 画像を分類するニューラルネットワークに分類の対象画像を入力し、
前記ニューラルネットワークの中間層から得られた中間出力をクラス分けし、
クラス分けした前記中間出力をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として所定の特徴から分類結果に至る因果関係を示す情報を参照して前記対象画像の入力に対する前記ニューラルネットワークの分類結果が前記所定の特徴を原因とする確度を計算し、
計算した前記確度を出力する、
処理をコンピュータが実行することを特徴とする画像分類方法。 - 画像を分類するニューラルネットワークに対し、分類の特徴となる所定の特徴部分が含まれる画像群と、前記特徴部分が含まれない画像群とを含む教師画像群の各画像を入力する入力部と、
前記各画像を入力したニューラルネットワークの中間層における中間出力をクラス分けするクラス分け部と、
前記各画像における中間出力のクラス分け結果をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として前記所定の特徴から分類結果に至る因果関係を示す情報を生成する生成部と、
を有することを特徴とする学習装置。 - 画像を分類するニューラルネットワークに分類の対象画像を入力する入力部と、
前記ニューラルネットワークの中間層から得られた中間出力をクラス分けするクラス分け部と、
クラス分けした前記中間出力をもとに、前記ニューラルネットワークの中間出力がいずれのクラスであるかを条件として所定の特徴から分類結果に至る因果関係を示す情報を参照して前記対象画像の入力に対する前記ニューラルネットワークの分類結果が前記所定の特徴を原因とする確度を計算する計算部と、
計算した前記確度を出力する出力部と、
を有することを特徴とする画像分類装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159651A JP7119774B2 (ja) | 2018-08-28 | 2018-08-28 | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159651A JP7119774B2 (ja) | 2018-08-28 | 2018-08-28 | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020035103A JP2020035103A (ja) | 2020-03-05 |
JP7119774B2 true JP7119774B2 (ja) | 2022-08-17 |
Family
ID=69668219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018159651A Active JP7119774B2 (ja) | 2018-08-28 | 2018-08-28 | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7119774B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111755118B (zh) * | 2020-03-16 | 2024-03-08 | 腾讯科技(深圳)有限公司 | 医疗信息处理方法、装置、电子设备及存储介质 |
JP7517093B2 (ja) | 2020-11-09 | 2024-07-17 | 富士通株式会社 | データ生成プログラム、データ生成方法および情報処理装置 |
CN113674856B (zh) * | 2021-04-15 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学数据处理方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5342191B2 (ja) | 2007-08-14 | 2013-11-13 | ゼネラル・エレクトリック・カンパニイ | ガスタービンにおける燃焼ライナ止め具 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05342191A (ja) * | 1992-06-08 | 1993-12-24 | Mitsubishi Electric Corp | 経済時系列データ予測及び解析システム |
EP3291146A1 (en) * | 2016-09-05 | 2018-03-07 | Fujitsu Limited | Knowledge extraction from a convolutional neural network |
JP7032623B2 (ja) * | 2017-10-31 | 2022-03-09 | 株式会社デンソー | 推論装置、推論方法及びプログラム |
-
2018
- 2018-08-28 JP JP2018159651A patent/JP7119774B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5342191B2 (ja) | 2007-08-14 | 2013-11-13 | ゼネラル・エレクトリック・カンパニイ | ガスタービンにおける燃焼ライナ止め具 |
Also Published As
Publication number | Publication date |
---|---|
JP2020035103A (ja) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6873237B2 (ja) | 画像ベースの車両損害評価方法、装置、およびシステム、ならびに電子デバイス | |
CN109918969B (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
RU2571545C1 (ru) | Классификация изображений документов на основании контента | |
JP7119774B2 (ja) | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 | |
US20150278710A1 (en) | Machine learning apparatus, machine learning method, and non-transitory computer-readable recording medium | |
CN106295666B (zh) | 获取分类器、检测对象的方法和装置及图像处理设备 | |
WO2016107103A1 (zh) | 图像主体区域的识别方法及装置 | |
JP2019145040A (ja) | 特徴表現装置、特徴表現方法、およびプログラム | |
WO2014174932A1 (ja) | 画像処理装置、プログラム及び画像処理方法 | |
JP5899179B2 (ja) | 人物認識装置、人物認識方法、人物認識プログラムおよびその記録媒体 | |
CN111767878B (zh) | 嵌入式设备中基于深度学习的交通标志检测方法及系统 | |
CN108776819A (zh) | 一种目标识别方法、移动终端及计算机可读存储介质 | |
US9418440B2 (en) | Image segmenting apparatus and method | |
CN110033481A (zh) | 用于进行图像处理的方法和设备 | |
Li et al. | Robust vehicle detection in high-resolution aerial images with imbalanced data | |
CN109543647B (zh) | 一种道路异常识别方法、装置、设备及介质 | |
CN104182722B (zh) | 文本检测方法和装置以及文本信息提取方法和系统 | |
JP2018072938A (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 | |
JP6937508B2 (ja) | 画像処理システム、評価モデル構築方法、画像処理方法及びプログラム | |
US20190332898A1 (en) | Information processing apparatus for training neural network for recognition task and method thereof | |
CN103824090A (zh) | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 | |
CN103793717A (zh) | 判断图像主体显著性及训练其分类器的方法和系统 | |
CN110689440A (zh) | 基于图片识别的车险理赔识别方法、装置、计算机设备及存储介质 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN115578616A (zh) | 多尺度物体实例分割模型的训练方法、分割方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210513 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220526 |
|
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: 20220705 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220718 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7119774 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |