JP7233868B2 - 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム - Google Patents
情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム Download PDFInfo
- Publication number
- JP7233868B2 JP7233868B2 JP2018149173A JP2018149173A JP7233868B2 JP 7233868 B2 JP7233868 B2 JP 7233868B2 JP 2018149173 A JP2018149173 A JP 2018149173A JP 2018149173 A JP2018149173 A JP 2018149173A JP 7233868 B2 JP7233868 B2 JP 7233868B2
- Authority
- JP
- Japan
- Prior art keywords
- information processing
- user
- processing device
- time
- learning
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00127—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture
- H04N1/00323—Connection or combination of a still picture apparatus with another apparatus, e.g. for storage, processing or transmission of still picture signals or of information associated with a still picture with a measuring, monitoring or signaling apparatus, e.g. for transmitting measured information to a central location
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00885—Power supply means, e.g. arrangements for the control of power supply to the apparatus or components thereof
- H04N1/00888—Control thereof
- H04N1/00896—Control thereof using a low-power mode, e.g. standby
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00885—Power supply means, e.g. arrangements for the control of power supply to the apparatus or components thereof
- H04N1/00904—Arrangements for supplying power to different circuits or for supplying power at different levels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N2201/00—Indexing scheme relating to scanning, transmission or reproduction of documents or the like, and to details thereof
- H04N2201/0077—Types of the still picture apparatus
- H04N2201/0094—Multifunctional device, i.e. a device capable of all of reading, reproducing, copying, facsimile transception, file transception
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Control Or Security For Electrophotography (AREA)
- Facsimiles In General (AREA)
- Accessory Devices And Overall Control Thereof (AREA)
- Image Analysis (AREA)
Description
特許文献2では、人感センサとして赤外線アレイセンサを備え、センサ検知範囲における熱源を示す2次元画像の所定の特徴に基づき、ユーザの存在を推定する。
特許文献3では、人感センサとして超音波センサを備え、超音波を反射する物体の距離値と、その時系列変化の所定の特徴に基づき、ユーザの存在を推定する。
特許文献2では、変更可能な赤外線アレイセンサの向きのそれぞれに対して測定されうる画像パターンを予め決め付け、各パターンの推定指標を調整している。特許文献3では、超音波センサのノイズ発生パターンを予めルール付けし、そのパターンの検出結果に応じて推定指標を調整している。すなわち、上記いずれの先行技術も、予め推定ルールを決めた上で、その推定ルールにおける推定指標を調整しているだけである。そのため、実際の装置稼働環境に合わせて推定ルール自体も最適化するように学習可能な学習モデルを適応することが望ましい。
図1(A)は、本発明の一実施形態を示す画像処理システムの構成の一例を示す概略図である。
図1(A)に示すように、本実施形態の画像処理システム1では、学習モデル生成装置10と、画像処理装置100とがネットワーク20を介して通信可能に接続される。
ネットワーク20は、インターネットやイントラネット等のLAN/WAN(Local Area Network / Wide Area Network)から構成される。
図1(B)に示すように、画像処理装置100は、スキャナ110、人感センサ120、操作表示パネル130、プリンタ140を有する。
カセット143、144、145は、前方に引き出し、そのカセットに印刷用紙を補給し、カセットを閉めることによって印刷用紙の補給を行うものである。なお、カセット143、144、145は、カセットの開閉を検知するセンサを備える。
手差しトレイ142は、トレイに印刷用紙を積載することで補給を行い、印刷用紙が積載されたことを検知するセンサを備える。
画像形成部141は、補給された印刷用紙を搬送し、その印刷用紙上に画像を形成する。画像形成部141は、全面を覆うカバーが前方向に開閉可能であり、ユーザが画面形成に必要な消耗部品の交換をしたり、ジャム紙を取り除いたりすることが可能となっている。なお、画像形成部141は、前述のカバーの開閉状態を検知するセンサを備える。
排紙部146には、画像形成部141により画像形成された印刷用紙が排出される。
図2(A)は、学習モデル生成装置10のハードウェア構成の一例を示す図である。
学習モデル生成装置10は、一般的なコンピュータの構成を備え、CPU11、ROM12、RAM13、HDD14、ネットワークI/F15等を有する。
ネットワークI/F15はネットワーク20を介して行われるデータの送受信を司る。
メインCPU151は、メインコントローラ150に内蔵されるプログラムの実行媒体である。メインROM152は、不揮発性メモリである。メインRAM153は、揮発性メモリである。HDD154は、磁気ディスク等の記憶媒体である。メインROM152又はHDD154には後述のフローチャートを実行するためのプログラムなどが記憶され、本プログラムは実行時にメインRAM153に展開される。また、メインRAM153は、メインCPU151上で本プログラムが実行する際のワークメモリとして動作する。
電源管理ユニット180は、画像処理装置100の各部への電源供給を制御する。
図3(A)は、学習モデル生成装置10に実装されるプログラム30のソフトウェア構成の一例を示すブロック図である。プログラム30の機能は、学習モデル生成装置10のCPU11がROM12又はHDD14等に格納されるプログラムを必要に応じてRAM13にロードして実行することにより実現される。
学習データセット生成部353は、ユーザ操作検知部352がユーザ操作を検知した時刻と人感センサデータが取得された時刻を対応付け、該対応付けられたユーザ操作と人感センサデータを学習データセットとして生成する。この時、生成する学習データセットについては、図11~図13を用いて後述する。学習データセット送信部355は、生成した学習データセットを学習モデル生成装置10に対して送信する。
推定結果送信部364は、ユーザ有無推定部362により、画像処理装置100に利用意図を持って近づくユーザの存在が推定された場合、電源管理ユニット180及びメインコントローラ150にその推定結果を通知する。
図4(A)、図4(B)は、人感センサ120が測定可能な測定エリアの一例を示すための模式図である。
図4(A)は、画像処理装置100を横から見た時の、人感センサ120とユーザと測定エリアの位置関係を表している。
図4(B)は、画像処理装置100を上から見た時の、人感センサ120とユーザと測定エリアの位置関係を表している。
図4(C)に示すように、人感センサ120の測定データは、赤外線受光素子が並べられた検出面が2次元画像として取得される。該2次元画像の各画素の値は、各素子から測定される温度を示す。
<ケース1>
図5は、画像処理装置100に利用意図を持って近づくユーザが存在するケースの一例を示す図である。
図5(A)は、画像処理装置100に対して正面からユーザが近づいて操作表示パネル130を操作している様子を示し、この時の時刻t1_0から時刻t1_4までのユーザの移動の軌跡を示している。
図5(B)は、各時刻において人感センサ120から取得される測定データの変化の様子を示している。
図5に示すケースでは、測定データの温度分布の特徴と、それらの時系列変化の特徴から、例えば時刻t1_3で画像処理装置100に利用意図を持って近づくユーザが存在すると推定される。よって、時刻t1_3のタイミングでスリープモードからスタンバイモードへと復帰することが望ましい。
対して、図6は、画像処理装置100に利用意図を持って近づくユーザが存在しないケースの一例を示す図である。
図6(A)は、ユーザが画像処理装置100に近づき、排紙部146に排出された印刷用紙を取って立ち去る様子を示し、この時の時刻t2_0から時刻t2_5までのユーザの移動の軌跡を示している。
図6(B)は、各時刻において人感センサ120から取得される測定データの変化の様子を示している。
図6に示すケースでは、ユーザは画像処理装置100を利用する意図はないと推定される。このため、このケースにおいてはスリープモードを継続することが望ましい。
図7(A)は、画像処理装置100に利用意図を持って近づくユーザの存在を推定するための機械学習モデルの一例を示す図である。
この機械学習モデルは、例えば、再帰型のニューラルネットワーク(RNN:Recurrent Neural Network)として構成される。この機械学習モデルでは、人感センサ120から取得される測定データを入力として、画像処理装置100に利用意図を持って近づくユーザの存在の有無の推定結果を出力する。
前述の機械学習モデルを介して、画像処理装置が実際に稼働している時に人感センサ120から取得される測定データを用いて学習することにより、それぞれの装置稼働環境に適した推定を行うための重み係数W_in、W_out、W_recが求められる。
学習データセットは、機械学習モデルの入力となる人感センサデータと、画像処理装置に利用意図を持って近づくユーザの存在有無を示す教師ラベルを含み、これらが連続する時刻(フレーム)のデータが所定個数分ある配列データとして実現される。
「人感センサデータ」の列に記載されている値は、例えば「tn_0」は時刻tn_0に人感センサ120から取得された測定データであることを示している。
「教師ラベル」の列に記載されている値は、前述の2値分類モデルが分類する2値を示している。
なお、前述の機械学習モデルの学習工程に用いるために、前述のような学習データセットを複数生成しておく必要がある。
なお、機械学習モデルは、図7に示した例に限定されるものではなく、いかようなものでもよい。
図8は、学習モデル生成装置10に内蔵されるプログラム30の一部である学習モデル更新処理の一例を示すフローチャートである。この学習モデル更新処理は、学習モデル生成装置10のCPU11がROM12又はHDD14等に格納されるプログラム30を必要に応じてRAM13にロードして実行することにより実現される。なお、この学習モデル更新処理は、ユーザ操作による更新指示を受けた時に開始される。また、学習データセット生成部353により所定の個数以上学習データセットが生成され、その時にメインコントローラ150からの更新指示を受けて学習モデル更新処理を開始するようにしてもよい。
さらに、学習モデル更新部32は、上記S1102で読み込んだ学習データセットを前述の機械学習モデルに入力し、例えば、誤差逆伝播法や勾配降下を用いてモデルの学習を行い、重み係数(W_in、W_out、W_rec)を求める(S1103)。
S1105において、学習モデル送信部33は、ネットワーク20を介して学習モデルの更新指示をユーザ推定ユニット160に対して送信し、学習モデル更新処理を終了する。
図9は、ユーザ推定ユニット160に内蔵されるプログラム360の一部であるユーザ推定処理の一例を示すフローチャートである。このユーザ推定処理は、ユーザ推定ユニット160のCPU161がサブROM162等に格納されるプログラム360を必要に応じてサブRAM163にロードして実行することにより実現される。なお、ユーザ推定処理は、電源管理ユニット180により電源供給されると開始される。
S1202において、学習モデル受信部361は、学習モデル更新部32が更新した最新の学習モデル(重み係数(W_in、W_out、W_rec)等)を学習モデル送信部33により受信する。さらに、学習モデル受信部361は、サブRAM163に格納されている学習モデルを、該受信した最新の学習モデルに更新する。
S1203において、人感センサデータ取得部363は、人感センサ120から測定データを取得する。
次に、ユーザ有無推定部362は、サブRAM163に格納されている学習モデルに対して、上記S1203で取得した測定データを入力することで、画像処理装置100に利用意図を持って近づくユーザの有無を推定する(S1204)。
S1206において、推定結果送信部364は、電源管理ユニット180及びメインコントローラ150に、その推定結果を通知し、S1207に移行する。電源管理ユニット180は、この通知により、画像処理装置100をスリープモードからスタンバイモードに復帰させることが可能となる。また、メインコントローラ150では、この通知により、推定結果が「ユーザが存在していない」から「ユーザが存在している」に変化したことを認識できる。
図10は、メインコントローラ150に内蔵されるプログラム350の一部である学習データセット生成処理のフローチャートである。この学習データセット生成処理は、メインコントローラ150のメインCPU151がメインROM152又はHDD154等に格納されるプログラム350を必要に応じてメインRAM153にロードして実行することにより実現される。なお、学習データセット生成処理は、メインコントローラ150の動作開始に伴い開始される。
S1304において、学習データセット生成部353は、タイマーを「0」にリセットし、計測を開始し、S1306に処理を進める。
また、上記S1302において、タイマー計測中であると判定した場合(S1302でYesの場合)、学習データセット生成部353は、上記S1304をスキップしてS1306に処理を進める。
このようにすることで、タイマーにより、「ユーザが存在していない」から「ユーザが存在している」に推定結果が変化してからの経過時間を計測することができる。
S1305において、学習データセット生成部353は、ユーザ操作検知部352がユーザ操作を検知しているか否かを判定する。そして、ユーザ操作を検知していないと判定した場合(S1305でNoの場合)、学習データセット生成部353は、S1302に処理を戻す。
そして、学習データセット生成部353は、メインコントローラ150が動作している限り(S1311でYes)、S1302に戻って処理を行う。なお、メインコントローラ150が停止すると(S1311でNo)、学習データセット生成処理も終了する。
続いて、前述の学習データセット生成処理を通じて生成される学習データセットの例を図11~図13を用いて説明する。
図11~図13は、学習データセット生成処理で生成される学習データセットの一例を示す図である。以下、詳細に説明する。
図11(B)は、各時刻における「ユーザ有無推定結果」と「ユーザ操作検知結果」の一覧を示している。
例えば、時刻t3_0のユーザ有無推定結果「×」は、画像処理装置100に利用意図を持って近づくユーザが存在しないと推定していることを示している。
逆に、時刻t3_3のユーザ有無推定結果「○」は、画像処理装置100に利用意図を持って近づくユーザが存在すると推定していることを示している。
例えば、時刻t3_0のユーザ操作検知結果「×」は、ユーザ操作検知部352がユーザ操作を検知していないことを示している。
逆に、時刻t3_4のユーザ操作検知結果「○」は、ユーザ操作検知部352がユーザ操作を検知していることを示している。
学習データセット801は、時刻t3_4において、図10のS1306にてユーザ操作を検知した結果、S1308にて生成される学習データセットである。この時刻t3_4に近い時刻(例えば、その時刻t3_4及び1つ前の時刻t3_3まで)の人感センサデータに対応付けて教師ラベル「1」を設定し、それ以外を教師ラベル「0」として学習データセットが生成される。
これは、ユーザ操作を検知した時刻よりも所定の時間だけ前の測定データの教師ラベルに「1」を設定することで、ユーザが装置に完全に近づくよりも少し前にスリープモードからスタンバイモードへと復帰させる狙いがある。これにより、復帰によるユーザの待ち時間が減少し、操作性を改善させることが可能となる。
図12(B)は、各時刻における「ユーザ有無推定結果」と「ユーザ操作検知結果」の一覧を示している。
学習データセット901は、時刻t4_3において図10のS1305にてユーザ操作を検知した結果、S1308にて生成される学習データセットである。この時刻t4_3に近い時刻(例えば、その時刻t4_3及び1つ前の時刻t4_2まで)の人感センサデータに対応付けて教師ラベル「1」を設定し、それ以外を教師ラベル「0」として学習データセットが生成される。
図13(B)は、各時刻における「ユーザ有無推定結果」と「ユーザ操作検知結果」の一覧を示している。
学習データセット1001は、時刻t5_6において図10のS1306及びS1307にて画像処理装置100に利用意図を持って近づくユーザが存在すると推定してから所定時間経過してもユーザ操作が検知されないと判定された結果、S1309にて生成される学習データセットである。
以上、一実施形態について示したが、本発明は、例えば、システム、装置、方法、プログラムもしくは記憶媒体等としての実施態様をとることが可能である。具体的には、複数の機器から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。
また、上記各実施形態を組み合わせた構成も全て本発明に含まれるものである。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
また、本発明は、複数の機器から構成されるシステムに適用しても、1つの機器からなる装置に適用してもよい。
本発明は上記実施形態に限定されるものではなく、本発明の趣旨に基づき種々の変形(各実施形態の有機的な組合せを含む)が可能であり、それらを本発明の範囲から除外するものではない。即ち、上述した各実施形態及びその変形例を組み合わせた構成も全て本発明に含まれるものである。
100 画像処理装置
352 ユーザ操作検知部
353 学習データセット生成部
362 ユーザ有無推定部
363 人感センサデータ取得部
Claims (18)
- 情報処理装置の学習システムであって、
ユーザ操作を受け付ける操作部と、
前記情報処理装置の前に存在する物体を検知する検知手段と、
前記検知手段から出力された時系列のセンス値が入力されると、学習モデルを用いて前記情報処理装置を利用するユーザの存在の有無を推定する推定手段と、
前記操作部で受け付けられたユーザ操作の有無に基づくラベルと、前記ユーザ操作が受け付けられたタイミングから所定期間前のタイミングまでの前記検知手段から出力された時系列のセンス値とを含む学習データを用いて、前記学習モデルに学習させることにより学習モデルを更新する更新手段と、を有する
ことを特徴とする学習システム。 - 前記学習データの前記時系列のセンス値のうち、前記操作部により前記ユーザ操作が受け付けられたタイミングに近いタイミングのセンス値に、第1ラベルを設定し、前記学習データの前記時系列のセンス値のうち他のセンス値に、第2ラベルを設定する
ことを特徴とする請求項1に記載の学習システム。 - 情報処理装置の学習システムであって、
ユーザ操作を受け付ける操作部と、
前記情報処理装置の前に存在する物体を検知する検知手段と、
前記検知手段から出力された時系列のセンス値が入力されると、学習モデルを用いて前記情報処理装置を利用するユーザの存在の有無を推定する推定手段と、
前記検知手段から出力された時系列のセンス値と、前記操作部で受け付けられたユーザ操作の有無に基づくラベルとを含む学習データを用いて、前記学習モデルに学習させることにより学習モデルを更新する更新手段と、を有し、
前記学習データの前記時系列のセンス値のうち、前記操作部により前記ユーザ操作が受け付けられたタイミングに近いタイミングのセンス値に、第1ラベルを設定し、前記学習データの前記時系列のセンス値のうち他のセンス値に、第2ラベルを設定し、
前記推定手段により前記情報処理装置を利用するユーザが存在すると推定されてから所定時間内に前記操作部へのユーザ操作が受け付けられなかった場合には、所定期間内の前記時系列のセンス値に、前記第2ラベルを設定する
ことを特徴とする学習システム。 - 前記更新手段にて前記学習データを用いて前記学習モデルが更新されると、前記推定手段は、更新された前記学習モデルを用いて前記情報処理装置を利用するユーザの存在の有無を推定する
ことを特徴とする請求項1~3のいずれか1項に記載の学習システム。 - 前記検知手段と前記推定手段と、前記操作部とを有する第1の情報処理装置と、前記情報処理装置と通信可能であって前記更新手段を有する前記第1の情報処理装置とは異なる情報処理装置と、を有する
ことを特徴とする請求項1~4いずれか1項に記載の学習システム。 - 前記情報処理装置は、第1電力状態と前記第1電力状態より消費電力の少ない第2電力状態を切り替え可能であり、
前記推定手段が前記情報処理装置を利用するユーザが存在すると推定した場合に、前記情報処理装置の電力状態を前記第2電力状態から前記第1電力状態に切り替える制御手段と、を有する
ことを特徴とする請求項1~5のいずれか1項に記載の学習システム。 - 前記検知手段は、超音波センサである
ことを特徴とする請求項1~6のいずれか1項に記載の学習システム。 - 前記検知手段は、複数の赤外線受光素子が配列された赤外線アレイセンサである
ことを特徴とする請求項1~6のいずれか1項に記載の学習システム。 - 前記情報処理装置は、画像処理装置である
ことを特徴とする請求項1~8のいずれか1項に記載の学習システム。 - 前記学習モデルとは、ニューラルネットワークとして構成される
ことを特徴とする請求項1~9のいずれか1項に記載の学習システム。 - 情報処理装置であって、
前記情報処理装置の前に存在する物体を検知する検知手段と、
ユーザ操作を受け付ける操作部と、
前記操作部で受け付けられた前記ユーザ操作の有無に基づくラベルと、前記操作部によって前記ユーザ操作が受け付けられたタイミングから所定期間前のタイミングまでの前記検知手段から出力された時系列のセンス値とを含む学習データを用いて学習された学習モデルであって、前記検知手段から出力される時系列のセンス値が入力され、前記情報処理装置を利用するユーザが存在するかどうかを推定する学習モデルと、を備える
ことを特徴とする情報処理装置。 - 前記学習データの前記時系列のセンス値のうち、前記操作部により前記ユーザ操作が受け付けられたタイミングに近いタイミングのセンス値に、第1ラベルを設定し、前記学習データの前記時系列のセンス値のうち他のセンス値に、第2ラベルを設定する
ことを特徴とする請求項11に記載の情報処理装置。 - 情報処理装置であって、
前記情報処理装置の前に存在する物体を検知する検知手段と、
ユーザ操作を受け付ける操作部と、
前記検知手段から出力された時系列のセンス値と前記操作部で受け付けられた前記ユーザ操作の有無に基づくラベルとを含む学習データを用いて学習された学習モデルであって、前記検知手段から出力される時系列のセンス値が入力され、前記情報処理装置を利用するユーザが存在するかどうかを推定する学習モデルと、を備え、
前記学習データの前記時系列のセンス値のうち、前記操作部により前記ユーザ操作が受け付けられたタイミングに近いタイミングのセンス値に、第1ラベルを設定し、前記学習データの前記時系列のセンス値のうち他のセンス値に、第2ラベルを設定し、
前記学習モデルにより前記情報処理装置を利用するユーザが存在すると推定されてから所定時間内に前記操作部へのユーザ操作が受け付けられなかった場合には、所定期間内の前記時系列のセンス値に、前記第2ラベルを設定する
ことを特徴とする情報処理装置。 - 前記情報処理装置は、第1電力状態と前記第1電力状態より消費電力の少ない第2電力状態を切り替え可能であり、
前記学習モデルが前記情報処理装置を利用するユーザが存在すると推定した場合に、前記情報処理装置の電力状態を前記第2電力状態から前記第1電力状態に切り替える制御手段と、を有する
ことを特徴とする請求項11~13のいずれか1項に記載の情報処理装置。 - 前記検知手段は、超音波センサである
ことを特徴とする請求項11~14のいずれか1項に記載の情報処理装置。 - 前記検知手段は、複数の赤外線受光素子が配列された赤外線アレイセンサである
ことを特徴とする請求項11~14のいずれか1項に記載の情報処理装置。 - 情報処理装置の前に存在する物体を検知する検知手段と、ユーザ操作を受け付ける操作部とを有する情報処理装置の制御方法であって、
前記検知手段から出力された時系列のセンス値と前記操作部で受け付けられた前記ユーザ操作の有無に基づくラベルと、前記操作部によって前記ユーザ操作が受け付けられたタイミングから所定期間前のタイミングまでの前記検知手段から出力された時系列のセンス値とを含む学習データを用いて学習された学習モデルを用い、前記検知手段から出力される時系列のセンス値が入力されると、前記情報処理装置を利用するユーザが存在するかどうかを推定する推定工程を有する
ことを特徴とする情報処理装置の制御方法。 - コンピュータに、請求項17に記載の制御方法を実行させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018149173A JP7233868B2 (ja) | 2018-08-08 | 2018-08-08 | 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム |
US16/529,591 US11509781B2 (en) | 2018-08-08 | 2019-08-01 | Information processing apparatus, and control method for information processing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018149173A JP7233868B2 (ja) | 2018-08-08 | 2018-08-08 | 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020024597A JP2020024597A (ja) | 2020-02-13 |
JP2020024597A5 JP2020024597A5 (ja) | 2021-09-09 |
JP7233868B2 true JP7233868B2 (ja) | 2023-03-07 |
Family
ID=69406738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018149173A Active JP7233868B2 (ja) | 2018-08-08 | 2018-08-08 | 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11509781B2 (ja) |
JP (1) | JP7233868B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6915638B2 (ja) * | 2019-03-08 | 2021-08-04 | セイコーエプソン株式会社 | 故障時期推測装置、機械学習装置、故障時期推測方法 |
JP2023030344A (ja) * | 2021-08-23 | 2023-03-08 | 富士フイルムビジネスイノベーション株式会社 | 画像形成装置 |
US11782373B2 (en) * | 2022-01-07 | 2023-10-10 | Toshiba Tec Kabushiki Kaisha | Image forming apparatus with function of preventing secondary infection |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010147725A (ja) | 2008-12-17 | 2010-07-01 | Canon Inc | 画像処理装置及び画像処理装置の制御方法 |
JP2012008771A (ja) | 2010-06-24 | 2012-01-12 | Sony Corp | 情報処理装置、情報処理システム、情報処理方法およびプログラム |
JP2017169054A (ja) | 2016-03-16 | 2017-09-21 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
JP2017228091A (ja) | 2016-06-22 | 2017-12-28 | 日本電信電話株式会社 | 歩行状態学習方法、歩行状態推定方法、路面状況理解方法、装置、及びプログラム |
JP2018081619A (ja) | 2016-11-18 | 2018-05-24 | 横河電機株式会社 | 情報処理装置、保全機器、情報処理方法、情報処理プログラム及び記録媒体 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06189048A (ja) * | 1992-09-14 | 1994-07-08 | Ricoh Co Ltd | 操作表示用制御装置、画像形成装置及び電源投入用制御装置 |
JP5382436B2 (ja) * | 2009-08-03 | 2014-01-08 | ソニー株式会社 | データ処理装置、データ処理方法、およびプログラム |
JP5633734B2 (ja) * | 2009-11-11 | 2014-12-03 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
US8943526B2 (en) * | 2011-12-02 | 2015-01-27 | Microsoft Corporation | Estimating engagement of consumers of presented content |
JP6406889B2 (ja) * | 2014-03-17 | 2018-10-17 | キヤノン株式会社 | 印刷装置、及び、印刷装置の制御方法 |
US9959506B1 (en) * | 2014-06-17 | 2018-05-01 | Amazon Technologies, Inc. | Predictive content retrieval using device movements |
US10605470B1 (en) * | 2016-03-08 | 2020-03-31 | BrainofT Inc. | Controlling connected devices using an optimization function |
JP6843542B2 (ja) | 2016-07-29 | 2021-03-17 | キヤノン株式会社 | 超音波センサを用いて人を検知する装置、方法及びプログラム |
US11481690B2 (en) * | 2016-09-16 | 2022-10-25 | Foursquare Labs, Inc. | Venue detection |
EP4220630A1 (en) * | 2016-11-03 | 2023-08-02 | Samsung Electronics Co., Ltd. | Electronic device and controlling method thereof |
JP6801532B2 (ja) * | 2017-03-15 | 2020-12-16 | 株式会社リコー | 情報処理装置、プログラム、情報処理システム |
JP6415632B2 (ja) | 2017-04-24 | 2018-10-31 | キヤノン株式会社 | 処理装置及び処理装置の制御方法 |
US10956792B2 (en) * | 2017-08-09 | 2021-03-23 | Intel Corporation | Methods and apparatus to analyze time series data |
US10083006B1 (en) * | 2017-09-12 | 2018-09-25 | Google Llc | Intercom-style communication using multiple computing devices |
US10305766B1 (en) * | 2017-11-07 | 2019-05-28 | Amazon Technologies, Inc. | Coexistence-insensitive presence detection |
US10558862B2 (en) * | 2018-01-12 | 2020-02-11 | Intel Corporation | Emotion heat mapping |
US10318890B1 (en) * | 2018-05-23 | 2019-06-11 | Cognitive Systems Corp. | Training data for a motion detection system using data from a sensor device |
US10867391B2 (en) * | 2018-09-28 | 2020-12-15 | Adobe Inc. | Tracking viewer engagement with non-interactive displays |
-
2018
- 2018-08-08 JP JP2018149173A patent/JP7233868B2/ja active Active
-
2019
- 2019-08-01 US US16/529,591 patent/US11509781B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010147725A (ja) | 2008-12-17 | 2010-07-01 | Canon Inc | 画像処理装置及び画像処理装置の制御方法 |
JP2012008771A (ja) | 2010-06-24 | 2012-01-12 | Sony Corp | 情報処理装置、情報処理システム、情報処理方法およびプログラム |
JP2017169054A (ja) | 2016-03-16 | 2017-09-21 | 富士ゼロックス株式会社 | 画像処理装置及びプログラム |
JP2017228091A (ja) | 2016-06-22 | 2017-12-28 | 日本電信電話株式会社 | 歩行状態学習方法、歩行状態推定方法、路面状況理解方法、装置、及びプログラム |
JP2018081619A (ja) | 2016-11-18 | 2018-05-24 | 横河電機株式会社 | 情報処理装置、保全機器、情報処理方法、情報処理プログラム及び記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
US20200053234A1 (en) | 2020-02-13 |
US11509781B2 (en) | 2022-11-22 |
JP2020024597A (ja) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7233868B2 (ja) | 情報処理装置の学習システム、情報処理装置、情報処理装置の制御方法及びプログラム | |
US7110917B2 (en) | Abnormality determining method, and abnormality determining apparatus and image forming apparatus using same | |
US20180017916A1 (en) | Image forming apparatus, method of controlling the same, and storage medium | |
CN104243751A (zh) | 图像形成装置以及图像形成装置的控制方法 | |
JP2018069489A (ja) | 画像形成装置、画像形成装置の制御方法、及びプログラム | |
JP2006205671A (ja) | 情報処理装置及びその制御方法 | |
JP7456142B2 (ja) | 画像形成装置 | |
JP6897010B2 (ja) | 復帰制御装置、画像処理装置及びプログラム | |
US8437034B2 (en) | Dynamically adapted reprographic system to current operating environment based on probabilistic network | |
JP2019159242A (ja) | 搬送装置、情報の取得方法およびプログラム | |
US20210364973A1 (en) | Recording medium conveyance device, recording medium conveyance method and non-transitory computer-readable recording medium encoded with recording medium conveyance program | |
US10684803B2 (en) | Image forming apparatus for executing print job | |
JP7081684B2 (ja) | 電子機器及び画像形成装置 | |
US9769343B2 (en) | Sleep mode control system to reduce power consumption and to provide a private power generation | |
JP2004206169A (ja) | 情報処理装置の制御方法 | |
JP2020037233A (ja) | 情報処理装置、その制御方法およびプログラム | |
US11483439B1 (en) | Image forming apparatus forms image data and stores contact history information of person contacted virus, and further displays information of survival of the virus contacted by the person at a site of the image forming apparatus | |
US20170026527A1 (en) | Image forming apparatus and image formation system | |
JP7524641B2 (ja) | 作業特性取得装置、作業特性取得方法及びプログラム | |
JP2022029247A (ja) | 画像形成装置、システム、画像形成装置の制御方法およびプログラム | |
US20200153989A1 (en) | Image forming apparatus and image forming method | |
JP6347231B2 (ja) | 画像形成装置、画像形成システム、画像形成方法 | |
JP6750529B2 (ja) | 複合装置、状態通知方法および状態通知プログラム | |
JP6753284B2 (ja) | 画像処理装置、モード切換方法およびモード切換プログラム | |
US20200004189A1 (en) | Image formation device, image formation method, and image formation program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210729 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210729 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220621 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220802 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220927 |
|
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: 20230124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230222 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7233868 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |