お客様の課題解決を
産学官連携・オープンイノベーションで実践する広域TLO

【要約】
【課題】高い精度で人工地物を認識し、分類することができる、人工地物認識装置、人工地物認識方法及び人工地物認識プログラムを提供する。
【解決手段】柱状物体点群から点群特徴量算出部を用いて点群特徴量を得る。正規化柱状物画像からＣＮＮ処理部を用いて特徴量を抽出し、更に寄与度フィルタで上位の特徴量を抜粋して、画像特徴量を得る。点群特徴量と画像特徴量を組み合わせて柱状物特徴量として、学習処理を行い、学習済み分類器を作成する。この学習済み分類器を用いることで、道路周辺の人工地物を高い認識率で認識し、分類することが可能になる。

【特許請求の範囲】
【請求項１】
　３次元の座標情報を有する点群の集合体である点群データベースから、柱状物体を構成する点群である柱状物体点群を抽出する、柱状物体抽出処理部と、カメラが撮影した画像データと撮影日時が格納されている撮影画像データベースから、前記柱状物体点群に含まれている時刻を基に、前記柱状物体点群が被写体となって写っている画像データを検索する画像検索処理部と、前記画像検索処理部の検索処理によってヒットした複数の前記画像データに対し、前記柱状物体点群を投影することによって、最適な前記画像データを選択して柱状物画像を得る画像点群投影処理部と、前記柱状物画像から特徴量を得る第一特徴量変換部と、前記第一特徴量変換部が出力した前記特徴量に対し、寄与度に基づいて上位の特徴量を抜粋して画像特徴量を得る寄与度フィルタと、前記柱状物体点群から点群特徴量を得る第二特徴量変換部と、前記画像特徴量と前記点群特徴量よりなる柱状物特徴量を、予め作成した辞書データを用いて分類する、学習済み分類器とを具備する、人工地物認識装置。
【請求項２】
　前記第一特徴量変換部はＣＮＮを実行するものであり、前記第二特徴量変換部は主成分分析を実行するものであり、前記辞書データはランダムフォレストを用いた学習処理によって形成されるものである、請求項１に記載の人工地物認識装置。
【請求項３】
　３次元の座標情報を有する点群の集合体である点群データベースから、柱状物体を構成する点群である柱状物体点群を抽出する、柱状物体抽出処理ステップと、カメラが撮影した画像データと撮影日時が格納されている撮影画像データベースから、前記柱状物体点群に含まれている時刻を基に、前記柱状物体点群が被写体となって写っている画像データを検索する画像検索処理ステップと、前記画像検索処理ステップの検索結果によってヒットした複数の前記画像データに対し、前記柱状物体点群を投影することによって、最適な前記画像データを選択して柱状物画像を得る画像点群投影処理ステップと、前記柱状物画像から特徴量を得る第一特徴量変換ステップと、前記第一特徴量変換ステップによって得られた前記特徴量に対し、寄与度に基づいて上位の特徴量を抜粋して画像特徴量を得る寄与度フィルタリングステップと、前記柱状物体点群から点群特徴量を得る第二特徴量変換ステップと、
　前記画像特徴量と前記点群特徴量よりなる柱状物特徴量を、予め作成した辞書データを用いて分類する、学習済み分類ステップとを有する、人工地物認識方法。
【請求項４】
　計算機を、３次元の座標情報を有する点群の集合体である点群データベースから、柱状物体を構成する点群である柱状物体点群を抽出する、柱状物体抽出処理部と、カメラが撮影した画像データと撮影日時が格納されている撮影画像データベースから、前記柱状物体点群に含まれている時刻を基に、前記柱状物体点群が被写体となって写っている画像データを検索する画像検索処理部と、前記画像検索処理部の検索処理によってヒットした複数の前記画像データに対し、前記柱状物体点群を投影することによって、最適な前記画像データを選択して柱状物画像を得る画像点群投影処理部と、前記柱状物画像から特徴量を得る第一特徴量変換部と、

【要約】
【課題】焼き割れが生じず、硬い材料を作成するための冷却剤、冷却装置および冷却方法を提供する。
【解決手段】本発明の冷却剤は、無機ナノ粒子径が１０ｎｍ以下であり、この無機ナノ粒子が溶液中に濃度０．４～０．０４ｋｇ／ｍ３以下となるように分散されていることを特徴とする。また無機ナノ粒子は、シリコン、アルミナ、チタンのいずれから選択され、無機ナノ粒子は、あらかじめ超音波洗浄機により粉砕されていることを特徴とする。

【要約】
【課題】被測定者に負担をかけずに、被測定者の睡眠段階を精度良く判定できるようにする。
【解決手段】被測定者の被測定者の体動及び心拍を検出する。その検出で得た被測定者の体動の第１の期間毎の検出データの標準偏差値が、所定の閾値以上であるとき、覚醒又はステージ１のノンレム睡眠と判定し、所定の閾値以上でないとき、レム睡眠又はステージ２以下のノンレム睡眠と判定する。さらに、その判定処理で、レム睡眠又はステージ２以下のノンレム睡眠と判定した場合に、被測定者の第２の期間毎の心拍の中央値の増加率と、被測定者の体動の第３の期間毎の周波数解析結果に基づいて、レム睡眠と、ステージ２以下のノンレム睡眠とを区別する処理を行う。

【要約】
生体内を運動する注目部分の追跡の精度及びロバスト性の向上を図る。

【特許請求の範囲】
【請求項１】
　生体内における関心臓器の過去の動きに基づいて、生体構造を撮影した生体像における前記関心臓器の推定位置を求める臓器位置推定手段と、前記生体像における前記推定位置に対応した領域にて前記関心臓器の輪郭点を探索し、当該輪郭点に基づいて前記関心臓器の推定輪郭を求める輪郭推定手段と、前記関心臓器の輪郭と当該関心臓器に連動する注目部分との位置関係についての予め取得された標本データに基づき、前記推定輪郭から前記生体像における前記注目部分の位置を求める注目部分追跡手段と、を有し、前記輪郭推定手段は、前記関心臓器の輪郭形状の動的輪郭モデルにおける複数の制御点それぞれに対応する前記輪郭点を探索し、　前記輪郭形状を基準形状と互いに線形独立な複数の変形モードの線形結合との和で表す形状モデルにおいて、前記輪郭点のうち予め定めた基準以上の信頼度を有する明瞭輪郭点を初期値として、前記制御点のうち前記明瞭輪郭点に対応するもののみに基づいて前記線形結合における前記各変形モードの係数を求めるＰＡＳＭ処理と、当該ＰＡＳＭ処理により与えられる前記制御点の位置を前記輪郭形状に関するエネルギー最小化原理に基づくＳＮＡＫＥ法より修正する処理とを繰り返して前記推定輪郭を求めること、を特徴とする生体内運動追跡装置。
【請求項２】
　請求項１に記載の生体内運動追跡装置において、前記注目部分追跡手段は、前記関心臓器の注目輪郭に対応する前記注目部分の位置を、基準位置と前記変形モードに対応した複数の変位モードの線形結合との和で表す位置モデルにて、前記標本データに基づく前記注目部分の平均位置を前記基準位置とし、前記注目輪郭に対応する前記形状モデルでの前記各変形モードの前記線形結合における前記係数を前記各変位モードの前記線形結合における係数とし、前記標本データに当該位置モデルを適用して得た前記変位モードを設定し、当該位置モデルを用いて前記推定輪郭に対応する前記注目部分の位置を求めること、を特徴とする生体内運動追跡装置。
【請求項３】
　請求項１又は請求項２に記載の生体内運動追跡装置において、前記輪郭推定手段は、過去の前記推定輪郭に基づき前記推定位置における前記輪郭を予想し、当該予想した輪郭に直交する方向に沿って前記輪郭点を探索すること、を特徴とする生体内運動追跡装置。
【請求項４】
　請求項１から請求項３のいずれか１つに記載の生体内運動追跡装置において、さらに、前記生体像を記憶する生体像記憶手段と、前記生体像に写る前記関心臓器の像のうち所定の基準に基づき画質が鮮明な鮮明領域と不鮮明な不鮮明領域とを判別し、当該不鮮明領域を包含し前記制御点を頂点とする少なくとも１つの多角形からなる補完対象領域を定める補完領域設定手段と、前記生体像記憶手段から、前記鮮明領域のうち前記補完対象領域の前記多角形と共通の前記制御点を頂点とした多角形における前記生体像を読み出し、前記補完対象領域の前記四角形に適合させる線形変換を行って前記補完対象領域に合成する画像合成手段と、を有することを特徴とする生体内運動追跡装置。

【要約】
【課題】複素数データにＲＢＭを適応することで精度の良い特徴抽出を行って、良好な符号化ができるようにする。
【解決手段】パラメータ学習ユニットと符号化ユニットとを備える。パラメータ学習ユニットは、入力データを表現する可視素子と、潜在的な情報を表現した隠れ素子との間に結合重みが存在すると仮定した制限ボルツマンマシンによる確率モデルを適用して、学習用データに対して、隠れ素子および結合重みを推定する処理を行う。符号化ユニットは、符号化用入力データに対して、パラメータ学習ユニットで推定した確率モデルを適用して、隠れ素子を推定し、推定した隠れ素子を符号化データとして出力する。ここで、学習用データおよび符号化用入力データは複素数データであり、制限ボルツマンマシンによる確率モデルが持つ可視素子および隠れ素子は、実部と虚部を持つようにした。
本発明は、複素数に対してＲＢＭを適用し、精度の良い特徴抽出を行うことで、その特徴量抽出に基づいた良好な符号化ができる符号化装置、符号化方法およびプログラムを提供することを目的とする。
【課題を解決するための手段】
　本発明の符号化装置は、パラメータ学習ユニットと符号化ユニットとを備える。パラメータ学習ユニットは、入力データを表現する可視素子と、潜在的な情報を表現した隠れ素子との間に結合重みが存在すると仮定した制限ボルツマンマシンによる確率モデルを適用して、学習用データに対して、隠れ素子および結合重みを推定する処理を行う。符号化ユニットは、符号化用入力データに対して、パラメータ学習ユニットで推定した制限ボルツマンマシンによる確率モデルを適用して、隠れ素子を推定し、推定した隠れ素子を符号化データとして出力する。ここで、学習用データおよび符号化用入力データは複素数データであり、制限ボルツマンマシンによる確率モデルが持つ可視素子および隠れ素子は、実部と虚部を持つようにしたことを特徴とする。
　また本発明の符号化方法は、パラメータ学習処理と符号化処理とを含む。パラメータ学習処理は、入力データを表現する可視素子と、潜在的な情報を表現した隠れ素子との間に結合重みが存在すると仮定した制限ボルツマンマシンによる確率モデルを適用して、学習用データに対して、隠れ素子および結合重みを推定する処理を行う。　符号化処理は、符号化用入力データに対して、パラメータ学習処理で推定した制限ボルツマンマシンによる確率モデルを適用して、隠れ素子を推定し、推定した隠れ素子を符号化データとして出力する。
　ここで、パラメータ学習処理で得られる学習用データと符号化処理で得られる符号化用入力データは複素数データであり、制限ボルツマンマシンによる確率モデルが持つ可視素子および隠れ素子は、実部と虚部を持つようにしたことを特徴とする。また本発明のプログラムは、複素数データで構成される学習用データおよび符号化用入力データを入力として、上述した符号化方法のパラメータ学習処理を実行するステップと、符号化処理を実行するステップをコンピュータに実行させるものである。
【発明の効果】
　本発明によると、制限ボルツマンマシン（ＲＢＭ）を複素数に拡張した複素ＲＢＭによる特徴量の抽出を行うことができ、高い精度で入力データから特徴量を抽出して符号化することが可能になるので、効率の良い符号化が行えるようになる。