物体识别系统和物体识别方法技术方案

本发明专利技术提供一种物体识别系统和物体识别方法，能够抑制成为前提的数据集的构建作业的贴标量。根据任务的种类，基于保存于连接切换部的连接信息来改变物体特征提取部与多个任务类别识别部之间的连接关系。

【技术实现步骤摘要】
物体识别系统和物体识别方法
本专利技术涉及物体识别系统和物体识别方法。
技术介绍
近年来，随着全球化推进，各国的人民进行交往，但担心治安恶化，安全性需求随之增高。但是，在包括日本的一部分的国家由于劳动人口减少，因此寻求使用计算机的机械的解决方案。该技术之一具有使用了神经网络的影像解析技术。神经网络是从所赋予的学习用数据集中学习有效的特征提取方法的数据驱动型的方法。学习用数据集越是具有评价用环境的数据，神经网络的识别精度越高。另外，在学习用数据集规模大且多样的情况下，对于广泛应用的环境下，识别精度提高。学习用数据集由图像和想解决的对象任务的标签构成。图像如果通过摄像机拍摄，则能够机械收集，标签生成的大部分由于需要人工作业，所以在学习用数据集的生成上人力成本大是一个课题。进行多个推算的多任务用神经网络由于考虑各自的关联性而输出，所以能够实现比单任务用神经网络高的精度。为了实现这些，需要对多任务进行标签贴附。与单任务相比，任务数多的分作业量大。另外，在人工造成的错误和数据保存、通信环境等的影响上有时产生数据缺损，标签的一部分缺损。在专利文献1中，为了防止数据缺损，提案生成表示关联度的教师标签的方法。现有技术文献专利文献专利文献1：日本专利第6392478号公报
技术实现思路
专利技术所要解决的问题但是，在专利文献1中，成为前提的数据集的构建作业贴标量多成为实际应用上的课题。本专利技术的目的在于，抑制在物体识别系统中成为前提的数据集的构建作业的贴标量。用于解决问题的技术方案本专利技术的一方式的物体识别系统是具有存储部和学习控制部的物体识别系统，其特征在于：所述存储部包括：用于保存物体的图像的图像部；用于保存标签的标签部，其中所述标签是关于作为所述物体的属性的任务的信息；和用于推算所述物体的所述任务并输出推算结果的推算器，所述推算器包括：用于从所述图像中提取物体特征量的物体特征提取部；用于识别所述任务的信息的多个任务类别识别部；和能够保存所述物体特征提取部与多个所述任务类别识别部之间的连接信息的连接切换部，所述学习控制部，根据所述任务的种类，基于保存于所述连接切换部的所述连接信息来改变所述物体特征提取部与多个所述任务类别识别部之间的连接关系。本专利技术的一方式的物体识别方法是使用了具有存储部和学习控制部的物体识别系统的物体识别方法，其特征在于：在所述存储部中保存物体的图像和标签，其中所述标签是关于作为所述物体的属性的任务的信息，由物体特征提取部从所述物体的图像中提取物体特征量，由多个任务类别识别部识别所述任务的信息，由所述学习控制部根据所述任务的种类来改变所述物体特征提取部与多个所述任务类别识别部之间的连接关系，推算所述物体的所述任务并输出推算结果。专利技术效果根据本专利技术的一个方式，能够抑制在物体识别系统中成为前提的数据集的构建作业的贴标量。附图说明图1是表示实施例的系统结构的框图。图2是表示标签部102的一例的图。图3是表示学习履历存储部103的一例的图。图4是表示连接切换部1001的一例的图。图5是表示更新度保存部1003的一例的图。图6是表示实施例的学习流程的详细的流程图。图7是表示推算器的实用例的图。图8是表示实施例的学习的概要的图。图9是表示图像部101的一例的图。具体实施方式以下，使用附图面对实施例进行说明。【实施例】参照图1，说明实施例的物体识别系统的结构。物体识别系统包括存储部10、学习控制部11和任务组合ID生成部12。存储部10具有推算器100、图像部101、标签部102以及学习履历存储部103。推算器100具有物体特征提取部1000、连接切换部1001和任务类别识别部1002。在此，任务类别识别部1002由多个任务类别识别部1002a～1002c构成。推算器100接收人物图像作为输入，且输出该人物相对于各任务的推算结果。推算器100的数据例如保存在图像存储器内。物体特征提取部1000由神经网络构成。该神经网络具有通过学习而能够更新的参数。物体特征提取部1000的功能将作为输入接收到的人物图像转换为被称为特征量的3阶张量。物体特征提取部1000对于相同的人物的图像进行参数调整(tuning)，使其成为距离彼此近的张量，特征量根据人物图像进行3阶张量化以能够区别各人物。连接切换部1001根据附属于输入图像的标签，存储表示物体特征提取部1000和任务类别识别部1002a～1002c的连接信息的连接记号和非连接记号。任务类别识别部1002由神经网络构成。该神经网络具有通过学习可更新的参数。任务类别识别部1002的功能是对于上述物体特征量，将关于各任务的信息解码。该被解码的输出结果的形式由小数向量表示。在本实施例中，作为一例，以年龄、发色、性别作为任务。任务类别(年龄)识别部1002a的任务是年龄，任务类别(发色)识别部1002b的任务是发色，任务类别(性别)识别部1002c的任务是性别。更新度保存部1003存储与物体特征提取部1000和任务类别识别部1002对应的学习时的参数更新的程度。图像部101保存从各种任务用的数据集中收集到的图像。如图9所示，由图像名称9a和图像数据9b构成。图像部101例如作为数据库保存在存储器(SSD或HDD)内。标签部102保存图像部101所保有的图像的图像名称和各任务的标签。各任务的标签在图像与其任务对应的情况下是标签值，在非对应的情况下是缺损值。标签部102例如作为数据库保存在存储器(SSD或HDD)内。学习控制部11进行数据的交互和学习的计算等处理。例如，学习控制部11将从图像部101和标签部102接收到的图像和标签传送到物体特征提取部1000。另外，将标签转换为一位有效表达的向量。另外，调整连接切换部1001。另外，变更更新度保存部1003。进而，更新推算器100的参数。学习控制部11例如由CPU或GPU构成。学习履历存储部103保存至最新时刻的学习条件和结果。学习履历存储部103例如保存在存储器内。更新度保存部1003根据到最近为止的学习状况，保持用于控制物体特征提取部1000或任务类别识别部1002所保存的参数的更新量的强弱的变量。更新度保存部1003例如保存在存储器内。参照图2，对标签部102的数据结构进行说明。标签部102是附属于各图像的各任务的正确值。如图2所示，包括任务组合ID2a、各图像名称2b、由3个任务构成的各任务的正确值2c。任务组合ID2a是对应的标签的组合分配给相同的标签的各组的ID。学习前为空栏，在学习最初生成且在学习时使用。图像名称2b保存各记录对应的图像的图像部101的地址。正确值2c中对对应任务存储正确标签，对非对应任务存储缺损值。作为缺损值，在图2中表示为×，也可以是其它的记号。参照图本文档来自技高网...

