摄像设备及系统、信息处理设备、其控制方法和存储介质技术方案

本发明专利技术提供摄像设备及系统、信息处理设备、其控制方法和存储介质。摄像设备包括：接收部件，其被配置为与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求，其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型。

【技术实现步骤摘要】
摄像设备及系统、信息处理设备、其控制方法和存储介质
本专利技术涉及摄像设备、信息处理设备和摄像设备系统。
技术介绍
已知在拍摄时通过以神经网络等为代表的机器学习方法来识别被摄体的摄像设备。这样的摄像设备使用支持用户预先指定的特定被摄体的已学习模型(learnedmodel)，以针对特定被摄体进行处理。尽管目前存在诸如人、汽车和火车等的几种类型的被摄体，但是预期将来被摄体的类型的数量会增加。此外，尽管常规上用于AF(自动调焦处理)中的被摄体判断，但是认为使用范围将扩大到针对摄像设备中的诸如AE(自动曝光)、AWB(自动白平衡)、图像处理和噪音去除等的处理。在这种情况下，尽管将需要多个已学习模型，但是在实践中，将所有已学习模型保持在摄像设备上是困难的，因为这将需要大的记录容量。因此，需要适当地切换可以在摄像设备中保持的已学习模型。在日本特开2008-67316中，公开了一种图像分发系统，该图像分发系统生成高分辨率图像然后将其分发给客户终端，该高分辨率图像的图像质量是根据针对客户终端所请求的期望图像的高分辨率的设置参数来进行控制的。然而，尽管在日本特开2008-67316中公开了一种根据来自客户终端的请求而生成并发送高分辨率图像的方法，但是不存在与神经网络中的已学习模型的交换有关的专利技术。
技术实现思路
鉴于上述问题而做出本专利技术，并且使得在拍摄中能够适当地提供具有用于判断被摄体等的已学习模型的摄像设备。根据本专利技术的第一方面，提供一种摄像设备，包括：接收部件，其被配置为与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求，其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型。根据本专利技术的第二方面，提供一种信息处理设备，包括：接收部件，其被配置为与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求，其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型，并且所述发送部件将所选择的已学习模型发送到摄像设备。根据本专利技术的第三方面，提供一种摄像设备系统，包括：外部装置，其被配置为能够发送多个已学习模型；以及摄像设备，其包括：接收部件，其被配置为与所述外部装置连接并且接收多个已学习模型的列表信息；选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求，其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型。根据本专利技术的第四方面，提供一种摄像设备系统，包括：外部装置，其被配置为能够发送多个已学习模型；信息处理设备，其包括：接收部件，其被配置为与所述外部装置连接并且接收多个已学习模型的列表信息；选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求；以及摄像设备，其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型，并且所述发送部件将所选择的已学习模型发送到所述摄像设备。根据本专利技术的第五方面，提供一种摄像设备的控制方法，包括：与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及向所述外部装置发送对在所述选择中所选择的已学习模型的发送请求，其中，在所述接收中，接收从所述外部装置发送的所选择的已学习模型。根据本专利技术的第六方面，提供一种信息处理设备的控制方法，包括：与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及向所述外部装置发送对所述选择中所选择的已学习模型的发送请求，其中，在所述接收中，接收从所述外部装置发送的所选择的已学习模型，以及在所述发送中，将所选择的已学习模型发送到摄像设备。根据本专利技术的第七方面，提供一种非暂时性计算机可读存储介质，其存储有用于使计算机执行根据上述的方法的步骤的程序。通过以下参考附图对典型实施例的描述，本专利技术的其它特征将变得明显。附图说明图1是第一实施例的系统结构图。图2是第一实施例中的摄像设备的框图。图3是第一实施例中的神经网络处理单元的示意性结构图。图4是第一实施例中的通信设备的框图。图5是第一实施例中的摄像设备和通信设备的处理序列图。图6是示出第一实施例中的摄像设备的处理的流程图。图7是示出第一实施例中的通信设备的处理的流程图。图8A、图8B和图8C是示出第一实施例中的用于菜单选择和用于拍摄时的摄像设备的画面的示例的图。图9是第二实施例的系统结构图。图10是第二实施例中的信息处理设备的框图。图11是第二实施例中的摄像设备、通信设备和信息处理设备的处理序列图。图12是示出第二实施例中的摄像设备的处理的流程图。图13是示出第二实施例中的信息处理设备的处理的流程图。图14是示出第二实施例中的通信设备的处理的流程图。图15是示出第二实施例中的信息处理设备的菜单选择画面的示例的图。图16是示出第三实施例中的已学习模型的示例的图。图17是示出第三实施例中的摄像设备的菜单选择画面的示例的图。具体实施方式在下文中，将参考附图详细地描述实施例。注意，以下实施例不旨在限制所要求保护的专利技术的范围。在实施例中描述了多个特征，但是不限制要求所有这样的特征的专利技术，并且多个这样的特征可以适当地组合。此外，在附图中，相同的附图标号被给予相同或相似的结构，并且省略其冗余的描述。(第一实施例)<系统结构>图1是示出第一实施例中的摄像设备系统的结构的图。摄像设备系统由摄像设备100以及通过无线或有线通信网络连接的能够发送多个已学习模型的通信设备200构成。摄像设备100使用已学习模型，以进行检测处理、分类处理、区域分类处理、图像恢复处理、调焦处理、曝光处理和白平衡处理中的任意处理。＜摄像设备100的结构>图2是示出摄像设备100的结构的框图。在图2中，摄像设备100包括CPU101、存储器102、非易失性存储器103、操作单元104、神经网络处理单元105、摄像单元112、图像处理单元113、编码处理单元114、显示控制单元115以及显示单元116。此外，摄像设备100包括通信控制单元117本文档来自技高网...

【技术保护点】
1.一种摄像设备，包括：/n接收部件，其被配置为与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；/n选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及/n发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求，/n其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型。/n

【技术特征摘要】
20191101 JP 2019-2002251.一种摄像设备，包括：
接收部件，其被配置为与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；
选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及
发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求，
其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型。


2.根据权利要求1所述的摄像设备，还包括呈现部件，所述呈现部件被配置为呈现所述多个已学习模型的列表信息。


3.根据权利要求2所述的摄像设备，其中，所述选择部件从所述呈现部件所呈现的所述多个已学习模型中选择用户所选择的已学习模型。


4.根据权利要求2所述的摄像设备，还包括判断部件，所述判断部件被配置为判断所述多个已学习模型中的各个已学习模型是否是能够被所述摄像设备处理的已学习模型。


5.根据权利要求4所述的摄像设备，其中，所述呈现部件呈现被所述判断部件判断为能够被所述摄像设备处理的已学习模型。


6.根据权利要求4所述的摄像设备，其中，所述呈现部件使得在所述多个已学习模型中，所述判断部件判断为能够被所述摄像设备处理的已学习模型的呈现不同于所述判断部件判断为不能被所述摄像设备处理的已学习模型的呈现。


7.根据权利要求4所述的摄像设备，其中，所述判断部件判断所述已学习模型的神经网络的结构是否能够被所述摄像设备处理。


8.根据权利要求4所述的摄像设备，其中，所述判断部件判断所述已学习模型的数据大小是否是能够记录在所述摄像设备的存储器的可用容量中的大小。


9.根据权利要求4所述的摄像设备，其中，所述判断部件判断所述已学习模型是否能够被所述摄像设备按每预定单位时间进行处理。


10.根据权利要求2所述的摄像设备，其中，使用所述已学习模型以进行检测处理、分类处理、区域分类处理、图像恢复处理、调焦处理、曝光处理和白平衡处理中的任意处理。


11.根据权利要求2所述的摄像设备，其中，所述已学习模型能够适用于多个被摄体。


12.根据权利要求11所述的摄像设备，其中，所述呈现部件进行呈现以使得能够辨别所述多个被摄体中的优先级顺序。


13.根据权利要求1所述的摄像设备，其中，所述已学习模型是包括加权系数或偏差信息的数据。


14.根据权利要求1所述的摄像设备，其中，所述已学习模型是包括神经网络结构信息的数据。


15.一种信息处理设备，包括：
接收部件，其被配置为与能够发送多个已学习模型的外部装置连接，并且接收多个已学习模型的列表信息；
选择部件，其被配置为基于所述多个已学习模型的列表信息，从所述多个已学习模型中选择已学习模型；以及
发送部件，其被配置为向所述外部装置发送对所述选择部件所选择的已学习模型的发送请求，
其中，所述接收部件接收从所述外部装置发送的所选择的已学习模型，并且所述发送部件将所选择的已学习模型发送到摄像设备。


16.根据权利要求15所述的信息处理设备，还包括呈现部件，所述呈现部件被配置为呈现所述多个已学习模型的列表信息。


17.根据权利要求16所述的信息处理设备，其中，所述选择部件从所述呈现...

【专利技术属性】
技术研发人员：田边章弘，
申请(专利权)人：佳能株式会社，
类型：发明
国别省市：日本;JP