JP2009025853A - パターン認識装置 - Google Patents
パターン認識装置 Download PDFInfo
- Publication number
- JP2009025853A JP2009025853A JP2007185186A JP2007185186A JP2009025853A JP 2009025853 A JP2009025853 A JP 2009025853A JP 2007185186 A JP2007185186 A JP 2007185186A JP 2007185186 A JP2007185186 A JP 2007185186A JP 2009025853 A JP2009025853 A JP 2009025853A
- Authority
- JP
- Japan
- Prior art keywords
- input data
- similarity
- data
- pattern
- pattern recognition
- 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
Links
Images
Abstract
【課題】本発明は、少ない類似度演算量でパターン認識の精度を悪化させることのないパターン認識装置を提供することを目的とする。
【解決手段】本発明によるパターン認識装置は、複数の入力データを複数のグループに分割し各グループ内における入力データ間の類似度を演算する対角類似度作成手段21と、グループ相互において一部の入力データ間の類似度を演算する部分相互類似度作成手段32と、対角類似度作成手段21と部分相互類似度作成手段32とで取得した類似度に基づき、グループ相互の未演算部分を補完することによって全ての入力データ間の類似度を作成する全類似度行列作成手段41と、全類似度行列作成手段41で取得した類似度行列から入力データの少なくとも1つ以上の代表的な特徴量を検出する特徴量検出手段51と、特徴量検出手段51で取得した特徴量から入力データをパターン分類するパターン分類手段52とを備えることを特徴とする。
【選択図】図1
【解決手段】本発明によるパターン認識装置は、複数の入力データを複数のグループに分割し各グループ内における入力データ間の類似度を演算する対角類似度作成手段21と、グループ相互において一部の入力データ間の類似度を演算する部分相互類似度作成手段32と、対角類似度作成手段21と部分相互類似度作成手段32とで取得した類似度に基づき、グループ相互の未演算部分を補完することによって全ての入力データ間の類似度を作成する全類似度行列作成手段41と、全類似度行列作成手段41で取得した類似度行列から入力データの少なくとも1つ以上の代表的な特徴量を検出する特徴量検出手段51と、特徴量検出手段51で取得した特徴量から入力データをパターン分類するパターン分類手段52とを備えることを特徴とする。
【選択図】図1
Description
本発明は、複数の入力データを1つ以上のパターンに分類するパターン認識装置およびすでに入力済みの複数のデータから得られる1つ以上のパターンに基づいて、新たに入力されたデータと類似したデータを抽出する類似データ検索装置としての機能を備えたパターン認識装置に関する。
従来のパターン認識装置では、複数の入力データから入力データ相互間の類似度または距離を演算して作成された類似度行列または距離行列に対して、多次元尺度構成法(Multi−Dimensional Scaling)またはSpectral Clustering等を適用して行列の固有値および固有ベクトルから入力データの代表的な特徴量を抽出することによって、入力データのパターン分類を行なっている(例えば、非特許文献1参照)。
また、文書データのクラスタリングシステムにおいて、入力データ間の全ての類似度を演算することによって文書データの分類を行なっている(例えば、特許文献1参照)。
鈴木、外5名、「人物動線データ分析による逸脱行動人物の検出」、情報処理学会コンピュータビジョンとイメージメディア研究会、2007年3月、2006−CVIM−158−15、p.109−115
特開2002−183171号公報
従来のパターン認識装置では、複数の入力データ相互の類似度演算はデータ個数の二乗回数必要であった。そのため、入力データ数が多くなると類似度演算量が増加するという問題があった。また、類似度演算量を少なくするために類似度の評価指標を削減すると、パターン認識の精度が大きく悪化するという問題があった。
本発明は、これらの問題を解決するためになされたもので、少ない類似度演算量でパターン認識の精度を悪化させることのないパターン認識装置を提供することを目的とする。
上記の課題を解決するために、本発明によるパターン認識装置は、複数の入力データを複数のグループに分割し、各グループ内における入力データの相互の類似度を演算する対角類似度作成手段と、グループ相互において一部の入力データ間の類似度を演算する部分相互類似度作成手段と、対角類似度作成手段と部分相互類似度作成手段とで取得した類似度に基づき、グループ相互の未演算部分を補完することによって全ての入力データ間の類似度を作成する全類似度行列作成手段と、全類似度行列作成手段で取得した類似度行列から、入力データの少なくとも1つ以上の代表的な特徴量を検出する特徴量検出手段と、特徴量検出手段で取得した特徴量から入力データをパターン分類するパターン分類手段とを備えることを特徴とする。
本発明は、請求項1に記載のように、対角類似度作成手段は複数の入力データを複数のグループに分割して各グループ内における入力データの相互の類似度を演算し、部分相互類似度作成手段はグループ相互において一部の入力データ間の類似度を演算し、全類似度行列作成手段は対角類似度作成手段と部分相互類似度作成手段とで取得した類似度に基づいてグループ相互の未演算部分を補完することによって全ての入力データ間の類似度を作成し、特徴量検出手段は全類似度行列作成手段で取得した類似度行列から入力データの少なくとも1つ以上の代表的な特徴量を検出し、パターン分類手段は特徴量検出手段で取得した特徴量から入力データをパターン分類するので、少ない類似度演算量でパターン認識の精度を悪化させることのないパターン認識装置を提供することができる。
本発明の実施形態について、図面に基づいて以下に説明する。
図1は、本発明の実施形態によるパターン認識装置のブロック図である。図1に示すように本発明の実施形態によるパターン認識装置は、複数の入力データ11−1〜11−nを複数のグループに分割して各グループ内における入力データの相互の類似度を演算する対角類似度作成手段21と、各グループの特徴を示す代表入力データを抽出する部分相互類似度代表入力データ抽出手段31と、部分相互類似度代表入力データ抽出手段31で取得した代表入力データと他のグループの入力データとの間で類似度を演算する部分相互類似度作成手段32と、部分相互類似度作成手段32で得られた類似度が予め設定された閾値以下であるときに部分相互類似度作成手段32にて演算していないデータ同士を演算する部分相互類似度例外データ演算手段33と、対角類似度作成手段21、部分相互類似度作成手段32、および部分相互類似度例外データ演算手段33のそれぞれで取得した類似度に基づき、グループ相互の未演算部分を補完することによって全ての入力データ11−1〜11−n間の類似度を作成する全類似度作成手段41と、全類似度作成手段41で取得した類似度行列から入力データ11−1〜11−nの少なくとも1つ以上の代表的な特徴量を検出する特徴量検出手段51と、特徴量検出手段51で取得した特徴から入力データ11−1〜11−nをパターン分類するパターン分類手段52と、入力データ11−1〜11−n、全類似度作成手段41で取得した類似度、およびパターン分類手段52で分類されたパターンとから、類似度が小さい入力データとパターンに合致しない入力データとのうちの少なくとも一方を例外データとして検出する例外データ検出手段53と、過去の入力データから取得したパターンとそれに対応するデータとを格納する過去入力データ蓄積装置61と、過去入力データ蓄積装置61から新たな入力データと類似したパターンを検出する新規入力データパターン検出手段71と、新たな入力データと新規入力データパターン検出手段71とに基づいて、類似したデータを過去入力データ蓄積装置61から検索する新規入力データ類似データ検索手段72とから構成される。
入力データ11−1〜11−nは、例えば人物の位置時系列を示す移動経路データである。図2は、本発明の実施形態による人物の位置時系列データの例図である。図2に示すように、特定の人物の位置が時系列に表示されている。これらのデータの取得方法としては、画像センサ、RFID(Radio Frequency IDentification)、GPS(Global Positioning System)、レーザレーダ等があり、これらを用いることによって人物の位置を連続的に検出している。なお、入力データ11−1〜11−nは、画像データ、映像データ、文書データ等の他のデータであってもよい。
対角類似度作成手段21は、複数の入力データ11−1〜11−nを複数のグループに分割して各グループ内における入力データである位置時系列データの相互の類似度を演算する。位置時系列データの類似度は、隠れマルコフモデルによって人物の位置時系列をモデルリングして隠れマルコフモデル間の確率的距離を用いている。本実施形態での隠れマルコフモデルでは、対象空間内の移動体の位置と状態を対応させており、各状態間の遷移確率と各状態遷移時における速度、方向、位置の観測確率が得られるものとする。図3に、隠れマルコフモデルにおける移動体の位置と状態とを対応させた例を示している。隠れマルコフモデルについては、文献(麻生英樹、外2名、「パターン認識と学習の統計学−新しい概念と手法 統計科学のフロンティア6」、岩波書店、2003年、p.66−72)等により知られている一般的な技術を適用できる。
個々の移動体の位置時系列データiによる隠れマルコフモデルをλ0iとし、全ての移動体の位置時系列データ群の隠れマルコフモデルをλallとして、個々の移動体の位置時系列データiの隠れマルコフモデルλ0iをλiに補正したものを式(1)に示す。ここで、時系列データiはi番目の移動体の位置時系列データを示しており、αは0以上1以下の係数である。
個々の移動体の位置時系列データi、jに対する隠れマルコフモデルλi、λj相互間の類似度には、式(2)および式(3)から算出される確率的距離D(λi,λj)を用いる。ここで、Oiは移動体の位置時系列データiの観測データ、Tiは観測データOiのデータ長、L(Oi|λi)は観測データOiの隠れマルコフモデルに対する尤度を示している。隠れマルコフモデル間の距離については、例えば文献(B.H.Juang,L.R.Rabiner,”A probabilistic distance measure for hidden Markov models”,AT&T Technical Journal,Feb.1985,Vol.64,No.2,p.391−408)を参照のこと。
なお、本実施形態による対角類似度作成手段21は、隠れマルコフモデルの確率的距離を用いて類似度を作成したが、入力データが画像データ、映像データ、文書データの場合には、画素などのデータの輝度やRGB値のベクトル間の角度やピアソンの相関係数から得られる相関値を用いてもよい。
次に、本発明の実施形態によるパターン認識装置の処理について順に説明する。
まず、複数の入力データ11−1〜11−nをデータ数がほぼ同等になるように複数のグループに分割し、各グループ内の入力データ相互間の類似度を式(2)および式(3)から算出される確率的距離の逆数やガウシアンカーネルを用いて作成する。図4は、対角類似度作成手段21における処理の概念図であり、各グループ内の入力データ相互間の類似度を演算した結果の例をハッチングで示している。図4に示すように、各グループ内の入力データ間相互の類似度を演算するため、入力データ11−1〜11−nを行方向および列方向にグループごとに並べた行列(R11〜R33)において、対角の行列成分(R11、R22、R33)の類似度のみ演算される。
部分相互類似度代表入力データ抽出手段31は、対角類似度作成手段21で分割された各グループの特徴を示す代表入力データを抽出する。抽出手段としては、各グループの類似度行列に多次元尺度構成法を適用することによって入力データ11−1〜11−nを任意次元の低次元空間に投射し、入力データが投射された低次元空間のベクトルを得る。このとき、入力データ相互間の類似度をrとしたとき、r’←exp(−r2)/(2δ2)のように類似度rが大きいときは0に近くなり、類似度rが小さいときには1に近くなるように行列の要素を変換する。ここで、δはパラメータである。その後、ランダムに選択したグループ内のあるクラスタ数の入力データに対応するベクトルを初期値としたk−meansクラスタリングを行なう。k−meansクラスタリングを各グループに対して初期値を変更して複数回試行し、各クラスタの歪が小さくなる場合の初期値を各グループの代表入力データとして抽出する。各クラスタの歪みの指標としては、例えば式(4)に示すような指標Fkを用いる。ここで、Ckはクラスタkを示し、zkはクラスタkの中心を示している。多次元尺度構成法については、例えば文献(G.Young,A.Householder,”Discussion of a set of points in terms of teir mutual distances”,Psychometrika,1938,Vol.3,p.19−22)に記載のヤング・ハウスホルダー変換を参照のこと。
なお、本実施形態による部分相互類似度代表入力データ抽出手段31は、多次元尺度構成法によって低次元空間ベクトルに射影してクラスタリングを行なったが、他のデータとの類似度が大きい入力データを代表入力データとして抽出してもよい。
部分相互類似度作成手段32は、グループ相互において一部の入力データ相互間の類似度を演算しており、対角類似度作成手段21によって演算されなかった異なるグループ間の一部の入力データの類似度を演算する。図5は、部分相互類似度作成手段32における処理の概念図であり、異グループ間で演算される箇所をクロスハッチングで示している。部分相互類似度代表入力データ抽出手段31で抽出された各グループの代表入力データ(S12、S13、S21、S23、S31、S32)と、代表入力データが含まれるグループとは異なるグループの全ての入力データとの類似度を演算する。なお、各グループの代表データと他のグループの類似度を演算するときの全類似度行列における対称要素の類似度も演算し、演算結果の平均値を部分相互類似度としてもよい。
部分相互類似度例外データ演算手段33は、部分相互類似度作成手段32で得られた類似度が予め設定された閾値以下であるときに部分相互類似度作成手段32にて演算していないデータ同士を演算する。すなわち、例外データとなる可能性が高い入力データを予め検出し、当該入力データについて部分相互類似度作成手段32での演算データ数よりも多くの演算を行なう。図6は、部分相互類似度例外データ演算手段33における処理の概念図である。部分相互類似度作成手段32で得られた類似度が予め設定された閾値以下であるとき、閾値以下であるデータについてのみ他の全てのデータとの類似度を演算する。なお、本実施形態では類似度の最大値が閾値以下のときに代表例外データとしたが、類似度の平均値が閾値以下の場合に代表例外データとしてもよい。
全類似度作成手段41は、対角類似度作成手段21、部分相互類似度作成手段32、および部分相互類似度例外データ演算手段33のそれぞれで取得した類似度に基づき、グループ相互の未演算部分を補完することによって全ての入力データ11−1〜11−n間の類似度を作成する。すなわち、対角類似度作成手段21、部分相互類似度作成手段32、部分相互類似度例外データ演算手段33のそれぞれで演算された入力データ相互間の類似度に基づき、未演算部の類似度を補完することによって全ての入力データ相互間の類似度を取得している。
図7は、全類似度作成手段41における処理の概念図である。図7に示すように、対角類似度作成手段21で取得した各グループの類似度行列をRii、未演算部を有するグループ相互間の類似度を示す行列をRij、行列Rijにおいて部分相互類似度作成手段32によって類似度を演算した部分の行列をSijとする。ここで、i、jはグループ番号を示し、i≠jである。そして、行列Rijの類似度の未演算部分を各列方向に補完する。まず、対角類似度作成手段21で取得した各グループの類似度行列Riiについて、行を部分相互類似度代表入力データ抽出手段31で得られた代表データとし、列をグループ内の全てのデータとした行列Uii’と、行列Uii’以外の部分の要素からなる行列Uii*とに分割する。また、行列Riiの固有値を降順に並べた対角行列をdiag(vii)とする。ここで、diagは対角行列を示す記号である。行列Rijの未演算部を持つ列kのうち演算済みのベクトルをcijk’、未演算部のベクトルをcijk*とすると、未演算部のベクトルcijk*は式(5)で示される。ここで、式(5)中の+は擬似逆行列を示している。式(5)の詳細については、文献4(Brand,M.E.,”Incremental Singular Value Decomposition of Uncertain Data with Missing Values”,European Conference on Computer Vision(ECCV),May.2002,Vol.2350,p.707−720)のSection.5を参照のこと。
式(5)によって未演算部のベクトルcijk*を繰り返し演算し、未演算部を有するグループ相互の類似度を示す行列Rijに対して全ての類似度行列を取得する。ただし、式(5)の右辺のうちのUii*diag(vii’diag(vii))+部分は、同一のiに対して一度のみ演算するだけでよい。cijk*を繰り返し演算した後に全類似度行列において行列Rijと行列Rjiの対称となる要素の平均をとり、全類似度行列を更新することで全ての入力データ相互間の類似度を要素とする対称行列である全類似度行列を取得する。従って、全類似度作成手段41では、部分相互類似度例外データ演算手段33で類似度の演算を行なった列についての演算は行なわない。
なお、本実施形態では文献4の手法を用いて各グループの未演算部のベクトルを演算しているが、パターンマッチング手法、ニューラルネットワークによる予測手法、回帰モデルによる予測手法など他の手法を用いてもよい。
特徴量検出手段51は、全類似度作成手段41で取得した類似度行列から入力データ11−1〜11−nの少なくとも1つ以上の代表的な特徴量を検出する。すなわち、全類似度作成手段41で取得した全ての入力データ相互間の類似度を要素とする全類似度行列を用いることによって、各入力データ11−1〜11−nに対する特徴量を検出する。検出手段としては、入力データ相互間の類似度をrとしたとき、r’←exp(−r2)/(2δ2)のように類似度rが大きいときは0に近くなり、類似度rが小さいときには1に近くなるように行列の要素を変換する。ここで、δはパラメータである。変換した全類似度行列に対して前述した多次元尺度構成法を適用して変換した全類似度行列の固有値および固有ベクトルを用いて各入力データ11−1〜11−nを任意次元の低次元空間に射影し、射影された低次元空間のベクトルを各入力データ11−1〜11−nの特徴量とする。
なお、本実施形態では特徴量の検出に多次元尺度構成法を用いたが、Spectral ClusteringやLaplacian Eigenmapなどの手法を用いて特徴量の検出を行なってもよい。
パターン分類手段52は、特徴量検出手段51で取得した特徴から入力データ11−1〜11−nをパターン分類する。すなわち、特徴量検出手段51で取得した各入力データ11−1〜11−nの特徴量であるベクトルを用いて入力データ11−1〜11−nを複数のグループにクラスタリングしてパターン分類を行なう。パターン分類の手段としては、ランダムに選択したグループ内のあるクラスタ数の入力データに対応するベクトルを初期値としたk−meansクラスタリングを行なう。k−meansクラスタリングを各グループに対して初期値を変更して複数回試行し、各クラスタの歪が小さくなる場合の初期値を各グループの代表入力データとして抽出する。各クラスタの歪みの指標としては、例えば式(4)に示すような指標Fkを用いる。また、最適なクラスタ数については、式(6)に示すようにある範囲のKに対しての指標CH(K)を最大にするクラスタ数Kを選択する。
なお、本実施形態ではパターン分類にk−meansクラスタリングを用いたが、ファジーC平均法、最大距離アルゴリズム、自己組織化マップなど他のクラスタリング手法を用いてもよい。
例外データ検出手段53は、入力データ11−1〜11−n、全類似度作成手段41で取得した類似度、およびパターン分類手段52で分類されたパターンとから、類似度が小さい入力データとパターンに合致しない入力データとのうちの少なくとも一方を例外データとして検出する。例外データの検出手段としては、まず、全類似度行列で各入力データと他の入力データとの類似度を比較し、類似度の最大値が所定の閾値以下の入力データを例外データとして検出する。次に、パターン分類手段52で取得した各パターンに含まれる入力データに基づき、各パターンに対応した隠れマルコフモデルを作成する。このとき、既に例外データとして検出された入力データは各パターンから除外しておく。そして、各入力データの各パターンに対応した隠れマルコフモデルについての尤度を演算し、尤度の最大値が閾値以下のときは当該入力データを例外データとして検出する。
なお、本実施形態では類似度の最大値および隠れマルコフモデルの尤度を用いて例外データを検出したが、類似度の最大値または隠れマルコフモデルの尤度のいずれか一方を用いて検出するようにしてもよい。また、1クラスSVMなどの手法を用いて例外データを検出してもよい。
図8は、以上に説明した本実施形態によるパターン認識装置のフローチャートである。対角類似度作成手段21では、入力データ11−1〜11−nを隠れマルコフモデルでモデリングし(ステップS1)、各グループ内の入力データ相互間の確率的距離を演算し(ステップS2)、類似度行列を作成する(ステップS3)。そして、対角類似度作成手段21で分割された各グループの特徴を示す代表入力データを部分相互類似度代表入力データ抽出手段31で抽出する(ステップS4)。部分相互類似度代表入力データ抽出手段31で抽出された各グループの代表入力データと、代表入力データが含まれるグループとは異なるグループの全ての入力データとの類似度を部分相互類似度作成手段32で演算する(ステップS5)。部分相互類似度作成手段32で得られた類似度が予め設定された閾値以下であるときに部分相互類似度作成手段32にて演算していない他のデータとの全ての類似度を演算する(ステップS6)。全類似度作成手段41においてUii*diag(vii’diag(vii))+を演算し(ステップS7)、演算結果によって得られた式と参照ベクトルcijk’との積から未知ベクトルを演算することによって全類似度行列を作成する(ステップS8)。ステップS8で得られた全類似度行列に対して多次元尺度構成法を適用することによって低次元空間に射影し、入力データ11−1〜11−nに対する特徴ベクトルを特徴量検出手段51で検出する(ステップS9)。検出された特徴ベクトルに基づいて、入力データ11−1〜11−nをパターン分類手段52でパターン分類する(ステップS10)。例外データ検出手段53では、入力データ11−1〜11−n、全類似度作成手段41で取得した類似度、およびパターン分類手段52で分類されたパターンとから、類似度が小さい入力データとパターンに合致しない入力データとのうちの少なくとも一方を例外データとして検出する(ステップS11)。
過去入力データ蓄積装置61は、過去に得られた入力データとパターン分類手段52で取得したパターンとを関連付けてデータの蓄積を行なう。同時に、入力データのパターンに対応した隠れマルコフモデルについての各種パラメータも蓄積する。
新規入力データパターン検出手段71は、過去入力データ蓄積装置61から新たな入力データ12−1と類似したパターンを検出する。具体的には、新規入力データ12−1について、過去入力データ蓄積装置61に蓄積された各パターンの隠れマルコフモデルに対する尤度を演算して新規入力データ12−1に対するパターンを検出する。このとき、全てのパターンに対応した隠れマルコフモデルに対する尤度の最大値が閾値以下のときは例外データとして検出する。
なお、本実施形態では隠れマルコフモデルの尤度を用いて例外データを検出したが、1クラスSVMや類似度の最大値を用いて例外データを検出するようにしてもよい。
新規入力データ類似データ検索手段72は、新規入力データ12−1と新規入力データパターン検出手段71で取得したパターンとに基づいて、類似したデータを過去入力データ蓄積装置61から検索する。具体的には、新規データパターン検出手段71から新規入力データ12−1に対応したパターンを取得し、過去データ蓄積装置61に蓄積されているパターンに対応した過去の入力データと新規入力データ12−1との類似度を隠れマルコフモデルの確率的距離を用いて演算される。演算結果より、類似度の大きい過去の入力データを類似データとして検出する。
なお、本実施形態では隠れマルコフモデルの確率的距離を用いて類似データを検索したが、入力データ間の相関値など他の類似度を用いてもよい。また、過去に取得したパターン内の入力データ相互間の類似度を用いることによって、新規入力データと過去の入力データとの類似度が小さい場合には過去の入力データと類似度の小さい過去の入力データを優先的に検索し、類似度が大きい場合には過去の入力データと類似度の大きい過去の入力データを優先的に検索するようにしてもよい。
以上のことから、全ての入力データ相互間の類似度を演算することなく、少ない演算量でパターン分類および例外データ検出を行なうことが可能となる。また、入力データを行列にグループ分けしたときの対角の行列における代表データを抽出することによって、精度を大きく悪化させることなくパターン分類および例外データを検出することができる。そして、例外データとなる可能性の高い入力データについては予め全てのデータとの類似度を演算するため、精度を大きく悪化させることなく例外データを検出することができる。さらに、過去の入力データおよびパターンから新規入力データのパターン認識および類似データの検索を行なえるため、少ない演算量で新規入力データの評価を行なうことが可能となる。
11 入力データ、12 新規入力データ、21 対角類似度作成手段、31 部分相互類似度代表入力データ抽出手段、32 部分相互類似度作成手段、33 部分相互類似度例外データ演算手段、41 全類似度作成手段、51 特徴量検出手段、52 パターン分類手段、53 例外データ検出手段、61 過去入力データ蓄積装置、71 新規入力データパターン検出手段、72 新規入力データ類似データ検索手段。
Claims (10)
- 複数の入力データを複数のグループに分割し、前記各グループ内における前記入力データの相互の類似度を演算する対角類似度作成手段と、
前記グループ相互において一部の前記入力データ間の類似度を演算する部分相互類似度作成手段と、
前記対角類似度作成手段と前記部分相互類似度作成手段とで取得した類似度に基づき、前記グループ相互の未演算部分を補完することによって全ての前記入力データ間の類似度を作成する全類似度作成手段と、
前記全類似度作成手段で取得した類似度行列から、前記入力データの少なくとも1つ以上の代表的な特徴量を検出する特徴量検出手段と、
前記特徴量検出手段で取得した前記特徴量から前記入力データをパターン分類するパターン分類手段と、
を備える、パターン認識装置。 - 前記各グループの特徴を示す代表入力データを抽出する部分相互類似度代表入力データ抽出手段をさらに備え、
前記部分相互類似度作成手段は、前記部分相互類似度代表入力データ抽出手段で取得した前記各グループの前記代表入力データと他のグループとのデータ間の類似度を演算することを特徴とする、請求項1に記載のパターン認識装置。 - 前記全類似度作成手段で取得した類似度が小さい前記入力データと、前記パターン分類手段で取得したパターンに合致しない前記入力データとのうちの少なくとも一方を例外データとして検出する例外データ検出手段をさらに備えることを特徴とする、請求項1または請求項2に記載のパターン認識装置。
- 前記例外データ検出手段にて前記例外データとなる可能性が高い入力データを予め検出し、当該入力データについて前記部分相互類似度作成手段での演算データ数よりも多くの演算を行なう部分相互類似度例外データ演算手段
をさらに備えることを特徴とする、請求項3に記載のパターン認識装置。 - 過去の入力データから取得したパターンを格納する過去入力データ蓄積装置と、
前記過去入力データ蓄積装置から新たな入力データと類似したパターンを検出する新規入力データパターン検出手段と、
をさらに備えることを特徴とする、請求項1または請求項2に記載のパターン認識装置。 - 前記新たな入力データと前記新規入力データパターン検出手段で取得したパターンとに基づいて、類似したデータを前記過去入力データ蓄積装置から検索する新規入力データ類似データ検索手段
をさらに備えることを特徴とする、請求項5に記載のパターン認識装置。 - 前記入力データは、画像データであることを特徴とする、請求項1ないし請求項6のいずれかに記載のパターン認識装置。
- 前記入力データは、映像データであることを特徴とする、請求項1ないし請求項6のいずれかに記載のパターン認識装置。
- 前記入力データは、移動体の経路データであることを特徴とする、請求項1ないし請求項6のいずれかに記載のパターン認識装置。
- 前記入力データは、文書データであることを特徴とする、請求項1ないし請求項6のいずれかに記載のパターン認識装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007185186A JP2009025853A (ja) | 2007-07-17 | 2007-07-17 | パターン認識装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007185186A JP2009025853A (ja) | 2007-07-17 | 2007-07-17 | パターン認識装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009025853A true JP2009025853A (ja) | 2009-02-05 |
Family
ID=40397636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007185186A Pending JP2009025853A (ja) | 2007-07-17 | 2007-07-17 | パターン認識装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2009025853A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8793204B2 (en) | 2010-10-01 | 2014-07-29 | Panasonic Corporation | Classification device and classification method |
JP2018055551A (ja) * | 2016-09-30 | 2018-04-05 | 富士通株式会社 | データ変換プログラム、データ変換方法、およびデータ変換装置 |
KR20180069237A (ko) * | 2016-12-15 | 2018-06-25 | (주)더블유알티랩 | 이동 객체 탐지 시스템 및 방법 |
-
2007
- 2007-07-17 JP JP2007185186A patent/JP2009025853A/ja active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8793204B2 (en) | 2010-10-01 | 2014-07-29 | Panasonic Corporation | Classification device and classification method |
JP2018055551A (ja) * | 2016-09-30 | 2018-04-05 | 富士通株式会社 | データ変換プログラム、データ変換方法、およびデータ変換装置 |
KR20180069237A (ko) * | 2016-12-15 | 2018-06-25 | (주)더블유알티랩 | 이동 객체 탐지 시스템 및 방법 |
KR101876809B1 (ko) * | 2016-12-15 | 2018-08-07 | (주)더블유알티랩 | 이동 객체 탐지 시스템 및 방법 |
US11435469B2 (en) | 2016-12-15 | 2022-09-06 | Wrt Lab Co., Ltd. | Moving object detection system and method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zadeh et al. | Convolutional experts constrained local model for 3d facial landmark detection | |
Weinmann et al. | Feature relevance assessment for the semantic interpretation of 3D point cloud data | |
JP6708385B2 (ja) | 識別器作成装置、識別器作成方法、およびプログラム | |
CN109165540B (zh) | 一种基于先验候选框选择策略的行人搜索方法和装置 | |
Zeeshan Zia et al. | Explicit occlusion modeling for 3d object class representations | |
Han et al. | A novel computer vision-based approach to automatic detection and severity assessment of crop diseases | |
US20150235092A1 (en) | Parts based object tracking method and apparatus | |
CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
JP6888484B2 (ja) | 検索プログラム、検索方法、及び、検索プログラムが動作する情報処理装置 | |
JP2002203246A (ja) | 画像オブジェクトのランク付け | |
Capobianco et al. | Target detection with semisupervised kernel orthogonal subspace projection | |
Angus et al. | Efficacy of pixel-level OOD detection for semantic segmentation | |
CN109447112B (zh) | 一种人像聚类方法、电子设备和存储介质 | |
JP2009025853A (ja) | パターン認識装置 | |
CN113486902A (zh) | 基于元学习的三维点云分类算法自动选择方法 | |
Bardeh et al. | New approach for human detection in images using histograms of oriented gradients | |
Bouteldja et al. | A comparative analysis of SVM, K-NN, and decision trees for high resolution satellite image scene classification | |
Imani et al. | Feature reduction of hyperspectral images: discriminant analysis and the first principal component | |
CN116051959A (zh) | 一种目标检测方法、装置 | |
Lanzarini et al. | Face recognition using SIFT and binary PSO descriptors | |
Orozco-Alzate et al. | A generalization of dissimilarity representations using feature lines and feature planes | |
CN114708613A (zh) | 行为识别方法、行为识别装置、计算机设备和存储介质 | |
Al-Azzawy | Eigenface and SIFT for gender classification | |
Gupta et al. | Unsupervised change detection in optical satellite images using binary descriptor | |
CN107871019B (zh) | 人车关联搜索方法及装置 |