JP7351186B2 - 解析装置、解析プログラム及び解析方法 - Google Patents
解析装置、解析プログラム及び解析方法 Download PDFInfo
- Publication number
- JP7351186B2 JP7351186B2 JP2019200863A JP2019200863A JP7351186B2 JP 7351186 B2 JP7351186 B2 JP 7351186B2 JP 2019200863 A JP2019200863 A JP 2019200863A JP 2019200863 A JP2019200863 A JP 2019200863A JP 7351186 B2 JP7351186 B2 JP 7351186B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- inference
- unit
- refined
- map
- 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
- 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
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Description
画像認識処理の際に誤ったラベルが推論される誤推論画像と、リファイン画像との差分を用いて、前記誤推論画像から、推論の正解ラベルのスコアを最大化させたリファイン画像を生成するリファイン画像生成部と、
前記誤推論画像の複数の画素のうち前記スコアを最大化させたリファイン画像を生成する際に変更がなされた画素を示す第1のマップと、前記スコアを最大化させたリファイン画像の複数の画素のうち推論時に注目した各画素の注目度合いを示すマップであって、各注目度合いの出現頻度に基づいて調整した第2のマップと、を重畳することで、正解ラベルを推論するための各画素の重要度を示す第3のマップを生成するマップ生成部と、
前記誤推論画像において、ピクセルの集合ごとに前記第3のマップの画素値を算出することで、誤推論の原因となるピクセルの集合を特定する特定部と、を有し、
前記リファイン画像生成部は、
前記特定部により前記ピクセルの集合が特定された場合、前記特定されたピクセルの集合の領域について前記差分を補正し、補正後の差分を用いて、前記誤推論画像から、前記推論の正解ラベルのスコアを最大化させたリファイン画像を再生成する。
<解析装置の機能構成>
はじめに、第1の実施形態に係る解析装置の機能構成について説明する。図1は、解析装置の機能構成の一例を示す図である。解析装置100には、解析プログラムがインストールされており、当該プログラムが実行されることで、解析装置100は、推論部110、誤推論画像抽出部120、誤推論原因抽出部140として機能する。
次に、解析装置100のハードウェア構成について説明する。図2は、解析装置のハードウェア構成の一例を示す図である。図2に示すように、解析装置100は、CPU(Central Processing Unit)201、ROM(Read Only Memory)202、RAM(Random Access Memory)203を有する。CPU201、ROM202、RAM203は、いわゆるコンピュータを形成する。
次に、第1の実施形態に係る解析装置100において実現される機能のうち、誤推論原因抽出部140の機能構成の詳細について説明する。図3は、誤推論原因抽出部の機能構成の一例を示す第1の図である。以下、誤推論原因抽出部140の各部(リファイン画像生成部141、マップ生成部142、特定部143)の詳細について説明する。
はじめに、リファイン画像生成部141の詳細について説明する。図3に示すように、リファイン画像生成部141は、画像リファイナ部301、画像誤差演算部302、推論部303、スコア誤差演算部304を有する。
・生成したリファイン画像を用いて推論した際のスコアと、正解ラベルのスコアを最大にしたスコアとの誤差であるスコア誤差と、
・生成したリファイン画像と誤推論画像との差分である画像差分値(例えば、画像差分(L1差分)やSSIM(Structural Similarity)やそれらの組み合わせ)と、
を最小化するようにCNNの学習を行う。
・予め定められた学習回数分(例えば、最大学習回数=N回分)、あるいは、
・正解ラベルのスコアが所定の閾値を超えるまで、あるいは、
・正解ラベルのスコアが所定の閾値を超え、かつ、画像差分値が所定の閾値より小さくなるまで、
行われ、推論部303より出力される正解ラベルのスコアが最大化した際のリファイン画像を、以下では、"スコア最大化リファイン画像"と称す。
次に、マップ生成部142の詳細について説明する。図3に示すように、マップ生成部142は、重要特徴マップ生成部311、劣化尺度マップ生成部312、重畳部313を有する。
次に、特定部143の詳細について説明する。図3に示すように、特定部143は、スーパーピクセル分割部321、重要スーパーピクセル決定部322、重要スーパーピクセル評価部323を有する。
次に、誤推論原因抽出部140の各部の処理の具体例について説明する。
はじめに、リファイン画像生成部141の処理の具体例について説明する。図4は、リファイン画像生成部の処理の具体例を示す図である。図4の左側の例は、正解ラベル="車種A"の車両が含まれる誤推論画像410を入力として推論した結果、ラベル="車種B"と誤推論した様子を示している。
・車種Aのスコア=0.0142、
・車種Bのスコア=0.4549、
・車種Cのスコア=0.0018、
であったことを示している。
・車種Aのスコア=0.9927、
・車種Bのスコア=0.0042、
・車種Cのスコア=0.0022、
であったことを示している。
(2-1)マップ生成部全体の処理の具体例
次に、マップ生成部142の処理の具体例について説明する。はじめに、マップ生成部142全体の処理の具体例について説明する。図5は、マップ生成部の処理の具体例を示す図である。
(式1)
重要特徴指標マップ=グレイスケール化重要特徴マップ×(1-劣化尺度マップ)
上式において、(1-劣化尺度マップ)の項は、0から1の値をとり、1に近いほど画像の差分が大きく、0に近いほど画像の差分が小さい。したがって、重要特徴指標マップ520は、スコア最大化リファイン画像の複数の画素のうち推論時に注目される画素の注目度合いを示すグレイスケール化重要特徴マップに、画像の差分の大小による強弱をつけた画像となる。
・劣化尺度マップ513において画像の差分が小さい部分について、グレイスケール化重要特徴マップの画素値を小さくし、
・劣化尺度マップ513において画像の差分が大きい部分について、グレイスケール化重要特徴マップの画素値を大きくする、
ことで生成される。
(式2)
(反転した)重要特徴指標マップ=255-[グレイスケール化重要特徴マップ×(1-劣化尺度マップ)]
ここで、重畳部313が、上式に基づいて、グレイスケール化重要特徴マップ502と劣化尺度マップ513とを重畳することによる利点について説明する。
次に、マップ生成部142の重要特徴マップ生成部311の更なる詳細について、図7~図9を参照しながら、図6を用いて説明する。図6は、重要特徴マップ生成部の機能構成の詳細を示す図である。
次に、特定部143の各部(スーパーピクセル分割部321、重要スーパーピクセル決定部322、重要スーパーピクセル評価部323)の処理の具体例について説明する。
はじめに、特定部143に含まれるスーパーピクセル分割部321の処理の具体例について説明する。図10は、スーパーピクセル分割部の処理の具体例を示す図である。図10に示すように、スーパーピクセル分割部321は、例えば、SLIC(Simple Linear Iterative Clustering)処理を行う分割部1010を有する。分割部1010は、誤推論画像511を、誤推論画像511に含まれる車両の部品ごとの部分画像であるスーパーピクセルに分割する。また、スーパーピクセル分割部321は、分割部1010によりスーパーピクセルに分割されることで生成されたスーパーピクセル分割情報1001を出力する。
次に、特定部143に含まれる重要スーパーピクセル決定部322の処理の具体例について説明する。図11は、重要スーパーピクセル決定部の処理の具体例を示す図である。
次に、誤推論原因抽出部140による誤推論原因抽出処理の流れについて説明する。図13及び図14は、誤推論原因抽出処理の流れを示す第1及び第2のフローチャートである。
次に、図13のステップS1306の重要特徴マップ生成処理の詳細について説明する。図15は、重要特徴マップ生成処理の流れを示すフローチャートである。
次に、誤推論原因抽出処理の具体例について説明する。図16は、誤推論原因抽出処理の具体例を示す第1の図である。
・最後の回のリファイン画像に対して行ってもよい、あるいは、
・それぞれのリファイン画像を入力とした推論での正解ラベルのスコアが一番よいリファイン画像(スコア最大化リファイン画像)に対して行ってもよい。
上記第1の実施形態では、スコア最大化リファイン画像を生成した際の推論部構造情報に基づいて、重要特徴指標マップを生成した。これに対して、第2の実施形態では、スコア最大化リファイン画像を生成するまでの学習中に取得した、リファイン画像それぞれに基づいて重要特徴指標マップを生成し、生成した重要特徴指標マップに基づいて、平均重要特徴指標マップを生成する。そして、重要スーパーピクセル決定部322では、平均重要特徴指標マップに基づいて、重要特徴指標閾値以上のスーパーピクセルを抽出する。以下、第2の実施形態について、上記第1の実施形態との相違点を中心に説明する。
はじめに、第2の実施形態に係る解析装置の、誤推論原因抽出部の機能構成について説明する。図17は、誤推論原因抽出部の機能構成の一例を示す第2の図である。図3に示した誤推論原因抽出部の機能構成との相違点は、マップ生成部1710である。以下、マップ生成部1710の詳細について説明する。
次に、誤推論原因抽出処理の具体例について説明する。図18は、誤推論原因抽出処理の具体例を示す第2の図である。
・最後の回のリファイン画像に対して行ってもよい、あるいは、
・それぞれのリファイン画像を入力とした推論での正解ラベルのスコアが一番よいリファイン画像(スコア最大化リファイン画像)に対して行ってもよい。
上記第1の実施形態では、スコア最大化リファイン画像が生成され、重要特徴指標マップが生成されると、特定部143では、変更可能領域及び変更不可領域を規定し、誤推論の原因となる画像箇所を特定する処理を開始するものとして説明した。
はじめに、第3の実施形態に係る解析装置の、誤推論原因抽出部の機能構成について説明する。図19は、誤推論原因抽出部の機能構成の一例を示す第3の図である。図17に示した誤推論原因抽出部の機能構成との相違点は、リファイン画像生成部1910及び特定部1920である。以下、リファイン画像生成部1910及び特定部1920の詳細について説明する。
はじめに、リファイン画像生成部1910の詳細について説明する。図19に示すように、リファイン画像生成部1910は、リファイン画像生成部141の画像誤差演算部302とは機能の異なる画像誤差演算部1911を有する。
次に、特定部1920の詳細について説明する。図19に示すように、特定部1920は、スーパーピクセル分割部321、重要スーパーピクセル決定部322、重要スーパーピクセル評価部323に加えて、補正部1921を有する。
次に、誤推論原因抽出処理の具体例について説明する。図20は、誤推論原因抽出処理の具体例を示す第3の図である。図18を用いて説明した、誤推論原因抽出処理の具体例との相違点は、重要スーパーピクセル画像に基づいて変更可能領域と変更不可領域との組が生成された際、補正部1921が、変更可能領域を画像誤差演算部1911に通知する点である。これにより、リファイン画像生成部1910では、変更可能領域を加味して再学習したうえで、スコア最大化リファイン画像を再生成し、マップ生成部1710では、平均重要特徴指標マップを再生成することができる。
・最後の回のリファイン画像に対して行ってもよい、あるいは、
・それぞれのリファイン画像を入力とした推論での正解ラベルのスコアが一番よいリファイン画像(スコア最大化リファイン画像)に対して行ってもよい。
上記第1乃至第3の実施形態では、誤推論の原因となるスーパーピクセルの組み合わせ(変更可能領域)を特定し、誤推論原因情報として出力するものとして説明した。しかしながら、誤推論原因情報の出力方法はこれに限定されず、例えば、変更可能領域内の重要部分を可視化して出力してもよい。以下、第4の実施形態について、上記第1乃至第3の実施形態との相違点を中心に説明する。
はじめに、第4の実施形態に係る解析装置100における、誤推論原因抽出部の機能構成について説明する。図21は、誤推論原因抽出部の機能構成の一例を示す第4の図である。図3に示した誤推論原因抽出部140の機能構成との相違点は、詳細原因解析部2110を有する点である。
次に、詳細原因解析部2110の機能構成について説明する。図22は、詳細原因解析部の機能構成の一例を示す第1の図である。図22に示すように、詳細原因解析部2110は、画像差分演算部2201、SSIM演算部2202、切り出し部2203、作用部2204を有する。
次に、詳細原因解析部2110の処理の具体例について説明する。図23は、詳細原因解析部の処理の具体例を示す図である。
(式3)
強調乗算画像(H)=255×(G)/(max(G)-min(G))
続いて作用部2204では、誤推論画像(A)から強調乗算画像(H)を減算することで重要部分を可視化し、作用結果画像を生成する。
次に、詳細原因解析部2110による詳細原因解析処理の流れについて説明する。図24は、詳細原因解析処理の流れを示す第1のフローチャートである。
上記第4の実施形態では、誤推論画像とスコア最大化リファイン画像とに基づいて生成した差分画像とSSIM画像とを用いて、誤推論の原因となる画像箇所を画素単位で可視化する場合について説明した。
はじめに、第5の実施形態に係る解析装置100における、誤推論原因抽出部の機能構成について説明する。図25は、誤推論原因抽出部の機能構成の一例を示す第5の図である。図21に示した誤推論原因抽出部の機能構成との相違点は、図25の場合、詳細原因解析部2510の機能が、図21に示す詳細原因解析部2110の機能とは異なる点、及び、詳細原因解析部2510が、推論部303より推論部構造情報を取得する点である。
・差分画像:画素ごとの差分情報であり、指定したラベルの分類確率をよくするために画素をどのくらい修正すればよいかを示す、正負値を有する情報である。
・SSIM画像:画像全体及び局所領域の変化状況を考慮した差分情報であり、画素ごとの差分情報よりもアーティファクト(意図しないノイズ)が少ない情報である。つまり、より高い精度の差分情報である(ただし、正値のみの情報である)。
・グレイスケール化重要特徴マップ:正解ラベルの推論に影響を与える特徴部分を可視化したマップである。
次に、詳細原因解析部2510の機能構成について説明する。図26は、詳細原因解析部の機能構成の一例を示す第2の図である。図22に示す機能構成との相違点は、図26の場合、重要特徴マップ生成部2601を有する点、及び、切り出し部2602の機能が、図22の切り出し部2203の機能とは異なる点である。
次に、詳細原因解析部2510の処理の具体例について説明する。図27は、詳細原因解析部の処理の具体例を示す第2の図である。なお、図23の詳細原因解析部2110の処理の具体例との相違点は、重要特徴マップ生成部2601が、推論部構造情報(I)に基づいて、選択的BP法を用いた重要特徴マップ生成処理を行い、グレイスケール化重要特徴マップを生成している点である。また、切り出し部2602が、グレイスケール化重要特徴マップから変更可能領域に対応する画像部分が切り出され、切り出し画像(J)を出力している点である。更に、切り出し部2602が、切り出し画像(C)と切り出し画像(D)と切り出し画像(J)とを乗算し、乗算画像(G)を生成している点である。
次に、詳細原因解析部2510による詳細原因解析処理の流れについて説明する。図28は、詳細原因解析処理の流れを示す第2のフローチャートである。図24に示したフローチャートとの相違点は、ステップS2801、ステップS2802、ステップS2803である。
140 :誤推論原因抽出部
141 :リファイン画像生成部
142 :マップ生成部
143 :特定部
301 :画像リファイナ部
302 :画像誤差演算部
303 :推論部
304 :スコア誤差演算部
311 :重要特徴マップ生成部
312 :劣化尺度マップ生成部
313 :重畳部
321 :スーパーピクセル分割部
322 :重要スーパーピクセル決定部
323 :重要スーパーピクセル評価部
611 :選択的逆誤差伝播部
612 :非注目画素オフセット調整部
613 :グレイスケール化部
1110 :領域抽出部
1111 :合成部
1710 :マップ生成部
1711 :平均化部
1910 :リファイン画像生成部
1911 :画像誤差演算部
1920 :特定部
1921 :補正部
2110 :詳細原因解析部
2201 :画像差分演算部
2202 :SSIM演算部
2203 :切り出し部
2204 :作用部
2510 :詳細原因解析部
2601 :重要特徴マップ生成部
2602 :切り出し部
Claims (6)
- 画像認識処理の際に誤ったラベルが推論される誤推論画像と、リファイン画像との差分を用いて、前記誤推論画像から、推論の正解ラベルのスコアを最大化させたリファイン画像を生成するリファイン画像生成部と、
前記誤推論画像の複数の画素のうち前記スコアを最大化させたリファイン画像を生成する際に変更がなされた画素を示す第1のマップと、前記スコアを最大化させたリファイン画像の複数の画素のうち推論時に注目した各画素の注目度合いを示すマップであって、各注目度合いの出現頻度に基づいて調整した第2のマップと、を重畳することで、正解ラベルを推論するための各画素の重要度を示す第3のマップを生成するマップ生成部と、
前記誤推論画像において、ピクセルの集合ごとに前記第3のマップの画素値を算出することで、誤推論の原因となるピクセルの集合を特定する特定部と、を有し、
前記リファイン画像生成部は、
前記特定部により前記ピクセルの集合が特定された場合、前記特定されたピクセルの集合の領域について前記差分を補正し、補正後の差分を用いて、前記誤推論画像から、前記推論の正解ラベルのスコアを最大化させたリファイン画像を再生成する、解析装置。 - 前記マップ生成部は、各注目度合いの出現頻度が最大となる画素値を特定し、特定した画素値がゼロになるように、前記リファイン画像の複数の画素のうち推論時に注目した各画素の注目度合いを示すマップを調整する、請求項1に記載の解析装置。
- 前記マップ生成部は、BP法、GBP法または選択的BP法のいずれかを用いて、前記リファイン画像の複数の画素のうち推論時に注目した各画素の注目度合いを示すマップを生成する、請求項2に記載の解析装置。
- 前記誤推論画像と前記スコアを最大化させたリファイン画像との差分に基づいて算出される差分画像から、所定の領域を切り出した画像と、
前記誤推論画像と前記スコアを最大化させたリファイン画像とをSSIM演算することで得られるSSIM画像から、所定の領域を切り出した画像と、
前記第2のマップから、所定の領域を切り出した画像と、
を乗算することで得られる乗算画像を、前記誤推論画像にて可視化する請求項1に記載の解析装置。 - 画像認識処理の際に誤ったラベルが推論される誤推論画像と、リファイン画像との差分を用いて、前記誤推論画像から、推論の正解ラベルのスコアを最大化させたリファイン画像を生成し、
前記誤推論画像の複数の画素のうち前記スコアを最大化させたリファイン画像を生成する際に変更がなされた画素を示す第1のマップと、前記スコアを最大化させたリファイン画像の複数の画素のうち推論時に注目した各画素の注目度合いを示すマップであって、各注目度合いの出現頻度に基づいて調整した第2のマップと、を重畳することで、正解ラベルを推論するための各画素の重要度を示す第3のマップを生成し、
前記誤推論画像において、ピクセルの集合ごとに前記第3のマップの画素値を算出することで、誤推論の原因となるピクセルの集合を特定する、処理をコンピュータに実行させ、
前記ピクセルの集合が特定された場合、前記特定されたピクセルの集合の領域について前記差分を補正し、補正後の差分を用いて、前記誤推論画像から、前記推論の正解ラベルのスコアを最大化させたリファイン画像を再生成する、解析プログラム。 - 画像認識処理の際に誤ったラベルが推論される誤推論画像と、リファイン画像との差分を用いて、前記誤推論画像から、推論の正解ラベルのスコアを最大化させたリファイン画像を生成し、
前記誤推論画像の複数の画素のうち前記スコアを最大化させたリファイン画像を生成する際に変更がなされた画素を示す第1のマップと、前記スコアを最大化させたリファイン画像の複数の画素のうち推論時に注目した各画素の注目度合いを示すマップであって、各注目度合いの出現頻度に基づいて調整した第2のマップと、を重畳することで、正解ラベルを推論するための各画素の重要度を示す第3のマップを生成し、
前記誤推論画像において、ピクセルの集合ごとに前記第3のマップの画素値を算出することで、誤推論の原因となるピクセルの集合を特定する、処理をコンピュータが実行し、
前記ピクセルの集合が特定された場合、前記特定されたピクセルの集合の領域について前記差分を補正し、補正後の差分を用いて、前記誤推論画像から、前記推論の正解ラベルのスコアを最大化させたリファイン画像を再生成する、解析方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019200863A JP7351186B2 (ja) | 2019-11-05 | 2019-11-05 | 解析装置、解析プログラム及び解析方法 |
US17/031,966 US11663487B2 (en) | 2019-11-05 | 2020-09-25 | Analysis apparatus, non-transitory computer-readable storage medium for analysis program, and analysis method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019200863A JP7351186B2 (ja) | 2019-11-05 | 2019-11-05 | 解析装置、解析プログラム及び解析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021076924A JP2021076924A (ja) | 2021-05-20 |
JP7351186B2 true JP7351186B2 (ja) | 2023-09-27 |
Family
ID=75687413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019200863A Active JP7351186B2 (ja) | 2019-11-05 | 2019-11-05 | 解析装置、解析プログラム及び解析方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11663487B2 (ja) |
JP (1) | JP7351186B2 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015191481A (ja) | 2014-03-28 | 2015-11-02 | 株式会社ニコン | 画像処理装置および画像処理プログラム |
JP2016523405A (ja) | 2013-06-04 | 2016-08-08 | メドスナップ・リミテッド・ライアビリティ・カンパニーMedsnap, LLC | 錠剤の識別における印の解析を使用したシステム及び方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6582416B2 (ja) | 2014-05-15 | 2019-10-02 | 株式会社リコー | 画像処理装置、画像処理方法及びプログラム |
JP6267139B2 (ja) | 2015-02-10 | 2018-01-24 | 有限会社葛山製作所 | 転造タッピング装置 |
JP6697356B2 (ja) | 2016-09-13 | 2020-05-20 | Kddi株式会社 | 所定対象のうちの特定対象における状態を識別する装置、プログラム及び方法 |
JP2018097807A (ja) | 2016-12-16 | 2018-06-21 | 株式会社デンソーアイティーラボラトリ | 学習装置 |
JP7279526B2 (ja) * | 2019-05-31 | 2023-05-23 | 富士通株式会社 | 解析プログラム、解析装置及び解析方法 |
JP7363382B2 (ja) * | 2019-11-05 | 2023-10-18 | 富士通株式会社 | 解析装置、解析プログラム及び解析方法 |
JP7363383B2 (ja) * | 2019-11-05 | 2023-10-18 | 富士通株式会社 | 解析装置、解析プログラム及び解析方法 |
-
2019
- 2019-11-05 JP JP2019200863A patent/JP7351186B2/ja active Active
-
2020
- 2020-09-25 US US17/031,966 patent/US11663487B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016523405A (ja) | 2013-06-04 | 2016-08-08 | メドスナップ・リミテッド・ライアビリティ・カンパニーMedsnap, LLC | 錠剤の識別における印の解析を使用したシステム及び方法 |
JP2015191481A (ja) | 2014-03-28 | 2015-11-02 | 株式会社ニコン | 画像処理装置および画像処理プログラム |
Non-Patent Citations (1)
Title |
---|
久保田智規他,CNNを用いた物体認識における誤認識の原因を可視化する一手法,情報処理学会 研究報告 コンピュータビジョンとイメージメディア(CVIM) 2019-CVIM-218 [online] ,日本,情報処理学会,2019年08月28日 |
Also Published As
Publication number | Publication date |
---|---|
JP2021076924A (ja) | 2021-05-20 |
US20210133481A1 (en) | 2021-05-06 |
US11663487B2 (en) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Tag2pix: Line art colorization using text tag with secat and changing loss | |
US11507788B2 (en) | Non-transitory computer-readable storage medium for storing analysis program, analysis apparatus, and analysis method | |
KR102275452B1 (ko) | 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치 | |
JP7011146B2 (ja) | 画像処理装置、画像処理方法、画像処理プログラム、及び教師データ生成方法 | |
JP5487610B2 (ja) | 画像処理装置および方法、並びにプログラム | |
US11341361B2 (en) | Analysis apparatus, storage medium storing analysis program, and analysis method | |
US11436431B2 (en) | Analysis apparatus, non-transitory computer-readable storage medium for analysis program, and analysis method | |
CN111145188A (zh) | 一种基于ResNet与UNet模型的图像分割方法 | |
CN104732509A (zh) | 自适应图像分割方法和设备 | |
US11526963B2 (en) | Image processing apparatus, image processing method, and storage medium | |
JP7363383B2 (ja) | 解析装置、解析プログラム及び解析方法 | |
CN112132164B (zh) | 目标检测方法、系统、计算机装置及存储介质 | |
US20090315910A1 (en) | Systems and methods for obtaining an image alpha matte | |
CN113409224B (zh) | 一种图像目标针对性增强方法、装置、设备及存储介质 | |
JP7351186B2 (ja) | 解析装置、解析プログラム及び解析方法 | |
US9916694B2 (en) | Method for hole filling in 3D model, and recording medium and apparatus for performing the same | |
JP7392835B2 (ja) | 解析装置及び解析プログラム | |
JP7392834B2 (ja) | 解析装置及び解析プログラム | |
Xia et al. | Lazy texture selection based on active learning | |
Huang et al. | Evaluations of Image Completion Algorithms: Exemplar-Based Inpainting vs. Deep Convolutional GAN | |
US20240185574A1 (en) | Composite car image generator | |
CN117173534A (zh) | 计算机视觉任务的对抗样本生成方法、终端及介质 | |
CN113920133A (zh) | 一种图像分割方法和装置 | |
CN116309902A (zh) | 血管影像重建方法、装置、电子设备和存储介质 | |
Aurdal et al. | Continuous label Bayesian segmentation, applications to medical brain images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220708 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230525 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230801 |
|
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: 20230815 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230828 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7351186 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |