Traitement en cours

Veuillez attendre...

PATENTSCOPE sera indisponible durant quelques heures pour des raisons de maintenance le samedi 31.10.2020 à 7:00 AM CET
Paramétrages

Paramétrages

Aller à Demande

1. WO2020022027 - DISPOSITIF ET PROCÉDÉ D'APPRENTISSAGE

Numéro de publication WO/2020/022027
Date de publication 30.01.2020
N° de la demande internationale PCT/JP2019/026688
Date du dépôt international 04.07.2019
CIB
G06N 3/08 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
08Méthodes d'apprentissage
A61B 1/00 2006.01
ANÉCESSITÉS COURANTES DE LA VIE
61SCIENCES MÉDICALE OU VÉTÉRINAIRE; HYGIÈNE
BDIAGNOSTIC; CHIRURGIE; IDENTIFICATION
1Instruments pour procéder à l'examen médical de l'intérieur des cavités ou des conduits du corps par inspection visuelle ou photographique, p.ex. endoscopes; Dispositions pour l'éclairage dans ces instruments
A61B 1/045 2006.01
ANÉCESSITÉS COURANTES DE LA VIE
61SCIENCES MÉDICALE OU VÉTÉRINAIRE; HYGIÈNE
BDIAGNOSTIC; CHIRURGIE; IDENTIFICATION
1Instruments pour procéder à l'examen médical de l'intérieur des cavités ou des conduits du corps par inspection visuelle ou photographique, p.ex. endoscopes; Dispositions pour l'éclairage dans ces instruments
04combinés avec des dispositifs photographiques ou de télévision
045Leur commande
G06N 3/04 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
04Architecture, p.ex. topologie d'interconnexion
G06T 7/00 2017.01
GPHYSIQUE
06CALCUL; COMPTAGE
TTRAITEMENT OU GÉNÉRATION DE DONNÉES D'IMAGE, EN GÉNÉRAL
7Analyse d'image
CPC
A61B 1/00
AHUMAN NECESSITIES
61MEDICAL OR VETERINARY SCIENCE; HYGIENE
BDIAGNOSIS; SURGERY; IDENTIFICATION
1Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes
A61B 1/045
AHUMAN NECESSITIES
61MEDICAL OR VETERINARY SCIENCE; HYGIENE
BDIAGNOSIS; SURGERY; IDENTIFICATION
1Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes
04combined with photographic or television appliances
045Control therefor
G06N 3/04
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
G06N 3/08
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
G06T 7/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
7Image analysis
Déposants
  • 富士フイルム株式会社 FUJIFILM CORPORATION [JP]/[JP]
Inventeurs
  • 大酒 正明 OOSAKE, Masaaki
  • 大関 誠 OZEKI, Makoto
Mandataires
  • 松浦 憲三 MATSUURA, Kenzo
Données relatives à la priorité
2018-14043426.07.2018JP
Langue de publication japonais (JA)
Langue de dépôt japonais (JA)
États désignés
Titre
(EN) LEARNING DEVICE AND LEARNING METHOD
(FR) DISPOSITIF ET PROCÉDÉ D'APPRENTISSAGE
(JA) 学習装置及び学習方法
Abrégé
(EN)
The purpose of the present invention is to provide a learning device and a learning method which enable suitably learning data that belongs to the same category and that was acquired under different conditions. In this learning device, by inputting first and second data into an independent first and second input layer, respectively, for feature value calculation, feature value calculation in one of the first and second input layers is not affected by feature value calculation in the other of the input layers. Further, in addition to feature extraction in the input layers, first intermediate feature value calculation processing and second intermediate feature value calculation processing are performed at least once each in an intermediate layer common to the first and second input layers, whereby the feature values calculated from the first and second data in the input layer can be reflected in intermediate feature value calculation in the intermediate layer. In this way, it is possible to suitably learn data that belongs to the same category and that was acquired under different conditions.
(FR)
La présente invention ‌a‌ ‌pour‌ ‌objet‌ de fournir un dispositif d'apprentissage et un procédé d'apprentissage qui permettent d'apprendre de manière appropriée des données qui appartiennent à la même catégorie et qui ont été acquises dans différentes conditions. Dans ledit dispositif d'apprentissage, en introduisant des premières et secondes données dans une première et une seconde couche d'entrée indépendantes, respectivement, pour un calcul de valeur de caractéristique, le calcul de valeur de caractéristique dans l'une des premières et secondes couches d'entrée n'est pas affecté par un calcul de valeur de caractéristique dans l'autre des couches d'entrée. En outre, en plus de l'extraction de caractéristiques dans les couches d'entrée, un premier traitement de calcul de valeur de caractéristique intermédiaire et un second traitement de calcul de valeur de caractéristique intermédiaire sont effectués au moins une fois chacun dans une couche intermédiaire commune aux première et seconde couches d'entrée, les valeurs de caractéristiques calculées à partir des premières et secondes données dans la couche d'entrée pouvant être reflétées dans un calcul de valeur de caractéristique intermédiaire dans la couche intermédiaire. De cette manière, il est possible d'apprendre de manière appropriée des données qui appartiennent à la même catégorie et qui ont été acquises dans différentes conditions.
(JA)
本発明は、同一のカテゴリに属し異なる条件で取得されたデータを適切に学習することができる学習装置及び学習方法を提供することを目的とする。本発明の第1の態様に係る学習装置では、独立した第1,第2の入力層に第1,第2のデータをそれぞれ入力して特徴量を算出することで、第1,第2の入力層の一方における特徴量算出が他方の入力層における特徴量算出の影響を受けないようにしている。また、入力層における特徴抽出に加えて、第1,第2の入力層に共通な中間層において第1の中間特徴量算出処理と第2の中間特徴量算出処理とをそれぞれ少なくとも1回実行するので、入力層で第1,第2のデータから算出した特徴量を中間層における中間特徴量算出に反映することができる。これにより、同一のカテゴリに属し異なる条件で取得されたデータを適切に学習することができる。
Dernières données bibliographiques dont dispose le Bureau international