JP7299002B2 - 判別装置及び機械学習方法 - Google Patents
判別装置及び機械学習方法 Download PDFInfo
- Publication number
- JP7299002B2 JP7299002B2 JP2018156624A JP2018156624A JP7299002B2 JP 7299002 B2 JP7299002 B2 JP 7299002B2 JP 2018156624 A JP2018156624 A JP 2018156624A JP 2018156624 A JP2018156624 A JP 2018156624A JP 7299002 B2 JP7299002 B2 JP 7299002B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- learning data
- data
- unit
- sub
- 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7796—Active pattern-learning, e.g. online learning of image or video features based on specific statistical tests
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Description
手順1)学習データセットからあらかじめ決められた数または割合だけ、学習データを選び出す。選び出す方法はランダムに選び出す等、偏りが起きにくい方法が望ましい。
手順2)手順1で選出された学習データの集合をサブ学習データセットとする。
手順3)手順1で選出されなかった残りの学習データの集合をサブ検証データセットとする。
手順4)サブ学習データセットを使って通常の学習と同じように学習器の学習を行う。
手順5)手順4で生成された学習器を使ってサブ検証データセットに対して判別を行う。
手順6)判別が行われた各学習データについて、その学習データの判別回数を1増やすと共に、判別結果がアノテーションと一致していたらその学習データの正解回数を1増やす。
手順7)手順1での選び方を変えながら、手順1~6をあらかじめ決められた回数だけ行う。
手順8)各学習データについて、正解回数を判別回数で割った値をその学習データのアノテーションが正しい確率として算出する。
手順9)手順8で算出した各学習データの確率があらかじめ定めた閾値より低い学習データを、アノテーションが誤っている可能性がある学習データとしてユーザに提示し、アノテーションが正しいか再確認、必要があれば修正することを促す。
手順10)アノテーションの誤りを修正したのちに、全ての学習データセットを用いて学習を行う。
本発明の他の態様は、ラベルが付与されたデータに基づくデータセットから、学習に用いるサブ学習データセットと、検証に用いるサブ検証データセットを抽出する抽出部と、前記サブ学習データセットを用いて学習された学習モデルに前記サブ検証データセットに含まれるデータを入力した際の前記学習モデルからの出力に基づいて、前記サブ検証データセットに含まれるデータについて判別処理を行う判別部と、前記サブ検証データセットに含まれる各データについて、前記判別処理の結果が、付与された前記ラベルと一致していた回数を算出する正誤検出部と、を備え、前記抽出部による抽出および前記判別部による判別処理は、2以上の所定の回数だけ実行され、前記正誤検出部は、前記一致していた回数に基づいて、付与された前記ラベルが誤っている可能性があるデータかを検出する、判別装置である。
図1は第1の実施形態による機械学習装置を備えた判別装置の要部を示す概略的なハードウェア構成図である。本実施形態では、アノテーションの間違いを検知する機械学習方法を、外観検査に用いられる判別装置上に実装した場合の例を用いて説明する。
各繰り返しの回において、サブデータセット抽出部34が抽出するサブ学習データセット及びサブ検証データセットは、毎回異なるデータセットとなることに留意されたい。このようにして、様々なサブデータセットの組み合わせの元で、学習部110による学習と、判別部120による判別が行われ、結果として各学習データについて、複数回の判別処理が行われた上で、検証結果記録部40により、それぞれの学習データの判別回数及び正解回数が記録されることとなる。
●[ステップSA01]データ取得部30が、対象物に係るデータを取得し、学習データとして学習データ記憶部50に記憶する。
●[ステップSA02]ラベル付与部32が、ステップSA01で取得した対象物に係るデータに対して作業者の操作等に基づいてアノテーション(ラベル付け)を行い、学習データと関連付けて学習データ記憶部50に記憶する。
●[ステップSA03]対象物に係るデータがまだあるか否かを判定する。対象物に係るデータがまだある場合には、ステップSA01へ処理を移行し、対象物に係るデータがない場合には、ステップSA04に処理を移行する。
●[ステップSA05]学習部110は、ステップSA04で抽出されたサブ学習データセットを用いた教師あり学習を行い、学習済みモデルを生成する。
●[ステップSA06]判別部120は、ステップSA04で抽出されたサブ検証データセットに含まれるそれぞれの学習データについて、ステップSA05で構築された学習済みモデルを用いた判別処理を行う。
●[ステップSA07]検証結果記録部40は、ステップSA06での判別結果を、各学習データの判定回数/正解回数として学習データと関連付けて学習データ記憶部50に記録する。
●[ステップSA08]ステップSA04~SA07が所定回数繰り返されたか否かを判定する。所定回数繰り返された場合は、ステップSA09へ処理を移行し、所定回数繰り返されていない場合は、ステップSA04へ処理を移行する。
●[ステップSA10]ラベル付与部32は、作業者の操作に基づいて学習データに付与されているラベルを修正する。
この時、学習データに付与されたラベルが正解かどうかを、学習データに付与されたラベルと判別部120が出力するラベルの推定値との距離と所定の閾値と比較することで決定することができる。または計算した距離に基づいて該ラベルが正しい確率を算出するようにしても良い。一例として、学習データ記憶部50に記憶されるそれぞれの学習データについて、正解回数に変えて差分積算値を関連付けて記憶するようにし、判別部120によるサブ検証データセットに含まれるそれぞれの学習データに対する判別処理が行われるたびに、検証結果記録部40は、判別部120による判別結果として出力されたラベルの推定値とラベル付与部32により該学習データに付与されたラベルとの差分の絶対値又は判別部120による判別結果として出力されたラベルの推定値とラベル付与部32により該学習データに付与されたラベルとの距離を差分積算値に積算する。そして、正誤検出部42は、学習データ記憶部50に記憶されたそれぞれの学習データについて、差分積算値を判別回数で割った値に基づいて、学習データに付与されているラベルが正しい確率を算出する(例えば、それぞれの学習データにおける差分積算値を判別回数で割った値の分布に基づいて公知の確率分布に係る統計的手法により該ラベルが正しい確率を算出する等)ようにすれば良い。
4 撮像装置
11 CPU
12 ROM
13 RAM
14 不揮発性メモリ
17,18,19 インタフェース
20 バス
21 インタフェース
30 データ取得部
32 ラベル付与部
34 サブデータセット抽出部
40 検証結果記録部
42 正誤検出部
70 表示装置
71 入力装置
100 機械学習装置
101 プロセッサ
102 ROM
103 RAM
104 不揮発性メモリ
110 学習部
120 判別部
130 学習モデル記憶部
Claims (5)
- アノテーションの誤りを検出する判別装置であって、
複数の学習データからなる学習データセットを記憶する学習データ記憶部と、
判別する対象物に係るデータを取得して学習データとして前記学習データ記憶部に記憶するデータ取得部と、
前記学習データに対してラベルを付与するラベル付与部と、
前記学習データ記憶部に記憶される学習データセットから、学習に用いるサブ学習データセットと、検証に用いるサブ検証データセットを抽出するサブデータセット抽出部と、
前記サブ学習データセットに基づいた教師あり学習を行い、前記対象物に係るデータからラベルを判別する学習済みモデルを生成する学習部と、
前記サブ検証データセットに含まれるそれぞれの学習データについて、前記学習済みモデルを用いた判別処理を行う判別部と、
前記判別部によるそれぞれの学習データに対する判別処理の結果を該学習データと関連付けて前記学習データ記憶部へと記録する判別結果記録部と、
前記学習データ記憶部にそれぞれの学習データと関連付けて記録された判別処理の結果に基づいて、前記ラベル付与部により付与されたラベルが誤っている可能性がある学習データを検出する正誤検出部と、
を備え、
前記サブデータセット抽出部によるサブ検証データセットの抽出、前記学習部による学習済みモデルの生成及び前記判別部による判別処理は2以上の所定の回数だけ実行され、
前記正誤検出部は、前記判別部が2以上の所定の回数だけ実行した判別処理の結果に基づいて前記ラベル付与部により付与されたラベルが正しい確率を算出し、算出したラベルが正しい確率に基づいて前記ラベル付与部により付与されたラベルが誤っている可能性がある学習データを検出する、
を備えた判別装置。 - 前記正誤検出部は、算出したラベルが正しい確率が、予め定めた閾値より低い学習データを作業者に提示する、
請求項1に記載の判別装置。 - 前記学習データセットに含まれる学習データのラベルが正しい確率の統計的分布に基づいて、前記学習データセットの判別の困難さを判定する、
請求項1又は2に記載の判別装置。 - ラベルが付与されたデータに基づくデータセットから、学習に用いるサブ学習データセットと、検証に用いるサブ検証データセットを抽出する抽出部と、
前記サブ学習データセットを用いて学習された学習モデルに前記サブ検証データセットに含まれるデータを入力した際の前記学習モデルからの出力に基づいて、前記サブ検証データセットに含まれるデータについて判別処理を行う判別部と、
前記サブ検証データセットに含まれる各データについて、前記判別処理の結果が、付与された前記ラベルと一致していた回数を算出する正誤検出部と、
を備え、
前記抽出部による抽出および前記判別部による判別処理は、2以上の所定の回数だけ実行され、
前記正誤検出部は、前記一致していた回数に基づいて、付与された前記ラベルが誤っている可能性があるデータかを検出する、
判別装置。 - 複数の学習データからなる学習データセットを記憶する学習データ記憶部を備える判別装置により実行される、アノテーションの誤りを検出する機械学習方法において、
判別する対象物に係るデータを取得して前記学習データとして前期学習データ記憶部に記憶する第1ステップと、
前記第1ステップで取得された前記学習データに対してラベルを付与する第2ステップと、
前記第2ステップでラベルが付与された学習データのセットから、学習に用いるサブ学習データセットと、検証に用いるサブ検証データセットを抽出する第3ステップと、
前記サブ学習データセットに基づいた教師あり学習を行い、前記対象物に係るデータからラベルを判別する学習済みモデルを生成する第4ステップと、
前記サブ検証データセットに含まれるそれぞれの学習データについて、前記学習済みモデルを用いた判別処理を行う第5ステップと、
前記第5ステップでのそれぞれの学習データに対する判別処理の結果を該学習データと関連付けて記録する第6ステップと、
前記第6ステップでそれぞれの学習データと関連付けて記録された判別処理の結果に基づいて、付与されたラベルが誤っている可能性がある学習データを検出する第7ステップと、
を実行する機械学習方法であって、
前記第3~5ステップは2以上の所定の回数だけ実行され、
前記第7ステップは、前記5ステップにおいて2以上の所定の回数だけ実行された判別処理の結果に基づいてそれぞれの学習データに付与されたラベルが正しい確率を算出し、算出したラベルが正しい確率に基づいて、付与されたラベルが誤っている可能性がある学習データを検出する、
機械学習方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018156624A JP7299002B2 (ja) | 2018-08-23 | 2018-08-23 | 判別装置及び機械学習方法 |
US16/640,729 US11461584B2 (en) | 2018-08-23 | 2019-08-01 | Discrimination device and machine learning method |
PCT/JP2019/030247 WO2020039882A1 (ja) | 2018-08-23 | 2019-08-01 | 判別装置及び機械学習方法 |
CN201980004214.7A CN111183437A (zh) | 2018-08-23 | 2019-08-01 | 判别装置以及机器学习方法 |
DE112019000093.4T DE112019000093T5 (de) | 2018-08-23 | 2019-08-01 | Diskriminierungsvorrichtung und Maschinenlernverfahren |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018156624A JP7299002B2 (ja) | 2018-08-23 | 2018-08-23 | 判別装置及び機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020030692A JP2020030692A (ja) | 2020-02-27 |
JP7299002B2 true JP7299002B2 (ja) | 2023-06-27 |
Family
ID=69592972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018156624A Active JP7299002B2 (ja) | 2018-08-23 | 2018-08-23 | 判別装置及び機械学習方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11461584B2 (ja) |
JP (1) | JP7299002B2 (ja) |
CN (1) | CN111183437A (ja) |
DE (1) | DE112019000093T5 (ja) |
WO (1) | WO2020039882A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7107331B2 (ja) | 2020-04-10 | 2022-07-27 | 株式会社椿本チエイン | データ収集方法、データ収集システム、データ収集装置、データ提供方法、及び、コンピュータプログラム |
US11818163B2 (en) * | 2020-09-18 | 2023-11-14 | Paypal, Inc. | Automatic machine learning vulnerability identification and retraining |
WO2022123905A1 (ja) * | 2020-12-07 | 2022-06-16 | パナソニックIpマネジメント株式会社 | 処理システム、学習処理システム、処理方法、及びプログラム |
JPWO2022239316A1 (ja) * | 2021-05-11 | 2022-11-17 | ||
CN113592850A (zh) * | 2021-08-12 | 2021-11-02 | 苏州鼎纳自动化技术有限公司 | 一种基于元学习的缺陷检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015087903A (ja) | 2013-10-30 | 2015-05-07 | ソニー株式会社 | 情報処理装置及び情報処理方法 |
JP2018045559A (ja) | 2016-09-16 | 2018-03-22 | 富士通株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP2018097671A (ja) | 2016-12-14 | 2018-06-21 | 株式会社グルーヴノーツ | サービス構築装置、サービス構築方法及びサービス構築プログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4227863B2 (ja) | 2003-08-04 | 2009-02-18 | 株式会社デンソー | 視覚検査装置の教示装置及び教示方法 |
US7751599B2 (en) * | 2006-08-09 | 2010-07-06 | Arcsoft, Inc. | Method for driving virtual facial expressions by automatically detecting facial expressions of a face image |
US8804005B2 (en) * | 2008-04-29 | 2014-08-12 | Microsoft Corporation | Video concept detection using multi-layer multi-instance learning |
US8385971B2 (en) * | 2008-08-19 | 2013-02-26 | Digimarc Corporation | Methods and systems for content processing |
JP5874398B2 (ja) | 2012-01-05 | 2016-03-02 | オムロン株式会社 | 画像検査装置の検査領域設定方法 |
WO2013176750A1 (en) * | 2012-05-25 | 2013-11-28 | Security Pacific Capital Corporation | Methods, systems and apparatus for automated authentication |
JP6246513B2 (ja) | 2013-07-16 | 2017-12-13 | 株式会社キーエンス | 三次元画像処理装置、三次元画像処理方法及び三次元画像処理プログラム並びにコンピュータで読み取り可能な記録媒体及び記録した機器 |
US10592820B2 (en) * | 2016-06-09 | 2020-03-17 | International Business Machines Corporation | Sequential learning technique for medical image segmentation |
JP6729457B2 (ja) * | 2017-03-16 | 2020-07-22 | 株式会社島津製作所 | データ解析装置 |
US10223610B1 (en) * | 2017-10-15 | 2019-03-05 | International Business Machines Corporation | System and method for detection and classification of findings in images |
-
2018
- 2018-08-23 JP JP2018156624A patent/JP7299002B2/ja active Active
-
2019
- 2019-08-01 US US16/640,729 patent/US11461584B2/en active Active
- 2019-08-01 CN CN201980004214.7A patent/CN111183437A/zh active Pending
- 2019-08-01 WO PCT/JP2019/030247 patent/WO2020039882A1/ja active Application Filing
- 2019-08-01 DE DE112019000093.4T patent/DE112019000093T5/de active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015087903A (ja) | 2013-10-30 | 2015-05-07 | ソニー株式会社 | 情報処理装置及び情報処理方法 |
JP2018045559A (ja) | 2016-09-16 | 2018-03-22 | 富士通株式会社 | 情報処理装置、情報処理方法およびプログラム |
JP2018097671A (ja) | 2016-12-14 | 2018-06-21 | 株式会社グルーヴノーツ | サービス構築装置、サービス構築方法及びサービス構築プログラム |
Also Published As
Publication number | Publication date |
---|---|
DE112019000093T5 (de) | 2020-05-20 |
CN111183437A (zh) | 2020-05-19 |
JP2020030692A (ja) | 2020-02-27 |
US11461584B2 (en) | 2022-10-04 |
WO2020039882A1 (ja) | 2020-02-27 |
US20200193219A1 (en) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7299002B2 (ja) | 判別装置及び機械学習方法 | |
US20190266434A1 (en) | Method and device for extracting information from pie chart | |
US8650137B2 (en) | Method and apparatus for creating state estimation models in machine condition monitoring | |
EP3444724B1 (en) | Method and system for health monitoring and fault signature identification | |
EP3220353B1 (en) | Image processing apparatus, image processing method, and recording medium | |
WO2020046960A1 (en) | System and method for optimizing damage detection results | |
US10235629B2 (en) | Sensor data confidence estimation based on statistical analysis | |
JP7106391B2 (ja) | 画像判定方法、画像判定装置および画像判定プログラム | |
CN111814905A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
EP3839680B1 (en) | Method and device for controlling a machine using principal component analysis | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
TW202113703A (zh) | 作業要素分析裝置及作業要素分析方法 | |
KR102132077B1 (ko) | 설비 데이터의 이상 정도 평가 방법 | |
JP6786015B1 (ja) | 動作分析システムおよび動作分析プログラム | |
JP2022082277A (ja) | 検知プログラム、検知装置、および検知方法 | |
US11688175B2 (en) | Methods and systems for the automated quality assurance of annotated images | |
JP6930195B2 (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
KR20200051343A (ko) | 시계열 데이터 예측 모델 평가 방법 및 장치 | |
KR102245896B1 (ko) | 인공 지능 모형 기반의 어노테이션 데이터 검증 방법 및 그 시스템 | |
CN115578329A (zh) | 屏幕检测方法、装置、计算机设备及可读存储介质 | |
CN112861689A (zh) | 一种基于nas技术的坐标识别模型的搜索方法及装置 | |
CN108735295B (zh) | 基于回归树模型的血液分析方法及终端设备 | |
JP2019106213A5 (ja) | ||
Zhang et al. | One step closer to unbiased aleatoric uncertainty estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200109 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210609 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220621 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220810 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230203 |
|
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: 20230516 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230615 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7299002 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |