特許ウォッチ

公開番号2025165427
公報種別公開特許公報(A)
公開日2025-11-05
出願番号2024069432
出願日2024-04-23
発明の名称推論装置および推論方法
出願人日本電気株式会社
代理人個人,個人
主分類G06T 7/00 20170101AFI20251028BHJP(計算;計数)
要約【課題】すべての入力画像に亘って解像度予測の予測精度を高く保つことができる推論装置および推論方法を提供する。
【解決手段】推論装置は、入力画像の解像度を変換して推論を行う推論装置であって、分類されるべき複数のクラスを複数の上位クラスにクラスタリングするクラスタリング手段と、複数の上位クラスの各々に対応する解像度を決定する解像度決定手段と、入力画像における分類対象のクラスが属する上位クラスを予測する予測手段と、入力画像の解像度を、予測された上位クラスに対応する解像度に変換する解像度変換手段と、解像度が変換された入力画像を対象としてクラス分類を行う分類手段とを含む。
【選択図】図11
特許請求の範囲【請求項１】
入力画像の解像度を変換して推論を行う推論装置であって、
分類されるべき複数のクラスを複数の上位クラスにクラスタリングするクラスタリング手段と、
前記複数の上位クラスの各々に対応する解像度を決定する解像度決定手段と、
入力画像における分類対象のクラスが属する上位クラスを予測する予測手段と、
前記入力画像の解像度を、予測された上位クラスに対応する解像度に変換する解像度変換手段と、
解像度が変換された前記入力画像を対象としてクラス分類を行う分類手段と
を備える推論装置。
続きを表示（約 1,300 文字）【請求項２】
前記分類手段は、前記複数の上位クラスのいずれかに対応する解像度に変換された前記入力画像を対象としてクラス分類を行う複数の学習モデルを含み、
前記予測手段が予測した上位クラスが変更されたときに、クラス分類に使用される学習モデルを切り替える切替手段を備える
請求項１に記載の推論装置。
【請求項３】
使用されうる複数の解像度の各々ごとに前記複数のクラスの各々の推論精度を計算する計算手段を備え、
前記クラスタリング手段は、複数の解像度の各々におけるクラスの推論精度を用いてクラスタリングを行う
請求項１または請求項２に記載の推論装置。
【請求項４】
前記解像度決定手段は、前記推論精度を用いて、使用されうる前記複数の解像度から選択される上位クラスの数分の解像度における前記複数のクラスの平均推論精度に基づいて、前記複数の上位クラスにの各々に対応する解像度を決定する
請求項３に記載の推論装置。
【請求項５】
前記予測手段は、予測モデルを含み、
前記入力画像における分類対象のクラスが属する上位クラスを学習するときに、前記予測モデルのアーキテクチャ探索を行う探索手段を備える
請求項１または請求項２に記載の推論装置。
【請求項６】
無線センシングシステムに組み込まれた
請求項１または請求項２に記載の推論装置。
【請求項７】
入力画像の解像度を変換して推論を行う推論方法であって、
分類されるべき複数のクラスを複数の上位クラスにクラスタリングし、
前記複数の上位クラスの各々に対応する解像度を決定し、
入力画像における分類対象のクラスが属する上位クラスを予測し、
前記入力画像の解像度を、予測された上位クラスに対応する解像度に変換し、
解像度が変換された前記入力画像を対象としてクラス分類を行う
推論方法。
【請求項８】
予測された上位クラスが変更されたときに、前記複数の上位クラスのいずれかに対応する解像度に変換された前記入力画像を対象としてクラス分類を行う学習モデルを切り替える
請求項７に記載の推論方法。
【請求項９】
入力画像の解像度を変換して推論を行うための推論プログラムであって、
コンピュータに、
分類されるべき複数のクラスを複数の上位クラスにクラスタリングする処理と、
前記複数の上位クラスの各々に対応する解像度を決定する処理と、
入力画像における分類対象のクラスが属する上位クラスを予測する処理と、
前記入力画像の解像度を、予測された上位クラスに対応する解像度に変換する処理と、
解像度が変換された前記入力画像を対象としてクラス分類を行う処理と
を実行させるための推論プログラム。
【請求項１０】
コンピュータに、
予測された上位クラスが変更されたときに、前記複数の上位クラスのいずれかに対応する解像度に変換された前記入力画像を対象としてクラス分類を行う学習モデルを切り替える処理を実行させる
請求項９に記載の推論プログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、入力画像の解像度を変換して推論を行う推論装置および推論方法に関する。
続きを表示（約 1,700 文字）【背景技術】
【０００２】
非特許文献１に、入力画像について推論を行うときに、計算負荷を小さくするために、入力画像の解像度を変換（リサイズ）するニューラルネットワークが記載されている。変換後の解像度は、推論精度を維持可能な解像度である。入力画像についての推論として、入力画像中の物体（サンプル）の分類がある。一般に、解像度の変換は、推論精度を維持しつつ、解像度を小さくすることである。非特許文献１には、パンダのようなサンプルは低解像度であっても正しく予測できるが、糸とんぼのような背景に紛れやすいサンプルは高解像度でないと正しく分類できないことが紹介されている。
【０００３】
非特許文献１に記載されたニューラルネットワークは、解像度予測器と画像分類器とを含む。解像度予測器は、事前に、様々な解像度の画像を用いて訓練される。推論フェーズでは、解像度予測器は、入力画像について、画像分類器が推論精度を低下させないで推論を実行できる最小の解像度を予測する。入力画像の解像度が予測された解像度に変換された後、画像分類器に、解像度が変換された入力画像が入力される。画像分類器は、当該入力画像に基づいて推論を行う。
【先行技術文献】
【非特許文献】
【０００４】
Mingjian Zhu, et al., "Dynamic Resolution Network", NeurIPS 2021 Conference Submissions
【発明の概要】
【発明が解決しようとする課題】
【０００５】
非特許文献１に記載されたニューラルネットワークにおいて、解像度予測器が、すべての入力画像に対して、最適な解像度を予測することは困難である。その理由は、解像度予測器が、様々な画像のすべてに亘って、各々の画像に対して適切な解像度を学習することは難しいからである。換言すれば、すべての入力画像に亘って、解像度予測の予測精度を高く保つことは難しい。
【０００６】
本発明は、すべての入力画像に亘って解像度予測の予測精度を高く保つことができる推論装置および推論方法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】
【０００７】
本開示に基づく推論装置は、入力画像の解像度を変換して推論を行う推論装置であって、分類されるべき複数のクラスを複数の上位クラスにクラスタリングするクラスタリング手段と、複数の上位クラスの各々に対応する解像度を決定する解像度決定手段と、入力画像における分類対象のクラスが属する上位クラスを予測する予測手段と、入力画像の解像度を、予測された上位クラスに対応する解像度に変換する解像度変換手段と、解像度が変換された入力画像を対象としてクラス分類を行う分類手段とを含む。
【０００８】
本開示に基づく推論方法は、入力画像の解像度を変換して推論を行う推論方法であって、分類されるべき複数のクラスを複数の上位クラスにクラスタリングし、複数の上位クラスの各々に対応する解像度を決定し、入力画像における分類対象のクラスが属する上位クラスを予測し、入力画像の解像度を、予測された上位クラスに対応する解像度に変換し、解像度が変換された入力画像を対象としてクラス分類を行う。
【０００９】
本開示に基づく推論プログラムは、入力画像の解像度を変換して推論を行うための推論プログラムであって、コンピュータに、分類されるべき複数のクラスを複数の上位クラスにクラスタリングする処理と、複数の上位クラスの各々に対応する解像度を決定する処理と、入力画像における分類対象のクラスが属する上位クラスを予測する処理と、入力画像の解像度を、予測された上位クラスに対応する解像度に変換する処理と、解像度が変換された入力画像を対象としてクラス分類を行う処理とを実行させる。
【発明の効果】
【００１０】
本発明によれば、すべての入力画像に亘って解像度予測の予測精度を高く保つことができる。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許