JP2003500774A

JP2003500774A - パターン探索

Info

Publication number: JP2003500774A
Application number: JP2001500209A
Authority: JP
Inventors: デコグスタヴォ; シュルマンベルント
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 1999-05-26
Filing date: 2000-05-11
Publication date: 2003-01-07
Also published as: ATE261600T1; DE19924008A1; DE19924008C2; EP1194882B1; DE50005604D1; WO2000073978A1; EP1194882A1

Abstract

(57)【要約】少なくとも２つの所定のパラメータにより識別される所与のパターンを所与の探索フィールド（１）内で探索する。まず、所与の探索フィールド（１）を現在の探索フィールドに設定する。次いで所定のパラメータの各々に関して現在の探索フィールドのそれぞれ１つの局所画像（１２，１３，１４）を生成する（３，６）。局所画像はそれぞれ探索すべきパターンの相応のパラメータの実際の値を考慮する。局所画像（１２，１３，１４）の情報はそれぞれ互いに独立してホップフィールドネットワーク（８，９，１０）により処理され、位置情報を生成する。次いでそれぞれの位置情報の結合（１９）に基づいて新たな探索フィールドを特定する。新たな探索フィールド（１７）は、所与の探索フィールド（１）内でパターンの推定位置を指定する。

Description

【発明の詳細な説明】

【０００１】本発明は、探索フィールド内で基準パターンを探索するための方法に関するも
のであり、技術的に効率的に実現可能でなければならない。つまり、このパター
ン探索により、複数のパラメータの値により特徴づけられる少なくとも１つのパ
ターンが所与の探索フィールド内で見いだされる。このようなパターン探索方法
の典型的な適用は、ロボット工学、テキスト分析、画像分析および医用技術の画
像生成システムの領域（例えばマンモグラフィ等における自動ガン検出の場合の
ような）にある。

【０００２】本明細書における「パターン」とは、センサ情報のそれぞれ２次元的表示また
は多次元的表示の意味であることを理解するよう述べておきたい。この場合、こ
の情報が音響的なものであるか、視覚的なものであるか、またはその他の種類の
ものであるかは重要ではない。

【０００３】基本的に、パターン探索方法を技術的に実現する際には、探索フィールドの潜
在的に膨大な量の情報を処理することが問題となる。従来技術からは、入力情報
の潜在的な関心領域を検出するいわゆる優先撮像と、探索フィールドの入力情報
を少なくするフォーカス機構とに基づいたモデルが公知であり、これにより、限
られた処理容量で残りの情報量を処理することができる。

【０００４】この場合、優先画像は探索フィールドの局所画像であり、この局所画像は探索
フィールドのさまざまな領域の関連度を描写するものであり、これにより事後的
に探索フィールドを縮小する機構が提供される。このような優先撮像のさまざま
な実現形態が公知である。例えば、Koch and Ullmann(1985),“Shifts in selec
tive visual attention: Towards the underlying neural circuitry”, Human
NeuroBiology, 4, pages 219〜227から、いわゆるボトムアップ情報によりこの
ような優先撮像を組織することが公知であり、この場合、さらなる機構が設けら
れており、この機構により、優先画像において最も目立つ位置が選択され、フォ
ーカス技術を用いてこの位置へ関心が向けられる、すなわち比較的高レベルの処
理が行われる。

【０００５】 Van de Laar et al (1997) “Task-dependent learning of attention”, Neu
ral Networks, 10, pages 981〜９９２からは、トップダウン情報を取り入れる
ためにタスクに依存して優先画像を生成することが公知である。探索されるパタ
ーンは各タスクに応じて変化するという事実を考慮するために、タスクに依存す
る新たな優先画像が定義される。

【０００６】 Wolfe (1994) “Guided search 2.0: A revised model of visual search”,
Psychonomic Bulletin ＆ Review, 1, pages 202〜238からは、誘導探索モデル
に従って、優先画像を生成するためにボトムアップ情報およびトップダウン情報
を使用することが公知である。

【０００７】上記の従来技術を基礎として、本発明の課題は、特に効率的な技術的実現を可
能にするパターン探索の方法を提供することである。課題解決のバックグラウン
ドとなる枠組的な条件として、実際の使用において実現可能なハードウェアソリ
ューションまたはソフトウェアソリューションの提供が可能か調べられなければ
ならない。

【０００８】上記課題は、本発明によれば、請求項１の特徴により解決される。従属請求項
は、本発明の中心的な思想を特に有利な形態において構成している。

【０００９】したがって、本発明によれば、所与の探索フィールド内で基準パターンを探索
するための方法が提供され、この場合、基準パターンは少なくとも２つの予め定
められたパラメータにより特徴付けられる。まず、所与の探索フィールドを現在
の探索フィールドとして設定する。予め定められたパラメータごとに、現在の探
索フィールドの１つの局所画像を生成する。この場合、局所画像は基準パターン
の相応するパラメータの値を考慮したものである。局所画像の情報を互いに独立
して処理することにより、それぞれ１つの位置情報が生成され、この位置情報は
、それぞれのパラメータに関して、探索される基準パターンの少なくとも１つの
推定位置を現在の探索フィールド内に指定する。新たな探索フィールドは、それ
ぞれの位置情報の結合を基に特定される。新たな探索フィールドは、前記所与の
探索フィールド内に基準パターンの推定位置を指定する。

【００１０】この方法は、限られた処理容量を考慮して、実際の使用において技術的に比較
的効率的に実現される。というのも、局所画像の情報は互いに独立して処理され
、この直列処理は古典的な（直列の）計算機アーキテクチャにより効率的に実現
可能だからである。

【００１１】局所画像の生成は、現在の探索フィールドの情報の並列処理または実際の使用
においては疑似並列処理により行われる。このステップも技術的に比較的効率的
に実現される。というのも、局所画像は、本発明のこの側面によれば、確かに並
列的に生成されるが、しかしその生成は比較的低いプレーンにおいての処理しか
必要としないからである。

【００１２】局所画像内の情報は、例えばニューラルホップフィールドネットワークにより
処理することができ、その際、それぞれ１つのホップフィールドネットワークが
１つの位置情報を出力する。ホップフィールドネットワークは当業者にとっては
従来技術から公知である。例えば、Zakharian et al “Neuronale Netze fuer I
ngenieure” Vieweg Verlag, Braunschweig, Wiesbaden,1998において示されて
いる。

【００１３】ホップフィールドネットワークは、とりわけポットニューロンから構成するこ
とができる。ポットニューロンは、例えば、Peterson et al, “A new method f
or mapping optimization problems onto neural networks”, International j
ournal of neural Systems, 1, pages 3〜12から公知である。この限りにおいて
、この従来技術が参照される。

【００１４】本方法はさらに、新たな探索フィールドと現在の探索フィールドとの間の変化
を求めるステップを有することもできる。求められた変化が所定の限界値よりも
大きい場合には、現在の探索フィールドを新たな探索フィールドとして設定し、
それぞれ１つの局所画像を生成するステップ、局所画像の情報を独立して処理す
るステップ、新たな探索フィールドを特定するステップ、および新たな探索フィ
ールドと現在の探索フィールドとの間の変化を求めるステップを繰り返すことが
できる。求められた変化が所定の限界値よりも小さいか、または等しい場合には
、新たな探索フィールドは所与の探索フィールド内の基準パターンの推定位置を
指示するものと仮定される。

【００１５】現在の探索フィールドの局所画像はニューラルネットワークにより生成するこ
とができ、これらのニューラルネットワークは探索すべきパターンでトレーニン
グされ、その情報は現在の探索フィールドのパラメータ表示された画像から入力
される。

【００１６】付加的に、少なくとも２つのパラメータに関して１つの組合された局所画像を
生成し、次いで上述のようにさらに処理することもできる。

【００１７】上述のような方法の特に有利な適用形態は、ロボットによって取り扱われるべ
き対象物の自動探索である。

【００１８】つぎに、添付した図面に付属の図を参照し、実施例を用いて本発明をより詳細
に説明する。図面内の図において、同じ参照番号はそのつど同じまたは同等の構
成要素を表す。

【００１９】図１は、１つの実施例による、探索フィールド内のパターンを探索するための
システムの概略的な全体図を示しており、図２は、図１のシステムの機能的表示を示しており、図３は、図１および２に示されているシステムにより実行され得るシーケンス
のフローチャートを示しており、図４は、パターン探索に要する時間を探索の複雑さに依存して表示する測定結
果を示している。

【００２０】まず図１を参照して、探索フィールド内でパターンを探索するシステムの構成
を実施例に従って説明する。

【００２１】図１に示されており、かつ図１を参照して説明される実施例では、パターンは
画像表現である。既に上で述べたように、パターンは、２次元的または多次元的
に表される他のセンサ情報の表現でもよい。同じことは探索フィールドについて
も当てはまる。

【００２２】パターン１７は、全探索フィールド１の中にいわば「隠されている」。パター
ン１７の探索フィールド１内での位置を検出しなければならない。図１の実施例
によれば、探索フィールド１の画像情報はディジタルビデオカメラ１８を介して
検出され、このカメラの探索フィールド上の観測窓２は変化させることができる
。すなわち、探索フィールド上のディジタルビデオカメラ１８の観測窓（画像セ
グメント２）のサイズも位置も変えることができる。ディジタルビデオカメラ１
８の画像情報、すなわちより詳しく言えば、ディジタルビデオカメラ１８の観測
窓２内の情報は、複数の処理ユニット３，４，５に供給される。この場合、これ
らの処理ユニット３，４，５の各々は、以下の明細書でより詳細に説明するよう
に、いわゆる特徴画像（Merkmalsabbildung）の生成を担当している。

【００２３】処理ユニット３はパラメータ１に関する特徴画像の生成を担当し、処理ユニッ
ト４はパラメータ２に関する特徴画像の生成を担当し、処理ユニット５はパラメ
ータ３に関する特徴画像の生成を担当する。特徴画像の生成は、設定されたタス
ク、すなわち探索すべき基準パターンのパラメータの値には依存していない。

【００２４】これらのパラメータは、例えば探索すべきパターンのサイズ、色および位置で
あってもよい。

【００２５】処理ユニット３，４，５により生成された特徴画像は、それぞれ別個のアテン
ション（注目）−ネットワーク６に供給される。アテンション−ネットワーク６
は、予め、つまり実際のパターン探索に先行して、ターゲットメモリ７内に格納
された探索すべきパターンでトレーニングされる。

【００２６】後でより詳細に説明するように、アテンション−ネットワーク６はそれぞれ互
いに独立していわゆる優先画像を生成する。そのために、既に述べたように、探
索すべきパターンでトレーニングされたアテンション−ネットワーク６に処理ユ
ニット３，４，５により生成された特徴画像の情報が供給される。優先画像は探
索フィールド１の局所画像を表し、これらの局所画像は、探索すべきパターンに
対して割当てられたパラメータ１，２または３のそれぞれの関連度に依存して、
アテンション−ネットワーク６により重み付けられる。なお、アテンション−ネ
ットワーク６は前記探索すべきパターンを用いてトレーニングされる。

【００２７】アテンション−ネットワーク６の出力信号は、それぞれ互いに独立して別個の
ホップフィールドネットワーク８，９，１０に供給される。後でより詳細に説明
するように、ホップフィールドネットワーク８，９，１０は、それぞれのパラメ
ータの優先度の競合を互いに独立して解決する。ホップフィールドネットワーク
８，９，１０の出力信号は、ホップフィールドネットワーク８，９，１０の出力
信号の結合の１つの例である加算ユニット１９に供給され、次いで規格化ユニッ
ト２０により規格化される。

【００２８】ホップフィールドネットワーク８，９，１０の規格化された結合出力信号は、
新たな探索フィールド生成のためにフィードバック信号１７として使用される。
図１の実施例では、フィードバック信号１７は制御ユニット１１に供給され、こ
の制御ユニット１１は、探索フィールド１に関して、供給されたフィードバック
信号１７に依存してディジタルビデオカメラ１８の観測窓２の位置および／また
はサイズを変更する。

【００２９】つぎに図１に示されたシステムの機能を図２を参照して説明する。

【００３０】基本的に、このシーケンスは２つのフェーズを含んでおり、詳細には、第１フ
ェーズでは、探索フィールドの全情報が特徴画像３，３′，４，４′，５，５′
と優先画像１２，１３，１４とに平行して並列に処理される。次いで第２フェー
ズでは、優先画像の情報がそれぞれ互いに分離され、したがってさらにいわゆる
直列処理を施され、新たな探索フィールドを生成するために最終的に結合される
。

【００３１】上記の構想から効率的な技術的実現可能性が得られる。というのも、一方で探
索フィールドの並列処理の第１フェーズの間は、処理は比較的低いプレーンで行
われ、他方で高度な処理は優先画像１２，１３，１４の情報に基づいて疑似直列
で行われるからである。

【００３２】第１フェーズでは、探索フィールド１のすべての点の情報が並列処理され、特
徴画像３，３′，４，４′，５，５′が生成される。それぞれの特徴画像３，３
′，４，４′，５，５′は、それぞれのパラメータに関する探索フィールドの局
所画像を表している。この場合、特徴画像による局所画像は、まだ探索タスクに
は依存していない、すなわち探索すべきパターンに依存していない。

【００３３】特徴画像を基にして、探索フィールド１の局所画像を表す優先画像１２，１３
，１４が生成される。但し、局所画像は、タスクに（探索フィールド内で探索す
べきパターンに）関連して探索フィールド内の所定の位置における相応のパラメ
ータの関連度を描写するものである。

【００３４】このために、（予め）少なくとも１つの探索すべきパターンでトレーニングさ
れたいわゆるアテンション−ネットワーク６が使用される。このようにしてトレ
ーニングされたアテンション−ネットワーク６に特徴画像３，３′，４，４′，
５，５′のそれぞれの情報が入力され、これによりアテンション−ネットワーク
６の出力情報としてそれぞれの優先画像１２，１３，１４が生成される。

【００３５】その際、既に述べたように、優先画像１２，１３，１４は各パラメータに対し
て別個に生成される。さらに、優先画像１２，１３，１４の情報は別個にホップ
フィールドネットワーク８，９，１０に供給される。

【００３６】優先画像１２，１３，１４内には、いわば、それぞれのパラメータに関して、
探索すべきパターンが探索フィールド内のどの位置に存在し得るかについての情
報が存在している。

【００３７】ホップフィールドネットワークは、パラメータごとの複数の推定位置のこの競
合を各パラメータに対して別個に解決するのに使用される。

【００３８】ホップフィールドネットワーク８，９，１０の出力信号は結合され、例えば加
算１９され、次いでこの結合に依存して新たな探索フィールドが特定される。

【００３９】つぎにシーケンスの２つの主フェーズを詳細に説明する。

【００４０】フェーズ１：このフェーズは、局所画像を生成するために全表面１の画像情報を並列検出す
ることから成る。

【００４１】まず表面１は視覚的対象物のマトリクスと見なされる。探索面上の各対象物の
位置は２つのインデックスｉｊにより特定され、これらのインデックスは、ｉ行
ｊ列の位置を表す。特徴画像および優先画像は局所的に配置される、つまりこれ
らの画像のうちの１つにおけるニューロンｉｊの記録フィールドは、探索面１の
位置ｉｊのセンシングを担当する。求められるそれぞれのパターンは、全部でＫ
個の異なるパラメータにより規定することができる。インデックスｋを有する各
パラメータはＬ（ｋ）個の異なる値をとることができる。例えば、色パラメータ
は、赤または緑の値をとることができる（このケースでは、Ｌ（色）＝２）。相
応するそれぞれの特徴画像に対して、それぞれのパラメータ値の存在を特徴づけ
るために、ニューロンにＬ（ｋ）個の層が設けられている。ｆ_ｉｊｋｌにより特
徴画像ｋ内のニューロンの活動を表し、その値が１の場合にはセンシング状態で
あり、探索面１の位置ｉｊに記録フィールドを有しているものとする。これらの
ニューロンの活動は、０から１の間の実数で与えられ、この実数により相応の位
置に相応のパラメータが在ることが識別される。最大値は相応のパラメータが存
在することに対応し、最小値はこのパラメータがこの位置にないことに対応する
。このような特徴画像のニューロンによる実現は、Vandelaar et al., “Task-D
ependent Learning of Attention”, Neural Networks, 19, 981〜992において
公開されている。このアプローチによれば、探索面１の入力対象は数のＫ個組に
より直接与えられており、これがそのパラメータ値を表している。

【００４２】次いで、このＫ個組入力は、特徴画像のそれぞれの位置およびそれぞれの層に
おけるニューロンの活動、すなわちｆ_ｉｊｋｌの値を得るために直接使用される
。この値は、対象物が相応するパラメータを有している場合には、例えば０．９
であり、その他の場合には０である。例えば３つの異なるパラメータを仮定する
ならば（色、位置、サイズ）、それぞれ２つの異なる値（色に対しては赤＝１お
よび緑＝２，位置に対しては垂直＝１および水平＝２，サイズに対しては大＝１
および小＝２）をとることができ、それぞれの目標対象物は３つ組により識別す
ることができ（例えば第１の数が色を決定し、第２の数が位置を決定し、第３の
数がサイズを決定する場合、３つ組１２１は赤くて、水平で大きな対象物を表す
）、この情報はそれぞれの特徴画像のそれぞれの層のニューロンの活動を決定す
るのに使用される（例えば３つ組１２１は、赤を検出するニューロンに対しては
０．９の活動を生じ、緑を検出するニューロンに対しては０の活動を生じる、等
々）。

【００４３】それぞれの特徴画像内の位置ｉｊにおけるこれらのニューロンの活動は、制御
ニューロンＯ_ｉｊにより決定される関心の強度によりパラメータ表示される。こ
れはパラメータ表示された出力信号Ｆ_ｉｊｋｌと呼ばれ、

【００４４】

【数１】

【００４５】で表される。ここで、ξは正規分布に従うノイズ信号であり、実際の画像情報に
重なっている。

【００４６】それぞれのパラメータは固有の優先画像を有しており、この優先画像は、それ
ぞれの位置における探索のために割当てられた特徴の関連度を記述するニューロ
ンを有している。ｈ_ｉｊｋによりパラメータｋに対応する優先画像内の位置ｉｊ
におけるニューロンの活動を表すことにする。この活動値は、前方伝播形であり
かつ隠れた層を有するニューラルネットワーク（アテンション−ネットワーク６
）の出力信号により決定され、この場合、アテンション−ネットワーク６は、タ
スクに基づいて、つまり目標対象物を特徴づける特徴に基づいて、目標対象物の
相応するパラメータを結合する特徴画像の位置に高レベルの活動を創出する。し
たがって、相応する数式は、

【００４７】

【数２】

【００４８】であり、ここで、νは正規分布に従うノイズ成分であり、Ｖはネットワークの隠
れた層の中の隠れユニットの個数である。数式３は、目標対象物に依存した入力
情報ｔ_ｋｌを受け取るアテンション−ネットワークを記述している。入力情報ｔ _ｋｌは、

【００４９】

【数３】

【００５０】個のノードから成り、この場合、１つのノードがそれぞれのパラメータ値を表し
ている。パラメータが目標対象物内または可能な目標対象物のグループ内にある
場合には、相応の目標対象物入力ノードは１であり、その他の場合には、０であ
る。テンソルｗおよびＷはアテンション−ネットワーク６の重み付けパラメータ
であり、ａ_ｉｊｋｌはアテンション−ネットワーク６の出力信号であり、優先画
像を生成するために特徴画像の値をパラメータ表示する。

【００５１】このニューラルアテンション−ネットワーク６は、費用関数

【００５２】

【数４】

【００５３】を最小化するテンソルｗおよびＷの値を求めるために、公知のバックプロパゲー
ション方式を用いて実際の使用に先行してトレーニングされる。ここで、位置ｉ
ｊにおける対象物が実際の目標対象物と同じ特徴ｋを有する場合には、所望の値
Ｈ_ｉｊｋを１に設定する。これにより、アテンション−ネットワーク６は探索す
べきパターンでトレーニングされる。

【００５４】

【外１】

【００５５】フェーズ２：フェーズ２では、「関心−探索ヘッドライト」の位置、すなわちＯ_ｉｊにより
規定される現在の探索フィールド２の位置を、さまざまな優先画像１２，１３，
１４または１５の中に存在する情報に基づいて決定する。その際、それぞれの優
先画像１２，１３，１４または１５が、残りの優先画像に依存せずに優先度の競
合を解決し、この解決の後、すべての優先画像におけるそれぞれのステップにお
いて、次の探索ステップのための新たな探索フィールド２が特定される。それゆ
え、それぞれの優先画像１２，１３，１４または１５に対して、１つの独立した
ホップフィールドネットワーク８，９，１０または１６が設けられている。これ
らの制御ネットワーク８，９，１０または１６はポットニューロンから成ってい
る。ポットニューロンは、当業者にとっては、例えばPeterson,C. およびSoedeb
erg,B.（１９８９）による“A new method for mapping optimization problems
onto neural networks”, International Journal of Neural Systems, 1, 3〜
12から公知である。

【００５６】

【外２】

【００５７】

【数５】

【００５８】により与えられる。これにより、ネットワークは、エネルギー関数が最小である
状態へと力学的に発展する。数式８の第１項により以下の事実が考慮される。す
なわち、シーケンス終了時には、パターンが期待される（すなわちＳとｈとの間
のオーバラップが最大の）位置においてのみ制御ニューロンがアクティブである
ような状態が意図されている、という事実が考慮される。第２項は、ただ１つの
位置だけがアクティブであるという境界条件を実現する。第３項は、高度な優先
画像１５と残りの優先画像１２，１３および１４との間の整合性を保証する。こ
の制御ネットワーク（ホップフィールドネットワーク８，９，１０，１６）の力
学的発展は、いわゆる平均フィールド近似（s. Peterson, Soedeberg, 1989)の
使用のためにモデル化することができる。各スピンＶ_ｉｊｋ＝〈Ｓ_ｉｊｋ〉の平
均値を用いると、力学的発展は次の数式により表現することができる。

【００５９】

【数６】

【００６０】高度な優先画像１５に割当てられた制御ネットワーク（ホップフィールドネット
ワーク１６）の力学的挙動は、同様に次の数式により記述される。

【００６１】

【数７】

【００６２】したがって、新たな探索フィールド２は、各位置における独立したフォーカスＶ _ｉｊｋの平均値により特定される。

【００６３】

【数８】

【００６４】このために、図１および２に示されているように、ホップフィールドネットワ
ーク８，９，１０または１６のすべての出力信号は加算ユニット１９で統合され
、次いでネットワークの個数（＝パラメータの個数）で規格化される（規格化ユ
ニット２０）。

【００６５】それぞれのステップでは、数式８〜１３に従って反復が実行され、これにより
、現在の探索フィールド２からフェーズ１による次の並列ステップにおいて使用
すべき新たな探索フィールドへの変化が決定される。したがって、このシステム
は、システムが観測窓に応じた定常状態へ収束するまで、フェーズ１によるステ
ップとフェーズ２によるステップを交互に自動的に実行する。但し、観測窓は、
特定の位置ｉｊでは値１を有し、残りのすべての位置では０を有する。定常状態
（位置ｉｊ）は探索されるパターンの位置に対応している。

【００６６】このシステムは、１つの位置も強調されない、つまり現在の探索フィールド２
はすべての所与の探索フィールド１と同じ（Ｏ_ｉｊ＝１／Ｓ^２）であることによ
り初期化される。ここで、Ｓは探索面１のサイズである。反復ステップの数が目
標対象物を探索するための反応時間を決定する。

【００６７】つぎに図３のフローチャートを用いてもう一度シーケンスを説明する。スター
ト（ステップＳＴ１）において、パラメータにより特徴づけられる基準パターン
を決定する。次いでステップＳＴ２において、所与の探索フィールド全体を現在
の探索フィールドとして設定する。

【００６８】後続のステップＳＴ３とＳＴ４は、まとめて上記フェーズ１を構成している。
この場合、ステップＳＴ３では、それぞれのパラメータに対して１つの局所画像
を生成する。これは並列的または疑似並列的に行うことができる。ステップＳＴ
４では、それぞれのパラメータの局所画像を、探索すべきパターンの実際のパラ
メータ値でパラメータ表示する。なお、このパラメータ表示はアテンション−ネ
ットワーク６を用いて行う。

【００６９】後続のステップＳＴ５，ＳＴ６およびＳＴ７は、まとめて上記プロセスのフェ
ーズ２を構成している。まず、それぞれのパラメータに対する競合をホップフィ
ールドネットワークにより解決する。なお、このホップフィールドネットワーク
にはそれぞれの優先画像１２，１３または１４の情報が入力される。ステップＳ
Ｔ６では、ホップフィールドネットワークにより出力された位置情報を結合し、
これによりステップＳＴ７では新たな探索フィールドを特定することができる。
ステップＳＴ８では、新たな探索フィールドと現在の探索フィールドとの間の変
化が所定の限界値よりも大きいかまたは小さいかを判定する。変化が所定の限界
値よりも小さく、それゆえシステムが安定的に収束した場合には、ステップＳＴ
９において、現在の探索フィールドが探索すべきパターンの位置を指定している
と仮定する。したがって、パターンはこの位置で検出されたものと見なされ、ス
テップ１０でプロセスを終了する。

【００７０】ステップＳＴ８において変化が所定の限界値よりも大きい場合には、現在の探
索フィールドを新たな探索フィールドとして設定し（ステップＳＴ１１）、プロ
セスはステップＳＴ３に戻る。

【００７１】つぎに図４を参照して、図１および２に示されているシステムにより達成され
る測定結果を説明する。まず、異なる種類のタスクを数の対ｍおよびｎにより決
定する。ここで、ｍは異なる特徴タイプの個数であり、これにより、いわゆるデ
ィストラクタ（distractor)が目標対象物から区別され、ｎは特徴タイプ内での
個数であり、これにより、ディストラクタのグループが目標対象物から区別され
る。言い換えると、探索対象物が１つまたは２つの特徴タイプにより残りのすべ
ての対象物から区別される場合には、純粋な特徴探索は１，１探索に相応し、標
準コンテクスト探索は２，１探索に相応し、３重コンテクスト探索は３，１また
は３，２探索に相応する。対象物はすべてそれぞれ２つの値をとることのできる
（Ｌ（ｋ）＝２，ここでｋ＝１，２，３）３つの特徴タイプ（Ｋ＝３、例えば色
、サイズおよび位置）により規定されると仮定する。

【００７２】図４に見られるように、実験ではＳ＝２からＳ＝１６までの画像サイズを使用
した。それぞれのサイズについて実験を１００回繰り返し、その際、各回ごとに
ランダムに生成されたディストラクタと目標対象物を使用した。図４には、シミ
ュレートした１００個の（ミリ秒単位の）反応時間の平均値が、フレームサイズ
（画像面サイズ）の関数として示されている。

【００７３】反応時間を測定するためための実際の試験シーケンスに先行して、２つのアテ
ンション−ネットワーク、すなわち純粋な特徴−優先画像のためのアテンション
−ネットワークとより複雑な優先画像１５を生成するためのアテンション−ネッ
トワークを、数式４または７に記載された費用関数に従ってトレーニングした。
隠れニューロンの個数Ｖ＝２０，トレーニングに使用された例の個数、すなわち
ディストラクタおよび目標対象物のバリエーションの個数は２０００である。１
００回の反復の後、バックプロパゲーションアルゴリズムにより十分良好な最小
費用関数が得られた。正規分布に従うノイズは標準偏差σ＝０．０２でシミュレ
ートした。

【００７４】図４には、１，１探索、２，１探索、３，１探索および３，２探索に対してγ
＝０．０１、すなわち高レベルの影響のもとで得られた結果が示されている。画
像面に関する反応時間の勾配は、すべての結果において、既に述べた他のシステ
ムの実験結果と整合する。

【図面の簡単な説明】

【図１】１つの実施例による、探索フィールド内のパターンを探索するためのシステム
の概略的な全体図を示す。

【図２】図１のシステムの機能的表示を示す。

【図３】図１および２に示されているシステムにより実行され得るシーケンスのフロー
チャートを示す。

【図４】パターン探索に要する時間を探索の複雑さに依存して表示する測定結果を示す
。

Claims

【特許請求の範囲】

【請求項１】少なくとも２つの所定のパラメータにより特徴づけられる基
準パターンを所与の探索フィールド内において探索するための方法において、前記方法は以下のステップ、すなわち、ａ．）前記所与の探索フィールド（１）を現在の探索フィールドとして設定する
ステップと、ｂ．）前記所定のパラメータの各々に関して、そのつど現在の探索フィールドの
１つの局所画像（１２，１３，１４）を生成する（３，６）ステップと、但し、
前記局所画像は基準パターンの相応のパラメータの値を考慮したものであり、ｃ．）前記局所画像（１２，１３，１４）の情報を互いに独立して処理する（８
，９，１０）ことにより、前記それぞれのパラメータに関して、現在の探索フィ
ールド内に基準パターンの少なくとも１つの推定位置を指定するそれぞれ１つの
位置情報を生成するステップと、ｄ．）前記それぞれの位置情報の結合（１９）に基づいて新たな探索フィールド
を特定するステップと、ｅ．）前記所与の探索フィールド内で新たな探索フィールド（１７）により基準
パターンの推定位置が指定されるステップとを有すること特徴とする所与の探索フィールド内の基準パターンを探索するため
の方法。
【請求項２】前記ステップｂ．）において、局所画像（１２，１３，１４
）の生成を現在の探索フィールドの情報を並列処理または疑似並列処理すること
により行う、請求項１記載の方法。
【請求項３】前記ステップｃ．）において、局所画像の情報をそれぞれ１
つのニューラルホップフィールドネットワーク（８，９，１０）により処理し、但し、それぞれ１つのホップフィールドネットワークが１つの位置情報を出力
するようにした、請求項１または２記載の方法。
【請求項４】前記ホップフィールドネットワーク（８，９，１０）はポッ
トニューロンを含む、請求項３記載の方法。
【請求項５】前記ステップｄ．）に続いて以下のステップさらに有する、
すなわち、ｆ．）前記新たな探索フィールドと現在の探索フィールドとの間の変化を求める
ステップと、ｇ．）求められた変化が所定の境界値よりも大きい場合の、現在の探索フィール
ドを新たな探索フィールドとして設定して、ステップｂ.）〜ｅ．）を繰り返す
ステップと、ｈ．）求められた値が所定の境界値よりも小さいか、または等しい場合の、ステ
ップｅ．）まで進むステップとをさらに有する、請求項１から４のいずれか１項記載の方法。
【請求項６】前記ステップｂ.）において、現在の探索フィールドの局所
画像（１２，１３，１４）をニューラルネットワーク（６）により生成し、但し、前記ニューラルネットワークは、前記基準パターン（７）でトレーニン
グされており、前記ニューラルネットワークには、現在の探索フィールドのパラ
メータ表示された画像（３，４，５）の情報が入力される、請求項１から５のい
ずれか１項記載の方法。
【請求項７】前記ステップｂ．）において、少なくとも２つのパラメータ
の組合せに関して、さらに１つの組合された局所画像を生成し、該局所画像の情
報を前記ステップｃ．）に従って処理する、請求項１から６のいずれか１項記載
の方法。
【請求項８】ロボットによりピックアップすべき対象物を自動的に探索す
るための請求項１から７のいずれか１項による方法の使用。