用于预测信息的系统、方法以及程序技术方案

系统具备：存储学习对象的学习对象存储部；存储学习结果的学习结果存储部；以及与输入部连接的控制部。控制部计算由所述输入部指定的处理对象的第1特征矢量的主成分系数矢量，使用被存储于所述学习结果存储部的主成分基础矢量，来计算第2特征矢量的主成分系数矢量，使用所述第2特征矢量的主成分系数矢量，来计算所述处理对象的第2特征矢量。

【技术实现步骤摘要】
【国外来华专利技术】用于预测信息的系统、方法以及程序
本专利技术涉及用于根据第1特征矢量来预测第2特征矢量的系统、方法以及程序。
技术介绍
可能有如下情况：学习2个信息之间的关系，利用该学习结果而针对处理对象信息预测新的信息。例如在超分辨技术中，由低分辨率的原图像生成高分辨率的图像。这种超分辨技术随着显示器装置的高分辨率化而受到注目，逐渐被各种设备等采用。在这种超分辨技术中，类推失去的高频成分。例如在将某个图像数据的像素尺寸沿横向和纵向放大的情况下，计算相邻的2个像素的中间值，用该中间值的像素来填补这些像素之间。在该计算方法中，失去的高频成分不再现，放大图像的边界线变得模糊。另一方面，在超分辨技术中，分析像素的图案，计算认为适当的像素，用计算出的像素填补原图像的相邻的像素彼此之间，从而类推高频成分。在超分辨技术中，将补片超分辨率和高频成分预测结合(例如参照非专利文献1)。在该文献中记载的技术中，作为从低频成分预测高频成分的方法，将低频和高频使用PCA降低维度，使用回归分析来预测高分辨图像。在这种情况下，作为后处理而采用双向过滤器。另外，使用较少的硬件资源来高速地进行处理的技术也正在研究(例如，参照专利文献1)。在该文献中记载的技术中，首先将作为处理对象的图像分为场面。使用适合场面的字典表，对字典进行树检索，从而类推失去的高频成分。为了使字典表的检索高速化，使用主成分分析，将作为检索关键而使用的序号位表(indexbitmap)变换成作为标量值的第一主成分以及第二主成分，并且由第一主成分和第二主成分进行分组，计算其平均值。现有技术文献专利文献专利文献1：日本特开2013-26659号公报非专利文献非专利文献1：ColumbiaUniversity，WeiLiu1，其他，「HallucinatingFaces：TensorPatchSuper-ResolutionandCoupledResidueCompensation」、[online]、ColumbiaUniversity、2014年9月23日検索、互联网<http://www.ee.columbia.edu/-wliu/CVPR05_LiuWei1.pdf>
技术实现思路
专利技术所要解决的课题如上所述，在超分辨技术中，进行了用于高速化、高画质化的各种尝试。但是，在非专利文献1所述的技术中，虽然进行主成分分析，但是高分辨率图像是通过回归分析进行预测。在这种情况下，当针对每个主成分系数独立地回归学习低分辨率和高分辨率之间的关系时，良好精度的主成分系数和较差的精度的主成分系数混在一起，所以有时整体精度出现问题。另外，在专利文献1所述的技术中，为了削减字典数据的数据量和检索高速化而进行主成分分析，但是没有考虑主成分系数的方差。本专利技术的目的在于提供一种用于根据第1信息、即特征矢量来有效地预测第2信息、即特征矢量的系统、方法以及程序。用于解决课题的手段在本专利技术的一个方式中，提供用于预测信息的系统。该系统具备：存储学习对象的学习对象存储部；存储学习结果的学习结果存储部；以及与输入部连接的控制部。所述控制部执行学习处理，在该学习处理中，针对被存储于所述学习对象存储部的每个学习对象计算第1特征矢量以及第2特征矢量，将所述第1特征矢量的主成分系数矢量和第2特征矢量的主成分系数矢量除以表示所述主成分系数矢量的偏差的指标，从而生成行矢量，使用所有的学习对象的所述行矢量进行主成分分析，从而由第1特征矢量的主成分系数矢量和第2特征矢量的主成分系数矢量生成主成分基础矢量，将所述主成分基础矢量与所述第1特征矢量的平均矢量以及第2特征矢量的平均矢量一起存储于所述学习结果存储部。另外，所述控制部执行预测处理，在该预测处理中，计算被所述输入部指定的处理对象的第1特征矢量的主成分系数矢量，使用被存储于所述学习结果存储部的所述主成分基础矢量，计算第2特征矢量的主成分系数矢量，使用所述第2特征矢量的主成分系数矢量，计算所述处理对象的第2特征矢量。由此，能有效地且准确地预测第2特征矢量。在一个实施方式中，所述控制部能将所述主成分基础矢量和所述第1特征矢量的成分正交化，并存储于所述学习结果存储部。由此，利用正交化，能使计算高速化。在一个实施方式中，所述控制部执行后处理，在所述后处理中，将计算出的高分辨率信息(第2特征矢量)压缩，计算已压缩的高分辨率信息和所述处理对象的低分辨率信息(第1特征矢量)的差分，将所述差分与基准值进行比较，在所述差分大于所述基准值的情况下，将所述差分放大，从所述高分辨率信息减去放大的差分。由此，能纠正预测时产生的误差。在一个实施方式中，表示所述偏差的指标能设定成所述主成分系数矢量的标准偏差。由此，各系数的尺度变得相等，能有效地利用主成分分析的优点。在其他方式中，提供用于使用所述系统预测信息的方法。此外，在其他方式中，提供存储有用于使用所述系统来预测信息的程序的非临时性计算机可读存储介质。专利技术效果根据本专利技术，能根据第1特征矢量来有效地预测第2特征矢量。附图说明图1是本实施方式的图像处理系统的说明图。图2是图1的系统的处理步骤的说明图，图2(a)是第1学习处理的说明图，图2(b)是第2学习处理的说明图。图3是图1的系统的处理步骤的说明图。图4是图1的系统的处理步骤的说明图。图5是图1的系统的超分辨率处理的处理步骤的概要说明图。图6是图1的系统的处理步骤的说明图。图7是图1的系统的处理步骤的说明图。图8是图1的系统的处理步骤的说明图。图9是图1的系统的处理步骤的说明图。图10是图1的系统的优点的说明图。图11是图1的系统的优点的说明图。图12是图1的系统的优点的说明图。图13是图1的系统的优点的说明图。图14是图1的系统的优点的说明图。具体实施方式以下，参照图1-图14说明将本专利技术具体化的系统的一个实施方式。在本实施方式中，对适用到提高面部图像的分辨率的超分辨技术的情况进行说明。如图1所示，在本实施方式中，采用图像处理系统20。在该图像处理系统20连接有输入部10和输出部15。输入部10由键盘、指示器构成，取得由负责人输入的信息。输出部15由显示器构成，输出各种信息。图像处理系统20是用于进行超分辨率处理的计算机系统。该图像处理系统20具备：控制部21；作为学习对象存储部的面部图像存储部22；以及学习结果存储部23。控制部21具备控制单元(CPU、RAM、ROM等)，进行后述的处理(学习阶段、超分辨率阶段、第1预测阶段、第2预测阶段、后处理阶段、特征点抽出阶段、网格划分阶段、正规化阶段、特征图像抽出阶段、主成分分析阶段等的各种处理等)。通过执行上述程序，如图1所示，控制部21作为学习部210、超分辨率部215、第1预测部216、第2预测部217、后处理部218、特征点抽出部21a、网格划分部21b、正规化部21c、特征图像抽出部21d、主成分分析部21e而发挥作用。学习部210执行使用高分辨率图像和与该高分辨率图像对应的低分辨率图像，来生成超分辨率处理所需要的信息的处理。超分辨率部215执行提高处理对象图像(输入图像)的分辨率的超分辨率处理。超分辨率部215具备存储器，在存储器中存储有处理对象图像以及计算中的图像。第1预测部216在主成分矢量正交化的情况下，执行计算高分辨率补片的最本文档来自技高网...

【技术保护点】
一种系统，用于预测信息，所述系统具备：存储学习对象的学习对象存储部；存储学习结果的学习结果存储部；以及与输入部连接的控制部，其中，所述控制部构成为执行学习处理和预测处理，在所述学习处理中，针对被存储于所述学习对象存储部的每个学习对象，计算第1特征矢量以及第2特征矢量，通过将所述第1特征矢量的主成分系数矢量和第2特征矢量的主成分系数矢量除以表示所述主成分系数矢量的偏差的指标，从而生成行矢量，使用所有的学习对象的所述行矢量进行主成分分析，从而由第1特征矢量的主成分系数矢量和第2特征矢量的主成分系数矢量生成主成分基础矢量，将所述主成分基础矢量与所述第1特征矢量的平均矢量和第2特征矢量的平均矢量一起存储于所述学习结果存储部；在所述预测处理中，计算由所述输入部指定的处理对象的第1特征矢量的主成分系数矢量，使用被存储于所述学习结果存储部的所述主成分基础矢量，计算第2特征矢量的主成分系数矢量，使用所述第2特征矢量的主成分系数矢量，计算所述处理对象的第2特征矢量。

【技术特征摘要】
【国外来华专利技术】2014.11.13 JP 2014-2310891.一种系统，用于预测信息，所述系统具备：存储学习对象的学习对象存储部；存储学习结果的学习结果存储部；以及与输入部连接的控制部，其中，所述控制部构成为执行学习处理和预测处理，在所述学习处理中，针对被存储于所述学习对象存储部的每个学习对象，计算第1特征矢量以及第2特征矢量，通过将所述第1特征矢量的主成分系数矢量和第2特征矢量的主成分系数矢量除以表示所述主成分系数矢量的偏差的指标，从而生成行矢量，使用所有的学习对象的所述行矢量进行主成分分析，从而由第1特征矢量的主成分系数矢量和第2特征矢量的主成分系数矢量生成主成分基础矢量，将所述主成分基础矢量与所述第1特征矢量的平均矢量和第2特征矢量的平均矢量一起存储于所述学习结果存储部；在所述预测处理中，计算由所述输入部指定的处理对象的第1特征矢量的主成分系数矢量，使用被存储于所述学习结果存储部的所述主成分基础矢量，计算第2特征矢量的主成分系数矢量，使用所述第2特征矢量的主成分系数矢量，计算所述处理对象的第2特征矢量。2.根据权利要求1所述的系统，其中，所述控制部进一步构成为，将所述主成分基础矢量和所述第1特征矢量的成分正交化，并存储于所述学习结果存储部。3.根据权利要求1或者2所述的系统，其中，所述控制部进一步构成为执行后处理，在所述后处理中，对计算出的所述第2特征矢量进行变换，计算出已变换的所述第2特征矢量和所述处理对象的所述第1特征矢量的差分，将所述差分与基准值进行比较，在所述差分大于所述基准值的情况下，将所述差分变换，从所述第2特征矢量减去已变换的差分。4.根据权利要求3所述的系统，其中，所述控制部进一步构成为执行后处理，在所述后处理中，将计算出的所述第2特征矢量压缩，计算已压缩的所述第2特征矢量和所述处理对象的所述第1特征矢量的差分，将所述差分与基准值进行比较，在所述差分大于所述基准值的情况下，将所述差分放大，从所述第2特征矢量减去放大的差分。5.根据权利要求1-4中任意一项所述的系统，其中，表示所述偏差的指标为所述主成分系数...

【专利技术属性】
技术研发人员：永田毅，前川秀正，水谷麻纪子，友泽弘充，松崎和敏，佐野碧，萩原透，桧作彰良，
申请(专利权)人：瑞穗情报综研株式会社，
类型：发明
国别省市：日本,JP