JP7157320B2 - 学習データ生成装置、学習データ生成方法およびプログラム - Google Patents

学習データ生成装置、学習データ生成方法およびプログラム Download PDF

Info

Publication number
JP7157320B2
JP7157320B2 JP2018174580A JP2018174580A JP7157320B2 JP 7157320 B2 JP7157320 B2 JP 7157320B2 JP 2018174580 A JP2018174580 A JP 2018174580A JP 2018174580 A JP2018174580 A JP 2018174580A JP 7157320 B2 JP7157320 B2 JP 7157320B2
Authority
JP
Japan
Prior art keywords
learning data
noise
learning
road surface
data
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
Application number
JP2018174580A
Other languages
English (en)
Other versions
JP2020046528A (ja
Inventor
雄貴 蔵内
直人 阿部
宏志 小西
仁志 瀬下
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2018174580A priority Critical patent/JP7157320B2/ja
Priority to US17/277,117 priority patent/US20220114391A1/en
Priority to PCT/JP2019/035167 priority patent/WO2020059538A1/ja
Publication of JP2020046528A publication Critical patent/JP2020046528A/ja
Application granted granted Critical
Publication of JP7157320B2 publication Critical patent/JP7157320B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice

Description

本発明は、学習データ生成装置、学習データ生成方法およびプログラムに関する。
歩道あるいは車道などの路面上を移動する自動車、歩行者、車椅子などの移動体に搭載されたセンサを用いて、移動体が移動する路面の状況（段差、勾配など）を推定する技術が検討されている（例えば、非特許文献１，２参照）。
宮田章裕、荒木伊織、王統順、鈴木天詩、「健常歩行者センサデータを用いたバリア検出の基礎検討」、ＩＰＳＪ論文誌(2018) 「高速バスに載せたスマホの加速度センサーで路面の凹凸を検知、検証試験を実施」、［online］、［２０１８年９月４日検索］、インターネット＜ＵＲＬ：https://sgforum.impress.co.jp/news/3595＞
上述したような路面の状況の推定は、学習データを用いた機械学習により構築されたモデルを用いて行われることが多い。しかしながら、学習データを用いた機械学習には、十分な学習精度が得られないことがある、また、機械学習のために多くの学習データが必要となり、コストの増大を招くといった問題がある。
上記のような問題点に鑑みてなされた本発明の目的は、コストの増大を抑制しつつ、高精度な学習が可能な学習データを生成することができる学習データ生成装置、学習データ生成方法およびプログラムを提供することにある。
上記課題を解決するため、本発明に係る学習データ生成装置は、機械学習に用いられる学習データがノイズを含むか否かを判定し、前記ノイズを含まないと判定した学習データを、ノイズ無し学習データとして、前記機械学習に用いられる学習データを統合した統合学習データに追加するとともに、前記ノイズを含むと判定した学習データを、ノイズ有り学習データとして、前記統合学習データに追加するノイズ判定部と、前記ノイズ判定部によりノイズを含まないと判定された学習データにノイズを追加して、前記ノイズ有りデータとして、前記統合学習データに追加するノイズ追加部とを備える。
また、上記課題を解決するため、本発明に係る学習データ生成方法は、学習データ生成装置における学習データ生成方法であって、機械学習に用いられる学習データがノイズを含むか否かを判定し、前記ノイズを含まないと判定した学習データを、ノイズ無し学習データとして、前記機械学習に用いられる学習データを統合した統合学習データに追加するとともに、前記ノイズを含むと判定した学習データを、ノイズ有り学習データとして、前記統合学習データに追加するステップと、前記ノイズを含まないと判定された学習データにノイズを追加して、前記ノイズ有りデータとして、前記統合学習データに追加するステップと、を含む。
また、上記課題を解決するため、本発明に係るプログラムは、コンピュータを上記の学習データ生成装置として機能させる。
本発明に係る学習データ生成装置、学習データ生成方法およびプログラムによれば、コストの増大を抑制しつつ、高精度な学習が可能な学習データを生成することができる。
本発明の一実施形態に係る学習データ生成装置の構成例を示す図である。 図１に示す学習データ生成装置を含む推定システムの構成例を示す図である。 図１に示す学習データ生成装置における学習データ生成方法について説明するためのフローチャートである。 図１に示すノイズ追加部の動作を概念的に示す図である。 図１に示すノイズ追加部によるノイズの追加を説明するための図である。 図１に示すノイズ追加部によるノイズの追加を説明するための図である。
以下、本発明を実施するための形態について、図面を参照しながら説明する。各図中、同一符号は、同一または同等の構成要素を示している。
図１は、本発明の一実施形態に係る学習データ生成装置１０の構成例を示す図である。本実施形態に係る学習データ生成装置１０は、機械学習に用いられる学習データを生成するものである。より具体的には、本実施形態に係る学習データ生成装置１０は、路面上を移動する自動車、歩行者、車椅子などの移動体に搭載されたセンサにより検出された、移動体が移動する路面の状況を示す路面データを含んで構成される学習データから、新たな学習データを生成するものである。
図１に示す学習データ生成装置１０は、ノイズ判定部１１と、ノイズ追加部１２と、統合学習データ記憶部１３とを備える。
ノイズ判定部１１は、移動体に搭載されたセンサ（加速度センサ、ジャイロセンサ、重力センサなど）により検出された路面データを含んで構成される学習データが判定対象の学習データとして入力される。路面データは、移動体が路面上を移動する期間におけるセンサの検出値であり、時系列データである。ノイズ判定部１１に入力される学習データは、例えば、所定期間における路面データに、その所定期間における路面の状況（平坦であるか、段差があるかなど）を示す教師ラベルが付与されたデータである。教師ラベルは、例えば、人手により付与される。なお、ノイズ判定部１１に入力される学習データには教師ラベルが付されておらず、ノイズ判定部１１による後述する判定後の任意のタイミングで教師ラベルが付されてもよい。
ノイズ判定部１１は、入力された判定対象の学習データ（路面データ）がノイズを含むか否かを判定する。一般に、移動体が粗い路面を走行する場合のセンサの検出値は、移動体が滑らかな路面を走行する場合のセンサの検出値と比べて、大きく変動する。すなわち、移動体が滑らかな路面を走行する期間では、路面データの変動は小さく、移動体が粗い路面を走行する期間では、路面データの変動は大きくなる。ノイズ判定部１１は、移動体が粗い路面を走行する期間の路面データのような、変動が大きい（例えば、変動が所定値よりも大きい）期間における路面データを含んで構成される学習データを、ノイズを含むと判定する。また、ノイズ判定部１１は、移動体が滑らかな路面を走行する期間の路面データのような、変動が小さい（例えば、変動が所定値よりも小さい）期間における路面データを含んで構成される学習データを、ノイズを含まないと判定する。すなわち、ノイズ判定部１１は、学習データの値（本実施形態においては、路面データの値）の変動の大きさに応じて、学習データがノイズを含むか否かを判定する。
ノイズ判定部１１は、判定対象の学習データがノイズを含むと判定した場合には、判定対象の学習データを、ノイズを含む学習データ（以下、「ノイズ有り学習データ」として、統合学習データ記憶部１３に記憶されている統合学習データに追加する。統合学習データとは、推定対象の種々の状態（本実施形態においては、路面の種々の状況）に対応する学習データを統合したものである。
ノイズ判定部１１は、判定対象の学習データがノイズを含まないと判定した場合には、判定対象の学習データを、ノイズを含まない学習データ（以下、「ノイズ無し学習データ」と称する）として、統合学習データに追加する。また、ノイズ判定部１１は、判定対象の学習データ（ノイズ無し学習データ）をノイズ追加部１２に出力する。
ノイズ追加部１２は、ノイズ判定部１１によりノイズを含まないと判定された学習データにノイズを追加し（路面データにノイズを追加し）、ノイズ有り学習データとして、統合学習データ記憶部１３に記憶されている統合学習データに追加する。すなわち、ノイズ追加部１２は、ノイズを含まないと判定された学習データにノイズを追加して新たな学習データを生成する。ノイズ追加部１２によるノイズの追加の詳細については後述する。
統合学習データ記憶部１３は、ノイズ判定部１１およびノイズ追加部１２から出力されたノイズ有り学習データ、および、ノイズ判定部１１から出力されたノイズ無し学習データを統合して、統合学習データとして記憶する。そして、統合学習データ記憶部１３は、所定量の学習データが記憶されると、記憶している統合学習データを出力する。
図２は、本実施形態に係る学習データ生成装置１０を含む推定システム１の構成例を示す図である。図２に示す推定システム１は、例えば、移動体が移動する路面の状況を推定するものである。
図２に示す推定システム１は、学習データ生成装置１０と、学習装置２０と、推定装置３０とを備える。上述したように、学習データ生成装置１０は、統合学習データを生成し、出力する。
学習装置２０は、学習部２１を備える。学習部２１は、学習データ生成装置１０により生成された学習データを用いて学習用モデル２２の機械学習を行い、学習済みモデル２３を構築する。学習用モデル２２としては、畳み込みニューラルネットワークを用いたモデル、ＳＶＭ（Support Vector Machine）など種々のモデルを用いることができる。
推定装置３０は、推定部３１を備える。推定部３１は、路面上を移動する移動体に搭載されたセンサにより検出された路面データが入力データとして入力される。推定部３１は、入力データを学習装置２０により構築された学習済みモデル２３に入力し、学習済みモデル２３の出力を、移動体が移動する路面の状況の推定結果として出力する。
このように、図２に示す推定システム１においては、学習データ生成装置１０は、統合学習データを生成し、学習装置２０は、その統合学習データを用いて、路面の状況を推定するための学習済みモデル２３を構築する。そして、推定装置３０は、構築された学習済みモデル２３を用いて、路面の状況を推定する。
図３は、本実施形態に係る学習データ生成装置１０における学習データ生成方法について説明するためのフローチャートである。
ノイズ判定部１１は、判定対象の学習データが入力されると（ステップＳ１１）、判定対象の学習データはノイズを含むか否かを判定する（ステップＳ１２）。
判定対象の学習データはノイズを含むと判定した場合には（ステップＳ１２：Ｙｅｓ）、ノイズ判定部１１は、判定対象の学習データをノイズ有り学習データとして統合学習データに追加する（ステップＳ１３）。
判定対象の学習データはノイズを含まないと判定した場合には（ステップＳ１２：Ｎｏ）、ノイズ判定部１１は、判定対象の学習データをノイズ無し学習データとして統合学習データに追加する（ステップＳ１４）。
ノイズ追加部１２は、ノイズ判定部１１によりノイズを含まないと判定された学習データに対してノイズを追加し（ステップＳ１５）、ノイズを追加した学習データを、ノイズ有り学習データとして統合学習データに追加する（ステップＳ１６）。
ノイズを含まない学習データは、例えば、移動体が移動する路面が滑らかである場合に対応する学習データである。ノイズ追加部１２は、この学習データに、図４に示すように、ノイズ（例えば、移動体が移動する路面に段差がある場合に対応するノイズ）を追加する。こうすることで、移動体が移動する路面が滑らかである場合に対応する学習データから、移動体が移動する路面に段差がある場合に対応する学習データを新たに生成することができる。したがって、学習データの生成のコストを抑制しつつ、十分な量の学習データを生成することができ、高精度な学習が可能となる。
図３を再び参照すると、ステップＳ１３あるいはステップＳ１６の処理の後、統合学習データ記憶部１３は、一定量以上の統合学習データが収集されたか否かを判定する（ステップＳ１７）。
一定量以上の統合学習データが収集されたと判定した場合には（ステップＳ１７：Ｙｅｓ）、統合学習データ記憶部１３は、記憶している統合学習データを出力し（ステップＳ１８）、処理を終了する。
一定量以上の統合学習データが収集されていないと判定された場合には（ステップＳ１７：Ｎｏ）、ステップＳ１１の処理に戻り、ノイズ判定部１１に新たな判定対象の学習データが入力される。
次に、ノイズ追加部１２によるノイズの追加について、図５Ａ，５Ｂを参照して説明する。
図５Ａは、ノイズの追加前の学習データ（路面データ）の一例を示す図である。また、図５Ｂは、ノイズの追加後の学習データ（路面データ）の一例を示す図である。図５Ａ，５Ｂにおいては、移動体に複数種類のセンサが搭載され、その複数種類のセンサそれぞれにより路面データが検出された例を示している。具体的には、図５Ａ，５Ｂにおいては、路面データとして、加速度センサにより３軸方向の加速度（加速度Ｘ、加速度Ｙ、加速度Ｚ）が検出され、ジャイロセンサによりロール軸、ピッチ軸およびヨー軸方向の加速度およびロール軸、ピッチ軸およびヨー軸方向の角速度（ジャイロ１軸、ジャイロ２軸、ジャイロ３軸、ジャイロ４軸、ジャイロ５軸、ジャイロ６軸）が検出され、重力センサにより重力による３軸方向の加速度（重力Ｘ、重力Ｙ、重力Ｚ）が検出された例を示している。
ノイズ追加部１２は、ノイズ無し学習データに対して、路面の凹凸などにより検出値が変動する鉛直方向にのみノイズを加えるのではなく、全方向にノイズを追加する。すなわち、ノイズ追加部１２は、路面データに対して、直交する３軸方向（Ｘ，Ｙ，Ｚ軸）それぞれについてノイズを追加する。こうすることで、路面データを検出するセンサを備えるデバイスの向きによらず、学習データから路面の状況を推定するモデルを構築することができる。
ノイズ追加部１２は、複数種類のセンサそれぞれについて、例えば、センサの検出値に対して、平均が０であり、分散がそのセンサの検出値の分散である正規分布に従うノイズを追加する。すなわち、ノイズ追加部１２は、ノイズ追加前のセンサの検出値をｘとし、ノイズ追加後の値をｘ’とし、そのセンサの検出値の分散をｓｔｄ＾２とすると、以下の式（１）に従い、ノイズを追加する。
ｘ’＝ｘ＋Ｎ（０，ｓｔｄ＾２） ・・・式（１）
なお、Ｎ（μ，σ＾２）は、平均がμであり、分散がσ＾２である正規分布に従うランダムな値を意味する。
上述したような正規分布に従うノイズを、直交する３軸方向それぞれに追加することで、ノイズの追加の前後で、平均および分散が大きく変わらないようにすることができる。なお、学習データに追加するノイズは、上述した正規分布に従わないノイズであってもよい。また、正規分布の分散は、センサの検出値の分散よりも大きい値であってもよい。
図５Ａに示す例では、加速度センサの検出値の分散は０．３１であり、ジャイロセンサの検出値の分散は０．３６であり、重力センサの検出値の分散は０．３０である。ノイズ追加部１２は、各センサの検出値の分散を用いて、式（１）に従い、各センサの検出値にノイズを追加する。すなわち、ノイズ追加部１２は、加速度センサの検出値に、平均が０であり、分散が０．３１である正規分布に従うノイズを追加する。また、ノイズ追加部１２は、ジャイロセンサの検出値に、平均が０であり、分散が０．３６である正規分布に従うノイズを追加する。また、ノイズ追加部１２は、重力センサの検出値に、平均が０であり、分散が０．３０である正規分布に従うノイズを追加する。ノイズの追加後の学習データを図５Ｂに示す。
このように本実施形態においては、学習データ生成装置１０は、機械学習に用いられる学習データがノイズを含むか否かを判定するノイズ判定部１１と、ノイズ判定部１１によりノイズを含まないと判定された学習データにノイズを追加して新たな学習データを生成するノイズ追加部１２とを備える。
ノイズを含まないと判定された学習データにノイズを追加して新たな学習データを生成することで、学習データの生成のコストを抑制しつつ、十分な量の学習データを生成することができ、高精度な学習が可能となる。
なお、本実施形態においては、学習データ生成装置１０は、移動体に搭載されたセンサにより検出された路面データから学習データを生成する例を用いて説明したが、本発明はこれに限られるものではない。学習データ生成装置１０は、ノイズを含み得る種々のデータから学習データを生成することができる。
以上、学習データ生成装置１０について説明したが、学習データ生成装置１０として機能させるために、コンピュータを用いることも可能である。そのようなコンピュータは、学習データ生成装置１０の各機能を実現する処理内容を記述したプログラムを、該コンピュータの記憶部に格納しておき、該コンピュータのＣＰＵによってこのプログラムを読み出して実行させることで実現することができる。
また、プログラムは、コンピュータが読取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ－ＲＯＭおよびＤＶＤ－ＲＯＭなどの記録媒体であってもよい。
上述の実施形態は代表的な例として説明したが、本発明の趣旨および範囲内で、多くの変更および置換が可能であることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、特許請求の範囲から逸脱することなく、種々の変形および変更が可能である。例えば、実施形態の構成図に記載の複数の構成ブロックを１つに組み合わせたり、あるいは１つの構成ブロックを分割したりすることが可能である。
１ 推定システム
１０ 学習データ生成装置
１１ ノイズ判定部
１２ ノイズ追加部
１３ 統合学習データ記憶部
２０ 学習装置
２１ 学習部
２２ 学習用モデル
２３ 学習済みモデル
３０ 推定装置
３１ 推定部

Claims (6)

  1. 機械学習に用いられる学習データがノイズを含むか否かを判定し、前記ノイズを含まないと判定した学習データを、ノイズ無し学習データとして、前記機械学習に用いられる学習データを統合した統合学習データに追加するとともに、前記ノイズを含むと判定した学習データを、ノイズ有り学習データとして、前記統合学習データに追加するノイズ判定部と、
    前記ノイズ判定部によりノイズを含まないと判定された学習データにノイズを追加して、前記ノイズ有りデータとして、前記統合学習データに追加するノイズ追加部とを備えることを特徴とする学習データ生成装置。
  2. 請求項１に記載の学習データ生成装置において、
    前記学習データは、路面上を移動する移動体に搭載されたセンサにより検出された、前記路面の状況を示す路面データを含んで構成されることを特徴とする学習データ生成装置。
  3. 請求項２に記載の学習データ生成装置において、
    前記ノイズ追加部は、前記センサにより検出された路面データに、直交する３軸方向それぞれについてノイズを追加して、前記ノイズ有り学習データとして、前記統合学習データに追加することを特徴とする学習データ生成装置。
  4. 請求項２または３に記載の学習データ生成装置において、
    前記移動体には複数種類のセンサが搭載され、
    前記複数種類のセンサそれぞれが前記路面データを検出し、
    前記ノイズ追加部は、前記複数種類のセンサそれぞれについて、該センサにより検出された路面データに、平均が０であり、分散が前記センサの検出値の分散である正規分布に従うノイズを追加することを特徴とする学習データ生成装置。
  5. 学習データ生成装置における学習データ生成方法であって、
    機械学習に用いられる学習データがノイズを含むか否かを判定し、前記ノイズを含まないと判定した学習データを、ノイズ無し学習データとして、前記機械学習に用いられる学習データを統合した統合学習データに追加するとともに、前記ノイズを含むと判定した学習データを、ノイズ有り学習データとして、前記統合学習データに追加するステップと、
    前記ノイズを含まないと判定された学習データにノイズを追加して、前記ノイズ有りデータとして、前記統合学習データに追加するステップと、を含むことを特徴とする学習データ生成方法。
  6. コンピュータを、請求項１から４のいずれか一項に記載の学習データ生成装置として機能させるためのプログラム。
JP2018174580A 2018-09-19 2018-09-19 学習データ生成装置、学習データ生成方法およびプログラム Active JP7157320B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018174580A JP7157320B2 (ja) 2018-09-19 2018-09-19 学習データ生成装置、学習データ生成方法およびプログラム
US17/277,117 US20220114391A1 (en) 2018-09-19 2019-09-06 Learning data generation device, learning data generation method, and program
PCT/JP2019/035167 WO2020059538A1 (ja) 2018-09-19 2019-09-06 学習データ生成装置、学習データ生成方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018174580A JP7157320B2 (ja) 2018-09-19 2018-09-19 学習データ生成装置、学習データ生成方法およびプログラム

Publications (2)

Publication Number Publication Date
JP2020046528A JP2020046528A (ja) 2020-03-26
JP7157320B2 true JP7157320B2 (ja) 2022-10-20

Family

ID=69887321

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018174580A Active JP7157320B2 (ja) 2018-09-19 2018-09-19 学習データ生成装置、学習データ生成方法およびプログラム

Country Status (3)

Country Link
US (1) US20220114391A1 (ja)
JP (1) JP7157320B2 (ja)
WO (1) WO2020059538A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007300972A (ja) 2006-05-08 2007-11-22 Olympus Medical Systems Corp 内視鏡用画像処理装置
JP2008165311A (ja) 2006-12-27 2008-07-17 Fujifilm Corp 辞書データ作成装置、所定領域検出装置および撮影装置
JP2009128151A (ja) 2007-11-22 2009-06-11 Japan Atomic Energy Agency 地磁気地電流法における観測データの処理方法及び装置
JP2009273691A (ja) 2008-05-15 2009-11-26 Fujifilm Corp 内視鏡画像処理装置および方法
JP2012103742A (ja) 2010-11-05 2012-05-31 Nippon Telegr & Teleph Corp <Ntt> 画像処理装置、画像処理方法及び画像処理プログラムを記録した記録媒体
JP2018067304A (ja) 2016-10-21 2018-04-26 ニューソフト コーポレーションＮｅｕｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎ ネットワーク侵入検出方法及び装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7596242B2 (en) * 1995-06-07 2009-09-29 Automotive Technologies International, Inc. Image processing for vehicular applications
US10366451B2 (en) * 2016-01-27 2019-07-30 Huawei Technologies Co., Ltd. System and method for prediction using synthetic features and gradient boosted decision tree
US10521677B2 (en) * 2016-07-14 2019-12-31 Ford Global Technologies, Llc Virtual sensor-data-generation system and method supporting development of vision-based rain-detection algorithms
US11449046B2 (en) * 2016-09-16 2022-09-20 Honeywell Limited Model-plant mismatch detection with support vector machine for cross-directional process behavior monitoring
WO2018172464A1 (en) * 2017-03-24 2018-09-27 Chazal Guillaume Method and system for real-time estimation of road conditions and vehicle behavior
JP2019001367A (ja) * 2017-06-16 2019-01-10 株式会社ブリヂストン 路面状態判別方法及び路面状態判別装置
US10452956B2 (en) * 2017-09-29 2019-10-22 Here Global B.V. Method, apparatus, and system for providing quality assurance for training a feature prediction model
EP3486140B1 (en) * 2017-11-20 2021-01-20 Steering Solutions IP Holding Corporation Vision based active steering system
US10825132B2 (en) * 2018-02-20 2020-11-03 Element Ai Inc. Training method for convolutional neural networks for use in artistic style transfers for video
CN111340879B (zh) * 2018-12-17 2023-09-01 台达电子工业股份有限公司 基于上采样的影像定位系统及其方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007300972A (ja) 2006-05-08 2007-11-22 Olympus Medical Systems Corp 内視鏡用画像処理装置
JP2008165311A (ja) 2006-12-27 2008-07-17 Fujifilm Corp 辞書データ作成装置、所定領域検出装置および撮影装置
JP2009128151A (ja) 2007-11-22 2009-06-11 Japan Atomic Energy Agency 地磁気地電流法における観測データの処理方法及び装置
JP2009273691A (ja) 2008-05-15 2009-11-26 Fujifilm Corp 内視鏡画像処理装置および方法
JP2012103742A (ja) 2010-11-05 2012-05-31 Nippon Telegr & Teleph Corp <Ntt> 画像処理装置、画像処理方法及び画像処理プログラムを記録した記録媒体
JP2018067304A (ja) 2016-10-21 2018-04-26 ニューソフト コーポレーションＮｅｕｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎ ネットワーク侵入検出方法及び装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宮田章裕 ほか，健常歩行者センサデータを用いたバリア検出の基礎検討，情報処理学会論文誌，日本，一般社団法人情報処理学会，2018年01月15日，Vol.59, No.1，pp.22-32，ISSN 1882-7764, 特にpp.23-26
山下隆義，イラストで学ぶ ディープラーニング，株式会社 講談社，2017年02月10日，ISBN 978-4-06-153825-2, pp.70-73, 特にp.71

Also Published As

Publication number Publication date
JP2020046528A (ja) 2020-03-26
US20220114391A1 (en) 2022-04-14
WO2020059538A1 (ja) 2020-03-26

Similar Documents

Publication Publication Date Title
Naets et al. Online state and input force estimation for multibody models employing extended Kalman filtering
KR20200052444A (ko) 신경망을 이용하여 예측 결과를 출력하는 방법, 신경망을 생성하는 방법 및 그 장치들
Bogdanski et al. Kalman and particle filtering methods for full vehicle and tyre identification
Li et al. Drive-by blind modal identification with singular spectrum analysis
US10691147B2 (en) Simulation method, simulation apparatus, and program
JP5482323B2 (ja) 運転支援装置及びプログラム
JP7157320B2 (ja) 学習データ生成装置、学習データ生成方法およびプログラム
Sabbioni et al. A particle filter approach for identifying tire model parameters from full-scale experimental tests
US11640581B2 (en) Methods for improved delta velocity determination using machine learning and devices thereof
JP2007285762A (ja) 画像変化予測方法および画像変化予測装置
JP7207227B2 (ja) 運転行動評価装置、運転行動評価方法、及び運転行動評価プログラム
JP7068583B2 (ja) 学習装置、推定装置、学習方法、推定方法およびプログラム
JP2019536045A (ja) 静止状態判定方法および装置
JP7048896B2 (ja) 学習データ生成装置、学習データ生成方法およびプログラム
Callejo et al. Vehicle suspension identification via algorithmic computation of state and design sensitivities
JP7381861B2 (ja) 複合モデル生成プログラム及び方法、並びに情報処理システム
CN111055849B (zh) 基于支持向量机的路口智能驾驶方法及其系统
JP2013159246A (ja) 車両位置姿勢推定装置及びプログラム
Koensgen et al. Robust design strategy applied to a vehicle suspension system with high camber angle tyres
JP7268731B2 (ja) 学習データ生成装置、学習装置、学習データ生成方法、及び学習データ生成プログラム
Çag˘ lar Bas¸ lamıs¸ lı Development of rational tyre models for vehicle dynamics control design and combined vehicle state/parameter estimation
JP2020135595A (ja) グラフ構造推定装置、ｓｌａｍ装置、グラフ構造推定方法、コンピュータプログラム、および記憶媒体
JP7276449B2 (ja) 一般化データ生成装置、推定装置、一般化データ生成方法、推定方法、一般化データ生成プログラム、及び推定プログラム
JP7279685B2 (ja) 情報処理システム
US20210406781A1 (en) Training device, method and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210105

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210921

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211014

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220308

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220428

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: 20220906

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220919

R150 Certificate of patent or registration of utility model

Ref document number: 7157320

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150