JPH0296723A - 露出制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［産業上の利用分野］ この発明は、どのような被写体に対してもある程度の条
件を満たす撮影を行なうことができる露出制御装置に関
する。

［従来の技術〕 このような露出制御装置の従来例として、特開昭５７−
４２０２６号公報に記載した装置がある。

これは、被写界を複数の領域に分けて測光し、各領域に
対応した複数の測光出力を発生するマルチＩｌｌ光装置
において、最大輝度に応じて、最大輝度、最大輝度と平
均輝度の中間の輝度、平均輝度、平均輝度と最小輝度の
中間輝度、最小輝度の中から１つを選択して、それによ
り露出を制御する。また、特開昭６１−１７３２２６号
公報には、画面中央部のスポット測光値と画面全体の平
均測光値とから逆光状態を検知し、警告表示を行なった
り露出値を補正したりするものにおいて、逆光検知に被
写体距離情報を用いて検知ミスをなくす技術が開示され
ている。

［発明が解決しようとする課題］ これらの従来例は、マイクロコンピュータによる被写体
パターンの認識であるため、ある限られた被写体パター
ンにしか適応できなかったり、誤まった検出を行ない意
図しない写真ができる等の欠点があった。また、多くの
被写体パターンに対して意図通りの露出制御を行なおう
とすると、被写体パターン、あるいは明るさが定式化で
きないため、プログラムが膨大になったり、演算時間が
長くなるなどの欠点がある。さらに、メーカが意図した
通りの写真ができたとしても、写真の評価は個人の感性
によるところが大きいため、必ずしも全てのユーザに対
してよい結果が得られるとは限らない。

この発明の目的は、これらの欠点を解決するため、各種
の人力に対して所望の出力を発生するネットワークによ
り被写体のパターンを検出し、その結果に基づいて露出
制御を行なうことにより、あらゆる被写体パターンに対
して意図する露出で写真をとることができる露出制御装
置を提供することである。

［課題を解決するための手段及び作用］この発明による
露出制御装置には、被写体パターンを入力した時に被写
体パターンに応じて平均Ｍ１光に対する露出補正量を出
力するように学習された結合の強さで順次結合される入
力層、中間層、出力層からなるネットワークが設けられ
る。複数の充電変換素子の出力がネットワークに入力さ
れ、ネットワークの出力と複数の光７８変換素子の出力
に基づいて露出が制御される。

［実施例］ 以下、図面を参照して、この発明による露出制御装置の
実施例を説明する。第１図にそのブロック図を示す。第
１図かられかるように、この実施例は、ニューロコンピ
ュータを使用して、露出制御、焦点検出を行なっている
。そこで、先ず、第２図〜第１２図を参照して、ニュー
ロコンピュータについて説明する。

第２図にニューロコンピュータのモデルを示す。

このモデルはルメルハルト（Ｒｕｍｅｌｈａｒｔ　）等
によって提案されたもので、バックプロパゲーション（
Ｂａｃｋ　Ｐｒｏｐａｇａｔ　ｔｏｎ）モデル（以下、
ＢＰモデルと略す）と呼ばれる。ニューロコンピュータ
は多数のユニットにューロン）からなり、ユニットは人
力層、中間層、出力層に分類されている。各ユニットは
入力層→中間層→出力層の方向に接続され、ネットワー
クにューラルネット）を形成する。各ユニットの結合の
強さは学習により決定される。ただし、各層内でのユニ
ット相互の接続はない。各ユニットのモデルを第２図に
示す。

次に、このＢＰモデルの学習アルゴリズムの原理を説明
する。あるパターンＰを入力層に与えた時、出力層に現
われる実際の出方値を０ｐｊ０とし、その時の望ましい
出力値（以下、教師信号という）をｔｐｊとすると、両
者の差Ｅｐｊは次のように表わされる。

Ｅｐｊ−１／２　（ｔｐｊ　　０ｐｊ０）　２　　　・
・・（１）学習させるには、この誤差Ｅｐｊを減少させ
るように、全てのユニットの結合の強さを変えればよい
。

パターンＰを与えたときの（Ｋ−１）層のｉ番目のユニ
ットからに層のｊ番目のユニットに対する結合の強さＷ
ｊｌの変化量を次のように定義する。

ここで、Ｋは出力層を０として、入力層になるにつれて
増える。

Δｐ　ＷｊｌＫｏ：　−ａ　Ｅ　ｐ　／　９　ＷｊｌＫ
−（２）ａＥｐ／ａＷｊｌＫ ＝　（ｆ３Ｅｐ／ｆ３ｎｅｔｐｊＫ） （ａ　ｎ　ｅ　ｔ　ｐｊＫ／　ａ　ＷｊｌＫ）　　　　
　−（３）ここで、ｎ　ｅ　ｔ　ｐ３　−ΣＷｊｋＫ−
Ｏｐｋ”であ、に ム る。

また、ｆをシグモイド（ＳｉｇＩｌｏｌｄ）関数として
、０ｐｋＫ＝　ｆ　（ｎ　ｅ　ｔｐｋＫ）と表わすと、
（３）式は次のように変形される。シグモイド関数を第
３図に示す。

ａ　Ｅ　ｐｊ／　ａ　ＷＪＩＫ −一δｐｊＫ・ｏｐｉＫ”ｌ　　　　　　　　　・・・
（４）ここで、δｐｊ１１第に層における誤差の後向き
伝ｔｅｍであり、δｐｊＫ−−Ｆ）　Ｅｐｊ／ａ　ｎ　
ｅ　ｔｐｊＫである。従って、（２）式は次のように変
形される。ここで、ηは定数である。

ΔｐＷｊｉＫ −η・δｐｊＫ−ＯｐＩＫ＋１　　　　　　　　・・・
（５）出カニニットの場合は、Ｅｐｊ−１／　２　（ｔ
　ｐｊ　−ＯｐＪ　）　　、０ｐｊＯ−ｆ　（ｎｅｔｐ
ｊＯ）なので１．０　　　２ 出力層の後向き伝播量δｐｊ０は、次のようになる。

δｐｊＯ −（ｔ　ｐｊ−０ｐｊＯ）・ｆ’　（ΣＷ　ｊ　ｋ　Ｏ
・Ｏｐｋ’）　　・・・（６）議 中間ユニットの場合は、各層内でのユニットの結合はな
いので、誤差の後向き伝播ｍは次のようになる。

δｐｊＫ −−ａ　Ｅｐ　／　ａ　ｎ　ｅ　ｔｐｊＫ（ａＯｐｉＫ
／ａ　ｎ　ｅ　ｅｐｊＫ）　）−Σδｐｋ”　ＷｋｊＫ
−’−ｆ′（ｎ　ｅ　ｔ　ｐｊに）＆ 一ΣδｐｋＫ−１ｗｋｊＫ−１ 夷 ・ｆ’　　（ΣＷｊｋ　　−Ｏｐｋ”’　）　　　　　
・・・（７）橿。

（７）式はδの再帰関数である。

Δｐ　ＷｊｌＫを一般的に定式化すると、次のようにな
る。

ΔｐＷｊｌＫ（ｎ＋１） 一ηδＩ）Ｊ　　・Ｏｐｌ　　　＋ａΔｐＷＨに　（ｎ
　）　　−（８）、Ｋ　　　　　　Ｋ＋ま ただし、ΔｐＷｊｌＫ　（０）−０であり、ｎは学習の
回数を表わす。（８）式の右辺の第２項は誤差の振動を
減らし収束を速めるために加えている。

（８）式から、結合の強さは次のように更新される。

ＷｊＩＫ（ｎ＋１） −Ｗｊ）　　（ｎ）＋ΔｐＷｊＩＫ（ｎ）（Ｋ　　−０
，１，２，・・・）　　　　　　・・・（９）ここで、
シグモイド関数ｆｌを ｆｌ−１／（１＋ｅ−０ｅ”）　　　−（１０）で定義
するとｆｌ　’　−ｆｉ　　（１−ｆｌ　）であるので
後向き伝播量は次式のように簡単化される。

出カニニットの場合： δｐｊ’ ＝ＯｐＪ（１−Ｏｐｊｏ）（ｔｐｊ−Ｏｐｊｏ）　　・
・・（１１）、０ 中間ユニットの場合； δｐｊＫ −ＯｐｊＫ（１−ＯｐｊＫ） 以上かられかるように、ΔＷの計算は出力層のユニット
から始めて、中間層のユニットへ移る。

このように学習は入力データの処理とは逆方向に進む。

従って、ＢＰモデルによる学習は次のように行われる。

先ず、学習用のデータを人力し、結果を出力する。次に
、結果の誤差（実際の出力と教師信号との差）を減らす
ように結合の強さを変える。

そして、再び、学習用データを入力する。この動作を、
ΔＷが収束するまで繰り返す。

第５図にＢＰモデルの基本回路構成を示す。

ランダムアクセスメモリ（以下ＲＡＭと記す）１は結合
の強さＷｊｌを格納し、層毎に１（−１〜ＮのＮページ
から成る。ＲＡＭ２はパターンＰを与えたときの結合の
強さＷｊｌの資化量ΔＷｊｌを格納し、ｋ−１〜ＮのＮ
ページから成る。ＲＡＭ３は誤差の後向き伝ｆ！ｌδｐ
ｊを格納し、ｋ−０〜Ｎの（Ｎ＋１）ページから成る。

ＲＡＭ４は各ユニットの出力値Ｏｐｊを格納し、ｋ−０
〜Ｎの（Ｎ＋１）ページから成る。５はＯｐｊの演算回
路、６はδｐｊの演算回路、７はΔｐ　Ｗｊｌの演算回
路である。９は全体のシーケンスを制御するシーケンス
コントローラである。

第５図のＢＰモデルによる学習のプロセスを説明する。

ここでは、ノイマン型のコンピュータによりＢＰモデル
をシミュレーションした場合の動作を、第６図〜第９図
のフローチャートを参照して説明する。第６図はＯｐｊ
演算のフローチャート、第７図はδｐｊ演算のフローチ
ャート、第８図はＷｐｊ演算のフローチャート、第９図
は学習のレベル判定のフローチャートである。

ステップ１（Ｓｌ）でＲＡＭＩ内の結合の強さＷｊｌを
ランダムな値に初期化する。ステップ２で入力値０ｐｊ
Ｎ＋１をＲＡＭ４に設定し、ステップ３〜ステツプ９で
演算回路５により入力層から出力層に向かって順にユニ
ット出力値０ｐｊＫを演算していく。

次に、第７図のステップ１１〜ステツプ２０でｍＷ回路
６により出力値０ｐｊ０と望ましい出力を示す教師信号
ｔ　ｐｊとから（１１）式に従って出力層の誤差の後向
き伝播量δｐｊ０を求める。

次に、第８図のステップ２１〜ステツプ２４で演算回路
７により（８）式に従って結合の強さの変化量δｐＷｊ
１０　（１）を求める。なお、Δｐ　ＷｊｌＯの初期値
ΔｐＷｊｌＫ　（０）はすべて０である。ステップ２５
で演算回路８により（９）式に従って結合の強さＷｊｌ
Ｏ（１）を求める。以上により、出力層のｏｐ、＋、　
　δｐｊ’　、　　ΔｐＷｊ１０．０ （１）、ＷｊＪＯ（］）が求まる。この後、これらは？
ＪＪ期データを更新する形でＲＡＭＩ〜ＲＡＭ４に格納
される。

次に、中間層の学習を行なう。第７図のフローチャート
に戻り、演算回路６により以上で求めた６ｐｊ０．Ｗｊ
ｌｏ　（１）、　およびＲＡＭ１；：ｔ’６納されてい
る０ｐｊＯを用いて、誤差の後向き伝播量δｐｊＫを求
める。次に、第８図の、フローチャートにおいて、演算
回路７により結合の強さの変化量ΔｐＷＮＫ　（１）を
（８）式に従って求め、演算回路８により結合の強さＷ
ｊｌＫ　（１）を（９）式に従って求める。出力層と同
様に、以上で求めたデータはＲＡＭＩ〜ＲＡＭ４に更新
する形で格納されていく。以上のフローを人力層（Ｋ−
Ｎ＋１）に向かって順次繰り返し行ない第１回目の学習
が終了する。

以上の学習を複数（ｎ）回実行することにより、各ユニ
ット間の結合の強さＷｊｌが決定され、ある入カバター
ンＰを示す入力値Ｏｐｊを与えたときに所望の出力値Ｐ
ｐｊを得るためのネットワークが自動的に形成されるこ
とになる。

第９図は、実際の出力値Ｏｐｊと教師信号ｔｐｊとの平
均二乗誤差Ｅｐを求めるフローチャートである。この値
が小さくなる程、実際の出力値は望ましい出力値に近く
なる。いまＥｐがあるしきい値εより小さければ学習を
終了し、εより大きければ学習を繰り返す。

以上では、１つの入カバターンＰに対する学習について
述べたが、入カバターンを複数にし、それぞれのパター
ンに対応した複数の出カバターンを香るような学習も可
能である。また、複数の人カバターンに対しである特定
の１つの出カバターンを出力するように学習させること
も可能である。

以上述べたＢＰモデルは、現在広く民生機器等で使用さ
れているノイマン型のマイクロコンピュータで実現可能
であるが、このままではニューロコンピュータの１つの
大きな長所である並列処理による高速化の機能は生かさ
れない。そのため、第６図〜第９図の処理を複数のコン
ピュータで並列に処理させることが好ましい。

第１０図はこのための並列処理システムの構成を示す。

複数のマイクロプロセッサＰｔ−Ｐｎがホストプロセッ
サ１１に接続される。第２図に示すニューラルネットを
ｎ個の部分ネットワークに分割し、それぞれをマイクロ
プロセッサＰ１〜Ｐｎに割り当てる。ホストプロセッサ
１１は、マイクロプロセッサＰＬ−Ｐｎ相互のタイミン
グの＄制御を行なったり、マイクロプロセッサＰＩ〜Ｐ
ｎに分散されているデータを統合してパターン認識など
の処理を行なう。各々のマイクロプロセッサＰ１〜Ｐｎ
は上述した演算手順に従い、第５図に示す出力ｆｆ１Ｏ
ｐｊの連続する複数列の演算を実行する。そのため、マ
イクロプロセッサＰｌ〜Ｐｎは担当する出力値をｍＷす
るのに必要なδｐｊ。

ΔＷｊＪ、　ＷｊＪをそれぞれ格納するためのＲＡＭと
演算回路を備えている。担当する全てのユニットの出力
値の演算が終了すると、各プロセッサＰ１〜Ｐ　ｎ　Ｅ
で同期をとりながら、データの更新のための通信が行な
われる。ホストプロセッサ１１においては、学習の達成
レベルの判定や、マイクロプロセッサＰ１〜ＰｎＨ］互
のタイミングの制御を行なう。

学習した結果に基づいて、パターン認識等の処理を行な
う場合は、第２図に示す入力層から出力の演算を行なっ
ていくことにより、最終的に必要な出力値Ｐｐｊ０が求
められる。この場合も、第１１図に示すような複数のマ
イクロプロセッサによる分散処理を実行することにより
ニューラルネットの並列性による高速化がはかれる。

なお、学習の過程においては基本的に第５図に示す回路
が必要になるが、学習結果を応用するだけの場合、構成
は非常に簡単化される。

第１１図はこの場合の基本回路構成である。

人力データは入力部１２（例えば、Ａ／Ｄ変換器等を指
す）を介してｏｐｊ　　−ｆ　（Ｊ、ＷｊｋＫ・Ｋ ・Ｏｐｋ”　）の演算を順次行なうことにより、出力デ
ータ０ｐｊ０を１りる。結合の強さＷｊｌＫの格納され
る係数メモリ１４はＲＯＭ、または書き替え可能なＲＯ
Ｍでもよい。

第１２図は学習結果を応用する製品に対する製造時の学
習システムの概略ブロック図である。

製品１６は、結合の強さＷｊｌＫを　格　納　す　るＲ
ＯＭ１７を内蔵する。１８は学習装置であり、ＲＯＭ１
．７と学習装置１８を合せたものは基本的には第５図の
装置と同一であるが、ＲＯＭ１７へのＷｊｌＫの書き込
みが終了すると、製品１６（ＲＯＭ１７）と学習装置１
８は分離される。なお、同一種類の各製品に対して、毎
回学習させる必要はないので、ＲＯＭ１７をコピーして
使用することも可能である。

なお、以上の説明において、ＢＰモデルの学習とその結
果の応用については、現在使われているノイマン型コン
ピュータによるシミュレーションにより実現してきた。

これは主に学習においては、複雑なアルゴリズムが必要
で、ハードウェアで自動的に各ニューロン間の接続の重
みを自己組織化するのが非常に難かしいためである。し
かしながら、結合の強さＷＩｊがわかれば、学習結果を
応用する機械に限定して考えると、図−１に示すＢＰモ
デルをハードウェアで構成することができる。

並列処理による高速化をはかったり、廉価な民生品に応
用する場合は、この方法を採用しないと、意味はない。

これは、第２図の各ユニットをインバータで構成し、結
合の強さＷｌｊを抵抗ネットワークＲ１ｊに置き換える
ことで実現でき、これは、最近のＬＳＩ化の技術を使え
ば簡単に実現できる。

次に、第１図を参照して、以上説明したニューロコンピ
ュータを応用した露出制御装置を説明する。

撮影カメラ２０の前面には絞り１９があり、絞り１つを
介した被写体像が、第１４図に示すように光電変換素子
ＰＩＩｎをマトリクス状に配置してなる受光部２１に入
射される。そのため、受光部２１からは、光電変換素子
毎に、絞り込まれた状態における被写体の輝度情報が出
力され、増幅器２２、Ａ／Ｄ変換器２３を介してディジ
タル値化されてＢＶ’値として演算回路（ＡＬＵ）２４
に供給される。演算回路２４は、絞り１９を通過した光
から被写体の輝度ＢＶ　（−ＢＶ’　−ＡＶｏ）を演算
するための回路であり、このため、絞り１９の開放絞り
（ｉｌＡＶｏが入力されている。

演算回路２４から出力された各光電変換素子毎のＢＶ値
は演算回路２７に供給されるとともに、ニューロコンピ
ュータ２５にも供給される。ニューロコンピュータ２５
は演算回路２４から出力される被写体の輝度分布パター
ンを人力Ｏｐｊ’とし行ない最終的に補正１＝号ＣＶを
求める。この結合の強さＷｊｌは係数メモリ２６に格納
されている。

演算回路２７は輝度ＢＶの平均値、フィルム感度ＳＶ、
絞り値ＡＶ、シャッタースピードＴＶ。

シャッタ優先か絞り優先かなどのモード信号（ＭＯＤ）
　　ニューロコンピュータ２５から供給されだ補正信号
ＣＶによりアペックス演算（ＢＶ＋５Ｖ−ＴＶ＋ＡＶ＋
ＣＶ）を行ない、シャッタースピード、あるいは絞り値
を決定する。

演算回路２７の出力はシャッター制御装置２８、絞り制
御装置ｉ！１ｊ２９に供給され、これらにより露出が制
御される。このように、この実施例は、平均測光値に対
してニューロコンピュータ２５により求められた補正値
を考慮して露出が制御される。

３０はシーケンスコントローラである。

ニューロコンピュータ２５の基本ブロック構成は第５図
に示す通りでもよいが、ここでは、高速化をはかるため
、第１０図に示すような並列コンピュータにより学習を
行なう。ここでは、被写体パターンをネットワークに入
力すると露出補正信号を出力するように、各ユニットの
結合の強さＷｊｌを予め学習させておく。学習の結果得
られた結合の強さＷｊｌは係数メモリ２６に格納されて
いる。

この学習システムを第１３図に示す。モデルパターン３
２は各種の被写体パターン０ｐｊＮ＋１をニューロコン
ピュータ３３に入力する入力部であり、Ａ／Ｄ変換器等
を含む。教師信号３５は各種の被写体パターンｏｐｊＮ
”ｌに灼応する露出補正信号を目１ｆｉｔｐｊとしてニ
ューロコンピュータ３３に入カスる。ニューロコンピュ
ータ３３は実際の出力０ｐｊ０が教師信号ｔ　ｐｊと一
致するような結合の強さＷｊｌを学習により求める。求
められた結合の強さＷｊｌは係数メモリ３４に格納され
ている。この係数メモリ３４が係数メモリ２６としてカ
メラに組込まれる。

学習を効率的に進めるためニューラルネットワークは第
１５図に示すように、各行毎に独立したニューラルネッ
トＳｌｌ、・・・で学習を行ない出力層ＳＯで統合する
ようになっている。ニューラルネットワークは人力層３
７、中間層３８、出力層３９の３層で構成され、学習の
原理は前述した通りである。

第１６図にモデルパターンの具体例を示す。

（ａ）は逆光撮影の例であり、この場合は補正量ＣＶを
＋ＩＥＶにし、人物を明るく撮る。（ｂ）は海の例であ
り、この場合は、空が明る過ぎて海が暗く写るので、補
正量を＋〇、５ＥＶとする。

（ｃ）は夜のネオン街の例であり、従来の方法で撮ると
、昼間のように明るく写ってしまいムードが出ないので
、補正量を一５ＥＶとする。なお、この補正値は平均測
光値に対する補正値とする。

以上は３つの例にすぎないが、実際は数百のパターンを
学習させる。

なお、ニューロコンピュータはある程度の学習を行なえ
ば、学習時に入力されなかったパターンに対しても正し
い出力を出すという優れた性質があり、被写体主要部の
特定等の人間の感性によるところが大きく定式化の難し
い問題解決にたいへん有効である。また、ニューロコン
ピュータの学習により、これまでノイマン型のコンピュ
ータではプログラム化できなかった膨大な種類の被写体
パターンと被写体主要部との関係が自己組織化されるの
で、意図通りの露出制御を行なうことができる。さらに
、ニューロコンピュータの並列制御により高速演算が可
能なので、迅速性が要求される銀塩カメラ向きである。

この発明は上述した実施例に限定されずに、種々変形可
能である。以上の説明は、被写体主要部をニューロコン
ピュータで学習させ、露出制御を行なう場合について述
べたが、ニューロコンピュータの教師信号として被写体
主要部の位置を与え、スポット測光等の学習を行なうこ
とも可能である。

また、ニューロコンピュータの人力パラメータとして被
写体の明るさだけでなく、温度や湿度などを入力するこ
とにより、定式化の難しい微妙な季節感を出すような学
習も可能である。

〔発明の効果〕

以上説明したようにこの発明によれば、各種の被写体パ
ターン人力に対して所望の露出補正量を出カスるように
ニューロコンピュータを予め学習させておいて、その出
力に基づいて露出制御を行なうことにより、あらゆる被
写体パターンに対して意図する露出で写真を撮ることが
できる露出制御装置を提供することができる。

【図面の簡単な説明】

第１図はこの発明による露出制御装置の一実施例のブロ
ック図、第２図は実施例に使われるニューロコンピュー
タのモデルを示す図、第３図はネットワークを構成する
各ユニットのモデルを示す図、第４図はシグモイド関数
を示す図、第５図はニューロコンピュータのブロック図
、第６図〜第９図は第５図のニューロコンピュータをノ
イマン型コンピュータでシミュレーションした時のフロ
ーチャートであり、第６図は各ユニットの出力Ｏｐｊを
求めるフローチャート、ＴＳ７図は誤差の後向き伝播量
δｐｊを求めるフローチャート、第８図は結合の強さ係
数Ｗｊ＋を求めるフローチャート、第９図は学習のレベ
ル判定のためのフローチャート、第１０図は並列処理シ
ステムのブロック図、第１１図は学習結果を応用する装
置のブロック図、第１２図は学習結果を応用する装置を
学習させるシステムのブロック図、第１３図は実施例の
ニューロコンピュータを学習させる装置のブロック図、
第１４図は実施例の光電変換素子の配置例を示す図、第
１５図は実施例のネットワークを示す図、ＴＳｌ　６図
（ａ）〜（Ｃ）は学習させる被写体の一例を示す図であ
る。 ２１・・受光部、２４．２７・・・演算回路、２５・・
・ニューロコンピュータ、２６・・・係数メモリ、２８
・・・シャッタ制御装置、２９・・・絞り制御装置。

Claims (1)

【特許請求の範囲】
1. 複数の光電変換素子からなる受光部と、前記受光部上に
   被写体像を結像させる光学系と、前記受光部の出力に接
   続され露出補正信号を出力するネットワークと、前記受
   光部の出力と前記ネットワークの出力に基づいてカメラ
   の露出を制御する手段を具備し、前記ネットワークは前
   記受光部の出力に接続される複数のユニットからなる入
   力層と、前記入力層の個々のユニットと所定の結合の強
   さで結合された複数のユニットからなる単層、または複
   数層の中間層と、前記中間層の個々のユニットと所定の
   結合の強さで結合された複数のユニットからなる出力層
   を具備する露出制御装置。