JP7341381B2 - 画像検索装置及び画像検索方法 - Google Patents
画像検索装置及び画像検索方法 Download PDFInfo
- Publication number
- JP7341381B2 JP7341381B2 JP2023540860A JP2023540860A JP7341381B2 JP 7341381 B2 JP7341381 B2 JP 7341381B2 JP 2023540860 A JP2023540860 A JP 2023540860A JP 2023540860 A JP2023540860 A JP 2023540860A JP 7341381 B2 JP7341381 B2 JP 7341381B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- reliability
- learning
- learning model
- 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
- 238000000034 method Methods 0.000 title claims description 26
- 239000013598 vector Substances 0.000 claims description 107
- 238000010586 diagram Methods 0.000 description 40
- 239000002131 composite material Substances 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 239000000470 constituent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
特許文献1に開示されている画像検索技術でも、画像検索部による検索の信頼度を確認することができない。したがって、仮に、当該画像検索技術を従来の画像検索装置に適用することが可能であるとしても、上記の課題を解決することができない。
図1は、実施の形態1に係る画像検索装置を示す構成図である。
図2は、実施の形態1に係る画像検索装置のハードウェアを示すハードウェア構成図である。
図1に示す画像検索装置は、特徴ベクトル取得部1、信頼度取得部2、画像検索部3及び信頼度特定部4を備えている。
特徴ベクトル取得部1は、第1の学習モデル5を備えている。第1の学習モデル5は、図4に示す学習装置によって生成されたものである。
特徴ベクトル取得部1は、識別対象の画像であるクエリ画像qを取得し、N個の被識別対象の画像であるギャラリ画像g1~gNを含むギャラリ画像群Gを取得する。Nは、1以上の整数である。
特徴ベクトル取得部1は、クエリ画像qを第1の学習モデル5に与えて、第1の学習モデル5から、クエリ画像qの特徴ベクトルFvqを取得する。
また、特徴ベクトル取得部1は、ギャラリ画像gn(n=1,・・・,N)を第1の学習モデル5に与えて、第1の学習モデル5から、ギャラリ画像gnの特徴ベクトルFvg,nを取得する。
特徴ベクトルFvq及び特徴ベクトルFvg,nのそれぞれは、画像特徴空間の位置を示すものである。画像特徴空間が、2次元の特徴空間であれば、特徴空間の横軸は、例えば、被写体である人間の左目と右目との距離を示し、特徴空間の縦軸は、例えば、目尻から鼻までの距離を示すものが考えられる。
画像特徴空間は、2次元の特徴空間に限るものではなく、例えば、3次元の特徴空間であってもよい。
特徴ベクトル取得部1は、ギャラリ画像群G、クエリ画像qの特徴ベクトルFvq及びギャラリ画像gnの特徴ベクトルFvg,nのそれぞれを画像検索部3に出力する。
信頼度取得部2は、第2の学習モデル6を備えている。第2の学習モデル6は、図4に示す学習装置によって生成されたものである。
信頼度取得部2は、クエリ画像qを取得する。
信頼度取得部2は、クエリ画像qを第2の学習モデル6に与えて、第2の学習モデル6から、N個のギャラリ画像g1~gNの中で、クエリ画像qに含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像g1’~ gK’が検索された際の検索の信頼度Dを取得する。Kは、1以上N以下の整数である。
信頼度取得部2は、取得した信頼度Dを信頼度特定部4に出力する。
画像検索部3は、ギャラリ画像群G、クエリ画像qの特徴ベクトルFvq及びギャラリ画像gn(n=1,・・・,N)の特徴ベクトルFvg,nのそれぞれを取得する。
画像検索部3は、クエリ画像qの特徴ベクトルFvqとギャラリ画像gnの特徴ベクトルFvg,nとに基づいて、N個のギャラリ画像g1~gNの中から、クエリ画像qに含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像g1’~ gK’を検索する。
画像検索部3は、画像の検索結果として、K個のギャラリ画像g1’~ gK’を外部に出力することによって、例えば、K個のギャラリ画像g1’~ gK’をディスプレイ等に表示させる。
信頼度特定部4は、信頼度取得部2から信頼度Dを取得する。
信頼度特定部4は、信頼度取得部2により取得された信頼度Dから、画像検索部3による検索の信頼度を特定する。
図1に示す画像検索装置では、信頼度特定部4が、信頼度取得部2により取得された信頼度Dを、画像検索部3による検索の信頼度として、外部に出力する。
信頼度特定部4は、画像検索部3による検索の信頼度Dを外部に出力することによって、例えば、画像検索部3による検索の信頼度Dをディスプレイ等に表示させる。
特徴ベクトル取得回路11、信頼度取得回路12、画像検索回路13及び信頼度特定回路14のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、又は、これらを組み合わせたものが該当する。
ソフトウェア又はファームウェアは、プログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、CPU(Central Processing Unit)、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、DSP(Digital Signal Processor)が該当する。
画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合、特徴ベクトル取得部1、信頼度取得部2、画像検索部3及び信頼度特定部4におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ21に格納される。そして、コンピュータのプロセッサ22がメモリ21に格納されているプログラムを実行する。
図5は、図4に示す学習装置のハードウェアを示すハードウェア構成図である。
図4に示す学習装置は、第1の学習モデル生成部31及び第2の学習モデル生成部32を備えている。
第1の学習モデル生成部31は、例えば、図5に示す第1の学習モデル生成回路41によって実現される。
第1の学習モデル生成部31は、M個の学習用の画像である学習用画像gg1~ggMを含む学習用画像群GGを取得する。Mは、K以上の整数である。学習用画像ggmには、学習用画像ggmに含まれている被写体を示す識別情報idmが付加されている。
第1の学習モデル生成部31は、学習用画像ggm(m=1,・・・,M)の特徴ベクトルFvgg,mを抽出する。
第1の学習モデル生成部31は、M個の学習用画像gg1~ggMとM個の特徴ベクトルFvgg,1~Fvgg,Mとを用いて、第1の学習モデル5を生成する。
即ち、第1の学習モデル生成部31は、学習用画像ggm(m=1,・・・,M)を第1の学習モデル5に与え、特徴ベクトルFvgg,m(m=1,・・・,M)を教師データとして第1の学習モデル5に与えることで、学習用画像ggmの特徴ベクトルFvgg,mを第1の学習モデル5に学習させる。
第1の学習モデル生成部31は、学習済みの第1の学習モデル5を図1に示す画像検索装置の特徴ベクトル取得部1に与える。
第2の学習モデル生成部32は、M個の学習用画像gg1~ggMを含む学習用画像群GGを取得する。
第2の学習モデル生成部32は、学習用画像ggm(m=1,・・・,M)に付加されている識別情報idmに基づいて、信頼度Dmを算出する。
例えば、第2の学習モデル生成部32が信頼度D1を算出するのであれば、第2の学習モデル生成部32は、学習用画像gg1~ggMに付加されている識別情報id1~idMの中で、学習用画像gg1に付加されている識別情報id1と同じ被写体を示している割合を算出する。
例えば、第2の学習モデル生成部32が信頼度D2を算出するのであれば、第2の学習モデル生成部32は、学習用画像gg1~ggMに付加されている識別情報id1~idMの中で、学習用画像gg2に付加されている識別情報id2と同じ被写体を示している割合を算出する。
第2の学習モデル生成部32は、M個の学習用画像gg1~ggMとM個の信頼度D1~DMとを用いて、第2の学習モデル6を生成する。
即ち、第2の学習モデル生成部32は、学習用画像ggm(m=1,・・・,M)を第2の学習モデル6に与え、信頼度Dmを教師データとして第2の学習モデル6に与えることで、信頼度Dmを第2の学習モデル6に学習させる。
第2の学習モデル生成部32は、学習済みの第2の学習モデル6を図1に示す画像検索装置の信頼度取得部2に与える。
第1の学習モデル生成回路41及び第2の学習モデル生成回路42のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
図6は、学習装置が、ソフトウェア又はファームウェア等によって実現される場合のコンピュータのハードウェア構成図である。
学習装置が、ソフトウェア又はファームウェア等によって実現される場合、第1の学習モデル生成部31及び第2の学習モデル生成部32におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムがメモリ51に格納される。そして、コンピュータのプロセッサ52がメモリ51に格納されているプログラムを実行する。
第1の学習モデル生成部31は、図7Aに示すような、M個の学習用画像gg1~ggMを含む学習用画像群GGを取得する。
図7Aは、M個の学習用画像gg1~ggMを含む学習用画像群GGの一例を示す説明図である。
図7Aの例では、学習用画像群GGが3つの学習用画像gg1~gg3を含んでいる。学習用画像gg1に付加されている識別情報id1は“3”であり、学習用画像gg2に付加されている識別情報id2は“3”であり、学習用画像gg3に付加されている識別情報id3は“5”である。
したがって、図7Aの例では、学習用画像gg1に含まれている被写体は、学習用画像gg2に含まれている被写体と同じであり、学習用画像gg1,gg2に含まれている被写体は、学習用画像gg3に含まれている被写体と異なる。
第1の学習モデル生成部31は、学習用画像ggm(m=1,・・・,M)を第1の学習モデル5に与え、特徴ベクトルFvgg,m(m=1,・・・,M)を教師データとして第1の学習モデル5に与えることで、学習用画像ggmの特徴ベクトルFvgg,mを第1の学習モデル5に学習させる。
第1の学習モデル生成部31は、学習用画像ggmの特徴ベクトルFvgg,mを第1の学習モデル5に学習させる際、図11に示すように、M個の学習用画像gg1~ggMの中で、識別情報idmが示す被写体が同じ学習用画像同士の位置については、互いに近づくように学習用画像ggmの特徴ベクトルFvgg,mを学習させる。第1の学習モデル生成部31は、図11に示すように、M個の学習用画像gg1~ggMの中で、識別情報idmが示す被写体が異なる学習用画像同士の位置については、互いに遠ざかるように学習用画像ggmの特徴ベクトルFvgg,mを学習させる。
図4に示す学習装置では、第1の学習モデル生成部31が、Triplet Lossと呼ばれる距離学習方法を用いて、学習用画像ggmの特徴ベクトルFvgg,mを学習させている。しかし、これは一例に過ぎず、第1の学習モデル生成部31は、Triplet Loss以外の距離学習方法を用いて、学習用画像ggmの特徴ベクトルFvgg,mを学習させるものであってもよい。
図8の例では、4つの学習用画像gg1~gg4の画像特徴空間上の位置を示している。
図8に示す画像特徴空間は、2次元の特徴空間である。特徴空間の横軸は、例えば、被写体である人間の左目と右目との距離を示している。特徴空間の縦軸は、例えば、目尻から鼻までの距離を示している。
第1の学習モデル生成部31は、学習済みの第1の学習モデル5を図1に示す画像検索装置の特徴ベクトル取得部1に与える。
第2の学習モデル生成部32は、学習用画像ggm(m=1,・・・,M)に付加されている識別情報idmに基づいて、信頼度Dmを算出する。
即ち、第2の学習モデル生成部32は、学習用画像群GGの中から、それぞれの学習用画像ggmを順番に取得して、取得した学習用画像ggmを基準画像ggrefに設定する。
第2の学習モデル生成部32は、M個の学習用画像gg1~ggMに付加されている識別情報id1~idMの中で、基準画像ggrefに付加されている識別情報idmが示す被写体と同じ被写体を示している割合を信頼度Dmとして算出する。
例えば、M=10であり、基準画像ggrefに付加されている識別情報idmが示す被写体と同じ被写体を含んでいる学習用画像ggmの数が6であれば、信頼度Dmは、60=(6/10)×100[%]である。
例えば、M=8であり、基準画像ggrefに付加されている識別情報idmが示す被写体と同じ被写体を含んでいる学習用画像ggmの数が5であれば、信頼度Dmは、62.5=(5/8)×100[%]である。
第2の学習モデル生成部32は、学習済みの第2の学習モデル6を図1に示す画像検索装置の信頼度取得部2に与える。
図9は、図1に示す画像検索装置の処理手順である画像検索方法を示すフローチャートである。
特徴ベクトル取得部1は、例えば、図7Bに示すような、クエリ画像qと、N個のギャラリ画像g1~gNを含むギャラリ画像群Gとを取得する。
図7Bは、クエリ画像q及びギャラリ画像群Gの一例を示す説明図である。
図7Bの例では、ギャラリ画像群Gが3つのギャラリ画像g1~g3を含んでいる。
また、特徴ベクトル取得部1は、ギャラリ画像gn(n=1,・・・,N)を第1の学習モデル5に与えて、第1の学習モデル5から、ギャラリ画像gnの特徴ベクトルFvg,nを取得する(図9のステップST2)。
特徴ベクトル取得部1は、ギャラリ画像群G、クエリ画像qの特徴ベクトルFvq及びギャラリ画像gnの特徴ベクトルFvg,nのそれぞれを画像検索部3に出力する。
信頼度取得部2は、クエリ画像qを第2の学習モデル6に与えて、第2の学習モデル6から、信頼度Dを取得する(図9のステップST3)。
信頼度取得部2は、信頼度Dを信頼度特定部4に出力する。
画像検索部3は、クエリ画像qとギャラリ画像gn(n=1,・・・,N)との類似度Snとして、クエリ画像qの特徴ベクトルFvqとギャラリ画像gnの特徴ベクトルFvg,nとのユークリッド距離Lnを算出する。ユークリッド距離Lnが短い程、クエリ画像qとギャラリ画像gnとの類似度Snが高い。ユークリッド距離Lnの算出処理自体は、公知の技術であるため詳細な説明を省略する。
画像検索部3は、N個のギャラリ画像g1~gNの中から、クエリ画像qに含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像g1’~ gK’として、クエリ画像qとの類似度Snが高い相対的に高いK個のギャラリ画像g1’~ gK’を検索する(図9のステップST4)。
図10の例では、K個のギャラリ画像g1’~ gK’として、5つのギャラリ画像g1’~g5 ’が表されている。
図10において、●は、クエリ画像qであり、○は、クエリ画像qに含まれている被写体を含んでいるギャラリ画像、×は、クエリ画像qに含まれている被写体を含んでいないギャラリ画像である。
クエリ画像qに対するギャラリ画像gk’(k=1,・・・,K)の類似度Skは、クエリ画像qの特徴ベクトルFvqと、ギャラリ画像gk’の特徴ベクトルFvg,kとのユークリッド距離Lkで表されている。
図10の例では、L1<L2<L3<L4<L5であるため、クエリ画像qに対するギャラリ画像gk’の類似度Skは、S1>S2>S3>S4>S5である。
ここでは、クエリ画像qに対するギャラリ画像gk’の類似度Skが、ユークリッド距離Lkで表されている。しかし、これは一例に過ぎず、類似度Skが、例えば、クエリ画像qに対するギャラリ画像gk’のコサイン類似度で表されるものであってもよい。
K=2の場合、画像検索部3は、クエリ画像qに含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像g1’~ gK’として、ギャラリ画像g1’,g2’を外部に出力する。
K=5の場合、画像検索部3は、クエリ画像qに含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像g1’~ gK’として、ギャラリ画像g1’,g2’,g3’,g4’,g5’を外部に出力する。
画像検索部3は、画像の検索結果として、K個のギャラリ画像g1’~ gK’を外部に出力することによって、例えば、K個のギャラリ画像g1’~ gK’をディスプレイ等に表示させる。
信頼度特定部4は、信頼度取得部2により取得された信頼度Dから、画像検索部3による検索の信頼度を特定する(図9のステップST5)。
図1に示す画像検索装置では、信頼度特定部4が、信頼度取得部2により取得された信頼度Dをそのまま画像検索部3による検索の信頼度として特定している。
信頼度特定部4は、画像検索部3による検索の信頼度Dを外部に出力することによって、例えば、画像検索部3による検索の信頼度Dをディスプレイ等に表示させる。
図10の例では、K=2の場合、クエリ画像qに含まれている被写体を含んでいるギャラリ画像g1’と、クエリ画像qに含まれている被写体を含んでいないギャラリ画像g2’とが画像検索部3によって検索されるため、信頼度Dは、50=(1/2)×100[%]であることが想定される。
図10の例では、K=5の場合、クエリ画像qに含まれている被写体を含んでいるギャラリ画像g1’,g3’,g4’と、クエリ画像qに含まれている被写体を含んでいないギャラリ画像g2’,g5’とが画像検索部3によって検索されるため、信頼度Dは、60=(3/5)×100[%]であることが想定される。
実施の形態2では、信頼度取得部61が、クエリ画像qを第2の学習モデル63に与えて、第2の学習モデル63から、検索の信頼度として、グループについての信頼度を取得する画像検索装置について説明する。
図13は、実施の形態2に係る画像検索装置のハードウェアを示すハードウェア構成図である。図13において、図2と同一符号は同一又は相当部分を示すので説明を省略する。
図12に示す画像検索装置は、特徴ベクトル取得部1、信頼度取得部61、画像検索部3及び信頼度特定部62を備えている。
仮に、J=3、M=16であれば、例えば、学習用画像gg1~gg3が、信頼度○○%のグループGP1に分類され、学習用画像gg4~gg10が、信頼度△△%のグループGP2に分類され、学習用画像gg11~gg16が、信頼度□□%のグループGP3に分類されることがある。
第2の学習モデル63は、学習用画像ggm(m=1,・・・,M)と、学習用画像ggmが含まれているグループGPjについての信頼度Djとが与えられたときに、グループGPjについての信頼度Djの学習が行われた学習モデルである。
信頼度取得部61は、第2の学習モデル63を備えている。第2の学習モデル63は、図14に示す学習装置によって生成されたものである。
信頼度取得部61は、クエリ画像qを取得する。
信頼度取得部61は、クエリ画像qを第2の学習モデル63に与えて、第2の学習モデル63から、N個のギャラリ画像g1~gNの中で、クエリ画像qに含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像g1’~ gK’が検索された際の検索の信頼度として、グループGPj’についての信頼度Dj’を取得する。
信頼度取得部61は、グループGPj’についての信頼度Dj’を信頼度特定部62に出力する。
信頼度特定部62は、信頼度取得部61から、グループGPj’についての信頼度Dj’を取得する。
信頼度特定部62は、信頼度取得部61により取得されたグループGPj’についての信頼度Dj’から、画像検索部3による検索の信頼度を特定する。
図12に示す画像検索装置では、信頼度特定部62が、信頼度取得部61により取得されたグループGPj’についての信頼度Dj’を、画像検索部3による検索の信頼度として、外部に出力する。
信頼度特定部62は、画像検索部3による検索の信頼度Dj’を外部に出力することによって、例えば、画像検索部3による検索の信頼度Dj’をディスプレイ等に表示させる。
特徴ベクトル取得回路11、信頼度取得回路15、画像検索回路13及び信頼度特定回路16のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合、特徴ベクトル取得部1、信頼度取得部61、画像検索部3及び信頼度特定部62におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ21に格納される。そして、図3に示すプロセッサ22がメモリ21に格納されているプログラムを実行する。
図15は、図14に示す学習装置のハードウェアを示すハードウェア構成図である。
図14に示す学習装置は、第1の学習モデル生成部31及び第2の学習モデル生成部33を備えている。
第2の学習モデル生成部33は、M個の学習用画像gg1~ggMを含む学習用画像群GGを取得する。
第2の学習モデル生成部33は、学習用画像ggm(m=1,・・・,M)が含まれているグループGPj(j=1,・・・,J)についての信頼度Djを取得する。
第2の学習モデル生成部33は、学習用画像ggm(m=1,・・・,M)と、グループGPj(j=1,・・・,J)についての信頼度Djとを用いて、第2の学習モデル63を生成する。
即ち、第2の学習モデル生成部33は、学習用画像ggm(m=1,・・・,M)を第2の学習モデル63に与え、グループGPjについての信頼度Djを教師データとして第2の学習モデル63に与えることで、グループGPjについての信頼度Djを第2の学習モデル63に学習させる。
第2の学習モデル生成部33は、学習済みの第2の学習モデル63を図12に示す画像検索装置の信頼度取得部61に与える。
第1の学習モデル生成回路41及び第2の学習モデル生成回路43のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
学習装置が、ソフトウェア又はファームウェア等によって実現される場合、第1の学習モデル生成部31及び第2の学習モデル生成部33におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図6に示すメモリ51に格納される。そして、図6に示すプロセッサ52がメモリ51に格納されているプログラムを実行する。
図14に示す学習装置では、M個の学習用画像gg1~ggMが、信頼度別にグループ分けされている。即ち、M個の学習用画像gg1~ggMは、例えば、J個のグループGP1~GPJに分類されている。
また、第2の学習モデル生成部33は、学習用画像ggm(m=1,・・・,M)が含まれているグループGPj(j=1,・・・,J)についての信頼度Djを取得する。
第2の学習モデル生成部33は、事前に、学習用画像ggmが含まれているグループGPjを認識しているものとしてもよいし、外部から、学習用画像ggmが含まれているグループGPjを示す情報を取得するものとしてもよい。
第2の学習モデル生成部33は、学習済みの第2の学習モデル63を図12に示す画像検索装置の信頼度取得部61に与える。
信頼度取得部61は、クエリ画像qを取得する。
信頼度取得部61は、クエリ画像qを第2の学習モデル63に与えて、第2の学習モデル63から、グループGPj’についての信頼度Dj’を取得する。
信頼度取得部61は、グループGPj’についての信頼度Dj’を信頼度特定部62に出力する。
信頼度特定部62は、信頼度取得部61により取得されたグループGPj’についての信頼度Dj’から、画像検索部3による検索の信頼度を特定する。
即ち、信頼度特定部62は、グループGPj’についての信頼度Dj’を、画像検索部3による検索の信頼度であるとする。
信頼度特定部62は、画像検索部3による検索の信頼度Dj’を外部に出力することによって、例えば、画像検索部3による検索の信頼度Dj’をディスプレイ等に表示させる。
実施の形態3では、信頼度取得部64が、クエリ画像qを第2の学習モデル66に与えて、第2の学習モデル66から、検索の信頼度として、距離クラスについての信頼度を取得する画像検索装置について説明する。
図17は、実施の形態3に係る画像検索装置のハードウェアを示すハードウェア構成図である。図17において、図2及び図13と同一符号は同一又は相当部分を示すので説明を省略する。
図16に示す画像検索装置は、特徴ベクトル取得部1、信頼度取得部64、画像検索部3及び信頼度特定部65を備えている。
即ち、M個の学習用画像gg1~ggMのそれぞれは、順番に基準画像ggrefに設定される。それぞれの基準画像ggrefと、学習用画像群GGに含まれている、当該基準画像ggref以外のそれぞれの学習用画像ggmである学習用画像ggm’との類似度が、当該基準画像ggrefの画像空間上の位置とそれぞれの学習用画像ggm’の画像空間上の位置との間の距離で表されている。
そして、それぞれの学習用画像ggm’は、当該基準画像ggrefとの距離によって、U個の距離クラスCL1~CLUの中のいずれかの距離クラスに分類されている。
第2の学習モデル66は、基準画像ggrefと、距離クラスCLu(u=1,・・・,U)についての信頼度Duとが与えられたときに、距離クラスCLuについての信頼度Duの学習が行われた学習モデルである。
距離クラスCLuについての信頼度Duは、以下の式(1)に示すように、距離クラスCLuに含まれている学習用画像ggmの中で、基準画像ggrefに含まれている被写体を含んでいる学習用画像の割合である第1の頻度Puと、基準画像ggrefに含まれている被写体を含んでいない学習用画像の割合である第2の頻度Pu’とから算出されたものである。
Du=Pu/(Pu+Pu’) (1)
信頼度取得部64は、第2の学習モデル66を備えている。第2の学習モデル66は、図18に示す学習装置によって生成されたものである。
信頼度取得部64は、クエリ画像qを取得する。
信頼度取得部64は、クエリ画像qを第2の学習モデル66に与えて、第2の学習モデル66から、N個のギャラリ画像g1~gNの中で、クエリ画像qに含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像g1’~ gK’が検索された際の検索の信頼度として、距離クラスCLu’(u=1,・・・,U)についての信頼度Du’を取得する。
信頼度取得部64は、距離クラスCLu’についての信頼度Du’を信頼度特定部65に出力する。
信頼度特定部65は、信頼度取得部64から、距離クラスCLu’(u=1,・・・,U)についての信頼度Du’を取得する。
信頼度特定部65は、画像検索部3による検索の信頼度として、U個の距離クラスCL1’~CLU’の中から、画像検索部3により検索されたギャラリ画像gk’(k=1,・・・,K)が含まれている距離クラスCLk’についての信頼度Dk’を取得する。
信頼度特定部65は、取得した距離クラスCLk’についての信頼度Dk’から、画像検索部3による検索の信頼度を算出する。
信頼度特定部65は、画像検索部3による検索の信頼度を外部に出力することによって、例えば、画像検索部3による検索の信頼度をディスプレイ等に表示させる。
特徴ベクトル取得回路11、信頼度取得回路17、画像検索回路13及び信頼度特定回路18のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
画像検索装置が、ソフトウェア又はファームウェア等によって実現される場合、特徴ベクトル取得部1、信頼度取得部64、画像検索部3及び信頼度特定部65におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図3に示すメモリ21に格納される。そして、図3に示すプロセッサ22がメモリ21に格納されているプログラムを実行する。
図19は、図18に示す学習装置のハードウェアを示すハードウェア構成図である。
図19に示す学習装置は、第1の学習モデル生成部31及び第2の学習モデル生成部34を備えている。
第2の学習モデル生成部34は、M個の学習用画像gg1~ggMを含む学習用画像群GGを取得する。
第2の学習モデル生成部34は、学習用画像ggm(m=1,・・・,M)が含まれている距離クラスCLu(u=1,・・・,U)についての信頼度Duを取得する。
第2の学習モデル生成部34は、学習用画像ggm(m=1,・・・,M)と、距離クラスCLu(u=1,・・・,U)についての信頼度Duとを用いて、第2の学習モデル66を生成する。
即ち、第2の学習モデル生成部34は、M個の学習用画像gg1~ggMのそれぞれを順番に基準画像ggrefに設定する。
そして、第2の学習モデル生成部34は、設定した基準画像ggrefを第2の学習モデル66に与え、教師データを第2の学習モデル66に与えることで、距離クラスCLu(u=1,・・・,U)についての信頼度Duを第2の学習モデル66に学習させる。教師データは、学習用画像群GGに含まれている学習用画像gg1~ggMの中で、設定した基準画像ggref以外のそれぞれの学習用画像ggmである学習用画像ggm’が含まれている距離クラスCLu(u=1,・・・,U)についての信頼度Duである。
第2の学習モデル生成部34は、学習済みの第2の学習モデル66を図16に示す画像検索装置の信頼度取得部64に与える。
第1の学習モデル生成回路41及び第2の学習モデル生成回路44のそれぞれは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、又は、これらを組み合わせたものが該当する。
学習装置が、ソフトウェア又はファームウェア等によって実現される場合、第1の学習モデル生成部31及び第2の学習モデル生成部34におけるそれぞれの処理手順をコンピュータに実行させるためのプログラムが図6に示すメモリ51に格納される。そして、図6に示すプロセッサ52がメモリ51に格納されているプログラムを実行する。
図18に示す学習装置では、M個の学習用画像gg1~ggMのそれぞれが順番に基準画像ggrefに設定される。そして、それぞれの基準画像ggrefと、学習用画像ggm’(m=1,・・・,M-1)との類似度が、基準画像ggrefの画像空間上の位置と学習用画像ggm’(m=1,・・・,M-1)の画像空間上の位置との間の距離で表されている。
例えば、M=5であり、基準画像ggrefが学習用画像gg2であれば、学習用画像gg1’は学習用画像gg1であり、学習用画像gg2’は学習用画像gg3であり、学習用画像gg3’は学習用画像gg4であり、学習用画像gg4’は学習用画像gg5である。
また、例えば、M=5であり、基準画像ggrefが学習用画像gg3であれば、学習用画像gg1’は学習用画像gg1であり、学習用画像gg2’は学習用画像gg2であり、学習用画像gg3’は学習用画像gg4であり、学習用画像gg4’は学習用画像gg5である。
学習用画像ggm’(m=1,・・・,M-1)は、基準画像ggrefとの距離によって、U個の距離クラスCL1~CLUの中のいずれかの距離クラスCLu(u=1,・・・,U)に分類されている。
第2の学習モデル生成部34は、学習用画像ggm(m=1,・・・,M)が含まれている距離クラスCLu(u=1,・・・,U)についての信頼度Duを取得する。
即ち、第2の学習モデル生成部34は、M個の学習用画像gg1~ggMのそれぞれを順番に基準画像ggrefに設定し、M個の学習用画像gg1~ggMの中で、設定した基準画像ggref以外のそれぞれの学習用画像ggm である学習用画像ggm’が含まれている距離クラスCLu(u=1,・・・,U)についての信頼度Duを取得する。
第2の学習モデル生成部34は、設定した基準画像ggrefを第2の学習モデル66に与え、教師データを第2の学習モデル66に与えることで、距離クラスCLu(u=1,・・・,U)についての信頼度Duを第2の学習モデル66に学習させる。教師データは、(M-1)個の学習用画像gg1’~ggM-1’が含まれている距離クラスCLu(u=1,・・・,U)についての信頼度Duである。
第2の学習モデル生成部34は、学習済みの第2の学習モデル66を図16に示す画像検索装置の信頼度取得部64に与える。
信頼度取得部64は、クエリ画像qを取得する。
信頼度取得部64は、クエリ画像qを第2の学習モデル66に与えて、第2の学習モデル66から、距離クラスCLu’(u=1,・・・,U)についての信頼度Du’を取得する。
信頼度取得部64は、距離クラスCLu’についての信頼度Du’を信頼度特定部65に出力する。
距離クラスCLu’についての信頼度Du’は、以下の式(2)に示すように、距離クラスCLu’に含まれているギャラリ画像gn(n=1,・・・,N)の中で、クエリ画像qに含まれている被写体を含んでいるギャラリ画像の割合である第1の頻度Puと、クエリ画像qに含まれている被写体を含んでいないギャラリ画像の割合である第2の頻度Pu’とから算出が可能なものである。
Du’=Pu/(Pu+Pu’) (2)
図20は、クエリ画像に含まれている被写体を含んでいるギャラリ画像の頻度分布と、クエリ画像に含まれている被写体を含んでいないギャラリ画像の頻度分布とを示す説明図である。
図20において、横軸は、距離クラスCLu’(u=1,・・・,U)を示している。縦軸は、第1の頻度Pu及び第2の頻度Pu’のそれぞれを示している。
図20では、1つのクエリ画像qhと5つのギャラリ画像g1~g5とが例示されている。
信頼度特定部65は、画像検索部3から、K個のギャラリ画像g1’~ gK’を取得し、画像検索部3から、クエリ画像qの特徴ベクトルFvqとギャラリ画像gk’(k=1,・・・,H)とのユークリッド距離Lkを取得する。
信頼度特定部65は、クエリ画像qの特徴ベクトルFvqとギャラリ画像gk’(k=1,・・・,H)とのユークリッド距離Lkに基づいて、U個の距離クラスCL1’~CLU’の中で、ギャラリ画像gk’が含まれている距離クラスCLk’を特定する。
そして、信頼度特定部65は、U個の距離クラスCL1’~CLU’についての信頼度Du’の中から、画像検索部3により検索されたギャラリ画像gk’(k=1,・・・,K)が含まれている距離クラスCLk’についての信頼度Dk’を特定する。
例えば、K=2であり、画像検索部3により検索されたギャラリ画像gk’が、ギャラリ画像g1’,g2’であれば、信頼度特定部65は、ギャラリ画像g1’が含まれている距離クラスCLk’についての信頼度Dk’と、ギャラリ画像g2’が含まれている距離クラスCLk’についての信頼度Dk’とを取得する。
例えば、K=5であり、画像検索部3により検索されたギャラリ画像gk’が、ギャラリ画像g1’,g2’,g3’,g4’,g5’であれば、信頼度特定部65は、ギャラリ画像g1’が含まれている距離クラスCLk’についての信頼度Dk’と、ギャラリ画像g2’が含まれている距離クラスCLk’についての信頼度Dk’とを取得する。また、信頼度特定部65は、ギャラリ画像g3’が含まれている距離クラスCLk’についての信頼度Dk’と、ギャラリ画像g4’が含まれている距離クラスCLk’についての信頼度Dk’と、ギャラリ画像g5’が含まれている距離クラスCLk’についての信頼度Dk’とを取得する。
信頼度特定部65は、画像検索部3により検索されたギャラリ画像gk’の数が複数であり、取得した距離クラスCLk’についての信頼度Dk’の数が複数であれば、画像検索部3による検索の信頼度Dj’として、複数の距離クラスCLk’についての信頼度Dk’の平均値、あるいは、中央値等を算出する。
信頼度特定部65は、画像検索部3による検索の信頼度Dj’を外部に出力することによって、例えば、画像検索部3による検索の信頼度Dj’をディスプレイ等に表示させる。
Claims (5)
- 識別対象の画像であるクエリ画像を第1の学習モデルに与えて、前記第1の学習モデルから、前記クエリ画像の特徴ベクトルを取得し、複数の被識別対象の画像であるギャラリ画像のそれぞれを前記第1の学習モデルに与えて、前記第1の学習モデルから、それぞれのギャラリ画像の特徴ベクトルを取得する特徴ベクトル取得部と、
前記クエリ画像を第2の学習モデルに与えて、前記第2の学習モデルから、前記複数のギャラリ画像の中で、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いK(Kは、1以上の整数)個のギャラリ画像が検索された際の検索の信頼度を取得する信頼度取得部と、
前記特徴ベクトル取得部により取得されたクエリ画像の特徴ベクトルとそれぞれのギャラリ画像の特徴ベクトルとに基づいて、前記複数のギャラリ画像の中から、前記K個のギャラリ画像を検索する画像検索部と、
前記信頼度取得部により取得された信頼度から、前記画像検索部による検索の信頼度を特定する信頼度特定部と
を備えた画像検索装置。 - 前記第2の学習モデルは、
学習用画像群に含まれている複数の学習用の画像である学習用画像のそれぞれが順番に基準画像として与えられ、前記学習用画像群に含まれている、前記基準画像以外の学習用画像の中から、前記基準画像に含まれている被写体を含んでいる可能性が相対的に高いK個の学習用画像が検索された際の検索の信頼度が教師データとして与えられたときに、前記信頼度の学習が行われた学習モデルであることを特徴とする請求項1記載の画像検索装置。 - 複数の学習用の画像である学習用画像が信頼度別にグループ分けされており、
前記第2の学習モデルは、
それぞれの学習用画像が与えられ、それぞれの学習用画像が含まれているグループについての信頼度が教師データとして与えられたときに、前記信頼度の学習が行われた学習モデルであり、
前記信頼度取得部は、
前記クエリ画像を前記第2の学習モデルに与えて、前記第2の学習モデルから、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像が検索された際の検索の信頼度として、グループについての信頼度を取得し、
前記信頼度特定部は、
前記信頼度取得部により取得されたグループについての信頼度から、前記画像検索部による検索の信頼度を特定することを特徴とする請求項1記載の画像検索装置。 - 学習用画像群に含まれている複数の学習用の画像である学習用画像のそれぞれが順番に基準画像であるとして、それぞれの基準画像と、前記学習用画像群に含まれている、当該基準画像以外のそれぞれの学習用画像との類似度が、当該基準画像の画像空間上の位置とそれぞれの学習用画像の画像空間上の位置との間の距離で表され、それぞれの学習用画像が、当該基準画像との距離によって、複数の距離クラスの中のいずれかの距離クラスに分類されており、
前記第2の学習モデルは、
それぞれの基準画像が与えられ、複数の距離クラスについての信頼度が教師データとして与えられたときに、前記信頼度の学習が行われた学習モデルであり、
前記信頼度取得部は、
前記クエリ画像を前記第2の学習モデルに与えて、前記第2の学習モデルから、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いK個のギャラリ画像が検索された際の検索の信頼度として、複数の距離クラスについての信頼度を取得し、
前記信頼度特定部は、
前記信頼度取得部により取得された複数の距離クラスについての信頼度の中から、前記画像検索部により検索されたK個のギャラリ画像が含まれている距離クラスについての信頼度を取得し、取得した距離クラスについての信頼度から、前記画像検索部による検索の信頼度を特定することを特徴とする請求項1記載の画像検索装置。 - 特徴ベクトル取得部が、識別対象の画像であるクエリ画像を第1の学習モデルに与えて、前記第1の学習モデルから、前記クエリ画像の特徴ベクトルを取得し、複数の被識別対象の画像であるギャラリ画像のそれぞれを前記第1の学習モデルに与えて、前記第1の学習モデルから、それぞれのギャラリ画像の特徴ベクトルを取得し、
信頼度取得部が、前記クエリ画像を第2の学習モデルに与えて、前記第2の学習モデルから、前記複数のギャラリ画像の中で、前記クエリ画像に含まれている被写体を含んでいる可能性が相対的に高いK(Kは、1以上の整数)個のギャラリ画像が検索された際の検索の信頼度を取得し、
画像検索部が、前記特徴ベクトル取得部により取得されたクエリ画像の特徴ベクトルとそれぞれのギャラリ画像の特徴ベクトルとに基づいて、前記複数のギャラリ画像の中から、前記K個のギャラリ画像を検索し、
信頼度特定部が、前記信頼度取得部により取得された信頼度から、前記画像検索部による検索の信頼度を特定する
画像検索方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/031270 WO2023026420A1 (ja) | 2021-08-26 | 2021-08-26 | 画像検索装置及び画像検索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2023026420A1 JPWO2023026420A1 (ja) | 2023-03-02 |
JP7341381B2 true JP7341381B2 (ja) | 2023-09-08 |
Family
ID=85322878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023540860A Active JP7341381B2 (ja) | 2021-08-26 | 2021-08-26 | 画像検索装置及び画像検索方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240160661A1 (ja) |
JP (1) | JP7341381B2 (ja) |
GB (1) | GB2624562A (ja) |
WO (1) | WO2023026420A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009075868A (ja) | 2007-09-20 | 2009-04-09 | Toshiba Corp | 画像から対象を検出する装置、方法およびプログラム |
JP2015201041A (ja) | 2014-04-08 | 2015-11-12 | 日本電信電話株式会社 | ハッシュ関数生成方法、ハッシュ値生成方法、装置、及びプログラム |
US10176198B1 (en) | 2016-05-09 | 2019-01-08 | A9.Com, Inc. | Techniques for identifying visually similar content |
CN109685075A (zh) | 2018-11-27 | 2019-04-26 | 山东鲁能软件技术有限公司 | 一种基于图像的电力设备识别方法、装置及系统 |
JP2019200734A (ja) | 2018-05-18 | 2019-11-21 | 富士通株式会社 | 情報処理プログラム、情報処理方法、および情報処理装置 |
JP2021508899A (ja) | 2018-04-19 | 2021-03-11 | 深▲セン▼市商湯科技有限公司Shenzhen Sensetime Technology Co.,Ltd. | 画像検索方法、画像検索装置、電子機器、記憶媒体及びプログラム |
-
2021
- 2021-08-26 WO PCT/JP2021/031270 patent/WO2023026420A1/ja active Application Filing
- 2021-08-26 JP JP2023540860A patent/JP7341381B2/ja active Active
- 2021-08-26 GB GB2402371.5A patent/GB2624562A/en active Pending
-
2024
- 2024-01-23 US US18/419,849 patent/US20240160661A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009075868A (ja) | 2007-09-20 | 2009-04-09 | Toshiba Corp | 画像から対象を検出する装置、方法およびプログラム |
JP2015201041A (ja) | 2014-04-08 | 2015-11-12 | 日本電信電話株式会社 | ハッシュ関数生成方法、ハッシュ値生成方法、装置、及びプログラム |
US10176198B1 (en) | 2016-05-09 | 2019-01-08 | A9.Com, Inc. | Techniques for identifying visually similar content |
JP2021508899A (ja) | 2018-04-19 | 2021-03-11 | 深▲セン▼市商湯科技有限公司Shenzhen Sensetime Technology Co.,Ltd. | 画像検索方法、画像検索装置、電子機器、記憶媒体及びプログラム |
JP2019200734A (ja) | 2018-05-18 | 2019-11-21 | 富士通株式会社 | 情報処理プログラム、情報処理方法、および情報処理装置 |
CN109685075A (zh) | 2018-11-27 | 2019-04-26 | 山东鲁能软件技术有限公司 | 一种基于图像的电力设备识别方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2023026420A1 (ja) | 2023-03-02 |
GB2624562A (en) | 2024-05-22 |
US20240160661A1 (en) | 2024-05-16 |
WO2023026420A1 (ja) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2973402B1 (en) | Systems, methods, and computer-readable media for identifying when a subject is likely to be affected by a medical condition | |
JP4560832B2 (ja) | 3次元物体モデルを用いた画像照合システム及び画像照合プログラム | |
JPWO2017017722A1 (ja) | 処理装置、処理方法及びプログラム | |
WO2020062493A1 (zh) | 图像处理方法和装置 | |
US20200202139A1 (en) | Crowd state recognition device, learning method, and learning program | |
US20110216954A1 (en) | Hierarchical atlas-based segmentation | |
Xiang et al. | Towards interpretable skin lesion classification with deep learning models | |
CN111784776B (zh) | 视觉定位方法及装置、计算机可读介质和电子设备 | |
JP2010531010A (ja) | 画像と形状記述子とのマッチング | |
CN113408566A (zh) | 目标检测方法及相关设备 | |
US20230237777A1 (en) | Information processing apparatus, learning apparatus, image recognition apparatus, information processing method, learning method, image recognition method, and non-transitory-computer-readable storage medium | |
JP2016157166A (ja) | 画像処理プログラム、画像処理装置、及び画像処理方法 | |
US20180342071A1 (en) | Moving object tracking apparatus, moving object tracking method, and computer program product | |
WO2014206722A1 (en) | Method and apparatus for generating image alignment data | |
Ann et al. | Multi-scale conditional generative adversarial network for small-sized lung nodules using class activation region influence maximization | |
JP7341381B2 (ja) | 画像検索装置及び画像検索方法 | |
JP2015041293A (ja) | 画像認識装置および画像認識方法 | |
JPWO2013088807A1 (ja) | 症例ごとの代表画像及び読影情報を生成する方法、装置及びコンピュータプログラム | |
JP6855175B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
JP6989873B2 (ja) | システム、画像認識方法、及び計算機 | |
CN114079801A (zh) | 按需将元数据叠加到视频流上以进行智能视频分析 | |
JP7106144B2 (ja) | 画像解析装置 | |
CN112598074A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN112634143A (zh) | 图像色彩校正模型训练方法、装置及电子设备 | |
JP6919276B2 (ja) | 画像表示プログラム、画像表示装置および画像表示方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230704 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230704 |
|
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: 20230801 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230829 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7341381 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |