JP2013250809A - 多クラス識別器、方法、およびプログラム - Google Patents
多クラス識別器、方法、およびプログラム Download PDFInfo
- Publication number
- JP2013250809A JP2013250809A JP2012125408A JP2012125408A JP2013250809A JP 2013250809 A JP2013250809 A JP 2013250809A JP 2012125408 A JP2012125408 A JP 2012125408A JP 2012125408 A JP2012125408 A JP 2012125408A JP 2013250809 A JP2013250809 A JP 2013250809A
- Authority
- JP
- Japan
- Prior art keywords
- group
- type
- data
- types
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Character Discrimination (AREA)
Abstract
【解決手段】酷似種が含まれる多クラスの画像や特徴データ分類で、グループ単位の識別を行う第1階層目識別器208と、グループ内の識別を行う第2階層目識別器210の、2階層の識別器が実現される。グループを決定する際、第1学習手段201によって事前に、グループ化しない状態で機械学習による識別を行う種類識別器202が生成される。次に、識別誤り集計手段204によって、この種類識別器202を用いて、識別試験が行われ、カテゴリ間で識別誤りを生じた回数が集計される。そして、グルーピング処理手段206によって、機械学習が間違いやすいカテゴリ同士がグループ化される。事前の識別誤りの集計により酷似種が自動的に仕分され、グループ間識別、グループ内識別の2階層の識別が実行される。多クラス識別器において、過学習が抑制される。
【選択図】図2
Description
図1は、本発明の一実施形態に係る多クラス識別器101のハードウェア構成例を示すブロック図である。
本実施形態における多クラス識別器101は、花などの画像の種類を第1階層目識別器208で識別し、特定の種類のグループは第2階層目識別器209でさらに詳細に識別する多階層からなる画像の識別器として実現される。
他のヒマワリとカントウタンポポ、チューリップとセイヨウタンポポ、チューリップとカントウタンポポ、ヒルガオとセイヨウタンポポ、ヒルガオとカントウタンポポ、ハマヒルガオとセイヨウタンポポ、ハマヒルガオとカントウタンポポの各対角成分同士の組合せについても、同様に集計が行われる。図5に示される混合行列データが得られる。
図6は、図3のステップS305の第2回目機械学習処理を示すフローチャート、図7は、第2回目機械学習処理の結果、本実施形態により構成される識別器の説明図である。
この階層間統合処理部212は、各グループの画像については、そのグループに対応する第1階層目識別器208の識別スコア値と第2階層目識別器210の識別スコア値に所定の倍率を乗算した値とを加算して得られる識別スコア値によって識別判定を行う。すなわち、
[総識別スコア値]=[第1階層目識別器208の識別スコア値]
+α×[第2階層目識別器210の識別スコア値]
である。例えば、
[カントウタンポポの総識別スコア値]=[タンポポグループの識別スコア値]
+α×[カントウタンポポ vs セイヨウタンポポの識別スコア値]
である。
[総識別スコア値]=[第1階層目識別器208の識別スコア値]
である。例えば、
[ヒマワリの総識別スコア値]=[ヒマワリの識別スコア値]
である。
この処理は、ステップS901において、学習用データ203が1枚分ずつ入力されながら、ステップS905で処理すべき学習用データ203がなくなったと判定されるまで、ステップS902からS904の一連の処理が実行される。
ステップS905の判定がYESならば、ステップS901の処理に戻って、ステップS901からS904の一連の処理が繰り返される。
この処理は、ステップS1001において、学習用データ203が1枚分ずつ指定されながら、ステップS1005で指定すべき学習用データ203がなくなったと判定されるまで、ステップS1002からS1004の一連の処理が実行される。
次に、その読み出された特徴情報とステップS803で算出された各クラスタの重心のRGBデータとの距離がそれぞれ算出される。そして、その算出された距離のうち最小の距離に対応するクラスタが最近傍クラスタとして抽出され、その抽出した最近傍クラスタの重心データがその特徴情報のベクトル量子化値とされ、図1のRAM104に記憶される(図10のステップS1003)。
ステップS1004の判定がYESならば、ステップS1002の処理に戻って、次の特徴情報に対して、ステップS1002とS1003の処理が繰り返し実行される。
全ての学習用データ203に対するベクトル量子化処理が完了してステップS1005の判定がNOになると、図10のフローチャートで示される図8のステップS804のベクトル量子化処理を終了する。
この処理は、ステップS1101において、学習用データ203が1枚分ずつ指定されながら、ステップS1106で指定すべき学習用データ203がなくなったと判定されるまで、ステップS1102からS1105の一連の処理が実行される。
次に、その読み出されたそのベクトル量子化値に対応する最近傍クラスタのRAM104上に記憶されているヒストグラム度数がプラス1される(図11のステップS1103)。
ステップS1104の判定がYESならば、ステップS1102の処理に戻って、次のベクトル量子化値に対して、ステップS1102とS1103の処理が繰り返し実行される。
ステップS1106の判定がYESならば、ステップS1101の処理に戻って、ステップS1101からS1105の一連の処理が繰り返される。
まず、識別すべき個別の種類または識別すべきグループを示すカテゴリが指定される(図12のステップS1201)。
ステップS1204の判定がYESならばステップS1201の処理に戻って、新たなカテゴリに対応する識別器の生成処理が実行される。
以上説明した実施形態において、識別の対象を花の画像として説明を行ったが、本発明はこれに限られるものではない。また、画像データから主要被写体領域を抽出する処理は、Graph Cuts法の処理に限られるものではなく、また、主要被写体領域の抽出は必ずしも必要とされるものではない。
(付記1)
所定の特徴を表現している特徴データの種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別器であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して前記特徴データの種類を個別に識別する種類識別器を生成する第1学習手段と、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの特徴データの種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計手段と、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用特徴データに該グループに対応するグループラベルを付与するグルーピング処理手段と、
前記グループラベルを付与したものを含む前記学習用特徴データを入力して前記特徴データのグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用特徴データを入力して該グループに属する前記所定数の種類の特徴データを個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習手段と、
を備えることを特徴とする多クラス識別器。
(付記2)
画像の種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別器であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して該データの画像の種類を個別に識別する種類識別器を生成する第1学習手段と、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの画像の種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計手段と、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用データに該グループに対応するグループラベルを付与するグルーピング処理手段と、
前記グループラベルを付与したものを含む前記学習用データを入力して該データの画像のグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用データを入力して該グループに属する前記所定数の種類の画像を個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習手段と、
を備えることを特徴とする多クラス識別器。
(付記3)
前記識別誤り集計手段において、
前記試験用データの種類の識別結果を該データの種別ラベルごとに積算する行列データであって、縦軸の各行に入力された前記試験用データの種別ラベルを割り当て、横軸の各列に識別された前記試験用データの種別ラベルを割り当て、前記各行と前記各列が交差する各要素位置に、該要素位置に対応する行に割り当てられた入力の種別ラベルを該要素位置に対応する列に割り当てられた出力の種別ラベルとして識別した回数を積算したデータを記憶させた混合行列データを生成する混合行列生成処理と、
前記混合行列データにおいて、主対角線上の要素位置以外の要素位置の各対角成分同士のデータをそれぞれ加算した各加算結果として、前記複数種類中の任意の2種類の組合せごとに該組合せに属する2種類間で相互に識別を誤った回数を集計する集計処理と、
を実行することを特徴とする付記1または2のいずれかに記載の多クラス識別器。
(付記4)
前記種類識別器、前記グループ識別器、または前記グループ内識別器の生成において、
前記学習用データのそれぞれにおいて、該学習用データに含まれる識別対象であるオブジェクトを示す主要被写体領域上で指定画素おきにRGBデータを取得してそれぞれ特徴情報として抽出する特徴抽出処理と、
前記各特徴情報を複数のクラスタにクラスタリングするクラスタイング処理と、
前記学習用データのそれぞれにおいて、前記主要被写体領域上で指定画素おきに取得した前記各特徴情報ごとに、該特徴情報と前記各クラスタの重心のRGBデータとの距離をそれぞれ算出し、該算出した距離のうち最小の距離に対応するクラスタを最近傍クラスタとして抽出し、該抽出した最近傍クラスタの重心データを該特徴情報のベクトル量子化値とするベクトル量子化処理と、
前記学習用データのそれぞれにおいて、前記主要被写体領域上で指定画素おきに取得した前記各ベクトル量子化値ごとに、該ベクトル量子化値に対応する前記最近傍クラスタのヒストグラム度数をプラス1する処理を繰り返し実行して、該学習用データに対応するヒストグラムを生成するヒストグラム生成処理と、
前記各学習用データに付与されている種別ラベルまたはグループラベルと前記各学習用データごとに生成されたヒストグラムとに基づいて、識別すべき個別の種類の画像または識別すべきグループを構成する種類の画像が入力されたときに最大の識別スコア値を出力する前記種類識別器、前記グループ識別器、または前記グループ内識別器を生成する識別器生成処理と、
を実行することを特徴とする付記2に記載の多クラス識別器。
(付記5)
前記主要被写体領域は、入力された画像データに対して、主要被写体らしさを示すエネルギー関数を用いるGraph Cuts法のアルゴリズムに従って、背景領域との間で分割して取得される、
ことを特徴とする付記4に記載の多クラス識別器。
(付記6)
前記第2学習手段は、前記各グループを、該グループに対応する前記第1階層目識別器の識別スコア値と前記第2階層目識別器の識別スコア値に所定の倍率を乗算した値とを加算して得られる識別スコア値によって識別判定し、いずれの前記グループにも属さない種類を、該種類に対応する前記第1階層目識別器の識別スコア値によって識別判定する階層間統合処理部をさらに生成する、
ことを特徴とする付記1ないし5のいずれかに記載の多クラス識別器。
(付記7)
所定の特徴を表現している特徴データの種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別方法であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して前記特徴データの種類を個別に識別する種類識別器を生成する第1学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの特徴データの種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用特徴データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用特徴データを入力して前記特徴データのグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用特徴データを入力して該グループに属する前記所定数の種類の特徴データを個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習ステップと、
を備えることを特徴とする多クラス識別方法。
(付記8)
画像の種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別方法であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して該データの画像の種類を個別に識別する種類識別器を生成する第1回目機械学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの画像の種類を個別に識別し、前記複数種類中の任意の前記所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用データを入力して該データの画像のグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用データを入力して該グループに属する前記所定数の種類の画像を個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2回目機械学習ステップと、
を備えることを特徴とする多クラス識別方法。
(付記9)
所定の特徴を表現している特徴データの種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別処理を実行するコンピュータに、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して前記特徴データの種類を個別に識別する種類識別器を生成する第1学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの特徴データの種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用特徴データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用特徴データを入力して前記特徴データのグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用特徴データを入力して該グループに属する前記所定数の種類の特徴データを個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習ステップと、
を実行させるためのプログラム。
(付記10)
画像の種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別処理を実行するコンピュータに、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して該データの画像の種類を個別に識別する種類識別器を生成する第1回目機械学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの画像の種類を個別に識別し、前記複数種類中の任意の前記所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用データを入力して該データの画像のグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用データを入力して該グループに属する前記所定数の種類の画像を個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2回目機械学習ステップと、
を実行させるためのプログラム。
102 CPU
103 ROM
104 RAM
105 外部記憶装置
106 通信インタフェース
107 入力装置
108 出力装置
109 可搬記録媒体駆動装置
110 可搬記録媒体
111 バス
201 第1学習手段
202 種類識別器
203 学習用データ
204 識別誤り集計手段
205 試験用データ
206 グルーピング処理手段
207 第2学習手段
208 第1階層目識別器
209 グループ識別器
210 第2階層目識別器
211 グループ内識別器
212 階層間統合処理部
501 グループ化対象
701 入力画像データから抽出された特徴情報
1301 positiveデータ群
1302 negativeデータ群
1303 識別境界
Claims (10)
- 所定の特徴を表現している特徴データの種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別器であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して前記特徴データの種類を個別に識別する種類識別器を生成する第1学習手段と、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの特徴データの種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計手段と、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用特徴データに該グループに対応するグループラベルを付与するグルーピング処理手段と、
前記グループラベルを付与したものを含む前記学習用特徴データを入力して前記特徴データのグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用特徴データを入力して該グループに属する前記所定数の種類の特徴データを個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習手段と、
を備えることを特徴とする多クラス識別器。 - 画像の種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別器であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して該データの画像の種類を個別に識別する種類識別器を生成する第1学習手段と、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの画像の種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計手段と、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用データに該グループに対応するグループラベルを付与するグルーピング処理手段と、
前記グループラベルを付与したものを含む前記学習用データを入力して該データの画像のグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用データを入力して該グループに属する前記所定数の種類の画像を個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習手段と、
を備えることを特徴とする多クラス識別器。 - 前記識別誤り集計手段において、
前記試験用データの種類の識別結果を該データの種別ラベルごとに積算する行列データであって、縦軸の各行に入力された前記試験用データの種別ラベルを割り当て、横軸の各列に識別された前記試験用データの種別ラベルを割り当て、前記各行と前記各列が交差する各要素位置に、該要素位置に対応する行に割り当てられた入力の種別ラベルを該要素位置に対応する列に割り当てられた出力の種別ラベルとして識別した回数を積算したデータを記憶させた混合行列データを生成する混合行列生成処理と、
前記混合行列データにおいて、主対角線上の要素位置以外の要素位置の各対角成分同士のデータをそれぞれ加算した各加算結果として、前記複数種類中の任意の2種類の組合せごとに該組合せに属する2種類間で相互に識別を誤った回数を集計する集計処理と、
を実行することを特徴とする請求項1または2のいずれかに記載の多クラス識別器。 - 前記種類識別器、前記グループ識別器、または前記グループ内識別器の生成において、
前記学習用データのそれぞれにおいて、該学習用データに含まれる識別対象であるオブジェクトを示す主要被写体領域上で指定画素おきにRGBデータを取得してそれぞれ特徴情報として抽出する特徴抽出処理と、
前記各特徴情報を複数のクラスタにクラスタリングするクラスタイング処理と、
前記学習用データのそれぞれにおいて、前記主要被写体領域上で指定画素おきに取得した前記各特徴情報ごとに、該特徴情報と前記各クラスタの重心のRGBデータとの距離をそれぞれ算出し、該算出した距離のうち最小の距離に対応するクラスタを最近傍クラスタとして抽出し、該抽出した最近傍クラスタの重心データを該特徴情報のベクトル量子化値とするベクトル量子化処理と、
前記学習用データのそれぞれにおいて、前記主要被写体領域上で指定画素おきに取得した前記各ベクトル量子化値ごとに、該ベクトル量子化値に対応する前記最近傍クラスタのヒストグラム度数をプラス1する処理を繰り返し実行して、該学習用データに対応するヒストグラムを生成するヒストグラム生成処理と、
前記各学習用データに付与されている種別ラベルまたはグループラベルと前記各学習用データごとに生成されたヒストグラムとに基づいて、識別すべき個別の種類の画像または識別すべきグループを構成する種類の画像が入力されたときに最大の識別スコア値を出力する前記種類識別器、前記グループ識別器、または前記グループ内識別器を生成する識別器生成処理と、
を実行することを特徴とする請求項2に記載の多クラス識別器。 - 前記主要被写体領域は、入力された画像データに対して、主要被写体らしさを示すエネルギー関数を用いるGraph Cuts法のアルゴリズムに従って、背景領域との間で分割して取得される、
ことを特徴とする請求項4に記載の多クラス識別器。 - 前記第2学習手段は、前記各グループを、該グループに対応する前記第1階層目識別器の識別スコア値と前記第2階層目識別器の識別スコア値に所定の倍率を乗算した値とを加算して得られる識別スコア値によって識別判定し、いずれの前記グループにも属さない種類を、該種類に対応する前記第1階層目識別器の識別スコア値によって識別判定する階層間統合処理部をさらに生成する、
ことを特徴とする請求項1ないし5のいずれかに記載の多クラス識別器。 - 所定の特徴を表現している特徴データの種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別方法であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して前記特徴データの種類を個別に識別する種類識別器を生成する第1学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの特徴データの種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用特徴データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用特徴データを入力して前記特徴データのグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用特徴データを入力して該グループに属する前記所定数の種類の特徴データを個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習ステップと、
を備えることを特徴とする多クラス識別方法。 - 画像の種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別方法であって、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して該データの画像の種類を個別に識別する種類識別器を生成する第1回目機械学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの画像の種類を個別に識別し、前記複数種類中の任意の前記所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用データを入力して該データの画像のグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用データを入力して該グループに属する前記所定数の種類の画像を個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2回目機械学習ステップと、
を備えることを特徴とする多クラス識別方法。 - 所定の特徴を表現している特徴データの種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別処理を実行するコンピュータに、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して前記特徴データの種類を個別に識別する種類識別器を生成する第1学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの特徴データの種類を個別に識別し、前記複数種類中の任意の所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用特徴データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用特徴データを入力して前記特徴データのグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用特徴データを入力して該グループに属する前記所定数の種類の特徴データを個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2学習ステップと、
を実行させるためのプログラム。 - 画像の種類を第1階層目識別器で識別し特定の種類のグループは第2階層目識別器でさらに詳細に識別する多クラス識別処理を実行するコンピュータに、
複数種類中のいずれかに対応する種別ラベルを付与した学習用データを入力して該データの画像の種類を個別に識別する種類識別器を生成する第1回目機械学習ステップと、
いずれかの前記種別ラベルを付与した試験用データを前記種類識別器に入力して該データの画像の種類を個別に識別し、前記複数種類中の任意の前記所定数の種類の組合せごとに該組合せに属する前記所定数の種類間で相互に識別を誤った回数を集計する識別誤り集計ステップと、
前記集計の結果が所定の閾値以上となる組合せのグループごとに、該グループに属する前記所定数の種類のいずれかに対応する種別ラベルを有する前記学習用データに該グループに対応するグループラベルを付与するグルーピング処理ステップと、
前記グループラベルを付与したものを含む前記学習用データを入力して該データの画像のグループを識別するグループ識別器を生成し、前記グループに属さない種類を個別に識別する前記種類識別器と合わせて前記第1階層目識別器を構成すると共に、前記グループごとに、前記学習用データを入力して該グループに属する前記所定数の種類の画像を個別に識別するグループ内識別器を生成して前記第2階層目識別器を構成する第2回目機械学習ステップと、
を実行させるためのプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012125408A JP5660078B2 (ja) | 2012-05-31 | 2012-05-31 | 多クラス識別器、方法、およびプログラム |
US13/904,911 US9098775B2 (en) | 2012-05-31 | 2013-05-29 | Multi-class identifier, method, and computer-readable recording medium |
CN201310213817.2A CN103455542B (zh) | 2012-05-31 | 2013-05-31 | 多类识别器以及多类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012125408A JP5660078B2 (ja) | 2012-05-31 | 2012-05-31 | 多クラス識別器、方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013250809A true JP2013250809A (ja) | 2013-12-12 |
JP5660078B2 JP5660078B2 (ja) | 2015-01-28 |
Family
ID=49670320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012125408A Active JP5660078B2 (ja) | 2012-05-31 | 2012-05-31 | 多クラス識別器、方法、およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US9098775B2 (ja) |
JP (1) | JP5660078B2 (ja) |
CN (1) | CN103455542B (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015204043A (ja) * | 2014-04-15 | 2015-11-16 | Kddi株式会社 | 多クラス識別器構築装置、方法及びプログラム |
EP2945102A1 (en) | 2014-05-15 | 2015-11-18 | Ricoh Company, Ltd. | Image processing apparatus, method of processing image, and program |
JP2016099734A (ja) * | 2014-11-19 | 2016-05-30 | キヤノン株式会社 | 画像処理装置、情報処理方法及びプログラム |
JP2018041300A (ja) * | 2016-09-08 | 2018-03-15 | 富士ゼロックス株式会社 | 機械学習用モデル生成装置及びプログラム。 |
JP2019016298A (ja) * | 2017-07-10 | 2019-01-31 | キヤノン株式会社 | 画像処理装置、画像処理方法 |
CN110385282A (zh) * | 2019-07-10 | 2019-10-29 | 浙江大学 | 机械装配中基于深度学习的多余物视觉检测系统与方法 |
WO2020054028A1 (ja) * | 2018-09-13 | 2020-03-19 | 株式会社島津製作所 | データ解析装置 |
KR20200040431A (ko) * | 2018-10-10 | 2020-04-20 | 현대자동차주식회사 | 차량용 허위 타겟 판별 장치 및 그의 허위 타겟 판별 방법과 그를 포함하는 차량 |
JP2020522077A (ja) * | 2017-07-20 | 2020-07-27 | 北京三快在線科技有限公司Beijing Sankuai Online Technology Co.,Ltd. | 画像特徴の取得 |
JPWO2021090518A1 (ja) * | 2019-11-08 | 2021-05-14 | ||
JP7148689B1 (ja) | 2021-06-09 | 2022-10-05 | 京セラ株式会社 | 認識器学習装置、認識装置、電子機器、及び学習方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5765583B2 (ja) * | 2012-10-26 | 2015-08-19 | カシオ計算機株式会社 | 多クラス識別器、多クラス識別方法、及びプログラム |
CN104468273A (zh) * | 2014-12-12 | 2015-03-25 | 北京百度网讯科技有限公司 | 识别流量数据的应用类型的方法及系统 |
AU2015203570A1 (en) * | 2015-06-26 | 2017-01-19 | Canon Kabushiki Kaisha | Method, system and apparatus for segmenting an image set to generate a plurality of event clusters |
KR20180056174A (ko) * | 2016-11-18 | 2018-05-28 | 삼성전자주식회사 | 콘텐츠 처리 방법 및 이를 지원하는 전자 장치 |
JP6725452B2 (ja) * | 2017-05-26 | 2020-07-22 | 日本電信電話株式会社 | 分類装置、分類方法および分類プログラム |
JP7075056B2 (ja) * | 2018-12-27 | 2022-05-25 | オムロン株式会社 | 画像判定装置、画像判定方法及び画像判定プログラム |
TWI716926B (zh) * | 2019-07-05 | 2021-01-21 | 所羅門股份有限公司 | 物件姿態辨識方法及系統與電腦程式產品 |
CN110458107B (zh) * | 2019-08-13 | 2023-06-16 | 北京百度网讯科技有限公司 | 用于图像识别的方法和装置 |
CN110781957B (zh) * | 2019-10-24 | 2023-05-30 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN112232524B (zh) * | 2020-12-14 | 2021-06-29 | 北京沃东天骏信息技术有限公司 | 多标签信息的识别方法、装置、电子设备和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05314090A (ja) * | 1992-05-14 | 1993-11-26 | Hitachi Ltd | ニューラルネットを用いたパターン認識方法およびその装置 |
JPH06259565A (ja) * | 1993-03-10 | 1994-09-16 | N T T Data Tsushin Kk | パタ−ン認識辞書作成システム |
JPH11296496A (ja) * | 1998-04-09 | 1999-10-29 | Hitachi Ltd | パターン認識装置 |
JP2010287091A (ja) * | 2009-06-12 | 2010-12-24 | Nagoya City Univ | 情報処理方法および情報処理装置 |
JP2011170745A (ja) * | 2010-02-22 | 2011-09-01 | Burein:Kk | パンの識別装置とそのプログラム |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3918143B2 (ja) | 2000-12-28 | 2007-05-23 | 独立行政法人科学技術振興機構 | 植物認識システム |
US6915011B2 (en) | 2001-03-28 | 2005-07-05 | Eastman Kodak Company | Event clustering of images using foreground/background segmentation |
US7362919B2 (en) * | 2002-12-12 | 2008-04-22 | Eastman Kodak Company | Method for generating customized photo album pages and prints based on people and gender profiles |
JP2005267607A (ja) | 2004-02-20 | 2005-09-29 | Fuji Photo Film Co Ltd | デジタル図鑑システム、図鑑検索方法、及び図鑑検索プログラム |
JP4631005B2 (ja) | 2005-07-15 | 2011-02-16 | 公立大学法人大阪府立大学 | 付加情報を用いたパターン認識に係るプログラム、装置および方法 |
CN101221623B (zh) * | 2008-01-30 | 2011-11-23 | 北京中星微电子有限公司 | 一种物体类型的在线训练和识别方法及其系统 |
US9639780B2 (en) * | 2008-12-22 | 2017-05-02 | Excalibur Ip, Llc | System and method for improved classification |
US20100260255A1 (en) * | 2009-04-13 | 2010-10-14 | Krishna Sannidhi | Method and system for clustered fallback for frame rate up-conversion (fruc) for digital televisions |
JP2011035636A (ja) | 2009-07-31 | 2011-02-17 | Casio Computer Co Ltd | 画像処理装置及び方法 |
CN102147851B (zh) * | 2010-02-08 | 2014-06-04 | 株式会社理光 | 多角度特定物体判断设备及多角度特定物体判断方法 |
CN102043963A (zh) * | 2010-12-06 | 2011-05-04 | 河海大学 | 一种图像人数识别统计方法 |
CN102324038B (zh) * | 2011-09-06 | 2014-04-16 | 北京林业大学 | 一种基于数字图像的植物种类识别方法 |
-
2012
- 2012-05-31 JP JP2012125408A patent/JP5660078B2/ja active Active
-
2013
- 2013-05-29 US US13/904,911 patent/US9098775B2/en active Active
- 2013-05-31 CN CN201310213817.2A patent/CN103455542B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05314090A (ja) * | 1992-05-14 | 1993-11-26 | Hitachi Ltd | ニューラルネットを用いたパターン認識方法およびその装置 |
JPH06259565A (ja) * | 1993-03-10 | 1994-09-16 | N T T Data Tsushin Kk | パタ−ン認識辞書作成システム |
JPH11296496A (ja) * | 1998-04-09 | 1999-10-29 | Hitachi Ltd | パターン認識装置 |
JP2010287091A (ja) * | 2009-06-12 | 2010-12-24 | Nagoya City Univ | 情報処理方法および情報処理装置 |
JP2011170745A (ja) * | 2010-02-22 | 2011-09-01 | Burein:Kk | パンの識別装置とそのプログラム |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015204043A (ja) * | 2014-04-15 | 2015-11-16 | Kddi株式会社 | 多クラス識別器構築装置、方法及びプログラム |
EP2945102A1 (en) | 2014-05-15 | 2015-11-18 | Ricoh Company, Ltd. | Image processing apparatus, method of processing image, and program |
US9911067B2 (en) | 2014-05-15 | 2018-03-06 | Ricoh Company, Ltd. | Image processing apparatus, method of processing image, and program |
JP2016099734A (ja) * | 2014-11-19 | 2016-05-30 | キヤノン株式会社 | 画像処理装置、情報処理方法及びプログラム |
JP2018041300A (ja) * | 2016-09-08 | 2018-03-15 | 富士ゼロックス株式会社 | 機械学習用モデル生成装置及びプログラム。 |
JP2019016298A (ja) * | 2017-07-10 | 2019-01-31 | キヤノン株式会社 | 画像処理装置、画像処理方法 |
JP7142420B2 (ja) | 2017-07-10 | 2022-09-27 | キヤノン株式会社 | 画像処理装置、学習方法、学習済モデル、画像処理方法 |
JP2020522077A (ja) * | 2017-07-20 | 2020-07-27 | 北京三快在線科技有限公司Beijing Sankuai Online Technology Co.,Ltd. | 画像特徴の取得 |
US11282295B2 (en) | 2017-07-20 | 2022-03-22 | Beijing Sankuai Online Technology Co., Ltd | Image feature acquisition |
WO2020054028A1 (ja) * | 2018-09-13 | 2020-03-19 | 株式会社島津製作所 | データ解析装置 |
KR20200040431A (ko) * | 2018-10-10 | 2020-04-20 | 현대자동차주식회사 | 차량용 허위 타겟 판별 장치 및 그의 허위 타겟 판별 방법과 그를 포함하는 차량 |
KR102545105B1 (ko) * | 2018-10-10 | 2023-06-19 | 현대자동차주식회사 | 차량용 허위 타겟 판별 장치 및 그의 허위 타겟 판별 방법과 그를 포함하는 차량 |
CN110385282A (zh) * | 2019-07-10 | 2019-10-29 | 浙江大学 | 机械装配中基于深度学习的多余物视觉检测系统与方法 |
JPWO2021090518A1 (ja) * | 2019-11-08 | 2021-05-14 | ||
WO2021090484A1 (ja) * | 2019-11-08 | 2021-05-14 | 日本電気株式会社 | 学習装置、情報統合システム、学習方法、及び、記録媒体 |
JP7287490B2 (ja) | 2019-11-08 | 2023-06-06 | 日本電気株式会社 | 学習装置、学習方法、及び、プログラム |
WO2021090518A1 (ja) * | 2019-11-08 | 2021-05-14 | 日本電気株式会社 | 学習装置、情報統合システム、学習方法、及び、記録媒体 |
JP7148689B1 (ja) | 2021-06-09 | 2022-10-05 | 京セラ株式会社 | 認識器学習装置、認識装置、電子機器、及び学習方法 |
JP2022188780A (ja) * | 2021-06-09 | 2022-12-21 | 京セラ株式会社 | 認識器学習装置、認識装置、電子機器、及び学習方法 |
JP2022188725A (ja) * | 2021-06-09 | 2022-12-21 | 京セラ株式会社 | 認識器学習装置、認識装置、電子機器、及び学習方法 |
JP7260706B2 (ja) | 2021-06-09 | 2023-04-18 | 京セラ株式会社 | 認識器学習装置、認識装置、電子機器、及び学習方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103455542A (zh) | 2013-12-18 |
JP5660078B2 (ja) | 2015-01-28 |
CN103455542B (zh) | 2016-07-27 |
US9098775B2 (en) | 2015-08-04 |
US20130322743A1 (en) | 2013-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5660078B2 (ja) | 多クラス識別器、方法、およびプログラム | |
Zhao et al. | Learning mid-level filters for person re-identification | |
US20160260014A1 (en) | Learning method and recording medium | |
WO2019163985A1 (ja) | 特徴表現装置、特徴表現方法、およびプログラム | |
RU2693916C1 (ru) | Распознавание символов с использованием иерархической классификации | |
WO2018134964A1 (ja) | 画像検索システム、画像検索方法およびプログラム | |
Zhang et al. | Automatic discrimination of text and non-text natural images | |
Voravuthikunchai et al. | Histograms of pattern sets for image classification and object recognition | |
CN110008899A (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
Gupta et al. | Visual semantic-based representation learning using deep CNNs for scene recognition | |
CN113536020B (zh) | 数据查询的方法、存储介质和计算机程序产品 | |
JP2014115920A (ja) | 多クラス識別器、方法、及びプログラム | |
JP4802176B2 (ja) | パターン認識装置、パターン認識プログラム及びパターン認識方法 | |
JP5765583B2 (ja) | 多クラス識別器、多クラス識別方法、及びプログラム | |
JP5892275B2 (ja) | 多クラス識別器生成装置、データ識別装置、多クラス識別器生成方法、データ識別方法、及びプログラム | |
KR102005952B1 (ko) | 기계학습 모델링에서 잡음 데이터 제거를 위한 데이터 정제 장치 및 방법 | |
Feng et al. | Histogram contextualization | |
Das et al. | An ensemble method of feature selection and classification of Odia characters | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
Wu et al. | Automatic leaf recognition from a big hierarchical image database | |
Ko et al. | View-independent object detection using shared local features | |
JP6659120B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN115050044A (zh) | 一种基于MLP-Mixer的跨模态行人重识别方法 | |
CN110956177A (zh) | 一种混合型验证码的识别方法及系统 | |
Mhiri et al. | Query-by-example word spotting using multiscale features and classification in the space of representation differences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140415 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140507 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140609 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20141104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141117 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5660078 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |