JP2004310753A - データ学習装置およびプログラムならびに画像の意味判定装置 - Google Patents

データ学習装置およびプログラムならびに画像の意味判定装置 Download PDF

Info

Publication number
JP2004310753A
JP2004310753A JP2004072646A JP2004072646A JP2004310753A JP 2004310753 A JP2004310753 A JP 2004310753A JP 2004072646 A JP2004072646 A JP 2004072646A JP 2004072646 A JP2004072646 A JP 2004072646A JP 2004310753 A JP2004310753 A JP 2004310753A
Authority
JP
Japan
Prior art keywords
vector
learning
self
class
winner
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.)
Pending
Application number
JP2004072646A
Other languages
English (en)
Inventor
Sadataka Akahori
貞登 赤堀
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.)
Fujifilm Holdings Corp
Original Assignee
Fuji Photo Film Co 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 Fuji Photo Film Co Ltd filed Critical Fuji Photo Film Co Ltd
Priority to JP2004072646A priority Critical patent/JP2004310753A/ja
Priority to US10/806,476 priority patent/US7574036B2/en
Publication of JP2004310753A publication Critical patent/JP2004310753A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods

Abstract

【課題】 自己組織化マップによるデータ学習において、より高い精度で情報の内容判定処理を行うことができる自己組織化マップの導出を実現し、さらに、そのような学習後の自己組織化マップを用いて、より高い精度で、画像の意味判定処理を行うことを可能とする。
【解決手段】 データ学習装置１０の第１学習部１２により、各ベクトル点にクラスが対応付けられた暫定的な自己組織化マップを一旦導出した後、第２学習部１４により、学習ベクトル量子化に近傍学習の概念を取り入れた改良手法等を用いて、暫定的な自己組織化マップに修正を加えていき、最終的な自己組織化マップを求める。そのように導出された最終的な自己組織化マップを用いて、画像の意味判定処理を行う。
【選択図】 図１

Description

本発明は、データ学習装置およびプログラムに関し、特に、画像の意味判定等の情報の内容判定処理に使用する自己組織化マップを導出するための、教師あり学習によるデータ学習装置およびプログラムに関するものである。本発明はまた、自己組織化マップを用いて対象画像や画像領域の意味を判定する意味判定装置にも関するものである。
情報のクラス分類や検索等の手法として、従来からのクラスタリング法等に代わるものとして、近年、自己組織化マップを利用した手法が用いられ始めている。
自己組織化マップとは、複数の多次元ベクトルが空間的に配されたマップであり、各多次元ベクトルは、１つの参照データの特徴を示す複数のパラメータを成分とするベクトル（以下、「参照特徴ベクトル」と呼ぶ）である。この自己組織化マップ上では、予め多数のサンプルデータを学習することにより、互いに類似する参照特徴ベクトルが互いに近い位置に配置されるように構成されている。
この学習の工程は、一般的には「教師なし学習」であり、まずランダムな複数の参照特徴ベクトルが分布した初期自己組織化マップを用意した後、学習対象の特徴ベクトルを読み込み、該特徴ベクトルとの類似度が最も高い勝者ベクトルを自己組織化マップ上の参照特徴ベクトルから見つけ出し、該勝者ベクトルおよびその近傍に分布する参照特徴ベクトルを該学習対象の特徴ベクトルとの類似度が増大するように修正する各工程を繰り返すことによって学習を行う。かかる教師なし学習後の自己組織化マップを用いれば、複数の入力情報について、その各々の特徴を示すベクトルと最も類似度の高い勝者ベクトルを自己組織化マップ上から探索し、該入力情報を自己組織化マップ上のその勝者ベクトルの位置に写像することにより、情報を２次元マップ状に一覧表示すること等が可能となる（たとえば、特許文献１および２参照）。このような一覧表示では、類似の特徴を有する情報（たとえば類似の画像や類似の商品情報等）が互いに近くに配置され表示されることになるので、視覚的に捉え易く、一覧性がよい。また、教師なし学習後の自己組織化マップにおいて特に類似の傾向が強いベクトルが集まった複数の島状の領域をクラスターとして定め、入力情報の特徴を示すベクトルと最も類似度の高い勝者ベクトルがいずれのクラスターに属するかを調べることにより、入力情報の分類や優先順位付けを行う手法も提案されている（たとえば、特許文献３および４参照）。
情報の分類や一覧表示の用途には上記のような教師なし学習による自己組織化マップを用いれば足りるが、情報の内容判定処理（クラス判定処理）に応用するには、学習後の自己組織化マップ上の各ベクトル点と情報の内容（クラス）とが互いに関連付けられている必要がある。そこで、予めクラス分けされいずれのクラスに属するかが分かっているデータを学習させる「教師あり学習」と自己組織化マップを組み合せた「修正対向伝搬ネットワーク（Ｍｏｄｉｆｉｅｄ ＣｏｕｎｔｅｒＰｒｏｐａｇａｔｉｏｎ；ＭＣＰ）」という手法等も提案されている（たとえば、非特許文献１参照）。この修正対向伝搬ネットワークの手法における学習工程では、自己組織化マップと同じ大きさの「頻度マップ」がクラスごとに用意され、自己組織化マップの学習と並行して、各クラスごとに、自己組織化マップ上の各ベクトル点またはその近傍にそのクラスに属する学習対象の特徴ベクトルに対する勝者ベクトルが現れた頻度を示す、頻度マップの作成が行われる。これにより、学習終了後には、互いに類似する参照特徴ベクトルが互いに近い位置に配置された自己組織化マップと、自己組織化マップ上の各ベクトル点において最も出現確率が高いクラスの情報を示した対応クラスのマップとが得られることとなる。したがって、かかる学習後の自己組織化マップを用いれば、入力情報の特徴を示すベクトルと最も類似度の高い勝者ベクトルを自己組織化マップ上から探索し、対応クラスのマップ上における該勝者ベクトルのベクトル点の対応点を参照することにより、入力情報がいずれのクラスに属する情報であるのかを判定することが可能となる。
一方、情報のクラス分類や検索等の処理ならびに情報の内容判定処理に用いることのできる別の手法として、やはり教師あり学習である学習ベクトル量子化（Ｌｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ；ＬＶＱ）と呼ばれる学習手法による学習結果を用いる手法も提案されている（たとえば、非特許文献１および２参照）。この学習ベクトル量子化による学習手法では、対応クラスが分かっている複数の参照特徴ベクトルからなる参照特徴ベクトル群を予め用意した後、やはり対応クラスが分かっている学習対象の特徴ベクトルを順次読み込み、該学習対象の特徴ベクトルとの類似度が最も高い勝者ベクトルを参照特徴ベクトル群から見つけ出し、該勝者ベクトルに対応付けられている対応クラスと該学習対象の特徴ベクトルに対応付けられている対応クラスとが一致する場合には、該勝者ベクトルを該学習対象の特徴ベクトルとの類似度が増大するように修正し、一致しない場合には、該勝者ベクトルを該学習対象の特徴ベクトルとの類似度が減少するように修正する各工程を繰り返すことによって学習を行う。かかる学習後の参照特徴ベクトル群を用いれば、入力情報の特徴を示すベクトルと最も類似度の高い勝者ベクトルを該参照特徴ベクトル群の中から見つけ出し、その勝者ベクトルに対応付けられているクラスを参照することにより、入力情報がいずれのクラスに属する情報であるのかを判定することが可能となる。この学習ベクトル量子化は、特徴ベクトルを用いた教師あり学習によるデータ学習手法である点で、上記の修正対向伝搬ネットワークによる自己組織化マップを用いた学習手法と類似するが、参照特徴ベクトル群の学習に空間的相互作用がない点で、自己組織化マップを用いた学習手法と異なる。すなわち、上述のとおり、自己組織化マップを用いた学習手法では、参照特徴ベクトル群は概念上自己組織化マップ上に空間的に配され、勝者ベクトルのみならず該勝者ベクトルの近傍に分布する参照特徴ベクトルにも学習の効果が及ぶが、学習ベクトル量子化による手法では、かかる参照特徴ベクトル群の空間的配置および近傍学習は行われない。
特開２００２−４１５４５号公報 特開２００１−３３７９５３号公報 特開２００１−３０６６１２号公報 特開２００１−２８３１８４号公報 徳高他、「自己組織化マップの応用−多次元情報の２次元可視化」、海文堂、 １９９９年、ｐ．１−１９、６３−７５ 谷萩他、「ニューラルネットワークとファジイ信号処理」、コロナ社、１９９８年、 ｐ．４１−４７
上記のとおり、各ベクトル点と情報の内容（クラス）が関連付けられた学習後の自己組織化マップを用いれば情報の内容判定処理を行うことができ、かかる自己組織化マップを導出するためのデータ学習手法として修正対向伝搬ネットワークによる手法が提案されている。しかしながら、この手法による学習後の自己組織化マップを用いた情報の内容判定処理では、特に勝者ベクトルとして特定された参照特徴ベクトルがクラス間の境界付近の参照特徴ベクトルである場合において、誤判定が起こりやすい。たとえば、クラスＡ、ＢおよびＣのいずれかに属することが分かっている多数の特徴ベクトルを修正対向伝搬ネットワークの手法により学習した結果、図２６に模式的に示すような自己組織化マップおよび対応クラスのマップが得られたとする。学習後の自己組織化マップ上では、前述のように互いに類似する参照特徴ベクトルが互いに近い位置に配置されるようになっている。しかしながら、各クラスに対応する領域内における参照特徴ベクトル同士の類似度は、各領域の中央付近では特に高いが、クラス間の境界付近では低くなる傾向がある。したがって、たとえば、内容（クラス）判定処理の対象である入力情報の特徴を表すベクトルに対する勝者ベクトルが、図２６に示すベクトルＶ１のようなクラスＢに対応する領域の中央付近の参照特徴ベクトルである場合は、「入力情報のクラスはＢである」という判定結果の信頼性は比較的高いが、勝者ベクトルがベクトルＶ２のようなクラス間の境界付近の参照特徴ベクトルである場合には判定結果の信頼性が低く、内容判定処理の精度が制限される。たとえば、意味が分かっている画像の特徴を示す特徴ベクトルを学習して画像の意味判定処理を行う場合には、このことは、画像の意味判定精度の低下を意味する。その他にも、修正対向伝搬ネットワークによる学習手法では、自己組織化マップが収束する前の段階、すなわちマップ上の参照特徴ベクトルがまだランダムな状態である初期の学習段階における学習内容が最終的な自己組織化マップに反映されることも、その後の内容判定処理の精度を低くする要因となり、特に学習サンプル数が少ない場合等には精度低下の傾向が大きくなる。
一方、情報の内容判定処理に適用可能な別の学習手法である学習ベクトル量子化の手法では、上記のとおり、各クラスごとに適当数の初期の参照特徴ベクトルを選定して参照特徴ベクトル群を予め用意する必要があるが、この初期の参照特徴ベクトルの成分値ならびに各クラスごとの「適当数」をどのように定めるかは、学習ベクトル量子化では特に重要である。これは、学習ベクトル量子化では、自己組織化マップを用いた学習手法と異なり近傍学習の概念が取り入れられておらず、各参照特徴ベクトルは各々独立に学習を行う（すなわち、独立に修正されていく）ため、初期に定めた各クラスごとの参照特徴ベクトルの「適当数」は学習を行っても固定されたままであり、また初期の成分値の定め方によっては学習を全くまたはほとんど行わない参照特徴ベクトルも生じ得るからである。しかしながら、この初期の参照特徴ベクトルの成分値ならびに各クラスごとの「適当数」を好適に定めることは実際上容易でなく、学習ベクトル量子化による学習結果を用いた内容判定処理の精度を制限する要因となっている。
本発明は、かかる事情に鑑み、自己組織化マップによるデータ学習装置およびプログラムにおいて、より高い精度で画像の意味判定等の情報の内容判定処理を行うことができる自己組織化マップの導出を可能にすること、ならびに、自己組織化マップを用いて、より高い精度で、情報の内容判定処理の一形態である画像の意味判定処理を行うことを目的とするものである。
すなわち、本発明に係る第１のデータ学習装置は、各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、参照特徴ベクトルのベクトル点の各々にクラスが対応付けられた暫定的な自己組織化マップを導出する第１学習手段と、各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、上記の暫定的な自己組織化マップに修正を加えて最終的な自己組織化マップを導出する第２学習手段を備え、その第２学習手段が、第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、暫定的な自己組織化マップ上においてその１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、その第２学習勝者ベクトルのベクトル点に対応付けられたクラスと、第２学習データが示す上記の１つの第２サンプル特徴ベクトルの対応クラスとを比較し、そのベクトル点に対応付けられたクラスとその第２学習データが示す対応クラスが一致しない場合には、その第２学習勝者ベクトルおよび上記の暫定的な自己組織化マップ上においてその第２学習勝者ベクトルの第２学習近傍に分布する複数の参照特徴ベクトルを、上記の１つの第２サンプル特徴ベクトルとの類似度が減少するように修正する修正手段と、上記の複数の第２サンプル特徴ベクトルの全てについて、上記の第２ベクトル特定手段および修正手段を各々１回または複数回繰返し動作させ、上記の最終的な自己組織化マップを導出する手段を備えていることを特徴とするものである。
上記の本発明に係る第１のデータ学習装置においては、上記の修正手段は、さらに、上記の第２学習勝者ベクトルのベクトル点に対応付けられたクラスと、第２学習データが示す上記の１つの第２サンプル特徴ベクトルの対応クラスとが一致する場合には、その第２学習勝者ベクトルおよび上記の第２学習近傍に分布する複数の参照特徴ベクトルを、上記の１つの第２サンプル特徴ベクトルとの類似度が増大するように修正するものであってもよい。
ここで、本発明において「特徴ベクトル」とは、あるデータの特徴を表す複数のパラメータ（以下、「特徴量」と呼ぶ）を成分とするベクトルを指すものとする。たとえば、学習対象が画像データである場合には、１つの特徴ベクトルの成分としての特徴量としては、１つの画像の色の特徴、輝度の特徴、奥行情報、その画像に含まれるエッジの特徴、その画像をなす各画素列／行に沿った輝度値等の変化パターンの相関関係の特徴等を示す特徴量が使用され得る。また、「参照特徴ベクトル」とは、自己組織化マップ上の各ベクトル点に分布する特徴ベクトルを、「サンプル特徴ベクトル」とは、学習サンプルとしての特徴ベクトルをそれぞれ指すものとする。さらに、区別のため必要な個所においては、第１学習工程または手段において使用されるサンプル特徴ベクトルを「第１サンプル特徴ベクトル」と、第２学習工程または手段において使用されるサンプル特徴ベクトルを「第２サンプル特徴ベクトル」とそれぞれ呼ぶものとする。
また、本発明において「類似度」とは、特徴ベクトル同士の類似の度合いを示す指標を指し、たとえば２つの特徴ベクトル間の特徴ベクトル空間におけるユークリッド距離や内積等が使用され得る。なお、類似度が「高い」または「低い」とは、その類似度の値の大小そのものではなく、たとえば上記のユークリッド距離を類似度として採用した場合には、類似度（すなわちユークリッド距離）の値が小さい方が両ベクトルは類似しているので「類似度が高い」こととなる。
さらに、本発明において「勝者ベクトル」とは、自己組織化マップ上に分布する参照特徴ベクトルのうち、学習対象としてのサンプル特徴ベクトルまたは学習後のクラス分類対象としての特徴ベクトルとの類似度が最も高い参照特徴ベクトルを指すものとする。なお、区別のため必要な個所においては、第１サンプル特徴ベクトルとの類似度が最も高い勝者ベクトルを「第１学習勝者ベクトル」、第２サンプル特徴ベクトルとの類似度が最も高い勝者ベクトルを「第２学習勝者ベクトル」とそれぞれ呼ぶものとする。
また、本発明において、自己組織化マップ上の「近傍」とは、自己組織化マップ上において学習の効果が及ぶ、勝者ベクトルの近傍領域を指し、たとえば勝者ベクトルを中心とするｎ×ｎ（ｎは３以上の奇数）の近傍領域や、略円形の近傍領域等が採用され得る。なお、区別のために用いる「第１学習近傍」とは、第１学習工程または手段において用いられる近傍を、「第２学習近傍」とは、第２学習工程または手段において用いられる近傍をそれぞれ指すものとする。第１学習近傍および第２学習近傍のいずれについても、学習全体を通じて同一サイズの近傍が用いられてもよいし、学習が進むに従って学習の効果が及ぶ近傍のサイズが小さくされていってもよい。
本発明に係る第２のデータ学習装置は、各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、参照特徴ベクトルのベクトル点の各々にクラスが対応付けられた暫定的な自己組織化マップを導出する第１学習手段と、各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、上記の暫定的な自己組織化マップに修正を加えて最終的な自己組織化マップを導出する第２学習手段を備え、その第２学習手段が、第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、暫定的な自己組織化マップ上の参照特徴ベクトルのうち、その参照特徴ベクトルのベクトル点に対応付けられたクラスが、第２学習データが示す上記の１つの第２サンプル特徴ベクトルの対応クラスと一致するものの中から、その１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、上記の第２学習勝者ベクトルおよび上記の暫定的な自己組織化マップ上においてその第２学習勝者ベクトルの第２学習近傍に分布する複数の参照特徴ベクトルを、上記の１つの第２サンプル特徴ベクトルとの類似度が増大するように修正する修正手段と、上記の複数の第２サンプル特徴ベクトルの全てについて、上記の第２ベクトル特定手段および修正手段を各々１回または複数回繰返し動作させ、上記の最終的な自己組織化マップを導出する手段を備えていることを特徴とするものである。
上記の本発明に係る第１および第２のデータ学習装置においては、上記の第１学習手段は、修正対向伝搬ネットワークの手法を用いるものであってもよい。すなわち、本発明に係る第１および第２のデータ学習装置の第１学習手段は、ランダムな複数の参照特徴ベクトルが分布した初期自己組織化マップを発生させる手段と、各々が１つのクラスに対応する複数の頻度マップであって、各点に割り当てられた特定頻度値の初期値がゼロである複数の頻度マップを発生させる手段と、第１学習データ中の１つの第１サンプル特徴ベクトルを読み込み、上記の初期自己組織化マップ上においてその１つの第１サンプル特徴ベクトルとの類似度が最も高い第１学習勝者ベクトルを特定する第１ベクトル特定手段と、その第１学習勝者ベクトルおよび初期自己組織化マップ上においてその第１学習勝者ベクトルの第１学習近傍に分布する複数の参照特徴ベクトルを、上記の１つの第１サンプル特徴ベクトルとの類似度が増大するように修正するとともに、第１学習データが示す上記の１つの第１サンプル特徴ベクトルの対応クラスに対応する頻度マップ上の、その第１学習勝者ベクトルおよびその第１学習近傍に分布する複数の参照特徴ベクトルの各ベクトル点に対応する点において、特定頻度値を増分させる更新手段と、上記の複数の第１サンプル特徴ベクトルの全てについて、上記の第１ベクトル特定手段および更新手段を各々１回または複数回繰返し動作させ、暫定的な自己組織化マップを導出する手段と、上記の複数の頻度マップに基づいて、上記の暫定的な自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、そのベクトル点に対応付けられるクラスとする手段を備えているものであってもよい。
ここで、本発明において「特定頻度値」とは、クラスごとに設けられた頻度マップ上の各点に割り当てられた値であって、学習過程において、その点に対応する自己組織化マップ上の参照特徴ベクトルまたはその近傍の参照特徴ベクトルが、そのクラスに対応するサンプル特徴ベクトルに対する勝者ベクトルとして特定された頻度を表す値である。すなわち、あるクラスの頻度マップ上で学習後における特定頻度値が高い点ほど、その点に対応する自己組織化マップ上の参照特徴ベクトルがそのクラスの特徴を表している特徴ベクトルである可能性が高い。この特定頻度値は、上記の特定がされた回数そのものであってもよいし、上記の特定がされた回数を規格化した値等であってもよい。また、上記の「頻度マップ」は、自己組織化マップと同じサイズを有し、自己組織化マップの各ベクトル点について１対１対応で特定頻度値を規定するものであってもよいし、自己組織化マップよりも解像度が低くされたものであってもよい。たとえば、各頻度マップの縦横の大きさを自己組織化マップの半分とし、自己組織化マップ上の各２×２個のベクトル点の組に対して同一の特定頻度値を割り当てることとしてもよい。
本発明に係る第３のデータ学習装置は、各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、自己組織化マップと、各々が１つのクラスに対応する複数の頻度マップとを導出する第１学習手段と、各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、上記の複数の頻度マップを修正し、自己組織化マップの各ベクトル点に対応付けられる最終的なクラスを決定する第２学習手段を備え、その第２学習手段が、第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、上記の自己組織化マップ上においてその１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、上記の複数の頻度マップのうち、上記の第２学習データが示す上記の１つの第２サンプル特徴ベクトルの対応クラスと同一の正解クラスに対応する頻度マップ上において、その第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、またはその対応点およびその対応点の近傍に分布する点の特定頻度値を増分させる修正を行う修正手段と、上記の複数の第２サンプル特徴ベクトルの全てについて、上記の第２ベクトル特定手段および修正手段を各々１回または複数回繰返し動作させる手段と、上記の複数の頻度マップに基づいて、上記の自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、そのベクトル点に対応付けられる最終的なクラスとする手段を備えていることを特徴とするものである。
ここで、上記の本発明に係る第３のデータ学習装置の修正手段は、直前の第２ベクトル特定手段の動作により特定された第２学習勝者ベクトルのベクトル点に対応する点において最も高い特定頻度値を示す頻度マップに対応付けられたクラスと、第２学習データが示す上記の１つの第２サンプル特徴ベクトルの対応クラスとが一致する場合または一致しない場合のいずれかにおいてのみ、上記の修正を行うものであってもよい。
本発明に係る第４のデータ学習装置は、各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、自己組織化マップと、各々が１つのクラスに対応する第１学習手段と、各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、上記の複数の頻度マップを修正し、自己組織化マップの各ベクトル点に対応付けられる最終的なクラスを決定する第２学習手段を備え、その第２学習手段が、第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、上記の自己組織化マップ上においてその１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、上記の複数の頻度マップのうち、上記の第２学習データが示す上記の１つの第２サンプル特徴ベクトルの対応クラスと同一の正解クラスに対応する頻度マップ以外の一部または全ての頻度マップ上において、その第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、またはその対応点およびその対応点の近傍に分布する点の特定頻度値を減少させる修正を行う修正手段と、上記の複数の第２サンプル特徴ベクトルの全てについて、上記の第２ベクトル特定手段および修正手段を各々１回または複数回繰返し動作させる手段と、上記の複数の頻度マップに基づいて、上記の自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、そのベクトル点に対応付けられる最終的なクラスとする手段を備えていることを特徴とするものである。
ここで、上記の本発明に係る第４のデータ学習装置の修正手段は、さらに、上記の正解クラスに対応する頻度マップ上において、第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、またはその対応点およびその対応点の近傍に分布する点の特定頻度値を増分させる修正も行うものであってもよい。
また、上記の本発明に係る第４のデータ学習装置の修正手段は、直前の第２ベクトル特定手段の動作により特定された第２学習勝者ベクトルのベクトル点に対応する点において最も高い特定頻度値を示す頻度マップに対応付けられたクラスと、第２学習データが示す上記の１つの第２サンプル特徴ベクトルの対応クラスとが一致する場合または一致しない場合のいずれかにおいてのみ、上記の修正を行うものであってもよい。
上記の本発明に係る第３および第４のデータ学習装置においても、上記の第１学習手段は、修正対向伝搬ネットワークの手法を用いるものであってもよい。すなわち、本発明に係る第３および第４のデータ学習装置の第１学習手段は、ランダムな複数の参照特徴ベクトルが分布した初期自己組織化マップを発生させる手段と、各々が１つのクラスに対応する複数の頻度マップであって、各点に割り当てられた特定頻度値の初期値がゼロである複数の頻度マップを発生させる手段と、第１学習データ中の１つの第１サンプル特徴ベクトルを読み込み、上記の初期自己組織化マップ上においてその１つの第１サンプル特徴ベクトルとの類似度が最も高い第１学習勝者ベクトルを特定する第１ベクトル特定手段と、その第１学習勝者ベクトルおよび上記の初期自己組織化マップ上においてその第１学習勝者ベクトルの近傍に分布する複数の参照特徴ベクトルを、上記の１つの第１サンプル特徴ベクトルとの類似度が増大するように修正するとともに、第１学習データが示す上記の１つの第１サンプル特徴ベクトルの対応クラスに対応する頻度マップ上の、その第１学習勝者ベクトルおよびその近傍に分布する複数の参照特徴ベクトルの各ベクトル点に対応する点において、特定頻度値を増分させる更新手段と、上記の複数の第１サンプル特徴ベクトルの全てについて、上記の第１ベクトル特定手段および更新手段を各々１回または複数回繰返し動作させる手段を備えているものであってもよい。
また、上記の本発明に係る第１から第４のデータ学習装置においては、上記の複数の第１サンプル特徴ベクトルおよび上記の複数の第２サンプル特徴ベクトルの各々が、画像の特徴を示す特徴量を成分とするベクトルであって、上記の第１学習データおよび上記の第２学習データが示す上記の対応クラスの各々が、画像の意味を示すクラスであってもよい。
本発明に係る第１から第４のデータ学習プログラムは、コンピュータを、上記の本発明に係る第１から第４のデータ学習装置が有するような各手段として動作させるためのプログラムである。
本発明に係る第１の意味判定装置は、各ベクトル点に画像の意味が対応付けられた学習後の自己組織化マップを用いて、対象画像または画像領域の意味を判定する装置であって、上記の対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、上記の１つまたは複数の特徴ベクトルの各々について、上記の自己組織化マップ上においてその特徴ベクトルとの類似度が最も高い勝者ベクトルを特定する勝者ベクトル特定手段と、上記の勝者ベクトルのベクトル点の各々に対応付けられた意味に基づいて、上記の対象画像または画像領域の意味を判定する意味判定手段と、その意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、その対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、その入力手段を介して指定された対象画像または画像領域について追加学習を行い、上記の自己組織化マップを修正する修正手段とを備え、上記の修正手段が、上記の指定された対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、その特徴ベクトルとの類似度が最も高い勝者ベクトルおよび上記の自己組織化マップ上においてその勝者ベクトルの近傍に分布する複数の参照特徴ベクトルを、その特徴ベクトルとの類似度が減少するように修正するものであることを特徴とするものである。
ここで、本発明において、意味判定対象としての「対象画像」は、撮影したデジタル写真画像や動画の１フレームの、１枚分全体に相当する全体画像であってもよいし、かかる全体画像の一部をなす部分画像であってもよい。また、本発明において「画像領域」とは、全体画像や部分画像中において、「空」、「山」、「草原」等の撮影対象のいずれかに対応すると考えられる個々の有意な領域を指す。また、本発明において対象画像または画像領域の「意味を判定する」とは、たとえば、全体画像について、「人物写真」、「建物の写真」、「海の風景写真」等のいずれであるかを判定することや、画像領域について、「空」、「山」、「草原」等の撮影対象のいずれに対応するかを判定することを含む。
本発明に係る第２の意味判定装置は、各ベクトル点に画像の意味が対応付けられた学習後の自己組織化マップを用いて、対象画像または画像領域の意味を判定する装置であって、上記の対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、上記の１つまたは複数の特徴ベクトルの各々について、上記の自己組織化マップ上においてその特徴ベクトルとの類似度が最も高い勝者ベクトルを特定する勝者ベクトル特定手段と、上記の勝者ベクトルのベクトル点の各々に対応付けられた意味に基づいて、上記の対象画像または画像領域の意味を判定する意味判定手段と、その意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、その対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、その入力手段を介して指定された対象画像または画像領域について追加学習を行い、上記の自己組織化マップを修正する修正手段とを備え、上記の修正手段が、上記の自己組織化マップ上の参照特徴ベクトルのうち、その参照特徴ベクトルのベクトル点に対応付けられた意味が上記の正解の意味と一致するものの中から、上記の指定された対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、その特徴ベクトルとの類似度が最も高い勝者ベクトルを特定し直し、その勝者ベクトルおよび自己組織化マップ上においてその勝者ベクトルの近傍に分布する複数の参照特徴ベクトルを、その特徴ベクトルとの類似度が増大するように修正するものであることを特徴とするものである。
本発明に係る第３の意味判定装置は、学習後の自己組織化マップと、各々が１つの画像の意味に対応する複数の頻度マップを用いて、対象画像または画像領域の意味を判定する装置であって、上記の対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、上記の１つまたは複数の参照特徴ベクトルの各々について、上記の自己組織化マップ上においてその特徴ベクトルとの類似度が最も高い勝者ベクトルを特定するベクトル特定手段と、上記の勝者ベクトルのベクトル点に対応する各々の点において、最も高い特定頻度値を示す頻度マップに対応付けられた意味に基づいて、上記の対象画像または画像領域の意味を判定する意味判定手段と、その意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、その対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、その入力手段を介して指定された対象画像または画像領域について追加学習を行い、上記の複数の頻度マップを修正する修正手段とを備え、上記の修正手段が、上記の正解の意味に対応する頻度マップ上において、上記の指定された対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、その特徴ベクトルとの類似度が最も高い勝者ベクトルのベクトル点に対応する対応点の特定頻度値、またはその対応点およびその対応点の近傍に分布する点の特定頻度値を増分させるものであることを特徴とするものである。
本発明に係る第４の意味判定装置は、学習後の自己組織化マップと、各々が１つの画像の意味に対応する複数の頻度マップを用いて、対象画像または画像領域の意味を判定する装置であって、上記の対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、上記の１つまたは複数の参照特徴ベクトルの各々について、上記の自己組織化マップ上においてその特徴ベクトルとの類似度が最も高い勝者ベクトルを特定するベクトル特定手段と、上記の勝者ベクトルのベクトル点に対応する各々の点において、最も高い特定頻度値を示す頻度マップに対応付けられた意味に基づいて、上記の対象画像または画像領域の意味を判定する意味判定手段と、その意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、その対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、その入力手段を介して指定された対象画像または画像領域について追加学習を行い、上記の複数の頻度マップを修正する修正手段とを備え、上記の修正手段が、上記の正解の意味に対応する頻度マップ以外の一部または全ての頻度マップ上において、上記の指定された対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、その特徴ベクトルとの類似度が最も高い勝者ベクトルのベクトル点に対応する対応点の特定頻度値、またはその対応点およびその対応点の近傍に分布する点の特定頻度値を減少させるものであることを特徴とするものである。
本発明に係る第１および第２のデータ学習装置およびプログラムは、第１学習手段により各ベクトル点にクラスが対応付けられた暫定的な自己組織化マップを導出し、その後、すでに相当程度収束した上記の暫定的な自己組織化マップを第２学習手段における学習の初期状態として、暫定的な自己組織化マップをさらに修正して最終的な自己組織化マップを求めるものであるので、より高い精度で情報の内容判定処理を行うことができる最終的な自己組織化マップの導出が可能となる。また、各参照特徴ベクトルが各々独立に学習を行う従来の学習ベクトル量子化のような手法と異なり、本発明に係る第１および第２のデータ学習装置およびプログラムの第２学習手段において使用される改良手法では、近傍学習の概念が取り入れられているので、第１学習手段により得られた暫定的な自己組織化マップ上に分布する参照特徴ベクトルの空間的相互関係、すなわち互いに類似する参照特徴ベクトルは互いに近い位置に配置されているという特性を壊すことなく、その暫定的な自己組織化マップに好適な修正を加え、後に続く内容判定処理の精度を向上させることができる。
また、本発明に係る第３および第４のデータ学習装置およびプログラムは、第１学習手段により自己組織化マップと複数の頻度マップとを導出し、その後、第２学習手段において、すでに収束した自己組織化マップには修正を加えずに、各クラスに対応する頻度マップの方に修正を加えることにより、自己組織化マップの各ベクトル点に対応付けられるクラスを修正するものであるので、やはり、第１学習手段により得られた自己組織化マップ上に分布する参照特徴ベクトルの空間的相互関係を壊すことなく、より高い精度で情報の内容判定処理を行うことができる自己組織化マップおよび頻度マップの導出が可能となる。
本発明に係る画像の意味判定装置は、正しく意味が特定できなかった対象画像または画像領域について追加学習を行う修正手段を備えており、その修正手段は、自己組織化マップ上に分布する参照特徴ベクトルの空間的相互関係を壊すことなく、自己組織化マップまたは頻度マップに修正を加えるものであるので、実際の意味判定対象である対象画像または画像領域の特性に合わせて、順次、意味判定精度を向上させていくことが可能である。
以下、図面により、本発明の例示的な実施形態を詳細に説明する。
図１は、本発明の１つの実施形態に係るデータ学習装置１０の構成を示したブロック図である。このデータ学習装置１０は、第１学習データを学習して、各ベクトル点にクラスが対応付けられた暫定的な自己組織化マップ、または自己組織化マップと複数の暫定的な頻度マップの組を導出する第１学習部１２と、第２学習データを学習して、第１学習部１２が導出した自己組織化マップまたは頻度マップに修正を加える第２学習部１４とからなる。第１学習部１２は、初期自己組織化マップ（ＳＯＭ）発生部１６、初期頻度マップ発生部１８、自己組織化マップと頻度マップが格納されるメモリ２０、第１学習データが格納されるメモリ２２、第１ベクトル特定部２４、更新部２６および第２学習部１４に学習結果を受け渡す学習結果受渡部２８を含む。第２学習部１４は、各ベクトル点にクラスが対応付けられた暫定的な自己組織化マップ、または自己組織化マップと複数の暫定的な頻度マップの組が格納されるメモリ３０、第２学習データが格納されるメモリ３２、第２ベクトル特定部３４および修正部３６を含む。
以下、図２から図２０を用いて、上記のデータ学習装置１０が行うデータ学習処理の手法を説明する。このデータ学習処理は、第１学習工程と第２学習工程からなるものであり、第１学習工程については図２から図８を用いて説明する。第２学習工程については、６つの具体例を、図９から図２０を用いて説明する。
図２は、データ学習装置１０の第１学習部１２が行う第１学習工程の手順を示したフローチャートである。この第１学習工程は、修正対向伝搬ネットワークの手法を用いたものである。
まず、図２のステップＳ２において、初期自己組織化マップ発生部１６が、乱数発生プログラムを用いる等して、図３の（ａ）に概念的に示すようなランダムな複数の参照特徴ベクトルが分布した初期自己組織化マップを用意する。ここで、本実施形態に係るデータ学習装置１０は、特に画像の意味判定処理に使用する自己組織化マップの導出を目的とするものであるとする。したがって使用される参照特徴ベクトルおよびサンプル特徴ベクトルは画像の特徴を示す特徴量を成分とするベクトルであり、サンプル特徴ベクトルに対応付けられているクラスは画像の意味を表すクラスである。具体的には、図３の（ａ）の初期自己組織化マップ上には、後述する１０個の特徴量の値として適当な値を成分とする、１０次元のランダムな参照特徴ベクトルが分布しているものとする。
次に、ステップＳ４において、初期頻度マップ発生部１８が、上記の初期自己組織化マップと同サイズであり、各点に特定頻度値の初期値としてゼロが割り当てられた頻度マップを、クラスごと、すなわち画像の意味ごとに用意する。画像の意味ごとに用意するとは、次のステップＳ６以降で学習する第１学習データ中に含まれる複数のサンプル特徴ベクトルの対応クラスが示す意味ごとに用意することを指す。ここで、実際に画像の意味判定処理に使用する自己組織化マップを導出するには多種多様な意味の画像を学習しなければならない場合が多いが、本実施形態では説明の便宜のため「空」、遠景としての「山」、および「草原」のいずれかの意味を有する画像のみを学習するものとし、したがって、ステップＳ４で用意する頻度マップも図３の（ｂ）に示す３枚のみであるとする。
このように学習の初期状態が用意された後、図２のステップＳ６からＳ１４からなる繰返し処理を行うことにより、メモリ２２に格納された第１学習データの学習が行われる。
まず、ステップＳ６において、第１ベクトル特定部２４は、メモリ２２から、第１学習データ中の１つのサンプル特徴ベクトルを、学習対象として読み込む。本実施形態では、第１学習データ中の各サンプル特徴ベクトルは、「空」の画像、「山」の画像または「草原」の画像であることが分かっている３２×３２画素の小画像の特徴を示す１０個の特徴量を成分とする１０次元の特徴ベクトルであるとする。１０個の特徴量としては、具体的には、ＹＣＣ表色系で表されたその小画像の３つの成分値の、画素間平均値ならびに標準偏差、および当該小画像から導出された縦エッジ画像と横エッジ画像の成分値の、各々の絶対値の画素間平均値ならびに標準偏差を使用するものとする。縦エッジ画像および横エッジ画像は、各小画像のＹＣＣ表色系における輝度成分の画像に対し、図４に示すようなエッジ検出用のフィルターを適用することにより求めることができる。第１学習データには、各サンプル特徴ベクトルの対応クラス、すなわち対応する意味の情報も含まれている。
次に、図２のステップＳ８において、第１ベクトル特定部２４は、メモリ２０に格納されている現在の自己組織化マップ上から、ステップＳ６で読み込まれた現在のサンプル特徴ベクトルとの類似度が最も高い参照特徴ベクトルを探索し、勝者ベクトルとして特定する。本実施形態では、類似度として特徴ベクトル空間におけるユークリッド距離を使用するものとし、したがってステップＳ８では、サンプル特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルが、勝者ベクトルとして特定される。
続いて、ステップＳ１０において、更新部２６が、ステップＳ８で特定された勝者ベクトル、および現在の自己組織化マップ上でその勝者ベクトルの近傍（第１学習近傍）３×３のベクトル点に分布する参照特徴ベクトルを、現在のサンプル特徴ベクトルとの類似度が増大するように、すなわち現在のサンプル特徴ベクトルとのユークリッド距離が小さくなるように修正する。次に、ステップＳ１２において、更新部２６は、第１学習サンプルが示す現在のサンプル特徴ベクトルの対応クラス（すなわち意味）に対応する頻度マップ上において、勝者ベクトルおよびその近傍３×３の対応点の特定頻度値を、＋１だけ増分させる。その後、ステップＳ１４において第１学習データ中に未学習のサンプル特徴ベクトルが残っているか否かが確認され、第１学習データ中の全てのサンプル特徴ベクトルを学習し終わるまで、ステップＳ６からＳ１４からなる処理が繰り返される。
ここまでの処理を、上記の繰返し処理の第１回目、第２回目および第３回目における具体的な処理をそれぞれ概念的に示した、図５、６および７を用いてより詳細に説明する。
まず、第１回目の繰返し処理のステップＳ６において読み込まれたサンプル特徴ベクトルが、第１学習データの示す対応クラスの意味が「空」であるベクトルであるとし、ステップＳ８において、図５（ａ）の左側の図に白抜きで示す参照特徴ベクトルが、勝者ベクトルとして特定されたとする。すると、図５（ａ）の右側の図に示すように、勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルが、図示のサンプル特徴ベクトルとのユークリッド距離が小さくなるように修正される。さらに、第１学習データが示す現在のサンプル特徴ベクトルに対応する意味は「空」であるので、図５（ｂ）に示すように、「空」の頻度マップ上において、勝者ベクトルおよびその近傍３×３の対応点の特定頻度値が、＋１だけ増分される。「山」および「草原」の頻度マップに対しては、ここでは処理は加えられない。
次に、第２回目の繰返し処理のステップＳ６において読み込まれたサンプル特徴ベクトルが、第１学習データの示す対応クラスの意味が「山」であるベクトルであるとし、ステップＳ８において、図６（ａ）の左側の図に白抜きで示す参照特徴ベクトルが、勝者ベクトルとして特定されたとする。すると、図６（ａ）の右側の図に示すように、勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルが、図示のサンプル特徴ベクトルとのユークリッド距離が小さくなるように修正される。さらに、第１学習データが示す現在のサンプル特徴ベクトルに対応する意味は「山」であるので、図６（ｂ）に示すように、「山」の頻度マップ上において、勝者ベクトルおよびその近傍３×３の対応点の特定頻度値が、＋１だけ増分される。
続いて、第３回目の繰返し処理のステップＳ６において読み込まれたサンプル特徴ベクトルが、第１学習データの示す対応クラスの意味が「空」であるベクトルであるとし、ステップＳ８において、図７（ａ）の左側の図に白抜きで示す参照特徴ベクトルが、勝者ベクトルとして特定されたとする。すると、図７（ａ）の右側の図に示すように、勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルが、図示のサンプル特徴ベクトルとのユークリッド距離が小さくなるように修正される。さらに、第１学習データが示す現在のサンプル特徴ベクトルに対応する意味は「空」であるので、図７（ｂ）に示すように、「空」の頻度マップ上において、勝者ベクトルおよびその近傍３×３の対応点の特定頻度値が、＋１だけ増分される。
かかる繰返し処理による学習が進んでくると、初期自己組織化マップは次第に収束し、類似の特徴を示す参照特徴ベクトルが、徐々に互いに近い位置に集まってくる。一方、それぞれの頻度マップ上でも、徐々に島状の頻度の分布が形成されていく。
第１学習データ中の全てのサンプル特徴ベクトルの学習が終了すると、図２の処理はステップＳ１６へ進み、Ｍ回の学習が終了したかが確認される。Ｍは、第１学習データ全体の繰返し学習回数の設定値であり、１以上のいかなる回数であってもよい。Ｍとして２以上の回数を設定し、第１学習データを複数回繰返し学習することにより、より適切に収束した暫定的な自己組織化マップを求めることができる。
Ｍ回の学習が終了すると、図２に示した処理はステップＳ２０へと進み、当該終了時点での初期自己組織化マップが、第１学習工程による暫定的な自己組織化マップとされる。図８の（ａ）は、この暫定的な自己組織化マップを概念的に示したものである。
さらに、ステップＳ２２において、各頻度マップに基づいて、各ベクトル点において出現確率が最も高いクラスを、そのベクトル点に対応付ける。具体的には、学習終了後の各頻度マップを規格化して重ね合わせ、各点において最も高い特定頻度値を示しているクラスすなわち意味をその点に割り当てた、図８の（ｂ）に示すような意味のマップを作成し、図８の（ａ）に示す暫定的な自己組織化マップの各ベクトル点に、この意味のマップ上における対応点に割り当てられた意味を対応付ける等の処理により、ステップＳ２８の対応付けを行うことができる。なお、各ベクトル点において「出現確率が最も高いクラス」をそのベクトル点に対応付けるとしたが、各頻度マップの規格化を行わずに、単に最も高い特定頻度値を示しているクラスを各ベクトル点に対応付けるような形態も、本発明の範囲に属するものとする。
なお、上記の本実施形態における第１学習工程では、学習全体を通じて３×３の一定サイズの近傍（第１学習近傍）を使用したが、学習の初期段階においては７×７等の大きな近傍を使用し、学習が進むに従って近傍のサイズを小さくしていってもよい。また、近傍の形状も、矩形に限られない。
さらに、上記の本実施形態における第１学習工程では、各頻度マップ上の特定頻度値の増分幅は、学習全体を通じて＋１で一定であったが、学習が進むに従って増分幅を大きくしていってもよい。また、勝者ベクトルおよび第１学習近傍中の全ての参照特徴ベクトルの対応点に同一の増分幅を適用する形態に限られず、たとえばガウス分布状の増分幅を採用し、勝者ベクトルの対応点により近い点ほど増分幅が大きくなるようにしてもよい。
続いて、図９から図１１を用いて、本実施形態のデータ学習装置１０の第２学習部１４が行う第２学習工程の、第１の例について説明する。図９は、第２学習工程の第１の例の手順を示したフローチャートである。この第１の例は、上記に説明した第１学習工程により導出された、各ベクトル点に意味が対応付けられた（概念的に言えば図８の（ｂ）に示す意味のマップが対応付けられた）図８の（ａ）に示す暫定的な自己組織化マップを、学習の初期状態として用いて行うものである。この第１の例に係る第２学習工程の開始に先立って、上記の意味が対応付けられた暫定的な自己組織化マップは、第１学習部１２の学習結果受渡部２８を介して第２学習部１４に受け渡され、メモリ３０内に格納される。
図９の処理では、まずステップＳ２４において、第２ベクトル特定部３４が、メモリ３２に格納されている第２学習データ中の１つのサンプル特徴ベクトルを、学習対象として読み込む。この第２学習データは、上記の第１学習データと同一のデータを再度用いるものであってもよいし、第１学習データ中の各第１サンプル特徴ベクトルと同様の１０個の特徴量を成分とし、各々が「空」、「山」または「草原」の小画像の特徴を表した第２サンプル特徴ベクトルからなるデータであれば、第１学習データと異なるものであってもよい。第２学習データには、各第２サンプル特徴ベクトルの対応クラス、すなわち対応する意味の情報も含まれている。
次に、ステップＳ２６において、第２ベクトル特定部３４は、メモリ３０内に格納された暫定的な自己組織化マップ上から、ステップＳ２４で読み込んだ現在のサンプル特徴ベクトルとの類似度が最も高い参照特徴ベクトル、すなわち現在のサンプル特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルを探索し、勝者ベクトルとして特定する。
続いて、ステップＳ２８において、修正部３６が、第２学習データが示す現在のサンプル特徴ベクトルの対応クラスすなわち正解の意味と、暫定的な自己組織化マップにおいてステップＳ２６で特定された勝者ベクトルに対応付けられた意味が、一致するか否かを確認する。その結果、一致する場合には、修正部３６は、ステップＳ３０において、暫定的な自己組織化マップ上の勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルを、現在のサンプル特徴ベクトルとの類似度が増大するように、すなわち現在のサンプル特徴ベクトルとのユークリッド距離が小さくなるように修正する。一方、一致しない場合には、修正部３６は、ステップＳ３０’において、暫定的な自己組織化マップ上の勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルを、現在のサンプル特徴ベクトルとの類似度が減少するように、すなわち現在のサンプル特徴ベクトルとのユークリッド距離が大きくなるように修正する。その後、ステップＳ３２において第２学習データ中に未学習のサンプル特徴ベクトルが残っているか否かが確認され、第２学習データ中の全てのサンプル特徴ベクトルを学習し終わるまで、ステップＳ２４からＳ３２からなる処理が繰り返される。
この繰返し処理において実際に行われる処理の内容を、図１０および図１１の概念図を用いてより具体的に説明する。
図１０の概念図では、ある回の繰返し処理におけるステップＳ２４で読み込まれたサンプル特徴ベクトルが、第２学習データの示す対応クラスの意味が「草原」であるベクトルであるとし、ステップＳ２６において、図１０の（ａ）に白抜きで示す参照特徴ベクトルが、勝者ベクトルとして特定されたとする。そこで、ステップＳ２８における確認のため、図８の（ｂ）に示すものと同一の図１０の（ｂ）に示す意味のマップ上の勝者ベクトルの対応点を参照すると、勝者ベクトルに対応付けられた意味は「草原」であり、上記の第２学習データが示す正解の意味と一致することが分かる。そのため、図９の処理はステップＳ３０に進み、勝者ベクトルおよび図１０の（ａ）に破線で示す３×３の近傍（第２学習近傍）内に分布する参照特徴ベクトルが、現在のサンプル特徴ベクトルとのユークリッド距離が小さくなるように修正される。図１０の（ｂ）に示す意味のマップに対しては、修正等の処理は施されない。
一方、図１１の概念図では、別の回の繰返し処理におけるステップＳ２４で読み込まれたサンプル特徴ベクトルが、第２学習データの示す対応クラスの意味が「草原」であるベクトルであり、ステップＳ２６において、図１１の（ａ）に白抜きで示す参照特徴ベクトルが、勝者ベクトルとして特定されたとする。ステップＳ２８における確認のため、やはり図８の（ｂ）に示すものと同一の図１１の（ｂ）に示す意味のマップ上の、勝者ベクトルの対応点を参照すると、勝者ベクトルに対応付けられた意味は「山」であり、第２学習データが示す正解の意味「草原」とは一致しないことが分かる。かかる不一致は、特にクラス間の境界付近の参照特徴ベクトルが勝者ベクトルとして特定されたときに生じやすい。意味が一致しないため、図９の処理はステップＳ３０’に進み、勝者ベクトルおよび図１１の（ａ）に破線で示す３×３の近傍（第２学習近傍）内に分布する参照特徴ベクトルが、現在のサンプル特徴ベクトルとのユークリッド距離が大きくなるように修正される。意味のマップに対しては、修正等の処理は施されない。
このように、図９に示す第２学習工程の第１の例では、近傍学習の概念を取り入れた手法を用いて暫定的な自己組織化マップを修正していくことにより、第１学習工程で得られた暫定的な自己組織化マップ上に分布する参照特徴ベクトルの空間的相互関係、すなわち互いに類似する参照特徴ベクトルは互いに近い位置に配置されているという特性を壊すことなく、好適な修正を行うことができる。これにより、後に続く情報の内容判定処理（本実施形態の場合は画像の意味判定処理）の精度を向上させることができる。
繰返し処理による第２学習データ中の全てのサンプル特徴ベクトルの学習が終了すると、図９の処理はステップＳ３４へ進み、Ｎ回の学習が終了したか否かが確認される。Ｎは第２学習データ全体の繰返し学習回数の設定数であり、１以上のいかなる回数であってもよい。
Ｎ回の学習が終了すると、図９に示した処理はステップＳ３８へと進み、当該終了時点でメモリ３０に格納されている暫定的な自己組織化マップが、最終的な自己組織化マップとされる。この最終的な自己組織化マップの各ベクトル点には、図８の（ｂ）に示す意味のマップの各対応点が示す意味が対応付けられている。
なお、上記の第２学習工程の第１の例では、第２学習データが示す現在のサンプル特徴ベクトルの対応クラスと勝者ベクトルに対応付けられたクラスとが、一致する場合にも一致しない場合にも、修正処理を行うこととしたが、一致する場合には修正処理を行わず、一致しない場合にのみ、勝者ベクトルおよびその近傍のベクトル点に分布する参照特徴ベクトルを、現在のサンプル特徴ベクトルとの類似度が減少するように修正することとしてもよい。
また、上記の第２学習工程の第１の例では、学習全体を通じて３×３の一定サイズの近傍（第２学習近傍）を使用したが、学習の初期段階においてはより大きな近傍を使用し、学習が進むに従って近傍のサイズを小さくしていってもよい。また、近傍の形状も、矩形に限られない。
次に、図１２を用いて、本実施形態のデータ学習装置１０の第２学習部１４が行う第２学習工程の、第２の例について説明する。図１２は、第２学習工程の第２の例の手順を示したフローチャートである。この第２の例も、上記の第１の例と同様、上記に説明した第１学習工程により導出された、各ベクトル点に意味が対応付けられた暫定的な自己組織化マップを、学習の初期状態として用いて行うものである。この第２の例に係る第２学習工程の開始に先立って、上記の意味が対応付けられた暫定的な自己組織化マップは、第１学習部１２の学習結果受渡部２８を介して第２学習部１４に受け渡され、メモリ３０内に格納される。
図１２の処理では、まずステップＳ４０において、第２ベクトル特定部３４が、メモリ３２に格納されている第２学習データ中の１つのサンプル特徴ベクトルを、学習対象として読み込む。この第２学習データは、上記の第１学習データと同一のデータを再度用いるものであってもよいし、第１学習データと異なるものであってもよい。第２学習データには、各第２サンプル特徴ベクトルの対応クラス、すなわち対応する意味の情報も含まれている。
次に、ステップＳ４２において、第２ベクトル特定部３４は、メモリ３０内に格納された暫定的な自己組織化マップ上から、勝者ベクトルを探索し特定する。ここで、上記の第１の例では、暫定的な自己組織化マップ全体から勝者ベクトルが探索されたのに対し、この第２の例では、暫定的な自己組織化マップ上の参照特徴ベクトルのうち、ステップＳ４０で読み込んだ現在のサンプル特徴ベクトルと対応クラスが一致する参照特徴ベクトルのみの中から、現在のサンプル特徴ベクトルとの類似度が最も高い参照特徴ベクトル、すなわち現在のサンプル特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルが探索され、勝者ベクトルとして特定される。たとえば、現在のサンプル特徴ベクトルが、第２学習データが示す正解クラス（正解の意味）が「草原」であるベクトルであるとすれば、図８の（ａ）に示すような暫定的な自己組織化マップ上の参照特徴ベクトルのうち、図８の（ｂ）に示す意味のマップで「草原」の意味が対応付けられている参照特徴ベクトルのみが探索され、その中から勝者ベクトルが特定される。
続いて、ステップＳ４４において、修正部３６が、暫定的な自己組織化マップ上の勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルを、現在のサンプル特徴ベクトルとの類似度が増大するように、すなわち現在のサンプル特徴ベクトルとのユークリッド距離が小さくなるように修正する。その後、ステップＳ４６において第２学習データ中に未学習のサンプル特徴ベクトルが残っているか否かが確認され、第２学習データ中の全てのサンプル特徴ベクトルを学習し終わるまで、ステップＳ４０からＳ４６からなる処理が繰り返される。
このように、図１２に示す第２学習工程の第２の例でも、近傍学習の概念を取り入れた手法を用いて暫定的な自己組織化マップを修正していくことにより、第１学習工程で得られた暫定的な自己組織化マップ上に分布する参照特徴ベクトルの空間的相互関係、すなわち互いに類似する参照特徴ベクトルは互いに近い位置に配置されているという特性を壊すことなく、好適な修正を行うことができる。これにより、後に続く情報の内容判定処理（本実施形態の場合は画像の意味判定処理）の精度を向上させることができる。
繰返し処理による第２学習データ中の全てのサンプル特徴ベクトルの学習が終了すると、図１２の処理はステップＳ４８へ進み、Ｎ回の学習が終了したか否かが確認される。Ｎは第２学習データ全体の繰返し学習回数の設定数であり、１以上のいかなる回数であってもよい。
Ｎ回の学習が終了すると、図１２に示した処理はステップＳ５２へと進み、当該終了時点でメモリ３０に格納されている暫定的な自己組織化マップが、最終的な自己組織化マップとされる。この最終的な自己組織化マップの各ベクトル点には、図８の（ｂ）に示す意味のマップの各対応点が示す意味が対応付けられている。
なお、上記の第２学習工程の第１の例では、学習全体を通じて３×３の一定サイズの近傍（第２学習近傍）を使用したが、学習の初期段階においてはより大きな近傍を使用し、学習が進むに従って近傍のサイズを小さくしていってもよい。また、近傍の形状も、矩形に限られない。さらに、たとえば意味のマップ上において勝者ベクトルに対応付けられている意味が「草原」であるとすれば、上記の近傍が意味「草原」に対応する範囲内に収まるようにする等、繰返し処理ごとに近傍の形状を変化させてもよい。
次に、図１３および図１４を用いて、本実施形態のデータ学習装置１０の第２学習部１４が行う第２学習工程の、第３の例について説明する。図１３は、第２学習工程の第３の例の手順を示したフローチャートである。この第３の例に係る第２学習工程に先立つ第１学習工程も、上記の図２に示したものと同様のものでよいが、ここではステップＳ２２の処理は行われず、第１学習工程の学習結果は、自己組織化マップと複数の頻度マップの組の状態で、第１学習部１２の学習結果受渡部２８を介して第２学習部１４に受け渡され、メモリ３０内に格納される。第２学習部１４に受け渡される各頻度マップ上の特定頻度値の値は、第１学習工程終了後のそのままの特定頻度値の値であってもよいし、規格化された特定頻度値であってもよい。
図１３の処理では、まずステップＳ５４において、第２ベクトル特定部３４が、メモリ３２に格納されている第２学習データ中の１つのサンプル特徴ベクトルを、学習対象として読み込む。この第２学習データは、上記の第１学習データと同一のデータを再度用いるものであってもよいし、第１学習データと異なるものであってもよい。第２学習データには、各第２サンプル特徴ベクトルの対応クラス、すなわち対応する意味の情報も含まれている。
次に、ステップＳ５６において、第２ベクトル特定部３４は、メモリ３０内に格納された自己組織化マップ上から、ステップＳ５４で読み込んだ現在のサンプル特徴ベクトルとの類似度が最も高い参照特徴ベクトル、すなわち現在のサンプル特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルを探索し、勝者ベクトルとして特定する。
続いて、ステップＳ５８において、修正部３６が、第２学習データが示す現在のサンプル特徴ベクトルの対応クラスすなわち正解クラスと、ステップＳ５６で特定された勝者ベクトルに対応付けられたクラスが、一致するか否かを確認する。その結果、２つのクラスが一致しない場合には、修正部３６は、ステップＳ６０において、正解クラスに対応する頻度マップ上において、勝者ベクトルの対応点およびその近傍３×３に分布する点の特定頻度値を＋１だけ増分させる。その後、ステップＳ６２において第２学習データ中に未学習のサンプル特徴ベクトルが残っているか否かが確認され、第２学習データ中の全てのサンプル特徴ベクトルを学習し終わるまで、ステップＳ５４からＳ６２からなる処理が繰り返される。
上記のステップＳ５４からステップＳ６０の処理を、図１４の概念図を用いて具体的に説明する。
図１４の概念図では、ステップＳ５４で読み込まれたサンプル特徴ベクトルが、第２学習データの示す対応クラスすなわち正解クラスの意味が「草原」であるベクトルであるとし、ステップＳ５６において、図１４の（ａ）に白抜きで示す自己組織化マップ上の参照特徴ベクトルが、勝者ベクトルとして特定されたとする。そこで、ステップＳ５８における確認のため、図１４の（ｂ）に示す各頻度マップ上の勝者ベクトルの対応点を参照すると、勝者ベクトルの対応点で最も高い特定頻度値を示しているのは「山」の頻度マップである。したがって、勝者ベクトルに対応付けられるクラスは「山」であり、正解クラス「草原」とは一致しない。そこで、ステップＳ６０において、正解クラス「草原」に対応する頻度マップ上において、勝者ベクトルの対応点および図１４の（ｂ）に破線で示した３×３の近傍内に分布する点の特定頻度値が、＋１だけ増分される。
繰返し処理による第２学習データ中の全てのサンプル特徴ベクトルの学習が終了すると、図１３の処理はステップＳ６４へ進み、Ｎ回の学習が終了したか否かが確認される。Ｎは第２学習データ全体の繰返し学習回数の設定数であり、１以上のいかなる回数であってもよい。
Ｎ回の学習が終了すると、図１３に示した処理はステップＳ６８へと進み、当該終了時点でメモリ３０に格納されている各頻度マップに基づいて、メモリ３０に格納されている自己組織化マップの各ベクトル点において出現確率が最も高いクラスが、そのベクトル点に対応付けられる。具体的には、学習終了後の各頻度マップを規格化して重ね合わせ、各点において最も高い特定頻度値を示しているクラスすなわち意味をその点に割り当てた、図８の（ｂ）に示すものに類似の意味のマップを作成し、メモリ３０に格納されている自己組織化マップの各ベクトル点に、この意味のマップ上における対応点に割り当てられた意味を対応付ける等の処理により、ステップＳ６８の対応付けを行うことができる。なお、各ベクトル点において「出現確率が最も高いクラス」をそのベクトル点に対応付けるとしたが、各頻度マップの規格化を行わずに、単に最も高い特定頻度値を示しているクラスを各ベクトル点に対応付けるような形態も、本発明の範囲に属するものとする。
なお、上記の第２学習工程の第３の例では、学習全体を通じて３×３の一定サイズの近傍を使用したが、学習の初期段階においてはより大きな近傍を使用し、学習が進むに従って近傍のサイズを小さくしていってもよい。また、近傍の形状も、矩形に限られない。さらに、上記の第３の例では、各頻度マップ上の特定頻度値の増分幅は、学習全体を通じて＋１で一定であったが、学習が進むに従って増分幅を大きくしていってもよい。また、勝者ベクトルおよび近傍中の全ての参照特徴ベクトルの対応点に同一の増分幅を適用する形態に限られず、たとえばガウス分布状の増分幅を採用し、勝者ベクトルの対応点により近い点ほど増分幅が大きくなるようにしてもよい。あるいは、近傍学習を行わず、頻度マップ上の勝者ベクトルの対応点においてのみ特定頻度値を増分させることとしてもよい。
また、図１３の例のフローチャートに示す例では、正解クラスと勝者ベクトルのクラスが一致しない場合にのみステップＳ６０の修正処理を行うこととしたが、逆に、正解クラスと勝者ベクトルのクラスが一致する場合にのみ修正処理を行うこととしてもよい。あるいは、図１３のフローチャートにおけるステップＳ５８に対応する判断を行わずに、正解クラスと勝者ベクトルのクラスが一致するか否かにかかわらず、ステップＳ６０の修正処理を行うこととしてもよい。
いずれの場合においても、図１３に示す第２学習工程の第３の例は、第１学習工程で得られた自己組織化マップには修正を加えずに、頻度マップを修正することにより、自己組織化マップの各ベクトル点に対応付けられるクラスを修正するものであるので、第１学習工程で得られた収束した自己組織化マップ上に分布する参照特徴ベクトルの空間的相互関係を壊すことなく、好適な修正を行うことができる。これにより、後に続く情報の内容判定処理（本実施形態の場合は画像の意味判定処理）の精度を向上させることができる。
次に、図１５および図１６を用いて、本実施形態のデータ学習装置１０の第２学習部１４が行う第２学習工程の、第４の例について説明する。図１５は、第２学習工程の第４の例の手順を示したフローチャートである。この第４の例に係る第２学習工程では、上記の第３の例と同様、第１学習工程の学習結果は、自己組織化マップと複数の頻度マップの組の状態で、第１学習部１２の学習結果受渡部２８を介して第２学習部１４に受け渡され、メモリ３０内に格納されている。第２学習部１４に受け渡される各頻度マップ上の特定頻度値の値は、第１学習工程終了後のそのままの特定頻度値の値であってもよいし、規格化された特定頻度値であってもよい。
図１５の処理では、まずステップＳ７０において、第２ベクトル特定部３４が、メモリ３２に格納されている第２学習データ中の１つのサンプル特徴ベクトルを、学習対象として読み込む。この第２学習データは、上記の第１学習データと同一のデータを再度用いるものであってもよいし、第１学習データと異なるものであってもよい。第２学習データには、各第２サンプル特徴ベクトルの対応クラス、すなわち対応する意味の情報も含まれている。
次に、ステップＳ７２において、第２ベクトル特定部３４は、メモリ３０内に格納された自己組織化マップ上から、ステップＳ７０で読み込んだ現在のサンプル特徴ベクトルとの類似度が最も高い参照特徴ベクトル、すなわち現在のサンプル特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルを探索し、勝者ベクトルとして特定する。
続いて、ステップＳ７４において、修正部３６が、第２学習データが示す現在のサンプル特徴ベクトルの対応クラスすなわち正解クラスと、ステップＳ７２で特定された勝者ベクトルに対応付けられたクラスが、一致するか否かを確認する。その結果、２つのクラスが一致しない場合には、修正部３６は、ステップＳ７６において、正解でないクラスに対応する各頻度マップ上において、勝者ベクトルの対応点およびその近傍３×３に分布する点の特定頻度値を−１だけ減少させる。その後、ステップＳ７８において第２学習データ中に未学習のサンプル特徴ベクトルが残っているか否かが確認され、第２学習データ中の全てのサンプル特徴ベクトルを学習し終わるまで、ステップＳ７０からＳ７８からなる処理が繰り返される。
上記のステップＳ７０からステップＳ７６の処理を、図１６の概念図を用いて具体的に説明する。
図１６の概念図では、ステップＳ７０で読み込まれたサンプル特徴ベクトルが、第２学習データの示す対応クラスすなわち正解クラスの意味が「草原」であるベクトルであるとし、ステップＳ７２において、図１６の（ａ）に白抜きで示す自己組織化マップ上の参照特徴ベクトルが、勝者ベクトルとして特定されたとする。そこで、ステップＳ７４における確認のため、図１６の（ｂ）に示す各頻度マップ上の勝者ベクトルの対応点を参照すると、勝者ベクトルの対応点で最も高い特定頻度値を示しているのは「山」の頻度マップである。したがって、勝者ベクトルに対応付けられるクラスは「山」であり、正解クラス「草原」とは一致しない。そこで、ステップＳ７６において、正解クラス「草原」以外のクラス、すなわち「空」および「山」に対応する各頻度マップ上において、勝者ベクトルの対応点および図１６の（ｂ）に破線で示した３×３の近傍内に分布する点の特定頻度値が、−１だけ減少させられる。
繰返し処理による第２学習データ中の全てのサンプル特徴ベクトルの学習が終了すると、図１５の処理はステップＳ８０へ進み、Ｎ回の学習が終了したか否かが確認される。Ｎは第２学習データ全体の繰返し学習回数の設定数であり、１以上のいかなる回数であってもよい。
Ｎ回の学習が終了すると、図１５に示した処理はステップＳ８４へと進み、当該終了時点でメモリ３０に格納されている各頻度マップに基づいて、メモリ３０に格納されている自己組織化マップの各ベクトル点において出現確率が最も高いクラスが、そのベクトル点に対応付けられる。具体的には、学習終了後の各頻度マップを規格化して重ね合わせ、各点において最も高い特定頻度値を示しているクラスすなわち意味をその点に割り当てた、図８の（ｂ）に示すものに類似の意味のマップを作成し、メモリ３０に格納されている自己組織化マップの各ベクトル点に、この意味のマップ上における対応点に割り当てられた意味を対応付ける等の処理により、ステップＳ８４の対応付けを行うことができる。なお、各ベクトル点において「出現確率が最も高いクラス」をそのベクトル点に対応付けるとしたが、各頻度マップの規格化を行わずに、単に最も高い特定頻度値を示しているクラスを各ベクトル点に対応付けるような形態も、本発明の範囲に属するものとする。
なお、上記の第２学習工程の第４の例では、第３の例と同様、学習の初期段階においてはより大きな近傍を使用し、学習が進むに従って近傍のサイズを小さくしていってもよい。また、近傍の形状も、矩形に限られない。さらに、学習が進むに従って、各頻度マップ上の特定頻度値の減少幅を大きくしていってもよい。また、勝者ベクトルおよび近傍中の全ての参照特徴ベクトルの対応点に同一の減少幅を適用する形態に限られず、たとえばガウス分布状の減少幅を採用し、勝者ベクトルの対応点により近い点ほど減少幅が大きくなるようにしてもよい。あるいは、近傍学習を行わず、頻度マップ上の勝者ベクトルの対応点においてのみ特定頻度値を減少させることとしてもよい。
また、上記の第２学習工程の第４の例では、正解クラス以外のクラスに対応する全ての頻度マップ上において、特定頻度値を減少させる修正を行ったが、正解クラス以外のクラスに対応する頻度マップの一部のみにおいて、修正を行ってもよい。たとえば、図１６を用いて説明した上記の例では、勝者ベクトルの対応点で最も高い特定頻度値を示した「山」の頻度マップにおいてのみ、特定頻度値を減少させる修正を行ってもよい。
さらに、図１５の例のフローチャートに示す例では、正解クラスと勝者ベクトルのクラスが一致しない場合にのみステップＳ７６の修正処理を行うこととしたが、逆に、正解クラスと勝者ベクトルのクラスが一致する場合にのみ修正処理を行うこととしてもよい。あるいは、図１５のフローチャートにおけるステップＳ７４に対応する判断を行わずに、正解クラスと勝者ベクトルのクラスが一致するか否かにかかわらず、ステップＳ７６の修正処理を行うこととしてもよい。
また、第２学習工程として、上記の第３の例と第４の例とを組み合わせた工程、すなわち、正解クラスに対応する頻度マップ上においては特定頻度値を増分させ、正解クラス以外のクラスに対応する頻度マップ上においては特定頻度値を減少させる修正処理を含む工程を採用してもよい。
以上、本発明の１つの実施形態に係るデータ学習装置およびその装置が行う処理の例について説明したが、本発明に係るデータ学習装置の第１学習部が行う第１学習工程は、上記した修正対向伝搬ネットワークの手法を利用したものに限られず、クラスまたは頻度マップが対応付けられ相当程度収束した自己組織化マップが得られるものであれば、他のいかなる手法によるものでもよい。たとえば、頻度マップを作成せずに、楕円による近似等により各クラスがカバーするベクトル点の範囲を画定する手法等を用いてもよい。
また、上記の実施形態においては特徴ベクトル空間における２つの特徴ベクトル間のユークリッド距離を類似度として用いたが、これに限られず、２つの特徴ベクトル間の内積等を用いてもよい。
さらに、上記の実施形態は、画像の意味判定処理に使用する自己組織化マップの導出を目的とするものであり、したがって使用されるサンプル特徴ベクトルおよび参照特徴ベクトルは画像の特徴を表す特徴量を成分とするものであり、各クラス情報は画像の意味を示す情報であったが、これに限られず、本発明は、あらゆる情報の内容判定処理のための自己組織化マップ導出に適用可能であることは言うまでもない。また、同じように画像の意味判定処理に使用する自己組織化マップの導出を目的とする場合でも、サンプル特徴ベクトルおよび参照特徴ベクトルの成分として用いられ得る特徴量は、上記した１０個の特徴量に限られないことも言うまでもない。
また、上記に説明した処理をコンピュータに行わせるプログラムが、本発明にかかるデータ学習プログラムの実施形態である。
上記に説明した第１学習工程と第２学習工程のいずれかの例とからなるデータ学習処理により導出された最終的な自己組織化マップは、画像の意味判定処理に用いることができる。以下、図１７から図１９を用いて、かかる自己組織化マップを用いて、入力画像に含まれる各画像領域の意味を判定する意味判定装置の構成、およびその装置が行う処理の例について説明する。
図１７は、意味判定装置４０の構成を示したブロック図である。意味判定装置４０は、画像入力受付部４２、画像領域特定部４４、特徴ベクトル抽出部４６、メモリ４８、勝者ベクトル特定部５０および意味判定部５２を備えている。メモリ４８には、上記に説明した第１学習工程と第２学習工程のいずれかの例とからなるデータ学習処理により導出された、最終的な自己組織化マップが格納されている。自己組織化マップの各ベクトル点には、「空」、「山」または「草原」のいずれかの意味（クラス）が対応付けられており、この意味に関する情報もメモリ４８に格納されているものとする。
図１８は、上記の意味判定装置４０が行う、入力画像に含まれる各画像領域の意味を判定する処理の全体的な手順を示したフローチャートである。図１８の処理は、その後、意味に基づく画像分類や、各意味に対応する画像領域ごとに区別された条件による画像処理を行うために有用な処理である。
まず、ステップＳ１２０において、画像入力受付部４２が、全体画像を表す画像データを、入力データとして読み込む。ここでは、全体画像は１０２４×１２８０画素のデジタル写真画像であるとする。
次に、ステップＳ１２２において、画像領域特定部４４が、全体画像に含まれる各画像領域を特定する。この特定は、たとえば、ＲＧＢ表色系で表された全体画像について、Ｒ、ＧおよびＢの各成分の濃度値を、隣接画素間でそれぞれ比較して、いずれの濃度値の差もが所定の閾値を超える場合にそれらの画素を統合する処理を行い、かかる比較・統合処理を上記の所定の閾値によってはそれ以上の統合が起こらなくなるまで繰り返すこと等により行われる。また、このようにして得られた画像領域のうちノイズまたは無視し得る要素と考えられるような微小な画像領域を、隣接する画像領域にさらに統合する処理を行ってもよい。このさらなる統合は、たとえば、各微小な画像領域の各隣接画像領域のうち接する境界長が最も長い隣接画像領域に、その微小な画像領域を統合すること等により行われる。なお、以上は１つの例に過ぎず、ステップＳ１２２における画像領域の特定手法は、他のいかなる手法であってもよい。
続いて、ステップＳ１２４において、特徴ベクトル抽出部４６が、ステップＳ１２０で読み込まれた全体画像を、複数のブロック画像に分割する。ここでは、各ブロック画像は３２×３２画素の画像である。なお、図１８では、説明の便宜のため実際よりも粗い分割で示してある。
次に、ステップＳ１２６において、メモリ４８に格納された自己組織化マップを用いて各画像領域に包含されるブロック画像の意味が特定され、その結果に基づいて各画像領域の意味が判定される。ステップＳ１２６において行われる処理の詳細な手順を、以下、図１９のフローチャートを用いて具体的に説明する。
まず、図１９のステップＳ１３０において、特徴ベクトル抽出部４６が、図１８のステップＳ１２２で特定された複数の画像領域のうちの１つの画像領域に包含されるブロック画像を特定する。ここで、１つの画像領域に包含されるブロック画像とは、その画像領域に完全に包含されているブロック画像を言い、画像領域間の境界にまたがるブロック画像は含まないものとする。
次に、ステップＳ１３２において、特徴ベクトル抽出部４６は、ステップＳ１３０で特定したブロック画像の１つから、特徴ベクトルを抽出する。ここでは、抽出される特徴ベクトルは、意味判定に使用される自己組織化マップが学習したサンプル特徴ベクトルの成分と同様の特徴量、すなわち、ＹＣＣ表色系で表された当該ブロック画像の３つの成分値の、画素間平均値ならびに標準偏差、および当該ブロック画像から導出された縦エッジ画像と横エッジ画像の成分値の、各々の絶対値の画素間平均値ならびに標準偏差の、１０個の特徴量を成分とするベクトルである。
続いて、ステップＳ１３４において、勝者ベクトル特定部５０が、メモリ４８に格納された自己組織化マップ上から、ステップＳ１３２で抽出された特徴ベクトルとの類似度が最も高い参照特徴ベクトルを探索し、勝者ベクトルとして特定する。ここでは、上述した実施形態に係るデータ学習方法において使用されたのと同様の特徴ベクトル空間におけるユークリッド距離が、特徴ベクトル間の類似度として使用され、したがって、ステップＳ１３２で抽出された特徴ベクトルとのユークリッド距離が最も小さい参照特徴ベクトルが、勝者ベクトルとして特定される。
次に、ステップＳ１３６において、意味判定部５２が、メモリ４８に格納されている意味に関する情報を参照し（図８（ｂ）の意味のマップ参照）、ステップＳ１３４で特定された勝者ベクトルのベクトル点に対応付けられた意味を、現在のブロック画像の意味として割り当てる。
続いて、ステップＳ１３８において、現在の画像領域に包含されるブロック画像がまだ残っているか否かが確認され、現在の画像領域に包含される全てのブロック画像の意味が特定されるまで、ステップＳ１３２からＳ１３８が繰り返される。この繰返し処理により、現在の画像領域に包含される各ブロック画像から１つずつの特徴ベクトルが抽出されるので、現在の画像領域全体からは、１つまたは複数の特徴ベクトルが抽出され、それぞれの特徴ベクトルについて勝者ベクトルおよび対応の意味が特定されることになる。
現在の画像領域に含まれる全てのブロック画像の意味の特定が終了すると、ステップＳ１４０において、意味判定部５２が、各ブロック画像の特定された意味のうち最多のものを、現在の画像領域の意味とする。その後、ステップＳ１４２において、未判定の画像領域が残っているか否かが確認され、全ての画像領域の意味が判定されるまで、ステップＳ１３０からステップＳ１４２が繰り返される。全ての画像領域の意味判定が完了すると、ステップＳ１４４において、意味判定部５２は、その判定結果を出力する。このようにして、図１８のステップＳ１２６の処理が完了すると、図示のように、各画像領域の意味が「空」、「山」および「草原」のいずれであるかが判定される。
なお、上記に説明した意味判定処理は一例であって、たとえば、図１９のステップＳ１３４の後に、特徴ベクトルと勝者ベクトルとのユークリッド距離が所定の閾値より大きい場合には、ステップＳ１３６に進まずに「意味判定不能」との判定をしてステップＳ１３８へと進むステップを設ける等、追加の工程が含まれていてもよい。
また、上記の意味判定処理は、入力された全体画像に含まれる各画像領域の意味を判定するものであったが、同様の自己組織化マップを用いて、全体画像自体の意味判定処理等も可能であることは言うまでもない。この場合、使用される自己組織化マップは、たとえば、「人物写真」、「建物の写真」、「海の風景写真」等であることが分かっている全体画像を、上記に説明した第１学習工程と第２学習工程からなるデータ学習処理により予め学習して得られた最終的な自己組織化マップである。
次に、図２０から図２５を参照して、追加学習を行う修正手段を備えた、本発明の１つの実施形態に係る画像の意味判定装置について説明する。
図２０は、本実施形態に係る意味判定装置６０の構成を示したブロック図である。意味判定装置６０は、画像入力受付部６２、画像領域特定部６４、特徴ベクトル抽出部６６、メモリ６８、勝者ベクトル特定部７０、意味判定部７２、修正入力受付部７４および修正部７６を備えている。メモリ６８には、各ベクトル点に画像の意味（クラス）が対応付けられた学習後の自己組織化マップ、または学習後の自己組織化マップと複数の頻度マップの組が格納されているものとする。この自己組織化マップ、または自己組織化マップと複数の頻度マップの組は、いかなる学習手法により導出されたものであってもよく、たとえば、上記に説明した第１学習工程（図２）と同様の手法により導出されたものを用いることができる。
本実施形態の意味判定装置６０は、入力画像に含まれる各画像領域の意味を判定するものである。その判定手法は、上記の図１７に示した意味判定装置４０の手法と同様であり、画像入力受付部６２、画像領域特定部６４、特徴ベクトル抽出部６６、勝者ベクトル特定部７０および意味判定部７２が行う処理も、上記の意味判定装置４０の対応部分が行う処理と同様である。そこで以下、修正入力受付部７４および修正部７６の構成および動作についてのみ、詳細に説明する。
修正入力受付部７４は、操作者が意味判定部７２からの意味判定結果の出力を確認したところ、正しく意味が判定できていない画像領域があった場合に、操作者が、意味判定装置６０に対し、その画像領域の指定と正解の意味を入力できるようにしたものである。この修正入力受付部７４からの入力に基づいて、修正部７６が追加学習を行い、メモリ６８に格納されている自己組織化マップまたは頻度マップを修正する。
修正入力受付部７４は、たとえば、図２１に示すような表示部７８をインターフェースとして備えた構成とすることができる。この表示部７８には、図２１の（ａ）に示すように、意味判定部７２が特定の意味に対応すると判定した画像領域を含む各全体画像が、「空」、「山」および「草原」等の意味ごとに表示可能となっており、操作者は、マウスポインタ８０でいずれかのタブ８２を選択することにより、表示を切り換えることができる。図２１の（ａ）は、「山」の意味に対応すると判定された画像領域を含む各全体画像が表示されている状態を示している。ここで、１つの全体画像８４をマウスポインタ８０で選択すると、図２１（ｂ）のように、全体画像８４が拡大表示されると共に、意味判定部７２が判定した各画像領域の意味が表示される。図２１（ｂ）において、画像領域８６は、本来は「草原」に対応する画像領域であるが、「山」に対応するものと誤判定されている。操作者は、この画像領域８６をマウスポインタ８０で選択することにより、追加学習すべき画像領域として画像領域８６を指定できる。この指定の後、操作者は、マウスポインタ８０やキーボードを介して、画像領域８６の正解の意味が「草原」であるという情報を入力できるものとする。
以下、修正入力受付部７４における上記の入力がなされた後の、修正部７６が行う修正処理の第１から第４の例を、図２２から図２５を参照しながら説明する。
図２２に示した修正処理の第１の例は、上記の本発明の１つの実施形態に係るデータ学習装置が行う第２学習工程の第１の例として、図９に示した処理と類似の処理である。この図２２の処理では、まず、ステップＳ１５０において、修正入力受付部７４で指定された追加学習すべき画像領域から、特徴ベクトルが抽出される。次に、ステップＳ１５２において、メモリ６８に格納されている現在の自己組織化マップから、ステップＳ１５０で抽出された特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルが探索され、勝者ベクトルとして特定される。最後に、ステップＳ１５４において、ステップＳ１５２で特定された勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルが、ステップＳ１５０で抽出された特徴ベクトルとの類似度が減少するように、すなわちユークリッド距離が大きくなるように修正される。
図２３に示した修正処理の第２の例は、上記の本発明の１つの実施形態に係るデータ学習装置が行う第２学習工程の第２の例として、図１２に示した処理と類似の処理である。この図２３の処理では、まず、ステップＳ１５６において、修正入力受付部７４で指定された追加学習すべき画像領域から、特徴ベクトルが抽出される。次に、ステップＳ１５８において、メモリ６８に格納されている現在の自己組織化マップ上の参照特徴ベクトルのうち、修正入力受付部７４で指定された正解の意味と同一の意味と対応付けられた参照特徴ベクトルのみの中から、ステップＳ１５６で抽出された特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルが探索され、勝者ベクトルとして特定される。最後に、ステップＳ１６０において、ステップＳ１５８で特定された勝者ベクトルおよびその近傍３×３のベクトル点に分布する参照特徴ベクトルが、ステップＳ１５６で抽出された特徴ベクトルとの類似度が増大するように、すなわちユークリッド距離が小さくなるように修正される。
なお、上記の修正処理の第１および第２の例においては、３×３の一定サイズの近傍を使用したが、近傍のサイズや形状はこれに限られない。
図２４に示した修正処理の第３の例は、上記の本発明の１つの実施形態に係るデータ学習装置が行う第２学習工程の第３の例として、図１３に示した処理と類似の処理である。この図２４の処理を行う場合、メモリ６８に格納されているデータは、自己組織化マップと複数の頻度マップの組の形態のものである必要がある。各頻度マップ上の特定頻度値は、学習終了後のそのままの特定頻度値の値であってもよいし、規格化された特定頻度値であってもよい。まず、ステップＳ１６２において、修正入力受付部７４で指定された追加学習すべき画像領域から、特徴ベクトルが抽出される。次に、ステップＳ１６４において、メモリ６８に格納されている現在の自己組織化マップから、ステップＳ１６２で抽出された特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルが探索され、勝者ベクトルとして特定される。最後に、ステップＳ１６６で、メモリ６８に格納されている複数の頻度マップのうち、修正入力受付部７４で指定された正解の意味に対応する頻度マップ上において、ステップＳ１６４で特定された勝者ベクトルの対応点およびその近傍３×３に分布する点の特定頻度値が、＋１だけ増分される。
なお、上記の修正処理の第３の例では、３×３の一定サイズの近傍を使用したが、近傍のサイズや形状はこれに限られない。さらに、勝者ベクトルおよび近傍中の全ての参照特徴ベクトルの対応点に同一の増分幅を適用する形態に限られず、たとえばガウス分布状の増分幅を採用し、勝者ベクトルの対応点により近い点ほど増分幅が大きくなるようにしてもよい。あるいは、近傍学習を行わず、頻度マップ上の勝者ベクトルの対応点においてのみ特定頻度値を増分させることとしてもよい。
図２５に示した修正処理の第４の例は、上記の本発明の１つの実施形態に係るデータ学習装置が行う第２学習工程の第４の例として、図１５に示した処理と類似の処理である。この図２５の処理を行う場合、メモリ６８に格納されているデータは、自己組織化マップと複数の頻度マップの組の形態のものである必要がある。各頻度マップ上の特定頻度値は、学習終了後のそのままの特定頻度値の値であってもよいし、規格化された特定頻度値であってもよい。まず、ステップＳ１６８において、修正入力受付部７４で指定された追加学習すべき画像領域から、特徴ベクトルが抽出される。次に、ステップＳ１７０において、メモリ６８に格納されている現在の自己組織化マップから、ステップＳ１６８で抽出された特徴ベクトルとの特徴ベクトル空間におけるユークリッド距離が最も小さい参照特徴ベクトルが探索され、勝者ベクトルとして特定される。最後に、ステップＳ１７２で、メモリ６８に格納されている複数の頻度マップのうち、修正入力受付部７４で指定された正解の意味に対応する頻度マップ以外の各頻度マップ上において、ステップＳ１７０で特定された勝者ベクトルの対応点およびその近傍３×３に分布する点の特定頻度値が、−１だけ減少させられる。
なお、上記の修正処理の第４の例では、３×３の一定サイズの近傍を使用したが、近傍のサイズや形状はこれに限られない。さらに、勝者ベクトルおよび近傍中の全ての参照特徴ベクトルの対応点に同一の減少幅を適用する形態に限られず、たとえばガウス分布状の減少幅を採用し、勝者ベクトルの対応点により近い点ほど減少幅が大きくなるようにしてもよい。あるいは、近傍学習を行わず、頻度マップ上の勝者ベクトルの対応点においてのみ特定頻度値を減少させることとしてもよい。
また、上記の修正処理の第４の例では、正解の意味に対応するもの以外の全ての頻度マップ上において、特定頻度値を減少させる修正を行ったが、正解の意味に対応するもの以外の頻度マップの一部のみにおいて、修正を行ってもよい。たとえば、上記のステップＳ１７０において特定された勝者ベクトルの対応点で最も高い特定頻度値を示した頻度マップにおいてのみ、特定頻度値を減少させる修正を行ってもよい。
さらに、上記の修正処理の第１から第４の例においては、特徴ベクトル空間における２つの特徴ベクトル間のユークリッド距離を類似度として用いたが、これに限られず、２つの特徴ベクトル間の内積等を用いてもよい。
また、上記の修正処理の第１から第４の例においては、修正部７６が指定された画像領域から特徴ベクトルを抽出するものとしたが、意味判定処理において特徴ベクトル抽出部６６が抽出した特徴ベクトルをメモリに記憶しておくこととし、それらの特徴ベクトルをそのまま使用することとしてもよい。その場合、第１、第３および第４の例においては、意味判定処理において勝者ベクトル特定部７０が特定した勝者ベクトルもメモリに記憶しておくこととし、それらの勝者ベクトルをそのまま使用することとしてもよい。
さらに、修正入力受付部７４で１組の修正入力がされるごとに修正処理を行う形態に限られず、ある程度の修正入力が蓄積した段階で修正処理を行う形態や、定期的に修正処理を行う形態としてもよい。
以上、本発明の実施形態について詳細に述べたが、これらの実施形態は例示的なものに過ぎず、本発明の技術的範囲は、本明細書中の特許請求の範囲のみによって定められるべきものであることは言うまでもない。
本発明の１つの実施形態に係るデータ学習装置の構成を示すブロック図 図１のデータ学習装置の第１学習部が行う第１学習工程の手順を示したフローチャート 図２の第１学習工程における初期状態の自己組織化マップおよび頻度マップを示した概念図 エッジ画像の導出に用いられるエッジ検出用フィルターの例を示した図 図２の第１学習工程における第１回目の繰返し処理の例を示した概念図 図２の第１学習工程における第２回目の繰返し処理の例を示した概念図 図２の第１学習工程における第３回目の繰返し処理の例を示した概念図 図２の第１学習工程によって得られる暫定的な自己組織化マップおよび意味のマップを示した概念図 図１のデータ学習装置の第２学習部が行う第２学習工程の第１の例の手順を示したフローチャート 図９の第２学習工程の第１の例における１つの繰返し処理の例を示した概念図 図９の第２学習工程の第１の例における別の繰返し処理の例を示した概念図 図１のデータ学習装置の第２学習部が行う第２学習工程の第２の例の手順を示したフローチャート 図１のデータ学習装置の第２学習部が行う第２学習工程の第３の例の手順を示したフローチャート 図１３の第２学習工程の第３の例における修正処理の例を示した概念図 図１のデータ学習装置の第２学習部が行う第２学習工程の第４の例の手順を示したフローチャート 図１５の第２学習工程の第４の例における修正処理の例を示した概念図 本発明のデータ学習装置またはプログラムによって導出された自己組織化マップを用いて画像領域の意味判定を行う、意味判定装置の構成を示すブロック図 図１７の意味判定装置が行う意味判定処理の全体的な手順を示したフローチャート 図１８の意味判定処理の詳細な手順を示したフローチャート 本発明の１つの実施形態に係る画像領域の意味判定装置の構成を示すブロック図 図２０の意味判定装置の修正入力受付部の構成を示す説明図 図２０の意味判定装置の修正部が行う処理の第１の例の手順を示したフローチャート 図２０の意味判定装置の修正部が行う処理の第２の例の手順を示したフローチャート 図２０の意味判定装置の修正部が行う処理の第３の例の手順を示したフローチャート 図２０の意味判定装置の修正部が行う処理の第４の例の手順を示したフローチャート 従来の修正対向伝搬ネットワークによるデータ学習手法によって得られる自己組織化マップおよび対応クラスのマップを示した概念図
符号の説明
１０ データ学習装置
１２ 第１学習部
１４ 第２学習部
４０、６０ 意味判定装置
７８ 表示部

Claims (20)

  1. 各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、参照特徴ベクトルのベクトル点の各々にクラスが対応付けられた暫定的な自己組織化マップを導出する第１学習手段と、
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記暫定的な自己組織化マップに修正を加えて最終的な自己組織化マップを導出する第２学習手段を備え、
    該第２学習手段が、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記暫定的な自己組織化マップ上において該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    該第２学習勝者ベクトルのベクトル点に対応付けられたクラスと、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスとを比較し、該ベクトル点に対応付けられたクラスと該第２学習データが示す対応クラスが一致しない場合には、該第２学習勝者ベクトルおよび前記暫定的な自己組織化マップ上において該第２学習勝者ベクトルの第２学習近傍に分布する複数の参照特徴ベクトルを、前記１つの第２サンプル特徴ベクトルとの類似度が減少するように修正する修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させ、前記最終的な自己組織化マップを導出する手段を備えていることを特徴とするデータ学習装置。
  2. 前記修正手段が、さらに、前記第２学習勝者ベクトルの前記ベクトル点に対応付けられたクラスと、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスとが一致する場合には、該第２学習勝者ベクトルおよび前記第２学習近傍に分布する複数の参照特徴ベクトルを、前記１つの第２サンプル特徴ベクトルとの類似度が増大するように修正するものであることを特徴とする請求項１記載のデータ学習装置。
  3. 各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、参照特徴ベクトルのベクトル点の各々にクラスが対応付けられた暫定的な自己組織化マップを導出する第１学習手段と、
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記暫定的な自己組織化マップに修正を加えて最終的な自己組織化マップを導出する第２学習手段を備え、
    該第２学習手段が、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記暫定的な自己組織化マップ上の参照特徴ベクトルのうち、該参照特徴ベクトルのベクトル点に対応付けられたクラスが、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスと一致するものの中から、該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    前記第２学習勝者ベクトルおよび前記暫定的な自己組織化マップ上において該第２学習勝者ベクトルの第２学習近傍に分布する複数の参照特徴ベクトルを、前記１つの第２サンプル特徴ベクトルとの類似度が増大するように修正する修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させ、前記最終的な自己組織化マップを導出する手段を備えていることを特徴とするデータ学習装置。
  4. 前記第１学習手段が、
    ランダムな複数の参照特徴ベクトルが分布した初期自己組織化マップを発生させる手段と、
    各々が１つのクラスに対応する複数の頻度マップであって、各点に割り当てられた特定頻度値の初期値がゼロである複数の頻度マップを発生させる手段と、
    前記第１学習データ中の１つの第１サンプル特徴ベクトルを読み込み、前記初期自己組織化マップ上において該１つの第１サンプル特徴ベクトルとの類似度が最も高い第１学習勝者ベクトルを特定する第１ベクトル特定手段と、
    該第１学習勝者ベクトルおよび前記初期自己組織化マップ上において該第１学習勝者ベクトルの第１学習近傍に分布する複数の参照特徴ベクトルを、前記１つの第１サンプル特徴ベクトルとの類似度が増大するように修正するとともに、前記第１学習データが示す前記１つの第１サンプル特徴ベクトルの対応クラスに対応する頻度マップ上の、該第１学習勝者ベクトルおよび該第１学習近傍に分布する複数の参照特徴ベクトルの各ベクトル点に対応する点において、前記特定頻度値を増分させる更新手段と、
    前記複数の第１サンプル特徴ベクトルの全てについて、前記第１ベクトル特定手段および前記更新手段を各々１回または複数回繰返し動作させ、前記暫定的な自己組織化マップを導出する手段と、
    前記複数の頻度マップに基づいて、前記暫定的な自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、該ベクトル点に対応付けられる前記クラスとする手段を備えていることを特徴とする請求項１から３いずれか１項記載のデータ学習装置。
  5. 各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、自己組織化マップと、各々が１つのクラスに対応する複数の頻度マップとを導出する第１学習手段と、
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記複数の頻度マップを修正し、前記自己組織化マップの各ベクトル点に対応付けられる最終的なクラスを決定する第２学習手段を備え、
    該第２学習手段が、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記自己組織化マップ上において該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    前記複数の頻度マップのうち、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスと同一の正解クラスに対応する頻度マップ上において、前記第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、または該対応点および該対応点の近傍に分布する点の特定頻度値を増分させる修正を行う修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させる手段と、
    前記複数の頻度マップに基づいて、前記自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、該ベクトル点に対応付けられる前記最終的なクラスとする手段を備えていることを特徴とするデータ学習装置。
  6. 前記修正手段が、直前の前記第２ベクトル特定手段の動作により特定された前記第２学習勝者ベクトルのベクトル点に対応する点において最も高い特定頻度値を示す頻度マップに対応付けられたクラスと、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスとが一致する場合または一致しない場合のいずれかにおいてのみ、前記修正を行うものであることを特徴とする請求項５記載のデータ学習装置。
  7. 各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、自己組織化マップと、各々が１つのクラスに対応する複数の頻度マップとを導出する第１学習手段と、
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記複数の頻度マップを修正し、前記自己組織化マップの各ベクトル点に対応付けられる最終的なクラスを決定する第２学習手段を備え、
    該第２学習手段が、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記自己組織化マップ上において該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    前記複数の頻度マップのうち、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスと同一の正解クラスに対応する頻度マップ以外の一部または全ての頻度マップ上において、前記第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、または該対応点および該対応点の近傍に分布する点の特定頻度値を減少させる修正を行う修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させる手段と、
    前記複数の頻度マップに基づいて、前記自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、該ベクトル点に対応付けられる前記最終的なクラスとする手段を備えていることを特徴とするデータ学習装置。
  8. 前記修正手段が、さらに、前記正解クラスに対応する頻度マップ上において、前記第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、または該対応点および該対応点の近傍に分布する点の特定頻度値を増分させる修正も行うものであることを特徴とする請求項７記載のデータ学習装置。
  9. 前記修正手段が、直前の前記第２ベクトル特定手段の動作により特定された前記第２学習勝者ベクトルのベクトル点に対応する点において最も高い特定頻度値を示す頻度マップに対応付けられたクラスと、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスとが一致する場合または一致しない場合のいずれかにおいてのみ、前記修正を行うものであることを特徴とする請求項７または８記載のデータ学習装置。
  10. 前記第１学習手段が、
    ランダムな複数の参照特徴ベクトルが分布した初期自己組織化マップを発生させる手段と、
    各々が１つのクラスに対応する複数の頻度マップであって、各点に割り当てられた特定頻度値の初期値がゼロである複数の頻度マップを発生させる手段と、
    前記第１学習データ中の１つの第１サンプル特徴ベクトルを読み込み、前記初期自己組織化マップ上において該１つの第１サンプル特徴ベクトルとの類似度が最も高い第１学習勝者ベクトルを特定する第１ベクトル特定手段と、
    該第１学習勝者ベクトルおよび前記初期自己組織化マップ上において該第１学習勝者ベクトルの近傍に分布する複数の参照特徴ベクトルを、前記１つの第１サンプル特徴ベクトルとの類似度が増大するように修正するとともに、前記第１学習データが示す前記１つの第１サンプル特徴ベクトルの対応クラスに対応する頻度マップ上の、該第１学習勝者ベクトルおよび該近傍に分布する複数の参照特徴ベクトルの各ベクトル点に対応する点において、前記特定頻度値を増分させる更新手段と、
    前記複数の第１サンプル特徴ベクトルの全てについて、前記第１ベクトル特定手段および前記更新手段を各々１回または複数回繰返し動作させる手段を備えていることを特徴とする請求項５から９いずれか１項記載のデータ学習装置。
  11. 前記複数の第１サンプル特徴ベクトルおよび前記複数の第２サンプル特徴ベクトルの各々が、画像の特徴を示す特徴量を成分とするベクトルであって、前記第１学習データおよび前記第２学習データが示す前記対応クラスの各々が、画像の意味を示すクラスであることを特徴とする請求項１から１０いずれか１項記載のデータ学習装置。
  12. コンピュータを、
    各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、参照特徴ベクトルのベクトル点の各々にクラスが対応付けられた暫定的な自己組織化マップを導出する第１学習手段、および
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記暫定的な自己組織化マップに修正を加えて最終的な自己組織化マップを導出する第２学習手段であって、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記暫定的な自己組織化マップ上において該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    該第２学習勝者ベクトルのベクトル点に対応付けられたクラスと、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスとを比較し、該ベクトル点に対応付けられたクラスと該第２学習データが示す対応クラスが一致しない場合には、該第２学習勝者ベクトルおよび前記暫定的な自己組織化マップ上において該第２学習勝者ベクトルの第２学習近傍に分布する複数の参照特徴ベクトルを、前記１つの第２サンプル特徴ベクトルとの類似度が減少するように修正する修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させ、前記最終的な自己組織化マップを導出する手段を備えた第２学習手段として動作させるためのデータ学習プログラム。
  13. コンピュータを、
    各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、参照特徴ベクトルのベクトル点の各々にクラスが対応付けられた暫定的な自己組織化マップを導出する第１学習手段、および
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記暫定的な自己組織化マップに修正を加えて最終的な自己組織化マップを導出する第２学習手段であって、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記暫定的な自己組織化マップ上の参照特徴ベクトルのうち、該参照特徴ベクトルのベクトル点に対応付けられたクラスが、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスと一致するものの中から、該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    前記第２学習勝者ベクトルおよび前記暫定的な自己組織化マップ上において該第２学習勝者ベクトルの第２学習近傍に分布する複数の参照特徴ベクトルを、前記１つの第２サンプル特徴ベクトルとの類似度が増大するように修正する修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させ、前記最終的な自己組織化マップを導出する手段を備えた第２学習手段として動作させるためのデータ学習プログラム。
  14. コンピュータを、
    各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、自己組織化マップと、各々が１つのクラスに対応する複数の頻度マップとを導出する第１学習手段、および
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記複数の頻度マップを修正し、前記自己組織化マップの各ベクトル点に対応付けられる最終的なクラスを決定する第２学習手段であって、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記自己組織化マップ上において該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    前記複数の頻度マップのうち、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスと同一の正解クラスに対応する頻度マップ上において、前記第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、または該対応点および該対応点の近傍に分布する点の特定頻度値を増分させる修正を行う修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させる手段と、
    前記複数の頻度マップに基づいて、前記自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、該ベクトル点に対応付けられる前記最終的なクラスとする手段を備えた第２学習手段として動作させるためのデータ学習プログラム。
  15. コンピュータを、
    各々の対応クラスが分かっている複数の第１サンプル特徴ベクトルからなる第１学習データを学習することにより、自己組織化マップと、各々が１つのクラスに対応する複数の頻度マップとを導出する第１学習手段、および
    各々の対応クラスが分かっている複数の第２サンプル特徴ベクトルからなる第２学習データを学習することにより、前記複数の頻度マップを修正し、前記自己組織化マップの各ベクトル点に対応付けられる最終的なクラスを決定する第２学習手段であって、
    前記第２学習データ中の１つの第２サンプル特徴ベクトルを読み込み、前記自己組織化マップ上において該１つの第２サンプル特徴ベクトルとの類似度が最も高い第２学習勝者ベクトルを特定する第２ベクトル特定手段と、
    前記複数の頻度マップのうち、前記第２学習データが示す前記１つの第２サンプル特徴ベクトルの対応クラスと同一の正解クラスに対応する頻度マップ以外の一部または全ての頻度マップ上において、該第２学習勝者ベクトルのベクトル点に対応する対応点の特定頻度値、または該対応点および該対応点の近傍に分布する点の特定頻度値を減少させる修正を行う修正手段と、
    前記複数の第２サンプル特徴ベクトルの全てについて、前記第２ベクトル特定手段および前記修正手段を各々１回または複数回繰返し動作させる手段と、
    前記複数の頻度マップに基づいて、前記自己組織化マップの各ベクトル点における出現確率が最も高いクラスを、該ベクトル点に対応付けられる前記最終的なクラスとする手段を備えた第２学習手段として動作させるためのデータ学習プログラム。
  16. 前記複数の第１サンプル特徴ベクトルおよび前記複数の第２サンプル特徴ベクトルの各々が、画像の特徴を示す特徴量を成分とするベクトルであって、前記第１学習データおよび前記第２学習データが示す前記対応クラスの各々が、画像の意味を示すクラスであることを特徴とする請求項１２から１５いずれか１項記載のデータ学習プログラム。
  17. 各ベクトル点に画像の意味が対応付けられた学習後の自己組織化マップを用いて、対象画像または画像領域の意味を判定する装置であって、
    前記対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、
    前記１つまたは複数の特徴ベクトルの各々について、前記自己組織化マップ上において該特徴ベクトルとの類似度が最も高い勝者ベクトルを特定する勝者ベクトル特定手段と、
    前記勝者ベクトルのベクトル点の各々に対応付けられた意味に基づいて、前記対象画像または画像領域の意味を判定する意味判定手段と、
    前記意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、該対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、
    前記入力手段を介して指定された前記対象画像または画像領域について追加学習を行い、前記自己組織化マップを修正する修正手段とを備え、
    前記修正手段が、前記指定された前記対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、該特徴ベクトルとの類似度が最も高い勝者ベクトルおよび前記自己組織化マップ上において該勝者ベクトルの近傍に分布する複数の参照特徴ベクトルを、該特徴ベクトルとの類似度が減少するように修正するものであることを特徴とする装置。
  18. 各ベクトル点に画像の意味が対応付けられた学習後の自己組織化マップを用いて、対象画像または画像領域の意味を判定する装置であって、
    前記対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、
    前記１つまたは複数の特徴ベクトルの各々について、前記自己組織化マップ上において該特徴ベクトルとの類似度が最も高い勝者ベクトルを特定する勝者ベクトル特定手段と、
    前記勝者ベクトルのベクトル点の各々に対応付けられた意味に基づいて、前記対象画像または画像領域の意味を判定する意味判定手段と、
    前記意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、該対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、
    前記入力手段を介して指定された前記対象画像または画像領域について追加学習を行い、前記自己組織化マップを修正する修正手段とを備え、
    前記修正手段が、前記自己組織化マップ上の参照特徴ベクトルのうち、該参照特徴ベクトルのベクトル点に対応付けられた意味が前記正解の意味と一致するものの中から、前記指定された前記対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、該特徴ベクトルとの類似度が最も高い勝者ベクトルを特定し直し、該勝者ベクトルおよび前記自己組織化マップ上において該勝者ベクトルの近傍に分布する複数の参照特徴ベクトルを、該特徴ベクトルとの類似度が増大するように修正するものであることを特徴とする装置。
  19. 学習後の自己組織化マップと、各々が１つの画像の意味に対応する複数の頻度マップを用いて、対象画像または画像領域の意味を判定する装置であって、
    前記対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、
    前記１つまたは複数の参照特徴ベクトルの各々について、前記自己組織化マップ上において該特徴ベクトルとの類似度が最も高い勝者ベクトルを特定するベクトル特定手段と、
    前記勝者ベクトルのベクトル点に対応する各々の点において、最も高い特定頻度値を示す頻度マップに対応付けられた意味に基づいて、前記対象画像または画像領域の意味を判定する意味判定手段と、
    前記意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、該対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、
    前記入力手段を介して指定された前記対象画像または画像領域について追加学習を行い、前記複数の頻度マップを修正する修正手段とを備え、
    前記修正手段が、前記正解の意味に対応する頻度マップ上において、前記指定された前記対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、該特徴ベクトルとの類似度が最も高い勝者ベクトルのベクトル点に対応する対応点の特定頻度値、または該対応点および該対応点の近傍に分布する点の特定頻度値を増分させるものであることを特徴とする装置。
  20. 学習後の自己組織化マップと、各々が１つの画像の意味に対応する複数の頻度マップを用いて、対象画像または画像領域の意味を判定する装置であって、
    前記対象画像または画像領域から１つまたは複数の特徴ベクトルを抽出する抽出手段と、
    前記１つまたは複数の参照特徴ベクトルの各々について、前記自己組織化マップ上において該特徴ベクトルとの類似度が最も高い勝者ベクトルを特定するベクトル特定手段と、
    前記勝者ベクトルのベクトル点に対応する各々の点において、最も高い特定頻度値を示す頻度マップに対応付けられた意味に基づいて、前記対象画像または画像領域の意味を判定する意味判定手段と、
    前記意味判定手段によって正しく意味が判定できなかった対象画像または画像領域の指定と、該対象画像または画像領域の正解の意味の入力を受け付ける入力手段と、
    前記入力手段を介して指定された前記対象画像または画像領域について追加学習を行い、前記複数の頻度マップを修正する修正手段とを備え、
    前記修正手段が、前記正解の意味に対応する頻度マップ以外の一部または全ての頻度マップ上において、前記指定された前記対象画像または画像領域から抽出された１つまたは複数の特徴ベクトルの各々について、該特徴ベクトルとの類似度が最も高い勝者ベクトルのベクトル点に対応する対応点の特定頻度値、または該対応点および該対応点の近傍に分布する点の特定頻度値を減少させるものであることを特徴とする装置。
JP2004072646A 2003-03-24 2004-03-15 データ学習装置およびプログラムならびに画像の意味判定装置 Pending JP2004310753A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2004072646A JP2004310753A (ja) 2003-03-24 2004-03-15 データ学習装置およびプログラムならびに画像の意味判定装置
US10/806,476 US7574036B2 (en) 2003-03-24 2004-03-23 Apparatus, program, and recording medium for learning data to form a self-organizing map comprised of reference vectors corresponding to features of an image and used for determining objects in an image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2003079574 2003-03-24
JP2004072646A JP2004310753A (ja) 2003-03-24 2004-03-15 データ学習装置およびプログラムならびに画像の意味判定装置

Publications (1)

Publication Number Publication Date
JP2004310753A true JP2004310753A (ja) 2004-11-04

Family

ID=33478095

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004072646A Pending JP2004310753A (ja) 2003-03-24 2004-03-15 データ学習装置およびプログラムならびに画像の意味判定装置

Country Status (2)

Country Link
US (1) US7574036B2 (ja)
JP (1) JP2004310753A (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009080522A (ja) * 2007-09-25 2009-04-16 Mitsubishi Electric Corp 物体画像認識装置
JP2022041434A (ja) * 2020-09-01 2022-03-11 沖電気工業株式会社 学習装置、学習方法およびプログラム

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITMI20031449A1 (it) * 2003-07-15 2005-01-16 St Microelectronics Srl Metodo per classificare una immagine digitale
US8885208B2 (en) * 2006-07-21 2014-11-11 Adobe Systems Incorporated Progressive refinement of an edited image using secondary high resolution image processing
US8487963B1 (en) 2008-05-30 2013-07-16 Adobe Systems Incorporated Preview representation of pixels effected by a brush tip area
US8972410B2 (en) * 2008-07-30 2015-03-03 Hewlett-Packard Development Company, L.P. Identifying related objects in a computer database
US9047534B2 (en) * 2011-08-11 2015-06-02 Anvato, Inc. Method and apparatus for detecting near-duplicate images using content adaptive hash lookups
US9299152B2 (en) * 2012-12-20 2016-03-29 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for image depth map generation
US10102642B2 (en) * 2015-11-25 2018-10-16 Omni Ai, Inc. Image driver that samples high-resolution image data
US10474745B1 (en) 2016-04-27 2019-11-12 Google Llc Systems and methods for a knowledge-based form creation platform
US11039181B1 (en) 2016-05-09 2021-06-15 Google Llc Method and apparatus for secure video manifest/playlist generation and playback
US10771824B1 (en) 2016-05-10 2020-09-08 Google Llc System for managing video playback using a server generated manifest/playlist
US11069378B1 (en) 2016-05-10 2021-07-20 Google Llc Method and apparatus for frame accurate high resolution video editing in cloud using live video streams
US10750216B1 (en) 2016-05-10 2020-08-18 Google Llc Method and apparatus for providing peer-to-peer content delivery
US10595054B2 (en) 2016-05-10 2020-03-17 Google Llc Method and apparatus for a virtual online video channel
US10750248B1 (en) 2016-05-10 2020-08-18 Google Llc Method and apparatus for server-side content delivery network switching
US10785508B2 (en) 2016-05-10 2020-09-22 Google Llc System for measuring video playback events using a server generated manifest/playlist
US11032588B2 (en) 2016-05-16 2021-06-08 Google Llc Method and apparatus for spatial enhanced adaptive bitrate live streaming for 360 degree video playback
US10380162B2 (en) 2016-10-26 2019-08-13 Accenture Global Solutions Limited Item to vector based categorization
US11526727B1 (en) 2020-05-14 2022-12-13 Rapid7, Inc. Machine learned chart recommendation system

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001283184A (ja) 2000-03-29 2001-10-12 Matsushita Electric Ind Co Ltd クラスタリング装置
JP2001306612A (ja) 2000-04-26 2001-11-02 Sharp Corp 情報提供装置、情報提供方法およびその方法を実現するプログラムを記録した機械読取可能な記録媒体
JP4049522B2 (ja) 2000-07-25 2008-02-20 富士通株式会社 情報分布装置および情報分布方法
US7099510B2 (en) * 2000-11-29 2006-08-29 Hewlett-Packard Development Company, L.P. Method and system for object detection in digital images
JP2001337953A (ja) 2001-03-29 2001-12-07 Yusuke Takahashi 情報可視化システム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009080522A (ja) * 2007-09-25 2009-04-16 Mitsubishi Electric Corp 物体画像認識装置
JP2022041434A (ja) * 2020-09-01 2022-03-11 沖電気工業株式会社 学習装置、学習方法およびプログラム
JP7107340B2 (ja) 2020-09-01 2022-07-27 沖電気工業株式会社 学習装置、学習方法およびプログラム

Also Published As

Publication number Publication date
US7574036B2 (en) 2009-08-11
US20050125368A1 (en) 2005-06-09

Similar Documents

Publication Publication Date Title
JP2004310753A (ja) データ学習装置およびプログラムならびに画像の意味判定装置
JP6088792B2 (ja) 画像検出装置及び制御プログラム並びに画像検出方法
US6600830B1 (en) Method and system of automatically extracting facial features
CN111985465A (zh) 文本识别方法、装置、设备及存储介质
KR101507732B1 (ko) 영역 기반의 항공 영상 분할 방법 및 이를 실행하는 프로그램 코드를 저장하는 컴퓨터로 읽을 수 있는 저장 매체
US9131193B2 (en) Image-processing device removing encircling lines for identifying sub-regions of image
US8553985B2 (en) Image processing apparatus, image processing method and computer-readable medium
JP4867620B2 (ja) 画像処理装置及び画像処理プログラム
US5195147A (en) Image forming apparatus
EP2966613A1 (en) Method and apparatus for generating a super-resolved image from an input image
CN116958962A (zh) 一种基于改进YOLOv8s的疏果前石榴果实检测方法
JP5743187B2 (ja) 像域分離方法、それを実行させるためのプログラム及び像域分離装置
JP6546385B2 (ja) 画像処理装置及びその制御方法、プログラム
CN113379001B (zh) 针对图像识别模型的处理方法及装置
JP6278757B2 (ja) 特徴量生成装置、特徴量生成方法、およびプログラム
JP2000132692A (ja) 曲線の特徴点抽出方法及びこの方法を記録した記録媒体
JP5337844B2 (ja) 領域検出装置、領域検出方法及びプログラム
JP2009059047A (ja) 対象物検出装置、対象物検出方法、および対象物検出プログラム
JP4282467B2 (ja) 像域分離方法
van den Broek et al. Weighted distance mapping (WDM)
KR101187432B1 (ko) 응답 시간을 단축한 내용 기반의 영상 크기 조절 방법 및 장치
JP2004180036A (ja) 視差探索方法及び視差探索装置
Bucha et al. Interactive objects extraction from remote sensing images
EP2806625B1 (en) Image processing apparatus, image processing method, and non-transitory computer readable recording medium storing an image processing program
Song et al. Vectorizing Building Blueprints

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20060523

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20061207

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20090818

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20100105