【技术保护点】
1.一种具有存储部和学习控制部的物体识别系统，其特征在于：/n所述存储部包括：/n用于保存物体的图像的图像部；/n用于保存标签的标签部，其中所述标签是关于作为所述物体的属性的任务的信息；和/n用于推算所述物体的所述任务并输出推算结果的推算器，/n所述推算器包括：/n用于从所述图像中提取物体特征量的物体特征提取部；/n用于识别所述任务的信息的多个任务类别识别部；和/n能够保存所述物体特征提取部与多个所述任务类别识别部之间的连接信息的连接切换部，/n所述学习控制部，根据所述任务的种类，基于保存于所述连接切换部的所述连接信息来改变所述物体特征提取部与多个所述任务类别识别部之间的连接关系。/n

【技术特征摘要】
20190409 JP 2019-0743301.一种具有存储部和学习控制部的物体识别系统，其特征在于：
所述存储部包括：
用于保存物体的图像的图像部；
用于保存标签的标签部，其中所述标签是关于作为所述物体的属性的任务的信息；和
用于推算所述物体的所述任务并输出推算结果的推算器，
所述推算器包括：
用于从所述图像中提取物体特征量的物体特征提取部；
用于识别所述任务的信息的多个任务类别识别部；和
能够保存所述物体特征提取部与多个所述任务类别识别部之间的连接信息的连接切换部，
所述学习控制部，根据所述任务的种类，基于保存于所述连接切换部的所述连接信息来改变所述物体特征提取部与多个所述任务类别识别部之间的连接关系。


2.根据权利要求1所述的物体识别系统，其特征在于：
所述标签部保存作为所述图像与正确标签的组合的学习用数据集，其中，所述正确标签是所述物体的所述任务的正确值。


3.根据权利要求1所述的物体识别系统，其特征在于：
所述任务类别识别部由神经网络构成，
所述神经网络具有能够通过学习而更新的参数，
对于所述物体特征量，将关于所述任务的信息解码。


4.根据权利要求3所述的物体识别系统，其特征在于：
所述学习控制部，
使用所述学习用数据集来通过学习对所述参数进行调整，
根据所述参数来改变所述推算结果的输出值。


5.根据权利要求3所述的物体识别系统，其特征在于：
所述学习控制部，
比较所述正确标签和所述推算结果，来求取作为所述推算结果与所述正确标签的差的任务损失并将其传送至所述推算器，
更新所...

【专利技术属性】
技术研发人员：福田竣，M·克林基格特，广池敦，垂井俊明，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：日本;JP