JPH08212184A - 認識装置および欠損値推定／学習方法 - Google Patents
認識装置および欠損値推定／学習方法Info
- Publication number
- JPH08212184A JPH08212184A JP7015271A JP1527195A JPH08212184A JP H08212184 A JPH08212184 A JP H08212184A JP 7015271 A JP7015271 A JP 7015271A JP 1527195 A JP1527195 A JP 1527195A JP H08212184 A JPH08212184 A JP H08212184A
- Authority
- JP
- Japan
- Prior art keywords
- sensor information
- learning
- model
- error
- missing
- 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.)
- Withdrawn
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】 対象のモデルと適切な内部表現の獲得と、不
完全なセンサ情報による学習／認識の可能な認識装置お
よび欠損値の推定／学習方法を提供すること。 【構成】 観測対象毎に欠損値推定／学習手段４ａ，４
ｂ，４ｃをそれぞれ対応づけ、観測対象１をさまざまな
視点から観測したセンサ情報３により、複数の観測対象
に対応した欠損値推定／学習手段４ａ，４ｂ，４ｃを学
習させる。欠損値推定／学習手段４ａ，４ｂ，４ｃは砂
時計モデルを具備し、iterative inversion 法と誤差逆
伝搬により、不完全なセンサ情報の欠損値を推定しモデ
ル獲得を行う。欠損値推定／学習手段４ａ，４ｂ，４ｃ
を学習させたのち、センサ２により観測した観測対象１
のセンサ情報３を複数の欠損値推定／学習手段４ａ，４
ｂ，４ｃに与え、最小値誤差選択手段５により誤差が最
小となる欠損値推定／学習手段を選択し、センサ２によ
り観測された観測対象の認識を行う。
完全なセンサ情報による学習／認識の可能な認識装置お
よび欠損値の推定／学習方法を提供すること。 【構成】 観測対象毎に欠損値推定／学習手段４ａ，４
ｂ，４ｃをそれぞれ対応づけ、観測対象１をさまざまな
視点から観測したセンサ情報３により、複数の観測対象
に対応した欠損値推定／学習手段４ａ，４ｂ，４ｃを学
習させる。欠損値推定／学習手段４ａ，４ｂ，４ｃは砂
時計モデルを具備し、iterative inversion 法と誤差逆
伝搬により、不完全なセンサ情報の欠損値を推定しモデ
ル獲得を行う。欠損値推定／学習手段４ａ，４ｂ，４ｃ
を学習させたのち、センサ２により観測した観測対象１
のセンサ情報３を複数の欠損値推定／学習手段４ａ，４
ｂ，４ｃに与え、最小値誤差選択手段５により誤差が最
小となる欠損値推定／学習手段を選択し、センサ２によ
り観測された観測対象の認識を行う。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネット等の
学習モデルを用いた認識装置および欠損値推定／学習方
法に関し、特に本発明は、ロボット、産業装置、視聴覚
認識等に用いられるセンシング技術、複数のセンサ情報
を統合処理するセンサフュージョン技術等に適用するの
に好適な認識装置および欠損値推定／学習方法に関する
ものである。
学習モデルを用いた認識装置および欠損値推定／学習方
法に関し、特に本発明は、ロボット、産業装置、視聴覚
認識等に用いられるセンシング技術、複数のセンサ情報
を統合処理するセンサフュージョン技術等に適用するの
に好適な認識装置および欠損値推定／学習方法に関する
ものである。
【０００２】
【従来の技術】人間のような多種多様なセンサ情報を融
合した情報処理機構を工学的に実現するためには、異種
センサ情報の同種の情報への段階的な変換／融合、モデ
ル／内部表現の自動獲得、センサ情報のあいまい性を許
容できる柔軟性、認識と運動の相互関係の記述を可能と
する枠組みが必要である。
合した情報処理機構を工学的に実現するためには、異種
センサ情報の同種の情報への段階的な変換／融合、モデ
ル／内部表現の自動獲得、センサ情報のあいまい性を許
容できる柔軟性、認識と運動の相互関係の記述を可能と
する枠組みが必要である。
【０００３】これまでに、内部表現とセンシング対象の
センサ情報の対応関係を学習した順方向の階層形ネット
ワークと誤差逆伝搬により入力ユニットの値を修正する
手法（iterative inversion 法）を用いて、認識系と運
動系の情報交換やトップダウン情報を利用した認識問題
の不良設定性の回避などが可能な認識モデルが知られて
いる。
センサ情報の対応関係を学習した順方向の階層形ネット
ワークと誤差逆伝搬により入力ユニットの値を修正する
手法（iterative inversion 法）を用いて、認識系と運
動系の情報交換やトップダウン情報を利用した認識問題
の不良設定性の回避などが可能な認識モデルが知られて
いる。
【０００４】図１１は従来のニューラルネットワークに
よるパターン認識を示す図である。同図に示したニュー
ラルネットワークは、複数の入力ユニットＵi と中間層
ユニットＵm と出力ユニットＵｏから構成され、周知な
ように、予め、ニューラルネットに学習データを与えて
学習させたのち、入力ユニットＵi にセンサ情報を与え
て物体Ａ，Ｂ，Ｃを識別するものである。
よるパターン認識を示す図である。同図に示したニュー
ラルネットワークは、複数の入力ユニットＵi と中間層
ユニットＵm と出力ユニットＵｏから構成され、周知な
ように、予め、ニューラルネットに学習データを与えて
学習させたのち、入力ユニットＵi にセンサ情報を与え
て物体Ａ，Ｂ，Ｃを識別するものである。
【０００５】ここで、上記ニューラルネットワークにお
いて、センサ情報等に欠損があり、入力データが不完全
であると、物体を正しく認識することができない。前記
したiterative inversion 法は、上記ニューラルネット
ワークにおいて、入力データが不完全な場合、出力ユニ
ットＵo の値と教師信号を比較して、誤差を求める。そ
して求めた誤差を逆伝搬しながら、出力ユニットＵo の
値と教師信号が一致するように入力ユニットＵｉの値を
修正することにより、不完全な入力データを復元するよ
うにしたものである（その詳細については、例えば、特
開平６−９６０４７号公報、特開平６−９６２２０号公
報等を参照されたい）。
いて、センサ情報等に欠損があり、入力データが不完全
であると、物体を正しく認識することができない。前記
したiterative inversion 法は、上記ニューラルネット
ワークにおいて、入力データが不完全な場合、出力ユニ
ットＵo の値と教師信号を比較して、誤差を求める。そ
して求めた誤差を逆伝搬しながら、出力ユニットＵo の
値と教師信号が一致するように入力ユニットＵｉの値を
修正することにより、不完全な入力データを復元するよ
うにしたものである（その詳細については、例えば、特
開平６−９６０４７号公報、特開平６−９６２２０号公
報等を参照されたい）。
【０００６】上記したニューラルネットワークはパター
ン認識の手法や３次元物体のモデル表現方法の観点から
も、従来の記号処理、数式、幾何モデルなどの手法と比
較して、センサ情報の誤差や曖昧性の吸収と適切な補間
が可能な柔軟性を備えている。しかしながら、図１１の
ニューラルネットワークは、観測したセンサ情報に欠
損値が生ずると、上記したようにその値を復元しなけれ
ば適切な認識処理ができない、学習に物体を識別する
ための教師信号が必要、識別する物体の種別の増加に
伴い学習データが大幅に増加し、膨大な学習時間を必要
とする、という問題があった。
ン認識の手法や３次元物体のモデル表現方法の観点から
も、従来の記号処理、数式、幾何モデルなどの手法と比
較して、センサ情報の誤差や曖昧性の吸収と適切な補間
が可能な柔軟性を備えている。しかしながら、図１１の
ニューラルネットワークは、観測したセンサ情報に欠
損値が生ずると、上記したようにその値を復元しなけれ
ば適切な認識処理ができない、学習に物体を識別する
ための教師信号が必要、識別する物体の種別の増加に
伴い学習データが大幅に増加し、膨大な学習時間を必要
とする、という問題があった。
【０００７】このため、ニューラルネットを実世界のセ
ンサ情報の認識や統融合の手段として使うための課題と
して、センサ情報の不完全性への対応、自律的な学習、
学習時間の高速化が上げられている。特に、実環境にお
いては、オクルージョンや照明条件などのさまざまな不
完全性の影響によりセンシング対象のすべてのセンサ情
報を常に観測できることは極めてまれであり、完全なセ
ンサ情報を仮定することは非現実的な条件である。ま
た、３次元物体を対象にした場合、視線方向に依存して
観測できる物体のセンサ情報が変化するセルフオクルー
ジョンの問題があり、一般に不完全なセンサ情報しか獲
得できない。
ンサ情報の認識や統融合の手段として使うための課題と
して、センサ情報の不完全性への対応、自律的な学習、
学習時間の高速化が上げられている。特に、実環境にお
いては、オクルージョンや照明条件などのさまざまな不
完全性の影響によりセンシング対象のすべてのセンサ情
報を常に観測できることは極めてまれであり、完全なセ
ンサ情報を仮定することは非現実的な条件である。ま
た、３次元物体を対象にした場合、視線方向に依存して
観測できる物体のセンサ情報が変化するセルフオクルー
ジョンの問題があり、一般に不完全なセンサ情報しか獲
得できない。
【０００８】これまでに、不完全データの問題に対し
て、Jordanらによる統計的な視点から不完全なデータか
ら学習するための統計的アルゴリズム（ＥＭアルゴリズ
ム）が知られている〔Jordan,Ghahramani,Z and Jordan
MI(1994)"Supervised learnigfrom incomplete data v
ia an EM approach" To appear in Cowan,JD.,Tesauro,
G.,and Alspector,J.(eds).Advances in Neural Inform
ation Processing System 6. Morgan Kaufmann Publish
ers,San Francisco,CA,1994. 〕。
て、Jordanらによる統計的な視点から不完全なデータか
ら学習するための統計的アルゴリズム（ＥＭアルゴリズ
ム）が知られている〔Jordan,Ghahramani,Z and Jordan
MI(1994)"Supervised learnigfrom incomplete data v
ia an EM approach" To appear in Cowan,JD.,Tesauro,
G.,and Alspector,J.(eds).Advances in Neural Inform
ation Processing System 6. Morgan Kaufmann Publish
ers,San Francisco,CA,1994. 〕。
【０００９】一方、Cottrell等によりニューラルネット
ワークによる情報圧縮の手法として提案された砂時計形
のニューラルネットワークモデル（以下、砂時計モデル
とよぶ）〔Cottell,G.W.,Muno,P.,and Zipper,D.,"Imag
e Compression by Back Propagation. An Example of E
xtension Programmins",ICS Report 8702,Institutefor
Cognitive Science,UCSD,1987 〕は未知の対象のモデ
ルと適切な内部表現の自動的な獲得を実現する枠組みと
して着目され、モデル獲得／物体認識や情報の統融合に
砂時計モデルを応用する研究が盛んになってきた。
ワークによる情報圧縮の手法として提案された砂時計形
のニューラルネットワークモデル（以下、砂時計モデル
とよぶ）〔Cottell,G.W.,Muno,P.,and Zipper,D.,"Imag
e Compression by Back Propagation. An Example of E
xtension Programmins",ICS Report 8702,Institutefor
Cognitive Science,UCSD,1987 〕は未知の対象のモデ
ルと適切な内部表現の自動的な獲得を実現する枠組みと
して着目され、モデル獲得／物体認識や情報の統融合に
砂時計モデルを応用する研究が盛んになってきた。
【００１０】Cottell 等は砂時計モデルを用いて画像情
報からの人の性別、表情などの識別に充分な特徴が抽出
できることを示した〔Cottell,G.W.and Metcalfe,J.,"E
MPATH:Face,Emotion,and Gender Recognition Using Ho
lons" ,NIPS3,pp.564-572,1991. および DeMers,D.and
Cottell,G.W.,"Non-Linear Dimensionality Reductio
n",NIPS5,pp.580-587,1993. 〕。
報からの人の性別、表情などの識別に充分な特徴が抽出
できることを示した〔Cottell,G.W.and Metcalfe,J.,"E
MPATH:Face,Emotion,and Gender Recognition Using Ho
lons" ,NIPS3,pp.564-572,1991. および DeMers,D.and
Cottell,G.W.,"Non-Linear Dimensionality Reductio
n",NIPS5,pp.580-587,1993. 〕。
【００１１】ＡＴＲの鈴木、安藤等は、砂時計モデルを
３次元物体のモデル表現に適用する手法を提案し、Jord
an等のモジュール構造形ネットワークと組み合わせて、
複数の３次元物体の射影像を与えるだけで、認識・識別
が自動的に行われることを示した〔鈴木、安藤、”モジ
ュール学習による３次元物体の識別と類別”、信学技
報、NC93-62 、pp.59-66、1993. 〕。
３次元物体のモデル表現に適用する手法を提案し、Jord
an等のモジュール構造形ネットワークと組み合わせて、
複数の３次元物体の射影像を与えるだけで、認識・識別
が自動的に行われることを示した〔鈴木、安藤、”モジ
ュール学習による３次元物体の識別と類別”、信学技
報、NC93-62 、pp.59-66、1993. 〕。
【００１２】さらに、コンパクトな内部表現を自動的に
獲得する手法として、砂時計モデルの中間層ユニットの
個数を自動的に調整する過負荷学習法が野田らにより提
案されている〔野田、" 過負荷学習を用いた恒等写像学
習による内部表現獲得”、日本神経回路学会５回全国大
会講演論文集、pp.80-81,1994.〕。図１２は前記した従
来の鈴木、安藤らによる砂時計モデルの認識識別方法を
簡略化して示したものである。
獲得する手法として、砂時計モデルの中間層ユニットの
個数を自動的に調整する過負荷学習法が野田らにより提
案されている〔野田、" 過負荷学習を用いた恒等写像学
習による内部表現獲得”、日本神経回路学会５回全国大
会講演論文集、pp.80-81,1994.〕。図１２は前記した従
来の鈴木、安藤らによる砂時計モデルの認識識別方法を
簡略化して示したものである。
【００１３】同図において、Ｎ１〜Ｎ３は砂時計モデル
であり、砂時計モデルは、図１３に示すように、同一個
数の入出力ユニットを持ち、中間層のユニット数を入出
力ユニット層のユニット数より絞った階層形ネットワー
クである。そして、砂時計モデルの入力と出力に同一の
データを与え、恒等写像を学習させる。ここで、絞り込
まれた中間層ユニットの出力値を学習データの内部表現
と考えると、砂時計モデルは、同図に示すように、学習
データの本質的な情報を表す内部表現、学習データから
の内部表現への逆モデル部（情報圧縮）、内部表現から
学習データへの順モデル部（情報復元）を学習により同
時に獲得するものと考えることができる。
であり、砂時計モデルは、図１３に示すように、同一個
数の入出力ユニットを持ち、中間層のユニット数を入出
力ユニット層のユニット数より絞った階層形ネットワー
クである。そして、砂時計モデルの入力と出力に同一の
データを与え、恒等写像を学習させる。ここで、絞り込
まれた中間層ユニットの出力値を学習データの内部表現
と考えると、砂時計モデルは、同図に示すように、学習
データの本質的な情報を表す内部表現、学習データから
の内部表現への逆モデル部（情報圧縮）、内部表現から
学習データへの順モデル部（情報復元）を学習により同
時に獲得するものと考えることができる。
【００１４】図１２において、物体の認識は次のように
行われる。まず、対象物体毎に一つの砂時計モデルを対
応づけ、対象物体をさまざまな視点から観測したセンサ
情報により複数の物体対応の砂時計モデルを学習する。
図１２においては、砂時計モデルＮ１を物体Ａに、砂時
計モデルＮ２を物体Ｂに、さらに、砂時計モデルＮ３を
物体Ｃに対応付け、それぞれの砂時計モデルに物体Ａ，
Ｂ，Ｃについて観測したセンサ情報を与え学習させてい
る。
行われる。まず、対象物体毎に一つの砂時計モデルを対
応づけ、対象物体をさまざまな視点から観測したセンサ
情報により複数の物体対応の砂時計モデルを学習する。
図１２においては、砂時計モデルＮ１を物体Ａに、砂時
計モデルＮ２を物体Ｂに、さらに、砂時計モデルＮ３を
物体Ｃに対応付け、それぞれの砂時計モデルに物体Ａ，
Ｂ，Ｃについて観測したセンサ情報を与え学習させてい
る。
【００１５】これにより、各々の砂時計モデルは、学習
した対象物体の内部表現とセンサ情報と内部表現の順／
逆モデルを獲得し、恒等写像を実現する。ここで、砂時
計モデルは学習した物体のセンサ情報に対しては恒等写
像を実現するが、学習していない物体に対しては、入力
したセンサ情報と異なったセンサ情報を出力する。この
特徴を利用して、入力したセンサ情報と出力ユニットの
誤差を比較することにより物体認識を行うことができ
る。
した対象物体の内部表現とセンサ情報と内部表現の順／
逆モデルを獲得し、恒等写像を実現する。ここで、砂時
計モデルは学習した物体のセンサ情報に対しては恒等写
像を実現するが、学習していない物体に対しては、入力
したセンサ情報と異なったセンサ情報を出力する。この
特徴を利用して、入力したセンサ情報と出力ユニットの
誤差を比較することにより物体認識を行うことができ
る。
【００１６】図１２において、未知物体のセンサ情報を
複数の砂時計モデルに入力すると、各々の砂時計モデル
はセンサ情報の変換を行い、入力されたセンサ情報を復
元することを試みる。全ての砂時計モデルの出力値と入
力値の誤差が計算され、誤差が最も少ない砂時計モデル
に対応した物体を対象物体とみなすことにより、物体の
識別が可能となる。もし、どの砂時計モデルも充分に誤
差が小さくならなければ、未知物体であると判定する。
なお、上記図１２に示した砂時計モデルにおいては、入
力センサ情報に欠損があると、砂時計モデルは入力され
たセンサ情報を復元することができず、物体を識別する
ことはできない。
複数の砂時計モデルに入力すると、各々の砂時計モデル
はセンサ情報の変換を行い、入力されたセンサ情報を復
元することを試みる。全ての砂時計モデルの出力値と入
力値の誤差が計算され、誤差が最も少ない砂時計モデル
に対応した物体を対象物体とみなすことにより、物体の
識別が可能となる。もし、どの砂時計モデルも充分に誤
差が小さくならなければ、未知物体であると判定する。
なお、上記図１２に示した砂時計モデルにおいては、入
力センサ情報に欠損があると、砂時計モデルは入力され
たセンサ情報を復元することができず、物体を識別する
ことはできない。
【００１７】
【発明が解決しようとする課題】本発明は、従来のニュ
ーラルネットを実世界のセンサ情報の認識や統融合の手
段として使うための課題であった、センサ情報の不完全
性への対応、自律的な学習、学習時間の高速化を実現す
るためになされたものであって、本発明の目的は、前記
した砂時計モデルとiterative inversion 法を融合し、
対象のモデルと適切な内部表現の自律的な獲得と、不完
全なセンサ情報による学習／認識の可能な認識装置およ
び欠損値の推定／学習方法を提供することである。
ーラルネットを実世界のセンサ情報の認識や統融合の手
段として使うための課題であった、センサ情報の不完全
性への対応、自律的な学習、学習時間の高速化を実現す
るためになされたものであって、本発明の目的は、前記
した砂時計モデルとiterative inversion 法を融合し、
対象のモデルと適切な内部表現の自律的な獲得と、不完
全なセンサ情報による学習／認識の可能な認識装置およ
び欠損値の推定／学習方法を提供することである。
【００１８】
【課題を解決するための手段】図１、図２は本発明の原
理を説明する図であり、図１は本発明の認識装置の原理
構成図、図２は本発明における欠損値推定／学習方法の
原理を示している。図１において、１は認識の対象とな
る観測対象であり、例えば、物体の形状、人の表情、物
体や人／動物の動き等が本発明の観測対象となる。２は
該観測対象の画像、観測対象が発生する音、観測対象の
触覚等を検出するセンサ、３はセンサ情報であり、セン
サ情報３はセンサ２により検出された画像情報、音情報
等、および、それらから抽出された特徴量を含む。
理を説明する図であり、図１は本発明の認識装置の原理
構成図、図２は本発明における欠損値推定／学習方法の
原理を示している。図１において、１は認識の対象とな
る観測対象であり、例えば、物体の形状、人の表情、物
体や人／動物の動き等が本発明の観測対象となる。２は
該観測対象の画像、観測対象が発生する音、観測対象の
触覚等を検出するセンサ、３はセンサ情報であり、セン
サ情報３はセンサ２により検出された画像情報、音情報
等、および、それらから抽出された特徴量を含む。
【００１９】４ａ〜４ｃは、本発明の欠損値推定／学習
手段である。欠損値推定／学習手段４ａ〜４ｃは図２
（ａ）（ｂ）に示すように砂時計モデルを具備し、不完
全なセンサ情報を推定し、不完全なセンサ情報により認
識／学習を行う機能を備えている。５は最小誤差選択手
段であり、上記欠損値推定／学習手段４ａ〜４ｃが出力
する誤差の内、最小のものを選択し、認識結果を出力す
る。
手段である。欠損値推定／学習手段４ａ〜４ｃは図２
（ａ）（ｂ）に示すように砂時計モデルを具備し、不完
全なセンサ情報を推定し、不完全なセンサ情報により認
識／学習を行う機能を備えている。５は最小誤差選択手
段であり、上記欠損値推定／学習手段４ａ〜４ｃが出力
する誤差の内、最小のものを選択し、認識結果を出力す
る。
【００２０】図２において、図２（ａ）は本発明におけ
る欠損値推定方法の原理を示す図であり、同図に示すよ
うに、砂時計モデル４０の出力データとセンサ情報の誤
差を誤差逆伝搬手段４１によりセンサ情報が欠損した入
力ユニットに逆伝搬して、入力ユニット更新手段４２に
より入力値の修正を行う。図２（ｂ）は本発明における
学習方法の原理を示す図であり、同図に示すように、砂
時計モデル４０の出力データとセンサ情報の誤差を誤差
逆伝搬手段４１によりセンサ情報が欠損した入力ユニッ
トに逆伝搬し、入力ユニット更新手段４２により入力値
の修正を行うとともに、重み更新手段４３により砂時計
モデルの重みを更新する。
る欠損値推定方法の原理を示す図であり、同図に示すよ
うに、砂時計モデル４０の出力データとセンサ情報の誤
差を誤差逆伝搬手段４１によりセンサ情報が欠損した入
力ユニットに逆伝搬して、入力ユニット更新手段４２に
より入力値の修正を行う。図２（ｂ）は本発明における
学習方法の原理を示す図であり、同図に示すように、砂
時計モデル４０の出力データとセンサ情報の誤差を誤差
逆伝搬手段４１によりセンサ情報が欠損した入力ユニッ
トに逆伝搬し、入力ユニット更新手段４２により入力値
の修正を行うとともに、重み更新手段４３により砂時計
モデルの重みを更新する。
【００２１】前記課題を解決するため、本発明の請求項
１の発明は、図１、図２（ａ）に示すように、センシン
グ対象のセンサ情報の恒等写像を学習することにより、
センシング対象のモデルを獲得する複数のニューラルネ
ットワーク等のモデル学習装置から構成され、未知のセ
ンシング対象のセンサ情報に対して恒等写像に近い出力
を生成したモデル学習装置を選択することによりセンシ
ング対象を認識する認識装置であって、上記モデル学習
装置の出力とセンサ情報との誤差を逆伝搬する誤差逆伝
搬手段と、入力ユニット更新手段とを備え、一部が欠損
したセンサ情報に対して、上記誤差逆伝搬手段により上
記誤差を欠損した値に対応する入力ユニットに逆伝搬
し、上記入力ユニット更新手段により恒等写像を実現す
るように欠損した値を更新し、値の欠損したセンサ情報
の認識を行うように構成したものである。
１の発明は、図１、図２（ａ）に示すように、センシン
グ対象のセンサ情報の恒等写像を学習することにより、
センシング対象のモデルを獲得する複数のニューラルネ
ットワーク等のモデル学習装置から構成され、未知のセ
ンシング対象のセンサ情報に対して恒等写像に近い出力
を生成したモデル学習装置を選択することによりセンシ
ング対象を認識する認識装置であって、上記モデル学習
装置の出力とセンサ情報との誤差を逆伝搬する誤差逆伝
搬手段と、入力ユニット更新手段とを備え、一部が欠損
したセンサ情報に対して、上記誤差逆伝搬手段により上
記誤差を欠損した値に対応する入力ユニットに逆伝搬
し、上記入力ユニット更新手段により恒等写像を実現す
るように欠損した値を更新し、値の欠損したセンサ情報
の認識を行うように構成したものである。
【００２２】本発明の請求項２の発明は、図１、図２
（ｂ）に示すように、センシング対象のセンサ情報の恒
等写像を学習することにより、センシング対象のモデル
を獲得する複数のニューラルネットワーク等のモデル学
習装置から構成され、未知のセンシング対象のセンサ情
報に対して恒等写像に近い出力を生成したモデル学習装
置を選択することによりセンシング対象を認識する認識
装置であって、上記モデル学習装置の出力とセンサ情報
との誤差を逆伝搬する誤差逆伝搬手段と、上記モデル学
習装置の重みを更新する重み更新手段と、入力ユニット
更新手段とを備え、一部が欠損したセンサ情報に対し
て、上記誤差逆伝搬手段により上記誤差を欠損した値に
対応する入力ユニットに逆伝搬し、恒等写像を実現する
ように上記入力ユニット更新手段により欠損した値を更
新しながら、上記重み更新手段により重みを更新し学習
を行うように構成したものである。
（ｂ）に示すように、センシング対象のセンサ情報の恒
等写像を学習することにより、センシング対象のモデル
を獲得する複数のニューラルネットワーク等のモデル学
習装置から構成され、未知のセンシング対象のセンサ情
報に対して恒等写像に近い出力を生成したモデル学習装
置を選択することによりセンシング対象を認識する認識
装置であって、上記モデル学習装置の出力とセンサ情報
との誤差を逆伝搬する誤差逆伝搬手段と、上記モデル学
習装置の重みを更新する重み更新手段と、入力ユニット
更新手段とを備え、一部が欠損したセンサ情報に対し
て、上記誤差逆伝搬手段により上記誤差を欠損した値に
対応する入力ユニットに逆伝搬し、恒等写像を実現する
ように上記入力ユニット更新手段により欠損した値を更
新しながら、上記重み更新手段により重みを更新し学習
を行うように構成したものである。
【００２３】本発明の請求項３の発明は、請求項１また
は請求項２の発明において、上記誤差逆伝搬手段が、上
記誤差を中間層ユニットに逆伝搬し、モデル学習装置の
中間層ユニットから出力層への部分のみを用いて誤差を
逆伝搬して中間層ユニットの値を修正することにより、
値の欠損したセンサ情報の認識を行うようにしたもので
ある。
は請求項２の発明において、上記誤差逆伝搬手段が、上
記誤差を中間層ユニットに逆伝搬し、モデル学習装置の
中間層ユニットから出力層への部分のみを用いて誤差を
逆伝搬して中間層ユニットの値を修正することにより、
値の欠損したセンサ情報の認識を行うようにしたもので
ある。
【００２４】本発明の請求項４の発明は、請求項１，２
または請求項３の発明において、２次元または３次元物
体の特徴量をセンサ情報として与え、物体のモデル獲得
／認識を行うようにしたものである。本発明の請求項５
の発明は、センシング対象のセンサ情報の恒等写像を学
習することにより、センシング対象のモデルを獲得する
ニューラルネットワーク等のモデル学習装置におけるセ
ンサ情報の欠損値推定方法において、図２（ａ）に示す
ように、一部が欠損したセンサ情報に対して、モデル学
習装置の出力とセンサ情報との誤差を欠損した値に対応
する入力ユニットに逆伝搬し、恒等写像を実現するよう
に欠損した値を修正することにより、値の欠損したセン
サ情報を推定するようにしたものである。
または請求項３の発明において、２次元または３次元物
体の特徴量をセンサ情報として与え、物体のモデル獲得
／認識を行うようにしたものである。本発明の請求項５
の発明は、センシング対象のセンサ情報の恒等写像を学
習することにより、センシング対象のモデルを獲得する
ニューラルネットワーク等のモデル学習装置におけるセ
ンサ情報の欠損値推定方法において、図２（ａ）に示す
ように、一部が欠損したセンサ情報に対して、モデル学
習装置の出力とセンサ情報との誤差を欠損した値に対応
する入力ユニットに逆伝搬し、恒等写像を実現するよう
に欠損した値を修正することにより、値の欠損したセン
サ情報を推定するようにしたものである。
【００２５】本発明の請求項６の発明は、センシング対
象のセンサ情報の恒等写像を学習することにより、セン
シング対象のモデルを獲得するニューラルネットワーク
等のモデル学習装置におけるセンサ情報の欠損値推定方
法において、センシング対象のセンサ情報を学習したモ
デル学習装置の中間層ユニットから出力層ユニットへの
部分のみを用いて、センサ情報と出力との誤差を逆伝搬
して中間層ユニットの値を修正することにより、値の欠
損したセンサ情報を推定するようにしたものである。
象のセンサ情報の恒等写像を学習することにより、セン
シング対象のモデルを獲得するニューラルネットワーク
等のモデル学習装置におけるセンサ情報の欠損値推定方
法において、センシング対象のセンサ情報を学習したモ
デル学習装置の中間層ユニットから出力層ユニットへの
部分のみを用いて、センサ情報と出力との誤差を逆伝搬
して中間層ユニットの値を修正することにより、値の欠
損したセンサ情報を推定するようにしたものである。
【００２６】本発明の請求項７の発明は、請求項５また
は請求項６の発明において、欠損した値に対応した出力
ユニットに対して出力の誤差計算を省略するようにした
ものである。本発明の請求項８の発明は、センシング対
象のセンサ情報の恒等写像を学習することにより、セン
シング対象のモデルを獲得するニューラルネットワーク
等のモデル学習装置における学習方法において、図２
（ｂ）に示すように、一部が欠損したセンサ情報に対し
て、モデル学習装置の出力とセンサ情報との誤差を欠損
した値に対応する入力ユニットに逆伝搬し、欠損した値
を修正することによりセンサ情報を推定しながら、モデ
ル学習装置の重みを更新し学習を行うようにしたもので
ある。
は請求項６の発明において、欠損した値に対応した出力
ユニットに対して出力の誤差計算を省略するようにした
ものである。本発明の請求項８の発明は、センシング対
象のセンサ情報の恒等写像を学習することにより、セン
シング対象のモデルを獲得するニューラルネットワーク
等のモデル学習装置における学習方法において、図２
（ｂ）に示すように、一部が欠損したセンサ情報に対し
て、モデル学習装置の出力とセンサ情報との誤差を欠損
した値に対応する入力ユニットに逆伝搬し、欠損した値
を修正することによりセンサ情報を推定しながら、モデ
ル学習装置の重みを更新し学習を行うようにしたもので
ある。
【００２７】本発明の請求項９の発明は、請求項８の発
明において、欠損した値に対応する出力ユニットからの
誤差逆伝搬を省略することにより値の欠損したセンサ情
報から学習するようにしたものである。本発明の請求項
１０の発明は、請求項８または請求項９の発明におい
て、欠損した値に対応する入力ユニットに結合した重み
を変更しないようにしたものである。
明において、欠損した値に対応する出力ユニットからの
誤差逆伝搬を省略することにより値の欠損したセンサ情
報から学習するようにしたものである。本発明の請求項
１０の発明は、請求項８または請求項９の発明におい
て、欠損した値に対応する入力ユニットに結合した重み
を変更しないようにしたものである。
【００２８】本発明の請求項１１の発明は、請求項５，
６，７，８，９または請求項１０の発明において、入力
ユニットの更新定数を学習データの個数および欠損ユニ
ットの個数の関数により決定するようにしたものであ
る。本発明の請求項１２の発明は、請求項５，６，７，
８，９，１０または請求項１１の発明において、学習デ
ータから統計的に推定される平均値や中間値などを欠損
した値の初期値として設定するようにしたものである。
６，７，８，９または請求項１０の発明において、入力
ユニットの更新定数を学習データの個数および欠損ユニ
ットの個数の関数により決定するようにしたものであ
る。本発明の請求項１２の発明は、請求項５，６，７，
８，９，１０または請求項１１の発明において、学習デ
ータから統計的に推定される平均値や中間値などを欠損
した値の初期値として設定するようにしたものである。
【００２９】本発明の請求項１３の発明は、請求項５，
６，７，８，９，１０，１１または請求項１２の発明に
おいて、モデル学習装置の中間層ユニットの個数を入力
センサ情報の次元より小さくし、中間層ユニットからセ
ンサ情報の因子を抽出するようにしたものである。本発
明の請求項１４の発明は、請求項１３の方法により抽出
された因子を入力として、モデル学習装置により教師付
き学習を行うようにしたものである。
６，７，８，９，１０，１１または請求項１２の発明に
おいて、モデル学習装置の中間層ユニットの個数を入力
センサ情報の次元より小さくし、中間層ユニットからセ
ンサ情報の因子を抽出するようにしたものである。本発
明の請求項１４の発明は、請求項１３の方法により抽出
された因子を入力として、モデル学習装置により教師付
き学習を行うようにしたものである。
【００３０】
【作用】本発明は、オクルージョンや照明条件などの影
響により、対象物体のすべてのセンサ情報が観測できず
一部が欠損している場合でも物体認識とモデル獲得を実
現できるモデル学習装置を提供する。以下、本発明によ
る不完全データによる認識、および、不完全データによ
る学習方法について説明する。 （１）不完全データによる認識 まず、センサ情報の一部が欠損した不完全データに対し
て、学習済みの砂時計モデルが欠損したセンサ情報を推
定することにより物体認識を実現する手法について説明
する。
響により、対象物体のすべてのセンサ情報が観測できず
一部が欠損している場合でも物体認識とモデル獲得を実
現できるモデル学習装置を提供する。以下、本発明によ
る不完全データによる認識、および、不完全データによ
る学習方法について説明する。 （１）不完全データによる認識 まず、センサ情報の一部が欠損した不完全データに対し
て、学習済みの砂時計モデルが欠損したセンサ情報を推
定することにより物体認識を実現する手法について説明
する。
【００３１】図２（ａ）は順モデルを用いた誤差逆伝搬
などの最急降下法に基づく反復アルゴリズム（前記した
iterative inversion 法）を適用した砂時計モデルによ
る不完全データに対する認識動作の概略を説明する図で
ある。同図において、砂時計モデル４０の入力層には一
部の特徴量が欠損したセンサ情報が与えられる。また、
同一のセンサ情報が砂時計モデル４０の出力側に与えら
れ、出力データとの誤差が求められ誤差逆伝搬手段４１
により入力ユニット更新手段４２に逆伝搬される。
などの最急降下法に基づく反復アルゴリズム（前記した
iterative inversion 法）を適用した砂時計モデルによ
る不完全データに対する認識動作の概略を説明する図で
ある。同図において、砂時計モデル４０の入力層には一
部の特徴量が欠損したセンサ情報が与えられる。また、
同一のセンサ情報が砂時計モデル４０の出力側に与えら
れ、出力データとの誤差が求められ誤差逆伝搬手段４１
により入力ユニット更新手段４２に逆伝搬される。
【００３２】同図において不完全なセンサ情報による認
識を行う場合には、まず、一部が欠損している入力デー
タの値に適当な初期値を入力し、前向き処理により出力
データを出力する。ここで、上記初期値として、学習デ
ータから統計的に推定される平均値や中間値などを用い
ることにより欠損値の推定動作を短時間で収束させるこ
とができる。
識を行う場合には、まず、一部が欠損している入力デー
タの値に適当な初期値を入力し、前向き処理により出力
データを出力する。ここで、上記初期値として、学習デ
ータから統計的に推定される平均値や中間値などを用い
ることにより欠損値の推定動作を短時間で収束させるこ
とができる。
【００３３】この段階では、欠損している入力データに
正しい値が代入されていないので、一般に砂時計モデル
は入力データを正しく復元することはできず、恒等写像
は実現できない。そこで、出力データとセンサ情報間の
誤差を計算し、前記したiterative inversion 法を適用
し、入力ユニット更新手段４２により反復的に入力ユニ
ットの値を更新していく。
正しい値が代入されていないので、一般に砂時計モデル
は入力データを正しく復元することはできず、恒等写像
は実現できない。そこで、出力データとセンサ情報間の
誤差を計算し、前記したiterative inversion 法を適用
し、入力ユニット更新手段４２により反復的に入力ユニ
ットの値を更新していく。
【００３４】その結果、欠損した入力値に対応した入力
ユニットの値は、観測されたセンサ情報の誤差を最小化
するように適切な欠損値の推定が行われ、砂時計モデル
は恒等写像を実現するようになる。ここで、欠損した入
力データに対応する出力ユニットに対しては誤差計算を
省略することができ、これにより、欠損値に影響される
ことなく、適切な欠損値推定を行うことができる。
ユニットの値は、観測されたセンサ情報の誤差を最小化
するように適切な欠損値の推定が行われ、砂時計モデル
は恒等写像を実現するようになる。ここで、欠損した入
力データに対応する出力ユニットに対しては誤差計算を
省略することができ、これにより、欠損値に影響される
ことなく、適切な欠損値推定を行うことができる。
【００３５】上記入力ユニットの更新は次のように行わ
れる。学習データ（＝入力データ）をＰとし、Ｃp ＝
｛センサ情報が観測された入出力ユニットのインデック
スの集合｝、ＭP ＝｛センサ情報が欠損した入出力ユニ
ットのインデックスの集合｝、学習データ（＝入力デー
タ）Ｐに対する出力ユニットｉの出力Ｏpi、教師信号
（＝入力データ）をＳpiとし、エネルギー関数を次の
（１）式のように定義する。
れる。学習データ（＝入力データ）をＰとし、Ｃp ＝
｛センサ情報が観測された入出力ユニットのインデック
スの集合｝、ＭP ＝｛センサ情報が欠損した入出力ユニ
ットのインデックスの集合｝、学習データ（＝入力デー
タ）Ｐに対する出力ユニットｉの出力Ｏpi、教師信号
（＝入力データ）をＳpiとし、エネルギー関数を次の
（１）式のように定義する。
【００３６】さらに、入力ユニットの誤差（∂Ｅmissng
／∂Ｓj ）により以下の（２）（３）式のようにして欠
損値に対応した入力ユニットを更新する。
／∂Ｓj ）により以下の（２）（３）式のようにして欠
損値に対応した入力ユニットを更新する。
【００３７】
【数１】
【００３８】上記式において、（∂Ｅmissng／∂Ｓj ）
は入力データに対するエネルギー関数の変化率を示し、
また、εmissing は更新定数であり、欠損値を含む入力
データの場合には、上記（２）式に示すように、欠損値
に対応した入力ユニットの値を、エネルギー関数の変化
率（∂Ｅmissng／∂Ｓj ）に更新定数εmissing を掛け
た値で更新する。また、入力データが欠損値を含まない
場合には、上記（３）式に示すように入力ユニットの値
を更新しない。
は入力データに対するエネルギー関数の変化率を示し、
また、εmissing は更新定数であり、欠損値を含む入力
データの場合には、上記（２）式に示すように、欠損値
に対応した入力ユニットの値を、エネルギー関数の変化
率（∂Ｅmissng／∂Ｓj ）に更新定数εmissing を掛け
た値で更新する。また、入力データが欠損値を含まない
場合には、上記（３）式に示すように入力ユニットの値
を更新しない。
【００３９】なお、上記更新定数εmissing は、予め与
えられる所定値であり、学習データの個数および欠損ユ
ニットの個数の関数により決定することができる。すな
わち、ｍを欠損値ユニット数とすると、ε'missing＝ｆ
（εmissing ,m) なる関数で入力ユニットを更新する。
例えば、ε'missing＝εmissing ／m とすることによ
り、欠損値ユニット数に応じた更新定数を定めることが
できる。同様に、学習データの個数もしくは学習データ
の個数と上記欠損値ユニット数に基づき更新定数を定め
ることもできる。
えられる所定値であり、学習データの個数および欠損ユ
ニットの個数の関数により決定することができる。すな
わち、ｍを欠損値ユニット数とすると、ε'missing＝ｆ
（εmissing ,m) なる関数で入力ユニットを更新する。
例えば、ε'missing＝εmissing ／m とすることによ
り、欠損値ユニット数に応じた更新定数を定めることが
できる。同様に、学習データの個数もしくは学習データ
の個数と上記欠損値ユニット数に基づき更新定数を定め
ることもできる。
【００４０】上記式に基づき、欠損値に対応した入力ユ
ニットの値を繰り返し更新していき、出力データと入力
データ間の誤差が所定値以内になったときの欠損値に対
応した入力ユニットもしくは出力ユニットの値により欠
損値の推定を行う。なお、上記説明では、誤差逆伝搬を
行って入力ユニットの値を更新しているが、図２（ａ）
の破線で示すように、中間層ユニットから出力層への部
分のみを用いて誤差逆伝搬し、中間層ユニットの値を修
正するようにしてもよい。これにより、処理量を減少さ
せ処理速度を向上させることができる。
ニットの値を繰り返し更新していき、出力データと入力
データ間の誤差が所定値以内になったときの欠損値に対
応した入力ユニットもしくは出力ユニットの値により欠
損値の推定を行う。なお、上記説明では、誤差逆伝搬を
行って入力ユニットの値を更新しているが、図２（ａ）
の破線で示すように、中間層ユニットから出力層への部
分のみを用いて誤差逆伝搬し、中間層ユニットの値を修
正するようにしてもよい。これにより、処理量を減少さ
せ処理速度を向上させることができる。
【００４１】また、前記したように、砂時計モデルにお
ける中間層ユニットの値はセンサ情報（学習データ）を
圧縮した内部表現と考えることができるので、中間層ユ
ニットの値を取り出すことにより、センサ情報の因子を
抽出することができる。これを利用してニューラルネッ
トワークにより教師付き学習を行えば、ニューラルネッ
トワーク等のモデル学習装置の入力ユニットの個数を減
少させることができ、実行速度の向上を図ることができ
る。 （２）不完全データによる学習 図２（ｂ）は砂時計モデルによる不完全データによる学
習動作の概略を説明する図であり、欠損値を含む不完全
データにより砂時計モデルを学習させるには、、同図に
示すように、学習による重みの更新と上記iterative in
version 法による入力値の更新を並行して動作させる。
ける中間層ユニットの値はセンサ情報（学習データ）を
圧縮した内部表現と考えることができるので、中間層ユ
ニットの値を取り出すことにより、センサ情報の因子を
抽出することができる。これを利用してニューラルネッ
トワークにより教師付き学習を行えば、ニューラルネッ
トワーク等のモデル学習装置の入力ユニットの個数を減
少させることができ、実行速度の向上を図ることができ
る。 （２）不完全データによる学習 図２（ｂ）は砂時計モデルによる不完全データによる学
習動作の概略を説明する図であり、欠損値を含む不完全
データにより砂時計モデルを学習させるには、、同図に
示すように、学習による重みの更新と上記iterative in
version 法による入力値の更新を並行して動作させる。
【００４２】同図において欠損値を持つ不完全データか
ら学習させる際には、まず、欠損値に適当な初期値を代
入した学習データ（入力データ）を用いて、エネルギー
関数Ｅmissngを最小化するように、通常の誤差逆伝搬法
により学習を行う。すなわち、同図に示すように、出力
データと入力データの誤差を誤差逆伝搬手段４１により
逆伝搬し、重み更新手段４３により砂時計モデルの重み
を更新する。なお、ここでも、前記したように、欠損値
に対応した出力ユニットの誤差計算を省略することがで
き、これにより、欠損値に影響されることなく、適切な
欠損値推定を行うことができる。また、欠損した値に対
応する入力ユニットに結合した重みを変更しないように
することができ、これにより、欠損値に影響されること
なく、学習を行うことができる。
ら学習させる際には、まず、欠損値に適当な初期値を代
入した学習データ（入力データ）を用いて、エネルギー
関数Ｅmissngを最小化するように、通常の誤差逆伝搬法
により学習を行う。すなわち、同図に示すように、出力
データと入力データの誤差を誤差逆伝搬手段４１により
逆伝搬し、重み更新手段４３により砂時計モデルの重み
を更新する。なお、ここでも、前記したように、欠損値
に対応した出力ユニットの誤差計算を省略することがで
き、これにより、欠損値に影響されることなく、適切な
欠損値推定を行うことができる。また、欠損した値に対
応する入力ユニットに結合した重みを変更しないように
することができ、これにより、欠損値に影響されること
なく、学習を行うことができる。
【００４３】さらに、エネルギー関数Ｅmissngを最小化
するように前記iterative inversion 法による入力ユニ
ットの更新を並行して動作させる。そして、更新した入
力ユニットの値に基づいて、新たな学習データ（入力デ
ータ）自体を得て、欠損値を推定しながら学習を進めて
いく。すなわち、重みが更新された砂時計モデルに、更
新された学習データ（入力データ）を与えて砂時計モデ
ルの重みを更新し、重みが更新された砂時計モデルに前
記（２）（３）式を適用して欠損値に対応した入力デー
タを得て、該入力データを学習データとして砂時計モデ
ルに与える動作を繰り返し、砂時計モデルの重みを更新
しながら、欠損値に対応した入力ユニットの値を更新す
る。 （３）センシング対象の認識 上記（１）（２）で説明した欠損値推定／学習手段を用
い、前記図１２と同様にして、センシング対象となる物
体等の認識を行うことができる。
するように前記iterative inversion 法による入力ユニ
ットの更新を並行して動作させる。そして、更新した入
力ユニットの値に基づいて、新たな学習データ（入力デ
ータ）自体を得て、欠損値を推定しながら学習を進めて
いく。すなわち、重みが更新された砂時計モデルに、更
新された学習データ（入力データ）を与えて砂時計モデ
ルの重みを更新し、重みが更新された砂時計モデルに前
記（２）（３）式を適用して欠損値に対応した入力デー
タを得て、該入力データを学習データとして砂時計モデ
ルに与える動作を繰り返し、砂時計モデルの重みを更新
しながら、欠損値に対応した入力ユニットの値を更新す
る。 （３）センシング対象の認識 上記（１）（２）で説明した欠損値推定／学習手段を用
い、前記図１２と同様にして、センシング対象となる物
体等の認識を行うことができる。
【００４４】すなわち、観測対象毎に図１に示す欠損値
推定／学習手段４ａ，４ｂ，４ｃをそれぞれ対応づけ、
観測対象１をさまざまな視点から観測したセンサ情報３
により、複数の観測対象に対応した欠損値推定／学習手
段４ａ，４ｂ，４ｃを学習させる。ここで、前記したよ
うに、オクルージョンや照明条件などの影響により、セ
ンサ情報３の一部が欠損している場合があるが、上記
（１）（２）で説明した欠損値推定／学習手段を用いる
ことにより、不完全情報の欠損値の推定およびモデル獲
得を実現することができる。
推定／学習手段４ａ，４ｂ，４ｃをそれぞれ対応づけ、
観測対象１をさまざまな視点から観測したセンサ情報３
により、複数の観測対象に対応した欠損値推定／学習手
段４ａ，４ｂ，４ｃを学習させる。ここで、前記したよ
うに、オクルージョンや照明条件などの影響により、セ
ンサ情報３の一部が欠損している場合があるが、上記
（１）（２）で説明した欠損値推定／学習手段を用いる
ことにより、不完全情報の欠損値の推定およびモデル獲
得を実現することができる。
【００４５】上記のように、欠損値推定／学習手段４
ａ，４ｂ，４ｃを学習させたのち、センサ２により観測
した観測対象１のセンサ情報３を複数の欠損値推定／学
習手段４ａ，４ｂ，４ｃに与え、最小値誤差選択手段５
により誤差が最小となる欠損値推定／学習手段を選択
し、センサ２により観測された観測対象の認識を行う。
その際、上記したように、センサ情報３の一部が欠損し
ていても、上記（１）（２）で説明した欠損値推定／学
習手段を用いることにより、欠損したセンサ情報を推定
し、観測対象を正しく認識することができる。
ａ，４ｂ，４ｃを学習させたのち、センサ２により観測
した観測対象１のセンサ情報３を複数の欠損値推定／学
習手段４ａ，４ｂ，４ｃに与え、最小値誤差選択手段５
により誤差が最小となる欠損値推定／学習手段を選択
し、センサ２により観測された観測対象の認識を行う。
その際、上記したように、センサ情報３の一部が欠損し
ていても、上記（１）（２）で説明した欠損値推定／学
習手段を用いることにより、欠損したセンサ情報を推定
し、観測対象を正しく認識することができる。
【００４６】本発明は上記原理に基づき、観測対象の認
識、欠損値の推定／モデル学習を行うようにしたもので
あり、本発明の請求項１の発明においては、図１、図２
（ａ）に示すように、センシング対象のセンサ情報の恒
等写像を学習することにより、センシング対象のモデル
を獲得する複数のニューラルネットワーク等のモデル学
習装置と、その出力とセンサ情報との誤差を逆伝搬する
誤差逆伝搬手段と、入力ユニット更新手段とを設け、一
部が欠損したセンサ情報に対して、上記誤差逆伝搬手段
により上記誤差を欠損した値に対応する入力ユニットに
逆伝搬し、上記入力ユニット更新手段により恒等写像を
実現するように欠損した値を更新し、未知のセンシング
対象のセンサ情報に対して恒等写像に近い出力を生成し
たモデル学習装置を選択することによりセンシング対象
を認識するようにしたので、センサ情報に欠損値がある
場合であっても、観測対象を正しく認識することができ
る。
識、欠損値の推定／モデル学習を行うようにしたもので
あり、本発明の請求項１の発明においては、図１、図２
（ａ）に示すように、センシング対象のセンサ情報の恒
等写像を学習することにより、センシング対象のモデル
を獲得する複数のニューラルネットワーク等のモデル学
習装置と、その出力とセンサ情報との誤差を逆伝搬する
誤差逆伝搬手段と、入力ユニット更新手段とを設け、一
部が欠損したセンサ情報に対して、上記誤差逆伝搬手段
により上記誤差を欠損した値に対応する入力ユニットに
逆伝搬し、上記入力ユニット更新手段により恒等写像を
実現するように欠損した値を更新し、未知のセンシング
対象のセンサ情報に対して恒等写像に近い出力を生成し
たモデル学習装置を選択することによりセンシング対象
を認識するようにしたので、センサ情報に欠損値がある
場合であっても、観測対象を正しく認識することができ
る。
【００４７】本発明の請求項２の発明においては、図
１、図２（ｂ）に示すように、センシング対象のセンサ
情報の恒等写像を学習することにより、センシング対象
のモデルを獲得する複数のニューラルネットワーク等の
モデル学習装置と、その出力とセンサ情報との誤差を逆
伝搬する誤差逆伝搬手段と、上記モデル学習装置の重み
を更新する重み更新手段と、入力ユニット更新手段とを
設け、一部が欠損したセンサ情報に対して、上記誤差逆
伝搬手段により上記誤差を欠損した値に対応する入力ユ
ニットに逆伝搬し、恒等写像を実現するように上記入力
ユニット更新手段により欠損した値を更新しながら、上
記重み更新手段により重みを更新し学習を行い、未知の
センシング対象のセンサ情報に対して恒等写像に近い出
力を生成したモデル学習装置を選択することによりセン
シング対象を認識するようにしたので、センサ情報に欠
損値がある場合であっても、学習を行って観測対象を正
しく認識することができるようになる。
１、図２（ｂ）に示すように、センシング対象のセンサ
情報の恒等写像を学習することにより、センシング対象
のモデルを獲得する複数のニューラルネットワーク等の
モデル学習装置と、その出力とセンサ情報との誤差を逆
伝搬する誤差逆伝搬手段と、上記モデル学習装置の重み
を更新する重み更新手段と、入力ユニット更新手段とを
設け、一部が欠損したセンサ情報に対して、上記誤差逆
伝搬手段により上記誤差を欠損した値に対応する入力ユ
ニットに逆伝搬し、恒等写像を実現するように上記入力
ユニット更新手段により欠損した値を更新しながら、上
記重み更新手段により重みを更新し学習を行い、未知の
センシング対象のセンサ情報に対して恒等写像に近い出
力を生成したモデル学習装置を選択することによりセン
シング対象を認識するようにしたので、センサ情報に欠
損値がある場合であっても、学習を行って観測対象を正
しく認識することができるようになる。
【００４８】本発明の請求項３の発明においては、請求
項１または請求項２の発明において、上記誤差逆伝搬手
段が、上記誤差を中間層ユニットに逆伝搬し、モデル学
習装置の中間層ユニットから出力層への部分のみを用い
て誤差を逆伝搬して中間層ユニットの値を修正すること
により、値の欠損したセンサ情報の認識を行うようにし
たので、少ない処理量で欠損値の推定を行うことができ
る。
項１または請求項２の発明において、上記誤差逆伝搬手
段が、上記誤差を中間層ユニットに逆伝搬し、モデル学
習装置の中間層ユニットから出力層への部分のみを用い
て誤差を逆伝搬して中間層ユニットの値を修正すること
により、値の欠損したセンサ情報の認識を行うようにし
たので、少ない処理量で欠損値の推定を行うことができ
る。
【００４９】本発明の請求項４の発明おいては、請求項
１，２または請求項３の発明において、２次元または３
次元物体の特徴量をセンサ情報として与え、物体のモデ
ル獲得／認識を行うようにしたので、２次元または３次
元物体を正確に識別することができる。本発明の請求項
５の発明においては、図２（ａ）に示すように、一部が
欠損したセンサ情報に対して、モデル学習装置の出力と
センサ情報との誤差を欠損した値に対応する入力ユニッ
トに逆伝搬し、恒等写像を実現するように欠損した値を
修正するようにしたので、値の欠損したセンサ情報の欠
損値を適切に推定することができる。
１，２または請求項３の発明において、２次元または３
次元物体の特徴量をセンサ情報として与え、物体のモデ
ル獲得／認識を行うようにしたので、２次元または３次
元物体を正確に識別することができる。本発明の請求項
５の発明においては、図２（ａ）に示すように、一部が
欠損したセンサ情報に対して、モデル学習装置の出力と
センサ情報との誤差を欠損した値に対応する入力ユニッ
トに逆伝搬し、恒等写像を実現するように欠損した値を
修正するようにしたので、値の欠損したセンサ情報の欠
損値を適切に推定することができる。
【００５０】本発明の請求項６の発明においては、セン
シング対象のセンサ情報を学習したモデル学習装置の中
間層ユニットから出力層ユニットへの部分のみを用い
て、センサ情報と出力との誤差を逆伝搬して中間層ユニ
ットの値を修正するようにしたので、少ない処理量で値
の欠損したセンサ情報を推定することができる。本発明
の請求項７の発明においては、請求項５または請求項６
の発明において、欠損した値に対応した出力ユニットに
対して出力の誤差計算を省略するようにしたので、欠損
したデータの値に影響されることなく、適切な欠損値推
定を行うことができる。
シング対象のセンサ情報を学習したモデル学習装置の中
間層ユニットから出力層ユニットへの部分のみを用い
て、センサ情報と出力との誤差を逆伝搬して中間層ユニ
ットの値を修正するようにしたので、少ない処理量で値
の欠損したセンサ情報を推定することができる。本発明
の請求項７の発明においては、請求項５または請求項６
の発明において、欠損した値に対応した出力ユニットに
対して出力の誤差計算を省略するようにしたので、欠損
したデータの値に影響されることなく、適切な欠損値推
定を行うことができる。
【００５１】本発明の請求項８の発明においては、図２
（ｂ）に示すように、一部が欠損したセンサ情報に対し
て、モデル学習装置の出力とセンサ情報との誤差を欠損
した値に対応する入力ユニットに逆伝搬し、欠損した値
を修正することによりセンサ情報を推定しながら、モデ
ル学習装置の重みを更新し学習を進めて行くようにした
ので、欠損値推定を行うことができるとともに、不完全
な学習データで、モデル学習を行うことができる。
（ｂ）に示すように、一部が欠損したセンサ情報に対し
て、モデル学習装置の出力とセンサ情報との誤差を欠損
した値に対応する入力ユニットに逆伝搬し、欠損した値
を修正することによりセンサ情報を推定しながら、モデ
ル学習装置の重みを更新し学習を進めて行くようにした
ので、欠損値推定を行うことができるとともに、不完全
な学習データで、モデル学習を行うことができる。
【００５２】本発明の請求項９の発明においては、請求
項８の発明において、欠損した値に対応する出力ユニッ
トからの誤差逆伝搬を省略することにより値の欠損した
センサ情報から学習するようにしたので、欠損値に影響
されることなく、適切な欠損値推定／学習を行うことが
できる。本発明の請求項１０の発明においては、請求項
８または請求項９の発明において、欠損した値に対応す
る入力ユニットに結合した重みを変更しないようにした
ので、欠損値に影響されることなく、適切な学習を行う
ことができる。
項８の発明において、欠損した値に対応する出力ユニッ
トからの誤差逆伝搬を省略することにより値の欠損した
センサ情報から学習するようにしたので、欠損値に影響
されることなく、適切な欠損値推定／学習を行うことが
できる。本発明の請求項１０の発明においては、請求項
８または請求項９の発明において、欠損した値に対応す
る入力ユニットに結合した重みを変更しないようにした
ので、欠損値に影響されることなく、適切な学習を行う
ことができる。
【００５３】本発明の請求項１１の発明においては、請
求項５，６，７，８，９または請求項１０の発明におい
て、入力ユニットの更新定数（前記したεmissing ）を
学習データの個数および欠損ユニットの個数の関数によ
り決定するようにしたので、例えば、学習データの個数
および欠損ユニットの個数が増加したとき、それに応じ
て更新定数を小さくするなど、更新定数を適切な値に定
めることができる。
求項５，６，７，８，９または請求項１０の発明におい
て、入力ユニットの更新定数（前記したεmissing ）を
学習データの個数および欠損ユニットの個数の関数によ
り決定するようにしたので、例えば、学習データの個数
および欠損ユニットの個数が増加したとき、それに応じ
て更新定数を小さくするなど、更新定数を適切な値に定
めることができる。
【００５４】本発明の請求項１２の発明においては、請
求項５，６，７，８，９，１０または請求項１１の発明
において、学習データから統計的に推定される平均値や
中間値などを欠損した値の初期値として設定するように
したので、欠損値の推定動作を短時間で収束させること
ができ、処理速度を速くすることができる。本発明の請
求項１３の発明においては、請求項５，６，７，８，
９，１０，１１または請求項１２の発明において、モデ
ル学習装置の中間層ユニットの個数を入力センサ情報の
次元より小さくし、センサ情報の因子を中間層ユニット
から抽出するようにしたので、センサ情報を圧縮し、そ
の因子を解析することができる。
求項５，６，７，８，９，１０または請求項１１の発明
において、学習データから統計的に推定される平均値や
中間値などを欠損した値の初期値として設定するように
したので、欠損値の推定動作を短時間で収束させること
ができ、処理速度を速くすることができる。本発明の請
求項１３の発明においては、請求項５，６，７，８，
９，１０，１１または請求項１２の発明において、モデ
ル学習装置の中間層ユニットの個数を入力センサ情報の
次元より小さくし、センサ情報の因子を中間層ユニット
から抽出するようにしたので、センサ情報を圧縮し、そ
の因子を解析することができる。
【００５５】本発明の請求項１４の発明においては、請
求項１３の方法により抽出された因子を入力として、モ
デル学習装置により教師付き学習を行うようにしたの
で、ニューラルネットワーク等のモデル学習装置の入力
ユニットの個数を減少させることができ、ネットワーク
の規模を小さくすることによる実行速度の向上を図るこ
とができる。
求項１３の方法により抽出された因子を入力として、モ
デル学習装置により教師付き学習を行うようにしたの
で、ニューラルネットワーク等のモデル学習装置の入力
ユニットの個数を減少させることができ、ネットワーク
の規模を小さくすることによる実行速度の向上を図るこ
とができる。
【００５６】
【実施例】以下、本発明の実施例を説明する。 （１）本発明の欠損値推定／学習方法による３次元物体
認識のシミュレーション本発明の欠損値推定／学習方法
により、以下のように３次元物体認識の計算機シミュレ
ーションを行い、砂時計モデルによる物体認識の有効性
を検証した。 (a) ３次元物体認識 図３（ａ）に示すように、世界座標系の原点を向いた視
覚センサ１１が３次元物体を観測し、その２次元投影像
の特徴点座標から物体を認識する問題を考える。
認識のシミュレーション本発明の欠損値推定／学習方法
により、以下のように３次元物体認識の計算機シミュレ
ーションを行い、砂時計モデルによる物体認識の有効性
を検証した。 (a) ３次元物体認識 図３（ａ）に示すように、世界座標系の原点を向いた視
覚センサ１１が３次元物体を観測し、その２次元投影像
の特徴点座標から物体を認識する問題を考える。
【００５７】視覚センサ１１は原点中心に視線の方向
（φ，θ）を変更でき、様々な投影像を収集できるもの
とする。ここで、視覚センサ２１と世界座標系の原点間
の距離は常に一定であり、２次元投影上での特徴点の対
応関係は完全に分かっているとした。図３（ｂ）は認識
対象物体を示す図であり、学習した３次元物体Ａと評価
に用いた未学習の３次元物体Ｂ，Ｃを示しており、同図
に示すように、物体は４つの特徴点により表現され、各
特徴点の２次元投影の視覚座標系での座標値がセンサ情
報１２として得られるものとする。
（φ，θ）を変更でき、様々な投影像を収集できるもの
とする。ここで、視覚センサ２１と世界座標系の原点間
の距離は常に一定であり、２次元投影上での特徴点の対
応関係は完全に分かっているとした。図３（ｂ）は認識
対象物体を示す図であり、学習した３次元物体Ａと評価
に用いた未学習の３次元物体Ｂ，Ｃを示しており、同図
に示すように、物体は４つの特徴点により表現され、各
特徴点の２次元投影の視覚座標系での座標値がセンサ情
報１２として得られるものとする。
【００５８】図４は本シミュレーション・システムの構
成を示す図であり、同図において、１０は認識対象とな
る物体、１１は視覚センサ、１２はセンサ情報、１３は
前記図２に示した欠損値推定／学習手段、１４は誤差計
算手段である。欠損値推定／学習手段１３は前記したよ
うに砂時計モデル１３ａを具備し、本シミュレーション
においては、砂時計モデル１３ａとして、入力層ユニッ
ト８、中間層第１ユニット８、中間層第２ユニット２、
中間層第３ユニット８、出力層ユニット８の５層の階層
ユニット（８−８−２−８−８）を用いて認識対象の物
体Ａの学習を行った。
成を示す図であり、同図において、１０は認識対象とな
る物体、１１は視覚センサ、１２はセンサ情報、１３は
前記図２に示した欠損値推定／学習手段、１４は誤差計
算手段である。欠損値推定／学習手段１３は前記したよ
うに砂時計モデル１３ａを具備し、本シミュレーション
においては、砂時計モデル１３ａとして、入力層ユニッ
ト８、中間層第１ユニット８、中間層第２ユニット２、
中間層第３ユニット８、出力層ユニット８の５層の階層
ユニット（８−８−２−８−８）を用いて認識対象の物
体Ａの学習を行った。
【００５９】そして、誤差計算手段１４により上記欠損
値推定／学習手段１３の出力データとセンサ情報の自乗
誤差を求めて認識結果を評価した。学習データとして
は、視覚センサ１１の視点を０≦φ＜３６０°，０≦θ
＜６０°の範囲で３０°毎に変更し、物体Ａを様々な視
点方向から観測した２次元のセンサ情報を３６種類収集
した。これらのセンサ情報を、０．１〜０．９の範囲に
正規化し、各特徴点の視覚座標系での位置のｘ，ｙ座標
を砂時計モデルの入出力ユニットに対応づけた。
値推定／学習手段１３の出力データとセンサ情報の自乗
誤差を求めて認識結果を評価した。学習データとして
は、視覚センサ１１の視点を０≦φ＜３６０°，０≦θ
＜６０°の範囲で３０°毎に変更し、物体Ａを様々な視
点方向から観測した２次元のセンサ情報を３６種類収集
した。これらのセンサ情報を、０．１〜０．９の範囲に
正規化し、各特徴点の視覚座標系での位置のｘ，ｙ座標
を砂時計モデルの入出力ユニットに対応づけた。
【００６０】そして、誤差逆伝搬による重み更新定数ε
＝０．１３９（５．０／学習パターン数）、α＝０．４
としてバッチ型の学習を行った。１００，０００回の学
習により、砂時計モデル１３ａは物体Ａのセンサ情報の
恒等写像を学習し、物体Ａのモデルとその内部表現を獲
得した。次に、物体Ａを学習した砂時計モデルの認識能
力を以下の３種類の評価データにより評価した。 (i) 物体Ａを学習データと異なる視線方向から観測した
センサ情報 視覚センサ１１の視点を１５≦φ＜３６０°，１５≦θ
＜４５°の範囲で３０°毎に変更し、学習データの中間
の視線方向から物体Ａを観測した２４種類のセンサ情
報。 (ii)物体Ｂのセンサ情報 物体Ａの学習データと同様に、視覚センサ１１の視点を
０≦φ＜３６０°，０≦θ＜６０°の範囲で３０°毎に
変更し、物体Ｂを観測した３６種類のセンサ情報。 (iii) 物体Ｃのセンサ情報 物体Ｃを物体Ｂと同様に観測したセンサ情報。
＝０．１３９（５．０／学習パターン数）、α＝０．４
としてバッチ型の学習を行った。１００，０００回の学
習により、砂時計モデル１３ａは物体Ａのセンサ情報の
恒等写像を学習し、物体Ａのモデルとその内部表現を獲
得した。次に、物体Ａを学習した砂時計モデルの認識能
力を以下の３種類の評価データにより評価した。 (i) 物体Ａを学習データと異なる視線方向から観測した
センサ情報 視覚センサ１１の視点を１５≦φ＜３６０°，１５≦θ
＜４５°の範囲で３０°毎に変更し、学習データの中間
の視線方向から物体Ａを観測した２４種類のセンサ情
報。 (ii)物体Ｂのセンサ情報 物体Ａの学習データと同様に、視覚センサ１１の視点を
０≦φ＜３６０°，０≦θ＜６０°の範囲で３０°毎に
変更し、物体Ｂを観測した３６種類のセンサ情報。 (iii) 物体Ｃのセンサ情報 物体Ｃを物体Ｂと同様に観測したセンサ情報。
【００６１】図５は上記評価結果を示す図である。同図
は、縦軸に砂時計モデルの出力と入力データとの自乗誤
差を示し、横軸は評価データを表し、各種別毎に自乗誤
差の小さいデータから昇順に並べている。この結果か
ら、砂時計モデルは、物体の２次元投影写像による見え
方による一般化したモデルを獲得し、未学習の視線方向
からの見え方に対しても適切な補間ができていることが
わかる。特に、物体Ａと形状の異なる物体Ｃに対しては
大多数のセンサ情報に対して誤差が大きくなる結果が得
られており、ほとんどの視線方向から物体Ａと識別する
ことができることがわかる。
は、縦軸に砂時計モデルの出力と入力データとの自乗誤
差を示し、横軸は評価データを表し、各種別毎に自乗誤
差の小さいデータから昇順に並べている。この結果か
ら、砂時計モデルは、物体の２次元投影写像による見え
方による一般化したモデルを獲得し、未学習の視線方向
からの見え方に対しても適切な補間ができていることが
わかる。特に、物体Ａと形状の異なる物体Ｃに対しては
大多数のセンサ情報に対して誤差が大きくなる結果が得
られており、ほとんどの視線方向から物体Ａと識別する
ことができることがわかる。
【００６２】物体Ｂは視線方向によっては物体Ａに近い
見え方を持つが、同様に多くのセンサ情報に対して誤差
が大きくなっており、視線方向を適切に選択することに
より物体Ａとの識別が可能であることがわかる。 (b) 不完全データによる認識 センサ情報の一部が欠損している場合でも、前記iterat
ive inversion 法を砂時計モデルに適用することによっ
て、適切な認識ができることをシミュレーションにより
検証した。
見え方を持つが、同様に多くのセンサ情報に対して誤差
が大きくなっており、視線方向を適切に選択することに
より物体Ａとの識別が可能であることがわかる。 (b) 不完全データによる認識 センサ情報の一部が欠損している場合でも、前記iterat
ive inversion 法を砂時計モデルに適用することによっ
て、適切な認識ができることをシミュレーションにより
検証した。
【００６３】上記(a) の物体Ａのデータで学習した砂時
計モデルと同様の評価データを用いて、図３の各物体の
特徴点４が欠損している場合の評価を行った。図６は上
記評価結果を示す図であり、図中で＋の記号は欠損して
いる値に適当な初期値（０．５）を設定した場合の砂時
計モデルの誤差、○はiterative inversion 法により欠
損値の初期値を１００回修正した場合の誤差を示す。
計モデルと同様の評価データを用いて、図３の各物体の
特徴点４が欠損している場合の評価を行った。図６は上
記評価結果を示す図であり、図中で＋の記号は欠損して
いる値に適当な初期値（０．５）を設定した場合の砂時
計モデルの誤差、○はiterative inversion 法により欠
損値の初期値を１００回修正した場合の誤差を示す。
【００６４】同図から明らかなように、欠損値の推定を
行わない場合には（同図の＋の点参照）、全ての物体に
対しての誤差が大きくなってしまい適切な物体認識がで
きない。しかし、前記したiterative inversion 法によ
り欠損値の推定を行うことにより、学習物体Ａの誤差を
完全なデータが得られた場合と同じ程度にすることがで
き（同図の○の点参照）、適切な認識を達成することが
できる。 (c) 不完全データによる学習 次に、誤差逆伝搬法による重みの更新とiterative inve
rsion 法による入力ユニットの更新を併用することによ
り、不完全なデータから適切な学習ができることをシミ
ュレーションにより検証した。
行わない場合には（同図の＋の点参照）、全ての物体に
対しての誤差が大きくなってしまい適切な物体認識がで
きない。しかし、前記したiterative inversion 法によ
り欠損値の推定を行うことにより、学習物体Ａの誤差を
完全なデータが得られた場合と同じ程度にすることがで
き（同図の○の点参照）、適切な認識を達成することが
できる。 (c) 不完全データによる学習 次に、誤差逆伝搬法による重みの更新とiterative inve
rsion 法による入力ユニットの更新を併用することによ
り、不完全なデータから適切な学習ができることをシミ
ュレーションにより検証した。
【００６５】ここでは、前記(a) の物体認識のシミュレ
ーションの物体Ａの学習データに以下の条件で欠損値が
生じているとして、これを砂時計モデルに学習させた。 特徴点１が欠損 φ＝０，３０、θ＝０，３０，６０の６つの視線方向か
ら見たときに特徴点１が観測できない。 特徴点２が欠損 φ＝６０，θ＝０，３０，６０の３つの視線方向から特
徴点２が観測できない。
ーションの物体Ａの学習データに以下の条件で欠損値が
生じているとして、これを砂時計モデルに学習させた。 特徴点１が欠損 φ＝０，３０、θ＝０，３０，６０の６つの視線方向か
ら見たときに特徴点１が観測できない。 特徴点２が欠損 φ＝６０，θ＝０，３０，６０の３つの視線方向から特
徴点２が観測できない。
【００６６】この９つの欠損値を持つ学習データの欠損
値として０．５を与え、前記図２（ｂ）で説明した学習
方法を含めた以下の３種類の学習を行った結果と欠損値
を持たない学習データにより学習した結果を表１に示
す。表１は１００，０００回学習後の自乗誤差の数値を
示し、同表の「欠陥値＝０．５」は下記(i) により学習
した場合の自乗誤差を示し、「誤差計算なし」は下記(i
i)により学習した場合の自乗誤差を示し、「iterative
inversion 」は下記(iii) により学習した場合の自乗誤
差を示し、さらに、「完全データ」は欠損値がない学習
データにより学習した場合の自乗誤差を示している。
値として０．５を与え、前記図２（ｂ）で説明した学習
方法を含めた以下の３種類の学習を行った結果と欠損値
を持たない学習データにより学習した結果を表１に示
す。表１は１００，０００回学習後の自乗誤差の数値を
示し、同表の「欠陥値＝０．５」は下記(i) により学習
した場合の自乗誤差を示し、「誤差計算なし」は下記(i
i)により学習した場合の自乗誤差を示し、「iterative
inversion 」は下記(iii) により学習した場合の自乗誤
差を示し、さらに、「完全データ」は欠損値がない学習
データにより学習した場合の自乗誤差を示している。
【００６７】本シミュレーションにおいても、前記(a)
で説明した物体認識のシミュレーションと同様の構成の
砂時計モデルを用い、学習定数も同様な値とした。
で説明した物体認識のシミュレーションと同様の構成の
砂時計モデルを用い、学習定数も同様な値とした。
【００６８】
【表１】
【００６９】(i) 学習データをそのまま学習 欠損値に０．５を与えた学習データに対して誤差逆伝搬
により次式（４）を最小化する（欠損値に対応した出力
ユニットの誤差計算も行ったエネルギー関数Ｅcomplete
を最小化）。 (ii)欠損値に対応した出力ユニットの誤差計算省略 欠損値に０．５を与えた学習データに対して誤差逆伝搬
により次式（５）を最小化する（欠損値に対応した出力
ユニットの誤差計算を省略したエネルギー関数Ｅmissin
g を最小化）。 (iii) iterative inversion 法による入力ユニットの更
新。
により次式（４）を最小化する（欠損値に対応した出力
ユニットの誤差計算も行ったエネルギー関数Ｅcomplete
を最小化）。 (ii)欠損値に対応した出力ユニットの誤差計算省略 欠損値に０．５を与えた学習データに対して誤差逆伝搬
により次式（５）を最小化する（欠損値に対応した出力
ユニットの誤差計算を省略したエネルギー関数Ｅmissin
g を最小化）。 (iii) iterative inversion 法による入力ユニットの更
新。
【００７０】上記(ii)のように欠損値に対応した出力ユ
ニットの誤差計算を省略し、かつ、iterative inversio
n 法により、入力ユニット値を更新する。ここでは、入
力ユニットの更新定数εmissing ＝０．１とした。
ニットの誤差計算を省略し、かつ、iterative inversio
n 法により、入力ユニット値を更新する。ここでは、入
力ユニットの更新定数εmissing ＝０．１とした。
【００７１】
【数２】
【００７２】上記表１に示す学習結果から、エネルギー
関数Ｅmissing により誤差逆伝搬を行い学習することに
より、欠損値を持たない学習データにより学習した場合
と比較しても、より高速かつ小さな誤差に収束している
ことがわかる。さらに、iterative inversion 法による
入力ユニットの更新と欠損値の推定を併用することによ
り、より高速の学習と誤差の低減を実現することができ
る。
関数Ｅmissing により誤差逆伝搬を行い学習することに
より、欠損値を持たない学習データにより学習した場合
と比較しても、より高速かつ小さな誤差に収束している
ことがわかる。さらに、iterative inversion 法による
入力ユニットの更新と欠損値の推定を併用することによ
り、より高速の学習と誤差の低減を実現することができ
る。
【００７３】一例として、図７にφ＝３０、θ＝３０の
ときに、前記物体の特徴点１が欠損した場合の砂時計モ
デルの出力値と教師データの関係を示す。同図におい
て、点線(i) は上記(i) により学習した場合の砂時計モ
デルの出力値を示し、太実線(iii) は上記(iii) により
学習した場合の砂時計モデルの出力値を示し、また、実
線(iv)は教師信号を示している。
ときに、前記物体の特徴点１が欠損した場合の砂時計モ
デルの出力値と教師データの関係を示す。同図におい
て、点線(i) は上記(i) により学習した場合の砂時計モ
デルの出力値を示し、太実線(iii) は上記(iii) により
学習した場合の砂時計モデルの出力値を示し、また、実
線(iv)は教師信号を示している。
【００７４】以上のように、本発明の欠損値推定／学習
方法を用いることにより、欠損値の推定と観測された特
徴点の正しい復元が行われており、本発明の有効性が確
認された。したがって、上記欠損値推定／学習手段を用
いて前記図１に示す認識装置を構成し、上記物体Ａ，
Ｂ，Ｃ毎に図１に示す欠損値推定／学習手段４ａ，４
ｂ，４ｃをそれぞれ対応づけて、欠損値推定／学習手段
４ａ，４ｂ，４ｃを学習させ、上記物体Ａ，Ｂ，Ｃを観
測したセンサ情報を上記欠損値推定／学習手段４ａ，４
ｂ，４ｃに与えることにより、物体Ａ，Ｂ，Ｃを正しく
認識することができるようになる。また、その際、セン
サ情報に欠損値があっても、欠損値の推定およびモデル
獲得を行うことができる。
方法を用いることにより、欠損値の推定と観測された特
徴点の正しい復元が行われており、本発明の有効性が確
認された。したがって、上記欠損値推定／学習手段を用
いて前記図１に示す認識装置を構成し、上記物体Ａ，
Ｂ，Ｃ毎に図１に示す欠損値推定／学習手段４ａ，４
ｂ，４ｃをそれぞれ対応づけて、欠損値推定／学習手段
４ａ，４ｂ，４ｃを学習させ、上記物体Ａ，Ｂ，Ｃを観
測したセンサ情報を上記欠損値推定／学習手段４ａ，４
ｂ，４ｃに与えることにより、物体Ａ，Ｂ，Ｃを正しく
認識することができるようになる。また、その際、セン
サ情報に欠損値があっても、欠損値の推定およびモデル
獲得を行うことができる。
【００７５】なお、上記例では、３次元物体の認識につ
いてのシミュレーションについて示したが、本発明は人
間の表情／動作／ジェスチャーなどの画像情報を入力と
して人間の行動を認識することもでき、ヒューマンイン
タフェース装置に適用することができる。 （２）センサ情報の因子の抽出および抽出された因子を
入力信号としたニューラルネットワークの学習 前記したように、砂時計モデルにおける中間層ユニット
の値はセンサ情報（学習データ）を圧縮した内部表現と
考えることができ、中間層ユニットの値を取り出すこと
により、センサ情報の因子を抽出し解析することができ
る。
いてのシミュレーションについて示したが、本発明は人
間の表情／動作／ジェスチャーなどの画像情報を入力と
して人間の行動を認識することもでき、ヒューマンイン
タフェース装置に適用することができる。 （２）センサ情報の因子の抽出および抽出された因子を
入力信号としたニューラルネットワークの学習 前記したように、砂時計モデルにおける中間層ユニット
の値はセンサ情報（学習データ）を圧縮した内部表現と
考えることができ、中間層ユニットの値を取り出すこと
により、センサ情報の因子を抽出し解析することができ
る。
【００７６】例えば、前記図３に示した物体Ａのセンサ
情報を学習した砂時計モデルは、センサ情報の変動要因
であるθ，φを表現する内部表現、センサ情報から内部
表現への変換を行う逆モデル、内部表現からセンサ情報
を復元する物体の不変的なモデルを学習した順モデルか
ら構成されていると考えることができる。図４におい
て、視覚センサ１１の視点を０≦φ＜３６０、０≦θ＜
６０の範囲で５°毎に変更し物体Ａを観測してセンサ情
報を生成し、物体Ａで学習したニューラルネットワーク
に入力してその内部表現を解析すると、図８に示すよう
になる。同図は、中間層ユニット１の出力をｘ軸、中間
層ユニット２の出力をｙ軸としたときの各センサ情報に
対する中間層出力を示したものである。
情報を学習した砂時計モデルは、センサ情報の変動要因
であるθ，φを表現する内部表現、センサ情報から内部
表現への変換を行う逆モデル、内部表現からセンサ情報
を復元する物体の不変的なモデルを学習した順モデルか
ら構成されていると考えることができる。図４におい
て、視覚センサ１１の視点を０≦φ＜３６０、０≦θ＜
６０の範囲で５°毎に変更し物体Ａを観測してセンサ情
報を生成し、物体Ａで学習したニューラルネットワーク
に入力してその内部表現を解析すると、図８に示すよう
になる。同図は、中間層ユニット１の出力をｘ軸、中間
層ユニット２の出力をｙ軸としたときの各センサ情報に
対する中間層出力を示したものである。
【００７７】同図から、センサ情報の変動要因である
θ，φが、θを反時計周りの回転、φを半径方向への増
加とする極座標表現のような形で表現された明確な内部
表現が得られていることがわかる。図９は、欠損値を持
つセンサ情報からセンサ情報の因子を抽出する実施例を
示している。
θ，φが、θを反時計周りの回転、φを半径方向への増
加とする極座標表現のような形で表現された明確な内部
表現が得られていることがわかる。図９は、欠損値を持
つセンサ情報からセンサ情報の因子を抽出する実施例を
示している。
【００７８】同図において、まず、砂時計モデル１３ａ
の入力層に欠損値を持つセンサ情報１２を入力し、iter
ative inversion 法により出力層ユニットの出力値とセ
ンサ情報１２の誤差が小さくなるように入力層の欠損値
に対応する入力ユニットの値を修正し、欠損したセンサ
情報を推定する。ついで、中間層ユニットからセンサ情
報の因子を抽出する。
の入力層に欠損値を持つセンサ情報１２を入力し、iter
ative inversion 法により出力層ユニットの出力値とセ
ンサ情報１２の誤差が小さくなるように入力層の欠損値
に対応する入力ユニットの値を修正し、欠損したセンサ
情報を推定する。ついで、中間層ユニットからセンサ情
報の因子を抽出する。
【００７９】以上のように、本発明においては、欠損値
を持つセンサ情報に対しても、砂時計モデルの中間層ユ
ニットからセンサ情報の因子を獲得することができる。
なお、砂時計モデルの順モデル部は、上記内部表現から
センサ情報を復元し恒等写像を実現できるので、観測対
象の完全な順モデルを獲得していると考えられる。さら
に、恒等写像を学習する砂時計モデルはiterative inve
rsion のための教師信号が得られることと、内部表現の
次元（上記図８の場合は２次元）と比較して、欠損して
いない出力ユニットの個数が十分大きいために内部表現
をユニークに決定できることから欠損値の適切な推定が
可能になっていると考えられる。
を持つセンサ情報に対しても、砂時計モデルの中間層ユ
ニットからセンサ情報の因子を獲得することができる。
なお、砂時計モデルの順モデル部は、上記内部表現から
センサ情報を復元し恒等写像を実現できるので、観測対
象の完全な順モデルを獲得していると考えられる。さら
に、恒等写像を学習する砂時計モデルはiterative inve
rsion のための教師信号が得られることと、内部表現の
次元（上記図８の場合は２次元）と比較して、欠損して
いない出力ユニットの個数が十分大きいために内部表現
をユニークに決定できることから欠損値の適切な推定が
可能になっていると考えられる。
【００８０】ところで、上記した中間層ユニットから抽
出した因子を入力信号として、ニューラルネットワーク
を学習させることができる。教師信号としては、一般の
ニューラルネットワークと同様に任意のものを使うこと
ができる。図１０はニューラルネットワークとして階層
型ニューラルネットワークを用い、上記抽出した因子に
より誤差逆伝搬法で学習する実施例を示している。
出した因子を入力信号として、ニューラルネットワーク
を学習させることができる。教師信号としては、一般の
ニューラルネットワークと同様に任意のものを使うこと
ができる。図１０はニューラルネットワークとして階層
型ニューラルネットワークを用い、上記抽出した因子に
より誤差逆伝搬法で学習する実施例を示している。
【００８１】まず、前記図９に示した砂時計モデル１３
ａによりセンサ情報を絞り込んだ因子２３を得て、これ
を図１０に示すように、階層型ニューラルネットワーク
２０に入力する。そして、教師信号２１とニューラルネ
ットワーク２０の出力データとの誤差を計算して、誤差
逆伝搬により重みを更新してニューラルネットワークを
学習させる。
ａによりセンサ情報を絞り込んだ因子２３を得て、これ
を図１０に示すように、階層型ニューラルネットワーク
２０に入力する。そして、教師信号２１とニューラルネ
ットワーク２０の出力データとの誤差を計算して、誤差
逆伝搬により重みを更新してニューラルネットワークを
学習させる。
【００８２】図１０のように、抽出した因子を入力する
ことにより、階層型ニューラルネットワークの入力ユニ
ット数を削減することができる。このため、ネットワー
クの規模を小さくすることができ実行速度の高速化が可
能となる。また、図９に示したように、欠損したセンサ
情報の推定を実現することができるので、欠損値を持つ
センサ情報から教師付き学習が可能となる。
ことにより、階層型ニューラルネットワークの入力ユニ
ット数を削減することができる。このため、ネットワー
クの規模を小さくすることができ実行速度の高速化が可
能となる。また、図９に示したように、欠損したセンサ
情報の推定を実現することができるので、欠損値を持つ
センサ情報から教師付き学習が可能となる。
【００８３】
【発明の効果】以上説明したように、本発明において
は、以下の効果を得ることができる。 （１）これまでのニューラルネットワークにおいては、
対象物体の増加に伴いネットワークの規模と学習時間が
指数的に増大するといった問題があった。本発明におい
ては、砂時計モデルにより物体認識を行い、物体対応に
ネットワークを学習させるため、個々のネットワークの
学習データは物体の個数にかかわらず一定になり、上記
した従来のニューラルネットワークの問題点を解消する
ことができる。 （２）砂時計モデルとiterative inversion 法を融合し
ているので、対象のモデルと適切な内部表現の自律的な
獲得と、不完全なセンサ情報による学習／認識が可能と
なる。
は、以下の効果を得ることができる。 （１）これまでのニューラルネットワークにおいては、
対象物体の増加に伴いネットワークの規模と学習時間が
指数的に増大するといった問題があった。本発明におい
ては、砂時計モデルにより物体認識を行い、物体対応に
ネットワークを学習させるため、個々のネットワークの
学習データは物体の個数にかかわらず一定になり、上記
した従来のニューラルネットワークの問題点を解消する
ことができる。 （２）砂時計モデルとiterative inversion 法を融合し
ているので、対象のモデルと適切な内部表現の自律的な
獲得と、不完全なセンサ情報による学習／認識が可能と
なる。
【００８４】また、３次元物体のモデル表現方法として
みても、従来の記号処理、数式、幾何モデルなどの手法
と比較して、センサ情報の誤差や曖昧性の吸収と適切な
補間が可能な柔軟性を備えている。 （３）入力としてセンサ情報の全ての観測値が必要であ
った従来のニューラルネットワークの問題点を解決する
ことにより、情報統合、センサフュージョン技術、３次
元物体認識などの実世界のセンサ情報処理への応用を広
げることが期待できる。
みても、従来の記号処理、数式、幾何モデルなどの手法
と比較して、センサ情報の誤差や曖昧性の吸収と適切な
補間が可能な柔軟性を備えている。 （３）入力としてセンサ情報の全ての観測値が必要であ
った従来のニューラルネットワークの問題点を解決する
ことにより、情報統合、センサフュージョン技術、３次
元物体認識などの実世界のセンサ情報処理への応用を広
げることが期待できる。
【図１】本発明の認識装置の原理構成図である。
【図２】本発明における欠損値推定／学習方法の原理を
示す図である。
示す図である。
【図３】シミュレーションにおける視覚センサの視点と
対象物体を示す図である。
対象物体を示す図である。
【図４】本発明の実施例のシミュレーション・システム
の構成を示す図である。
の構成を示す図である。
【図５】３次元物体認識の評価結果を示す図である。
【図６】不完全データによる３次元物体認識の評価結果
を示す図である。
を示す図である。
【図７】砂時計モデルの出力値の一例を示す図である。
【図８】砂時計モデルの内部表現の一例を示す図であ
る。
る。
【図９】欠損値を持つセンサ情報から因子を抽出する実
施例を示す図である。
施例を示す図である。
【図１０】抽出した因子によるニューラルネットの学習
を示す図である。
を示す図である。
【図１１】従来のニューラルネットワークによるパター
ン認識を示す図である。
ン認識を示す図である。
【図１２】砂時計モデルによる物体認識を示す図であ
る。
る。
【図１３】砂時計モデルを示す図である。
１ 観測対象 ２ センサ ３ センサ情報 ４ａ〜４ｃ 欠損値推定／学習手段 ５ 最小誤差選択手段 １０ 認識対象となる物体 １１ 視覚センサ １２ センサ情報 １３ 欠損値推定／学習手段 １３ａ 砂時計モデル １４ 誤差計算手段 ２０ 階層型ニューラルネットワーク ４０ 砂時計モデル ４１ 誤差逆伝搬手段 ４２ 入力ユニット更新手段 ４３ 重み更新手段
Claims (14)
- 【請求項１】 センシング対象のセンサ情報の恒等写像
を学習することにより、センシング対象のモデルを獲得
する複数のニューラルネットワーク等のモデル学習装置
から構成され、 未知のセンシング対象のセンサ情報に対して恒等写像に
近い出力を生成したモデル学習装置を選択することによ
りセンシング対象を認識する認識装置であって、 上記モデル学習装置の出力とセンサ情報との誤差を逆伝
搬する誤差逆伝搬手段と、 入力ユニット更新手段とを備え、 一部が欠損したセンサ情報に対して、上記誤差逆伝搬手
段により上記誤差を欠損した値に対応する入力ユニット
に逆伝搬し、 上記入力ユニット更新手段により恒等写像を実現するよ
うに欠損した値を更新し、値の欠損したセンサ情報の認
識を行うことを特徴とする認識装置。 - 【請求項２】 センシング対象のセンサ情報の恒等写像
を学習することにより、センシング対象のモデルを獲得
する複数のニューラルネットワーク等のモデル学習装置
から構成され、 未知のセンシング対象のセンサ情報に対して恒等写像に
近い出力を生成したモデル学習装置を選択することによ
りセンシング対象を認識する認識装置であって、 上記モデル学習装置の出力とセンサ情報との誤差を逆伝
搬する誤差逆伝搬手段と、 上記モデル学習装置の重みを更新する重み更新手段と、 入力ユニット更新手段とを備え、 一部が欠損したセンサ情報に対して、上記誤差逆伝搬手
段により上記誤差を欠損した値に対応する入力ユニット
に逆伝搬し、恒等写像を実現するように上記入力ユニッ
ト更新手段により欠損した値を更新しながら、上記重み
更新手段により重みを更新し学習を行うことを特徴とす
る認識装置。 - 【請求項３】 上記誤差逆伝搬手段が、上記誤差を中間
層ユニットに逆伝搬するものであり、 モデル学習装置の中間層ユニットから出力層への部分の
みを用いて誤差を逆伝搬して中間層ユニットの値を修正
することにより、値の欠損したセンサ情報の認識を行う
ことを特徴とする請求項１または請求項２の認識装置。 - 【請求項４】 ２次元または３次元物体の特徴量をセン
サ情報として与え、物体のモデル獲得／認識を行うこと
を特徴とする請求項１，２または請求項３の認識装置。 - 【請求項５】 センシング対象のセンサ情報の恒等写像
を学習することにより、センシング対象のモデルを獲得
するニューラルネットワーク等のモデル学習装置におけ
るセンサ情報の欠損値推定方法において、 一部が欠損したセンサ情報に対して、モデル学習装置の
出力とセンサ情報との誤差を欠損した値に対応する入力
ユニットに逆伝搬し、 恒等写像を実現するように欠損した値を修正することに
より、値の欠損したセンサ情報を推定することを特徴と
する欠損値推定方法。 - 【請求項６】 センシング対象のセンサ情報の恒等写像
を学習することにより、センシング対象のモデルを獲得
するニューラルネットワーク等のモデル学習装置におけ
るセンサ情報の欠損値推定方法において、 センシング対象のセンサ情報を学習したモデル学習装置
の中間層ユニットから出力層ユニットへの部分のみを用
いて、センサ情報と出力との誤差を逆伝搬して中間層ユ
ニットの値を修正することにより、値の欠損したセンサ
情報を推定することを特徴とする欠損値推定方法。 - 【請求項７】 欠損した値に対応した出力ユニットに対
して出力の誤差計算を省略することを特徴とする請求項
５または請求項６の欠損値推定方法。 - 【請求項８】 センシング対象のセンサ情報の恒等写像
を学習することにより、センシング対象のモデルを獲得
するニューラルネットワーク等のモデル学習装置におけ
る学習方法において、 一部が欠損したセンサ情報に対して、モデル学習装置の
出力とセンサ情報との誤差を欠損した値に対応する入力
ユニットに逆伝搬し、 欠損した値を修正することによりセンサ情報を推定しな
がら、モデル学習装置の重みを更新し学習を行うことを
特徴とする学習方法。 - 【請求項９】 欠損した値に対応する出力ユニットから
の誤差逆伝搬を省略することにより値の欠損したセンサ
情報から学習することを特徴とする請求項８の学習方
法。 - 【請求項１０】 欠損した値に対応する入力ユニットに
結合した重みを変更しないことを特徴とする請求項８ま
たは請求項９の学習方法。 - 【請求項１１】 入力ユニットの更新定数を学習データ
の個数および欠損ユニットの個数の関数により決定する
ことを特徴とする請求項５，６，７，８，９または請求
項１０の欠損値推定／学習方法。 - 【請求項１２】 学習データから統計的に推定される平
均値や中間値などを欠損した値の初期値として設定する
ことを特徴とする請求項５，６，７，８，９，１０また
は請求項１１の欠損値推定／学習方法。 - 【請求項１３】 モデル学習装置の中間層ユニットの個
数を入力センサ情報の次元より小さくし、中間層ユニッ
トからセンサ情報の因子を抽出することを特徴とする請
求項５，６，７，８，９，１０，１１または請求項１２
の欠損値推定／学習方法。 - 【請求項１４】 請求項１３の欠損値推定／学習方法に
より抽出された因子を入力として、モデル学習装置によ
り教師付き学習を行うことを特徴とする学習方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7015271A JPH08212184A (ja) | 1995-02-01 | 1995-02-01 | 認識装置および欠損値推定／学習方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7015271A JPH08212184A (ja) | 1995-02-01 | 1995-02-01 | 認識装置および欠損値推定／学習方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08212184A true JPH08212184A (ja) | 1996-08-20 |
Family
ID=11884206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7015271A Withdrawn JPH08212184A (ja) | 1995-02-01 | 1995-02-01 | 認識装置および欠損値推定／学習方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08212184A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001000421A (ja) * | 1999-06-22 | 2001-01-09 | Pola Chem Ind Inc | 表情のシミュレート法 |
| JP2006163517A (ja) * | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
| KR101348817B1 (ko) * | 2013-01-11 | 2014-01-08 | 연세대학교 산학협력단 | 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템 |
| JPWO2018047655A1 (ja) * | 2016-09-06 | 2019-02-28 | 日本電信電話株式会社 | 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム |
| JP2020052915A (ja) * | 2018-09-28 | 2020-04-02 | 日本電信電話株式会社 | データ処理装置、データ処理方法、及びプログラム |
| KR20200052420A (ko) * | 2018-10-25 | 2020-05-15 | 주식회사 인공지능연구원 | 딥러닝 기반 3차원 원형 예측 장치 |
| JP2020077155A (ja) * | 2018-11-07 | 2020-05-21 | 日本電信電話株式会社 | データ分析システム、学習装置、方法、及びプログラム |
| WO2020202734A1 (ja) * | 2019-03-29 | 2020-10-08 | 株式会社ワコム | ペン状態検出回路、システム及び方法 |
| WO2021090473A1 (ja) * | 2019-11-08 | 2021-05-14 | 日本電気株式会社 | 物体検知装置、学習方法、及び、記録媒体 |
-
1995
- 1995-02-01 JP JP7015271A patent/JPH08212184A/ja not_active Withdrawn
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001000421A (ja) * | 1999-06-22 | 2001-01-09 | Pola Chem Ind Inc | 表情のシミュレート法 |
| JP2006163517A (ja) * | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
| JP4635194B2 (ja) * | 2004-12-02 | 2011-02-16 | 財団法人石油産業活性化センター | 異常検知装置 |
| KR101348817B1 (ko) * | 2013-01-11 | 2014-01-08 | 연세대학교 산학협력단 | 인공신경망을 이용한 오류 계측값 추정 방법 및 시스템 |
| US11449732B2 (en) | 2016-09-06 | 2022-09-20 | Nippon Telegraph And Telephone Corporation | Time-series-data feature extraction device, time-series-data feature extraction method and time-series-data feature extraction program |
| JPWO2018047655A1 (ja) * | 2016-09-06 | 2019-02-28 | 日本電信電話株式会社 | 時系列データ特徴量抽出装置、時系列データ特徴量抽出方法及び時系列データ特徴量抽出プログラム |
| JP2020052915A (ja) * | 2018-09-28 | 2020-04-02 | 日本電信電話株式会社 | データ処理装置、データ処理方法、及びプログラム |
| KR20200052420A (ko) * | 2018-10-25 | 2020-05-15 | 주식회사 인공지능연구원 | 딥러닝 기반 3차원 원형 예측 장치 |
| JP2020077155A (ja) * | 2018-11-07 | 2020-05-21 | 日本電信電話株式会社 | データ分析システム、学習装置、方法、及びプログラム |
| WO2020202734A1 (ja) * | 2019-03-29 | 2020-10-08 | 株式会社ワコム | ペン状態検出回路、システム及び方法 |
| JPWO2020202734A1 (ja) * | 2019-03-29 | 2021-11-25 | 株式会社ワコム | ペン状態検出回路、システム及び方法 |
| WO2020202352A1 (ja) * | 2019-03-29 | 2020-10-08 | 株式会社ワコム | ペン状態検出回路及びペン状態検出方法 |
| US11604521B2 (en) | 2019-03-29 | 2023-03-14 | Wacom Co., Ltd. | Pen state detection circuit, system, and method |
| US11841999B2 (en) | 2019-03-29 | 2023-12-12 | Wacom Co., Ltd. | Pen state detection circuit, system, and method |
| WO2021090473A1 (ja) * | 2019-11-08 | 2021-05-14 | 日本電気株式会社 | 物体検知装置、学習方法、及び、記録媒体 |
| JPWO2021090473A1 (ja) * | 2019-11-08 | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Graspness discovery in clutters for fast and accurate grasp detection | |
| Sorokin et al. | People helping robots helping people: Crowdsourcing for grasping novel objects | |
| Sminchisescu et al. | BM³E: Discriminative Density Propagation for Visual Tracking | |
| Yu et al. | Human motion based intent recognition using a deep dynamic neural model | |
| KR102494659B1 (ko) | 6d 포즈 추정 장치 및 방법 | |
| Núñez et al. | Multiview 3D human pose estimation using improved least-squares and LSTM networks | |
| Chen et al. | Visuo-tactile transformers for manipulation | |
| JPH08212184A (ja) | 認識装置および欠損値推定／学習方法 | |
| CN113254927A (zh) | 一种基于网络防御的模型处理方法、装置及存储介质 | |
| Luo et al. | Human pose estimation in 3-D space using adaptive control law with point-cloud-based limb regression approach | |
| Zhu et al. | Diff-lfd: Contact-aware model-based learning from visual demonstration for robotic manipulation via differentiable physics-based simulation and rendering | |
| Adhikari et al. | A Novel Machine Learning-Based Hand Gesture Recognition Using HCI on IoT Assisted Cloud Platform. | |
| Xu et al. | Tackling small data challenges in visual fire detection: a deep convolutional generative adversarial network approach | |
| Lang et al. | Computationally efficient rigid-body gaussian process for motion dynamics | |
| Alizadeh Kolagar et al. | NAO robot learns to interact with humans through imitation learning from video observation | |
| Aiman et al. | Angle based hand gesture recognition using graph convolutional network | |
| Yao et al. | A type-2 fuzzy logic based system for linguistic summarization of video monitoring in indoor intelligent environments | |
| Kim et al. | Tracking human-like natural motion by combining two deep recurrent neural networks with Kalman filter | |
| Koskinopoulou et al. | Speed adaptation in learning from demonstration through latent space formulation | |
| Tripathi et al. | High dimensional neural networks and applications | |
| CN112507940A (zh) | 一种基于差分指导表示学习网络的骨骼动作识别方法 | |
| Angeleas et al. | Neural networks as classification mechanisms of complex human activities | |
| CN113077512B (zh) | 一种rgb-d位姿识别模型训练方法及系统 | |
| Lee et al. | Adaptive integration of multiple cues for contingency detection | |
| Wong et al. | Learning behavioral memory representations from observation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20020402 |