JP7472471B2 - 推定システム、推定装置および推定方法 - Google Patents
推定システム、推定装置および推定方法 Download PDFInfo
- Publication number
- JP7472471B2 JP7472471B2 JP2019206384A JP2019206384A JP7472471B2 JP 7472471 B2 JP7472471 B2 JP 7472471B2 JP 2019206384 A JP2019206384 A JP 2019206384A JP 2019206384 A JP2019206384 A JP 2019206384A JP 7472471 B2 JP7472471 B2 JP 7472471B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- estimation
- learning
- classifier
- model
- 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 112
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 description 38
- 230000006978 adaptation Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 30
- 238000012549 training Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 8
- 230000007547 defect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Description
まず、本発明が適用される場面の一例について説明する。
次に、本実施の形態に係る教師なしドメイン適応のアプリケーション例について説明する。
次に、教師なしドメイン適応の概要および課題などについて説明する。
本実施の形態においては、OpenSet問題、ノイズ問題、データ不均衡問題などが存在する場合でも、推定精度を維持または向上できる学習方法を提供する。
次に、本実施の形態に係る学習方法の詳細について説明する。
上述の順学習(識別器72および識別器74のモデルパラメータの更新)は、Loss2を最大化することを目的として、モデルパラメータの更新が行われる。そのため、Loss2の値が小さい入力データほど、学習の優先度を高めるように設定することが好ましい。すなわち、順学習に関して、算出されるLoss2(識別の不一致)がより小さいデータに対して、より高い学習の優先度が決定される。
学習の重みを調整する方法の一例として、学習用ネットワーク10を逆伝搬させる誤差に乗じる重み係数を、Loss2の大きさに依存させて決定するようにしてもよい。すなわち、学習の優先度として、Loss2(識別の不一致)の大きさに応じて、推定モデル60を逆伝搬させる誤差に乗じる重み係数を決定するようにしてもよい。
上述したように、学習用ネットワーク10を逆伝搬させる誤差に乗じる重み係数を、Loss2の大きさに依存させて決定する方法の拡張として、優先度の大きさまたはランクに応じて、対象の誤差を学習に用いるか否かを決定するようにしてもよい。すなわち、算出されるLoss2(識別の不一致)の大きさが予め定められた条件を満たすデータのみを、モデルパラメータの更新に用いるデータとして決定するようにしてもよい。
上述したような算出されるLoss2の値の大きさをそのまま評価するのではなく、分布として評価した上で、いずれの入力データについて優先度を高めるのかを決定してもよい。
上述したような手法の1または複数を任意に組み合わせた任意のカリキュラムを決定してもよい。例えば、所定数の入力データ(あるいは、ミニバッチ)を学習用ネットワーク10に入力して得られる推定結果からそれぞれ算出されたLoss2の集合(例えば、100エポック分)に基づいて、第1回目の学習では、集合の上位5%の誤差を用いてモデルパラメータを更新するとともに、第2回目の学習では、集合の上位10%の誤差を用いてモデルパラメータを更新するといったように、学習に用いる対象の誤差および順序などを予めスケジューリングしてもよい。このようなカリキュラムを予め決定することで、モデルパラメータを効率的に学習することができる。
なお、「学習の重みを調整する」方法の実装は、上述の形態に限らず、どのような形態を採用してもよい。
図11に示す学習方法のステップS3におけるエンコーダ70、識別器72、および識別器74のモデルパラメータを更新する処理においては、Loss1(識別器72および識別器74による識別誤差)を最小化することを目的とするので、2つの識別器72および識別器74のうち一方からの推定結果を利用して、他方を学習するようにしてもよい。
学習用ネットワーク10および学習方法については、上述した実施の形態に限らず,以下に示すような様々な変形が可能である。
図9に示す学習用ネットワーク10においては、共通のエンコーダ70に対して、ソースデータセット30およびターゲットデータセット50からデータが入力されるようになっているが、ソースデータセット30用のエンコーダおよびターゲットデータセット50用のエンコーダをそれぞれ配置するようにしてもよい。
順学習および敵対的学習においては、ソースデータセット30およびターゲットデータセット50の両方から選択されたデータを用いてもよいし、いずれか一方のデータセットから選択されたデータのみを用いるようにしてもよい。すなわち、順学習のみ、敵対的学習のみ、順学習および敵対的学習のいずれかにおいて、ソースデータセット30およびターゲットデータセット50のうちいずれか一方のみを用いるようにしてもよい。このとき、順学習において用いるデータセットと、敵対的学習において用いるデータセットとを異ならせてもよい。
次に、上述の学習方法によって生成された推定モデル60の運用時(推定フェーズ)の構成例について説明する。
次に、本実施の形態に係る学習方法により生成された推定モデルの性能評価の実験例について説明する。本実験例では、数字の認識タスクに関する教師なしドメイン適応を行った。
P45:サンプル全体の45%のラベルをランダムに別のものに変更する
S20:サンプル全体の20%のラベルを他のサンプルとランダムに入れ替える
S45:サンプル全体の45%のラベルを他のサンプルとランダムに入れ替える
また、以下の5つの手法を性能比較の対象とした。
・ADDA(Adversarial Discriminative Domain Adaptation)(非特許文献8参照)
・MCD(Maximum Classifier Discrepancy)(非特許文献4参照)
・TCL(Transferable Curriculum for Weakly-Supervised Domain Adaptation)(非特許文献9参照)
・OSBP(Open Set Domain Adaptation by Backpropagation)(非特許文献10参照)
さらに、比較の基準として、ソースデータセット30のみを用いた場合の性能についても示す(Source Only)。
次に、本実施の形態に係る学習方法をアプリケーションに実装する場合の構成例について説明する。
上述の説明においては、アプリケーション例として、任意の方法で収集された画像に対してアノテーションにより生成した画像とカメラで実際に撮像された画像(実写画像)との間のバイアス差を吸収する例について説明したが、本実施の形態に係る推定モデルは、この実装例に限らず任意のアプリケーションに適用可能である。すなわち、「環境」あるいは「ドメイン」は、可能な限り広く解釈できる。
上述したような本実施の形態は、以下のような技術思想を含む。
[構成1]
推定システム(1)であって、
クラスが付与された複数のデータからなる第1のデータセット(30)、および、クラスが付与されていない複数のデータからなる第2のデータセット(50)を用いて、機械学習(40)により推定モデル(60)を生成する学習部(40;114)と、
前記第2のデータセットに属し得る推定対象データ(62)を前記推定モデルに入力して、推定結果(64)を決定する推定部(118)とを備え、
前記推定モデルは、
入力されたデータから特徴量を算出するエンコーダ(70)と、
前記特徴量に基づいて、前記入力されたデータが第1のクラスである第1の確率を出力する第1の識別器(72)と、
前記特徴量に基づいて、前記入力されたデータが第2のクラスである第2の確率を出力する第2の識別器(74)とを含み、
前記学習部は、
前記第1のデータセットおよび前記第2のデータセットのいずれかに含まれるデータを前記推定モデルに入力したときに出力される第1の確率および第2の確率に基づいて、識別の不一致を算出する算出手段(1143)と、
算出された識別の不一致の大きさに応じて、当該入力されたデータについての学習の優先度を決定する決定手段(1145)とを含む、推定システム。
[構成2]
前記学習部は、前記エンコーダのモデルパラメータを固定した状態で、識別の不一致を最大化することを目的として、前記第1の識別器および前記第2の識別器のモデルパラメータを更新する第1のパラメータ更新手段(S4~S8)をさらに含み、
前記決定手段は、前記第1のパラメータ更新手段に関して、算出される識別の不一致がより小さいデータに対して、より高い学習の優先度を決定する、構成1に記載の推定システム。
[構成3]
前記学習部は、前記第1の識別器および前記第2の識別器のモデルパラメータを固定した状態で、識別の不一致を最大化することを目的として、前記エンコーダのモデルパラメータを更新する第2のパラメータ更新手段(S10~S14)をさらに含み、
前記決定手段は、前記第2のパラメータ更新手段に関して、算出される識別の不一致がより大きいデータに対して、より高い学習の優先度を決定する、構成1または2に記載の推定システム。
[構成4]
前記決定手段は、学習の優先度として、識別の不一致の大きさに応じて、前記推定モデルを逆伝搬させる誤差に乗じる重み係数を決定する、構成1~3のいずれか1項に記載の推定システム。
[構成5]
前記決定手段は、算出される識別の不一致の大きさが予め定められた条件を満たすデータのみを、モデルパラメータの更新に用いるデータとして決定する、構成1~4のいずれか1項に記載の推定システム。
[構成6]
前記決定手段は、複数のデータについてそれぞれ算出される識別の不一致をランキングした上で、予め定められた範囲にあるデータのみを、モデルパラメータの更新に用いるデータとして選択する、構成1~5のいずれか1項に記載の推定システム。
[構成7]
前記学習部は、前記第1のデータセットに含まれるデータに基づいて、前記エンコーダのモデルパラメータ、前記第1の識別器のモデルパラメータ、および前記第2の識別器のモデルパラメータを更新する第3のパラメータ更新手段(S4)をさらに含み、
前記第3のパラメータ更新手段は、前記推定モデルにデータを入力して前記第1の識別器および前記第2の識別器のうち一方から出力される誤差に基づいて、前記第1の識別器および前記第2の識別器のうち他方のモデルパラメータを更新する、構成1~6のいずれか1項に記載の推定システム。
[構成8]
前記推定部は、推定対象データを推定モデルに入力したときに出力される第1の確率および第2の確率が互いに整合するか否かに応じて、推定結果を出力する推定結果出力部(84)を含む、構成1~7のいずれか1項に記載の推定システム。
[構成9]
クラスが付与された複数のデータからなる第1のデータセット(30)、および、クラスが付与されていない複数のデータからなる第2のデータセット(50)を用いた機械学習(40)により生成された推定モデルを保持する記憶部(110)と、
前記第2のデータセットに属し得る推定対象データ(62)を前記推定モデルに入力して、推定結果(64)を決定する推定部(118)とを備え、
前記推定モデルは、
入力されたデータから特徴量を算出するエンコーダ(70)と、
前記特徴量に基づいて、前記入力されたデータが第1のクラスである第1の確率を出力する第1の識別器(72)と、
前記特徴量に基づいて、前記入力されたデータが第2のクラスである第2の確率を出力する第2の識別器(74)とを含み、
前記推定モデルは、前記第1のデータセットおよび前記第2のデータセットのいずれかに含まれるデータを前記推定モデルに入力したときに出力される第1の確率および第2の確率に基づいて算出される識別の不一致の大きさに応じて、当該入力されたデータについて決定された学習の優先度に基づいて学習されている、推定システム。
[構成10]
クラスが付与された複数のデータからなる第1のデータセット(30)、および、クラスが付与されていない複数のデータからなる第2のデータセット(50)を用いて、機械学習(40)により推定モデルを生成する学習ステップと、
前記第2のデータセットに属し得る推定対象データ(62)を前記推定モデルに入力して、推定結果(64)を決定する推定ステップ(118)とを備え、
前記推定モデルは、
入力されたデータから特徴量を算出するエンコーダ(70)と、
前記特徴量に基づいて、前記入力されたデータが第1のクラスである第1の確率を出力する第1の識別器(72)と、
前記特徴量に基づいて、前記入力されたデータが第2のクラスである第2の確率を出力する第2の識別器(74)とを含み、
前記学習ステップは、
前記第1のデータセットおよび前記第2のデータセットのいずれかに含まれるデータを前記推定モデルに入力したときに出力される第1の確率および第2の確率に基づいて、識別の不一致を算出するステップ(S6,S12)と、
算出された識別の不一致の大きさに応じて、当該入力されたデータについての学習の優先度を決定するステップ(S7,S13)とを含む、推定方法。
本実施の形態に係る学習方法によれば、識別の不一致(Classifier Discrepancy)の大きさに応じて、入力されたデータについての学習の優先度を決定し、その決定された優先度に応じて、モデルパラメータを更新する。
Claims (10)
- 推定システムであって、
クラスが付与された複数のデータからなる第1のデータセット、および、クラスが付与されていない複数のデータからなる第2のデータセットを用いて、機械学習により推定モデルを生成する学習部と、
前記第2のデータセットに属し得る推定対象データを前記推定モデルに入力して、推定結果を決定する推定部とを備え、
前記推定モデルは、
入力されたデータから特徴量を算出するエンコーダと、
前記特徴量に基づいて、前記入力されたデータが第1のクラスである第1の確率を出力する第1の識別器と、
前記特徴量に基づいて、前記入力されたデータが第2のクラスである第2の確率を出力する第2の識別器とを含み、
前記学習部は、
前記第1のデータセットおよび前記第2のデータセットのいずれかに含まれるデータを前記推定モデルに入力したときに出力される第1の確率および第2の確率に基づいて、識別の不一致を算出する算出手段と、
算出された識別の不一致の大きさに応じて、当該入力されたデータについての学習の優先度を決定する決定手段とを含む、推定システム。 - 前記学習部は、前記エンコーダのモデルパラメータを固定した状態で、識別の不一致を最大化することを目的として、前記第1の識別器および前記第2の識別器のモデルパラメータを更新する第1のパラメータ更新手段をさらに含み、
前記決定手段は、前記第1のパラメータ更新手段に関して、算出される識別の不一致がより小さいデータに対して、より高い学習の優先度を決定する、請求項1に記載の推定システム。 - 前記学習部は、前記第1の識別器および前記第2の識別器のモデルパラメータを固定した状態で、識別の不一致を最大化することを目的として、前記エンコーダのモデルパラメータを更新する第2のパラメータ更新手段をさらに含み、
前記決定手段は、前記第2のパラメータ更新手段に関して、算出される識別の不一致がより大きいデータに対して、より高い学習の優先度を決定する、請求項1または2に記載の推定システム。 - 前記決定手段は、学習の優先度として、識別の不一致の大きさに応じて、前記推定モデルを逆伝搬させる誤差に乗じる重み係数を決定する、請求項1~3のいずれか1項に記載の推定システム。
- 前記決定手段は、算出される識別の不一致の大きさが予め定められた条件を満たすデータのみを、モデルパラメータの更新に用いるデータとして決定する、請求項1~4のいずれか1項に記載の推定システム。
- 前記決定手段は、複数のデータについてそれぞれ算出される識別の不一致をランキングした上で、予め定められた範囲にあるデータのみを、モデルパラメータの更新に用いるデータとして選択する、請求項1~5のいずれか1項に記載の推定システム。
- 前記学習部は、前記第1のデータセットに含まれるデータに基づいて、前記エンコーダのモデルパラメータ、前記第1の識別器のモデルパラメータ、および前記第2の識別器のモデルパラメータを更新する第3のパラメータ更新手段をさらに含み、
前記第3のパラメータ更新手段は、前記推定モデルにデータを入力して前記第1の識別器および前記第2の識別器のうち一方から出力される誤差に基づいて、前記第1の識別器および前記第2の識別器のうち他方のモデルパラメータを更新する、請求項1~6のいずれか1項に記載の推定システム。 - 前記推定部は、推定対象データを推定モデルに入力したときに出力される第1の確率および第2の確率が互いに整合するか否かに応じて、推定結果を出力する推定結果出力部を含む、請求項1~7のいずれか1項に記載の推定システム。
- クラスが付与された複数のデータからなる第1のデータセット、および、クラスが付与されていない複数のデータからなる第2のデータセットを用いた機械学習により生成された推定モデルを保持する記憶部と、
前記第2のデータセットに属し得る推定対象データを前記推定モデルに入力して、推定結果を決定する推定部とを備え、
前記推定モデルは、
入力されたデータから特徴量を算出するエンコーダと、
前記特徴量に基づいて、前記入力されたデータが第1のクラスである第1の確率を出力する第1の識別器と、
前記特徴量に基づいて、前記入力されたデータが第2のクラスである第2の確率を出力する第2の識別器とを含み、
前記推定モデルは、前記第1のデータセットおよび前記第2のデータセットのいずれかに含まれるデータを前記推定モデルに入力したときに出力される第1の確率および第2の確率に基づいて算出される識別の不一致の大きさに応じて、当該入力されたデータについて決定された学習の優先度に基づいて学習されている、推定装置。 - コンピュータが実行する推定方法であって、前記推定方法は、
クラスが付与された複数のデータからなる第1のデータセット、および、クラスが付与されていない複数のデータからなる第2のデータセットを用いて、機械学習により推定モデルを生成する学習ステップと、
前記第2のデータセットに属し得る推定対象データを前記推定モデルに入力して、推定結果を決定する推定ステップとを備え、
前記推定モデルは、
入力されたデータから特徴量を算出するエンコーダと、
前記特徴量に基づいて、前記入力されたデータが第1のクラスである第1の確率を出力する第1の識別器と、
前記特徴量に基づいて、前記入力されたデータが第2のクラスである第2の確率を出力する第2の識別器とを含み、
前記学習ステップは、
前記第1のデータセットおよび前記第2のデータセットのいずれかに含まれるデータを前記推定モデルに入力したときに出力される第1の確率および第2の確率に基づいて、識別の不一致を算出するステップと、
算出された識別の不一致の大きさに応じて、当該入力されたデータについての学習の優先度を決定するステップとを含む、推定方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019206384A JP7472471B2 (ja) | 2019-11-14 | 2019-11-14 | 推定システム、推定装置および推定方法 |
PCT/JP2020/040205 WO2021095509A1 (ja) | 2019-11-14 | 2020-10-27 | 推定システム、推定装置および推定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019206384A JP7472471B2 (ja) | 2019-11-14 | 2019-11-14 | 推定システム、推定装置および推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021081795A JP2021081795A (ja) | 2021-05-27 |
JP7472471B2 true JP7472471B2 (ja) | 2024-04-23 |
Family
ID=75912340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019206384A Active JP7472471B2 (ja) | 2019-11-14 | 2019-11-14 | 推定システム、推定装置および推定方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7472471B2 (ja) |
WO (1) | WO2021095509A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7440798B2 (ja) | 2020-06-09 | 2024-02-29 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法及びプログラム |
WO2023013075A1 (ja) * | 2021-08-06 | 2023-02-09 | 日本電信電話株式会社 | 学習装置、推定装置、学習方法及び学習プログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019150813A1 (ja) | 2018-01-30 | 2019-08-08 | 富士フイルム株式会社 | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム |
-
2019
- 2019-11-14 JP JP2019206384A patent/JP7472471B2/ja active Active
-
2020
- 2020-10-27 WO PCT/JP2020/040205 patent/WO2021095509A1/ja active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019150813A1 (ja) | 2018-01-30 | 2019-08-08 | 富士フイルム株式会社 | データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム |
Non-Patent Citations (1)
Title |
---|
SAITO, Kuniaki ほか,Maximum Classifier Discrepancy for Unsupervised Domain Adaptation,arXiv[online],arXiv,2018年04月03日,[retrieved on 2021.01.07], Retrieved from the Internet: <URL: https://arxiv.org/pdf/1712.02560v4.pdf> |
Also Published As
Publication number | Publication date |
---|---|
JP2021081795A (ja) | 2021-05-27 |
WO2021095509A1 (ja) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6504590B2 (ja) | 画像のセマンティックセグメンテーションのためのシステム及びコンピューター実施方法、並びに非一時的コンピューター可読媒体 | |
US9111375B2 (en) | Evaluation of three-dimensional scenes using two-dimensional representations | |
KR20160096460A (ko) | 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법 | |
JP2008262331A (ja) | オブジェクト追跡装置およびオブジェクト追跡方法 | |
JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
JP7472471B2 (ja) | 推定システム、推定装置および推定方法 | |
WO2014199920A1 (ja) | 予測関数作成装置、予測関数作成方法、及びコンピュータ読み取り可能な記録媒体 | |
CN109447096B (zh) | 一种基于机器学习的扫视路径预测方法和装置 | |
JP7268756B2 (ja) | 劣化抑制プログラム、劣化抑制方法および情報処理装置 | |
WO2021032062A1 (zh) | 图像处理模型生成方法、图像处理方法、装置及电子设备 | |
JP7086878B2 (ja) | 学習装置、学習方法、プログラムおよび認識装置 | |
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 | |
CN111462184A (zh) | 基于孪生神经网络线性表示模型的在线稀疏原型跟踪方法 | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
JPWO2019215904A1 (ja) | 予測モデル作成装置、予測モデル作成方法、および予測モデル作成プログラム | |
JP2016224821A (ja) | 学習装置、学習装置の制御方法及びプログラム | |
Firouznia et al. | Adaptive chaotic sampling particle filter to handle occlusion and fast motion in visual object tracking | |
Nikpour et al. | Deep reinforcement learning in human activity recognition: A survey | |
Yong et al. | Learning-based algorithm selection for image segmentation | |
CN115527083A (zh) | 图像标注方法、装置和电子设备 | |
KR102258206B1 (ko) | 이종 데이터 융합을 이용한 이상 강수 감지 학습 장치, 이상 강수 감지 학습 방법, 이종 데이터 융합을 이용한 이상 강수 감지 장치 및 이상 강수 감지 방법 | |
JP2019082847A (ja) | データ推定装置、データ推定方法及びプログラム | |
WO2021024297A1 (ja) | 敵対的事例検知システム、方法およびプログラム | |
JP6663838B2 (ja) | 法線推定装置、法線推定方法、及び法線推定プログラム | |
WO2022264269A1 (ja) | 学習装置、推定装置、それらの方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220907 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231213 |
|
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: 20240312 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240325 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7472471 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |