[发明专利]决定方法以及记录介质

说明书

本公开涉及决定方法以及程序，所述决定方法用于决定卷积神经网络的构造，包括：取得步骤(S10)，取得使用学习用图像群学习了权重的N个(N是大于等于1的自然数)滤波器作为初始值；以及分割步骤(S20)，通过追加针对N个滤波器中的至少一个实施了在图像处理领域中所使用的变换后的滤波器，使该N个滤波器增加到比N个多的M个(M是大于等于2的自然数)滤波器。

技术领域

本公开涉及决定方法以及程序，尤其涉及决定卷积神经网络的构造的决定方法及其程序。

背景技术

近年来，通过使用深度学习(Deep Learning)，图像识别的性能显著提高。深度学习作为使用多层的神经网络的机器学习的方法论而为人所知，关于这种多层神经网络，例如可使用卷积神经网络(例如参照非专利文献1)。在此，卷积神经网络由反复进行局部区域的卷积(Convolution)和池化(Pooling)的多层的神经网络构成。在非专利文献1中，作为卷积神经网络的构造，提出通过在池化层之间夹入多个卷积层而使卷积层多层化的神经网络的构造，公开了通过该构造能够提高图像识别的性能。

现有技术文献

非专利文献

非专利文献1：Min Lin，Qiang Chen，Shuicheng Yan，“Network In Network”

发明内容

为了解决上述问题，本公开的一个技术方案涉及的决定方法，用于决定卷积神经网络的构造，包括：取得步骤，取得使用学习用图像群学习了权重的N个滤波器(filter)作为初始值，其中，N是大于等于1的自然数；以及分割步骤，通过追加针对所述N个滤波器中的至少一个实施了在图像处理领域中所使用的变换后的滤波器，使所述N个滤波器增加到比所述N个多的M个滤波器，其中，M是大于等于2的自然数。

此外，这些总括性或者具体的技术方案既可以通过系统、方法、集成电路、计算机程序或者计算机可读取的CD-ROM等记录介质来实现，也可以通过系统、方法、集成电路、计算机程序以及记录介质的任意组合来实现。

根据本公开，能实现能够更简便地决定卷积神经网络的构造的决定方法等。

附图说明

图1是表示实施方式的决定装置的结构的一例的框图。

图2A是用于说明卷积神经网络的辨识处理的概要的图。

图2B是用于说明卷积神经网络的辨识处理的概要的图。

图3是用于说明图1所示的决定装置所进行的分割处理的概要的图。

图4是表示图1所示的分割部所进行的分割处理的一例的图。

图5是用于说明图1所示的决定装置所进行的合并处理的概要的图。

图6是表示图1所示的合并部所进行的合并处理的一例的图。

图7是表示实施方式中的决定处理的一例的流程图。

图8是表示图7所示的步骤S20的详细处理的一例的流程图。

图9是表示图7所示的步骤S30的详细处理的一例的流程图。

图10是表示实施例1中的决定装置的决定处理的算法的详细的一例的图。

图11是表示实施例1中的决定装置的决定处理的一例的图。

图12A是用于说明实施例1的合并处理的有效性的图。

图12B是用于说明实施例1的合并处理的有效性的图。

图12C是用于说明实施例1的合并处理的有效性的图。

图12D是用于说明实施例1的合并处理的有效性的图。