信息处理方法、信息处理系统、信息处理程序以及记录信息处理程序的计算机可读的非暂时性记录介质与流程

本公开涉及通过机器学习生成识别模型、并且为了得到输入到识别模型的感测数据而将传感器的动作参数最优化的技术。

背景技术：

1、在自动驾驶的车辆以及机器人中，识别周围的物体、认识环境的技术是重要的。近年来，为了物体识别，被称作深度学习(deep learning)的技术受到关注。所谓深度学习，是利用了多层构造的神经网络的机器学习，通过使用大量的训练数据，与现有的机器学习相比，能实现更高精度的识别性能。并且，在这样的物体识别中，图像信息特别有效。例如，在非专利文献1中，公开了通过以图像信息为输入的深度学习来使现有的物体识别能力大幅提升的手法。

2、在这样的信息处理系统中，作为用于输入图像信息的输入设备而广泛使用相机。通常，这样的相机使用市售的相机。但市售的相机以人为目的而开发，作为深度学习等的输入设备并非最优。例如，在非专利文献2中，公开了通常的相机中不需要的色差或像散在以纵深推定或三维物体检测为目的的深度学习中是重要的。此外，例如，在非专利文献2中，公开了如下方法：利用能表现折射或衍射的波动光学将相机的成像公式化成能微分的模型，通过利用误差反向传播法训练该模型和用于纵深推定的深度学习模型，来将色差或像散等动作参数设计成最优。

3、此外，例如，在非专利文献3中，公开了如下手法：在从时空压缩感知图像实施行动识别时，通过将时空压缩感知作为编码网络(encoding network)在深度学习中表现，来将最适于行动识别的压缩感知图案和识别模型同时最优化。

4、但在上述现有的技术中，难以将作为神经网络模型的输入设备而利用的传感器的动作参数最优化，并且难以提升神经网络模型的识别精度，需要进一步的改善。

5、现有技术文献

6、非专利文献

7、非专利文献1：a.krizhevsky、i.sutskever、以及g.e.hinton、“imagenetclassification with deep convolutional neural networks”、nips’12：proceedingsof the 25th international conference on neural information processingsystems、volume 1、pp.1097-1105、2012年12月

8、非专利文献2：julie chang以及gordon wetzstein、“deep optics formonocular depth estimation and 3d object detection”、proceedings of the ieeeinternational conference on computer vision、pp.10193-10202、2019年

9、非专利文献3：tadashi okawara、michitaka yoshida、hajime nagahara、以及yasushi yagi、“action recognition from a single coded image”、proceedings ofthe ieee international conference on computational photography、2020年

技术实现思路

1、本公开为了解决上述的问题而提出，目的在于，提供能将作为神经网络模型的输入设备而利用的传感器的动作参数最优化、并且能提升神经网络模型的识别精度的技术。

2、本公开所涉及的信息处理方法中，计算机执行如下处理：将第1传感器的动作中所用的第1动作参数和通过第2传感器的动作得到的第2感测数据作为输入，来训练第1神经网络模型，以使得输出通过利用了所述第1动作参数的所述第1传感器的动作而得到的第1感测数据，生成将所述第1神经网络模型和第2神经网络模型连结的第3神经网络模型，以使得所训练的所述第1神经网络模型的输出被输入到将所述第1感测数据作为输入并将针对所述第1感测数据的识别结果作为输出的所述第2神经网络模型，使用对所述第3神经网络模型输入所述第2感测数据以及所述第1动作参数而从所述第3神经网络模型输出的识别结果、与所述第2感测数据所对应的正解识别信息的误差，通过误差反向传播法来训练所述第2神经网络模型，通过所述误差反向传播法来从所述第1神经网络模型取得对所述第1动作参数进行更新而得到的第2动作参数。

3、根据本公开，能将作为神经网络模型的输入设备而利用的传感器的动作参数最优化，并且能提升神经网络模型的识别精度。

技术特征：

1.一种信息处理方法，计算机执行如下处理：

2.根据权利要求1所述的信息处理方法，其中，

3.根据权利要求1所述的信息处理方法，其中，

4.根据权利要求1～3中任一项所述的信息处理方法，其中，

5.根据权利要求4所述的信息处理方法，其中，

6.根据权利要求4所述的信息处理方法，其中，

7.根据权利要求1～3中任一项所述的信息处理方法，其中，

8.根据权利要求7所述的信息处理方法，其中，

9.根据权利要求8所述的信息处理方法，其中，

10.一种信息处理系统，具备：

11.一种信息处理程序，使计算机如下那样发挥功能：

12.一种计算机可读的非暂时性记录介质，记录信息处理程序，

技术总结第3模型训练部(13)使用对将所训练的第1神经网络模型和第2神经网络模型连结的第3神经网络模型输入第2感测数据以及第1动作参数而从第3神经网络模型输出的识别结果、与第2感测数据所对应的正解识别信息的误差，通过误差反向传播法来训练第2神经网络模型，第2动作参数取得部(15)通过误差反向传播法从第1神经网络模型取得将第1动作参数更新而得到的第2动作参数。技术研发人员：佐藤智,登一生,安木俊介受保护的技术使用者：松下知识产权经营株式会社技术研发日：技术公布日：2024/7/25