CN104731847B - 搜索方法、搜索程序以及搜索装置 - Google Patents

搜索方法、搜索程序以及搜索装置 Download PDF

Info

Publication number
CN104731847B
CN104731847B CN201410697191.1A CN201410697191A CN104731847B CN 104731847 B CN104731847 B CN 104731847B CN 201410697191 A CN201410697191 A CN 201410697191A CN 104731847 B CN104731847 B CN 104731847B
Authority
CN
China
Prior art keywords
parameter
unit
suprasphere
bit string
stereoprojection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410697191.1A
Other languages
English (en)
Other versions
CN104731847A (zh
Inventor
野间唯
此岛真喜子
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of CN104731847A publication Critical patent/CN104731847A/zh
Application granted granted Critical
Publication of CN104731847B publication Critical patent/CN104731847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/178—Techniques for file synchronisation in file systems
    • G06F16/1794—Details of file format conversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
    • H04L9/3231—Biological data, e.g. fingerprint, voice or retina
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种搜索方法、搜索程序以及搜索装置。根据实施例的搜索装置基于包括节点和距离的参数将特征向量映射在超球体上，其中，在交点处m维特征空间与经过该超球体的直线相交，该超球体存在于维度比m更大的空间中，该距离是从超球体的北极至特征空间的距离。在这种情况下，搜索装置搜索允许映射在超球体上的特征向量的位置集中在超球体的预定半球上的参数。

Description

搜索方法、搜索程序以及搜索装置
技术领域
本文所公开的实施例涉及搜索方法等。
背景技术
例如，为了认证各种系统的用户，而获取用户的生物统计信息，然后，确定与所获取的生物统计信息匹配的生物统计信息是否已被数据库所预先记录并且能在该数据库中找到。这里，由于在认证时要获取的生物统计信息很少完全匹配在登记时获取的生物统计信息，所以能够有效地执行相似性搜索。
为了表达用于执行相似性搜索的相似性等级，可使用将生物统计信息的特征值转换成散列向量(hash vetor)的技术。该技术将具有相近汉明距离(close hammingdistance)的散列向量的每条生物统计信息识别为相似生物统计信息。
传统技术已采用超平面将特征值转换成散列向量。然而，还可使用采用超球体将特征值转换成散列向量的技术，并且期望使用超球体的技术实现精度改善。
引用文献列表
专利文献
专利文献1：日本已公开专利公布第2011-100395号
专利文献2：日本已公开专利公布第2012-160047号
专利文献3：日本已公开专利公布第2011-39755号
非专利文献
非专利文献1：Jae-Pil Heo,Youngwoon Lee,Junfeng He,Shih-Fu Chang,andSung-Eui Yoon,“Spherical hashing”,in CVPR,pp.2957-2964,2012。
非专利文献2：Kengo Terasawa and Yuzuru Tanaka,“Spherical lsh forapproximate nearest neighbor search on unit hyper-sphere”,in FrankK.H.A.Dehne,Jorg-Rudiger Sack,and Norbert Zeh,editors,WADS,Vol.4619 ofLecture Notes in Computer Science,pp.27-38.Springer,2007。
然而，前述传统技术引起了利用超球体计算散列向量将导致计算量增加的问题。
此外，当利用超球体将特征向量转换成散列向量时，虫孔(wormhole)可以引起甚至明显不同的特征向量，从而在转换成散列向量后具有缩短的汉明距离。由于这个原因，那些不同的特征向量会被错误地确定为相似特征向量。
因此，本发明的一个实施例的一个方面的目的是提供一种以简单方式利用超球体实现要执行的相似性搜索的搜索方法、搜索程序以及搜索装置。
发明内容
根据实施例的一个方面，一种搜索方法包括：获取在数据库中存储的第一维特征向量；以及搜索以下参数：当特征向量基于包括交点和距离的所述参数映射在球体的表面上时，通过所述参数，要映射在所述球体的表面上的特征向量的位置集中在所述球体的半球上，在该交点处特征空间与经过该球体的直线相交，，该球体存在于维度比该特征空间大一维或更多维的空间中，该距离是从球体的预定点至该特征空间的距离。
附图说明
图1是例示根据第一实施例的搜索装置的配置的功能块图。
图2A是例示特征值存储单元的示例数据结构的视图。
图2B是例示位串存储单元的示例数据结构的视图。
图3是例示特征空间V与超球体S之间的关系的第一视图。
图4是例示特征空间V与超球体S之间的关系的第二视图。
图5是例示通过根据第一实施例的搜索装置所执行的过程的流程图。
图6是例示根据第一实施例的参数识别处理的过程的流程图。
图7是例示在无限远点周围的捷径(shortcut)的说明视图。
图8是例示通过逆立体投影将特征向量映射在超球体的东半球上的参数的示例的视图。
图9是例示通过逆立体投影将特征向量映射在超球体的西半球上的参数的示例的视图。
图10是例示根据第二实施例的搜索装置的配置的功能块图。
图11是例示近似直线的示例的视图。
图12是例示根据第二实施例的参数识别处理的过程的流程图。
图13是例示根据第三实施例的搜索装置的配置的功能块图。
图14是例示通过爬山搜索而执行的参数识别处理的过程的流程图。
图15是例示通过马尔可夫链蒙特卡罗方法执行的参数识别处理的过程的流程图。
图16是例示通过群智能执行的参数识别处理的过程的流程图。
图17是例示目标函数的过程的示例的流程图。
图18是例示用于执行搜索程序的计算机的示例的视图。
具体实施方式
将参考附图来解释本发明的优选实施例。注意，本发明不限于这些实施例。
[a]第一实施例
将描述根据第一实施例的搜索装置的配置的示例。图1是例示根据第一实施例的搜索装置的配置的功能块图。如图1中所例示的，搜索装置100包括特征值存储单元101、查询存储单元102、位串存储单元103、逆立体投影单元104a和104b以及位串产生单元105a和105b。搜索装置100还包括超平面放置单元106、转换规则产生单元107、参数设置单元108、汉明距离计算单元109以及相似向量识别单元110。
特征值存储单元101存储多个特征向量。图2A是例示特征值存储单元的示例数据结构的视图。如图2A中所例示的，特征值存储单元101将识别信息和特征向量以彼此相关联的方式进行存储。识别信息唯一地识别特征向量。特征向量例如是从用户的生物统计信息中获得的m维特征值数据。为了从生物统计信息确定特征值，可以采用任意传统技术。
查询存储单元102存储用于查询的特征向量。搜索装置100从特征值存储单元101搜索与查询特征向量相似的特征向量。
位串存储单元103存储从后面要描述的位串产生单元105获取的位串。图2B是示出位串存储单元的示例数据结构的视图。如图2B中所例示的，位串存储单元103将识别信息和位串以彼此相关联的方式进行存储。识别信息唯一地识别特征向量以根据其产生位串。基于特征向量来产生位串。
逆立体投影单元104a和104b通过逆立体投影来映射m维特征空间V，从而将空间V’(其比m维高p维)中嵌入的(m+p-1)维超球体S与特征空间V相关联。注意，p是1或更大的整数。在下面的描述中，逆立体投影单元104a和104b将视情况统称为逆立体投影单元104。逆立体投影单元104是示例投影单元。
图3和图4是例示特征空间V和超球体S之间的关系的视图。如图3中所例示的，通过逆立体投影的映射允许特征空间V中的点与超球体S上的点彼此相关联。在图3中例示的示例中，特征空间V中的点xV和超球体S上的点xS彼此相关联。特征空间V与在超球体S的北极SN与南极SS之间连接的直线的交点定义为x0。例如，北极SN的坐标是(xo1，xo2，…，xom，1)并且南极SS的坐标是(xo1，xo2，…，xom，-1)。从特征空间V至超球体S的北极SN的高度定义为d。超球体S的表面与经过北极SN和点xV的直线的交点对应于xS。此外，例如，如图4中所例示的，超球体S的截区SA对应于特征空间V的区域VA。
这里，逆立体投影是立体投影的逆操作。当超球体S和特征空间V设置成如图3中例示并且从北极SN绘直线以与超球体S相交时，立体投影定义为从超球体S与直线的交点xS映射至直线与特征空间V的交点xV。图3中例示的示例表示p的值是1的情况。
假设，特征空间V的特征向量(坐标)是(x1，x2，…，xm)，使逆立体投影“f-1：V→W”为表达式(1)。在表达式(1)中，r2通过表达式(2)来定义。
在表达式(1)和表达式(2)中，x0和d是参数。参数x0和d对应于图3中例示的x0和d。参数x0是特征空间V的要映射至超球体S的南极SS的点的坐标。参数d是立体投影的缩放参数并且在超球体S的赤道映射至特征空间V的情形下相当于超球体S的半径。注意，超球体S的赤道的坐标是(xS1，xS2，…，xSm，0)。
逆立体投影单元104从后面描述的参数设置单元108获取参数x0和参数d。逆立体投影单元104通过将特征向量代入表达式(1)来执行逆立体投影。
逆立体投影单元104a基于查询存储单元102中所存储的特征向量和表达式(1)来执行逆立体投影，然后计算与该特征向量对应的在超球体S上的坐标。逆立体投影单元104a将得到的坐标输出至位串产生单元105a。
逆立体投影单元104b基于特征值存储单元101中所存储的每个特征向量和表达式(1)来执行逆立体投影，然后计算与每个特征向量对应的在超球体S上的坐标。逆立体投影单元104b将得到的多个坐标输出至位串产生单元105b和超平面放置单元106。
位串产生单元105a和105b是基于转换规则将超球体S上的坐标转换成位串的处理单元。位串对应于散列向量。在下面的描述中，位串产生单元105a和105b将视情况统称为位串产生单元105。位串产生单元105是产生单元的示例。
位串产生单元105基于表达式(3)将超球体S上的坐标转换成位串。
在表达式(3)中，n×(m+1)矩阵的信息“W11，W12，…，Wn(m+1)”和n×1矩阵的信息“c1，c2，…，cn”是转换规则。位串产生单元105从后面要描述的转换规则产生单元107获取转换规则。在表达式(3)中，信息“x1，x2，…，xm+1”是超球体S上的坐标。
位串产生单元105计算表达式(3)，从而计算“b1，b2，b3，…，bn”。例如，位串产生单元105计算如表达式(4)中的bN。
bN＝(WN1×x1+WN2×x2+…+WN,m+1×xm+1)+cN (4)
在具有了所计算的“b1，b2，b3，…，bn”之后，位串产生单元105在bN的值为正时将bN转换成“1”，而在bN的值为负时将bN转换成“0”，由此计算位串。例如，当“b1，b2，b3，…，bn”的各个值为正、负、正、…、正时，位串产生单元105产生位串“1，0，1，…，1”。
位串产生单元105a基于从逆立体投影单元104a获取的坐标来生成位串，然后将得到的位串输出至汉明距离产生单元109。
位串产生单元105b基于从逆立体投影单元104b获取的每一组坐标产生多个位串，然后将得到的多个位串输出至位串存储单元103。
超平面放置单元106是将穿过超球体S的n个超平面设置成(m+p-1)维超球体S的处理单元。超平面放置单元106可以以随机的方式或者在预设的位置放置n个超平面，只要超平面穿过超球体S即可。超平面放置单元106识别每个超平面的法向量和偏移坐标，然后将得到的法向量的信息和得到的偏移坐标的信息输出至转换规则产生单元107。假设，法向量是(v1，v2，…，vn)并且偏移坐标是(c1，c2，…，cn)。
转换规则产生单元107是基于与法向量相关的信息和与偏移坐标相关的信息来产生与转换规则相关的信息的单元。转换规则产生单元107并排放置n个法向量，从而产生n×(m+1)矩阵的信息“W11，W12，…，Wn(m+1)”。例如，表达式(3)的n×(m+1)矩阵的每个行对应于每个法向量。注意，转换规则产生单元107将随机值分配给n×(m+1)矩阵的信息的缺少维度的值。此外，转换规则产生单元107产生偏移坐标作为信息n×1。
转换规则产生单元107将n×(m+1)矩阵的信息和信息n×1输出至位串产生单元105和参数设置单元108。
参数设置单元108是计算参数x0和d的处理单元。参数设置单元108是搜索单元的示例。参数设置单元108将得到的参数x0和d输出至逆立体投影单元104。现在，将具体描述参数设置单元108的处理。
现在，将描述参数设置单元108计算参数x0(x01，x02，…，x0m)的处理。参数设置单元108从特征值存储单元101获取每个特征向量，然后计算特征向量的平均值μ。参数设置单元108将平均值μ设置成参数x0。
现在，将描述参数设置单元108计算参数d的处理。参数设置单元108从特征值存储单元101获取每个特征向量，然后计算每个特征向量的方差-协方差矩阵的特征值(eigenvalue)σi的平方根。方差-协方差矩阵的特征值表示多维特征向量从预期值改变的程度。因此可以说，值越大，方差越大。参数设置单元108将特征值σi中最大的一个识别为σ。参数设置单元108将σ的值设置为参数d。
参数设置单元108配置成，使得每个特征向量的方差越大，参数d的值变得越大。因此，通过逆立体投影单元104执行逆立体投影允许特征向量集中到超球体的南半球。
汉明距离计算单元109是计算从位串产生单元105a获取的位串与存储在位串存储单元103中的每个位串之间的汉明距离的处理单元。汉明距离是当具有相同位数的两个二进制数彼此相比较时所发现的不同数位的数量。在下面的描述中，从位串产生单元105a获取的位串表示为查询位串。
汉明距离计算单元109将所计算的在查询位串与位串存储单元103的每个位串之间的汉明距离输出至相似向量识别单元110。
相似向量识别单元110通过汉明距离计算单元109获取汉明距离的计算结果，然后对查询位串以汉明距离的升序的方式来排列每个位串。相似向量识别单元110可将所排列的位串中的较高级别位串输出作为与查询位串对应的位串或者输出排列的结果。相似向量识别单元110是识别单元的示例。
现在，将描述根据第一实施例的搜索装置100的示例步骤。图5是根据第一实施例的搜索装置的过程的流程图。如图5中所例示的，搜索装置100的参数设置单元108执行参数识别处理(步骤S101)。
搜索装置100的逆立体投影单元104a基于参数d和x0通过逆立体投影来映射查询特征向量，然后位串产生单元105a产生查询位串(步骤S102)。
搜索装置100的逆立体投影单元104b基于参数d和x0通过逆立体投影来映射特征值存储单元101的每个特征向量，然后位串产生单元105b产生位串(步骤S103)。
搜索装置100的汉明距离计算单元109计算查询位串与位串存储单元103的位串之间的汉明距离，然后相似向量识别单元110识别与查询位串相似的位串(步骤S104)。
现在，描述图5的步骤S101中例示的参数识别处理的过程。图6是例示根据第一实施例的参数识别处理的过程的流程图。如图6中所例示的，参数设置单元108计算特征值存储单元101的特征向量的平均值μ(步骤S110)。
参数设置单元108计算特征向量的方差-协方差矩阵的特征值σi的平方根，然后将计算结果中最大的一个设置成σ(步骤111)。参数设置单元108将μ的值设置成x0(步骤S112)。参数设置单元108将σ的值设置成d(步骤S113)。
现在将描述根据第一实施例的搜索装置100的效果。为了通过逆立体投影将m维特征向量映射在(m+p-1)维超球体上并且确定位串，搜索装置100搜索将特征向量映射在超球体的南半球上的参数d和x0。如上所述，由于搜索装置100通过对特征向量执行逆立体投影来确定位串，所以可减少计算散列向量的计算量。此外，由于搜索装置100利用参数执行逆立体投影，其中通过该参数经由逆立体投影将特征向量映射在超球体的南半球，所以可准确地计算查询位串与位串之间的汉明距离，同时消除经过无限远点的捷径的影响。
图7是例示在无限远点的捷径的说明视图。当没有如在根据第一实施例的搜索装置100中那样设置参数时，特征空间V的无限远点投影在超球体S的北极上的一点处。因此，例如，距离特征空间V的点x0足够远并且通过逆立体投影映射的点p将与在超球体S上的p’点相关联。另一方面，通过逆立体投影映射的特征空间V的点q与超球体S的点q’相关联。通过逆立体投影的这种映射将导致捷径出现。例如，会出现，经过特征空间V的原点附近的路径10a短于经过在无限远点的附近的路径10b。在这种情况下，甚至在特征空间V中彼此分开了距离10c的那些点可以在超球体S上分开更短的距离，因此，缩短了点p的位串与点q的位串之间的汉明距离。
于此相反，由于根据第一实施例的搜索装置100使用使得特征向量能够通过逆立体投影而映射在超球体的南半球上的那些参数来执行逆立体投影，所以可以消除经过无限远点的捷径的影响并且准确地计算查询位串与位串之间的汉明距离。
在第一实施例中，搜索装置100配置成计算允许通过逆立体投影将特征向量映射在超球体的南半球的参数；然而，本发明不限于此。例如，搜索装置100还可以计算允许通过逆立体投影将特征向量映射在超球体的东半球的参数，或者可以计算允许通过逆立体投影将特征向量映射在超球体的西半球的参数。
图8是例示允许通过逆立体投影将特征向量映射在超球体的东半球上的示例参数的视图。如图8中所例示的，当各个特征向量分布在特征空间V的区域20a中时，搜索装置100根据区域20a的平均值在左边预定距离处设置x0。注意，第一分量是正的方向假定为右边。搜索装置100以这种方式设定x0。因此可确定允许通过逆立体投影将特征向量映射在超球体的东半球21a上的参数。注意，通过执行与参数设置单元108所执行的处理相同的处理，能够确定参数d。
图9是例示允许通过逆立体投影将特征向量映射在超球体的西半球上的示例参数的视图。如图9中所例示的，当各个特征向量分布在特征空间V的区域20b中时，搜索装置100根据区域20b的平均值在右边预定距离处设置x0。搜索装置100以这种方式设定x0。因此可确定允许通过逆立体投影将特征向量映射在超球体的西半球21b上的参数。注意，通过执行与参数设置单元108所执行的处理相同的处理，能够确定参数d。
[b]第二实施例
现在，将描述根据第二实施例的搜索装置的示例配置。图10是例示根据第二实施例的搜索装置的配置的功能块图。如图10中所例示的，搜索装置200包括特征值存储单元101、查询存储单元102、位串存储单元103、逆立体投影单元104a和104b以及位串产生单元105a和105b。搜索装置100还包括超平面放置单元106、转换规则产生单元107、汉明距离计算单元109、相似向量识别单元110以及参数设置单元210。
在图10中所例示的处理单元中，特征值存储单元101、查询存储单元102、位串存储单元103、逆立体投影单元104a和104b以及位串产生单元105a和105b能够以与图1中例示的各个相应处理单元相同的方式被描述，并且因此将通过相同的符号来表示，而不进行重复地解释。此外，图10中的处理单元中，超平面放置单元106、转换规则产生单元107、汉明距离计算单元109以及相似向量识别单元110能够以与图1中例示的各个相应处理单元相同的方式被描述，并且因此不进行重复地解释。
参数设置单元210是计算参数x0和d的处理单元。参数设置单元210将所得到的参数x0和d输出至逆立体投影单元104。将在下面具体描述参数设置单元210的处理。
现在，将描述参数设置单元210计算参数x0(x01，x02，…，x0m)的处理。参数设置单元210从特征值存储单元101获取每个特征向量，然后计算特征向量的平均值μ。参数设置单元210将平均值μ设置成参数x0。
现在，将描述参数设置单元210计算参数d的处理。参数设置单元210从特征值存储单元101获取每个特征向量，然后计算每个特征向量的方差-协方差矩阵的特征值σi的平方根。参数设置单元210将特征值σi中最大的一个识别为σ。
参数设置单元210对特征向量执行主分量分析并且计算累积贡献率。例如，参数设置单元210执行主分量分析，从而确定每一维的主分量的范围。参数设置单元210以范围大小的降序的方式来存储每一维主分量的范围，从而获得σ1，σ2，…，σN。参数设置单元210基于表达式(5)来计算λ。此外，参数设置单元210基于表达式(6)来计算累积贡献率λm。
参数设置单元210将“m”与“logλm”之间的关系绘制在曲线图中，其中水平轴表示分量的数量“m”并且垂直轴表示对数的累积贡献率“logλm”，然后基于所绘制的结果来识别近似直线。例如，参数设置单元210例如通过最小二乘法来识别该近似直线。图11是例示近似直线的一个示例的视图。参数设置单元210将近似直线的梯度计算为“γ+1”。然后，参数设置单元210计算表达式(7)，从而计算参数d。
d＝σ/(γ+1) (7)
现在，将描述根据第二实施例的搜索装置200所执行的过程。搜索装置200所执行的过程与图5中例示的过程相同。搜索装置200配置成，使得参数识别处理的内容不同于第一实施例的参数识别处理的内容，因此现在将描述根据第二实施例的参数识别处理的过程。
图12是例示根据第二实施例的参数识别处理的过程的流程图。如图12中所例示的，参数设置单元210计算特征值存储单元101的特征向量的平均值μ(步骤S201)。
参数设置单元210计算特征向量的方差-协方差矩阵的特征值σi的平方根并且将最大值设置为σ(步骤S202)。参数设置单元210对特征向量执行主分量分析并且计算累积贡献率(步骤S203)。
参数设置单元210将近似直线的梯度设置为“γ+1”(步骤S204)。参数设置单元210将μ的值设置成x0(步骤S205)。参数设置单元210将σ/(γ+1)的值设置成d(步骤S206)。
现在将描述根据第二实施例的搜索装置200的效果。搜索装置200将累积贡献率曲线的梯度设置成“γ+1”，然后基于得到的“γ+1”和方差-协方差矩阵的值来计算参数d。逆立体投影使用参数d将特征向量与超球体的南半球相关联。因此，可消除经过无限远点的捷径的影响并且准确地计算查询位串与位串之间的汉明距离。
[c]第三实施例
现在，将描述根据第三实施例的搜索装置的示例配置。图13是例示根据第三实施例的搜索装置的配置的功能块图。如图13中所例示的，搜索装置300包括特征值存储单元101、查询存储单元102、位串存储单元103、逆立体投影单元104a和104b以及位串产生单元105a和105b。搜索装置100还包括超平面放置单元106、转换规则产生单元107、汉明距离计算单元109、相似向量识别单元110以及参数设置单元310。
在图13中例示的处理单元中，特征值存储单元101、查询存储单元102、位串存储单元103、逆立体投影单元104a和104b以及位串产生单元105a和105b能够以与图1中例示的各个相应处理单元相同的方式被描述，并且因此用相同的符号来表示，而不进行重复地解释。此外，图13中例示的处理单元中，超平面放置单元106、转换规则产生单元107、汉明距离计算单元109以及相似向量识别单元能够以与图1中例示的各个相应处理单元相同的方式被描述，并且因此不进行重复地解释。
参数设置单元310是计算参数x0和d的处理单元。参数设置单元310将得到的参数x0和d输出至逆立体投影单元104。根据第三实施例的参数设置单元310使用爬山搜索、马尔可夫链蒙特卡罗方法以及群智能中的一种来计算参数x0和d。
现在，将描述参数设置单元310通过“爬上搜索”来识别参数x0和d的处理的示例。参数设置单元310识别参数x0和d的初始值，并且从位串产生单元105b获取通过初始值计算的每个特征向量的位串。参数设置单元310例如以与第一实施例中例示的参数设置单元108的方式相同的方式来识别参数x0和d的初始值。参数设置单元310基于每个特征向量和位串来执行近似相似性搜索，从而计算近似的准确度。例如，通过表达式(8)来计算近似准确度。
现在，将描述用于计算近似准确度的处理的示例。例如，参数设置单元310从特征值存储单元101选择特征向量va，然后识别具有第一位置至第m位置的特征向量，所述第一位置至第m位置在特征空间中距特征向量va的距离最短。在特征空间中距特征向量va的距离最短的特征向量假设为特征向量va1至vaM。例如，在表达式8中，特征向量的数量M对应于|Rk|。
参数设置单元310从位串产生单元105b识别具有第一位置至第m位置的位串，其中所述第一位置至第m位置距对应于特征向量va的位串的距离最短的，然后识别与所识别的位串对应的特征向量vb1至vbM。例如，参数设置单元310可基于识别信息将位串和特征向量彼此相关联。参数设置单元310计数特征向量vb1至vbM中有多少特征向量与特征向量va1至vaM相同。这个计算的数量对应与表达式(8)的|Rk∩Qk|。
参数设置单元310计算初始参数x0和d；设置参数x0和d的接近值以输出至逆立体投影单元104b；以及计算接近值的近似准确度。参数设置单元310重复执行以上处理并且识别近似准确度最高的参数x0和d。
汉明距离计算单元109基于通过参数设置单元310识别的具有最高近似准确度的参数x0和d所计算的位串来计算汉明距离。
随后，将描述参数设置单元310通过“马尔可夫链蒙特卡罗方法”方法识别参数x0和d的处理。参数设置单元310识别第一参数x0和d，然后从位串产生单元105b获取通过第一参数x0和d计算的每个特征向量的位串。例如，参数设置单元310以与第一实施例中例示的参数设置单元108的方式相同的方式来识别第一参数x0和d的初始值。参数设置单元310基于每个特征向量和位串来执行近似相似性搜索，并且计算第一参数的近似准确度X1。例如，通过表达式(8)以与爬上搜索相同的方式来计算近似准确度。
参数设置单元310将第一参数x0和d的接近值设置为第二参数x0和d。参数设置单元310从位串产生单元105b获取基于第二参数x0和d计算的每个特征向量的位串。参数设置单元310基于每个特征向量和位串执行近似相似性搜索，从而计算第二参数的近似准确度X2。
参数设置单元310产生随机数，并且当随机数的值小于X2/X1时，将第二参数x0和d设置成第一参数x0和d。此外，参数设置单元310将第一参数x0和d的接近值设置成第二参数x0和d，然后重复执行上述处理。
另一方面，当所产生的随机数的值不小于X2/X1时，参数设置单元310使第一参数x0和d不变。此外，参数设置单元310将第一参数x0和d的新接近值设置成第二参数x0和d，然后重复执行上述处理。
使用通过参数设置单元310重复上述处理预定次数而获得的最终第一参数x0和d，汉明距离计算单元109计算汉明距离。
随后，将描述参数设置单元310通过“群智能”识别参数x0和d的处理的示例。参数设置单元310识别多个参数x0和d。例如，参数设置单元310以与第一实施例中例示的参数设置单元108的方式相同的方式来确定参数x0和d，并且确定参数x0和d的多个接近值，从而识别多个参数x0和d。
参数设置单元310从位串产生单元105b获取通过多个参数x0和d计算的每个特征向量的位串。参数设置单元310将每组参数x0和d看作带电粒子的位置并且使用目标函数来执行带电系统搜索，从而识别近似准确度最高的参数x0和d。
参数x0和d被认为是带电粒子的位置。因此可提供防止当每组参数x0和d在移动时彼此接近的约束。然后，对于带电粒子的每个位置，可识别在分开预定距离的位置处提供最高近似准确度的参数x0和d。在针对每个带电粒子被识别为提供最大近似准确度的参数x0和d之中，参数设置单元310识别提供最大近似准确度的参数x0和d。汉明距离计算单元109采用这样的参数来计算汉明距离。
注意，当给出参数x0和d时，用于带电系统搜索的目标函数计算近似准确度。用于计算近似准确度的处理的内容与上述用于爬上搜索和马尔可夫链蒙特卡罗方法的处理的内容相同。
现在，将描述根据第三实施例的搜索装置300的过程。搜索装置300的过程与图5中例示的过程相同。由于搜索装置300配置成使得参数识别处理的内容不同于第一实施例的参数识别处理的内容，下面将描述根据第三实施例的参数识别处理的过程。作为参数识别处理，将在下面依次描述根据爬山搜索的参数识别处理、根据马尔可夫链蒙特卡罗方法的参数识别处理，以及根据群智能的参数识别处理。
首先，将描述根据爬山搜索的参数识别处理的过程的示例。图14是例示根据爬山搜索的参数识别处理的过程的流程图。如图14中所例示的，搜索装置300的参数设置单元310识别参数x0和d(步骤S301)。逆立体投影单元104通过逆立体投影将特征向量映射至超球体，然后将结果输出至超平面放置单元106(步骤S302)。
当将该处理重复预定次数时(步骤S303中为是)，搜索装置300退出参数识别处理。另一方面，当还未将该处理重复预定次数时(步骤S303中为否)，搜索装置300前进至步骤S304。
超平面放置单元106将超平面放置在超球体上并且转换规则产生单元107产生转换规则(步骤S304)。参数设置单元310计算近似相似性搜索的近似准确度(步骤S305)。
参数设置单元310产生参数x0和d的多个接近值，然后将每个接近值输出至逆立体投影单元104b(步骤S306)。逆立体投影单元104b使用每组参数x0和d通过逆立体投影将特征向量映射在超球体上，以输出至超平面放置单元106(步骤S307)。
超平面放置单元106将超平面放置在超球体上并且产生转换规则(步骤S308)。参数设置单元310从位串产生单元105b获取位串，然后计算每个接近值的近似准确度(步骤S309)。参数设置单元310设置向参数x0和d提供最佳近似准确度的值(步骤S310)，然后前进至步骤S303。
现在，将描述根据马尔可夫链蒙特卡罗方法的参数识别处理的过程的示例。图15是例示根据马尔可夫链蒙特卡罗方法的参数识别处理的过程的流程图。
如图15所例示的，搜索装置300的参数设置单元310识别参数x0和d(步骤S401)。逆立体投影单元104通过逆立体投影将特征向量投影在超球体上并且将结果输出至超平面放置单元106(步骤S402)。
当已将该处理重复了预定次数时(步骤S403中为是)，搜索装置300退出参数识别处理。另一方面，当还未将该处理重复预定次数时(步骤S403中为否)，搜索装置300前进至步骤S404。
超平面放置单元106将超平面放置在超球体上并且转换规则产生单元107产生转换规则(步骤S404)。参数设置单元310计算近似相似性搜索的近似准确度(步骤S405)。
参数设置单元310计算近似相似性搜索的近似准确度X1(步骤S405)。参数设置单元310产生参数x0和d的一组接近值，以输出至逆立体投影单元104b(步骤S406)。
逆立体投影单元104b采用接近值来通过逆立体投影将特征向量映射在超球体上，以输出至超平面放置单元106(步骤S407)。超平面放置单元106将超平面放置在超球体上并且产生转换规则(步骤S408)。参数设置单元310从位串产生单元105b获取位串并且计算接近值的近似准确度X2(步骤S409)。
参数设置单元310分配随机数[0，1]，然后当随机数小于X2/X1时将接近值设置成参数x0和d，否则，使参数x0和d不变(步骤S410)，然后前进至步骤S403。
现在，将描述根据群智能的参数识别处理的过程的示例。图16是例示根据群智能的参数识别处理的过程的流程图。
如图16中所例示的，搜索装置300的参数设置单元310识别参数x0和d(步骤S501)。逆立体投影单元104通过逆立体投影将特征向量映射在超球体上并且将结果输出至超平面放置单元106(步骤S502)。
已将该处理重复了预定次数时(步骤S503中为是)，搜索装置300退出参数识别处理。另一方面，当还未将该处理重复预定次数时(步骤S503中为否)，搜索装置300前进至步骤S504。
参数设置单元310将每组参数看作带电粒子的位置；使用目标函数执行带电系统搜索以识别参数x0和d(步骤S504)；然后处理进行至步骤S503。
现在，将描述图16的S504中所例示的目标函数的过程的示例。图17是例示目标函数的过程的示例的流程图。
如图17中所例示的，搜索装置300的超平面放置单元106放置超平面，并且转换规则产生单元107产生转换规则(步骤S511)。参数设置单元310计算近似相似性搜索的近似准确度X1(步骤S512)，并且输出近似准确度X1(步骤S513)。
现在，将描述根据第三实施例的搜索装置300的效果。搜索装置300采用爬山搜索，马尔可夫链蒙特卡罗方法以及群智能，以识别参数x0和d，因此能够有效地识别最佳参数x0和d。
在上述实施例中，描述了通过逆立体投影，在存在于比特征空间V高一维的空间中的超球体S上执行映射的情况。然而，本发明不限于此。例如，即使当通过逆立体投影在存在于比特征空间V高两维或更多维的空间中的m维球体上执行映射时，本发明也可以以相同的方式应用。
现在，将描述用于操作图像处理设备的计算机的示例，该图像处理设备实现与在前述实施例中例示的搜索装置的功能相同的功能。图18是例示用于执行搜索程序的计算机的示例的视图。
如图18中所例示的，计算机400包括用于执行各种计算的CPU 401，用于接收由用户输入的数据的输入装置402、以及显示器403。计算机400还包括用于从存储介质读取程序等的读取器404，和用于通过网络将数据发送至另一计算机和从该另一计算机接收数据的接口405。计算机400还包括用于暂时存储各种信息的RAM 406和硬盘装置407。各个装置401至407连接至总线408。
硬盘407包括搜索程序407a、投影程序407b、产生程序407c以及识别程序407d。CPU401读取程序407a至407d中的每一个，然后将其在RAM 406上展开。
搜索程序407a用作搜索处理406a。投影程序407b用作投影处理406b。产生程序407c用作产生处理406c。识别程序407d用作识别处理406d。
例如，搜索处理406a对应于参数设置单元108。投影处理406b对应于逆立体投影单元104。产生处理406c对应于位串产生单元105。识别处理406d对应于相似向量识别单元110。
注意，程序407a至407d中的每一个并不一定是从开始就存储在硬盘407中。例如，每个程序可存储在“便携式物理介质”中，例如，要插入计算机400中的软盘(FD，flexibledisk)、CD-ROM、DVD盘、磁光盘以及IC卡。然后，计算机400可从便携式物理介质读取程序407a至407d中的每一个并且执行该程序。
本发明的实施例产生了能够使用超球体以简单的方式执行相似性搜索的效果。

Claims (8)

1.一种通过计算机执行的搜索方法，所述搜索方法包括：
获取步骤，用于获取存储在数据库中的特征空间内的第一维特征向量；以及
搜索步骤，用于基于所述特征向量的平均值和所述特征向量的方差-协方差矩阵的特征值的最大值来搜索参数；
计算步骤：通过基于存储在所述数据库中的所述特征向量和表达式(1)执行逆立体投影来计算坐标，其中，所述表达式(1)中的参数通过所述搜索来找到；
参数(x1,x2,…,xm)是所述特征空间的特征向量坐标，参数r2由表达式(2)定义，参数xo是所述特征空间的要被映射到超球体的南极的点的坐标，参数d是用于立体投影的缩放参数并且相当于所述超球体的半径，
所述超球体与所述特征空间相关联，所述超球体的维度是(m+p-1)，m是所述特征空间的维度，p是1或更大的整数，所述超球体的北极的坐标是(xo1,xo2,…,xom,1)，所述超球体的南极的坐标是(xo1,xo2,…,xom,-1)，并且
当从北极绘直线以与所述超球体相交时，所述立体投影被定义为从所述超球体与所述直线的交点到所述直线与所述特征空间的交点的映射；
产生步骤：通过基于转换规则转换所述坐标来产生所述特征向量的位串；以及
确定步骤：基于所产生的位串来确定相似特征向量。
2.根据权利要求1所述的搜索方法，其中，所述搜索步骤搜索所述特征向量的平均值，并且将参数xo设置成从所述平均值往正方向预定距离或者将参数xo设置成从所述平均值往负方向预定距离。
3.根据权利要求1所述的搜索方法，其中，所述搜索步骤基于所述特征向量的平均值和所述特征向量的方差-协方差矩阵的特征值的最大值来搜索参数，或者基于所述特征向量的主分量分析结果来识别累积贡献率曲线并且基于所述累积贡献率曲线来搜索所述参数。
4.根据权利要求1所述的搜索方法，其中，所述搜索步骤基于所述特征向量的平均值和所述特征向量的方差-协方差矩阵的特征值的最大值来搜索参数，或者基于爬山方法、马尔可夫链蒙特卡罗方法或群智能来搜索参数。
5.一种搜索装置，包括参数设置单元(108)，所述参数设置单元获取存储在数据库中的特征空间内的第一维特征向量，并且基于所述特征向量的平均值和所述特征向量的方差-协方差矩阵的特征值的最大值来搜索参数；
逆立体投影单元(104a，104b)，所述逆立体投影单元通过基于存储在所述数据库中的所述特征向量和表达式(1)执行逆立体投影来计算坐标，其中，所述表达式(1)中的参数通过所述搜索来找到；
参数(x1,x2,…,xm)是所述特征空间的特征向量坐标，参数r2由表达式(2)定义，参数xo是所述特征空间的要被映射到超球体的南极的点的坐标，参数d是用于立体投影的缩放参数并且相当于所述超球体的半径，
所述超球体与所述特征空间相关联，所述超球体的维度是(m+p-1)，m是所述特征空间的维度，p是1或更大的整数，所述超球体的北极的坐标是(xo1,xo2,…,xom,1)，所述超球体的南极的坐标是(xo1,xo2,…,xom,-1)，并且
当从北极绘直线以与所述超球体相交时，所述立体投影被定义为从所述超球体与所述直线的交点到所述直线与所述特征空间的交点的映射；
产生单元(105b)，所述产生单元通过基于转换规则转换所述坐标来产生所述特征向量的位串；以及
识别单元(110)，所述识别单元基于所产生的位串来确定相似特征向量。
6.根据权利要求5所述的搜索装置，其中，所述参数设置单元(108)搜索所述特征向量的平均值，并且将参数xo设置成从所述平均值往正方向预定距离或者将参数xo设置成从所述平均值往负方向预定距离。
7.根据权利要求5所述的搜索装置，其中，所述参数设置单元(108)基于所述特征向量的平均值和所述特征向量的方差-协方差矩阵的特征值的最大值来搜索参数，或者基于所述特征向量的主分量分析结果来识别累积贡献率曲线并且基于所述累积贡献率曲线来搜索所述参数。
8.根据权利要求5所述的搜索装置，其中，所述参数设置单元(108)基于所述特征向量的平均值和所述特征向量的方差-协方差矩阵的特征值的最大值来搜索参数，或者基于爬山方法、马尔可夫链蒙特卡罗方法或群智能来搜索参数。
CN201410697191.1A 2013-12-19 2014-11-26 搜索方法、搜索程序以及搜索装置 Active CN104731847B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013-263025 2013-12-19
JP2013263025A JP6156126B2 (ja) 2013-12-19 2013-12-19 検索方法、検索プログラムおよび検索装置

Publications (2)

Publication Number Publication Date
CN104731847A CN104731847A (zh) 2015-06-24
CN104731847B true CN104731847B (zh) 2019-05-28

Family

ID=51900266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410697191.1A Active CN104731847B (zh) 2013-12-19 2014-11-26 搜索方法、搜索程序以及搜索装置

Country Status (5)

Country Link
US (1) US9864926B2 (zh)
EP (1) EP2890042B1 (zh)
JP (1) JP6156126B2 (zh)
KR (1) KR101662904B1 (zh)
CN (1) CN104731847B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6638484B2 (ja) * 2016-03-10 2020-01-29 富士通株式会社 情報処理装置、類似検索プログラム、及び類似検索方法
WO2020185973A1 (en) 2019-03-11 2020-09-17 doc.ai incorporated System and method with federated learning model for medical research applications
US11915802B2 (en) 2019-08-05 2024-02-27 Sharecare AI, Inc. Accelerated processing of genomic data and streamlined visualization of genomic insights
US11256801B2 (en) * 2020-04-21 2022-02-22 doc.ai, Inc. Artificial intelligence-based generation of anthropomorphic signatures and use thereof
US11829376B2 (en) * 2020-05-06 2023-11-28 Intel Corporation Technologies for refining stochastic similarity search candidates
CN112464821B (zh) * 2020-11-30 2023-10-24 北京九洲科瑞科技有限公司 一种多维空间视界搜索方法及系统
CN117274727B (zh) * 2023-10-25 2024-04-12 荣耀终端有限公司 生物特征信息的处理方法、电子设备及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1190764A (zh) * 1997-02-12 1998-08-19 富士通株式会社 利用候选表进行分类的模式识别设备及其方法

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6005984A (en) * 1991-12-11 1999-12-21 Fujitsu Limited Process and apparatus for extracting and recognizing figure elements using division into receptive fields, polar transformation, application of one-dimensional filter, and correlation between plurality of images
US5920644A (en) * 1996-06-06 1999-07-06 Fujitsu Limited Apparatus and method of recognizing pattern through feature selection by projecting feature vector on partial eigenspace
JPH10247243A (ja) * 1997-03-04 1998-09-14 Mitsubishi Heavy Ind Ltd 識別装置
US6120461A (en) * 1999-08-09 2000-09-19 The United States Of America As Represented By The Secretary Of The Army Apparatus for tracking the human eye with a retinal scanning display, and method thereof
US7308140B2 (en) * 2000-05-31 2007-12-11 Samsung Electronics Co., Ltd. Method and device for measuring similarity between images
US7076117B2 (en) * 2001-06-19 2006-07-11 International Business Machines Corporation Methods and apparatus for cut-and-paste editing of multiresolution surfaces
EP1436771B1 (en) * 2001-10-16 2011-06-22 The University of Chicago Computer-aided detection of three-dimensional lesions
US7203380B2 (en) * 2001-11-16 2007-04-10 Fuji Xerox Co., Ltd. Video production and compaction with collage picture frame user interface
US7761453B2 (en) * 2005-01-26 2010-07-20 Honeywell International Inc. Method and system for indexing and searching an iris image database
EP1574988B1 (en) * 2004-03-08 2014-06-18 Siemens Product Lifecycle Management Software Inc. Determining and using geometric feature data
US7564990B2 (en) * 2005-08-18 2009-07-21 Nu Skin International, Inc. Imaging system and method for physical feature analysis
US8145656B2 (en) * 2006-02-07 2012-03-27 Mobixell Networks Ltd. Matching of modified visual and audio media
US8331637B2 (en) * 2006-03-03 2012-12-11 Medic Vision-Brain Technologies Ltd. System and method of automatic prioritization and analysis of medical images
JP5237596B2 (ja) * 2007-08-10 2013-07-17 オリンパス株式会社 判別装置
DE602007006811D1 (de) * 2007-10-09 2010-07-08 Agfa Healthcare Nv Verfahren und Vorrichtung zur Volumendarstellung medizinischer Datensätze
US20090185746A1 (en) * 2008-01-22 2009-07-23 The University Of Western Australia Image recognition
US8331655B2 (en) * 2008-06-30 2012-12-11 Canon Kabushiki Kaisha Learning apparatus for pattern detector, learning method and computer-readable storage medium
CN101667290B (zh) * 2008-09-05 2012-12-19 鸿富锦精密工业（深圳）有限公司 特征元素拟合方法及其计算机系统
US9459515B2 (en) * 2008-12-05 2016-10-04 Mobileye Vision Technologies Ltd. Adjustable camera mount for a vehicle windshield
JP5247480B2 (ja) * 2009-01-13 2013-07-24 キヤノン株式会社 オブジェクト識別装置及びオブジェクト識別方法
JP5277110B2 (ja) 2009-08-11 2013-08-28 日本電信電話株式会社 データ検索方法，データ検索装置，データ検索プログラム
JP2011100395A (ja) 2009-11-09 2011-05-19 Sony Corp 判別装置、判別方法およびプログラム
KR101116663B1 (ko) * 2010-04-15 2012-03-07 성균관대학교산학협력단 고차원 데이터의 유사도 검색을 위한 데이터 분할방법
JP5563494B2 (ja) * 2011-02-01 2014-07-30 株式会社デンソーアイティーラボラトリ 対応参照画像検索装置及び方法、コンテンツ重畳装置、システム、及び方法、並びにコンピュータプログラム
JP5258915B2 (ja) * 2011-02-28 2013-08-07 株式会社デンソーアイティーラボラトリ 特徴変換装置、それを含む類似情報探索装置、コード化パラメータ生成方法、及びコンピュータ・プログラム
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
US9019350B2 (en) * 2012-04-12 2015-04-28 Raytheon Company Stereo rectification method
US9715723B2 (en) * 2012-04-19 2017-07-25 Applied Materials Israel Ltd Optimization of unknown defect rejection for automatic defect classification
JP5563016B2 (ja) * 2012-05-30 2014-07-30 株式会社デンソーアイティーラボラトリ 情報検索装置、情報検索方法及びプログラム
CN105659287B (zh) * 2013-08-28 2018-08-17 株式会社理光 图像处理装置、图像处理方法和成像系统
JP6393982B2 (ja) * 2013-12-17 2018-09-26 富士通株式会社 空間分割方法、空間分割装置および空間分割プログラム
US9582731B1 (en) * 2014-04-15 2017-02-28 Google Inc. Detecting spherical images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1190764A (zh) * 1997-02-12 1998-08-19 富士通株式会社 利用候选表进行分类的模式识别设备及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
超球体多类支持向量机及其在DDoS攻击检测中的应用;徐图;《中国博士学位论文全文数据库信息科技辑》;20090115(第01期);第1-129页

Also Published As

Publication number Publication date
KR101662904B1 (ko) 2016-10-05
JP6156126B2 (ja) 2017-07-05
EP2890042B1 (en) 2016-10-12
US20150178590A1 (en) 2015-06-25
CN104731847A (zh) 2015-06-24
JP2015118639A (ja) 2015-06-25
EP2890042A1 (en) 2015-07-01
KR20150072332A (ko) 2015-06-29
US9864926B2 (en) 2018-01-09

Similar Documents

Publication Publication Date Title
CN104731847B (zh) 搜索方法、搜索程序以及搜索装置
Zhu et al. Exploring consistent preferences: discrete hashing with pair-exemplar for scalable landmark search
Karlov et al. Chemical space exploration guided by deep neural networks
Zheng et al. Visual phraselet: Refining spatial constraints for large scale image search
CN104615676B (zh) 一种基于最大相似度匹配的图片检索方法
Zhu et al. Learning compact visual representation with canonical views for robust mobile landmark search
Min et al. Compact projection: Simple and efficient near neighbor search with practical memory requirements
JP2017162306A (ja) 情報処理装置、類似検索プログラム、及び類似検索方法
Liu et al. Towards optimal binary code learning via ordinal embedding
Tran et al. On-device scalable image-based localization via prioritized cascade search and fast one-many ransac
Liu et al. Uniting keypoints: Local visual information fusion for large-scale image search
CN104199842A (zh) 一种基于局部特征邻域信息的相似图片检索方法
CN105160295A (zh) 一种面向大规模人脸数据库的快速高效人脸识别方法
Dai et al. Large scale image retrieval with visual groups
Amilpur et al. Edeepssp: explainable deep neural networks for exact splice sites prediction
EP2890041B1 (en) Space division method, space division device, and space division program
CN106770007B (zh) 一种支持向量机模型的近红外光谱特征波长选择方法
CN104732512A (zh) 空间划分方法以及空间划分装置
Zhang et al. Multi-order visual phrase for scalable image search
CN108959650A (zh) 基于共生surf特征的图像检索方法
CN113543307B (zh) 视觉信息特征指纹库构建方法、定位方法及装置
Tang et al. An Outlier Detection Method for Feature Point Matching Problem.
CN117524318B (zh) 新抗原异质数据整合方法及装置、设备、存储介质
KR101255916B1 (ko) 증강현실 환경에서 실시간 마커리스 트래킹을 위한 특징 서술자의 데이터베이스를 기록한 컴퓨터가 읽을 수 있는 기록매체와 그 데이터베이스의 생성 및 검색 방법
Kensuke et al. Multi-scale bag-of-features for large-size map retrieval

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant