JP7525220B2 - 推定装置、学習装置、推定方法及びプログラム - Google Patents
推定装置、学習装置、推定方法及びプログラム Download PDFInfo
- Publication number
- JP7525220B2 JP7525220B2 JP2020069639A JP2020069639A JP7525220B2 JP 7525220 B2 JP7525220 B2 JP 7525220B2 JP 2020069639 A JP2020069639 A JP 2020069639A JP 2020069639 A JP2020069639 A JP 2020069639A JP 7525220 B2 JP7525220 B2 JP 7525220B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- estimation
- anomaly detection
- learning
- detection 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 78
- 238000001514 detection method Methods 0.000 claims description 201
- 238000012544 monitoring process Methods 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 72
- 238000010801 machine learning Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 66
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Landscapes
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Description
推定用画像と、前記推定用画像の撮影位置を示す位置情報とを取得する取得手段と、
位置毎に用意された複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記異常検知モデルを選択する選択手段と、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる監視対象の異常有無を推定する推定手段と、
を有する推定装置が提供される。
複数の学習用画像各々の撮影位置に基づき、前記学習用画像をグループ分けするグループ分け手段と、
前記グループ毎に、前記学習用画像に基づく機械学習で、画像に含まれる監視対象の異常有無を推定する異常検知モデルを生成する学習手段と、
を有する学習装置が提供される。
コンピュータが、
推定用画像と、前記推定用画像の撮影位置を示す位置情報とを取得し、
位置毎に用意された複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記異常検知モデルを選択し、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる監視対象の異常有無を推定する推定方法が提供される。
コンピュータを、
推定用画像と、前記推定用画像の撮影位置を示す位置情報とを取得する取得手段、
位置毎に用意された複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記異常検知モデルを選択する選択手段、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる監視対象の異常有無を推定する推定手段、
として機能させるプログラムが提供される。
「概要」
本実施形態では、複数の監視対象各々に対応する複数の異常検知モデルが用意される。そして、推定装置は、複数の位置で撮影して生成された複数の画像の中の1つを処理対象として取得すると、その画像を撮影した位置を示す位置情報に基づき、その画像を解析する異常検知モデルを選択する。
次に、推定装置のハードウエア構成の一例を説明する。本実施形態の推定装置が備える機能部は、任意のコンピュータのCPU(Central Processing Unit)、メモリ、メモリにロードされるプログラム、そのプログラムを格納するハードディスク等の記憶ユニット(あらかじめ装置を出荷する段階から格納されているプログラムのほか、CD(Compact Disc)等の記憶媒体やインターネット上のサーバ等からダウンロードされたプログラムをも格納できる)、ネットワーク接続用インターフェイスを中心にハードウエアとソフトウエアの任意の組合せによって実現される。そして、その実現方法、装置にはいろいろな変形例があることは、当業者には理解されるところである。
次に、推定装置の機能構成を説明する。図2に、推定装置10の機能ブロック図の一例を示す。図示するように、推定装置10は、取得部11と、選択部12と、推定用物体検出部13と、推定用加工部14と、推定部15と、記憶部16とを有する。
本実施形態の推定装置10は、存在する位置が不変な物体を監視対象とし、画像の撮影位置に基づきその画像を解析する異常検知モデルを選択する。監視対象の位置が不変である場合、画像の撮影位置に基づき、その画像に含まれる監視対象を特定することができる。各画像の撮影位置に基づき各画像を解析する異常検知モデルを選択する推定装置10によれば、各画像を解析する異常検知モデルとして、各画像に含まれる監視対象用に生成された異常検知モデルを選択することが可能となる。
推定用物体検出部13による物体検出処理において、監視対象と異なる所定の障害物、例えば人や車両等の検出を行ってもよい。そして、推定用加工部14は、推定用画像に対して、検出された障害物を消去する画像加工を行ってもよい。このような変形例によれば、異常検知の推定精度が向上する。
ある撮影位置においてある監視対象を複数の撮影方向から撮影する場合がある。例えば、監視対象の高さが高い場合には、撮影方向を上下方向で変化させ、高さが低い部分と高い部分とに分けて撮影する場合が考えられる。
例えば同一の監視対象を複数の撮影位置から撮影する場合等には、その複数の撮影位置間の距離は比較的近くなる。結果、複数の異常検知モデル各々に紐づけられている撮影位置間の距離が比較的近くなる。この場合、カメラに備えられた位置情報取得手段の精度が十分でなく、誤差が比較的大きいと、ある推定用画像を解析する異常検知モデルとして不適切な異常検知モデルを選択するという不都合が発生し得る。
図11に、本実施形態の推定装置10の機能ブロック図の一例を示す。図示するように、本実施形態の推定装置10は、推定用物体検出部13及び推定用加工部14を有さず、図4のフローチャートで示す画像加工処理S11を実行しない点で、第1乃至第3の実施形態と異なる。本実施形態の推定装置10のその他の構成は、第1乃至第3の実施形態と同様である。
「概要」
本実施形態の学習装置は、第1乃至第4の実施形態の推定装置10が利用する異常検知モデルを生成する機能を有する。本実施形態の学習装置は、撮影位置毎に異常検知モデルを生成する。
次に、学習装置のハードウエア構成の一例を説明する。本実施形態の学習装置が備える機能部は、任意のコンピュータのCPU、メモリ、メモリにロードされるプログラム、そのプログラムを格納するハードディスク等の記憶ユニット(あらかじめ装置を出荷する段階から格納されているプログラムのほか、CD等の記憶媒体やインターネット上のサーバ等からダウンロードされたプログラムをも格納できる)、ネットワーク接続用インターフェイスを中心にハードウエアとソフトウエアの任意の組合せによって実現される。そして、その実現方法、装置にはいろいろな変形例があることは、当業者には理解されるところである。
次に、学習装置の機能構成を説明する。図12に、学習装置20の機能ブロック図の一例を示す。図示するように、学習装置20は、グループ分け部22と、学習用物体検出部23と、学習用加工部24と、学習部25と、記憶部26とを有する。学習装置20は、図13に示すような流れの処理を実行する。
(1-2):次の処理対象の学習用画像の撮影位置とその時点で存在するグループ各々の代表撮影位置との距離を算出する。
(1-3):距離が閾値未満のグループが存在する場合、処理対象の学習用画像をそのグループに属させる。そして、そのグループに属する学習用画像(処理対象の学習用画像を含む)の撮影位置に基づき、そのグループの代表撮影位置を決定する。例えば、そのグループに属する複数の学習用画像(処理対象の学習用画像を含む)の撮影位置の重心となる位置を代表撮影位置とすることができる。
(1-4):一方、距離が閾値未満のグループが存在しない場合、新たなグループを作成し、処理対象の学習用画像をその新たなグループに属させる。そして、その処理対象の学習用画像の撮影位置をその新たなグループの代表撮影位置とする。
(1-5):(1-2)乃至(1-4)の処理を繰り返す。
本実施形態の学習装置20は、存在する位置が不変な物体を監視対象とし、学習用画像の撮影位置に基づき学習用画像をグループ化し、グループ毎に異常検知モデルを生成する。監視対象の位置が不変である場合、学習用画像の撮影位置に基づき、その学習用画像に含まれる監視対象を特定することができる。各学習用画像の撮影位置に基づき複数の学習用画像をグループ化する学習装置20によれば、同一の監視対象を含む学習用画像同士でまとめてグループ化することができる。そして、グループ毎に、各グループに属する学習用画像に基づく機械学習で異常検知モデルを生成することで、監視対象毎に異常検知モデルを生成することができる。
本実施形態の学習装置20は、第1乃至第4の実施形態の推定装置10が利用する異常検知モデルを生成する機能を有する。本実施形態の学習装置は、撮影位置及び撮影方向毎に異常検知モデルを生成する。
(2-2):次の処理対象の学習用画像の撮影位置とその時点で存在するグループ各々の代表撮影位置との距離を算出する。また、次の処理対象の学習用画像の撮影方向とその時点で存在するグループ各々の代表撮影方向との角度差を算出する。
(2-3):距離及び角度差いずれもが閾値未満のグループが存在する場合、処理対象の学習用画像をそのグループに属させる。そして、そのグループに属する学習用画像(処理対象の学習用画像を含む)の撮影位置及び撮影方向に基づき、そのグループの代表撮影位置及び代表撮影方向を決定する。例えば、そのグループに属する複数の学習用画像(処理対象の学習用画像を含む)の撮影位置の重心となる位置を代表撮影位置とすることができる。また、そのグループに属する複数の学習用画像(処理対象の学習用画像を含む)の撮影方向の統計値(平均値、最頻値、中央値、最大値、最小値等)を代表撮影方向とすることができる。
(2-4):一方、距離及び角度差のいずれもが閾値未満のグループが存在しない場合、新たなグループを作成し、処理対象の学習用画像をその新たなグループに属させる。そして、その処理対象の学習用画像の撮影位置及び撮影方向をその新たなグループの代表撮影位置及び代表撮影方向とする。
(2-5):(2-2)乃至(2-4)の処理を繰り返す。
図14に、本実施形態の学習装置20の機能ブロック図の一例を示す。図示するように、本実施形態の学習装置20は、学習用物体検出部23及び学習用加工部24を有さず、図13のフローチャートで示す画像加工処理S20を実行しない点で、第5及び第6の実施形態と異なる。本実施形態の学習装置20のその他の構成は、第5及び第6の実施形態と同様である。
1. 推定用画像と、前記推定用画像の撮影位置を示す位置情報とを取得する取得手段と、
位置毎に用意された複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記異常検知モデルを選択する選択手段と、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる監視対象の異常有無を推定する推定手段と、
を有する推定装置。
2. 前記推定用画像に含まれる物体を検出する推定用物体検出手段と、
検出された前記物体が含まれる一部領域を前記推定用画像から切り出す推定用加工手段と、
をさらに有し、
前記推定手段は、切り出された前記一部領域の画像と選択された前記異常検知モデルとに基づき、前記監視対象の異常有無を推定する1に記載の推定装置。
3. 前記取得手段は、前記推定用画像を撮影した時の撮影方向を示す方向情報をさらに取得し、
前記異常検知モデルは、位置毎かつ撮影方向毎に用意されており、
前記選択手段は、前記位置情報で示される撮影位置及び前記方向情報で示される撮影方向に対応する前記異常検知モデルを選択する1または2に記載の推定装置。
4. 前記選択手段は、複数の前記異常検知モデル各々に紐づけられたランドマークが前記推定用画像に含まれるか否かに基づき、前記異常検知モデルを選択する1から3のいずれかに記載の推定装置。
5. 複数の学習用画像各々の撮影位置に基づき、前記学習用画像をグループ分けするグループ分け手段と、
前記グループ毎に、前記学習用画像に基づく機械学習で、画像に含まれる監視対象の異常有無を推定する異常検知モデルを生成する学習手段と、
を有する学習装置。
6. 前記学習用画像に含まれる物体を検出する学習用物体検出手段と、
検出された前記物体が含まれる一部領域を前記学習用画像から切り出す学習用加工手段と、
をさらに有し、
前記学習手段は、切り出された前記一部領域の画像に基づく機械学習で、前記異常検知モデルを生成する5に記載の学習装置。
7. 前記グループ分け手段は、複数の学習用画像各々の撮影位置及び撮影方向に基づき、前記学習用画像をグループ分けする5又は6に記載の学習装置。
8. コンピュータが、
推定用画像と、前記推定用画像の撮影位置を示す位置情報とを取得し、
位置毎に用意された複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記異常検知モデルを選択し、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる監視対象の異常有無を推定する推定方法。
9. コンピュータを、
推定用画像と、前記推定用画像の撮影位置を示す位置情報とを取得する取得手段、
位置毎に用意された複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記異常検知モデルを選択する選択手段、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる監視対象の異常有無を推定する推定手段、
として機能させるプログラム。
2A メモリ
3A 入出力I/F
4A 周辺回路
5A バス
10 推定装置
11 取得部
12 選択部
13 推定用物体検出部
14 推定用加工部
15 推定部
16 記憶部
20 学習装置
22 グループ分け部
23 学習用物体検出部
24 学習用加工部
25 学習部
26 記憶部
Claims (11)
- 推定用画像と、前記推定用画像の撮影位置を絶対位置で示す位置情報とを取得する取得手段と、
ある位置に存在する監視対象を複数の観察地点各々から撮影した画像に基づく機械学習で前記観察地点毎に生成された前記監視対象の異常を検知する複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記観察地点から撮影した画像に基づく機械学習で生成された前記異常検知モデルを選択する選択手段と、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる前記監視対象の異常有無を推定する推定手段と、
を有する推定装置。 - 前記推定用画像に含まれる物体を検出する推定用物体検出手段と、
検出された前記物体が含まれる一部領域を前記推定用画像から切り出す推定用加工手段と、
をさらに有し、
前記推定手段は、切り出された前記一部領域の画像と選択された前記異常検知モデルとに基づき、前記監視対象の異常有無を推定する請求項1に記載の推定装置。 - 前記取得手段は、前記推定用画像を撮影した時の撮影方向を示す方向情報をさらに取得し、
前記異常検知モデルは、位置毎かつ撮影方向毎に用意されており、
前記選択手段は、前記位置情報で示される撮影位置及び前記方向情報で示される撮影方向に対応する前記異常検知モデルを選択する請求項1または2に記載の推定装置。 - 前記選択手段は、複数の前記異常検知モデル各々に紐づけられたランドマークが前記推定用画像に含まれるか否かに基づき、前記異常検知モデルを選択する請求項1から3のいずれか1項に記載の推定装置。
- 前記位置情報は、撮影位置を緯度経度で示す請求項1から4のいずれか1項に記載の推定装置。
- 前記選択手段は、前記位置情報で示される撮影位置と、複数の前記異常検知モデル各々に紐付く位置との距離に基づき、前記位置情報で示される撮影位置に対応する前記異常検知モデルを選択する請求項1から5のいずれか1項に記載の推定装置。
- ある位置に存在する監視対象を複数の観察地点各々から撮影した複数の学習用画像各々の絶対位置で示される撮影位置に基づき、前記学習用画像を同じ前記観察地点から撮影した前記学習用画像どうしでまとめてグループ分けするグループ分け手段と、
前記グループ毎に、同じ前記観察地点から前記監視対象を撮影した複数の前記学習用画像に基づく機械学習で、画像に含まれる前記監視対象の異常有無を推定する異常検知モデルを生成する学習手段と、
を有する学習装置。 - 前記学習用画像に含まれる物体を検出する学習用物体検出手段と、
検出された前記物体が含まれる一部領域を前記学習用画像から切り出す学習用加工手段と、
をさらに有し、
前記学習手段は、切り出された前記一部領域の画像に基づく機械学習で、前記異常検知モデルを生成する請求項7に記載の学習装置。 - 前記グループ分け手段は、複数の学習用画像各々の撮影位置及び撮影方向に基づき、前記学習用画像をグループ分けする請求項7又は8に記載の学習装置。
- コンピュータが、
推定用画像と、前記推定用画像の撮影位置を絶対位置で示す位置情報とを取得し、
ある位置に存在する監視対象を複数の観察地点各々から撮影した画像に基づく機械学習で前記観察地点毎に生成された前記監視対象の異常を検知する複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記観察地点から撮影した画像に基づく機械学習で生成された前記異常検知モデルを選択し、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる前記監視対象の異常有無を推定する推定方法。 - コンピュータを、
推定用画像と、前記推定用画像の撮影位置を絶対位置で示す位置情報とを取得する取得手段、
ある位置に存在する監視対象を複数の観察地点各々から撮影した画像に基づく機械学習で前記観察地点毎に生成された前記監視対象の異常を検知する複数の異常検知モデルの中から、前記位置情報で示される撮影位置に対応する前記観察地点から撮影した画像に基づく機械学習で生成された前記異常検知モデルを選択する選択手段、
前記推定用画像と選択された前記異常検知モデルとに基づき、前記推定用画像に含まれる前記監視対象の異常有無を推定する推定手段、
として機能させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020069639A JP7525220B2 (ja) | 2020-04-08 | 2020-04-08 | 推定装置、学習装置、推定方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020069639A JP7525220B2 (ja) | 2020-04-08 | 2020-04-08 | 推定装置、学習装置、推定方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021165984A JP2021165984A (ja) | 2021-10-14 |
JP7525220B2 true JP7525220B2 (ja) | 2024-07-30 |
Family
ID=78022184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020069639A Active JP7525220B2 (ja) | 2020-04-08 | 2020-04-08 | 推定装置、学習装置、推定方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7525220B2 (ja) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009042167A (ja) | 2007-08-10 | 2009-02-26 | Aisin Aw Co Ltd | 画像認識装置と画像認識装置のためのプログラム、及びこれを用いたナビゲーション装置とナビゲーション装置のためのプログラム |
WO2017057135A1 (ja) | 2015-09-30 | 2017-04-06 | 日本電気株式会社 | 情報処理装置、判定装置、通知システム、情報送信方法及びプログラム |
JP2018081404A (ja) | 2016-11-15 | 2018-05-24 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 識別方法、識別装置、識別器生成方法及び識別器生成装置 |
JP2018200531A (ja) | 2017-05-26 | 2018-12-20 | 富士通株式会社 | 教師データ生成装置、教師データ生成方法、教師データ生成プログラム、及び物体検出システム |
WO2019003355A1 (ja) | 2017-06-28 | 2019-01-03 | 株式会社オプティム | 画像解析結果提供システム、画像解析結果提供方法、およびプログラム |
JP2019125116A (ja) | 2018-01-15 | 2019-07-25 | キヤノン株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2020503604A (ja) | 2016-12-05 | 2020-01-30 | アビギロン コーポレイションAvigilon Corporation | 外観検索のシステムおよび方法 |
-
2020
- 2020-04-08 JP JP2020069639A patent/JP7525220B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009042167A (ja) | 2007-08-10 | 2009-02-26 | Aisin Aw Co Ltd | 画像認識装置と画像認識装置のためのプログラム、及びこれを用いたナビゲーション装置とナビゲーション装置のためのプログラム |
WO2017057135A1 (ja) | 2015-09-30 | 2017-04-06 | 日本電気株式会社 | 情報処理装置、判定装置、通知システム、情報送信方法及びプログラム |
JP2018081404A (ja) | 2016-11-15 | 2018-05-24 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 識別方法、識別装置、識別器生成方法及び識別器生成装置 |
JP2020503604A (ja) | 2016-12-05 | 2020-01-30 | アビギロン コーポレイションAvigilon Corporation | 外観検索のシステムおよび方法 |
JP2018200531A (ja) | 2017-05-26 | 2018-12-20 | 富士通株式会社 | 教師データ生成装置、教師データ生成方法、教師データ生成プログラム、及び物体検出システム |
WO2019003355A1 (ja) | 2017-06-28 | 2019-01-03 | 株式会社オプティム | 画像解析結果提供システム、画像解析結果提供方法、およびプログラム |
JP2019125116A (ja) | 2018-01-15 | 2019-07-25 | キヤノン株式会社 | 情報処理装置、情報処理方法、およびプログラム |
Non-Patent Citations (1)
Title |
---|
三浦 純,SVMによる物体と位置の視覚学習に基づく屋外移動ロボットの位置推定,日本ロボット学会誌 ,日本,社団法人日本ロボット学会,2007年07月15日,Vol.25 No.5,P.142-148 |
Also Published As
Publication number | Publication date |
---|---|
JP2021165984A (ja) | 2021-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027401B (zh) | 一种摄像头和激光雷达融合的端到端目标检测方法 | |
CN102567449B (zh) | 视觉系统及分析图像的方法 | |
JP2021523443A (ja) | Lidarデータと画像データの関連付け | |
KR102200299B1 (ko) | 3d-vr 멀티센서 시스템 기반의 도로 시설물 관리 솔루션을 구현하는 시스템 및 그 방법 | |
KR101965878B1 (ko) | 시각적 피처들을 이용한 이미지들의 자동 연결 | |
US11430199B2 (en) | Feature recognition assisted super-resolution method | |
CN112200131A (zh) | 一种基于视觉的车辆碰撞检测方法、智能终端及存储介质 | |
CN113838125A (zh) | 目标位置确定方法、装置、电子设备以及存储介质 | |
CN115082857A (zh) | 一种目标对象的检测方法、装置、设备以及存储介质 | |
Yang et al. | YOLOv8-Lite: A Lightweight Object Detection Model for Real-time Autonomous Driving Systems | |
CN111881233B (zh) | 分布式点云地图构建方法和装置、服务器、计算机可读存储介质 | |
JP7525220B2 (ja) | 推定装置、学習装置、推定方法及びプログラム | |
CN116740160A (zh) | 一种复杂交通场景中的毫秒级多平面实时提取方法及装置 | |
US20230281975A1 (en) | Systems and methods for generating three-dimensional annotations for training a machine learning model | |
CN115902977A (zh) | 基于视觉和gps的变电站机器人双重定位方法及系统 | |
CN113869163B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
Barra et al. | Can Existing 3D Monocular Object Detection Methods Work in Roadside Contexts? A Reproducibility Study | |
JP7427569B2 (ja) | 状態判定装置、状態判定システム及び状態判定方法 | |
JP6163732B2 (ja) | 画像処理装置、プログラム、及び方法 | |
JP6807092B1 (ja) | 点検システム及び管理サーバ、プログラム、ヒビ割れ情報提供方法 | |
CN114140707A (zh) | 一种电网故障巡检方法 | |
US20230109494A1 (en) | Methods and devices for building a training dataset | |
JP2022186299A (ja) | 位置特定装置、位置特定方法及び位置特定システム | |
JP7457844B2 (ja) | 情報処理装置及び方法 | |
CN117115238B (zh) | 一种确定位姿的方法、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230306 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240112 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240123 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240222 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240416 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240523 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240530 |
|
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: 20240618 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240711 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7525220 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |