特許ウォッチ

公開番号2025140802
公報種別公開特許公報(A)
公開日2025-09-29
出願番号2024040386
出願日2024-03-14
発明の名称情報処理装置、情報処理方法、及びプログラム
出願人日本電気株式会社
代理人個人
主分類G06T 7/00 20170101AFI20250919BHJP(計算;計数)
要約【課題】画像中の物体検出を行うための好適なプロンプトを生成する情報処理装置、情報処理方法及びプログラムを提供する。
【解決手段】情報処理装置は、検出対象を指定する入力データを参照して、当該検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得するテキスト群取得部と、前記視覚表現テキスト群を参照してプロンプトを生成するプロンプト生成部と、プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記プロンプト生成部が生成したプロンプトを提供する提供部と、を備えている。
【選択図】図1
特許請求の範囲【請求項１】
検出対象を指定する入力データを参照して、当該検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得するテキスト群取得手段と、
前記視覚表現テキスト群を参照してプロンプトを生成するプロンプト生成手段と、
プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記プロンプト生成手段が生成したプロンプトを提供する提供手段と
を備えている情報処理装置。
続きを表示（約 1,700 文字）【請求項２】
前記プロンプト生成手段によるプロンプト生成処理には、
前記視覚表現テキスト群に含まれる少なくとも何れかのテキストの適切性を評価する評価処理が含まれている
請求項１に記載の情報処理装置。
【請求項３】
前記プロンプト生成手段によるプロンプト生成処理には、
前記プロンプトを生成するために用いる１又は複数のテキストを、前記評価処理の結果を参照して、前記視覚表現テキスト群から選択する選択処理が含まれている
請求項２に記載の情報処理装置。
【請求項４】
前記プロンプト生成手段によるプロンプト生成処理には、
前記選択処理によって選択された１又は複数のテキスト以外のテキストを、前記プロンプトを生成するために用いる更なるテキストとして探索する探索処理が含まれている
請求項３に記載の情報処理装置。
【請求項５】
前記プロンプト生成手段によるプロンプト生成処理には、
前記探索処理によって前記更なるテキストが見出されなかった場合に、前記選択処理によって選択された１又は複数のテキストからプロンプトを生成する処理が含まれる
請求項４に記載の情報処理装置。
【請求項６】
前記テキスト群取得手段によるテキスト群取得処理には、
互いに異なる複数の生成モデルを用いて、複数の前記視覚表現テキスト群を生成する処理が含まれており、
前記評価処理には、
互いに異なる複数の評価モデルを用いて、複数の前記視覚表現テキスト群を評価する処理が含まれている
請求項２から５の何れか１項に記載の情報処理装置。
【請求項７】
前記テキスト群取得処理には、
第１の生成モデルを用いて第１のテキスト群を生成する処理と、
第２の生成モデルを用いて第２のテキスト群を生成する処理と、
前記第１の生成モデルを含む第１の評価モデルを用いて、前記第２のテキスト群を評価する処理と、
前記第２の生成モデルを含む第２の評価モデルを用いて、前記第１のテキスト群を評価する処理と
が含まれている
請求項６に記載の情報処理装置。
【請求項８】
検出対象を指定する入力データを取得する取得手段と、
プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記入力データを参照して得られるプロンプトを提供する提供手段と
を備えており、
前記提供手段が提供するプロンプトは、
前記検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得するテキスト群取得処理と、
前記視覚表現テキスト群を参照してプロンプトを生成するプロンプト生成処理と
を含む処理によって生成されたプロンプトである
情報処理装置。
【請求項９】
検出対象を指定する入力データを参照して、当該検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得することと、
前記視覚表現テキスト群を参照してプロンプトを生成することと、
プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記生成したプロンプトを提供することと
を含んでいる情報処理方法。
【請求項１０】
情報処理装置としてコンピュータを機能させるプログラムであって、
前記コンピュータを、
検出対象を指定する入力データを参照して、当該検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得するテキスト群取得手段と、
前記視覚表現テキスト群を参照してプロンプトを生成するプロンプト生成手段と、
プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記プロンプト生成手段が生成したプロンプトを提供する提供手段と
として機能させるプログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、情報処理装置、情報処理方法、及びプログラムに関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
画像中における物体を認識（検出）する画像認識技術が知られている（例えば特許文献１）。このような技術では、物体に関する認識（検出）を精度よく行うことが求められる。
【先行技術文献】
【特許文献】
【０００３】
特開平０５－１７４１４７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
一方、近年、画像中の物体と物体を表現するテキストプロンプトとが紐づくように物体検出器を学習させるテキストベースの物体検出技術が知られている。このような技術では、物体検出の精度がプロンプトに依存するため、より好適なプロンプトを生成することが望ましい。しかしながら、好適なプロンプトを生成することはユーザの負担になっていた。
【０００５】
本開示は、上記の問題に鑑みてなされたものであり、その一例示的目的は、画像中の物体検出を行うための好適なプロンプトを生成することのできる技術を提供することにある。
【課題を解決するための手段】
【０００６】
本開示の一例示的側面に係る情報処理装置は、検出対象を指定する入力データを参照して、当該検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得するテキスト群取得手段と、前記視覚表現テキスト群を参照してプロンプトを生成するプロンプト生成手段と、プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記プロンプト生成手段が生成したプロンプトを提供する提供手段と
を備えている。
【０００７】
本開示の一例示的側面に係る情報処理装置は、検出対象を指定する入力データを取得する取得手段と、プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記入力データを参照して得られるプロンプトを提供する提供手段とを備えており、前記提供手段が提供するプロンプトは、前記検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得するテキスト群取得処理と、前記視覚表現テキスト群を参照してプロンプトを生成するプロンプト生成処理とを含む処理によって生成されたプロンプトである。
【０００８】
本開示の一例示的側面に係る情報処理方法は、検出対象を指定する入力データを参照して、当該検出対象を視覚的に表現する複数のテキストを含む視覚表現テキスト群を取得することと、前記視覚表現テキスト群を参照してプロンプトを生成することと、プロンプトと画像とを入力とし、当該プロンプトによって指定される検出対象を当該画像から検出する検出モデルに対して、前記生成したプロンプトを提供することとを含んでいる。
【０００９】
なお、各態様に係る情報処理装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記情報処理装置が備える各手段として動作させることにより前記情報処理装置をコンピュータにて実現させるプログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【発明の効果】
【００１０】
本開示の一例示的側面によれば、画像中の物体検出を行うための好適なプロンプトを生成することができるという一例示的効果を奏する。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許