JP2003208594A - 類識別装置及び類識別方法 - Google Patents
類識別装置及び類識別方法Info
- Publication number
- JP2003208594A JP2003208594A JP2002003907A JP2002003907A JP2003208594A JP 2003208594 A JP2003208594 A JP 2003208594A JP 2002003907 A JP2002003907 A JP 2002003907A JP 2002003907 A JP2002003907 A JP 2002003907A JP 2003208594 A JP2003208594 A JP 2003208594A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- type
- observation data
- parameter
- result
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
ータが存在する可能性が高いという課題があった。 【解決手段】 分類パラメータ、種類判別子付き観測デ
ータに基き観測データ分類結果を出力する観測データ分
類器1と、学習パラメータ、種類判別子付き観測デー
タ、観測データ分類結果、学習再実行パラメータに基き
種類学習結果を出力する種類学習器2と、種類判別対象
観測データ、種類学習結果を入力とし、前記種類学習結
果に基づき前記種類判別対象観測データの種類判別を行
い、種類判別結果を出力する種類判別器3と、前記種類
学習結果に基き学習評価値を求める学習評価器5と、前
記学習評価値、学習パラメータに基き前記学習再実行パ
ラメータを求める学習再実行指示生成器4とを備えた。 【効果】 質の高い種類学習結果を得ることができ、そ
の結果として質の高い種類判別を期待できる。
Description
種類を決定する類識別問題を対象とし、さらに詳しくは
前記類識別対象物の種類を解として求める類識別装置及
び類識別方法に関するものである。
問題について考える。
がら説明する。図6は、例えば『依田育士、坂上勝彦著
「3次元動き情報を利用した複数対象物の抽出とその実
時間認識」電子情報通信学会論文誌D−II、1998
年9月号Vol.J81−D−II、No.9、pp.
2043−2051』に示された航空機の類識別を行う
従来の類識別装置の構成を示す図である。
判別器、6は従来の類識別装置、9は種類判別子付き観
測データファイル、71は学習パラメータファイル、1
0は種類判別対象観測データファイル、11は種類判別
結果ファイルである。
図面を参照しながら説明する。
である。
て、学習パラメータファイル71から出力される学習パ
ラメータを第一の入力とし、種類判別子付き観測データ
ファイル9から出力される種類判別子付き観測データを
第二の入力として、上記種類判別子付き観測データに基
づき種類学習を行い、種類学習の結果である種類学習結
果を出力する。
法としては、線形判別法がある。この線形判別法にはい
くつかの手法があるが、ここでは、共分散行列に基づく
線形判別法を用いる。共分散行列に基づく線形判別法と
は、異なる種類のデータ同士はできるだけ離れ、同一種
類のデータ同士はなるべく近くに分布するように、全デ
ータの中心を表すクラスタ中心を通るベクトルwにデー
タを射影して判別分析を行う方法であり、各データの射
影結果yと各種類の平均ベクトルの射影結果ykとを比
較し、最も近いykを持つ種類に属するものとする。境
界はベクトルwに垂直でクラスタ中心を通る直線として
定義される。
例を示す。『△』は種類1の教師データ、『黒□』は種
類2の教師データであるとすると、図7の左図のように
境界線が決定される。なお、図面上では黒い正方形を、
電子出願では使用不可のため、『黒□』と記述する。
『黒▽』も同様である。
習器2から出力される種類学習結果を第一の入力とし、
種類判別対象観測データファイル10から出力される種
類判別対象観測データを第二の入力として、上記種類学
習結果に基づき上記種類判別対象観測データの種類判別
を行い、結果を種類判別結果として出力する。この出力
は、従来の類識別装置6全体の出力となり、種類判別結
果ファイル11に入力される。
種類学習結果として求められた境界線に基づき、種類を
判別する。図7の右図で、『△』が含まれる領域に属す
る種類判別対象観測データを種類1、『黒□』が含まれ
る領域に属する種類判別対象観測データを種類2と判別
する。今、種類が未定であるデータ『黒▽』と、『◇』
と、『*』に対して種類判別を行う。『黒▽』と『◇』
はそれぞれ種類1、種類2に属するデータであり、
『*』は種類1、種類2のどちらでもない未知の種類の
データであるとする。図7の右図において、多くの『黒
▽』と『◇』はそれぞれ種類1、種類2と正しく判別さ
れるが、いくつかは間違って判別されている。また、
『*』に対しても、未知の種類であるにもかかわらず、
種類2であると判別されてしまう。
境界線付近では正しく判別されないデータが存在する可
能性が高いことがわかる。このような誤った判別結果が
得られた場合、一般的に、新たな種類判別子付き観測デ
ータを使って、最初から全処理をやり直す場合が多い。
しかし、例えば、種類判別子付き観測データが豊富でな
い場合などデータの変更ができない場合もあり得る。
類識別装置では、境界線付近では正しく判別されないデ
ータが存在する可能性が高いという問題点があった。
めになされたもので、種類判別結果の精度が悪い場合
に、種類学習のためのデータである種類判別子付き観測
データを変更することなく、種類判別精度を上げること
が可能な類識別装置及び類識別方法を得ることを目的と
する。
る類識別装置は、観測データを学習するためのパラメー
タである学習パラメータを格納する学習パラメータファ
イルと、前記観測データを分類するためのパラメータで
ある分類パラメータを格納する分類パラメータファイル
と、種類を表す種類判別子付きの観測データである種類
判別子付き観測データを格納する種類判別子付き観測デ
ータファイルと、種類が未定で種類の判別対象となる観
測データである種類判別対象観測データを格納する種類
判別対象観測データファイルと、前記種類判別対象観測
データの種類判別結果を格納する種類判別結果ファイル
と、前記分類パラメータファイルからの分類パラメー
タ、及び前記種類判別子付き観測データファイルからの
種類判別子付き観測データを入力とし、前記種類判別子
付き観測データの分類結果である観測データ分類結果を
出力する観測データ分類器と、前記学習パラメータファ
イルからの学習パラメータ、前記種類判別子付き観測デ
ータファイルからの種類判別子付き観測データ、前記観
測データ分類器からの観測データ分類結果、及び前記観
測データの再学習のためのパラメータである学習再実行
パラメータを入力とし、前記観測データ分類結果で示さ
れる各分類内で、前記種類判別子付き観測データに基づ
き種類学習を行い、種類学習の結果である種類学習結果
を出力する種類学習器と、前記種類判別対象観測データ
ファイルからの種類判別対象観測データ、及び前記種類
学習器からの種類学習結果を入力とし、前記種類学習結
果に基づき前記種類判別対象観測データの種類判別を行
い、種類判別結果を前記種類判別結果ファイルへ出力す
る種類判別器と、前記種類学習器からの前記種類学習結
果を入力とし、入力された学習結果に対する評価値であ
る学習評価値を求める学習評価器と、前記学習評価器か
らの前記学習評価値、及び前記学習パラメータファイル
からの学習パラメータを入力とし、前記学習再実行パラ
メータを求める学習再実行指示生成器とを備えたもので
ある。
前記学習評価器が、前記種類学習器からの前記種類学習
結果を入力とし、学習対象としたデータを含む全ての前
記種類判別子付き観測データのうち、誤認であると判定
されたデータに対し、前記学習結果で示される境界線か
らの距離を用いて、誤認の度合いを示す誤認距離を算出
し、個々の前記種類判別子付き観測データの誤認距離に
基づいて前記学習評価値を算出するものである。
前記学習評価器が、前記種類学習器からの前記種類学習
結果を入力とし、学習対象としたデータを含む全ての前
記種類判別子付き観測データのうち、誤認であると判定
されたデータに対し、前記学習結果で示される境界線か
らの距離を用いて、誤認の度合いを示す誤認距離を算出
し、前記誤認距離の分布状況に基づいて前記学習評価値
を算出するものである。
前記学習再実行指示生成器が、前記学習パラメータファ
イルからの学習パラメータ、及び前記学習評価器からの
前記学習評価値を入力とし、前記学習評価値と所定の閾
値とを比較し、前記学習評価値が前記所定の閾値以下の
場合には学習再実行が必要であると判断し、前記学習パ
ラメータの変更値である学習パラメータ変更値を前記学
習再実行パラメータとして出力する学習パラメータ変更
器を有するものである。
前記学習再実行指示生成器が、前記学習パラメータファ
イルからの学習パラメータ、及び前記学習評価器からの
前記学習評価値を入力とし、学習再実行が必要であると
判断した場合には、学習手法の変更を指示する学習手法
変更指示を前記学習再実行パラメータとして出力する学
習手法変更器を有するものである。
前記学習手法変更器が、前記学習パラメータファイルか
らの学習パラメータ、及び前記学習評価器からの前記学
習評価値を入力とし、新たな学習手法としてニューラル
ネットワークを適用することを示す指示を前記学習手法
変更指示として出力するものである。
前記学習手法変更器が、前記学習パラメータファイルか
らの学習パラメータ、及び前記学習評価器からの前記学
習評価値を入力とし、新たな学習手法としてサポートベ
クタマシンを適用することを示す指示を前記学習手法変
更指示として出力するものである。
分類パラメータファイルからの分類パラメータ、及び種
類判別子付き観測データファイルからの種類判別子付き
観測データを入力し、前記種類判別子付き観測データの
分類結果である観測データ分類結果を出力する観測デー
タ分類ステップと、学習パラメータファイルからの学習
パラメータ、前記種類判別子付き観測データファイルか
らの種類判別子付き観測データ、前記観測データ分類結
果、及び前記観測データの再学習のためのパラメータで
ある学習再実行パラメータを入力し、前記観測データ分
類結果で示される各分類内で、前記種類判別子付き観測
データに基づき種類学習を行い、種類学習の結果である
種類学習結果を出力する種類学習ステップと、前記種類
判別対象観測データファイルからの種類判別対象観測デ
ータ、及び前記種類学習結果を入力し、前記種類学習結
果に基づき前記種類判別対象観測データの種類判別を行
う種類判別ステップと、前記種類学習結果を入力し、入
力された学習結果に対する評価値である学習評価値を求
める学習評価ステップと、前記学習評価値、及び前記学
習パラメータファイルからの学習パラメータを入力し、
前記学習再実行パラメータを求める学習再実行指示生成
ステップとを含むものである。
前記学習評価ステップでは、前記種類学習結果を入力
し、学習対象としたデータを含む全ての前記種類判別子
付き観測データのうち、誤認であると判定されたデータ
に対し、前記学習結果で示される境界線からの距離を用
いて、誤認の度合いを示す誤認距離を算出し、個々の前
記種類判別子付き観測データの誤認距離に基づいて前記
学習評価値を算出するものである。
は、前記学習評価ステップでは、前記種類学習結果を入
力とし、学習対象としたデータを含む全ての前記種類判
別子付き観測データのうち、誤認であると判定されたデ
ータに対し、前記学習結果で示される境界線からの距離
を用いて、誤認の度合いを示す誤認距離を算出し、前記
誤認距離の分布状況に基づいて前記学習評価値を算出す
るものである。
は、前記学習再実行指示生成ステップが、前記学習パラ
メータファイルからの学習パラメータ、及び前記学習評
価値を入力とし、前記学習評価値と所定の閾値とを比較
し、前記学習評価値が前記所定の閾値以下の場合には学
習再実行が必要であると判断し、前記学習パラメータの
変更値である学習パラメータ変更値を前記学習再実行パ
ラメータとして出力する学習パラメータ変更ステップを
有するものである。
は、前記学習再実行指示生成ステップが、前記学習パラ
メータファイルからの学習パラメータ、及び前記学習評
価値を入力とし、学習再実行が必要であると判断した場
合には、学習手法の変更を指示する学習手法変更指示を
前記学習再実行パラメータとして出力する学習手法変更
ステップを有するものである。
形態1に係る類識別装置及び類識別方法について図面を
参照しながら説明する。図1は、この発明の実施の形態
1に係る類識別装置の構成を示す図である。なお、各図
中、同一符号は同一又は相当部分を示す。
は種類学習器、3は種類判別器、4は学習再実行指示生
成器、5は学習評価器、6Aは類識別装置、71は学習
パラメータファイル、72は分類パラメータファイル、
9は種類判別子付き観測データファイル、10は種類判
別対象観測データファイル、11は種類判別結果ファイ
ルである。また、学習再実行指示生成器4は、学習パラ
メータ変更器41を有する。
置の動作について図面を参照しながら説明する。
に係る類識別装置の動作を示す図である。
置6A全体の入力として分類パラメータファイル72か
ら出力される分類するためのパラメータである分類パラ
メータを第一の入力とし、同じく類識別装置6A全体の
入力として種類判別子付き観測データファイル9から出
力される、種類を表す種類判別子付きの観測データであ
る種類判別子付き観測データを第二の入力とし、上記種
類判別子付き観測データの分類結果である観測データ分
類結果を出力する。分類パラメータとしては、たとえ
ば、分類の数をあらわす分類数や、分類に必要なパラメ
ータの初期値を決定するための乱数のシード値や、分類
手法に特化したパラメータ等がある。
す。本実施の形態1では、分類手法として、一般的な分
類問題によく用いられる手法である最短距離法(neares
t neighbor method)を適用する。この最短距離法で
は、初期設定として、個々の観測データをそれぞれが独
立した1つの分類とみなし、分類間の類似度をそれぞれ
の分類に属する任意の観測データ間の類似度の最大値で
あらわす。次に、類似度の最も大きい分類同士を結合
し、再び類似度を計算する。以下、分類の結合と類似度
の計算を繰り返し、収束条件を満たしたところで、分類
を決定する方法である。収束条件としては、全分類間の
類似度が事前に設定した閾値以下になることや、同様に
事前に設定した分類数になる等がある。観測データ間の
類似度は、属性値の一致の度合いから算出する。この場
合の分類パラメータとしては、類似度の閾値などがあ
る。『△』と『黒□』の15個の観測データに対して分
類を行った結果を図2の左図に示す。
ータファイル71から出力される学習パラメータを第一
の入力とし、種類判別子付き観測データファイル9から
出力される種類判別子付き観測データを第二の入力と
し、観測データ分類器1から出力される観測データ分類
結果を第三の入力として、観測データ分類結果で示され
る各分類内で、種類判別子付き観測データに基づき種類
学習を行い、種類学習の結果である種類学習結果を出力
する。
では、学習手法として境界線を決定する手法である線形
判別法を適用する。この線形判別法にはいくつかの手法
があるが、ここでは共分散行列に基づく線形判別法を用
いる。共分散行列に基づく線形判別法とは、異なる種類
のデータ同士はできるだけ離れ、同一種類のデータ同士
はなるべく近くに分布するように、全データの中心を表
すクラスタ中心を通るベクトルwにデータを射影して判
別分析を行う方法であり、各データの射影結果yと各種
類の平均ベクトルの射影結果ykとを比較し、最も近い
射影結果ykを持つ種類に属するものとする。境界は、
ベクトルwに垂直でクラスタ中心を通る直線として定義
される。図2の中央の図に線形判別法による種類学習例
を示す。『△』は種類1の教師データ、『黒□』は種類
2の教師データであるとすると、種類学習により、図2
の中央の図のように境界線が決定される。
される種類学習結果を第一の入力とし、上記種類学習結
果の評価を行い、結果を学習評価値として出力する。
象としたデータを含む全ての種類判別子付き観測データ
の所属状態から、誤認の度合いを示す誤認距離を算出
し、個々の誤認距離に基づき学習評価値を算出する。
を含む全ての種類判別子付きデータに対して、種類判別
を行い、誤って判別されたデータの境界線からの距離か
ら誤認距離を算出する。この誤認距離の算出方法として
は、全学習対象データの境界線からの距離の平均値mを
求め、誤認されたデータiの境界線からの距離diを平
均値mで割った値di/mを誤認距離dniとする。次
に、個々のデータの誤認距離dniと事前に設定された
閾値とを比較し、閾値以上となったデータ数Novをカ
ウントし、Nov×(−1)を学習評価値とする。な
お、学習評価値には、誤認距離dniが閾値以上になっ
たデータのIDである誤認データIDも付加する。
を学習に適用した種類判別子付き観測データ、『黒
▽』、『◇』を学習の対象外の種類判別子付き観測デー
タであるとすると、19個中3個が誤った種類の境界領
域に位置する。今、誤認したデータと境界線との距離が
それぞれd1=2、d2=5、d3=2で、全学習対象
データの境界線からの距離の平均値m=10、閾値va
r=0.3とする。誤認距離は、それぞれdn1=0.
2、dn2=0.5、dn3=0.2となり、したがっ
て閾値を超えるのは距離がd2のデータのみとなり、学
習評価値はEl1=1×(−1)=−1となる。なおこ
の場合、学習評価値は0が最良であり、値が大きいほど
評価値は悪くなる。
全ての上記種類判別子付き観測データのうち、誤認であ
ると判定されたデータに対し、上記学習結果で示される
境界線からの距離を用いて、誤認の度合いを示す誤認距
離を算出し、個々の上記種類判別子付き観測データの誤
認距離に基づき上記学習評価値を算出することにより、
誤認の度合いが強いデータを把握し、学習へフィードバ
ックすることが可能になる。
5から出力される学習評価値を第一の入力とし、学習パ
ラメータファイル71から出力される学習パラメータを
第二の入力として、学習再実行の必要性を判断し、学習
再実行パラメータを出力する。判断の仕方としては、あ
らかじめ設定されていた閾値と学習評価値とを比較し、
閾値以下の場合に再実行とする。閾値は、学習パラメー
タの一つとしてユーザが設定するか、あるいは、学習結
果の評価方法に応じて、あらかじめシステムが決めてお
く。
た場合の学習再実行パラメータの例として、学習再実行
指示生成器4を構成する学習パラメータ変更器41にお
いて、学習パラメータを変更して学習パラメータ変更値
を求める場合を示す。学習パラメータとしては、乱数の
シード値や学習手法に特化したパラメータ等があるが、
ここでは学習対象となる種類判別子付き観測データを変
更する場合の例を示す。
て、学習評価値に付随して出力された誤認データIDに
該当する種類判別子付き観測データを、学習対象からは
ずす方法が考えられる。学習パラメータ変更器41で
は、全誤認データIDを学習パラメータ変更値として出
力し、種類学習器2では、学習パラメータ変更値として
入力された誤認データIDに該当する種類判別子付き観
測データを学習対象からはずして、学習を行う。
習対象データなどの学習パラメータを変更して、学習し
直すことにより、より良い学習結果が期待できる。
習再実行パラメータは、種類学習器2の入力となり、再
び、種類学習器2において学習及び学習結果の出力を行
い、続いて学習評価器5において評価及び学習評価値の
出力を行う。以下、学習再実行指示生成器4において学
習再実行不要と判断されるまで、種類学習器2、学習評
価器5、及び学習再実行指示生成器4において上記の処
理を繰り返す。学習再実行指示生成器4において、学習
再実行不要と判断されたところで、学習終了指示が学習
再実行パラメータとして出力される。種類学習器2で
は、学習再実行指示生成器4から出力された学習終了指
示が入力されると、種類学習結果を種類判別器3に出力
する。
事前に設定されていたある閾値以上になるか、あるいは
事前に設定されていたある回数を超えたところで、再実
行不要と判断する。また、種類学習器2は、上記繰り返
し処理で得られた種類学習結果のうち、最良の学習評価
値を記録した種類学習結果を出力する。
される種類学習結果を第一の入力とし、種類判別対象観
測データファイル10から出力される種類判別対象観測
データを第二の入力として、種類学習結果に基づき種類
判別対象観測データの種類判別を行い、結果を種類判別
結果として出力する。この出力は、本発明の類識別装置
6A全体の出力となり、種類判別結果ファイル11に入
力される。
類学習結果として求められた境界線に基づき、種類を判
別する。図2の右図で『△』が多く属する境界線の上側
の領域を種類1の境界領域、逆に『黒□』が多く属する
境界線の下側の領域を種類2の境界領域とし、いずれの
領域に属するかによって種類判別対象観測データの種類
を判別する。図2の右図において、『黒▽』と『◇』は
種類が未定の観測データであり、『黒▽』と『◇』がそ
れぞれ種類1、種類2と判別される。
した類識別装置6Aによれば、種類学習結果を評価し、
個々の種類学習結果の状況に応じて、学習段階からやり
直すことにより、質の高い種類学習結果を得ることがで
き、その結果として質の高い種類判別を期待できる。
て、初期設定として与えられた学習対象データなどの学
習パラメータを変更して、学習し直すことにより、より
良い学習結果が期待できる。
としたデータを含む全ての上記種類判別子付き観測デー
タのうち、誤認であると判定されたデータに対し、上記
学習結果で示される境界線からの距離を用いて、誤認の
度合いを示す誤認距離を算出し、個々の上記種類判別子
付き観測データの誤認距離に基づき上記学習評価値を算
出することにより、誤認の度合いが強いデータを把握
し、学習へフィードバックすることが可能になる。具体
的には、誤認の度合いが大きいデータを学習対象データ
からはずすこと等が可能となり、これは学習精度の向上
につながる。
係る類識別装置及び類識別方法について図面を参照しな
がら説明する。図4は、この発明の実施の形態2に係る
類識別装置の構成を示す図である。
は種類学習器、3は種類判別器、4は学習再実行指示生
成器、5は学習評価器、6Bは類識別装置、71は学習
パラメータファイル、72は分類パラメータファイル、
9は種類判別子付き観測データファイル、10は種類判
別対象観測データファイル、11は種類判別結果ファイ
ルである。また、学習再実行指示生成器4は、学習手法
変更器42を有する。
置の動作について図面を参照しながら説明する。
いて、学習対象としたデータを含む全ての上記種類判別
子付き観測データのうち、誤認であると判定されたデー
タの個々の誤認距離に基づいて学習評価値を算出後、学
習再実行指示生成器4を構成する学習パラメータ変更器
41により学習パラメータを変更して学習再実行を行う
例を示したが、本実施の形態2では、上記誤認距離の分
布状況に基づいて上記学習評価値を算出後、上記学習評
価値に基づき、学習再実行指示生成器4を構成する学習
手法変更器42によって学習手法を変更して学習再実行
を行う例を示す。
象としたデータを含む全ての種類判別子付き観測データ
の所属状態から、誤認の度合いを示す誤認距離を算出
し、誤認距離の分布状況に基づき学習評価値を算出す
る。
を含む全ての種類判別子付き観測データに対して、種類
判別を行い、誤って判別されたデータの境界線からの距
離から誤認距離を算出する。誤認距離の算出方法として
は、全学習対象データの境界線からの距離の平均値mを
求め、誤認されたデータiの境界線からの距離diをm
で割った値di/mを誤認距離dniとする。
ータの誤認距離と比較し、近傍であるにもかかわらず誤
認距離の差がある閾値以上大きい場合や、近傍のデータ
の誤認距離がある閾値を超えた幅で振動しているような
場合に、学習評価値を誤認距離の差や、振動の幅から算
出する。
msや、振動の幅swの総和に(−1)をかけたものを
学習評価値とする方法などがある。また、学習評価値に
は、いずれの近傍データ群において閾値を超えた誤認距
離の差dms、振動の幅swが発生したかを示す誤認近
傍データID群を付加する。
判別子付き観測データであり、左図において種類2が3
個、右図において種類1が3個、誤った境界領域に属し
ている。今、誤認距離の振動の閾値を0.5、誤認距離
の差の閾値を1.0とする。d1〜d6はそれぞれの境
界線からの距離であり、それぞれd1=1、d2=5、
d3=2、d4=1、d5=6、d6=12、m=4と
すると、誤認距離はそれぞれdn1=0.25、dn2
=1.25、dn3=0.5、dn4=0.25、dn
5=1.5、dn6=3.0となる。ここで、dn1、
dn2、dn3で表されるデータを近傍1、dn4、d
n5、dn6で表されるデータを近傍2とすると、近傍
1ではdn1とdn2の誤認距離の差1.0が閾値0.
5以上であり、同様にdn2とdn3の差0.75も閾
値0.5を超えているため、近傍1では誤認距離の振動
が起きている。また、近傍2ではdn4からdn6にか
けて誤認距離が差1.25、1.5ずつ大きくなってお
り、これも誤認距離の差の閾値1.0を超えている。こ
れより、学習評価値は、−1.0×(1.0+0.75
+1.25+1.5)=−4.5となる。
データ同士の誤認距離の差や、誤認距離の振動幅が大き
い場合、境界が曲線などの非線形な関数で定義をした方
がより適切な境界定義となることが予想される。ところ
が、上述の線形判別法による学習では、必ず境界は線形
な関数、すなわち直線で定義されるため、必ずしも適切
な境界が得られない。以上の点を踏まえて、誤認距離の
差や振動幅と、該当するデータの個数に応じて学習評価
値が悪くなるように設定した。
全ての上記種類判別子付き観測データのうち、誤認であ
ると判定されたデータに対し、上記学習結果で示される
境界線からの距離を用いて、誤認の度合いを示す誤認距
離を算出し、上記誤認距離の分布状況に基づき上記学習
評価値を算出することにより、境界線の形状が線形もし
くは非線形のどちらであるかを判断する基準の一つを得
ることができ、学習の質の向上につながる。
学習手法変更器42では、上記実施の形態1と同様に、
上記学習評価値を入力とし、学習再実行の必要性を判断
する。例えば、事前に設定されている閾値との比較で学
習評価値が閾値以上の場合には、学習再実行の必要性あ
りと判断する。
学習再実行指示生成器4を構成する学習手法変更器42
において、学習手法変更を指示する学習手法変更指示を
学習再実行パラメータとして出力する例を示す。
形態1で示した線形判別法から、ニューラルネットワー
クに変更する場合の例を以下に示す。
神経回路網を模倣した学習手法であり、教師データに基
づき、最終的に最適な種類間の境界を決定する。この場
合の学習パラメータとしては、ニューロンが発火する際
の閾値や、ニューロンの数などの手法に特化したものが
ある。
列に基づく線形判別法との大きな違いは、共分散行列に
基づく線形判別法では種類間の境界を線形に決定する、
すなわち直線で定義するのに対し、ニューラルネットワ
ークでは曲線などの非線形な境界の定義が可能な点であ
る。したがって、上述の学習評価方法例のように、境界
が非線形になることが予測されるような場合に有用であ
る。
ラルネットワークを適用することにより、境界が非線形
となることが予想されるような場合に、観測データの分
布状況に適した境界線決定が可能となる。
手法をサポートベクタマシンに変更する場合の例を以下
に示す。
の変形手法の一つとして考えられている。前述の共分散
行列に基づく線形判別法等の一般的な線形判別法とサポ
ートベクタマシンとの違いは、カーネル関数とよばれる
関数の線形和で学習に必要な関数を表すことにより、非
線形な境界定義が可能な点である。カーネル関数は複数
種類存在し、学習パラメータにおいて、いずれのカーネ
ルを選択するかを指定する。
ューラルネットワークとサポートベクタマシンとの違い
は、サポートベクタマシンでは決定的に厳密解が求まる
点である。これに対し、ニューラルネットワークのよう
な最適化手法と呼ばれる手法は、できるだけ最適に近い
境界を、実使用に耐えうる時間内で求めるのに適した手
法と考えられており、したがって、必ずしも厳密解は求
まらない。これより、厳密解が必要とされる問題におい
ては、サポートベクタマシンのような手法が有用といえ
る。
トベクタマシンを適用することにより、境界が非線形と
なることが予想される場合や、厳密解が必要とされる場
合に、精度の良い境界を得ることができる。
ついて考える。カーネル関数を用いることにより、非線
形な境界を定義可能であることは、サポートベクタマシ
ンの長所である反面、カーネルの選択を行う際に、不適
切なカーネルを選択してしまうと、観測データの分布状
況に不適切な境界しか定義できなくなってしまう危険性
がある。これに対し、ニューラルネットワークによる学
習では、学習パラメータとして設定するのは細かな学習
に特化したパラメータのみで、境界の形状は常にある程
度、観測データの分布状況を踏まえた形となる。したが
って、厳密解が必ずしも必要ではなく、適当な初期設定
である程度の解が必要な場合には、サポートベクタマシ
ンよりもニューラルネットワークの方が有用といえる。
した類識別装置6Bによれば、学習対象としたデータを
含む全ての上記種類判別子付き観測データのうち、誤認
であると判定されたデータに対し、上記学習結果で示さ
れる境界線からの距離を用いて、誤認の度合いを示す誤
認距離を算出し、上記誤認距離の分布状況に基づき上記
学習評価値を算出することにより、境界線の形状が線形
もしくは非線形のどちらであるかを判断する基準の一つ
を得ることができ、学習の質の向上につながる。
の性質に応じて、学習手法を変更することにより、より
良い学習結果が期待できる。
て、新たな学習手法としてニューラルネットワークを適
用することにより、観測データの分布状況により適した
境界決定が可能となる。さらに、厳密解が必ずしも必要
ではなく、適当な初期設定で、ある程度の解が必要な場
合に、比較的精度の良い境界を得ることができる。
て、新たな学習手法としてサポートベクタマシンを適用
することにより、境界が非線形となることが予想される
場合や、厳密解が必要とされる場合に、精度の良い境界
を得ることができる。
の例を示したが、それ以外にも、レーダから得られた大
量の電波画像データを利用した類識別問題への適用も可
能である。
は、以上説明したとおり、観測データを学習するための
パラメータである学習パラメータを格納する学習パラメ
ータファイルと、前記観測データを分類するためのパラ
メータである分類パラメータを格納する分類パラメータ
ファイルと、種類を表す種類判別子付きの観測データで
ある種類判別子付き観測データを格納する種類判別子付
き観測データファイルと、種類が未定で種類の判別対象
となる観測データである種類判別対象観測データを格納
する種類判別対象観測データファイルと、前記種類判別
対象観測データの種類判別結果を格納する種類判別結果
ファイルと、前記分類パラメータファイルからの分類パ
ラメータ、及び前記種類判別子付き観測データファイル
からの種類判別子付き観測データを入力とし、前記種類
判別子付き観測データの分類結果である観測データ分類
結果を出力する観測データ分類器と、前記学習パラメー
タファイルからの学習パラメータ、前記種類判別子付き
観測データファイルからの種類判別子付き観測データ、
前記観測データ分類器からの観測データ分類結果、及び
前記観測データの再学習のためのパラメータである学習
再実行パラメータを入力とし、前記観測データ分類結果
で示される各分類内で、前記種類判別子付き観測データ
に基づき種類学習を行い、種類学習の結果である種類学
習結果を出力する種類学習器と、前記種類判別対象観測
データファイルからの種類判別対象観測データ、及び前
記種類学習器からの種類学習結果を入力とし、前記種類
学習結果に基づき前記種類判別対象観測データの種類判
別を行い、種類判別結果を前記種類判別結果ファイルへ
出力する種類判別器と、前記種類学習器からの前記種類
学習結果を入力とし、入力された学習結果に対する評価
値である学習評価値を求める学習評価器と、前記学習評
価器からの前記学習評価値、及び前記学習パラメータフ
ァイルからの学習パラメータを入力とし、前記学習再実
行パラメータを求める学習再実行指示生成器とを備えた
ので、質の高い種類学習結果を得ることができ、その結
果として質の高い種類判別を期待できるという効果を奏
する。
以上説明したとおり、前記学習評価器が、前記種類学習
器からの前記種類学習結果を入力とし、学習対象とした
データを含む全ての前記種類判別子付き観測データのう
ち、誤認であると判定されたデータに対し、前記学習結
果で示される境界線からの距離を用いて、誤認の度合い
を示す誤認距離を算出し、個々の前記種類判別子付き観
測データの誤認距離に基づいて前記学習評価値を算出す
るので、誤認の度合いが強いデータを把握し、学習へフ
ィードバックすることが可能になり、具体的には、誤認
の度合いが大きいデータを学習対象データからはずすこ
と等が可能となり、これは学習精度の向上につながると
いう効果を奏する。
以上説明したとおり、前記学習評価器が、前記種類学習
器からの前記種類学習結果を入力とし、学習対象とした
データを含む全ての前記種類判別子付き観測データのう
ち、誤認であると判定されたデータに対し、前記学習結
果で示される境界線からの距離を用いて、誤認の度合い
を示す誤認距離を算出し、前記誤認距離の分布状況に基
づいて前記学習評価値を算出するので、境界線の形状が
線形もしくは非線形のどちらであるかを判断する基準の
一つを得ることができ、学習の質の向上につながるとい
う効果を奏する。
以上説明したとおり、前記学習再実行指示生成器が、前
記学習パラメータファイルからの学習パラメータ、及び
前記学習評価器からの前記学習評価値を入力とし、前記
学習評価値と所定の閾値とを比較し、前記学習評価値が
前記所定の閾値以下の場合には学習再実行が必要である
と判断し、前記学習パラメータの変更値である学習パラ
メータ変更値を前記学習再実行パラメータとして出力す
る学習パラメータ変更器を有するので、より良い学習結
果が期待できるという効果を奏する。
以上説明したとおり、前記学習再実行指示生成器が、前
記学習パラメータファイルからの学習パラメータ、及び
前記学習評価器からの前記学習評価値を入力とし、学習
再実行が必要であると判断した場合には、学習手法の変
更を指示する学習手法変更指示を前記学習再実行パラメ
ータとして出力する学習手法変更器を有するので、問題
の性質に応じて、学習手法を変更することにより、より
良い学習結果が期待できるという効果を奏する。
以上説明したとおり、前記学習手法変更器が、前記学習
パラメータファイルからの学習パラメータ、及び前記学
習評価器からの前記学習評価値を入力とし、新たな学習
手法としてニューラルネットワークを適用することを示
す指示を前記学習手法変更指示として出力するので、観
測データの分布状況により適した境界決定が可能とな
り、さらに、厳密解が必ずしも必要ではなく、適当な初
期設定で、ある程度の解が必要な場合に、比較的精度の
良い境界を得ることができるという効果を奏する。
以上説明したとおり、前記学習手法変更器が、前記学習
パラメータファイルからの学習パラメータ、及び前記学
習評価器からの前記学習評価値を入力とし、新たな学習
手法としてサポートベクタマシンを適用することを示す
指示を前記学習手法変更指示として出力するので、境界
が非線形となることが予想される場合や、厳密解が必要
とされる場合に、精度の良い境界を得ることができると
いう効果を奏する。
以上説明したとおり、分類パラメータファイルからの分
類パラメータ、及び種類判別子付き観測データファイル
からの種類判別子付き観測データを入力し、前記種類判
別子付き観測データの分類結果である観測データ分類結
果を出力する観測データ分類ステップと、学習パラメー
タファイルからの学習パラメータ、前記種類判別子付き
観測データファイルからの種類判別子付き観測データ、
前記観測データ分類結果、及び前記観測データの再学習
のためのパラメータである学習再実行パラメータを入力
し、前記観測データ分類結果で示される各分類内で、前
記種類判別子付き観測データに基づき種類学習を行い、
種類学習の結果である種類学習結果を出力する種類学習
ステップと、前記種類判別対象観測データファイルから
の種類判別対象観測データ、及び前記種類学習結果を入
力し、前記種類学習結果に基づき前記種類判別対象観測
データの種類判別を行う種類判別ステップと、前記種類
学習結果を入力し、入力された学習結果に対する評価値
である学習評価値を求める学習評価ステップと、前記学
習評価値、及び前記学習パラメータファイルからの学習
パラメータを入力し、前記学習再実行パラメータを求め
る学習再実行指示生成ステップとを含むので、質の高い
種類学習結果を得ることができ、その結果として質の高
い種類判別を期待できるという効果を奏する。
以上説明したとおり、前記学習評価ステップでは、前記
種類学習結果を入力し、学習対象としたデータを含む全
ての前記種類判別子付き観測データのうち、誤認である
と判定されたデータに対し、前記学習結果で示される境
界線からの距離を用いて、誤認の度合いを示す誤認距離
を算出し、個々の前記種類判別子付き観測データの誤認
距離に基づいて前記学習評価値を算出するので、誤認の
度合いが強いデータを把握し、学習へフィードバックす
ることが可能になり、具体的には、誤認の度合いが大き
いデータを学習対象データからはずすこと等が可能とな
り、これは学習精度の向上につながるという効果を奏す
る。
は、以上説明したとおり、前記学習評価ステップでは、
前記種類学習結果を入力とし、学習対象としたデータを
含む全ての前記種類判別子付き観測データのうち、誤認
であると判定されたデータに対し、前記学習結果で示さ
れる境界線からの距離を用いて、誤認の度合いを示す誤
認距離を算出し、前記誤認距離の分布状況に基づいて前
記学習評価値を算出するので、境界線の形状が線形もし
くは非線形のどちらであるかを判断する基準の一つを得
ることができ、学習の質の向上につながるという効果を
奏する。
は、以上説明したとおり、前記学習再実行指示生成ステ
ップが、前記学習パラメータファイルからの学習パラメ
ータ、及び前記学習評価値を入力とし、前記学習評価値
と所定の閾値とを比較し、前記学習評価値が前記所定の
閾値以下の場合には学習再実行が必要であると判断し、
前記学習パラメータの変更値である学習パラメータ変更
値を前記学習再実行パラメータとして出力する学習パラ
メータ変更ステップを有するので、より良い学習結果が
期待できるという効果を奏する。
は、以上説明したとおり、前記学習再実行指示生成ステ
ップが、前記学習パラメータファイルからの学習パラメ
ータ、及び前記学習評価値を入力とし、学習再実行が必
要であると判断した場合には、学習手法の変更を指示す
る学習手法変更指示を前記学習再実行パラメータとして
出力する学習手法変更ステップを有するので、問題の性
質に応じて、学習手法を変更することにより、より良い
学習結果が期待できるという効果を奏する。
構成を示す図である。
動作を示す図である。
動作を示す図である。
構成を示す図である。
動作を示す図である。
器、4 学習再実行指示生成器、41 学習パラメータ
変更器、42 学習手法変更器、5 学習評価器、6
A、6B 類識別装置、71 学習パラメータファイ
ル、72 分類パラメータファイル、9 種類判別子付
き観測データファイル、10 種類判別対象観測データ
ファイル、11 種類判別結果ファイル。
Claims (12)
- 【請求項1】 観測データを学習するためのパラメータ
である学習パラメータを格納する学習パラメータファイ
ルと、 前記観測データを分類するためのパラメータである分類
パラメータを格納する分類パラメータファイルと、 種類を表す種類判別子付きの観測データである種類判別
子付き観測データを格納する種類判別子付き観測データ
ファイルと、 種類が未定で種類の判別対象となる観測データである種
類判別対象観測データを格納する種類判別対象観測デー
タファイルと、 前記分類パラメータファイルからの分類パラメータ、及
び前記種類判別子付き観測データファイルからの種類判
別子付き観測データを入力とし、前記種類判別子付き観
測データの分類結果である観測データ分類結果を出力す
る観測データ分類器と、 前記学習パラメータファイルからの学習パラメータ、前
記種類判別子付き観測データファイルからの種類判別子
付き観測データ、前記観測データ分類器からの観測デー
タ分類結果、及び前記観測データの再学習のためのパラ
メータである学習再実行パラメータを入力とし、前記観
測データ分類結果で示される各分類内で、前記種類判別
子付き観測データに基づき種類学習を行い、種類学習の
結果である種類学習結果を出力する種類学習器と、 前記種類判別対象観測データファイルからの種類判別対
象観測データ、及び前記種類学習器からの種類学習結果
を入力とし、前記種類学習結果に基づき前記種類判別対
象観測データの種類判別を行う種類判別器と、 前記種類学習器からの前記種類学習結果を入力とし、入
力された学習結果に対する評価値である学習評価値を求
める学習評価器と、 前記学習評価器からの前記学習評価値、及び前記学習パ
ラメータファイルからの学習パラメータを入力とし、前
記学習再実行パラメータを求める学習再実行指示生成器
とを備えたことを特徴とする類識別装置。 - 【請求項2】 前記学習評価器は、前記種類学習器から
の前記種類学習結果を入力とし、学習対象としたデータ
を含む全ての前記種類判別子付き観測データのうち、誤
認であると判定されたデータに対し、前記学習結果で示
される境界線からの距離を用いて、誤認の度合いを示す
誤認距離を算出し、個々の前記種類判別子付き観測デー
タの誤認距離に基づいて前記学習評価値を算出すること
を特徴とする請求項1記載の類識別装置。 - 【請求項3】 前記学習評価器は、前記種類学習器から
の前記種類学習結果を入力とし、学習対象としたデータ
を含む全ての前記種類判別子付き観測データのうち、誤
認であると判定されたデータに対し、前記学習結果で示
される境界線からの距離を用いて、誤認の度合いを示す
誤認距離を算出し、前記誤認距離の分布状況に基づいて
前記学習評価値を算出することを特徴とする請求項1記
載の類識別装置。 - 【請求項4】 前記学習再実行指示生成器は、前記学習
パラメータファイルからの学習パラメータ、及び前記学
習評価器からの前記学習評価値を入力とし、前記学習評
価値と所定の閾値とを比較し、前記学習評価値が前記所
定の閾値以下の場合には学習再実行が必要であると判断
し、前記学習パラメータの変更値である学習パラメータ
変更値を前記学習再実行パラメータとして出力する学習
パラメータ変更器を有することを特徴とする請求項1記
載の類識別装置。 - 【請求項5】 前記学習再実行指示生成器は、前記学習
パラメータファイルからの学習パラメータ、及び前記学
習評価器からの前記学習評価値を入力とし、学習再実行
が必要であると判断した場合には、学習手法の変更を指
示する学習手法変更指示を前記学習再実行パラメータと
して出力する学習手法変更器を有することを特徴とする
請求項1記載の類識別装置。 - 【請求項6】 前記学習手法変更器は、前記学習パラメ
ータファイルからの学習パラメータ、及び前記学習評価
器からの前記学習評価値を入力とし、新たな学習手法と
してニューラルネットワークを適用することを示す指示
を前記学習手法変更指示として出力することを特徴とす
る請求項5記載の類識別装置。 - 【請求項7】 前記学習手法変更器は、前記学習パラメ
ータファイルからの学習パラメータ、及び前記学習評価
器からの前記学習評価値を入力とし、新たな学習手法と
してサポートベクタマシンを適用することを示す指示を
前記学習手法変更指示として出力することを特徴とする
請求項5記載の類識別装置。 - 【請求項8】 分類パラメータファイルからの分類パラ
メータ、及び種類判別子付き観測データファイルからの
種類判別子付き観測データを入力し、前記種類判別子付
き観測データの分類結果である観測データ分類結果を出
力する観測データ分類ステップと、 学習パラメータファイルからの学習パラメータ、前記種
類判別子付き観測データファイルからの種類判別子付き
観測データ、前記観測データ分類結果、及び前記観測デ
ータの再学習のためのパラメータである学習再実行パラ
メータを入力し、前記観測データ分類結果で示される各
分類内で、前記種類判別子付き観測データに基づき種類
学習を行い、種類学習の結果である種類学習結果を出力
する種類学習ステップと、 前記種類判別対象観測データファイルからの種類判別対
象観測データ、及び前記種類学習結果を入力し、前記種
類学習結果に基づき前記種類判別対象観測データの種類
判別を行う種類判別ステップと、 前記種類学習結果を入力し、入力された学習結果に対す
る評価値である学習評価値を求める学習評価ステップ
と、 前記学習評価値、及び前記学習パラメータファイルから
の学習パラメータを入力し、前記学習再実行パラメータ
を求める学習再実行指示生成ステップとを含むことを特
徴とする類識別方法。 - 【請求項9】 前記学習評価ステップでは、前記種類学
習結果を入力し、学習対象としたデータを含む全ての前
記種類判別子付き観測データのうち、誤認であると判定
されたデータに対し、前記学習結果で示される境界線か
らの距離を用いて、誤認の度合いを示す誤認距離を算出
し、個々の前記種類判別子付き観測データの誤認距離に
基づいて前記学習評価値を算出することを特徴とする請
求項8記載の類識別方法。 - 【請求項10】 前記学習評価ステップでは、前記種類
学習結果を入力とし、学習対象としたデータを含む全て
の前記種類判別子付き観測データのうち、誤認であると
判定されたデータに対し、前記学習結果で示される境界
線からの距離を用いて、誤認の度合いを示す誤認距離を
算出し、前記誤認距離の分布状況に基づいて前記学習評
価値を算出することを特徴とする請求項8記載の類識別
方法。 - 【請求項11】 前記学習再実行指示生成ステップは、
前記学習パラメータファイルからの学習パラメータ、及
び前記学習評価値を入力とし、前記学習評価値と所定の
閾値とを比較し、前記学習評価値が前記所定の閾値以下
の場合には学習再実行が必要であると判断し、前記学習
パラメータの変更値である学習パラメータ変更値を前記
学習再実行パラメータとして出力する学習パラメータ変
更ステップを有することを特徴とする請求項8記載の類
識別方法。 - 【請求項12】 前記学習再実行指示生成ステップは、
前記学習パラメータファイルからの学習パラメータ、及
び前記学習評価値を入力とし、学習再実行が必要である
と判断した場合には、学習手法の変更を指示する学習手
法変更指示を前記学習再実行パラメータとして出力する
学習手法変更ステップを有することを特徴とする請求項
8記載の類識別方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002003907A JP4121061B2 (ja) | 2002-01-10 | 2002-01-10 | 類識別装置及び類識別方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002003907A JP4121061B2 (ja) | 2002-01-10 | 2002-01-10 | 類識別装置及び類識別方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2003208594A true JP2003208594A (ja) | 2003-07-25 |
JP4121061B2 JP4121061B2 (ja) | 2008-07-16 |
Family
ID=27643375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002003907A Expired - Fee Related JP4121061B2 (ja) | 2002-01-10 | 2002-01-10 | 類識別装置及び類識別方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4121061B2 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003207565A (ja) * | 2002-01-10 | 2003-07-25 | Mitsubishi Electric Corp | 類識別装置及び類識別方法 |
JP2005352997A (ja) * | 2004-06-14 | 2005-12-22 | Central Res Inst Of Electric Power Ind | 事例データベースの構築方法、判別装置の学習方法、データ判別支援装置、データ判別支援プログラム |
JP2011107975A (ja) * | 2009-11-17 | 2011-06-02 | Nippon Telegr & Teleph Corp <Ntt> | 複数クラス分類装置、複数クラス分類方法および複数クラス分類プログラム |
JP2017204712A (ja) * | 2016-05-10 | 2017-11-16 | 国立研究開発法人情報通信研究機構 | 仮想資源自動選択システム及び方法 |
JP2018509712A (ja) * | 2015-03-11 | 2018-04-05 | クゥアルコム・インコーポレイテッドQualcomm Incorporated | 物体認識システムのためのオンライントレーニング |
JPWO2017187516A1 (ja) * | 2016-04-26 | 2018-07-19 | 株式会社日立製作所 | 情報処理システムおよびその運用方法 |
JP2019164774A (ja) * | 2018-03-15 | 2019-09-26 | 富士通株式会社 | 学習装置、検査装置、学習検査方法、学習プログラムおよび検査プログラム |
JP2020074211A (ja) * | 2016-04-26 | 2020-05-14 | 株式会社日立製作所 | 情報処理システムおよびその運用方法 |
JP2022508091A (ja) * | 2018-11-27 | 2022-01-19 | レイセオン カンパニー | 動的再構成訓練コンピュータアーキテクチャ |
JPWO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 |
-
2002
- 2002-01-10 JP JP2002003907A patent/JP4121061B2/ja not_active Expired - Fee Related
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003207565A (ja) * | 2002-01-10 | 2003-07-25 | Mitsubishi Electric Corp | 類識別装置及び類識別方法 |
JP2005352997A (ja) * | 2004-06-14 | 2005-12-22 | Central Res Inst Of Electric Power Ind | 事例データベースの構築方法、判別装置の学習方法、データ判別支援装置、データ判別支援プログラム |
JP2011107975A (ja) * | 2009-11-17 | 2011-06-02 | Nippon Telegr & Teleph Corp <Ntt> | 複数クラス分類装置、複数クラス分類方法および複数クラス分類プログラム |
JP7372730B2 (ja) | 2015-03-11 | 2023-11-01 | クゥアルコム・インコーポレイテッド | 物体認識システムのためのオンライントレーニング |
JP2018509712A (ja) * | 2015-03-11 | 2018-04-05 | クゥアルコム・インコーポレイテッドQualcomm Incorporated | 物体認識システムのためのオンライントレーニング |
JPWO2017187516A1 (ja) * | 2016-04-26 | 2018-07-19 | 株式会社日立製作所 | 情報処理システムおよびその運用方法 |
JP2020074211A (ja) * | 2016-04-26 | 2020-05-14 | 株式会社日立製作所 | 情報処理システムおよびその運用方法 |
JP2017204712A (ja) * | 2016-05-10 | 2017-11-16 | 国立研究開発法人情報通信研究機構 | 仮想資源自動選択システム及び方法 |
JP2019164774A (ja) * | 2018-03-15 | 2019-09-26 | 富士通株式会社 | 学習装置、検査装置、学習検査方法、学習プログラムおよび検査プログラム |
JP7238470B2 (ja) | 2018-03-15 | 2023-03-14 | 富士通株式会社 | 学習装置、検査装置、学習検査方法、学習プログラムおよび検査プログラム |
JP7225395B2 (ja) | 2018-11-27 | 2023-02-20 | レイセオン カンパニー | 動的再構成訓練コンピュータアーキテクチャ |
JP2022508091A (ja) * | 2018-11-27 | 2022-01-19 | レイセオン カンパニー | 動的再構成訓練コンピュータアーキテクチャ |
JPWO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ||
WO2022024985A1 (ja) * | 2020-07-27 | 2022-02-03 | ファナック株式会社 | 検査装置 |
JP7502448B2 (ja) | 2020-07-27 | 2024-06-18 | ファナック株式会社 | 検査装置 |
Also Published As
Publication number | Publication date |
---|---|
JP4121061B2 (ja) | 2008-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angelopoulos et al. | Learn then test: Calibrating predictive algorithms to achieve risk control | |
Li et al. | Floatboost learning and statistical face detection | |
JP5214762B2 (ja) | 認識装置、方法及びプログラム | |
Lange et al. | Learning with constrained and unlabelled data | |
Carbonera et al. | A density-based approach for instance selection | |
JP2015087903A (ja) | 情報処理装置及び情報処理方法 | |
Eitzinger et al. | Assessment of the influence of adaptive components in trainable surface inspection systems | |
CN109543739A (zh) | 一种日志分类方法、装置、设备及可读存储介质 | |
Borowska et al. | A rough-granular approach to the imbalanced data classification problem | |
US20190286937A1 (en) | Computer-readable recording medium, method for learning, and learning device | |
Kramer et al. | DBSCAN-based multi-objective niching to approximate equivalent Pareto-subsets | |
Shang et al. | Support vector machine-based classification of rock texture images aided by efficient feature selection | |
WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
JP2003208594A (ja) | 類識別装置及び類識別方法 | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
CN110956177A (zh) | 一种混合型验证码的识别方法及系统 | |
Kauschke et al. | Towards neural network patching: Evaluating engagement-layers and patch-architectures | |
CN115410250A (zh) | 阵列式人脸美丽预测方法、设备及存储介质 | |
Burger et al. | Modeling hesitation and conflict: a belief-based approach for multi-class problems | |
JP4121060B2 (ja) | 類識別装置及び類識別方法 | |
Sarma | Bank Note Authentication: A Genetic Algorithm Supported Neural based Approach. | |
Iqbal et al. | Improved Open World Object Detection Using Class-Wise Feature Space Learning | |
CN114821206B (zh) | 基于对抗互补特征的多模态图像融合分类方法与系统 | |
Xie et al. | Feature Selection Based on Neighborhood Entropy for Data Hiding Analysis | |
WO2024004127A1 (ja) | 情報処理システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070109 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070308 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080212 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080326 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080422 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080424 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110509 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110509 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120509 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120509 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130509 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140509 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |