学习装置制造方法及图纸

学习装置

【技术实现步骤摘要】
【国外来华专利技术】学习装置、学习方法、图像处理装置和图像处理方法


[0001]本专利技术涉及学习装置
、
学习方法
、
图像处理装置和图像处理方法
。

技术介绍

[0002]作为使学习模型进行学习而生成已学习模型的方法，存在有监督学习和无监督学习
。
[0003]例如，在非专利文献1中公开有如下技术：通过使用概率的梯度变分贝叶斯进行优化，使由神经网络构成的学习模型高效地进行深度学习，生成已学习模型
。
[0004]现有技术文献
[0005]非专利文献
[0006]非专利文献1：
"Diederik P Kingma,Max Welling","Auto
‑
Encoding Variational Bayes",[online],"arXiv
：
1312.6114v10"、[
令和2年
12
月4日检索
],
互联网
(URL
：
https
：
//ar本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种学习装置，其特征在于，该学习装置具有：学习用图像取得部，其取得表示学习用图像的学习用图像信息；一维学习图像生成部，其对所述学习用图像取得部取得的多个所述学习用图像信息分别表示的所述学习用图像进行一维化，生成与多个所述学习用图像信息对应的多个一维学习图像信号；矩阵生成部，其生成将所述一维学习图像生成部生成的多个所述一维学习图像信号彼此并列地排列而成的矩阵；奇异值分解部，其对所述矩阵生成部生成的所述矩阵进行奇异值分解，由此计算右奇异向量和奇异值；已学习模型生成部，其生成基于所述奇异值分解部计算的所述右奇异向量和所述奇异值的已学习模型，所述已学习模型将一维推理对象图像信号作为说明变量而输出推理结果，所述一维推理对象图像信号表示对拍摄推理对象物体而得到的图像即推理对象图像进行一维化而成的图像；以及已学习模型输出部，其输出所述已学习模型生成部生成的所述已学习模型作为已学习模型信息
。2.
根据权利要求1所述的学习装置，其特征在于，在作为所述说明变量输入了所述一维推理对象图像信号时，所述已学习模型生成部根据所述奇异值分解部计算的所述右奇异向量和所述奇异值，生成输出所述一维推理对象图像信号的近似信号即一维近似信号作为所述推理结果的所述已学习模型
。3.
根据权利要求1所述的学习装置，其特征在于，在作为所述说明变量输入了所述一维推理对象图像信号时，所述已学习模型生成部根据所述奇异值分解部计算的所述右奇异向量和所述奇异值，生成输出与所述一维推理对象图像信号对应的所述推理对象图像的特征向量作为所述推理结果的所述已学习模型
。4.
根据权利要求1所述的学习装置，其特征在于，在已经存在所述左奇异向量
、
所述右奇异向量和所述奇异值的情况下，作为对将为了得到它们而进行奇异值分解后的所述矩阵和所述矩阵生成部生成的所述矩阵在行方向上连结而成的矩阵进行奇异值分解的方法，所述奇异值分解部使用所述矩阵生成部生成的所述矩阵，进行对已经存在的所述左奇异向量
、
已经存在的所述右奇异向量和已经存在的所述奇异值进行更新的矩阵运算，由此计算所述右奇异向量和所述奇异值
。5.
根据权利要求1所述的学习装置，其特征在于，在已经存在所述左奇异向量
、
所述右奇异向量和所述奇异值的情况下，所述矩阵生成部从为了得到它们而进行奇异值分解后的所述矩阵中选择1个一维学习图像信号，生成将所述选择出的一维学习图像信号排除的矩阵，作为得到将所述选择出的一维学习图像信号排除的所述矩阵的奇异值分解结果的方法，所述奇异值分解部使用所述选择出的一维学习图像信号，进行对已经存在的所述左奇异向量
、
已经存在的所述右奇异向量和已经存在的所述奇异值进行更新的矩阵运算，由此计算所述右奇异向量和所述奇异值
。6.
根据权利要求1所述的学习装置，其特征在于，所述一维学习图像生成部对所述学习用图像取得部取得的所述学习用图像信息表示
的所述学习用图像进行光栅搜查，由此生成所述一维学习图像信号
。7.
根据权利要求1所述的学习装置，其特征在于，所述学习用图像取得部取得分别表示彼此相等的像素数的多个所述学习用图像的所述学习用图像信息
。8.
根据权利要求1所述的学习装置，其特征在于，所述学习用图像取得部取得分别表示对拍摄到对象物体的拍摄图像进行分割而成的多个部分图像的部分图像信息作为所述学习用图像信息
。9.
根据权利要求8所述的学习装置，其特征在于，所述矩阵生成部将与所述学习用图像取得部取得的多个所述部分图像信息中的符合预定的条件的多个所述部分图像信息对应的多个所述一维学习图像信号彼此并列地排列，由此生成所述矩阵
。10.
根据权利要求9所述的学习装置，其特征在于，所述矩阵生成部将所述一维学习图像生成部根据与所述拍摄图像中的彼此相同的图像区域对应的所述部分图像信息生成的所述一维学习图像信号彼此并列地排列，由此生成所述矩阵
。11.
根据权利要求9所述的学习装置，其特征在于，所述学习装置具有聚类部，该聚类部对所述学习用图像取得部取得的多个所述部分图像信息分别表示的所述部分图像进行聚类，所述矩阵生成部将所述一维学习图像生成部针对属于根据所述聚类部聚类的结果而分类出的各类别的多个所述部分图像分别生成的所述一维学习图像信号彼此并列地排列，由此生成所述矩阵
。12.
根据权利要求9所述的学习装置，其特征在于，所述矩阵生成部根据预定的所述条件，生成与每个所述条件对应的所述矩阵，所述奇异值分解部针对所述矩阵生成部生成的每个所述条件的所述矩阵，计算所述右奇异向量和所述奇异值，所述已学习模型生成部根据与所述矩阵生成部生成的每个所述条件的所述矩阵对应的所述右奇异向量和所述奇异值，生成与每个所述条件的所述矩阵对应的所述已学习模型
。13.
一种学习方法，其特征在于，该学习方法具有以下步骤：学习用图像取得部取得表示学习用图像的学习用图像信息；一维学习图像生成部对由所述学习用图像取得部取得的多个所述学习用图像信息分别表示的所述学习用图像进行一维化，生成与多个所述学习用图像信息对应的多个一维学习图像信号；矩阵生成部生成将由所述一维学习图像生成部生成的多个所述一维学习图像信号彼此并列地排列而成的矩阵；奇异值分解部对由...

【专利技术属性】
技术研发人员：峯泽彰，
申请(专利权)人：三菱电机株式会社，
类型：发明
国别省市：