JP7184801B2 - 学習装置、学習方法、および学習プログラム - Google Patents
学習装置、学習方法、および学習プログラム Download PDFInfo
- Publication number
- JP7184801B2 JP7184801B2 JP2019559490A JP2019559490A JP7184801B2 JP 7184801 B2 JP7184801 B2 JP 7184801B2 JP 2019559490 A JP2019559490 A JP 2019559490A JP 2019559490 A JP2019559490 A JP 2019559490A JP 7184801 B2 JP7184801 B2 JP 7184801B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- parameter
- classification
- learning
- input
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Description
前記第1の特徴量に対し、前記変換パラメータの値を用いた変換を行うことで、第2の特徴量を生成する変換処理と、特徴量を入力として分類を行うよう構成された分類手段が、前記第2の特徴量を入力とした場合に前記識別対象に関連づけられるクラスを分類先として示す結果を出力するように、前記分類手段による分類に使用される分類パラメータの値を更新する、パラメータ更新処理と、をコンピュータに実行させるプログラムを記憶する。上記記憶媒体は、例えば、コンピュータ読み取り可能な、非一時的な記憶媒体である。
まず、本発明の第1の実施形態について説明する。図2は、第1の実施形態に係る学習装置31の構成を示すブロック図である。
<構成>
変数導出部110は、データ取得部111と、エンコーダ112と、変換部113と、デコーダ114と、パラメータ更新部115と、パラメータ記憶部119と、を含む。
データ取得部111は、変数導出部110が使用するデータを取得する。変数導出部110が使用するデータは、入力データ、正解データ、および、入力データと正解データとの関係を示す差異情報である。
エンコーダ112は、入力データから、潜在変数の値の組を導出する。エンコーダ112は、例えば、ニューラルネットワークを使用して、入力データをニューラルネットワークの入力層に入力し、出力としてn個の値を導出する。nは、ニューラルネットワークの出力層のユニット数である。このn個の値の組を、本開示では潜在変数の値の組、または潜在変数ベクトルと呼ぶ。本実施形態では「ベクトル」という語を用いるが、潜在変数ベクトルは、複数の値の1次元的な配列に限られない。出力する値の数は1個であってもよい。あるいは、潜在変数ベクトルは2次元以上の配列であってもよい。潜在変数ベクトルは、配列の形式以外の形式で学習装置31において保持されてもよい。なお、ニューラルネットワークにより潜在変数ベクトルを導出することは、符号化(エンコード)とも呼ばれる。
変換部113は、エンコーダ112により出力された潜在変数ベクトルを、別の潜在変数ベクトルへと変換する。変換部113が潜在変数ベクトルを変換することを、本開示では変数変換と称す。
F(k,Z0)=Sk・Z0
行列Skは、図3に示される行列である。すなわち、行列Skは、1≦i≦n-krであるiについて、第i行、第kr+i列の数値が1であり、1≦j≦krであるjについて、第(n-kr+j)行、第j列の数値が1であり、それ以外の数値が0である行列である。ただし、krは、kがとりうる値の個数をN(k)としたとき、k×n/N(k)で求められる値である。
デコーダ114は、変換部113による変換後の潜在変数ベクトルから、出力データを生成する。デコーダ114は、例えば、ニューラルネットワーク(エンコーダ112が使用するニューラルネットワークとは異なる)を使用して、潜在変数ベクトルをニューラルネットワークの入力層に入力し、出力としてm個の成分からなる出力データを生成する。mは、デコーダ114が使用するニューラルネットワークの出力層のユニット数である。このmは、正解データの成分数と同じ値に設定される。入力データと正解データとが同じ形式で表現されるデータである場合、mは、入力データの成分数、すなわちエンコーダ112の入力層のユニット数に、一致する。ニューラルネットワークにより潜在変数ベクトルから出力データを生成することは、復号(デコード)とも呼ばれる。
パラメータ更新部115は、デコーダ114により生成された出力データと、データ取得部111により取得された正解データと、の比較に基づき、エンコーダ112およびデコーダ114に用いられるニューラルネットワークのパラメータの値を更新する。
変数導出部110による変数導出の学習に係る処理の概要を、図4を参照しながら説明する。
変数導出部110による、変数導出の学習に係る処理の流れを、図5のフローチャートを参照しながら説明する。なお、変数導出の学習に係る処理に含まれる各処理は、各処理がプログラムを実行するデバイスによって実行される場合においては、プログラムの中の命令の順序に従って実行されればよい。各処理が別個のデバイスによって実行される場合においては、処理を完了したデバイスが次の処理を実行するデバイスに通知を行うことで、次の処理が実行されればよい。なお、処理を行う各部は、例えば、めいめいの処理によって生成したデータを、学習装置31に含まれる記憶領域または外部の記憶装置に記録する。また、処理を行う各部は、めいめいの処理に必要なデータを、そのデータを生成した部から受け取るか、上記の学習装置31に含まれる記憶領域または外部の記憶装置から読み出せばよい。
・誤差を示す値が所定の基準値を下回った場合
・誤差をこれ以上小さくすることができない場合、または、
・誤差の減少量(すなわち、最後に行った更新の直前における誤差と更新後の誤差との差)もしくは減少率(すなわち、現在の誤差に対する減少量の比)が所定の基準値を下回った場合。
変数導出部110によれば、同一の対象について、異なる態様の該対象の特徴をそれぞれ表現し、かつ互いに関連性を持つ潜在変数ベクトルを、導出できる。
学習装置31は、対象の態様が異なる2つ以上のデータとそれらのデータの間の差異を示す情報(差異情報)を取得可能であれば、どのようなデータ、対象、および態様の差異を扱ってもよい。
分類学習部310の構成および動作について説明する。
図2を参照すると、分類学習部310は、データ取得部311と、変換部313と、分類部317と、パラメータ更新部315と、出力部316と、パラメータ記憶部319と、を備える。
データ取得部311は、分類学習部310が使用するデータを取得する。分類学習部310が使用するデータは、エンコーダ112により導出された潜在変数ベクトルと、正解情報である。
変換部313は、エンコーダ112により導出された潜在変数ベクトルを、別の潜在変数ベクトルへと変換する。変換部313は、変換部113と同様、変換関数を用いた変数変換を行う。
分類部317は、変換部313が出力する潜在変数ベクトルに対して、分類を行う。
パラメータ更新部315は、分類部317による分類結果を示す情報と、データ取得部311により取得された正解情報と、の比較に基づき、分類部317に用いられるニューラルネットワークのパラメータの値を更新する。
出力部316は、パラメータ更新部315により更新されたパラメータの値の情報を、出力する。例えば、出力部316は、パラメータ更新部315が繰り返しパラメータの値を更新することにより最適化されたパラメータの値を、出力する。出力部316による出力の出力先の例には、表示装置、記憶装置、および通信ネットワークが含まれる。出力部316が情報を表示装置に出力する場合、出力部316は、表示装置が該情報を表示できるよう、情報を変換してもよい。なお、上記した表示装置および記憶装置は、学習装置31の外部のデバイスであってもよいし、学習装置31に含まれる構成要素であってもよい。
分類学習部310による、分類の学習に係る処理の流れを、図6のフローチャートを参照しながら説明する。なお、分類の学習に係る処理に含まれる各処理は、各処理がプログラムを実行するデバイスによって実行される場合においては、プログラムの中の命令の順序に従って実行されればよい。各処理が別個のデバイスによって実行される場合においては、処理を完了したデバイスが次の処理を実行するデバイスに通知を行うことで、次の処理が実行されればよい。なお、処理を行う各部は、例えば、めいめいの処理によって生成したデータを、学習装置31に含まれる記憶領域または外部の記憶装置に記録する。また、処理を行う各部は、めいめいの処理に必要なデータを、そのデータを生成した部から受け取るか、上記の学習装置31に含まれる記憶領域または外部の記憶装置から読み出せばよい。
・誤差を示す値が所定の基準値を下回った場合
・誤差をこれ以上小さくすることができない場合、または、
・誤差の減少量(すなわち、最後に行った更新の直前における誤差と更新後の誤差との差)もしくは減少率(すなわち、現在の誤差に対する減少量の比)が所定の基準値を下回った場合。
以上に説明した分類の学習の結果、更新されたパラメータの値を用いる分類部317は、様々な態様の対象を表現する潜在ベクトルのそれぞれから、正しい分類結果を出力できる。したがって、エンコーダ112と分類部317とを組み合わせることにより、様々な態様の対象を識別することが可能な識別器を生成できる。
学習装置は、変数導出部110を備えていなくてもよい。学習装置は、異なる態様の同一の対象に対して、変数変換により互いに変換可能な潜在変数ベクトルを導出するように構成されたエンコーダにより導出された潜在変数ベクトルを取得できるように、構成されていればよい。
本発明の一実施形態に係る学習装置30について説明する。図9は、学習装置30の構成を示すブロック図である。学習装置30は、データ取得部301と、変換部303と、パラメータ更新部305と、を備える。
以上で説明された本発明の各実施形態において、各装置の各構成要素を示すブロックは、機能単位で示されている。しかし、構成要素を示すブロックは、各構成要素が別個のモジュールにより構成されることを必ずしも意味していない。
・1つまたは複数のCPU901
・ROM902
・RAM(Random Access Memory)903
・RAM903へロードされるプログラム904Aおよび記憶情報904B
・プログラム904Aおよび記憶情報904Bを格納する記憶装置905
・記憶媒体906の読み書きを行うドライブ装置907
・通信ネットワーク909と接続する通信インタフェース908
・データの入出力を行う入出力インタフェース910
・各構成要素を接続するバス911
[付記1]
異なる態様の同一の対象がそれぞれ記録されたデータから、前記態様の差異に応じた値をとる変換パラメータを用いた変換により互いに変換可能な特徴量をそれぞれ導出するように構成された、エンコーダにより、識別対象が記録されたデータから導出された、第1の特徴量を取得する取得手段と、
前記第1の特徴量に対し、前記変換パラメータの値を用いた変換を行うことで、第2の特徴量を生成する変換手段と、
特徴量を入力として分類を行うよう構成された分類手段が、前記第2の特徴量を入力とした場合に前記識別対象に関連づけられるクラスを分類先として示す結果を出力するように、前記分類手段による分類に使用される分類パラメータの値を更新する、パラメータ更新手段と、
を備える学習装置。
[付記2]
前記変換手段は、相異なる前記変換パラメータの値をそれぞれ用いた複数の変換により、前記第1の特徴量から複数の第2の特徴量を生成し、
前記パラメータ更新手段は、前記分類手段が前記複数の第2の特徴量のいずれを入力としても前記識別対象に関連づけられるクラスを分類先として示す結果を出力するように、前記分類パラメータの値を更新する、
付記1に記載の学習装置。
[付記3]
前記変換手段は、前記第1の特徴量の成分の配置を変更する前記変換を行う、
付記1または2に記載の学習装置。
[付記4]
前記データは画像であり、前記識別対象は物体または人物である、
付記1から3のいずれかに記載の学習装置。
[付記5]
前記データはSAR(Synthetic Aperture Radar)によるセンシングデータから生成される画像であり、前記態様の差異はSARによるセンシング時の条件に起因する差異である、
付記1から3のいずれかに記載の学習装置。
[付記6]
前記第2の特徴量を入力として分類を行う前記分類手段をさらに備える、付記1から5のいずれかに記載の学習装置。
[付記7]
前記エンコーダをさらに備える、付記1から6のいずれかに記載の学習装置。
[付記8]
付記1から6のいずれかに記載の学習装置により更新された前記分類パラメータの値を用いる前記分類手段により、前記エンコーダを用いて新たなデータから導出される第3の特徴量を、入力として、分類を行う、分類方法。
[付記9]
異なる態様の同一の対象がそれぞれ記録されたデータから、前記態様の差異に応じた値をとる変換パラメータを用いた変換により互いに変換可能な特徴量をそれぞれ導出するように構成された、エンコーダにより、識別対象が記録されたデータから導出された、第1の特徴量を取得し、
前記第1の特徴量に対し、前記変換パラメータの値を用いた変換を行うことで、第2の特徴量を生成し、
特徴量を入力として分類を行うよう構成された分類手段が、前記第2の特徴量を入力とした場合に前記識別対象に関連づけられるクラスを分類先として示す結果を出力するように、前記分類手段による分類に使用される分類パラメータの値を更新する、
学習方法。
[付記10]
相異なる前記変換パラメータの値をそれぞれ用いた複数の変換により、前記第1の特徴量から複数の第2の特徴量を生成し、
前記分類手段が前記複数の第2の特徴量のいずれを入力としても前記識別対象に関連づけられるクラスを分類先として示す結果を出力するように、前記分類パラメータの値を更新する、
付記9に記載の学習方法。
[付記11]
前記第1の特徴量の成分の配置を変更する前記変換を行う、
付記9または10に記載の学習方法。
[付記12]
前記データは画像であり、前記識別対象は物体または人物である、
付記9から11のいずれかに記載の学習方法。
[付記13]
前記データはSAR(Synthetic Aperture Radar)によるセンシングデータから生成される画像であり、前記態様の差異はSARによるセンシング時の条件に起因する差異である、
付記9から11のいずれかに記載の学習方法。
[付記14]
付記9から13のいずれかに記載の学習方法により更新された前記分類パラメータの値を用いる前記分類手段により、前記エンコーダを用いて新たなデータから導出される第3の特徴量を、入力として、分類を行う、分類方法。
[付記15]
異なる態様の同一の対象がそれぞれ記録されたデータから、前記態様の差異に応じた値をとる変換パラメータを用いた変換により互いに変換可能な特徴量をそれぞれ導出するように構成された、エンコーダにより、識別対象が記録されたデータから導出された、第1の特徴量を取得する取得処理と、
前記第1の特徴量に対し、前記変換パラメータの値を用いた変換を行うことで、第2の特徴量を生成する変換処理と、
特徴量を入力として分類を行うよう構成された分類手段が、前記第2の特徴量を入力とした場合に前記識別対象に関連づけられるクラスを分類先として示す結果を出力するように、前記分類手段による分類に使用される分類パラメータの値を更新する、パラメータ更新処理と、
をコンピュータに実行させるプログラムを記憶した、コンピュータ読み取り可能な記憶媒体。
[付記16]
前記変換処理は、相異なる前記変換パラメータの値をそれぞれ用いた複数の変換により、前記第1の特徴量から複数の第2の特徴量を生成し、
前記パラメータ更新処理は、前記分類手段が前記複数の第2の特徴量のいずれを入力としても前記識別対象に関連づけられるクラスを分類先として示す結果を出力するように、前記分類パラメータの値を更新する、
付記15に記載の記憶媒体。
[付記17]
前記変換処理は、前記第1の特徴量の成分の配置を変更する前記変換を行う、
付記15または16に記載の記憶媒体。
[付記18]
前記データは画像であり、前記識別対象は物体または人物である、
付記15から17のいずれかに記載の記憶媒体。
[付記19]
前記データはSAR(Synthetic Aperture Radar)によるセンシングデータから生成される画像であり、前記態様の差異はSARによるセンシング時の条件に起因する差異である、
付記15から17のいずれかに記載の記憶媒体。
110 変数導出部
111 データ取得部
112 エンコーダ
113 変換部
114 デコーダ
115 パラメータ更新部
118 潜在変数記憶部
119 パラメータ記憶部
310 分類学習部
301、311 データ取得部
312 エンコーダ
303、313 変換部
305、315 パラメータ更新部
316 出力部
317 分類部
900 コンピュータ
901 CPU
902 ROM
903 RAM
904A プログラム
904B 記憶情報
905 記憶装置
906 記憶媒体
907 ドライブ装置
908 通信インタフェース
909 通信ネットワーク
910 入出力インタフェース
911 バス
Claims (7)
- 異なる態様の同一の対象がそれぞれ記録されたデータから、前記態様の差異に応じた値をとる変換パラメータを用いた変換により互いに変換可能な特徴量をそれぞれ導出するように構成された、エンコーダにより、識別対象が記録された入力データから導出された、第1の特徴量を取得する取得手段と、
前記第1の特徴量に対し、前記第1の特徴量の成分の配置を、前記入力データと前記入力データの正解データとの間の態様の差異に応じて決定された前記変換パラメータを変換のパラメータとして用いた変換関数によって算出されたシフト量に応じて変更する変換を行うことで、前記変換パラメータに応じた差を有する複数の第2の特徴量を生成する変換手段と、
特徴量を入力として分類を行うよう構成された分類手段が、前記複数の第2の特徴量を入力とした場合に前記正解データのクラスを分類先として示す結果を出力するように、前記分類手段による分類に使用される分類パラメータの値を更新する、パラメータ更新手段と、
を備える学習装置。 - 前記データは画像であり、前記識別対象は物体または人物である、
請求項1に記載の学習装置。 - 前記データはSAR(Synthetic Aperture Radar)によるセンシングデータから生成される画像であり、前記態様の差異はSARによるセンシング時の条件に起因する差異である、
請求項1に記載の学習装置。 - 前記第2の特徴量を入力として分類を行う前記分類手段をさらに備える、請求項1から3いずれかに記載の学習装置。
- 前記エンコーダをさらに備える、請求項1から4のいずれかに記載の学習装置。
- 異なる態様の同一の対象がそれぞれ記録されたデータから、前記態様の差異に応じた値をとる変換パラメータを用いた変換により互いに変換可能な特徴量をそれぞれ導出するように構成された、エンコーダにより、識別対象が記録された入力データから導出された、第1の特徴量を取得し、
前記第1の特徴量に対し、前記第1の特徴量の成分の配置を、前記入力データと前記入力データの正解データとの間の態様の差異に応じて決定された前記変換パラメータを変換のパラメータとして用いた変換関数によって算出されたシフト量に応じて変更する変換を行うことで、前記変換パラメータに応じた差を有する複数の第2の特徴量を生成し、
特徴量を入力として分類を行うよう構成された分類手段が、前記複数の第2の特徴量を入力とした場合に前記正解データのクラスを分類先として示す結果を出力するように、前記分類手段による分類に使用される分類パラメータの値を更新する、
学習方法。 - 異なる態様の同一の対象がそれぞれ記録されたデータから、前記態様の差異に応じた値をとる変換パラメータを用いた変換により互いに変換可能な特徴量をそれぞれ導出するように構成された、エンコーダにより、識別対象が記録された入力データから導出された、第1の特徴量を取得する取得処理と、
前記第1の特徴量に対し、前記第1の特徴量の成分の配置を、前記入力データと前記入力データの正解データとの間の態様の差異に応じて決定された前記変換パラメータを変換のパラメータとして用いた変換関数によって算出されたシフト量に応じて変更する変換を行うことで、前記変換パラメータに応じた差を有する複数の第2の特徴量を生成する変換処理と、
特徴量を入力として分類を行うよう構成された分類手段が、前記複数の第2の特徴量を入力とした場合に前記正解データのクラスを分類先として示す結果を出力するように、前記分類手段による分類に使用される分類パラメータの値を更新する、パラメータ更新処理と、
をコンピュータに実行させる学習プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/044894 WO2019116494A1 (ja) | 2017-12-14 | 2017-12-14 | 学習装置、学習方法、分類方法、および記憶媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019116494A1 JPWO2019116494A1 (ja) | 2020-11-26 |
JP7184801B2 true JP7184801B2 (ja) | 2022-12-06 |
Family
ID=66819132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019559490A Active JP7184801B2 (ja) | 2017-12-14 | 2017-12-14 | 学習装置、学習方法、および学習プログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US11270163B2 (ja) |
EP (1) | EP3726463A4 (ja) |
JP (1) | JP7184801B2 (ja) |
WO (1) | WO2019116494A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102563953B1 (ko) * | 2022-12-20 | 2023-08-04 | 국방과학연구소 | 영상의 잠재특징을 이용한 영상 변환방법 및 장치 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016197389A (ja) | 2015-04-03 | 2016-11-24 | 株式会社デンソーアイティーラボラトリ | 学習システム、学習プログラムおよび学習方法 |
JP7121713B2 (ja) | 2019-09-17 | 2022-08-18 | 日立グローバルライフソリューションズ株式会社 | 洗濯機 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07121713A (ja) | 1993-10-21 | 1995-05-12 | Kobe Steel Ltd | パターン認識方法 |
JPH1115973A (ja) | 1997-06-23 | 1999-01-22 | Mitsubishi Electric Corp | 画像認識装置 |
JP4238537B2 (ja) | 2002-07-31 | 2009-03-18 | 富士ゼロックス株式会社 | 画像処理装置 |
SE528068C2 (sv) * | 2004-08-19 | 2006-08-22 | Jan Erik Solem Med Jsolutions | Igenkänning av 3D föremål |
US9031294B2 (en) | 2010-07-23 | 2015-05-12 | National Institute Of Advanced Industrial Science And Technology | Region segmented image data creating system and feature extracting system for histopathological images |
US8532402B2 (en) | 2011-06-22 | 2013-09-10 | The Boeing Company | Image registration |
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US10810469B2 (en) * | 2018-05-09 | 2020-10-20 | Adobe Inc. | Extracting material properties from a single image |
US10719706B1 (en) * | 2018-06-19 | 2020-07-21 | Architecture Technology Corporation | Systems and methods for nested autoencoding of radar for neural image analysis |
US20210295167A1 (en) * | 2020-03-23 | 2021-09-23 | Ansys, Inc. | Generative networks for physics based simulations |
-
2017
- 2017-12-14 EP EP17934746.3A patent/EP3726463A4/en active Pending
- 2017-12-14 WO PCT/JP2017/044894 patent/WO2019116494A1/ja unknown
- 2017-12-14 US US16/772,035 patent/US11270163B2/en active Active
- 2017-12-14 JP JP2019559490A patent/JP7184801B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016197389A (ja) | 2015-04-03 | 2016-11-24 | 株式会社デンソーアイティーラボラトリ | 学習システム、学習プログラムおよび学習方法 |
JP7121713B2 (ja) | 2019-09-17 | 2022-08-18 | 日立グローバルライフソリューションズ株式会社 | 洗濯機 |
Non-Patent Citations (2)
Title |
---|
Jun Ding,et al.、Convolutional Neural Network With Data Augmentation for SAR Target Recognition、IEEE Geoscience and Remote Sensing Letters、2016.01.26、Volume 13,Issue 3、pp.364-368 |
Xiaoming Deng,et al.、Joint Hand Detection and Rotation Estimation by Using CNN、[online]、2016.12.08、v1、pp.1-10、[retrieved on 2022-07-12]、Retrieved from the Internet: <URL:https://arxiv.org/pdf/1612.02742.pdf> |
Also Published As
Publication number | Publication date |
---|---|
EP3726463A1 (en) | 2020-10-21 |
WO2019116494A1 (ja) | 2019-06-20 |
US11270163B2 (en) | 2022-03-08 |
US20210081721A1 (en) | 2021-03-18 |
JPWO2019116494A1 (ja) | 2020-11-26 |
EP3726463A4 (en) | 2020-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11645835B2 (en) | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications | |
WO2021254499A1 (zh) | 编辑模型生成、人脸图像编辑方法、装置、设备及介质 | |
CN108764195B (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
US20230081346A1 (en) | Generating realistic synthetic data with adversarial nets | |
CN102411931B (zh) | 用于大词汇量连续语音识别的深度信任网络 | |
JPH07502357A (ja) | 高速で収束する射影ニューラル・ネットワーク | |
CN108021908B (zh) | 人脸年龄段识别方法及装置、计算机装置及可读存储介质 | |
CN112508186A (zh) | 训练用于图像识别的神经网络的方法和神经网络设备 | |
JP2005202932A (ja) | データを複数のクラスに分類する方法 | |
JPWO2018207334A1 (ja) | 画像認識装置、画像認識方法および画像認識プログラム | |
CN114663685B (zh) | 一种行人重识别模型训练的方法、装置和设备 | |
JP2019508803A (ja) | ニューラルネットワークモデルの訓練方法、装置及び電子機器 | |
Chen et al. | Coupled end-to-end transfer learning with generalized fisher information | |
KR20220045424A (ko) | 인공 신경망을 압축하는 방법 및 장치 | |
JP6943295B2 (ja) | 学習装置、学習方法、および学習プログラム | |
JP7047849B2 (ja) | 識別装置、識別方法、および識別プログラム | |
JP7184801B2 (ja) | 学習装置、学習方法、および学習プログラム | |
KR20230096901A (ko) | 자율 주행 차량의 학습을 위한 데이터 증식 방법 및 그를 위한 장치 | |
US12014728B2 (en) | Dynamic combination of acoustic model states | |
CN108985371B (zh) | 一种图像多分辨率字典学习方法及其应用 | |
US20210287038A1 (en) | Identifying salient features for generative networks | |
JP2020067954A (ja) | 情報処理装置、情報処理方法及びプログラム | |
KR102512018B1 (ko) | 클래스 인지 메모리 네트워크 기반 영상 변환 장치 및 방법 | |
Pan | A study on deep learning: Training, models and applications | |
KR20240105875A (ko) | 음성변환을 위한 음성 데이터 학습 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200608 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200608 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210720 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210917 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20211021 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20211102 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220131 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220131 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220209 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20220215 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20220401 |
|
C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20220405 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20220621 |
|
C13 | Notice of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: C13 Effective date: 20220726 |
|
C28A | Non-patent document cited |
Free format text: JAPANESE INTERMEDIATE CODE: C2838 Effective date: 20220726 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220914 |
|
C23 | Notice of termination of proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C23 Effective date: 20221004 |
|
C03 | Trial/appeal decision taken |
Free format text: JAPANESE INTERMEDIATE CODE: C03 Effective date: 20221101 |
|
C30A | Notification sent |
Free format text: JAPANESE INTERMEDIATE CODE: C3012 Effective date: 20221101 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221124 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7184801 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |