[发明专利]一种处理方法及利用了它的处理装置

说明书

输入部(132)输入处理对象的图像。处理部(114)针对输入到输入部(132)的图像，执行除全连接层外的卷积神经网络的处理。该处理部(114)中的卷积神经网络包含卷积层和池化层。输出部(136)输出处理部(114)的处理结果。在此，在处理部(114)中的卷积神经网络中，针对具有1×1的空间维度的处理结果，进行了卷积层的滤波器的学习。

技术领域

本公开涉及处理技术，尤其是执行针对图像的处理的处理方法及利用了它的处理装置。

背景技术

在图像识别处理中，例如使用Deep Learning(深度学习)。Deep Learning作为使用了多层神经网络的机械学习的方法论而为人所知，对于多层神经网络，例如使用卷积神经网络。卷积神经网络由反复进行局部区域的卷积(Convolution)和池化(Pooling)的多层神经网络形成。进而，提出了一种完全卷积神经网络的构造，其将构成卷积神经网络的全连接层设为卷积层(例如，参照非专利文献1)。

[现有技术文献]

[专利文献]

非专利文献1:Jonathan Long，Evan Shelhamer，Trevor Darrell，”FullyConvolution al Networks for Semantic Segmentation”，The IEEE Conference onComputer Vision and Pattern Recognition(CVPR)，2015，pp.3431－3440

发明内容

[发明要解决的课题]

为了将完全卷积神经网络使用于图像识别处理，需要使用监督数据来使完全卷积神经网络预先学习。在为完全卷积神经网络的情况下，对于监督数据，使用进行了着色区分的图像。一般而言，进行了着色区分的图像通过手动生成。关于这样的手动工作量，监督数据的数量越多就越会増加。另一方面，被使用于学习的监督数据的数量越是变多，图像识别处理的精度就越会提高。

本公开鉴于这样的状况而完成，其目的在于提供一种既抑制学习工作量的増加，又抑制图像识别处理精度的降低的技术。

[用于解决技术课题的技术方案]

为了解决上述问题，本公开的一个方案的处理装置包括：输入部，用于输入处理对象的图像；处理部，其针对输入到输入部的图像，执行除全连接层外的卷积神经网络的处理；以及输出部，其输出处理部的处理结果。处理部中的卷积神经网络包含卷积层和池化层。在处理部中的卷积神经网络中，针对具有1×1的空间维度的处理结果，进行了卷积层的滤波器的学习，被输入到输入部的图像的尺寸大于学习用图像的尺寸，该学习用图像在学习卷积层的滤波器时被输入到卷积神经网络，且与学习卷积层的滤波器时的处理结果对应。

本公开的另一方案为一种处理方法。该方法包括输入处理对象的图像的步骤、针对输入的图像，执行除全连接层外的卷积神经网络的处理的步骤、以及输出处理结果的步骤。卷积神经网络包含卷积层和池化层。在卷积神经网络中，针对具有1×1的空间维度的处理结果，进行了卷积层的滤波器的学习，被输入的图像的尺寸大于学习用图像的尺寸，该学习用图像在学习卷积层的滤波器时被输入到卷积神经网络，且与学习卷积层的滤波器时的处理结果对应。

另外，将以上构成要素的任意组合、以及本公开的表现形式在方法、装置、系统、计算机程序或记录有计算机程序的记录介质等之间进行转换后的结果，作为本公开的方案也是有效的。

[发明效果]

根据本公开，能够既抑制学习工作量的増加，又抑制图像识别处理精度的降低。

附图说明

图1的(a)－图1的(c)是表示实施例的处理对象的图。