JP7386462B2 - 演算装置および学習済みモデル - Google Patents
演算装置および学習済みモデル Download PDFInfo
- Publication number
- JP7386462B2 JP7386462B2 JP2021555926A JP2021555926A JP7386462B2 JP 7386462 B2 JP7386462 B2 JP 7386462B2 JP 2021555926 A JP2021555926 A JP 2021555926A JP 2021555926 A JP2021555926 A JP 2021555926A JP 7386462 B2 JP7386462 B2 JP 7386462B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- input
- variance
- layer
- probability distribution
- 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
- 238000003062 neural network model Methods 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 230000000644 propagated effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 18
- 238000000034 method Methods 0.000 description 11
- 238000000611 regression analysis Methods 0.000 description 6
- 238000013531 bayesian neural network Methods 0.000 description 5
- 230000001902 propagating effect Effects 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 206010068829 Overconfidence Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Description
(第1の実施の形態)
図1は、本実施の形態の演算装置1の構成を示す図である。演算装置1は、入力部10と、推論部11と、記憶部12と、出力部13とを有している。入力部10は、分析対象となるデータの入力を受け付ける機能を有する。分析対象のデータは、例えば、画像データ、音声データ、テキストデータ等であるが、これらに限定されるものではない。入力部10のハードウェアは、例えば、カメラやマイク等の他のセンサ類からのデータの入力を受け付ける通信インターフェースである。
x: 層の入力 (1入力1出力である通常のNNの層の入力)
y: 層の出力 (1入力1出力である通常のNNの層の出力)
μ: xの期待値
σの2乗: xの分散
μのハット: yの期待値
σのハットの2乗: yの分散
第2の実施の形態の演算装置の基本的な構成は、第1の実施の形態の演算装置1(図1参照)と同じである。第2の実施の形態の演算装置は、記憶部12に記憶されたニューラルネットワークモデルの構成が第1の実施の形態とは異なる。第2の実施の形態においては、ニューラルネットワークに含まれる確率層を1層だけとすることにより、計算負荷を低減させる。
図10は、第1の実施の形態及び第2の実施の形態の演算装置の適用例を示す図である。図10に示す例では、自動運転車両のECU2(Engine Control Unit)が演算装置1に該当する。ECU2は、図1で示す演算装置1と同じ構成を有する。ECU2は、自動運転車両のカメラ20で撮影された映像の入力を受け、映像に映る物体をクラス(例えば、トラック、乗用車、バイク、人等)に分類すると共に、分類されたクラスの信頼性を推論する。そして、ECU2は、推論された結果を自動運転車両の車両制御部21に送信する。車両制御部21は、ECU2から送信されたデータに基づいて、車両を制御する。
本実施の形態の演算装置1は、自動運転車両の制御以外にも適用することができる。例えば、医療の分野では、内視鏡を用いた検査において腫瘍を見つけた場合に、その場で良性か悪性か等の判断をしなければならない場面が考えられるが、内視鏡の映像から対象物を良性/悪性の2クラス分類するとともにその信頼性の指標を求めたり、腫瘍の種類を多クラス分類するとともにその信頼性の指標を求めることとしてもよい。
Claims (8)
- 学習済みのニューラルネットワークモデルの中間層のうちの一つの層として、重み係数が確率分布によって規定され、確率分布で表される値の平均と分散を計算して後段に伝播させる確率層を含む、学習済みのニューラルネットワークモデルを記憶した記憶部(12)と、
データを入力する入力部(10)と、
前記ニューラルネットワークモデルによる推論により、前記入力部にて入力されたデータを分析する推論部(11)と、
前記推論部による分析結果を出力する出力部(13)と、
を備える演算装置(1)。 - 確率分布の平均と分散が入力される層では、前層から入力される値が独立であると仮定して後段に伝播させる分散を計算する第1のモードと、前層から入力される値が非独立であると仮定して後段に伝播させる分散を計算する第2のモードとを備える請求項1に記載の演算装置。
- 学習済みのニューラルネットワークモデルを記憶した記憶部(12)と、
データを入力する入力部(10)と、
前記ニューラルネットワークモデルによる推論により、前記入力部にて入力されたデータを分析する推論部(11)と、
前記推論部による分析結果を出力する出力部(13)と、
を備え、
前記ニューラルネットワークモデルは、所与の確率分布と学習によって設定された重み係数の組み合わせによって構成され、重み係数が確率分布によって規定され、確率分布で表される値の平均と分散を計算して後段に伝播させる1つの確率層を含むとともに、その他の層は重み係数を確定値で規定しており、
前記推論部は、前記入力部にて入力されたデータを前記ニューラルネットワークモデルに適用したときに、前記確率層に現れた値と前記重み係数の確率分布とに基づいて、入力されたデータの分析を行う演算装置(1)。 - 前記確率層は、出力層に最も近い位置に配置されている請求項3に記載の演算装置。
- 前記入力部は、画像データ、音声データまたはテキストデータを入力し、
前記推論部は、前記画像データ、音声データまたはテキストデータを複数のクラスに分類すると共に、そのクラスに分類される信頼性を求める請求項1から4のいずれか1項に記載の演算装置。 - 前記入力部は、自動運転車両のカメラ(20)で撮影された映像を入力し、
前記推論部は前記映像に映る物体をクラスに分類すると共にその信頼性を推論し、
前記出力部は、物体のクラスと信頼性のデータとを車両制御部(21)に対して出力する請求項1から4のいずれか1項に記載の演算装置(2)。 - 入力されたデータを分析するようにコンピュータを機能させるためのニューラルネットワークの学習済みモデルであって、
学習済のニューラルネットワークモデルの中間層のうちの一つの層として、重み係数が確率分布によって規定され、確率分布で表される値の平均と分散を後段に伝播させる確率層を含む、ニューラルネットワークモデルにより構成され、
入力されたデータを前記ニューラルネットワークモデルに適用したときに、前記確率層は確率分布で表される値の平均と分散を計算し、出力層に伝播された確率分布で表される値の平均と分散に基づいて、入力されたデータを分析するよう、コンピュータを機能させる学習済みモデル。 - 入力されたデータを分析するようにコンピュータを機能させるためのニューラルネットワークの学習済みモデルであって、
所与の確率分布と学習によって設定された重み係数の組み合わせによって構成され、重み係数が確率分布によって規定され、確率分布で表される値の平均と分散を計算する1つの確率層を含むとともに、その他の層は重み係数を確定値で規定したニューラルネットワークモデルにより構成され、
入力されたデータを前記ニューラルネットワークモデルに適用したときに、前記確率層に現れた値と前記重み係数の確率分布とに基づいて、入力されたデータの分析するよう、コンピュータを機能させる学習済みモデル。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019203988 | 2019-11-11 | ||
JP2019203988 | 2019-11-11 | ||
PCT/JP2020/035254 WO2021095361A1 (ja) | 2019-11-11 | 2020-09-17 | 演算装置および学習済みモデル |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021095361A1 JPWO2021095361A1 (ja) | 2021-05-20 |
JPWO2021095361A5 JPWO2021095361A5 (ja) | 2022-07-07 |
JP7386462B2 true JP7386462B2 (ja) | 2023-11-27 |
Family
ID=75912167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021555926A Active JP7386462B2 (ja) | 2019-11-11 | 2020-09-17 | 演算装置および学習済みモデル |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7386462B2 (ja) |
WO (1) | WO2021095361A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7457752B2 (ja) | 2022-06-15 | 2024-03-28 | 株式会社安川電機 | データ分析システム、データ分析方法、及びプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3551967A2 (en) * | 2016-12-09 | 2019-10-16 | TomTom Global Content B.V. | Method and system for video-based positioning and mapping |
-
2020
- 2020-09-17 JP JP2021555926A patent/JP7386462B2/ja active Active
- 2020-09-17 WO PCT/JP2020/035254 patent/WO2021095361A1/ja active Application Filing
Non-Patent Citations (1)
Title |
---|
WEN, Honglin, et al.,"Probabilistic Wind Power Forecasting via Bayesian Deep Learning Based Prediction Intervals",Proceedings of the 2019 IEEE 17th International Conference on Industrial Informatics (INDIN),2019年07月25日,Pages 1091-1096,ISBN: 978-1-7281-2927-3, <DOI: 10.1109/INDIN41052.2019.8972125>. |
Also Published As
Publication number | Publication date |
---|---|
WO2021095361A1 (ja) | 2021-05-20 |
JPWO2021095361A1 (ja) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11386307B2 (en) | Machine vision system | |
Mazoure et al. | Leveraging exploration in off-policy algorithms via normalizing flows | |
KR20230021043A (ko) | 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치 | |
JP6742554B1 (ja) | 情報処理装置およびそれを備えた電子機器 | |
Arnelid et al. | Recurrent conditional generative adversarial networks for autonomous driving sensor modelling | |
KR102306658B1 (ko) | 이종 도메인 데이터 간의 변환을 수행하는 gan의 학습 방법 및 장치 | |
KR20070075050A (ko) | 분류기 통합을 위한 스코어 합성 방법 및 장치 | |
JP7295338B2 (ja) | 証明可能ロバストな深層生成モデルを用いたシステム及び方法 | |
Jain et al. | An automated hyperparameter tuned deep learning model enabled facial emotion recognition for autonomous vehicle drivers | |
US20230419075A1 (en) | Automated Variational Inference using Stochastic Models with Irregular Beliefs | |
Zec et al. | Recurrent conditional gans for time series sensor modelling | |
JP7386462B2 (ja) | 演算装置および学習済みモデル | |
US11062141B2 (en) | Methods and apparatuses for future trajectory forecast | |
Marino et al. | Improving sequential latent variable models with autoregressive flows | |
CN111639591A (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
KR101456554B1 (ko) | 클래스 확률 출력망에 기초한 불확실성 측도를 이용한 능동학습기능이 구비된 인공인지시스템 및 그 능동학습방법 | |
CN114817933A (zh) | 评估业务预测模型鲁棒性的方法、装置及计算设备 | |
JP2021021978A (ja) | 情報処理装置及びプログラム | |
CN110084143B (zh) | 一种用于人脸识别的情绪信息保护方法及系统 | |
JP2021018477A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Al-Falouji et al. | A heuristic for an online applicability of anomaly detection techniques | |
Knuth et al. | Inferring obstacles and path validity from visibility-constrained demonstrations | |
EP1418539A2 (en) | Physics based neural network | |
US11961275B2 (en) | Device and method for training a normalizing flow | |
Ahmed et al. | Drivers’ Drowsiness Detection System Enhancement Using Deep Learning: CNN-based Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220414 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220415 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220414 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230314 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230510 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 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: 20231010 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231102 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7386462 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |