JP2002216134A

JP2002216134A - 画像選択システム、画像選択方法および画像選択プログラム

Info

Publication number: JP2002216134A
Application number: JP2001015591A
Authority: JP
Inventors: Yutaka Kuramochi; 裕倉持
Original assignee: ATR Adaptive Communications Research Laboratories
Current assignee: ATR Adaptive Communications Research Laboratories
Priority date: 2001-01-24
Filing date: 2001-01-24
Publication date: 2002-08-02

Abstract

(57)【要約】【課題】特徴数の変化に柔軟に対応でき、かつ、容易
に入力ベクトルの要素を削減または増加することが可能
な画像選択システムを提供する。【解決手段】画像選択システム１０００は、画像情報
に基づいて、ｎ個（ｎ：自然数）の特徴量のうちからｍ
個（ｍ≦ｎ）の特徴量を選択的に抽出するための特徴量
検出器１０１と、ｎ個の特徴量を入力として訓練され、
ｍ個の特徴量を受けて補間処理を行うための自己組織化
マップ１０３と、自己組織化マップ１０３から出力され
る補間された情報を入力とし、画像情報を選択するため
の情報を生成する階層型パーセプトロン１０４とを備え
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、映像の分類、認識
に対してニューラルネットワークを用いる画像選択シス
テムおよび画像選択方法に関し、より特定的には、ネッ
トワーク、たとえばインターネットに接続された複数の
装置間でシステムの調整を図り、検索したうえでユーザ
に提示する画像選択システムおよび画像選択方法に関す
る。

【０００２】

【従来の技術】従来の画像検索システムは、たとえば、
対象を分析し特徴を抽出する回路と、抽出された特徴を
入力とし、訓練データを用いて判断出力との写像を構築
する回路とによって構成される。このような画像検索シ
ステムにおける判断システムにおいては、その判断精度
は複数の特徴を組合せることで向上するが、同時にそれ
が扱わなければならない次元数や冗長性も高くなる。こ
のため、従来は、直交性に基づく変換で次元数の削減や
判断の正確性を高め、各特徴量が判断に及ぼす影響度を
測定することで、特徴（回路）数の削減すなわち演算量
の削減を図っていた。

【０００３】あるいは、他の従来の画像検索システムで
は、演算量に制限を設けて、初めから使用する特徴数を
制限してしまう場合もある。

【０００４】ここで、画像検索等で用いられる画像の
「特徴」とは、たとえば、周波数空間への直交変換や色
空間への変換、エッジ検出、濃度検出により抽出される
ものであり、複数の分割された画像から特徴量の検出が
行われる場合もある。

【０００５】このようにして得られた特徴を、たとえば
階層型パーセプトロンなどのニューラルネットワークを
用いて、分析、認識、判断、選択を行なう画像検索手法
が、たとえば、文献１：野村他、“多層型ニューラルネ
ットワークを用いた画像検索”、信学技報ＮＣ９８−７
４（1999-01）pp.41-48に開示されている。この文献１
では、特徴量として画像の色表現であるＲ，Ｇ，Ｂまた
はＹ，Ｉ，Ｑを用いて、ウェーブレット変換または離散
コサイン変換を用いて画像検索を行っている。この文献
１では、与えられる特徴ベクトルは、３×３×６４次元
とし、画像の分類選択を行なっている。

【０００６】

【発明が解決しようとする課題】上記のような従来手法
は、少なくとも訓練データの判断で、誤判断が引起され
ないことを前提に演算量を削減する方法である。しかし
ながら、上述のように訓練データの範疇では十分に演算
量を削減したシステムを用いたとしても、通信ネットワ
ーク上でこのようなシステムを利用するためには、以下
で説明するような問題が新たに発生する。

【０００７】一例として、ネットワークで接続されたコ
ンピュータ間を利用者に要求された情報を求めて渡り歩
くエージェントに画像検索のための判断システムが組込
まれている場合を考える。

【０００８】このとき、現実的な利用を考えると、利用
者の必要としている時間内に何らかの回答を示さなけれ
ば、いかに回答が正確であっても、情報としての価値を
失う恐れがある。このため、エージェントが利用者に回
答を示すまでの時間に制限を設けることが重要となると
考えられる。

【０００９】すなわち、回答時間に対する優先度が高く
なると、訓練データの範疇であっても誤判定を許容し、
さらなる演算量の削減が要求される場合が存在すること
になる。

【００１０】たとえば、上記文献１を例に取ると、Ｒ，
Ｇ，ＢまたはＹ，Ｉ，Ｑのうちの１つを削減すれば、特
徴抽出にかかる時間は２／３になる。しかしながら、こ
のような特徴量の範囲の削減は、誤判断を急激に増加さ
せる。

【００１１】このため、上述のようなネットワーク上の
システムを考えると、誤判断を引起すことを前提とした
うえで、特徴量と判断に及ぼす影響度との関係を求め、
特徴数の削減による急激な誤判断の増加を阻止しなけれ
ばならない、という問題がある。

【００１２】さらには、エージェントが向かった先のコ
ンピュータシステムの置かれている環境、たとえばＣＰ
Ｕの処理能力、メモリ容量、通信速度、同時実行されて
いる負荷の状況などはさまざまである。このため、少し
でも正確な解答を得るためには、エージェントが向かっ
た先のコンピュータシステムごとにエージェントの行な
う演算量を適用的に変更できることが望ましい。このた
めには、予め特徴の削減順を決めておき、コンピュータ
システムの処理能力に合わせて特徴の削減順を記したテ
ーブルをもとに削減数を調整することで、急激な誤判断
の増加を抑えながら演算量を調整することが必要とな
る。

【００１３】ところが、誤判断の許容範囲と削減対象と
なる特徴との削減順は、膨大な組合せ数から求める必要
があり、容易に求めることが困難であるという、新たな
問題が発生する。

【００１４】特に、階層型パーセプトロンのように非線
形処理を行なう場合、入力される特徴数すなわち入力ベ
クトルの次元数が増減することは、出力結果に大きな影
響を及ぼす。また、１つの特徴抽出回路から得られる特
徴は１つとは限らない。すなわち、１つの特徴抽出回路
から階層型パーセプトロンの入力ベクトルの要素が複数
次元出力される場合もある。

【００１５】本発明は上記のような問題点を解決するた
めになされたものであって、その目的は、入力ベクトル
の次元数の変化すなわち特徴数の変化に柔軟に対応で
き、かつ、容易に入力ベクトルの要素を削減または増加
することが可能な画像選択システム、画像選択方法およ
び画像選択プログラムを提供することである。

【００１６】本発明の他の目的は、特に、本発明がソフ
トウェアとして構成された場合に、演算量の増減に直接
的に繋がる特徴検出の要素数の増減に対して、判断時間
と判断精度のバランスを取ることが可能な画像選択シス
テム、画像選択方法および画像選択プログラムを提供す
ることである。

【００１７】

【課題を解決するための手段】請求項１記載の画像選択
システムは、画像情報に基づいて、ｎ個（ｎ：自然数）
の特徴量のうちからｍ個（ｍ：自然数、ｍ≦ｎ）の特徴
量を選択的に抽出するための特徴抽出手段と、特徴抽出
手段により抽出されうるｎ個の特徴量を入力として訓練
され、ｍ個の特徴量を受けて補間処理を行うための連想
記憶手段と、連想記憶手段から出力される補間された情
報を入力とし、画像情報を選択するための情報を生成す
る多層パーセプトロン型分類手段とを備える。

【００１８】請求項２記載の画像選択システムは、請求
項１記載の画像選択システムの構成に加えて、連想記憶
手段は、特徴量抽出回路からの出力を入力ベクトルとし
て動作する自己組織化マップを含む。

【００１９】請求項３記載の画像選択システムは、請求
項２記載の画像選択システムの構成に加えて、多層パー
セプトロン型分類手段は、訓練集合による訓練を終えた
自己組織化マップに訓練集合を入力して得られる出力
を、入力として与えられることで訓練される。

【００２０】請求項４記載の画像選択システムは、請求
項１記載の画像選択システムの構成に加えて、特徴抽出
手段は、画像情報に基づいて、各々がｎ個の特徴量のう
ちの対応する特徴量を抽出する複数の抽出手段と、複数
の抽出手段を選択的に活性化し、画像選択に使用する特
徴量の個数を調整する特徴量選択手段とを含む。

【００２１】請求項５記載の画像選択システムは、請求
項４記載の画像選択システムの構成に加えて、特徴抽出
手段は、画像選択に使用する特徴量の選択において、選
択する特徴量の組合せを、予めルックアップテーブルと
して保持し、ルックアップテーブルに従って演算量を調
整する。

【００２２】請求項６記載の画像選択方法は、画像情報
に基づいて、ｎ個（ｎ：自然数）の特徴量のうちからｍ
個（ｍ：自然数、ｍ≦ｎ）の特徴量を選択的に抽出する
ステップと、ｎ個の特徴量を入力として訓練された連想
記憶手段により、ｍ個の特徴量に対して補間処理を行う
ステップと、補間処理された情報を入力とする多層パー
セプトロン型分類手段により、画像情報を選択するため
の情報を生成するステップとを備える。

【００２３】請求項７記載の画像選択プログラムは、画
像選択を行うための画像選択プログラムであって、画像
情報に基づいて、ｎ個（ｎ：自然数）の特徴量のうちか
らｍ個（ｍ：自然数、ｍ≦ｎ）の特徴量を選択的に抽出
するステップと、ｎ個の特徴量を入力として訓練された
連想記憶手段により、ｍ個の特徴量に対して補間処理を
行うステップと、補間処理された情報を入力とする多層
パーセプトロン型分類手段により、画像情報を選択する
ための情報を生成するステップと、をコンピュータに実
行させる。

【００２４】

【発明の実施の形態】以下に、本発明の実施の形態を画
像の分類を対象として説明する。

【００２５】図１は、本発明による画像選択システム１
０００の構成を示す概略ブロック図である。

【００２６】入力画像１００に対して、特徴量検出器１
０１は、１６種類の特徴量を内部で並列に算出する特徴
量算出回路１０１０．０〜１０１０．１５を有する。

【００２７】特徴量検出器１０１には、特徴量算出回路
１０１０．０〜１０１０．１５の特徴量の検出動作を個
別に停止させるために、１６種類の特徴量それぞれに、
その要素が対応する１６次元ベクトルの制御信号１０２
が接続されている。

【００２８】また、特徴量検出器１０１の出力は、１６
次元ベクトルとして自己組織化マップ１０３へ入力され
る。

【００２９】自己組織化マップ１０３には、前記制御信
号１０２も入力され、その状態に応じて上記１６次元入
力ベクトルのうち、有効な要素のみで自己組織化マップ
１０３の各構成ユニットとのユークリッド距離が、以下
に説明する式（１）に従って計算される。

【００３０】

【数１】

【００３１】式（１）において、Ｄ_mは、自己組織化マ
ップ１０３のｍ番目のユニットの持つ内部ベクトルＵ_m
と入力ベクトルＸとの距離を表わし、ｘ_iは、入力ベク
トルＸのｉ番目の要素で、ｕ_miは、自己組織化マップ１
０３のｍ番目のユニットのｉ番目の要素である。

【００３２】また、ｈ（ｉ）は、制御信号１０２のｉ番
目の制御信号に対応して、特徴量検出器１０１のｉ番目
の特徴量抽出回路１０１０．ｉが動作している場合は、
ｈ（ｉ）＝１とし、停止している場合にはｈ（ｉ）＝０
となる係数である。

【００３３】自己組織化マップ１０３は、このＤ_mをす
べてのユニットについて求め、ユークリッド距離を最小
とするＤ_cを持つユニットの１６次元ベクトルの内部ベ
クトルＵｃを出力する。言いかえると、自己組織化マッ
プ１０３は、特徴量検出器１０１からの１６次元入力ベ
クトルＸを受けて、入力ベクトルＸの要素について補間
処理を行なう連想記憶器として機能する。

【００３４】自己組織化マップ１０３から出力されたベ
クトルＵｃは、３層の階層型パーセプトロン１０４へ入
力される。

【００３５】３層の階層型パーセプトロン１０４は、１
６次元の入力ベクトルを２次元ベクトルに変換し判断結
果を出力する。

【００３６】ここで、特徴量検出器１０１において検出
される特徴量としては、たとえば、すでに述べたような
周波数空間への直交変換や色空間への変換、エッジ検
出、濃度検出等が考えられる。ただし、以下の説明で明
らかとなるように、本発明は検出される特徴の種類に依
存するものではなく、これ以外の特徴量についても適用
することが可能である。

【００３７】以下では、画像の特徴が１６種類の特徴量
として抽出されているものとして説明することにする。

【００３８】また、たとえば、画像選択システム１００
０において、特徴量検出器１０１、自己組織化マップ１
０３および３層の階層型パーセプトロン１０４は、いず
れもソフトウェアとして構成することも可能である。制
御信号１０２によって、特徴量検出器１０１の中の特徴
量抽出回路１０１０．０〜１０１０．１５の一部が動作
を停止するということは、画像選択システム１０００が
ソフトウェアで構成される場合は、とりもなおさず、ソ
フトウェアの一部の動作が不要となって演算量が削減さ
れることを意味する。

【００３９】以下の説明では、上記抽出された１６次元
の入力ベクトルで表現される入力画像を、２つの集合の
どちらに属するかを選択する際に、本発明に係る画像選
択システム１０００を用いる構成、動作およびその効果
を中心として説明する。すなわち、説明の簡単のため
に、入力画像を２種類に分類することを目的とした画像
選択システムとして本発明について説明することにす
る。ただし、本発明はこのような場合に限定されること
なく、入力画像をより多くの種類に分類する場合にも適
用可能なものである。

【００４０】このような画像選択システム１０００の構
成においては、その出力は、２次元ベクトルで表現さ
れ、２つの要素の大小関係で２種類のどちらに画像を分
類するかが決定される。

【００４１】ここで、本発明に係る画像選択システム１
０００について、要約すると以下のとおりである。

【００４２】すなわち、本発明は、従来の少なくとも訓
練データの範疇で正確な判断を行なうことを前提とした
処理の削減に対して、訓練データの範疇であっても誤判
断を許容することで、一層の処理の削減を実現するため
にはいかにするべきかという問題を扱うものである。

【００４３】本発明に係る画像選択システム１０００で
は、特徴量検出器１０１中の複数の特徴抽出回路と、こ
のような特徴抽出回路から抽出された複数の特徴量の組
合せから解（判断）を出力する回路（自己組織化マップ
１０３および階層型パーセプトロン１０４）とから構成
される判断システムにおいて、特徴数を故意に削減、す
なわち特徴抽出回路の削減によって上記問題を解決す
る。特に、以下の説明で明らかとなるように、特徴数を
任意に削減できるという特徴がある。

【００４４】従来の階層型パーセプトロンへ直接データ
ベクトルを入力する方法では、階層型パーセプトロンが
非線形変換を行なうことから、その入力ベクトルの一部
要素の削除は出力結果に大きな違いを生じる可能性が高
い。

【００４５】そこで、本発明に係る画像選択システム１
０００では、連想記憶の手法を用い、一部要素の削除さ
れた入力ベクトル信号の残されたベクトル要素との距離
空間から、全要素の揃ったベクトル信号を生成する連想
記憶装置を用意し、生成されたベクトル信号を階層型パ
ーセプトロンの入力ベクトル信号に置換する。

【００４６】その結果、次元数の異なる入力ベクトル信
号に対しても、専用の階層型パーセプトロンを用意し再
訓練を行なうことなく、入力ベクトルの次元数の変化に
柔軟な対応が可能となる。

【００４７】そこで、特徴数の削減により判断に与える
影響度を極力抑える手段として、自己組織化マップの連
想記憶を用いて削減部分を補間する。また、自己組織化
マップを通して評価を行なうことで、誤判断を急激に増
加させないための特徴の削減順を自動的にわずかな演算
で見つけることを可能とするシステムを提供する。

【００４８】ここで、「自己組織化マップ」とは、チュ
ーボ・コホーネンにより考案されたものである。自己組
織化マップは、高次元ベクトルを低次元の位相幾何学的
に規則正しく配置されたノード（ユニット）へマッピン
グする。

【００４９】通常、高次元空間のデータを２次元配列な
どの低次元空間へマッピングすることで高次元空間を視
覚化したり、一部要素の欠落した信号を補間する連想記
憶のために用いられるアルゴリズムのことである。この
ような自己組織化マップについては文献２：T.Kohonen
著“Self-Organizing Maps”、Springer-Verlag発行
（日本語版；「自己組織化マップ」、Ｔ．コホーネン
著、高徳平蔵訳；シュプリンガー・フェアラーク東京
（株）発行）に詳しく記載されている。

【００５０】以下、図１に示した画像選択システム１０
００について、さらに詳しく説明する。

【００５１】［画像選択システム１０００の訓練］次
に、本発明による画像選択システム１０００の訓練の様
子を説明する。

【００５２】訓練用データとして、以下の表１のような
入力ベクトルＸと期待値出力ベクトルＴとの組（Ｘ，
Ｔ）を与える。

【００５３】

【表１】

【００５４】本来は、入力画像と期待値出力ベクトルＴ
の組が、訓練データセットとなるが、ここでは簡単のた
め前述したように１６次元の特徴量が検出されているも
のとして、１６次元の特徴ベクトルＸと２次元の期待値
出力ベクトルＴの組（Ｘ，Ｔ）を、組数ＰとしてＰ＝８
組用いた場合について説明することにする。

【００５５】図２は、自己組織化マップ１０３の構成を
示す概念図である。自己組織化マップ１０３は、図２の
小さな円で示される２次元配置された内部ユニットを使
用する。

【００５６】自己組織化マップは、任意のクラス情報な
いしベクトル集合に対してユニットを分配して、多次元
空間を低次元空間（たとえば、以下の説明では２次元）
で表現する能力を持つ。

【００５７】また、訓練を終えた自己組織化マップに対
して、一部要素が欠落したベクトルを提示することで、
欠落した部分を連想する連想記憶にも用いることができ
る。本発明に係る画像選択システム１０００では、上述
したとおり、この連想記憶の能力を使用する。

【００５８】［自己組織化マップ１０３の訓練］図３
は、本実施例で用いた公知のコホーネンの訓練アルゴリ
ズムを示すフローチャートである。

【００５９】図２の自己組織化マップを構成する各ユニ
ットは、それぞれ内部に入力と同じ次元のベクトルＵ＝
（ｕ₁，ｕ₂，…，ｕ_i）を有する。

【００６０】図３を参照して、まず、これらユニットの
持つベクトルＵの状態を乱数を用いて初期化する（ステ
ップＳ１）。

【００６１】次に、訓練ベクトルＸ＝（ｘ₁，ｘ₂，…，
ｘ_i）と各ユニットのベクトルＵとの距離ｄを以下の式
（２）により求める（ステップＳ２）。

【００６２】

【数２】

【００６３】式（２）においては、ｔを訓練の回数と同
位の離散時間単位としてｍ番目のユニットのベクトル要
素ｕ_mi（ｔ）と、訓練ベクトル要素ｘ_i（ｔ）から訓練
ベクトルとｍ番目のユニットのベクトルの距離ｄ_mが計
算される。

【００６４】次に、距離ｄ_mのうちで、最小の値を持つ
ユニットを勝者ユニットＵｃとして選択する（ステップ
Ｓ３）。

【００６５】さらに、勝者ユニットＵｃと近傍関数ｋ
（ｔ）とによって定義される以下の式（３）によって、
勝者ユニットＵｃとその近傍ユニットのベクトルＵ_mの
要素を更新する（ステップＳ４）。

【００６６】ｕ_mi（ｔ＋１）＝ｕ_mi（ｔ）＋ｋ（ｔ）｛ｘ_i（ｔ）−ｕ_ci（ｔ）｝…（３）ここで、近傍関数ｋ（ｔ）について説明する。

【００６７】図４は、近傍関数ｋ（ｔ）を定義するため
の勝者ユニットＵｃを中心にした近傍領域を示す概念図
である。

【００６８】近傍関数ｋ（ｔ）は、図４に示すように勝
者ユニットＵｃを中心にした六角形の枠で囲まれた近傍
領域に含まれるユニットＵｍを近傍ユニットと呼び、そ
れ以外のユニットに対してｋ（ｔ）＝０、近傍ユニット
に対してｋ（ｔ）＝ａ（ｔ）ｆ（Ｕｃ，Ｕ_m，ｔ）とし
てベクトルを更新する関数である。

【００６９】また、近傍関数ｋ（ｔ）は、時間の関数で
あり、図４に示すように訓練の初期には広く、訓練の進
行とともに狭くなり、さらにベクトルの更新強度ａ
（ｔ）も変化する関数である。

【００７０】近傍関数ｋ（ｔ）はさまざまな形態が既に
提案されているので、それらから選択して使用すること
ができ、特に限定されるものではないが、以下の説明で
は、以下の式（４）、（５）を用いることとする。

【００７１】

【数３】

【００７２】図３のステップＳ２〜ステップＳ４までの
処理をすべての訓練データについて行ない、これを１回
の訓練として、ステップＳ５で予め指定された訓練回数
に達した場合は訓練を終了し、指定回数に満たない場合
は、ステップＳ２の処理へ戻り訓練を継続する。

【００７３】以上の結果得られたユニットＵ_mにより構
成されるものを、自己組織化マップ１０３とする。

【００７４】［階層型パーセプトロン１０４の訓練］次
に、３層の階層型パーセプトロン１０４の訓練について
説明する。

【００７５】図５は、３層の階層型パーセプトロン１０
４の構造を示す概念図である。３層の階層型パーセプト
ロン１０４の訓練時には、既に自己組織化マップ１０３
の訓練は終了しているものとする。

【００７６】訓練データセットとしては、表１の入力ベ
クトルＸを訓練の終了した自己組織化マップ１０３に入
力して得られる出力ベクトルＵを、３層の階層型パーセ
プトロン１０４の入力ベクトルとして、表１の期待値出
力ベクトルＴと組合せて訓練データセット（Ｕ，Ｔ）を
形成する。

【００７７】図６は、階層型パーセプトロン１０４の訓
練アルゴリズムを示すフローチャートである。

【００７８】ニューラルネットワークの訓練アルゴリズ
ムはさまざまなものが提案されている。以下の説明で
は、図６に示されている公知の高次元アルゴリズムによ
る訓練の例について説明する。このような「高次元アル
ゴリズム」は、例えば、文献３：新上和正著「高次元ア
ルゴリズム」，コンピュータサイエンス誌Ｂｉｔ、１９
９９年７月号Vol31,No.7,p.2, 共立出版株式会社発
行、に開示されている。

【００７９】高次元アルゴリズムは、高次のハミルトン
関数に従って運動する質点がグローバルミニマムの方向
へと自律的に向かう運動を作り出すことで、解を発見的
に探索する組合せ最適化問題を解くアルゴリズムであ
る。

【００８０】図６を参照して、初めに、乱数を用いて結
合荷重ω_ij，Ｗ_jkを初期化する（ステップＳ１０）。ｉ
は入力層のユニット数、ｊは中間層のユニット数、ｋは
出力層のユニット数とする。

【００８１】次に、全訓練ベクトルＵによる全出力ベク
トルＹと全期待値ベクトルＴとの二乗誤差和に基づい
て、結合荷重ω_ij，Ｗ_jkを更新する。

【００８２】言いかえると、現時刻ｔでの結合荷重ω_ij
（ｔ）、Ｗ_jk（ｔ）に基づいて３層の階層型パーセプト
ロン１０４に、ｐ組の入力ベクトルＵを与え、得られた
出力Ｙと期待値ベクトルＴとの二乗誤差和Ｖ₁を評価関
数として、以下の式（６）で与え、訓練を更新する運動
量を計算する（ステップＳ１１）。

【００８３】

【数４】

【００８４】このとき、結合荷重ω_ij，Ｗ_jkで構成され
る多次元空間中を、解を求めて運動する質点の運動方程
式を規定するハミルトニアンＨは、以下の式（７）で指
定される。

【００８５】

【数５】

【００８６】式（７）において、ｆ，ｇは、結合荷重
ω、Ｗに正準共役な変数であり、運動量に相当する。

【００８７】また、各ユニットの入出力関数をパラメー
タＴｓで特性を調節する以下に示す式（８）で示される
ようなシグモイド関数とする。このとき、結合荷重ω、
Ｗが原点から遠ざかると運動が発散するため、原点向き
の力を加えるように、式（７）中のポテンシャルＶ₂，
Ｖ₃を式（９）、（１０）で与えることにする。

【００８８】α，βは、加える力の強さを決めるパラメ
ータである。

【００８９】

【数６】

【００９０】この結果、以下の式（１１），（１２）で
示される方程式に従って、結合荷重ω，Ｗが、１単位時
間ｄｔだけ更新され、これを「１回訓練された」と呼ぶ
ことにする。

【００９１】

【数７】

【００９２】次に、現在までの結合荷重ω，Ｗの更新過
程の中で、最小の二乗誤差和Ｖ₁ｍｉｎと更新された結
合荷重ω（ｔ），Ｗ（ｔ）により求められる二乗誤差和
Ｖ₁（ｔ）とを比較し、Ｖ₁（ｔ）＜Ｖ₁ｍｉｎであれ
ば、Ｖ₁（ｔ）を新たなＶ₁ｍｉｎとし、その結合荷重ω
（ｔ），Ｗ（ｔ）を最小の二乗誤差を与える結合荷重ω
ｍｉｎ，Ｗｍｉｎとして保存する（ステップＳ１２）。

【００９３】続いて、訓練回数が規定値に達したか否か
の判断が行われ（ステップＳ１３）、規定値に達した場
合は処理が終了し、規定数に達していない場合はステッ
プＳ１１の処理へ戻り、さらに訓練を継続する。

【００９４】以上の結果得られた結合荷重ωｍｉｎ，Ｗ
ｍｉｎをパラメータとして、画像選択システムの３層の
階層型パーセプトロン１０４とする。

【００９５】［画像選択システム１０００の動作］図７
は、従来の自己組織化マップを持たない構成の画像選択
システム２０００の構成を説明するための概略ブロック
図である。画像選択システム２０００の構成は、自己組
織化マップ１０３が省略されている以外は、図１に示し
た本願に係る画像選択システム１０００と基本的に同様
であり、同一部分には同一符号を付してその説明は繰り
返さない。

【００９６】以下では、図７の自己組織化マップを持た
ない従来構成の画像選択システム２０００と比較するこ
とで、本発明の画像選択システム１０００の動作につい
て説明する。

【００９７】図７の画像選択システム２０００における
特徴量検出器１０１は、入力画像１００に対して、１６
種類の特徴量をそれぞれ並列に算出する特徴量算出回路
１０１０．０〜１０１０．１５を内部に有する。

【００９８】上記特徴量検出器１０１には、１６種類の
特徴量に対応した各要素が、特徴量算出回路１０１０．
０〜１０１０．１５を動作または停止させることを指示
する１６次元ベクトルの制御信号１０２が接続されてい
る。

【００９９】特徴量検出器１０１で検出された特徴量
は、１６次元のベクトルとして３層の階層型パーセプト
ロン１０４へ入力される。

【０１００】３層の階層型パーセプトロン１０４は、１
６次元の入力ベクトルを２次元ベクトルに変換し、判断
結果を出力する。

【０１０１】また、３層の階層型パーセプトロン１０４
は、図６に示した訓練方法により表１の訓練データセッ
ト（Ｘ，Ｔ）により訓練されているものとする。

【０１０２】本発明による図１に示した画像選択システ
ム１０００の自己組織化マップ１０３に、表１の入力ベ
クトルを入力した場合と、図７の自己組織化マップを持
たない画像選択システム２０００の３層の階層型パーセ
プトロン１０４に表１の入力ベクトルを入力する場合の
出力ベクトルの違いを、特徴量検出動作を停止させる制
御信号１０２を変化させて観測する。

【０１０３】ただし、上述のように、特徴量検出器１０
１からの出力をＸとして、表１の訓練データセットが作
成されている。そこで、同一のベクトルＸに対して画像
選択システム１０００の動作と画像選択システム２００
０の動作とを比較する際に動作条件をそろえる必要があ
る。

【０１０４】図８は、図１に示した画像選択システム１
０００において、特徴量検出器１０１の機能を、特徴量
検出器１０１から自己組織化マップ１０３に与えられる
ベクトルＸで置き換えた構成を示す概略ブロック図であ
る。一方、図９は、図７に示した画像選択システム２０
００において、特徴量検出器１０１の機能を、特徴量検
出器１０１からのベクトルＸと入力遮断回路１０５とで
置き換えた構成を示す概略ブロック図である。

【０１０５】すなわち、以下の説明では、上述のように
条件をそろえるために、図１に示した画像選択システム
１０００は図８の構成に置換え、図７に示した画像選択
システム２０００は図９の構成に置換えて考えることに
する。なお、図８および図９において、同一の番号が振
られた回路は、同一の回路とする。また、図９では、特
徴量検出動作を停止させる制御信号１０２は、回路１０
１０．０〜１０１０．１５の動作を停止させる代わり
に、入力遮断回路１０５により特徴量検出器１０１から
のベクトルＸの３層の階層型パーセプトロン１０４への
入力を遮断するものとする。

【０１０６】すなわち、入力遮断回路１０５は、以下の
式（１３）で示されるとおり、特徴量検出動作を停止さ
せる制御信号１０２が０であるとき該当する入力ベクト
ルの要素を０に置換えることで、当該特徴量抽出回路の
動作が停止しているものと等価な状態を実現する。

【０１０７】ｘ_ai＝ｓ_iｘ_i …… （１３）特徴量検出動作を停止させる制御信号１０２をＳｉとし
て、Ｓｉは０または１の状態を採るものとする。

【０１０８】Ｓｉに対応する入力ベクトル要素ｘ_iとの
積をｘ_aiとして、３層の階層型パーセプトロン１０４へ
入力する。

【０１０９】特徴量検出動作を停止させる制御信号１０
２により、特徴量検出動作を停止させる特徴量検出器１
０１の検出特徴数と組合せによって、表１の訓練データ
セットに対する認識結果の正解数とその発生確率の関係
を以下に示す。

【０１１０】図１０は、本発明に係る画像選択システム
１０００についての認識結果の正解数とその発生確率の
関係を示す図である。

【０１１１】図１１は、自己組織化マップを持たない従
来型の画像選択システム２０００についての認識結果の
正解数とその発生確率の関係を示す図である。

【０１１２】図中のｘは停止された特徴検出回路の個数
であり、ｙは訓練データセットのうちの正解の個数であ
る。また、Ｐは、以下の式（１４）で示される正解数の
発生確率を表わしている。

【０１１３】

【数８】

【０１１４】式（１４）において、ｎＣｘは、ｎ＝１６
個の特徴数のうち、ｘ個の特徴検出回路を停止させると
きに選択される特徴検出回路の組合せ数である。

【０１１５】また、ａ（ｎ，ｘ，ｙ）は、ｎＣｘのとき
に、画像選択システムがｙ個の正解を出力した特徴検出
回路の組合せ数である。

【０１１６】図１１では、停止特徴検出回路数の増加と
ともに、急激に正解数の減少が高い確率で発生してい
る。

【０１１７】また、図１０では、停止特徴検出回路数が
増加しても急激な正解数の減少は見られない。

【０１１８】すなわち、本発明に係る画像選択システム
１０００では、無作為に特徴検出回路を停止させたとし
ても、正解数の急激な減少を招くことなく演算量を削減
でき、システムの持つ能力に合わせて、演算量の調整を
容易にすることが可能となる。また、この場合、停止す
る特徴検出回路の順位を予めルックアップテーブルとし
て用意すれば、正解数の減少をさらに抑制することが可
能となる。この場合には、膨大な組合せ数の中から最良
の組合せを探索することになり、組合せ最適化問題に帰
着することになる。

【０１１９】組合せ最適化問題として扱う場合において
も、本発明の装置によれば、正解数が多い部分に組合せ
数が大きく偏っているため、最適組合せの発見までに要
する時間が短縮できるという効果がある。

【０１２０】なお、以上の説明では、本願に係る画像選
択システム１０００は、図１に示す構成を有する装置と
して説明したが、本発明はこのような場合に限定される
ことなく、図１に示したような特徴量検出器１０１、自
己組織化マップ１０３、階層型パーセプトロン１０４の
機能をそれぞれ実現するためのソフトウェアとしても実
現することが可能である。この場合は、たとえば、この
ようなソフトウェアを実行するためのプログラムを記録
した記録媒体から当該プログラムをコンピュータにイン
ストールすることで動作させることが可能である。ある
いは、上述のとおり、画像選択システム１０００は、ネ
ットワークで接続されたコンピュータ間を利用者に要求
された情報を求めて渡り歩くエージェントに組み込まれ
た画像検索のための判断システムとして動作することも
可能である。

【０１２１】今回開示された実施の形態はすべての点で
例示であって制限的なものではないと考えられるべきで
ある。本発明の範囲は上記した説明ではなくて特許請求
の範囲によって示され、特許請求の範囲と均等の意味お
よび範囲内でのすべての変更が含まれることが意図され
る。

【０１２２】

【発明の効果】以上説明したように、本発明によれば、
無作為に特徴検出回路を停止させたとしても、正解数の
急激な減少を招くことなく演算量を削減でき、システム
の持つ能力に合わせて、演算量の調整を容易にすること
が可能となる。

【０１２３】また、本発明の装置によれば、正解数が多
い部分に組合せ数が大きく偏っているため、停止する特
徴検出回路の順位を予めルックアップテーブルとして用
意する場合でも、最適組合せの発見までに要する時間が
短縮できるという効果を持つ。

【図面の簡単な説明】

【図１】本発明に係る画像選択システムの構成を説明
するための概略ブロック図である。

【図２】自己組織化マップのユニット配列の一例を示
す概念図である。

【図３】公知のコホーネンの自己組織化マップの訓練
アルゴリズムを示すフローチャートである。

【図４】近傍関数の変化の様子を示す図である。

【図５】３層の階層型パーセプトロンのユニット配列
の一例を示す概念図である。

【図６】公知の高次元アルゴリズムを用いた階層型パ
ーセプトロンの訓練アルゴリズムを示すフローチャート
である。

【図７】従来の画像選択システムの構成を示す概略ブ
ロック図である。

【図８】本発明の動作を説明するために簡略化した概
略ブロック図である。

【図９】従来型の画像選択システムの動作を説明する
ために簡略化した概略ブロック図である。

【図１０】本発明に係る画像選択システムの停止特徴
検出回路数と正解数との関係を示す図である。

【図１１】従来の画像選択システムにおける停止特徴
検出回路数と正解数との関係を示す図である。

【符号の説明】

１００入力画像、１０１特徴量検出器、１０２特
徴量検出動作制御信号、１０３自己組織化マップ、１
０４階層型パーセプトロン。

Claims

【特許請求の範囲】

【請求項１】画像情報に基づいて、ｎ個（ｎ：自然
数）の特徴量のうちからｍ個（ｍ：自然数、ｍ≦ｎ）の
特徴量を選択的に抽出するための特徴抽出手段と、前記特徴抽出手段により抽出されうる前記ｎ個の特徴量
を入力として訓練され、前記ｍ個の特徴量を受けて補間
処理を行うための連想記憶手段と、前記連想記憶手段から出力される補間された情報を入力
とし、前記画像情報を選択するための情報を生成する多
層パーセプトロン型分類手段とを備える、画像選択シス
テム。
【請求項２】前記連想記憶手段は、前記特徴量抽出回
路からの出力を入力ベクトルとして動作する自己組織化
マップを含む、請求項１記載の画像選択システム。
【請求項３】前記多層パーセプトロン型分類手段は、
訓練集合による訓練を終えた自己組織化マップに前記訓
練集合を入力して得られる出力を、入力として与えられ
ることで訓練される、請求項２記載の画像選択システ
ム。
【請求項４】前記特徴抽出手段は、前記画像情報に基づいて、各々が前記ｎ個の特徴量のう
ちの対応する特徴量を抽出する複数の抽出手段と、前記複数の抽出手段を選択的に活性化し、画像選択に使
用する特徴量の個数を調整する特徴量選択手段とを含
む、請求項１記載の画像選択システム。
【請求項５】前記特徴抽出手段は、前記画像選択に使
用する特徴量の選択において、選択する特徴量の組合せ
を、予めルックアップテーブルとして保持し、前記ルッ
クアップテーブルに従って演算量を調整する、請求項４
記載の画像選択システム。
【請求項６】画像情報に基づいて、ｎ個（ｎ：自然
数）の特徴量のうちからｍ個（ｍ：自然数、ｍ≦ｎ）の
特徴量を選択的に抽出するステップと、前記ｎ個の特徴量を入力として訓練された連想記憶手段
により、前記ｍ個の特徴量に対して補間処理を行うステ
ップと、前記補間処理された情報を入力とする多層パーセプトロ
ン型分類手段により、前記画像情報を選択するための情
報を生成するステップとを備える、画像選択方法。
【請求項７】画像選択を行うための画像選択プログラ
ムであって、画像情報に基づいて、ｎ個（ｎ：自然数）の特徴量のう
ちからｍ個（ｍ：自然数、ｍ≦ｎ）の特徴量を選択的に
抽出するステップと、前記ｎ個の特徴量を入力として訓練された連想記憶手段
により、前記ｍ個の特徴量に対して補間処理を行うステ
ップと、前記補間処理された情報を入力とする多層パーセプトロ
ン型分類手段により、前記画像情報を選択するための情
報を生成するステップと、をコンピュータに実行させる
ための画像選択プログラム。