ＳＰＰｎｅｔ（4/4）総括
はぐれ弁理士 PA Tora-O です。前回（第３回）では、ＳＰＰｎｅｔの技術的思想を抽出して切り分ける検討を行いました。改めて復習されたい方は、こちらのリンクから確認をお願いします。今回（第４回）は、これまでの検討を踏まえて、クレームを含む発明ストーリーを完成させます。
発明ストーリー
【従来技術】
畳み込みニューラルネットワーク（ＣＮＮ）を導入した物体検出手法の一例として、Ｒ－ＣＮＮ（Regions with CNN features）が挙げられる。このＲ－ＣＮＮでは、［１］全体画像の中から対象物を含む部分画像を抽出し、［２］抽出された部分画像のサイズを調整し、［３］調整済みの部分画像をＣＮＮに投入する。
【問題点と課題】
問題点は、Ｒ－ＣＮＮでは、元の画像とは異なる処理済みの部分画像を用いて対象物の検出を行うため、検出精度が低下する傾向がみられること。
課題は、抽出した部分画像のサイズの違いに起因する検出精度のばらつきを抑制すること。
【クレーム】
全体画像の中から対象物を含む部分画像を抽出する抽出部と、
抽出された部分画像の中にある対象物を検出する検出部と、
を備え、検出部は、
部分画像のサイズに応じて可変なサイズを有する第１特徴マップを生成する第１演算部と、
プーリング演算の条件を変更することで、第１特徴マップのサイズにかかわらず一定のサイズを有する第２特徴マップを生成する第２演算部と、
が順次接続された階層を含む階層型ニューラルネットワークから構成される、
ことを特徴とする対象物検出装置。（２２１文字）
【作用と効果】
部分画像のサイズに応じて可変なサイズを有する第１特徴マップを生成する第１演算部と、第１特徴マップのサイズにかかわらず一定のサイズを有する第２特徴マップを生成する第２演算部を設けることで、検出部への入力に先立って部分画像のサイズを調整しなくて済む。つまり、抽出後の部分画像を未加工のまま用いることで、加工に伴う画像情報の欠損なく物体検出を実行可能となり、抽出した部分画像のサイズの違いに起因する検出精度のばらつきを抑制することができる。
ポイント解説
対象物
「物体」（＝物の対象物）と表現すると、人間を含む生物が除外されるのではないか、という懸念があります。そこで、特許業界では、慣例的に「対象物」と表現する場合が多いようです。
部分画像のサイズに応じて可変なサイズを有する第１特徴マップ
部分画像と第１特徴マップのサイズの関係性について言及しています。
第１特徴マップのサイズにかかわらず一定のサイズを有する第２特徴マップ
第１特徴マップと第２特徴マップのサイズの関係性について言及しています。
第２演算部
先に述べた通り、プーリングの層構成は、①直列接続型、②並列接続型、③単体型のいずれであってもＯＫです。そこで、層構成の特定をあえて避けることで、様々なバリエーションがカバーできます。
改良案（参考）
これまで、画像サイズが一定であるデータセットに対する物体検出タスクを想定して話を進めてきました。このＳＰＰｎｅｔは、画像サイズが異なるデータセットに対する画像分類タスクにも適用できると考えられます。つまり、上記したクレームを、次のように上位概念化することも一応可能です。なお、変更箇所を赤字で示しています。
＜上位クレーム＞
画像を入力とし、画像の認識結果を出力とする階層型ニューラルネットワークを構築可能に構成され、
階層型ニューラルネットワークは、
画像のサイズに応じて可変なサイズを有する第１特徴マップを生成する第１演算部と、
プーリング演算の条件を変更することで、第１特徴マップのサイズにかかわらず一定のサイズを有する第２特徴マップを生成する第２演算部と、
が順次接続された階層を含む、
ことを特徴とする画像認識装置。（１９５文字）
以上をもちまして、ＳＰＰｎｅｔの事例検討を終了します。次回から、また別のテーマに移ります。
↓ブログランキングに参加しています。よろしければ１クリックお願いします。
