JPH04200081A - 撮像装置 - Google Patents

撮像装置

Info

Publication number
JPH04200081A
JPH04200081A JP2333120A JP33312090A JPH04200081A JP H04200081 A JPH04200081 A JP H04200081A JP 2333120 A JP2333120 A JP 2333120A JP 33312090 A JP33312090 A JP 33312090A JP H04200081 A JPH04200081 A JP H04200081A
Authority
JP
Japan
Prior art keywords
lens
aberrations
neural network
neuron
signal
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.)
Pending
Application number
JP2333120A
Other languages
English (en)
Inventor
Kazunori Shionoya
塩野谷 和則
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.)
Olympus Corp
Original Assignee
Olympus Optical Co Ltd
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 Olympus Optical Co Ltd filed Critical Olympus Optical Co Ltd
Priority to JP2333120A priority Critical patent/JPH04200081A/ja
Publication of JPH04200081A publication Critical patent/JPH04200081A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Transforming Light Signals Into Electric Signals (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Lenses (AREA)

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 (産業上の利用分野) 本発明は撮像装置に係り、特にニューラルネットワーク
を用いてレンズの収差を補正するのに好適する撮像装置
に関する。
(従来の技術) 一般的にレンズにより集光され結像された時に、完全な
結像からずれて、光学収差(以下、レンズ収差とする)
と称されるずれが生じる場合がある。
このレンズ収差には、例えば、球面収差、こま収差、非
点収差、色収差等があり、他に像面の湾曲、歪曲等があ
る。
そしてレンズにより集光された光像を受光したC CD
 (charge−coupled device )
等の撮像素子から映像信号を検出する撮像装置があり、
この撮像装置では、レンズ収差を補正するのに補正レン
ズを前群も用いたり、非球面レンズを用いていた。
(発明が解決しようとする課題) しかし、前述したレンズによるレンズ収差の補正は、レ
ンズを前群も用いたため、レンズ系が大型化したり、ま
た非球面レンズを用いため、レンズの加工が複雑になっ
ている。
そこで本発明は、ニューラルネットワークの学習機能を
用いて、CCDて検出された電気信号を補正することに
よってレンズ収差の補正を行う撮像装置を提供すること
を目的とする。
(課題を解決するための手段) 本発明は上記目的を達成するために、光学的レンズ手段
と、前記光学的レンズ手段により集光された光像を電気
信号に変換する光電変換手段と、前記光電変換手段から
の電気信号が、デジィタル信号に変換されるA/D変換
手段と、前記A/D変換手段から所定のデジィタル信号
が入力する複数の二ニーロンユニットと、前記複数のニ
ューロンユニットに所定トレーニング画像を用いて、該
ニューロンユニットのそれぞれに対応付ける重みと閾値
データを予め学習させる学習演算手段と、前記複数の二
ニーロンユニットが複数段の階層構造で隣接する階層間
に結合して構成され、学習演算手段予め学習した重みと
閾値データに基づき、前記A/D変換手段から順次入力
される前記所定のデジィタル信号の重みと閾値を最小に
することによって、レンズ収差を補正するニューラルネ
ットワークとを有する撮像装置が提供できる。
(作 用) 以上のような構成の撮像装置によれば、レンズで集光し
入力された光像がCCDによって電気信号に変換され、
収差を含むディジタル化された映像信号から所定数のサ
ンプル信号を取出す。そして収差を補正するように予め
複数のトレーニング画素によって学習したニューラルネ
ットワークに前記ディジタル化された映像信号を入力し
、レンズ収差を補正する撮像装置を提供することができ
る。
(実施例) 以下、図面を参照して本発明の一実施例を詳細に説明す
る。
第1図のブロック図は、本発明に係る撮像装置の概略的
な構成を示す。
この撮像装置の構成は、まずレンズ1によって集光され
た光信号が、CCD2の画素に入射し、該CCD2から
映像信号(電気信号)2aが検出され、プロセス処理装
置3に送出される。この電気信号は、レンズによる例え
ば、色収差を含んでいる。
そしてプロセス処理装置3は、所定の処理をした後、例
えばRBG信号に変換して、A/D変換器4a〜4nに
送出する。前記RBG信号は、A/D変換器4a〜4n
てディジタル信号に変換され、メモリ素子5a〜5nに
格納される。ここでプロセス処理された信号が、RBG
信号であれば、3種類の信号となり、A/D変換器48
〜4nとメモリ素子5a〜5nは、3組で実行すること
ができる。勿論プロセス処理された信号は、RBG信号
に限られることはなく、y、c信号等の他の形態であっ
ても良い。また、前記C0D2から電気信号は、前述し
たレンズ収差であり、色収差のみに限られない。
そして前記メモリ素子5a〜5nに格納されたRBG画
像信号は、第2図に示すように、MXN個に分割されて
、ニューラルネットワーク6a〜6n、7a〜7n、8
a〜8nに送出される。このように画像をブロック化す
ることによって、1つのブロックに含まれる画素数を少
なくでき、ニューラルネットワークを小規模化して、学
習時間の短縮化を図ることができる。
さらに後述する方法で収差を補正するように予め学習し
た前記ニューラルネットワークから送出された収差が補
正されたRBG信号は、画像メモリ素子9に入力する。
この画像メモリ素子9は、ホストコンピュータ10の制
御に基づき、格納する収差が補正された画像信号が読出
され、出力表示される。
また、これら一連の学習や処理をホストコンピュータ1
0の制御によって実行される。
ここで、実施例に用いられるニューラルネットワークの
概念的な構成を第3図(a)に示す。
この第3図(a)のニューラルネットワークは、3層の
階層構造であり、同一の階層に属するニューロンユニッ
ト間には結合がなく、隣り合う階層のニューロンユニッ
ト間にのみ結合がある。そして各層は入力側から入力層
11、中間層12、出力層13と称される。
そして前記入力層11に入力される信号は、第3図(b
)に示すCCDの各画素に対応している。
次に各二ニーロンユニットは次式、 y−f(Σ W、・Xl−θ)  ・・・(1)に基づ
いた処理を行う。ここで記号X1は、着目しているニュ
ーロンの属する層の1つ前の層に属する1番目の二ニー
ロンユニットの出力であり、記号W、は、前記1番目の
ニューロンユニットとの結合の強さを表す重みである。
記号nは、着目しているニューロンユニットの属する1
つ前の層に属する全部の二ニーロンユニットの数であり
、記号θは、着目しているニューロンユニットの入力閾
値、記号yは、出力値である。さらに記号fは、次式、 f  (x)  =1/ (1+e−x)     −
12)に示すシグモンド関数である。
次に第4図は、本実施例のニューラルネットワークの構
成を示すブロック図であり、第5図は、該ニューラルネ
ットワークを構成する二ニーロンユニットの構成を示す
ブロック図である。
このニューラルネットワークの構成は、図示されないA
/D変換器によってディジタル化されたRBG信号を格
納するメモリ素子2oがらバッファ21を介して、例え
ば、4個のニューロンユニット22a〜22dに前記R
BG信号が入力される。
:、:テ4;i、4)間層に属する二ニーロンユニット
の数を4個としているが、これに限定されるものではな
い。また、出力層のニューロンユニット数は画像の1ブ
ロツクの画素数sXtである。また、前記メモリ素子2
oが入力層に相当している。
すなわち、前記メモリ素子2oに記憶されているデータ
が入力層に属するニューロンユニット22a〜22dの
出力に対応している。
前記メモリ素子20の最初のデータが前記バッファ21
を通してニューロンユニット22a〜22d、23a 
〜23nに送出される。
各二ニーロンユニットでは、後述する方法で学習した学
習データに基づき、収差を補正した出力信号を画像メモ
リ素子24に送出する。すなわち、前記画像メモリ素子
24に格納された値は収差が補正された映像信号である
前記ホストコンピュータ25は、この値を前記画像メモ
リ素子24から読出し、出力表示する。
また、コントローラ26は、前記ニューロンユニット2
2a〜22d、23a 〜23nを同時に且つ並列的に
動作させるための同期信号を発生する。
そして第5図に示すように各二ニーロンユニットの構成
を示し、ニューラルネットワークの学習データの作成に
ついて説明する。
このニューロンユニット22内の演N器26は、重みメ
モリ素子27に予め格納される結合の重みの最初のデー
タと前記メモリ素子20(図示せず)から送られてきた
最初のデータとの積が計算され、レジスタ28に格納さ
れる。次に前記メモリ素子20の2番目のデータと重み
メモリ素子27の2番目のデータとの積が計算され、そ
の積と前記レジスタ28の内容の和が計算され、改めて
前記レジスタ28に格納される。
同様の処理がメモリ素子2oのデータについて繰り返し
行われ、前記メモリ素子2oに格納されている最後のデ
ータの処理が完了すると、前記レジスタ28には、前述
した(1)式の二ニーロンユニットの出力x1と重みw
lとの積のnまでの和が記憶される。ここで、記号nは
前記メモリ素子20に格納されているデータの数で入カ
ニニット数に対応している。
次に前記レジスタ28の内容がら予め閾値メモリ素子2
9に格納されている前記(1)式のニューロンユニット
の入力閾値θに対応する値が取り出され、同様に関数テ
ーブル3oに格納されている前記(2)式のf (x)
とXとの対応関係にょり前記(1)式の出力yが求めら
れ、ニューロンユニットの出力として出力バッファ31
に格納される。
このような処理は、ニューロンユニット22a〜22d
について、同時に且つ並列的に実行される。
さらに前記ニューロンユニット23a〜23nについて
前述した二ニーロンユニット22a〜22dと同様の処
理が行われる。
しかし入力データに関して、前記ニューロンユニット2
2a〜22dではメモリ素子20から入力されたが、前
記ニューロンユニット23a〜23nは、前記ニューロ
ンユニット22a〜22dの出力バッファ31から順次
読み出されたデータが入力データとなる。
まず、最初にニューロンユニット22aの出力バッファ
のデータが読み出され、各二ニーロンユニット23a〜
23nに、予め重みメモリ素子27に格納されている前
記ニューロンユニット22aとの結合の重みとの積が演
算器26で計算され、レジスタ28に格納される。
次にニューロンユニット22bの出力バッファ31の内
容について、各二ニーロンユニット23a〜23nの重
みメモリ素子27に格納されているニューロンユニット
22bとの結合の重みとの積が計算され、レジスタ28
の内容と加え合わせた後、再びレジスタ28に格納され
る。
このような処理を二ニーロンユニット22C122dに
も繰り返し行い、各ニューロンユニット23a〜23n
のレジスタ28には、前述した(1)式のニューロンユ
ニットの出力X、と重みWlとの積の「4」までの和が
記憶される。ここで、「4」は中間ユニット数である。
次に前記レジスタ28の内容から予め閾値メモリ素子2
3に格納されている各二ニーロンユニット238〜23
nの閾値が取り出され、関数テーブル30に予め格納さ
れている前記(2)式のf(x)とXとの対応関係によ
り前記(1)式の出力yが求められ、ニューロンユニッ
ト23a〜23nの出力バッファ31を通して、画像メ
モリ素子24に送られる。
このような処理は、第1図の前記メモリ素子48〜4n
に記憶されているR80画像に対して、前記ニューラル
ネットワーク6a〜6n、7a、〜7n、8a〜8nに
よって、同時に且つ並列的に実行される。
まず、ニューラルネットワークの中間層および出力層に
属するニューロンユニットの前記(1)式における重み
W、と閾値θの決定は、通常のノイマン型のホストコン
ピュータ25を用いて、ラメルハート(Rumel h
art)等によって考案されたバックプロパゲーション
・アルゴリズム(一般化デルタルールとも称される)に
よって行われ(D、E、  ラメルハート、J、L、マ
クレランド。
PDPリサーチグループ著、せ利俊−監訳、rPDPモ
デル」第8章、産業図書、1989年)により得られた
結果を通常の撮像をする前に、ニューラルネットワーク
6a〜6n、7a〜7n。
8a〜8nの各ニューロンユニットの重みメモリ素子2
7及び閾値メモリ素子29にそれぞれ格納される。
前記ニューラルネットワークの学習データの作成に相当
する前記重みW、と閾値θの決定方法を第1図の構成部
材を参照して説明する。
そしてトレーニング画像(例えば、カラーチャートや各
種表示画像等)について、前述した第1図に示す撮像装
置で撮像する。
撮像されたトレーニング画像は、プロセス処理3てRG
B信号に変換され出力される。このRGB信号は、前記
A/D変換器4a〜4nでデジィタル化され、前記メモ
リ素子5a〜5nにそれぞれ格納される。
この格納されたRGB信号をsXtのブロックに分割し
て、ホストコンピュータ10に読み込み、同時に元のト
レーニング画像をsXtの大きさのブロックに分割して
、教師データとする。この教師データは、先のメモリ素
子5a〜5nのデータと共に、学習データとして登録す
る。
次に他の多数のトレーニング画像についても同様な手順
で学習データを作成して登録し、複数の学習データを得
る。
このようにして得られた前記学習データを各RGBに対
するm個のトレーニング画像について、MxN個のニュ
ーラルネットワークの学習データをベクトル(マ:、K
H)−<マ:xN 、 ”iに−s )とする。ここで
、ベクトルX:k(l−IL  ・・・2m1J−1,
・・・、M、に−1,・・・、N)は、1つのトレーニ
ング画像に対して、jk番目のニューラルネットワーク
が処理するデータをベクトルで表したものである。この
ベクトルの要素の数は、ブロックに含まれる画素数と一
致し、ニューラルネットワークの入力層のニューロンユ
ニット数となる。
またベクトル引k(i−1,・・・、  ms  j−
1゜・・・、M、に−1,・・・、N)は、色収差が補
正され、すなわち、原画像と一致してニューラルネット
ワークの出力層に所望するベクトルパターンであり、要
素の数は、入カニニット数と一致している。
そして前記パックプロパゲーション・アルゴリズムによ
る各ニューラルネットワークは、E”−−Σ (””’
y lk  p rh)  2    ・・・(3)2
  +−1 を最小にするように各二ニーロンユニットの重みと閾値
を変化させていく。ここで、ベクトルV rh(i =
1.・・・、m)は、学習データベクトルマIkをjk
番目のニューラルネットワークに入力したときに得られ
るニューラルネットワークの出力である。
また、m組のデータを1度づつ入力してEjkか最も減
少するように重みを変化させると、出力層の二ニーロン
ユニットfと中間層のニューロンユニットgとの間の重
みの変化量ΔW+’は、で与えられ、中間層の二ニーロ
ンユニットgと入力層のユニ一ロンユニッ)hの間の重
みの変化量△W+’は、 ΔW:mg >R′4(yjk″−d;に″) (1−
)”、” ) V’、” W;:’×(l  yl’l
’ ) ylkp yIkpで与えられる。ここて、記
号εは正の定数であ(出、記号ylkp 、  yIk
pは、それぞれ学習データベクトルT I kをjk番
目のニューラルネットワークに入力した時の出力層のユ
ニットf、中間層のユニットgの出力である。記号yI
kl′は、ベクトルマ1′のh番目の要素であり、記号
rは、出カニニットの数である。なお、閾値θについて
は、各二ニーロンユニットに対して、常に「−1」が入
力する端子の重みと、考えれば、前記(4)式と前記(
5)式によって求めることができる。
それぞれの結合の重みに対して、前記(4)式と前記(
5)式を繰り返し実行して前記(3)式のEjkが十分
小さくなったところで処理を完了して、その時の重みの
値を各二ニーロンユニットの重みメモリ素子27と閾値
メモリ素子29とに格納させる。
このような処理をRGB信号のそれぞれの画像を処理す
るMXN個のニューラルネットワークのすべてについて
行う。
従って、重みの値と閾値の最小値を求めることを繰り返
し行い、出力Elkが十分小さくなった時に、レンズの
収差の補正が完了したと見なす。
以上ような本発明の撮像装置は、入力された光信号がC
CDによって、電気信号に変化された後、ニューラルネ
ットワークでレンズの収差の補正を行うため、従来のよ
うなレンズの複雑な設計をする必要がなくなり、また、
個々のレンズに対応してニューラルネットワークが学習
され、収差が補正されるので、個々のレンズの精度を高
める必要がなくなる。
さらに複数のレンズの組み合わせによらず、収差の補正
をすることができるので、レンズの群数が少なくて済み
、前記CCDがらの電気信号を複数のブロック単位に分
割することにより、メモリ素子の数を少なくすることが
できる。
さらに本発明の撮像装置は、順次入力されるディジタル
信号に追従して、レンズ収差の補正が、リアルタイムに
実行することができる。
また本発明は、前述した一実施例に限定されるものでは
なく、他にも発明の要旨を逸脱しない範囲で種々の変形
や応用が可能であることは勿論である。
[発明の効果] 以上詳述したように本発明によれば、集光された光信号
からディジタル化され所定分割されたディジタル信号が
予め学習したニューラルネットワークに順次入力され、
レンズ収差が補正されて出力される撮像装置を提供する
ことができる。
【図面の簡単な説明】
第1図は本発明の一実施例に係る撮像装置の概略的な構
成を示すブロック図、第2図はRBG画像信号をMxN
個に分割した構成を示す図、第3図(a)はニューラル
ネットワークの概念的な構成を示す構成図、第3図(b
)は入力層の入力信号と対応するCCDの各画素の構成
を示す図、第4図はニューラルネットワークの一構成を
示すブロック図、第5図はニューロンユニットの構成を
示すブロック図である。 1・・・レンズ、2・・・CCD、2a・・・映像信号
(電気信号)、3・・・プロセス処理装置、4a〜4n
・・・A/D変換器、5a〜5n・・・メモリ素子、6
a〜6n、7a〜7n、8a〜8 n・・−ニューラル
ネットワーク、9・・・画像メモリ素子、10・・ホス
トコンピュータ。 出願人代理人 弁理士 坪井  厚 部20 第30(a)

Claims (1)

  1. 【特許請求の範囲】 光学的レンズ手段と、 前記光学的レンズ手段により集光された光像を電気信号
    に変換する光電変換手段と、 前記光電変換手段からの電気信号が、デジィタル信号に
    変換されるA/D変換手段と、 前記A/D変換手段から所定のデジィタル信号が入力す
    る複数のニューロンユニットと、前記複数のニューロン
    ユニットに所定トレーニング画像を用いて、該ニューロ
    ンユニットのそれぞれに対応付ける重みと閾値データを
    予め学習させる学習演算手段と、 前記複数のニューロンユニットが複数段の階層構造で隣
    接する階層間に結合して構成され、学習演算手段予め学
    習した重みと閾値データに基づき、前記A/D変換手段
    から順次入力される前記所定のデジィタル信号の重みと
    閾値を最小にすることによって、レンズ収差を補正する
    ニューラルネットワークとを具備することを特徴とする
    撮像装置。
JP2333120A 1990-11-29 1990-11-29 撮像装置 Pending JPH04200081A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2333120A JPH04200081A (ja) 1990-11-29 1990-11-29 撮像装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2333120A JPH04200081A (ja) 1990-11-29 1990-11-29 撮像装置

Publications (1)

Publication Number Publication Date
JPH04200081A true JPH04200081A (ja) 1992-07-21

Family

ID=18262517

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2333120A Pending JPH04200081A (ja) 1990-11-29 1990-11-29 撮像装置

Country Status (1)

Country Link
JP (1) JPH04200081A (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05328211A (ja) * 1991-08-30 1993-12-10 Matsushita Electric Ind Co Ltd 画像処理装置
DE19726877A1 (de) * 1997-06-24 1999-01-07 Fraunhofer Ges Forschung Bildverarbeitungssystem und Verfahren zur Bildverarbeitung für Endoskope
DE10022009A1 (de) * 1999-11-26 2001-05-31 Univ Magdeburg Tech Verfahren und Einrichtung zur Bestimmung und mindestens teilweisen Korrektur der Fehler eines Bildwiedergabesystems
WO2004074982A3 (en) * 2003-02-14 2004-10-14 Univ Chicago Method of training massive training artificial neural networks (mtann) for the detection of abnormalities in medical images
WO2013015102A1 (ja) * 2011-07-26 2013-01-31 株式会社日立ハイテクノロジーズ 荷電粒子線装置
WO2018037521A1 (ja) * 2016-08-25 2018-03-01 キヤノン株式会社 画像処理方法、画像処理装置、撮像装置、画像処理プログラム、記憶媒体

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05328211A (ja) * 1991-08-30 1993-12-10 Matsushita Electric Ind Co Ltd 画像処理装置
DE19726877C2 (de) * 1997-06-24 2002-01-24 Fraunhofer Ges Forschung Bildverarbeitungssystem und Verfahren zur Bildverarbeitung für Endoskope
DE19726877A1 (de) * 1997-06-24 1999-01-07 Fraunhofer Ges Forschung Bildverarbeitungssystem und Verfahren zur Bildverarbeitung für Endoskope
US7457458B1 (en) 1999-11-26 2008-11-25 Inb Vision Ag. Method and apparatus for defining and correcting image data
DE10022009C2 (de) * 1999-11-26 2002-12-05 Inb Vision Ag Verfahren und Einrichtung zur Bestimmung und mindestens teilweisen Korrektur der Fehler eines Bildwiedergabesystems
DE10022009A1 (de) * 1999-11-26 2001-05-31 Univ Magdeburg Tech Verfahren und Einrichtung zur Bestimmung und mindestens teilweisen Korrektur der Fehler eines Bildwiedergabesystems
WO2004074982A3 (en) * 2003-02-14 2004-10-14 Univ Chicago Method of training massive training artificial neural networks (mtann) for the detection of abnormalities in medical images
WO2013015102A1 (ja) * 2011-07-26 2013-01-31 株式会社日立ハイテクノロジーズ 荷電粒子線装置
JP2013030278A (ja) * 2011-07-26 2013-02-07 Hitachi High-Technologies Corp 荷電粒子線装置
CN103718267A (zh) * 2011-07-26 2014-04-09 株式会社日立高新技术 带电粒子射线装置
WO2018037521A1 (ja) * 2016-08-25 2018-03-01 キヤノン株式会社 画像処理方法、画像処理装置、撮像装置、画像処理プログラム、記憶媒体
JPWO2018037521A1 (ja) * 2016-08-25 2019-06-20 キヤノン株式会社 画像処理方法、画像処理装置、撮像装置、画像処理プログラム、記憶媒体
US10354369B2 (en) 2016-08-25 2019-07-16 Canon Kabushiki Kaisha Image processing method, image processing apparatus, image pickup apparatus, and storage medium

Similar Documents

Publication Publication Date Title
WO2018217019A1 (ko) 신경망 학습 기반의 변종 악성 코드를 탐지하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
JP3058774B2 (ja) 映像合成装置及び映像合成方法
US5293456A (en) Object recognition system employing a sparse comparison neural network
WO2005119589A1 (en) Information processing method and apparatus, and image pickup device
CN111783748B (zh) 人脸识别方法、装置、电子设备及存储介质
JP2002358523A (ja) パターン認識処理装置及びその方法、画像入力装置
CN113011567B (zh) 一种卷积神经网络模型的训练方法及装置
WO2020231005A1 (ko) 영상 처리 장치 및 그 동작방법
CN112528782B (zh) 水下鱼类目标检测方法及装置
JP2021179833A (ja) 情報処理装置、情報処理方法及びプログラム
CN112102192A (zh) 一种图像白平衡方法
US5271090A (en) Operational speed improvement for neural network
JPH04200081A (ja) 撮像装置
Nie Research on facial expression recognition of robot based on CNN convolution neural network
CN113628261A (zh) 一种电力巡检场景下的红外与可见光图像配准方法
Fadzil et al. Human face recognition using neural networks
KR20200108173A (ko) 스파이킹 뉴럴 네트워크에 대한 연산량을 감소시키는 stdp 기반의 뉴로모픽 연산처리장치
CN116309270A (zh) 一种基于双目图像的输电线路典型缺陷识别方法
JPH06113139A (ja) 画像2値化装置
WO2021177532A1 (ko) 인공지능을 이용하여 정렬된 염색체 이미지의 분석을 통한 염색체 이상 판단 방법, 장치 및 컴퓨터프로그램
WO2010055992A2 (ko) 신경 회로망을 이용한 위성 영상 보정 방법 및 장치
WO2020175729A1 (ko) 가우시안 특징점맵과 회귀 기법을 이용한 얼굴 특징점 검출 장치 및 방법
RU2625523C1 (ru) Способ определения охраноспособности обозначений в качестве товарных знаков
WO2023282611A1 (ko) 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법
JP3303253B2 (ja) パターンマッチング方法および装置