本公开涉及推理装置、推理方法以及推理程序。
背景技术:
1、在适应域(adapted domain)的学习数据少的情况下,作为高效地学习神经网络的装置,有学习多层神经网络(以下称为“多层nn”)的学习装置(例如参照专利文献1)。域(domain)意味着学习数据表示的图像的种类,例如关于rgb图像和红外线相机图像(以下称为“tir图像”),图像的种类相互不同。
2、该学习装置具备第1学习单元、第1生成单元以及第2学习单元。第1学习单元使用第1数据群来学习第1多层nn。第1生成单元在第1多层nn中的第1层与第1层后续的第2层之间生成第2多层nn。第2学习单元使用特性与第1数据群不同的第2数据群来学习第2多层nn。第1数据群以及第2数据群各自是学习数据。
3、现有技术文献
4、专利文献1:日本特开2019-185127号公报
技术实现思路
1、在专利文献1所公开的学习装置中,对应于学习数据的任务与取得神经网络的输出数据来进行推理的推理时的任务有时不同。例如,在与学习数据对应的任务是图像辨识任务时,如果推理时的任务是物体辨识任务,则与学习数据对应的任务和推理时的任务不同。另外,学习数据所表示的图像的域和推理时的图像的域有时不同。在任务或者域中的任一个不同的情况下,存在推理时的任务所致的推理的精度有时变差这样的课题。
2、本公开是为了解决如上所述的课题而完成的,其目的在于,得到一种即使在任务以及域中的1个以上不同的情况下也能够抑制推理精度变差的推理装置。
3、本公开所涉及的推理装置具备:图像信号取得部,在图像的域与学习用图像不同的情况以及辨识任务与事先学习的任务不同的情况中的1个以上不同的情况下,取得表示作为映现有探测对象物体的图像的推理对象图像的图像信号;特征量抽出部,将由图像信号取得部取得的图像信号提供给学习用图像的学习完毕的学习模型,从学习模型取得推理时特征量,其中,该推理时特征量是在映现于推理对象图像的探测对象物体的多个特征量分别被模糊化后结合多个特征量而成的特征量。另外,推理装置具备物体辨识部,该物体辨识部根据作为映现于变换用图像的探测对象物体的登记完毕的特征量的代表特征量以及由特征量抽出部取得的推理时特征量,辨识映现于推理对象图像的探测对象物体,其中,所述变换用图像是图像的域以及辨识任务分别与推理对象图像相同的对象。
4、根据本公开,即使在任务以及域中的1个以上不同的情况下也能够抑制推理精度变差。
1.一种推理装置,具备:
2.根据权利要求1所述的推理装置,其特征在于,
3.根据权利要求1所述的推理装置,其特征在于,
4.根据权利要求1所述的推理装置,其特征在于,
5.根据权利要求1所述的推理装置,其特征在于,
6.根据权利要求1所述的推理装置,其特征在于,
7.根据权利要求1所述的推理装置,其特征在于,
8.一种推理方法,其中,
9.一种推理程序,用于使计算机执行: