JP7391907B2 - 異常検出装置、異常検出方法、および異常検出プログラム - Google Patents

異常検出装置、異常検出方法、および異常検出プログラム Download PDF

Info

Publication number
JP7391907B2
JP7391907B2 JP2021042811A JP2021042811A JP7391907B2 JP 7391907 B2 JP7391907 B2 JP 7391907B2 JP 2021042811 A JP2021042811 A JP 2021042811A JP 2021042811 A JP2021042811 A JP 2021042811A JP 7391907 B2 JP7391907 B2 JP 7391907B2
Authority
JP
Japan
Prior art keywords
score map
abnormality
data
correction
normal data
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
Application number
JP2021042811A
Other languages
English (en)
Other versions
JP2022142588A (ja
Inventor
直輝 河村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Original Assignee
Toshiba Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toshiba Corp filed Critical Toshiba Corp
Priority to JP2021042811A priority Critical patent/JP7391907B2/ja
Priority to US17/400,299 priority patent/US20220301140A1/en
Publication of JP2022142588A publication Critical patent/JP2022142588A/ja
Application granted granted Critical
Publication of JP7391907B2 publication Critical patent/JP7391907B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明の実施形態は、異常検出装置、異常検出方法、および異常検出プログラムに関する。
画像などの入力データの異常を検出するシステムが知られている。例えば、正常なデータのみを教示として学習した自己符号器を用いて、画像内の対象領域の差分処理を行うことで、異常検出を行う技術が開示されている。また、例えば、事前学習したＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）の特徴空間における差分を利用することで、異常検出を行う技術が開示されている。これらのシステムでは、入力データ内に異常が含まれているか、否かを、データ単位で判定し、データ内の異常箇所を特定し、位置ごとの異常度合いを表示する。
特表２０２０－５２５９４０号公報
Ｎ． Ｃｏｈｅｎ， Ｙ． Ｈｏｓｈｅｎ． "Ｔｒａｎｓｆｏｒｍｅｒ－Ｂａｓｅｄ Ａｎｏｍａｌｙ Ｓｅｇｍｅｎｔａｔｉｏｎ．" ａｒＸｉｖ．ｏｒｇ， ２０２０．
しかし、従来技術では、入力データに含まれる異常と間違えやすい正常な箇所を、異常として検出する場合があった。すなわち、従来技術では、システムが異常箇所と正常箇所を区別できないことがあったため、異常検出精度の向上を図ることは困難であった。
実施形態の異常検出装置は、異常スコアマップ算出部と、補正用スコアマップ算出部と、補正部と、を備える。異常スコアマップ算出部は、入力データの異常度を表す異常スコアマップを算出する。補正用スコアマップ算出部は、正常データセットに含まれる１または複数の正常データの特徴の差分を用いて、異常スコアマップを補正するための少なくとも１以上の補正用スコアマップを算出する。補正部は、補正用スコアマップを用いて異常スコアマップを補正する。
異常検出装置の模式図。 異常検出の概要の流れの説明図。 情報処理の流れの一例を示すフローチャート。 ハードウェア構成図。
以下に添付図面を参照して、本実施形態の異常検出装置、異常検出方法、および異常検出プログラムを詳細に説明する。
図１は、本実施形態の異常検出装置１０の一例を示す模式図である。
異常検出装置１０は、入力データの異常を検出する装置である。
入力データとは、異常を検出する対象のデータである。入力データは、例えば、画像データである。本実施形態では、入力データが、画像データである形態を一例として説明する。
異常検出装置１０は、記憶部２０と、通信部２２と、処理部２４と、表示部２６と、を備える。記憶部２０と、通信部２２と、処理部２４と、表示部２６とは、通信可能に接続されている。
記憶部２０は、各種のデータを記憶する。記憶部２０は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等である。なお、記憶部２０は、異常検出装置１０の外部に設けられた記憶装置であってもよい。また、記憶部２０は、記憶媒体であってもよい。具体的には、記憶媒体は、プログラムや各種情報を、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネットなどを介してダウンロードして記憶または一時記憶したものであってもよい。また、記憶部２０を、複数の記憶媒体から構成してもよい。
本実施形態では、記憶部２０は、正常データセットを記憶する。
正常データセットは、１または複数の正常データの群からなる。正常データとは、異常箇所を含まないデータである。正常データは、例えば、画像データである。本実施形態では、正常データが、画像データである形態を一例として説明する。
なお、本実施形態では、入力データおよび正常データが、画像データである形態を一例として説明する。しかし、異常検出装置１０は、画像データ以外の様々なデータの異常検出に適用可能である。例えば、入力データおよび正常データは、時系列映像、音声信号、人体の姿勢をグラフとして記述したスケルトンデータ、など、観測値をスカラー、ベクトルまたは多次元テンソルとして表現可能なデータであれば、何れであってもよい。
また、正常データは、入力データと同じ分類に属するデータであればよい。データの分類とは、データを予め定めた規則に従って複数のグループに分類したときの、各分類を意味する。データの分類は、例えば、画像データ、時系列映像、音声信号、スケルトンデータ、などである。
すなわち、本実施形態では、入力データおよび正常データが、画像データである形態を一例として説明する。
記憶部２０には、入力データと同じ被写体を撮影した撮影画像の画像データであって、且つ、異常箇所を含まない画像データが、正常データとして予め記憶されていることが好ましい。
例えば、入力データである撮影画像の被写体が、欠損部を有する物体である場合を想定する。例えば、物体が歯車である場合、欠損部を有する歯車の撮影画像が、入力データであった場合を想定する。この場合、正常データセットは、欠損部を有さない歯車の１または複数の撮影画像を、正常データとして含む。
また、入力データである撮影画像の被写体が、ある場所の風景である場合を想定する。例えば、入力データが、ある場所の風景を撮影した映像の、１フレーム分の撮影画像であった場合を想定する。この場合、正常データセットは、入力データと同じ場所の風景を異常の無い時刻に撮影した映像の、１または複数フレーム分の撮影画像を、正常データとして含む。
通信部２２は、ネットワークなどの公知の通信網を介して他の情報処理装置と通信する。
処理部２４は、各種の情報処理を実行する。処理部２４の詳細は後述する。
表示部２６は、各種の情報を表示する。表示部２６は、例えば、ディスプレイ、投影装置、などである。なお、異常検出装置１０は、ユーザによる操作指示を受付ける入力部を更に備えた構成であってもよい。入力部は、例えば、キーボード、マウス、マイクロフォン、などである。また、表示部２６と入力部とを一体的に構成し、タッチパネルとして構成してもよい。
なお、記憶部２０および処理部２４の少なくとも一方を、ネットワークおよび通信部２２を介して接続されたサーバ装置などの外部の情報処理装置に搭載した構成としてもよい。また、処理部２４に含まれる後述する機能部の少なくとも１つを、ネットワークおよび通信部２２を介して処理部２４に接続された、サーバ装置などの外部の情報処理装置に搭載してもよい。
次に、処理部２４について詳細に説明する。
処理部２４は、特徴量算出部２４Ａと、異常スコアマップ算出部２４Ｂと、選択部２４Ｃと、補正用スコアマップ算出部２４Ｄと、補正部２４Ｅと、表示制御部２４Ｆと、を有する。
特徴量算出部２４Ａ、異常スコアマップ算出部２４Ｂ、選択部２４Ｃ、補正用スコアマップ算出部２４Ｄ、補正部２４Ｅ、および表示制御部２４Ｆの少なくとも１つは、例えば、１または複数のプロセッサにより実現される。例えば、上記各部は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。
特徴量算出部２４Ａは、正常データセットに含まれる１または複数の正常データの各々、および、入力データ、のそれぞれの特徴量を算出する。
本実施形態では、特徴量算出部２４Ａは、通信部２２を介して外部の情報処理装置から入力データを取得する。また、特徴量算出部２４Ａは、記憶部２０から正常データセットを取得する。そして、特徴量算出部２４Ａは、正常データおよび入力データのそれぞれの特徴量を算出する。
特徴量は、例えば、特徴量マップ、および、特徴量ベクトル、の少なくとも一方を含む。本実施形態では、特徴量算出部２４Ａは、特徴量マップおよび特徴量ベクトルの双方を、特徴量として算出する形態を一例として説明する。
特徴量マップとは、正常データおよび入力データの各々の位置ごとの特徴値を、スカラーまたはベクトルとして抽出したものである。上述したように、本実施形態では、正常データおよび入力データが画像データである場合を一例として説明する。この場合、特徴量マップの例として、例えば、特徴量マップは、画像データに含まれる各画素の各々の画素値を、特徴値として表したマップがある。また、特徴量マップは、例えば、画像データを事前学習済みＣＮＮに入力した時の、中間層で出力される特徴量マップである。
事前学習済みＣＮＮとは、任意の大規模なデータセットを利用して学習したＣＮＮである。事前学習済みＣＮＮとして、例えば、ＩｍａｇｅＮｅｔデータセットを利用して、画像分類タスクを学習したＣＮＮがある。
特徴量ベクトルとは、正常データおよび入力データの各々が表す特徴を、ベクトルとして記述したものである。特徴量ベクトルには、例えば、画像データを事前学習済みＣＮＮに入力した時の、全結合層で出力される特徴量ベクトルがある。
特徴量算出部２４Ａは、正常データセットに含まれる１または複数の正常データの各々の特徴量、および、入力データの特徴量を、選択部２４Ｃへ出力する。また、特徴量算出部２４Ａは、入力データの特徴量を、異常スコアマップ算出部２４Ｂへ出力する。
なお、特徴量算出部２４Ａは、算出した正常データの特徴量を、算出に用いた正常データに対応付けて記憶部２０へ記憶してもよい。この記憶処理により、特徴量算出部２４Ａは、既に特徴量を算出済の正常データについては、特徴量の算出を省略することができる。
また、特徴量算出部２４Ａは、入力データと同じ分類の被写体を撮影した撮影画像の画像データであって、且つ、異常箇所を含まない１または複数の画像データを記憶部２０から検索し、正常データセットとして用いてもよい。入力データと同じ被写体を撮影した撮影画像の検索には、公知の画像処理技術などを用いればよい。そして、特徴量算出部２４Ａは、検索した正常データセットに含まれる正常データの特徴量を算出してもよい。
また、特徴量算出部２４Ａは、通信部２２を介して外部の情報処理装置から正常データセットを取得し、特徴量を算出してもよい。また、特徴量算出部２４Ａは、記憶部２０に予め記憶された入力データを取得し、特徴量を算出してもよい。
次に、異常スコアマップ算出部２４Ｂについて説明する。異常スコアマップ算出部２４Ｂは、入力データの異常度を表す異常スコアマップを算出する。
異常スコアマップとは、入力データの各位置の各々の異常度を表すデータである。例えば、入力データが画像データである場合、異常スコアマップは、入力データの画素ごとに異常度を規定したデータである。
異常スコアマップ算出部２４Ｂは、特徴量算出部２４Ａから受付けた、入力データの特徴量を用いて、異常スコアマップを生成する。例えば、異常スコアマップ算出部２４Ｂは、特徴量算出部２４Ａで算出された特徴量マップである、入力データを構成する画素の各々の特徴値を用いて、画素の各々ごとの異常度を表す異常スコアマップを算出する。
異常スコアマップ算出部２４Ｂは、任意の公知の方法で、入力データから異常スコアマップを算出すればよい。例えば、異常スコアマップ算出部２４Ｂは、非特許文献１と同様にして、異常スコアマップを算出すればよい。具体的には、例えば、異常スコアマップ算出部２４Ｂは、正常データセットに含まれる正常データの各々と、入力データと、を事前学習済ＣＮＮに入力したときの、中間層で出力される特徴量マップの差分を、異常スコアマップとして算出すればよい。
異常スコアマップ算出部２４Ｂは、算出した異常スコアマップを、補正部２４Ｅへ出力する。
次に、選択部２４Ｃについて説明する。選択部２４Ｃは、正常データセットに含まれる１または複数の正常データを、参照データとして選択する。
選択部２４Ｃは、正常データセットに含まれる正常データから、入力データに特徴が類似する少なくとも１以上の正常データを、参照データとして選択する。特徴とは、特徴量算出部２４Ａで算出された特徴量、および、データの取得条件、の少なくとも一方である。
特徴量とは、上述したように、特徴量ベクトルおよび特徴量マップの少なくとも一方を意味する。
特徴量が類似する正常データを参照データとして選択する場合を説明する。この場合、選択部２４Ｃは、例えば、正常データセットに含まれる１または複数の正常データの内、特徴量ベクトルが入力データの特徴量ベクトルに類似する正常データを、類似度の降順にｋ個選択する。ｋは、１以上の整数である。選択する個数であるｋ個は、予め定めればよい。類似度の降順は、特徴量ベクトル同士の距離の昇順に相当する。すなわち、選択部２４Ｃは、正常データセット内の各々の正常データのうち、入力データとの特徴量ベクトルの距離が短いほど、類似度が高いものとして、ｋ個の正常データを参照データとして選択する。類似度や距離としては、例えば、正規化相互相関や、ユークリッド距離を使用すればよい。
また、選択部２４Ｃは、特徴量ベクトルとして、例えば、特徴量マップの一部を一次元のベクトルとして並べたものを利用して、正常データを選択してもよい。この場合、選択部２４Ｃは、入力データの特徴量マップと、正常データの特徴量マップと、を用いて、同じ要素位置の特徴値同士の類似度を比較する。要素位置とは、例えば、画素位置を意味する。そして、選択部２４Ｃは、類似度の降順にｋ個の正常データを、参照データとして選択すればよい。類似度や距離としては、例えば、正規化相互相関や、ユークリッド距離を使用すればよい。
なお、選択部２４Ｃは、入力データとの特徴量の類似度が予め定めた閾値以上の、１または複数の正常データを、参照データとして選択してもよい。
取得条件が入力データに類似する正常データを参照データとして選択する場合を説明する。
取得条件とは、正常データおよび入力データの、取得タイミング、取得環境、取得元、および、種類、の少なくとも１つである。
取得タイミングとは、正常データおよび入力データの各々が取得されたタイミングを意味する。正常データおよび入力データが画像データである場合、取得タイミングは、例えば、撮影タイミングである。正常データおよび入力データが音声信号である場合、取得タイミングは、例えば、音声の発生タイミングである。
取得環境とは、正常データおよび入力データの各々が取得されたときの環境を意味する。環境とは、場所、状況、明るさ、気象条件、などである。正常データおよび入力データが画像データである場合、取得環境は、画像データの撮影時の撮影環境を意味する。
取得元とは、正常データおよび入力データの各々の取得元を意味する。例えば、正常データおよび入力データが画像データである場合、取得元とは、正常データおよび入力データの各々を撮影したカメラの特定情報である。正常データおよび入力データが音声信号である場合、取得元は、例えば、音声の発話者などの音源の特定情報である。
種類とは、正常データおよび入力データの種類を意味する。例えば、正常データおよび入力データが音声信号である場合、種類は、音声の言語を表す情報である。
取得条件を特徴として用いる場合、選択部２４Ｃは、例えば、以下の方法で正常データを選択すればよい。
選択部２４Ｃは、例えば、正常データセットに含まれる複数の正常データのうち、入力データの取得条件との類似度が閾値以上の正常データ、または、入力データの取得条件との類似度が降順に予め定められた数の正常データを、参照データとして選択する。
なお、選択部２４Ｃでは、正常データおよび入力データの各々の取得条件を取得し、正常データの選択に用いればよい。選択部２４Ｃは、記憶部２０から取得条件を取得してもよいし、通信部２２を介して外部の情報処理装置から取得条件を取得してもよい。また、選択部２４Ｃは公知の処理方法を用いて正常データおよび入力データの各々を解析することで、取得条件を取得してもよい。
取得条件の類似度が閾値以上である、とは、例えば、撮影場所が重複する、撮影タイミングが予め定めた期間内、などである。
具体的には、例えば、入力データが、風景を撮影した映像の１フレーム分の撮影画像の画像データであった場合を想定する。また、正常データセットに含まれる正常データが、入力データと同一の風景について、異常の無い時刻に撮影された映像の複数のフレームの各々の撮影画像の画像データであった場合を想定する。この場合、選択部２４Ｃは、複数の正常データの内、入力データである撮影画像のフレームの撮影時刻に近い順にｋ個のフレームの正常データを、参照データとして選択する。
選択部２４Ｃは、選択したｋ個の参照データを、補正用スコアマップ算出部２４Ｄおよび表示制御部２４Ｆへ出力する。
補正用スコアマップ算出部２４Ｄは、選択部２４Ｃにより参照データとして出力された１または複数の正常データ、もしくは正常データセットに含まれる１または複数の正常データの特徴量マップ同士の差分を用いて、少なくとも１以上の補正用スコアマップを算出する。すなわち、本実施形態では、補正用スコアマップ算出部２４Ｄは、入力データを用いずに、１または複数の正常データの特徴量マップ同士の差分を用いて、補正用スコアマップを算出する。
特徴とは、上述したように、特徴量および取得条件の少なくとも一方である。特徴量とは、上述したように、特徴量マップおよび特徴量ベクトルの少なくとも一方である。本実施形態では、補正用スコアマップ算出部２４Ｄは、正常データの特徴量マップ特徴の差分を用いて、補正用スコアマップを算出する形態を一例として説明する。
補正用スコアマップとは、異常スコアマップを補正するためマップである。詳細には、補正用スコアマップは、異常スコアマップにおける各位置の各々の異常度を補正するためのスコアマップである。すなわち、補正用スコアマップは、異常スコアマップ算出部２４Ｂで算出された異常スコアマップの、異常箇所の検出精度を改善するために用いられる。
正常データの特徴量マップの差分は、正常なデータ中の位置の各々ごとの、データ中の構造の変動の大きさを表す。このため、正常データの差分を用いて補正用スコアマップを算出することで、補正用スコアマップ算出部２４Ｄは、データ中に写っている構造の変動が大きい位置ほど高いスコアを表す、補正用スコアマップを算出することができる。
本実施形態では、補正用スコアマップ算出部２４Ｄは、選択部２４Ｃで選択された参照データの特徴量マップの差分に基づいて、差分が大きいほど高いスコアを表す補正用スコアマップを算出する。
選択部２４Ｃで選択された参照データの数が、１つであった場合を想定する。すなわち、上記ｋが“１”であった場合を想定する。この場合、補正用スコアマップ算出部２４Ｄは、参照データの特徴量マップにおける、互いに異なる位置間の差分を、位置ごとに算出する。例えば、補正用スコアマップ算出部２４Ｄは、参照データにおける、異なる画素間の特徴の差分を、画素ごとに算出する。そして、補正用スコアマップ算出部２４Ｄは、差分の大きい画素ほど高いスコアを表す、補正用スコアマップを算出する。
一方、選択部２４Ｃで選択された参照データの数が、２以上であった場合を想定する。すなわち、上記ｋが、“２”以上の整数であった場合を想定する。
この場合、補正用スコアマップ算出部２４Ｄは、複数の参照データの各々について、他の参照データとの特徴の差が大きいほど高いスコアを表す、補正用スコアマップを算出する。例えば、参照データが画像データであった場合を想定する。この場合、補正用スコアマップ算出部２４Ｄは、複数の参照データの各々について、他の参照データとの特徴量マップの値の差を画素ごとに算出する。そして、補正用スコアマップ算出部２４Ｄは、特徴量マップの値の差が大きい画素ほど、高いスコアを表す補正用スコアマップを、複数の参照データの各々ごとに算出する。
このため、ｋ個の参照データが選択された場合、補正用スコアマップ算出部２４Ｄは、ｋ個の補正用スコアマップを算出する。
詳細には、例えば、補正用スコアマップ算出部２４Ｄは、ｋ個の参照データの内、ある１個の参照データＪｋと、残りのｋ－１個の参照データの各々と、の特徴量マップ同士の差分を利用して、以下の手順で補正用スコアマップを算出する。
まず、補正用スコアマップ算出部２４Ｄは、ｋ個の内の１個の参照データＪｋにおける各位置の各々の特徴値と、残りのｋ－１個の参照データの各々における対応する各位置の各々の特徴値の内の最も類似する特徴値と、の間の差分を算出する。類似の度合い、および、差分の算出には、例えば、正規化相互相関や、ユークリッド距離を利用すればよい。
例えば、ユークリッド距離に基づく補正用スコアマップの算出は、以下の式（１）で表される。
Figure 0007391907000001
式（１）中、Ｊｋは、ｋ個の内の１個の参照データを表す。Ｓ（Ｊｋ）は、参照データＪｋに対応する補正用スコアマップを表す。Ｆ（Ｊｋ）は、特徴量算出部２４Ａで参照データＪｋから算出した特徴量マップを表す。Ｆ（Ｊｋ）ｐは、データ中の座標ｐにおける特徴値または特徴量ベクトルである。
ＮＭ（Ｆ（Ｊｋ）ｐ）は、参照データＪｋ以外の全ての参照データの各々の特徴量マップの各々の、全ての座標の特徴量ベクトルの中から、参照データＪｋの特徴量マップＦ（Ｊｋ）に類似する特徴量ベクトルを、座標ｐの各々ごとに、類似度の降順にＭ個選択する演算を意味する。
補正用スコアマップ算出部２４Ｄが、式（１）を用いて補正用スコアマップを算出することで、参照データＪｋ中の各位置の各々ごとに、他の参照データ中の特徴には無い位置ほど高いスコアを表す、補正用スコアマップが得られる。すなわち、参照データＪｋ中で高いスコアを表す位置ほど、複数の正常データ中で変動が大きい位置であるといえる。
上述したように、１または複数の正常データの特徴量マップ同士の差分は、正常なデータ中の位置の各々ごとの、データ構造の変動の大きさを表す。例えば、一枚の撮影画像中の建物の影と路面との境界部は、正常な画像同士でも撮影時期が異なれば、変動が大きくなる。他にも、樹木や茂みなどの細かいテクスチャ部分は、正常なデータ構造であるにもかかわらず、撮影タイミングや撮影の仕方によってテクスチャにずれが生じ、変動が発生しやすい。このような、正常データ間でも変動が大きい構造は、正常であるにもかかわらず異常と誤識別されやすい。
そこで、本実施形態の補正用スコアマップ算出部２４Ｄは、１の参照データと他の参照データの各々との差分を表す補正用スコアマップを算出する。このため、補正用スコアマップ算出部２４Ｄは、データ中の構造の変動の大きい位置ほど高いスコアを表す、補正用スコアマップを算出することができる。また、補正用スコアマップ算出部２４Ｄは、１つの参照データから補正用スコアマップを算出する場合についても、データ中の構造の変動の大きい位置ほど高いスコアを表す、補正用スコアマップを算出することができる。
補正用スコアマップ算出部２４Ｄは、算出したｋ個の補正用スコアマップを、補正部２４Ｅへ出力する。
補正部２４Ｅは、補正用スコアマップを用いて、異常スコアマップを補正する。補正部２４Ｅによって補正された異常スコアマップを、補正異常スコアマップと称して説明する。補正部２４Ｅは、例えば、式（２）を用いて、異常スコアマップを補正する。
Figure 0007391907000002
補正部２４Ｅは、式（２）を用いることで、異常スコアマップにおける座標ｐの各々の位置の異常度を、補正用スコアマップの対応する位置のスコアで補正し、補正結果を、参照データごとに投票する。
これらの処理により、補正部２４Ｅは、異常スコアマップにおける、入力データ中で異常である異常箇所については異常度を維持したままとする。そして、補正部２４Ｅは、異常スコアマップにおける、入力データ中では正常な構造であるにも拘らず変動が大きいために誤って高い異常度を設定された箇所について、異常度が小さくなるように補正する。
上述したように、正常データである参照データの特徴量マップの差分は、正常なデータ中の位置の各々ごとの、データ構造の変動の大きさを表す。このため、補正用スコアマップは、データ構造の変動の大きい位置ほど高いスコアを表す。補正部２４Ｅは、補正用スコアマップを用いて異常スコアマップを補正することで、異常スコアマップにおける、正常データ同士で変動の大きい正常箇所の異常度を、補正することができる。このため、補正部２４Ｅは、本来は異常箇所でない箇所での過剰検出を減らし、異常検出精度を向上させた、補正異常スコアマップを生成することができる。
すなわち、補正部２４Ｅは、正常な箇所を異常として検出する過検出の抑制された、補正異常スコアマップを生成することができる。
表示制御部２４Ｆは、補正異常スコアマップを表示部２６へ表示する。このため、表示制御部２４Ｆは、入力データに含まれる異常箇所をユーザに可視化して提供することができる。
なお、表示制御部２４Ｆは、補正異常スコアマップを異常度に応じた表示形態で表示部２６へ表示することが好ましい。例えば、表示制御部２４Ｆは、異常度が高いほど、より注視を促す表示形態で表した、補正異常スコアマップを表示する。例えば、表示制御部２４Ｆは、補正異常スコアマップについて、異常度が高い箇所ほど赤く、異常度が低い箇所ほど青くなるように着色したヒートマップを、表示部２６へ表示する。このとき、表示制御部２４Ｆは、ヒートマップを透過表示し、入力データ上に重ねて表示してもよい。
これにより、ユーザは、表示部２６を視認することで、入力データ中の各位置における異常度を容易に確認することができる。
なお、表示制御部２４Ｆは、補正異常スコアマップにおける異常度が閾値以上の箇所を、矩形などによって囲んで強調して表示してもよい。
また、表示制御部２４Ｆは、補正異常スコアマップと参照データとを、表示部２６へ表示してもよい。例えば、表示制御部２４Ｆは、補正異常スコアマップと、参照データと、の双方を並べて表示部２６へ表示してもよい。また、表示制御部２４Ｆは、複数の参照データの全てを表示部２６へ表示してもよいし、１つの参照データを表示部２６へ表示してもよい。また、表示制御部２４Ｆは、入力データに最も類似する１つの参照データを、表示部２６へ表示してもよい。
補正異常スコアマップと参照データとを表示部２６へ表示することで、ユーザは、異常箇所を含む入力データと、該入力データが異常箇所を含まない正常な場合の様相と、を容易に確認することができる。
なお、表示制御部２４Ｆは、補正異常スコアマップについて、更に後処理を行ってもよい。例えば、表示制御部２４Ｆは、補正異常スコアマップについて、予め定められた対象領域を強調して表示する補正処理を、後処理として実行してもよい。対象領域は、例えば、入力データに含まれる特定の物、特定の物体の領域、などであるが、これらに限定されない。
次に、入力データの異常検出に係る、全体の流れの概要の一例を説明する。図２は、異常検出の概要の流れの説明図である。
異常スコアマップ算出部２４Ｂは、入力データ３４から異常スコアマップ４０を算出する（ステップＳ１）。
選択部２４Ｃは、正常データセット３０に含まれる正常データ３２の内、入力データ３４に特徴が類似する正常データ３２を、参照データ３６として選択する（ステップＳ２）。補正用スコアマップ算出部２４Ｄは、ｋ個の参照データ３６から、ｋ個の補正用スコアマップ３８を算出する（ステップＳ３）。
補正部２４Ｅは、補正用スコアマップ３８を用いて異常スコアマップ４０を補正し、補正異常スコアマップ４２を生成する（ステップＳ４）。
表示制御部２４Ｆは、補正異常スコアマップ４２を表示部２６へ表示する。
次に、異常検出装置１０の処理部２４で実行される情報処理の流れを説明する。
図３は、異常検出装置１０で実行される情報処理の流れの一例を示すフローチャートである。
特徴量算出部２４Ａが、正常データセット３０に含まれる１または複数の正常データ３２の各々の特徴量を算出する（ステップＳ１００）。また、特徴量算出部２４Ａは、入力データ３４の特徴量を算出する（ステップＳ１０２）。
異常スコアマップ算出部２４Ｂは、ステップＳ１０２で算出された入力データ３４の特徴量を用いて、異常スコアマップ４０を算出する（ステップＳ１０４）。
選択部２４Ｃは、正常データセット３０に含まれる正常データ３２から、入力データ３４に特徴が類似する正常データ３２を、参照データ３６として選択する（ステップＳ１０６）。
補正用スコアマップ算出部２４Ｄは、ステップＳ１０６で選択された参照データ３６を用いて、補正用スコアマップ３８を算出する（ステップＳ１０８）。
補正部２４Ｅは、ステップＳ１０８で算出された補正用スコアマップ３８を用いて、ステップＳ１０４で算出された異常スコアマップ４０を補正する（ステップＳ１１０）。ステップＳ１１０の処理によって、異常スコアマップ４０は、補正異常スコアマップ４２に補正される。
表示制御部２４Ｆは、ステップＳ１１０で生成された補正異常スコアマップ４２を、表示部２６へ表示する（ステップＳ１１２）。そして、本ルーチンを終了する。
以上説明したように、本実施形態の異常検出装置１０は、異常スコアマップ算出部２４Ｂと、補正用スコアマップ算出部２４Ｄと、補正部２４Ｅと、を備える。異常スコアマップ算出部２４Ｂは、入力データ３４の異常度を表す異常スコアマップ４０を算出する。補正用スコアマップ算出部２４Ｄは、正常データセット３０に含まれる１または複数の正常データ３２の特徴量マップの差分を用いて、異常スコアマップ４０を補正するための少なくとも１以上の補正用スコアマップ３８を算出する。補正部２４Ｅは、補正用スコアマップ３８を用いて異常スコアマップ４０を補正する。
ここで、従来技術では、入力データ３４における、正常な構造の箇所ではあるが、変動の大きい構造の箇所は、正常であるにもかかわらず異常箇所と誤判定する場合があった。これは、入力データ３４中の、正常な構造だがデータ間で変動の大きい構造の箇所は、異常度が大きくなりやすく、異常と誤って過剰検出されやすいためである。
例えば、入力データ３４が撮影画像である場合、撮影画像に含まれるエッジの位置や、撮影画像に含まれる撮影時間帯などによって変動の大きい部分は、正常であるにも拘らず、異常箇所と誤判定される場合があった。撮影時間帯などによって変動の大きい部分は、例えば、時間帯によって明るさの変化する場所などである。このため、従来技術では、正常な箇所を異常箇所と判定する過検出が発生する場合があった。
また、従来技術では、データ中の異常箇所検出において、正常クラスと異常クラスの識別は困難であった。この一因としては、データ中の異常箇所の様相は多種多様であり、正常箇所についても、データ間で様相の変動が大きく、正常クラスと異常クラスとで、統計分布上の識別境界があいまいになるためである。様相とは、データ中に現れる見た目、外見、を意味する。
また、従来技術では、多くの場合、入力データ３４中の異常箇所を抽出するために、入力データ３４中の位置ごとに異常度合いを算出していた。この時、データ間で正常箇所の変動が大きい場合、正常箇所と異常箇所の異常度が同程度以上の数値として算出されることとなる。このため、従来技術では、本来の正常箇所と異常箇所とを正しく見分けることができず、過剰検出が発生することがあった。
また、例えば、画像内の対象領域を限定することで、画像全体での過剰検出を抑制する技術が開示されている。しかし、このような従来技術では、対象領域の内部での過剰検出を抑制する仕組みが無かった。
また、事前学習済みＣＮＮの特徴空間における差分を利用する技術が開示されている。しかし、この従来技術では、過剰検出を抑制する仕組みが無く、依然として変動が大きい正常箇所を異常と誤検出する可能性があった。
一方、本実施形態の異常検出装置１０では、正常データ３２の特徴量マップの差分から算出した補正用スコアマップ３８を用いて、入力データ３４の異常スコアマップ４０を補正する。正常データ３２の特徴量マップの差分は、正常なデータである正常データ中の位置の各々ごとの、データ構造の変動の大きさを表す。このため、補正用スコアマップ３８は、正常データ３２において、変動の大きい構造の箇所であるほどスコアが高く、変動の小さい構造の箇所であるほどスコアの低いマップとなる。
異常検出装置１０では、このような補正用スコアマップ３８を用いて、異常スコアマップ４０を補正する。このため、異常検出装置１０では、入力データ３４に含まれる、正常な構造の箇所ではあるが変動の大きい構造の箇所が正常と判定されるように、異常スコアマップ４０の異常度を補正することができる。すなわち、異常検出装置１０では、正常データ３２の特徴量マップの差分から算出した補正用スコアマップ３８を用いることで、入力データ３４のける変動の大きい構造の箇所の異常度が小さくなるように、異常スコアマップ４０を補正することができる。
すなわち、本実施形態の異常検出装置１０では、正常データの特徴の差分を利用し、変動の大きい正常箇所での異常度に補正をかける事で、本来は異常箇所でない箇所での過剰検出を減らし、異常検出精度を向上させることができる。
従って、本実施形態の異常検出装置１０は、異常検出精度の向上を図ることができる。
また、本実施形態の異常検出装置１０では、選択部２４Ｃが、正常データセット３０に含まれる正常データ３２から、入力データ３４に特徴が類似する少なくとも１以上の正常データ３２を、参照データ３６として選択する。そして、補正用スコアマップ算出部２４Ｄは、参照データ３６の特徴の差分に基づいて、差分が大きいほど高いスコアを表す補正用スコアマップ３８を算出する。
このように、本実施形態の異常検出装置１０では、選択部２４Ｃが、入力データ３４に特徴が類似する正常データ３２を、参照データ３６として選択する。このため、選択部２４Ｃは、入力データ３４の目的関数を評価しつつ、特定の正常データ３２を選択することができる。このため、選択部２４Ｃは、参照データ３６を用いない場合に比べて、入力データ３４のタスクの目的に沿った正常データ３２を選択することができる。よって、異常検出装置１０では、入力データ３４における、正常データ３２において変動の大きい位置の異常度を、精度よく補正することができる。よって、本実施形態の異常検出装置１０は、上記効果に加えて、異常検出精度の向上を更に図ることができる。
また、本実施形態では、表示制御部２４Ｆが、補正異常スコアマップ４２を表示部２６へ表示する。
このため、本実施形態の異常検出装置１０では、入力データ３４の位置ごとの異常度を目視で容易に確認可能に提供することができる。
また、本実施形態では、表示制御部２４Ｆは、補正異常スコアマップ４２および参照データ３６を、表示部２６へ表示する。
このため、本実施形態の異常検出装置１０では、入力データ３４の異常度に加えて、入力データ３４が正常な場合にどのように見えるか、その様相を確認可能に提供することができる。
次に、上記実施形態の異常検出装置１０のハードウェア構成の一例を説明する。
図４は、上記実施形態の異常検出装置１０のハードウェア構成図の一例である。
上記実施形態の異常検出装置１０は、ＣＰＵ８６などの制御装置と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）８８やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０やＨＤＤ（ハードディスクドライブ）９２などの記憶装置と、各種機器とのインターフェースであるＩ／Ｆ部８２と、出力情報などの各種情報を出力する出力部８０と、ユーザによる操作を受付ける入力部９４と、各部を接続するバス９６とを備えており、通常のコンピュータを利用したハードウェア構成となっている。
上記実施形態の異常検出装置１０では、ＣＰＵ８６が、ＲＯＭ８８からプログラムをＲＡＭ９０上に読み出して実行することにより、上記各部がコンピュータ上で実現される。
なお、上記実施形態の異常検出装置１０で実行される上記各処理を実行するためのプログラムは、ＨＤＤ９２に記憶されていてもよい。また、上記実施形態の異常検出装置１０で実行される上記各処理を実行するためのプログラムは、ＲＯＭ８８に予め組み込まれて提供されていてもよい。
また、上記実施形態の異常検出装置１０で実行される上記処理を実行するためのプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ、ＣＤ－Ｒ、メモリカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されるようにしてもよい。また、上記実施形態の異常検出装置１０で実行される上記処理を実行するためのプログラムを、インターネットなどのネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、上記実施形態の異常検出装置１０で実行される上記処理を実行するためのプログラムを、インターネットなどのネットワーク経由で提供または配布するようにしてもよい。
また、本実施形態の異常検出装置１０は、異常検知の過程で異常スコアマップ４０を算出する任意の異常検出器に適用可能である。すなわち、異常スコアマップ算出部24Bには、任意の異常検出器を設置してもよい。本実施形態の異常検出装置１０の上記機能部をモジュールとして任意の異常検出器に適用することで、異常と間違えやすい正常な構造の過検出を抑制することができる。また、本実施形態の異常検出装置１０における上記機能部のモジュールは、モジュール自体の学習も不要であり、容易にかつ効果的に異常検出精度の向上を図ることが出来る。
なお、上記には、本発明の実施形態を説明したが、上記実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
１０ 異常検出装置
２４Ｂ 異常スコアマップ算出部
２４Ｃ 選択部
２４Ｄ 補正用スコアマップ算出部
２４Ｅ 補正部
２４Ｆ 表示制御部
２６ 表示部

Claims (12)

  1. 入力データの異常度を表す異常スコアマップを算出する異常スコアマップ算出部と、
    正常データセットに含まれる１または複数の正常データの特徴の差分を用いて、前記異常スコアマップを補正するための少なくとも１以上の補正用スコアマップを算出する補正用スコアマップ算出部と、
    前記補正用スコアマップを用いて前記異常スコアマップを補正する補正部と、
    を備える異常検出装置。
  2. 前記入力データに特徴が類似する少なくとも１以上の前記正常データを参照データとして選択する選択部を備え、
    前記補正用スコアマップ算出部は、
    前記参照データの特徴の差分に基づいて、差分が大きいほど高いスコアを表す前記補正用スコアマップを算出する、
    請求項１に記載の異常検出装置。
  3. 前記選択部は、
    複数の前記参照データを選択し、
    前記補正用スコアマップ算出部は、
    複数の前記参照データの各々について、他の前記参照データとの特徴の差が大きいほど高いスコアを表す前記補正用スコアマップを算出する、
    請求項２に記載の異常検出装置。
  4. 前記選択部は、
    前記正常データセットに含まれる複数の前記正常データの内、前記特徴である特徴量および取得条件の少なくとも一方が前記入力データに類似する前記正常データを、前記参照データとして選択する、
    請求項２または請求項３に記載の異常検出装置。
  5. 前記取得条件は、
    前記正常データおよび前記入力データの、取得タイミング、取得環境、取得元、および、種類、の少なくとも１つである、
    請求項４に記載の異常検出装置。
  6. 前記選択部は、
    前記正常データセットに含まれる複数の正常データのうち、前記入力データの前記取得条件との類似度が閾値以上の前記正常データ、または、前記入力データの前記取得条件との類似度が降順に予め定められた数の前記正常データ、を、前記参照データとして選択する、
    請求項４または請求項５に記載の異常検出装置。
  7. 前記補正用スコアマップを用いて補正された前記異常スコアマップである補正異常スコアマップを表示部へ表示する表示制御部を備える、
    請求項１～請求項６の何れか１項に記載の異常検出装置。
  8. 前記表示制御部は、
    前記補正異常スコアマップを異常度に応じた表示形態で前記表示部へ表示する、
    請求項７に記載の異常検出装置。
  9. 前記表示制御部は、
    前記補正異常スコアマップと参照データとを前記表示部へ表示する、
    請求項７または請求項８に記載の異常検出装置。
  10. 前記入力データおよび前記正常データは、画像データである、
    請求項１～請求項９の何れか１項に記載の異常検出装置。
  11. 入力データの異常度を表す異常スコアマップを算出するステップと、
    正常データセットに含まれる１または複数の正常データの特徴の差分を用いて、前記異常スコアマップを補正するための少なくとも１以上の補正用スコアマップを算出するステップと、
    前記補正用スコアマップを用いて前記異常スコアマップを補正するステップと、
    を含む異常検出方法。
  12. 入力データの異常度を表す異常スコアマップを算出するステップと、
    正常データセットに含まれる１または複数の正常データの特徴の差分を用いて、前記異常スコアマップを補正するための少なくとも１以上の補正用スコアマップを算出するステップと、
    前記補正用スコアマップを用いて前記異常スコアマップを補正するステップと、
    をコンピュータに実行させるための異常検出プログラム。
JP2021042811A 2021-03-16 2021-03-16 異常検出装置、異常検出方法、および異常検出プログラム Active JP7391907B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021042811A JP7391907B2 (ja) 2021-03-16 2021-03-16 異常検出装置、異常検出方法、および異常検出プログラム
US17/400,299 US20220301140A1 (en) 2021-03-16 2021-08-12 Anomaly detection device, anomaly detection method, and computer program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021042811A JP7391907B2 (ja) 2021-03-16 2021-03-16 異常検出装置、異常検出方法、および異常検出プログラム

Publications (2)

Publication Number Publication Date
JP2022142588A JP2022142588A (ja) 2022-09-30
JP7391907B2 true JP7391907B2 (ja) 2023-12-05

Family

ID=83283784

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021042811A Active JP7391907B2 (ja) 2021-03-16 2021-03-16 異常検出装置、異常検出方法、および異常検出プログラム

Country Status (2)

Country Link
US (1) US20220301140A1 (ja)
JP (1) JP7391907B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023007260A (ja) * 2021-07-01 2023-01-18 株式会社日立製作所 計算機及び外観検査方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6216024B1 (ja) 2016-11-15 2017-10-18 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習済モデル生成方法及び信号データ判別装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10861415B2 (en) * 2018-08-14 2020-12-08 Facebook Technologies, Llc Display device with throughput calibration
US10937230B2 (en) * 2019-03-29 2021-03-02 Apical Limited Image processing
KR102681317B1 (ko) * 2019-07-16 2024-07-03 메소 스케일 테크놀러지즈, 엘엘시 분석 장치, 방법, 및 시약
WO2021256321A1 (ja) * 2020-06-17 2021-12-23 ソニーグループ株式会社 画像処理装置、画像処理方法及び画像処理プログラム
US11379466B2 (en) * 2020-08-18 2022-07-05 Accenture Global Solutions Limited Data accuracy using natural language processing
TW202303275A (zh) * 2021-06-30 2023-01-16 艾斯邁科技股份有限公司 決定光罩上瑕疵的方法與製作光罩的瑕疵分布圖的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6216024B1 (ja) 2016-11-15 2017-10-18 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習済モデル生成方法及び信号データ判別装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Niv Cohen，外１名，Transformer-Based Anomaly Segmentation，[online]，2020年12月10日，［2023年10月13日検索］，インターネット<URL：https://arxiv.org/pdf/2005.02357v2.pdf>

Also Published As

Publication number Publication date
JP2022142588A (ja) 2022-09-30
US20220301140A1 (en) 2022-09-22

Similar Documents

Publication Publication Date Title
US11256955B2 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
US10216979B2 (en) Image processing apparatus, image processing method, and storage medium to detect parts of an object
JP6032921B2 (ja) 物体検出装置及びその方法、プログラム
US9773322B2 (en) Image processing apparatus and image processing method which learn dictionary
US20130142392A1 (en) Information processing device and method, program, and recording medium
US20170301093A1 (en) Image processing apparatus, image processing method, and storage medium
JP4533836B2 (ja) 変動領域検出装置及びその方法
JP5457606B2 (ja) 画像処理方法及び装置
US20130070105A1 (en) Tracking device, tracking method, and computer program product
JP4745207B2 (ja) 顔特徴点検出装置及びその方法
Führ et al. Combining patch matching and detection for robust pedestrian tracking in monocular calibrated cameras
WO2018154709A1 (ja) 動作学習装置、技能判別装置および技能判別システム
JP7159384B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US10692215B2 (en) Image processing apparatus, image processing method, and storage medium
US9256792B2 (en) Image processing apparatus, image processing method, and program
JP7438702B2 (ja) 類似領域検出装置、類似領域検出方法およびプログラム
JP7391907B2 (ja) 異常検出装置、異常検出方法、および異常検出プログラム
JP6511950B2 (ja) 画像処理装置、画像処理方法及びプログラム
JP2014110020A (ja) 画像処理装置、画像処理方法および画像処理プログラム
WO2019244536A1 (ja) 物体追跡装置、物体追跡システム、および物体追跡方法
JP4595834B2 (ja) 動きベクトル検出方法及び装置
US11983242B2 (en) Learning data generation device, learning data generation method, and learning data generation program
US11716448B2 (en) Information processing apparatus, information processing method, and storage medium
JP7358269B2 (ja) 物体検出装置、物体検出システム、および、物体検出方法
JP6468642B2 (ja) 情報端末装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230206

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: 20231024

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231122

R151 Written notification of patent or utility model registration

Ref document number: 7391907

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151