JP2002083296A

JP2002083296A - 部分テンプレート生成装置

Info

Publication number: JP2002083296A
Application number: JP2001192688A
Authority: JP
Inventors: Takayuki Baba; 孝之馬場; Hiroshi Yamakawa; 宏山川; Hiroyuki Okada; 浩之岡田; Nobuo Watabe; 信雄渡部
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2000-07-06
Filing date: 2001-06-26
Publication date: 2002-03-22
Anticipated expiration: 2021-06-26
Also published as: JP4614582B2

Abstract

(57)【要約】【課題】学習パターン上の部分データの位置が既知で
なくても、各学習パターンの部分データとマッチする部
分テンプレートを自動生成すること。【解決手段】学習パターン１から、学習パターン毎に
位置をずらしながら最もマッチする部分データを抽出す
る手段２と、抽出された部分データを用いて部分テンプ
レートを決定する手段３を設け、部分データの位置が既
知でない学習パターンからカテゴリ毎の部分テンプレー
ト４を自動生成する。上記のように学習パターン毎に位
置をずらしながら最もマッチする部分データを抽出して
いるので、学習パターンにおける部分データの位置が既
知でなくても、各学習パターンの部分データとマッチす
る部分テンプレートを自動生成することができる。この
ようにして生成した部分テンプレートと入力パターンを
照合することにより、データの一部欠損した入力パター
ンをカテゴリに分類することが可能となる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像の認識、ゲノ
ム解読などの様々な分野において、観測されたパターン
を予め定められた複数のカテゴリ（またはクラスとも呼
ぶ）に分類する際に使用する部分テンプレートの生成装
置に関し、特に本発明は、部分テンプレートを上記パタ
ーン上でスキャンして、部分テンプレートとマッチした
場合に、観測パターンをその部分テンプレートが属する
カテゴリに分類するために使用する部分テンプレートの
生成装置に関する。

【０００２】

【従来の技術】観測されたパターンを予め定められた複
数のカテゴリに分類する手法として、図９に示すように
学習パターンＰL を用いて作成したテンプレートＴＭ
と、観測された入力パターンＰi とを照合し、マッチン
グした場合に、そのテンプレートが属するカテゴリに上
記入力パターンＰi を分類する手法が知られている。こ
こで言うパターンとは、人間の視覚に入ってくる２次元
のデータだけではなく、聴覚や触覚や嗅覚など様々なセ
ンサを用いて得られるｎ次元のデータである。

【０００３】上記のように観測されたパターンをカテゴ
リ分類する際に用いるテンプレートを作成するために、
従来様々な方法が提案されてきている。なかでも、パタ
ーン上の全てのデータを用いてテンプレートを作成する
手法として、例えば、特開平１１−３４５３３７号公報
で提案されているものが知られている（従来法１とい
う）。この従来法１では、予め用意された学習パターン
から各カテゴリ毎に学習パターンを平均化した全体テン
プレートを作成しておき、入力パターンが全体テンプレ
ートと同一であれば、そのカテゴリに属すると判断して
いた。ここで、全体テンプレートとは、入力パターンの
ほぼ全てのデータを含むテンプレートを言う。

【０００４】しかし、上記従来法１では、入力パターン
上のマッチすべきデータの一部が欠けている場合には、
全体テンプレートでは、そのカテゴリに分類できないと
いう問題点が生じる。例として、三角形のカテゴリを考
えると、全体テンプレートは三角形全体であり、マッチ
すべきデータの一部が欠けた部分三角形とはマッチング
しない。実世界において、予め用意する学習パターン
は、全てのデータが備わった位置ずれのない完全なパタ
ーンを複数用意できるが、入力パターンは、通常、運用
段階において生じるため、様々な要因によって一部のデ
ータが欠落することは十分に考えられる。

【０００５】マッチすべきデータの一部が欠けている入
力パターンに対しても正確にカテゴリ分類するために
は、入力パターン上のある一部分に存在する部分データ
を用い、部分テンプレートを生成する必要がある。入力
パターン上の一部のデータを用いてテンプレートを作成
する手法としては、例えば、特開平７−６５１６４公報
で提案されているものが知られている（従来法２とい
う）。この従来法２は、認識対象となる部分データを平
均化し、平均テンプレートを作成する手法であるが、平
均テンプレートを作成するために用いる部分データの位
置が予め既知であることが前提となっている。しかし、
平均テンプレートを作成するための元になる学習パター
ン上の部分データの位置が、微妙な位置ずれなどにより
パターン毎に変化してしまった場合には、パターン毎の
部分データの正確な位置がわからないため、従来法２で
は平均テンプレートを自動生成することができない。

【０００６】

【発明が解決しようとする課題】上記のように、従来法
１では、入力パターン上のマッチすべきデータの一部が
欠けている場合には、カテゴリに分類できないという問
題点があった。また、従来法２では、学習パターン上に
おける部分データの位置が予め既知でなければ部分テン
プレートを自動生成することができないといった問題が
あった。本発明は上記事情に鑑みなされたものであっ
て、本発明は、学習パターン上の部分データの位置が既
知でなくても、各学習パターンの部分データとマッチす
る部分テンプレートを自動生成し、マッチすべきデータ
の一部が欠けている入力パターンに対して、正確にカテ
ゴリ分類することができるようにすることを目的とす
る。

【０００７】

【課題を解決するための手段】マッチすべきデータの一
部が欠けている入力パターンに対しても正確にカテゴリ
分類するためには、入力パターン上のある一部分に存在
する部分データを用いて、部分テンプレートを自動生成
する必要がある。ここで、自動生成というのは、学習パ
ターン上で部分データが存在する正確な位置を、パター
ン毎に予め教えなくても、各パターンの部分データとマ
ッチする部分テンプレートを自動的に生成することをい
う。そして、上記のように生成されたカテゴリ固有の部
分テンプレートを複数保持することにより、マッチすべ
きデータの一部が欠けている入力パターンに対しても、
欠けていない部分とマッチするカテゴリ固有の部分テン
プレートが１つでも存在すればカテゴリ分類が可能とな
る。ここで、カテゴリ固有の部分テンプレートとは、そ
のカテゴリにしか存在しないと考えられる部分テンプレ
ートをいう。また、マッチするとは、テンプレートと一
致するデータがパターン上に存在することをいう。

【０００８】本発明においては、上記のように部分デー
タの位置が既知でない学習パターン上を用いて以下のよ
うにして部分テンプレートを自動生成する。図１は本発
明の概要を説明する図であり、図１（ａ）は本発明の概
略構成を示す図であり、図１（ｂ）は、本発明で生成さ
れた部分テンプレートを用いて、マッチすべきデータの
一部が欠けている入力パターンをカテゴリに分類する場
合を説明する図である。図１（ａ）に示すように、本発
明においては学習パターン１から、学習パターン毎に位
置をずらしながら最もマッチする部分データを抽出する
手段２と、抽出された部分データを用いて部分テンプレ
ートを決定する手段３を備え、部分データの位置が既知
でない学習パターン１からカテゴリ毎の部分テンプレー
ト４を自動生成する。本発明においては、上記のように
学習パターン毎に位置をずらしながら最もマッチする部
分データを抽出しているので、学習パターンにおける部
分データの位置が既知でなくても、各学習パターンの部
分データとマッチする部分テンプレートを自動生成する
ことができる。このようにして生成したカテゴリ毎の部
分テンプレート４とデータの一部欠損した入力パターン
５を照合することにより、入力パターン５をカテゴリに
分類することが可能となる。一例として、図１（ｂ）に
マッチすべきデータが一部欠けている入力パターンを、
中央に三角形が位置するカテゴリＡと、中央に四角形が
位置するカテゴリＢへ分類する場合を示す。同図に示す
ように、部分テンプレートとして、カテゴリＡとしてａ
１とａ２、カテゴリＢとしてｂ１とｂ２が得られたと仮
定する。ここで、入力パターンが、同図に示すようにマ
ッチすべきデータの一部が欠けているものである場合、
同図に示す全体テンプレートでは、どちらともマッチし
ないため、カテゴリ分類は不可能である。一方、上記入
力パターンにおいては、マッチすべきデータである三角
形の左半分は存在する。このため、上記部分テンプレー
トａ１，ａ２，ｂ１，ｂ２を上記入力パターンＰ上でス
キャンすると、三角形の左端に対応するａ１がマッチす
ることとなる。したがって、上記入力パターンはカテゴ
リＡに分類される。本発明により生成された部分テンプ
レートを用いることにより、上記のようにマッチすべき
データの一部が欠けている場合であっても、カテゴリ分
類が可能である。

【０００９】また本発明は次のように構成することがで
きる。 (1) 上記部分テンプレート決定手段２は、抽出された最
もマッチする部分データを平均化することにより、部分
テンプレートの候補を生成し、生成された部分テンプレ
ートの候補から部分テンプレートを決定する。 (2) 上記部分データを抽出する手段２は、部分データを
抽出する際に用いるずらし幅を徐々に増やしていく。こ
のように、ずらし幅を小さい値から始めて、ずらし幅を
徐々に増やしていくことにより、学習パターン毎の位置
のずれがより小さい部分データから生成される平均テン
プレートを見つけることが可能となる。 (3) 部分データが存在する学習パターン上の位置毎に、
部分テンプレート候補を生成し、部分テンプレートを生
成する。すなわち、学習パターン上の異なった位置から
複数の部分データを抽出し、部分テンプレートの候補を
生成し、部分テンプレートを決定する。

【００１０】

【発明の実施の形態】図２は本発明の実施例の部分テン
プレート生成装置の機能構成を示す図であり、本実施例
では、部分データを平均化した平均テンプレートと呼ば
れる部分テンプレートを自動生成する。図２において、
１１はカテゴリ毎の学習パターンである。学習パターン
とは、後述する平均テンプレート候補を生成するために
用いる予め用意されたパターンの総称である。１２はカ
テゴリ選択手段であり、カテゴリ選択手段１２は、平均
テンプレートを生成するためのカテゴリが設定される
と、そのカテゴリに属する学習パターン１１を選択し、
選択されたカテゴリに属する学習パターンをターゲット
設定手段１３に与える。ターゲット設定手段１３は平均
テンプレートを生成する場所としてターゲットを設定す
る。ターゲットとしては学習パターンの全ての位置が設
定される。

【００１１】１４はずらし幅設定手段であり、周辺範囲
を設定するためのパラメータである「ずらし幅」を設定
する。ここで、周辺範囲とは、ターゲットの周りにずら
し幅分を加えた範囲であり、各学習パターン毎に、最も
共通する部分データを探索する範囲を言う。平均テンプ
レートの作成に用いる部分データの位置が学習パターン
毎に少しずれている場合があるので、上記のように周辺
範囲を設定し、最も共通する部分データを探索する。本
実施例において、ずらし幅は、初めは小さい値に設定
し、最大値に達するまで徐々に大きくする。１５は、平
均テンプレートの候補となる平均テンプレートを生成す
る手段である。平均テンプレート候補とは、ターゲット
上に存在する部分データのモデルとして、各学習パター
ンのターゲット上に存在する部分データの値をそれぞれ
平均化したものである。１６は閾値判定手段であり、平
均テンプレート候補と他のカテゴリの学習パターンを用
いて閾値判定を行い、そのカテゴリ固有の部分テンプレ
ートを出力する。ここで、閾値とは、後述するように生
成対象であるカテゴリの学習パターンが存在し得る平均
テンプレートからの距離を表すものであり、閾値判定手
段１６は、平均テンプレート候補に対応するカテゴリ以
外の学習パターンの全てに対して、その中に存在するあ
らゆる部分データと平均テンプレート候補との誤差が上
記閾値より大きい場合に、その平均テンプレート候補を
カテゴリ固有の平均テンプレート、すなわち部分テンプ
レートとして出力する。

【００１２】図２に示す部分テンプレート生成装置は、
例えば、ＣＰＵとメモリと外部記憶装置と入出力装置等
から構成される周知のコンピュータシステムで実現する
ことができ、上記学習パターンと、部分テンプレートを
生成するためのプログラム等が外部記憶装置に格納さ
れ、実行時、上記プログラムがメモリ上にロードされ、
部分テンプレートの自動生成処理が行われる。

【００１３】図３は、本実施例の部分テンプレート生成
処理を示すフローチャートであり、同図を参照しなが
ら、本実施例についてさらに詳細に説明する。なお、図
３のフローチャートにおいて、直角四角形は処理を示
し、丸角四角形は条件判定を示す。本実施例では、前記
したように、部分データを平均化した平均テンプレート
と呼ばれる部分テンプレートを自動生成する。そのた
め、まず、各カテゴリ毎に学習パターンの全ての位置で
部分データを平均化した平均テンプレート候補を作成す
る。次に、平均テンプレート候補の中で、そのカテゴリ
にしか存在しないテンプレートを平均テンプレートとす
る。

【００１４】図３に示すように、本実施例では以下の６
段階のステップにより部分テンプレートを生成する。（１）１段階目（図３中の）では、平均テンプレート
を生成するカテゴリを選択する。すなわち、図３のフロ
ーに示すようにカテゴリを全て選択したかを調べ（ステ
ップＳ１）、全てのカテゴリを選択した場合は処理を終
了する。また、全てのカテゴリを選択していない場合に
は、未選択のカテゴリを一つ選択し以下の処理を行う。（２）２段階目（図３中の）では、平均テンプレート
を生成する場所としてターゲットを設定する。すなわ
ち、図３のステップＳ３において、座標の全ての位置で
ターゲットを設定したかを調べ、ターゲットを座標の全
ての位置で設定していない場合には、ステップＳ４で、
未設定のターゲットを１つ設定し、以降の処理を行う。
また、ターゲットを座標の全ての位置で設定し各ターゲ
ットでの処理が終わったらステップＳ１に戻り次のカテ
ゴリを選択する。

【００１５】（３）３段階目（図３中の）では、ずら
し幅を設定する（ステップＳ５）。ずらし幅とは、前記
したように、周辺範囲を設定するためのパラメータであ
り、また、周辺範囲とはターゲットの周りにずらし幅分
を加えた範囲である。図４は学習パターン上における上
記ターゲット設定とずらし幅の概念を示す図であり、同
図は２次元（ｎ＝２）の場合を示している。同図におい
て、Ｄ（ｈ）は学習パターンの一つである。学習パター
ンの中の破線の四角形の左上の点（ｗ１，ｗ２）はター
ゲット位置であり、ｋ１，ｋ２は部分データの大きさを
示す。ｚは「ずらし幅」である。また、学習パターンの
中の大きい四角形は探索範囲となる周辺範囲を示す。周
辺範囲とは、上記したようにターゲットの周りにずらし
幅を加えた範囲である。また、周辺範囲内で実線で示さ
れる四角形は、後述するように誤差が最小となった部分
データを示す。

【００１６】上記ずらし幅は始めは小さい値としてお
き、平均テンプレートが得られるまで徐々に大きくす
る。すなわち、図３のステップＳ５においてずらし幅を
設定したのち、ずらし幅が上限値以下であるかを調べ
（ステップＳ６）、ずらし幅が上限値以下の場合は、ス
テップＳ７以降の処理を行う。そして後述するステップ
Ｓ９において、選択したカテゴリ以外の学習パターンの
部分データの誤差が全て閾値以上でないと判定された場
合には、ステップＳ５に戻り、ずらし幅を少し大きくし
てステップＳ６に行く。また、ステップＳ６でずらし幅
が上限値を越えたと判定された場合、ステップＳ３に戻
り、前記したように新たなターゲットを設定する。この
ように、ずらし幅を小さい値から始めるため、学習パタ
ーン毎の位置のずれがより小さい部分データから生成さ
れる平均テンプレートをみつけることができる。

【００１７】（４）４段階目（図３中の）では、平均
テンプレートの候補となる平均テンプレート候補を生成
する（ステップＳ７）。ここで、平均テンプレート候補
とは、前記したようにターゲット上に存在する部分デー
タのモデルとして、各学習パターンのターゲット上に存
在する部分データの値をそれぞれ平均したものである。
すなわち、部分データの位置は、学習パターン毎に少し
ずれている場合があるので、周辺範囲のなかで各学習パ
ターン毎に最も共通する部分データを抜き出す。図５は
平均テンプレート候補生成の概念図である。同図におい
て、Ｄ（１）〜Ｄ（Ｈ）は１番目〜Ｈ番目の学習パター
ン、Ｔ（ｊ）は平均テンプレート候補であり、ｇ１
（ｐ）〜ｇＨ（ｐ）は繰り返しｐにおける平均テンプレ
ート候補Ｔ（ｊ）と各学習パターンＤ（１）〜Ｄ（Ｈ）
の部分データとの誤差を表す。平均テンプレート候補の
生成は、まず平均テンプレート候補Ｔ（ｊ）と各学習パ
ターンＤ（１）〜Ｄ（Ｈ）の部分データとの誤差が最小
となるように部分データのｉ次元目の開始位置を設定
し、その時の誤差ｇｈ（ｐ）を計算する（図５の）。

【００１８】次いで、誤差の平均Ｇ（ｐ）＝｛Σｇｈ
（ｐ）｝／Ｈを計算する（図５の）。そして、前回の
平均誤差Ｇ（ｐ−１）と今回の平均誤差Ｇ（ｐ）を比較
して、今回の方が小さければ、まだ良い候補が得られる
と判断して、へ行き各学習パターンにおいて誤差が最
小となる部分データのデータ毎の値を平均した新候補Ｔ
（ｊ）＝｛Σｄｈ／Ｈ｝を生成する。また、そうでなけ
れば、閾値Ｒ（ｊ）を設定して処理を終了する（図５の
）。なお、閾値Ｒ（ｊ）は次に説明するように、平均
テンプレート候補と各学習パターンの周辺範囲に存在す
る部分テンプレートとの最小誤差の最大値である。

【００１９】（５）５段階目（図３中の、ステップＳ
８）では、閾値を設定する。閾値とは、前記したように
生成対象であるカテゴリの学習パターンが存在しうる平
均テンプレートからの距離を表すもので、ここでは、平
均テンプレート候補と、各学習パターンの周辺範囲に存
在する部分テンプレートとの最小誤差の最大値とする。
誤差は、平均テンプレートと部分データとの各値の差の
絶対値の総和である。図６に閾値の設定方法の概念図を
示す。同図はカテゴリＡの平均テンプレート候補に対す
る閾値の設定方法を示している。図６において、Ａ１〜
Ａ３はカテゴリＡの第１番目〜第３番目の学習パター
ン、Ｔ（ｊ）はカテゴリＡの平均テンプレート候補であ
り、円は閾値を示し、中心からの距離が各学習パターン
の最小誤差である。図６では、Ａ２番目の学習パターン
において、平均テンプレート候補との誤差が最小となる
部分データの誤差が２０であり、Ａ１番目、Ａ２番目の
最小誤差より大きく、学習パターンにおける最小誤差の
中では最大である。そのため、閾値は２０に設定され
る。

【００２０】（６）６段階目（図３中の）では、平均
テンプレート候補の閾値判定を行い、平均テンプレート
を決定する。ここでは、平均テンプレート候補が以下の
条件を満足すれば、平均テンプレートとする。その条件
とは、平均テンプレート候補に対応するカテゴリ以外の
学習パターンの全てに対して、その中に存在するあらゆ
る部分データと、平均テンプレート候補との誤差が閾値
より大きくなることである。すなわち、図３のステップ
Ｓ９において、選択したカテゴリ以外の学習パターンの
部分データの誤差が全て閾値以上であるかを判定し、誤
差が全て閾値以上である場合には、その平均テンプレー
ト候補を平均テンプレートとする（ステップＳ１０）。
また、誤差が全て閾値以上でない場合には、その平均テ
ンプレート候補は、平均テンプレートになり得ないの
で、ステップＳ５に戻り、前記処理を繰り返す。

【００２１】図７に平均テンプレート候補の閾値判定の
概念図を示す。同図（ａ）は平均テンプレートである場
合、（ｂ）は平均テンプレートでない場合である。同図
（ａ）に示すように、カテゴリＡの平均テンプレート候
補からのカテゴリＡ以外の各学習パターン、すなわち、
カテゴリＢの各学習パターンＢ１，Ｂ２，カテゴリＣの
学習パターンＣ１，Ｃ２等に存在する部分データの誤差
が、いずれも閾値２０より大きい場合は、平均テンプレ
ート候補が平均テンプレートとなる。これは、カテゴリ
Ａの学習パターンは全ての部分テンプレートの誤差が閾
値以下となり、それ以外のカテゴリでは全ての部分テン
プレートの誤差が閾値を超えるため、この平均テンプレ
ート候補はカテゴリ固有の部分テンプレートであるとい
えるからである。一方、同図（ｂ）に示すように、カテ
ゴリＡの平均テンプレート候補からの誤差が閾値２０以
下となるカテゴリＡ以外の部分データ（例えばカテゴリ
Ｂの学習パターンＢ１の部分データ）が存在すると、カ
テゴリ固有の部分テンプレートとは言えないので、平均
テンプレートにはならない。

【００２２】次に上記した、平均テンプレートと閾値を
生成するアルゴリズムの具体例について説明する。な
お、以下では、Ｈ個の学習パターンのうち、ｈ番目の学
習パターンを、Ｄ（ｈ）＝｛ｄ_h（ｕ₁，ｕ₂，…，ｕ
_n）｝とする。ここで、ｄ_hは学習パターン上のピクセ
ルの値を表し、ｕ₁，ｕ₂，…，ｕ_n（ｕ_i＝１，２，
…，Ｗ_i）は、そのピクセルのｉ次元の座標値を表す。
ここで、ｉは次元を表し、ｉ＝１，２，…，ｎであり、
ｎは次元数である。例えば前記図４では、ｎ＝２の場合
のｈ番目の学習パターンＤ（ｈ）を表している。また、
Ｗ_iはｉ次元の最大値（ｉ次元の最大ピクセル数）であ
る。例えば、上記においてｕ_iは、ｕ_i＝１，ｕ_i＝
２，…，ｕ_i＝Ｗ_iの値を持つ。ここでは、簡単のため
に各次元の最大値（Ｗ_i）は、学習パターン全てに対し
て同じと仮定している。

【００２３】以下の処理をパターン上の全ての座標位置
に対して実施するために、ターゲット（ｗ₁，ｗ₂，
…，ｗ_n）をｆｏｒ（ｗ₁＝１，２，…，Ｗ₁、ｗ₂＝
１，２，…，Ｗ₂、…、ｗ_n＝１，２，…，Ｗ_n）で変
えて、すなわち、ターゲット（ｗ₁，ｗ₂，…，ｗ_n）
の値を、各次元の最大値まで変えて、以下の処理を繰り
返す（前記図３のステップＳ３〜Ｓ１０に対応）。・平
均テンプレートが得られるまで、ずらし幅ｚを０〜Ｚま
で変えて、すなわち、ｆｏｒ（ｚ＝０，１，…，Ｚ）で
以下の処理を繰り返す（前記図３のステップＳ５〜Ｓ
９）。以下の（１）を実行し、ｊ番目の平均テンプレート
候補Ｔ（ｊ）＝｛ｄ（ｖ ₁，ｖ₂，…，ｖ_n）｝と閾値
Ｒ（ｊ）を生成する（前記図３のステップＳ７〜Ｓ
８）。ここで、ｄ（ｖ₁，ｖ₂，…，ｖ_n）は、平均テ
ンプレート候補の座標位置（ｖ₁，ｖ₂，…，ｖ_n）に
存在するデータを表し、ｖ_iは周辺範囲内のｉ次元の座
標を表し、ｖ₁＝ｘ_i，ｘ_i＋１，…，ｘ_i＋ｋ_i−１
である。また、ｘ_iは部分データのｉ次元目の開始位置
を表し、ｘ_i＝ｗ_i−ｚ，ｗ_i−ｚ＋１，…，ｗ_i＋ｚ
であり、ｋ_iは部分データのｉ次元の大きさである。以下の（２）を実行して、平均テンプレートを決定
する（図３のステップＳ９，Ｓ１０）。もし平均テンプレートが得られればｚのｆｏｒ文を
抜ける（図３のステップＳ１０）。

【００２４】次に上記（１）（２）の処理について説明
する。（１）平均テンプレート候補の生成と閾値の設定（前記
図５、図６および図３のステップＳ７，Ｓ８参照） (a) 平均テンプレート候補の初期値を設定する。ｘ_i＝
ｗ_iとして、Ｔ（ｊ）＝｛ｄ₁（ｖ₁，ｖ₂，…，
ｖ_n）｝（第１番目の学習パターン）とする。 (b) Ｇ（０）＝∞を初期値とする。ここで、Ｇ（ｐ）は
繰り返しｐにおける、平均テンプレート候補と、各学習
パターンの部分データとの最小誤差の総和を表す。 (c) 各学習パターンとの誤算がより小さい平均テンプレ
ート候補を選び出すために、ｆｏｒ（ｐ＝１，２，…，
Ｐ）として、すなわちｐを１からＰまで変えながら、以
下を実行する。ここで、ｐは繰り返し回数であり、前記
図５に示したように以下の４段階の処理を行う。

【００２５】各学習パターンの誤差の計算する。こ
こでは、平均テンプレート候補との誤差が最小となる部
分データを、各学習パターンに対して選び出すために、
ｆｏｒ（ｈ＝１，２，…，Ｈ）として、すなわち各学習
パターンについて以下を実行する。平均テンプレート候
補Ｔ（ｊ）と学習パターン｛ｄ_h（ｖ₁，ｖ₂，…，ｖ
_n）｝との誤差が最小となるようにｘ_iを設定し、その
ときの誤差をｇ_h（ｐ）とする。ここで、誤差はデータ
毎の差の絶対値の総和である。誤差平均Ｇ（ｐ）を計算する。すなわち、前記した
ように以下の式を計算する。Ｇ（ｐ）＝（Σ^H _h=1ｇ_h（ｐ））／Ｈ前の誤差平均と比較し、今回の方が小さければ、ま
だ良い候補が得られると判断し新候補を生成して、さら
に繰り返しを続ける。そうでなければ、閾値を設定して
終了する。すなわち、前記図５で説明したように、ｉｆ
（Ｇ（ｐ）＜Ｇ（ｐ−１））ならば、新候補を生成し、
そうでなければ、図６に示したように、閾値Ｒ（ｊ）＝
ｍａｘ｛ｇ₁（ｐ−１），ｇ₂（ｐ−１），…，ｇ
_H（ｐ−１）｝の設定をして、ｆｏｒ文を抜けて終了す
る。新候補を生成する。すなわち、以下の式により新候
補を求める。Ｔ（ｊ）＝｛Σ^H _h=1ｄ_h（ｖ₁，ｖ₂，…，ｖ_n））
／Ｈ｝ここでは、各学習データにおいて誤差が最小となる部分
データのデータ毎の値を平均したものを新候補とする。

【００２６】（２）平均テンプレート候補の閾値判定
（前記図７および図３のステップＳ９，Ｓ１０参照）。
前記図７で説明したように、平均テンプレート候補に対
応するカテゴリ以外の学習パターンに存在する部分デー
タを順に走査し、平均テンプレート候補との誤差が全て
閾値より大きくなる場合に、平均テンプレートとする。

【００２７】以上説明した実施例では、学習パターン上
のある位置での部分データついて平均テンプレートを生
成する場合につい説明したが、学習パターン上の位置毎
に部分テンプレート候補を生成し、生成された部分テン
プレートの候補から部分テンプレートを決定することも
できる。すなわち、図８に示すように、学習パターンの
位置Ａ，Ｂの部分データについて上記のようにして平均
テンプレートの候補を生成し、ある基準に従って上記位
置毎に生成した部分テンプレートの候補の中から部分テ
ンプレートを選別するようにしてもよい。

【００２８】（付記１）データの一部が欠けた観測パ
ターンを予め定められた複数のカテゴリに分類するため
に使用される部分テンプレートの生成装置であって、学
習パターンから、学習パターン毎に位置をずらしながら
最もマッチする部分データを抽出する手段と、抽出され
た部分データを用いて部分テンプレートを決定する手段
とを備えたことを特徴とする部分テンプレート生成装
置。（付記２）上記部分テンプレート決定手段は、抽出さ
れた最もマッチする部分データを平均化することによ
り、部分テンプレートの候補を生成し、生成された部分
テンプレートの候補から部分テンプレートを決定するこ
とを特徴とする付記１の部分テンプレート生成装置。（付記３）上記部分データを抽出する手段は、部分デ
ータを抽出する際に用いるずらし幅を徐々に増やしてい
くことを特徴とする付記１または付記２の部分テンプレ
ート生成装置。（付記４）部分データが存在する学習パターン上の位
置毎に、部分テンプレート候補を生成し、生成された部
分テンプレートの候補から部分テンプレートを決定する
ことを特徴とする付記１，２または付記３の部分テンプ
レート生成装置。（付記５）データの一部が欠けた観測パターンを予め
定められた複数のカテゴリに分類するために使用される
部分テンプレートを生成するためのプログラムであっ
て、上記プログラムは、学習パターンから、学習パター
ン毎に位置をずらしながら最もマッチする部分データを
抽出する処理と、抽出された部分データを用いて部分テ
ンプレートを決定する処理をコンピュータに実行させる
ことを特徴とする部分テンプレート生成するためのプロ
グラム。（付記６）データの一部が欠けた観測パターンを予め
定められた複数のカテゴリに分類するために使用される
部分テンプレートの生成するためのプログラムを記録し
た記録媒体であって、上記プログラムは、学習パターン
から、学習パターン毎に位置をずらしながら最もマッチ
する部分データを抽出し、抽出された部分データを用い
て部分テンプレートを決定することを特徴とする部分テ
ンプレート生成するためのプログラムを記録した記録媒
体。（付記７）データの一部が欠けた観測パターンを予め定
められた複数のカテゴリに分類するために使用される部
分テンプレートの生成装置であって、学習パターンか
ら、学習パターン毎に位置をずらしながら、仮に決定し
た部分テンプレートとの誤差が最小となる部分データを
抽出する手段と、抽出された部分データを用いて部分テ
ンプレートを決定する手段とを備えたことを特徴とする
部分テンプレート生成装置。

【００２９】

【発明の効果】以上説明したように、本発明において
は、一部分のデータだけを使用したカテゴリ固有の部分
テンプレートを得ることができ、これらを複数用いるこ
とにより、マッチすべきデータの一部分が欠けている入
力パターンに対しても、カテゴリ分類が可能となる。こ
のため、従来、カテゴリ分類できなかった入力パターン
に対してもカテゴリ分類が可能となり、分類正解率を向
上させることが可能となる。

【図面の簡単な説明】

【図１】本発明の概要を説明する図である。

【図２】本発明の実施例の機能ブロック図てある。

【図３】本発明の実施例の全体処理を示すフローチャー
トである。

【図４】学習パターン上における上記ターゲット設定と
ずらし幅の概念（ｎ＝２の場合）を説明する図である。

【図５】平均テンプレート候補の生成の概念を説明する
図である。

【図６】閾値の設定方法の概念を説明する図である。

【図７】平均テンプレート候補の閾値判定の概念を説明
する図である。

【図８】学習パターン上の位置毎に、部分テンプレート
候補を生成する場合を説明する図である。

【図９】テンプレートを用いて観測パターンをカテゴリ
分類する手法を説明する図である。

【符号の説明】

１学習パターン２部分データを抽出する手段１３部分テンプレートを決定する手段４カテゴリ毎の部分テンプレート１１学習パターン１２カテゴリ選択手段１３ターゲット設定手段１４ずらし幅設定手段１５平均テンプレートを生成する手段１６閾値判定手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者岡田浩之神奈川県川崎市中原区上小田中４丁目１番１号富士通株式会社内 (72)発明者渡部信雄神奈川県川崎市中原区上小田中４丁目１番１号富士通株式会社内Ｆターム(参考） 5L096 HA07 JA09 KA04 KA13

Claims

【特許請求の範囲】

【請求項１】データの一部が欠けた観測パターンを予
め定められた複数のカテゴリに分類するために使用され
る部分テンプレートの生成装置であって、学習パターンから、学習パターン毎に位置をずらしなが
ら最もマッチする部分データを抽出する手段と、抽出された部分データを用いて部分テンプレートを決定
する手段とを備えたことを特徴とする部分テンプレート
生成装置。
【請求項２】上記部分テンプレート決定手段は、抽出
された最もマッチする部分データを平均化することによ
り、部分テンプレートの候補を生成し、生成された部分
テンプレートの候補から部分テンプレートを決定するこ
とを特徴とする請求項１の部分テンプレート生成装置。
【請求項３】上記部分データを抽出する手段は、部分
データを抽出する際に用いるずらし幅を徐々に増やして
いくことを特徴とする請求項１または請求項２の部分テ
ンプレート生成装置。
【請求項４】部分データが存在する学習パターン上の
位置毎に、部分テンプレート候補を生成し、生成された
部分テンプレートの候補から部分テンプレートを決定す
ることを特徴とする請求項１，２または請求項３の部分
テンプレート生成装置。
【請求項５】データの一部が欠けた観測パターンを予
め定められた複数のカテゴリに分類するために使用され
る部分テンプレートを生成するためのプログラムであっ
て、上記プログラムは、学習パターンから、学習パターン毎
に位置をずらしながら最もマッチする部分データを抽出
する処理と、抽出された部分データを用いて部分テンプレートを決定
する処理をコンピュータに実行させることを特徴とする
部分テンプレート生成するためのプログラム。
【請求項６】データの一部が欠けた観測パターンを予
め定められた複数のカテゴリに分類するために使用され
る部分テンプレートを生成するためのプログラムを記録
した記録媒体であって、上記プログラムは、学習パターンから、学習パターン毎
に位置をずらしながら最もマッチする部分データを抽出
し、抽出された部分データを用いて部分テンプレートを決定
することを特徴とする部分テンプレート生成するための
プログラムを記録した記録媒体。