JP2016024503A - クラス分類装置、方法、及びプログラム - Google Patents
クラス分類装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP2016024503A JP2016024503A JP2014146173A JP2014146173A JP2016024503A JP 2016024503 A JP2016024503 A JP 2016024503A JP 2014146173 A JP2014146173 A JP 2014146173A JP 2014146173 A JP2014146173 A JP 2014146173A JP 2016024503 A JP2016024503 A JP 2016024503A
- Authority
- JP
- Japan
- Prior art keywords
- class
- case
- unit
- classifier
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
まず、本発明の実施の形態の原理について説明する。本実施の形態においては、既知のデータから、ランダム分割により、サブ訓練事例集合と検証事例集合をN対生成し、各対に対し、サブ訓練事例集合と検証事例集合を基に、多数のクラスを、複数のクラス集合に、階層的に分割し、クラス階層を生成する。結果的に、N個のクラス階層が生成される。また、クラス階層の内部ノード(Inner Node)は、クラス集合に相当し、葉ノード(Leaf Node)は、単一のクラスに相当する。
次に、本発明の第1の実施の形態に係るクラス分類装置の構成について説明する。図1に示すように、本発明の第1の実施の形態に係るクラス分類装置100は、CPUと、RAMと、後述する階層型分類器訓練処理ルーチン及びクラス分類処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。このクラス分類装置100は、機能的には図1に示すように入力部10と、演算部20と、を備えている。
次に、本発明の第1の実施の形態に係るクラス分類装置100の作用について説明する。入力部10において既知データを受け付けると、クラス分類装置100は、図3に示す階層型分類器訓練処理ルーチンを実行する。また、階層型分類器訓練処理ルーチン終了後に、入力部10において分類対象である事例を受け付けると、図4に示すクラス分類装置は、クラス分類処理ルーチンを実行する。
次に、本発明の第2の実施の形態に係るクラス分類装置の構成について説明する。図5に示すように、本発明の第2の実施の形態に係るクラス分類装置200は、CPUと、RAMと、後述する階層型分類器訓練処理ルーチン及びクラス分類処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。このクラス分類装置200は、機能的には図5に示すように入力部10と、演算部220と、を備えている。
20 演算部
22 事例分割部
24 事例セット記憶部
30 クラス階層構築部
32 多クラス分類器訓練部
34 多クラス分類部
36 クラスタリング部
40 階層型分類器訓練部
50 階層型分類器記憶部
60 確率計算部
62 確率結合部
90 出力部
100 クラス分類装置
200 クラス分類装置
220 演算部
230 クラス階層構築部
234 多クラス分類部
Claims (6)
- 事例と前記事例が属するクラスを表すクラスラベルとの複数のペアからなる既知データをサブ訓練事例集合と検証事例集合とに分割する処理を予め定められた回数行い、前記サブ訓練事例集合と前記検証事例集合とのペアである事例セットを予め定められた数だけ作成する事例分割部と、
前記事例分割部により作成された事例セットの各々について、前記事例セットの前記サブ訓練事例集合に含まれる前記事例の各々と、前記事例のクラスラベルの各々とに基づいて、事例を複数のクラスのうちの何れか1つに分類するための多クラス分類器を訓練する多クラス分類器訓練部と、
前記事例分割部により作成された事例セットの各々について、前記多クラス分類器訓練部により訓練された多クラス分類器に基づいて、前記事例セットの前記検証事例集合に含まれる前記事例の各々を分類した結果の各々と、前記検証事例集合に含まれる前記事例の各々の前記クラスラベルの各々と、に基づいて、前記クラスのペアの各々についての、一方のクラスに属する事例が他方のクラスに分類されることを表す各要素からなる混同行列を作成する多クラス分類部と、
前記事例分割部により作成された事例セットの各々について、前記多クラス分類部により作成された混同行列に基づいて、前記複数のクラスを、階層的に分類し、分類された前記クラスの集合を表す内部ノードの各々と、前記クラスを表す葉ノードの各々とを含むノードの各々について、親子関係にあるノード間をエッジで結んだクラス階層構造を作成するクラスタリング部と、
前記事例分割部により作成された事例セットの各々について、前記クラスタリング部により作成されたクラス階層構造に含まれる前記内部ノードの各々について、前記既知データに含まれる、前記内部ノードが表す前記クラスの集合に含まれるクラスの各々に属する事例の各々と、前記事例のクラスラベルの各々とに基づいて、事例を、前記内部ノードの子ノードである各内部ノードが表す前記クラスの集合のうちの何れか1つ、又は前記内部ノードの子ノードである各葉ノードが表すクラスのうちの何れか1つに分類するための内部ノード多クラス分類器を訓練し、前記訓練され前記内部ノードの各々についての内部ノード多クラス分類器からなる階層型分類器を取得する階層型分類器訓練部と、
入力された分類対象となる事例に基づいて、前記階層型分類器訓練部により前記事例セットの各々について訓練された前記階層型分類器の各々に対し、前記階層型分類器を用いて、前記分類対象となる事例が、前記葉ノードが表すクラスの各々に属する確率を計算する確率計算部と、
各葉ノードが表すクラスの各々について、前記確率計算部により前記階層型分類器の各々に対して計算された前記葉ノードが表すクラスに属する確率を結合する確率結合部と、
前記確率結合部により結合された前記クラスに属する確率が最も高い前記クラスを、前記分類対象となる事例が属するクラスとして出力する出力部と、
を含む、クラス分類装置。 - 前記多クラス分類部は、前記混同行列の各要素M(i,j)を、前記検証事例集合に含まれる前記クラスiに属する前記事例の数に対する、前記検証事例集合に含まれる前記クラスiに属する事例のうちの、前記クラスjに分類された事例の数の割合と、前記検証事例集合に含まれる前記クラスjに属する前記事例の数に対する、前記検証事例集合に含まれる前記クラスjに属する事例のうちの、前記クラスiに分類された事例の数の割合との和として作成する請求項1記載のクラス分類装置。
- 前記多クラス分類器訓練部は、サポートベクターマシンである多クラス分類器を訓練し、
前記多クラス分類部は、前記混同行列の各要素M(i,j)の各々を、前記検証事例集合に含まれる前記クラスiに属する前記事例の各々についての、前記多クラス分類器訓練部によって訓練された多クラス分類器によりクラスiについて出力される値に基づいて計算される、前記事例がクラスiに属する確率の平均値と、前記検証事例集合に含まれる前記クラスjに属する前記事例の各々についての、前記多クラス分類器訓練部によって訓練された多クラス分類器によりクラスjについて出力される値に基づいて計算される、前記事例がクラスjに属する確率の平均値との和として作成する請求項1記載のクラス分類装置。 - 前記確率計算部は、前記階層型分類器訓練部により前記事例セットの各々について訓練された前記階層型分類器の各々に対し、前記階層型分類器を用いて、前記葉ノードが表すクラスの各々について、前記クラス階層構造の前記葉ノードから根ノードまでに存在する前記内部ノードの各々について、前記内部ノードの前記内部ノード多クラス分類器に基づく、前記分類対象の事例が前記クラスを表す葉ノードを子孫に持つ内部ノード又は前記クラスを表す葉ノードに属する条件付き確率を計算し、前記計算した前記条件付き確率の各々の積を、前記葉ノードが表すクラスに属する確率として計算し、
前記確率結合部は、各葉ノードが表すクラスの各々について、前記確率計算部により前記事例セットの各々に対して計算された前記葉ノードが表すクラスに属する確率の総和を計算することにより、前記葉ノードが表すクラスに属する確率を結合する請求項1〜3の何れか1項記載のクラス分類装置。 - 事例分割部と、多クラス分類器訓練部と、多クラス分類部と、クラスタリング部と、階層型分類器訓練部と、確率計算部と、確率結合部と、出力部と、を含むクラス分類装置におけるクラス分類方法であって、
前記事例分割部は、事例と前記事例が属するクラスを表すクラスラベルとの複数のペアからなる既知データをサブ訓練事例集合と検証事例集合とに分割する処理を予め定められた回数行い、前記サブ訓練事例集合と前記検証事例集合とのペアである事例セットを予め定められた数だけ作成し、
前記事例分割部により作成された事例セットの各々について、
前記多クラス分類器訓練部は、前記事例セットの前記サブ訓練事例集合に含まれる前記事例の各々と、前記事例のクラスラベルの各々とに基づいて、事例を複数のクラスのうちの何れか1つに分類するための多クラス分類器を訓練し、
前記多クラス分類部は、前記多クラス分類器訓練部により訓練された多クラス分類器に基づいて、前記事例セットの前記検証事例集合に含まれる前記事例の各々を分類した結果の各々と、前記検証事例集合に含まれる前記事例の各々の前記クラスラベルの各々と、に基づいて、前記クラスのペアの各々についての、一方のクラスに属する事例が他方のクラスに分類されることを表す各要素からなる混同行列を作成し、
前記クラスタリング部は、前記多クラス分類部により作成された混同行列に基づいて、前記複数のクラスを、階層的に分類し、分類された前記クラスの集合を表す内部ノードの各々と、前記クラスを表す葉ノードの各々とを含むノードの各々について、親子関係にあるノード間をエッジで結んだクラス階層構造を作成し、
前記階層型分類器訓練部は、前記クラスタリング部により作成されたクラス階層構造に含まれる前記内部ノードの各々について、前記既知データに含まれる、前記内部ノードが表す前記クラスの集合に含まれるクラスの各々に属する事例の各々と、前記事例のクラスラベルの各々とに基づいて、事例を、前記内部ノードの子ノードである各内部ノードが表す前記クラスの集合のうちの何れか1つ、又は前記内部ノードの子ノードである各葉ノードが表すクラスのうちの何れか1つに分類するための内部ノード多クラス分類器を訓練し、前記訓練され前記内部ノードの各々についての内部ノード多クラス分類器からなる階層型分類器を取得し、
前記確率計算部は、入力された分類対象となる事例に基づいて、前記階層型分類器訓練部により前記事例セットの各々について訓練された前記階層型分類器の各々に対し、前記階層型分類器を用いて、前記分類対象となる事例が、前記葉ノードが表すクラスの各々に属する確率を計算し、
前記確率結合部は、各葉ノードが表すクラスの各々について、前記確率計算部により前記階層型分類器の各々に対して計算された前記葉ノードが表すクラスに属する確率を結合し、
前記出力部は、前記確率結合部により結合された前記クラスに属する確率が最も高い前記クラスを、前記分類対象となる事例が属するクラスとして出力する
クラス分類方法。 - コンピュータを、請求項1〜請求項4の何れか1項記載のクラス分類装置を構成する各部として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014146173A JP6163461B2 (ja) | 2014-07-16 | 2014-07-16 | クラス分類装置、方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014146173A JP6163461B2 (ja) | 2014-07-16 | 2014-07-16 | クラス分類装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016024503A true JP2016024503A (ja) | 2016-02-08 |
JP6163461B2 JP6163461B2 (ja) | 2017-07-12 |
Family
ID=55271244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014146173A Active JP6163461B2 (ja) | 2014-07-16 | 2014-07-16 | クラス分類装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6163461B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017146957A (ja) * | 2016-02-19 | 2017-08-24 | トヨタ自動車株式会社 | 深層畳み込みニューラルネットワークによるレイヤベースの物体検出の強化 |
KR101882743B1 (ko) * | 2017-04-17 | 2018-08-30 | 인하대학교 산학협력단 | 콘볼루션 신경망 기반-계층적 특징 모델링을 이용한 효율적인 객체 검출 방법 |
CN108664927A (zh) * | 2018-05-10 | 2018-10-16 | 林丽惠 | 基于全自动支持向量机的武夷岩茶叶片图像分类方法 |
CN110362677A (zh) * | 2019-05-31 | 2019-10-22 | 平安科技(深圳)有限公司 | 文本数据类别的识别方法及装置、存储介质、计算机设备 |
CN111402383A (zh) * | 2020-03-23 | 2020-07-10 | 中建八局科技建设有限公司 | 应用于Houdini的Revit模型处理方法 |
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 |
CN112088380A (zh) * | 2018-06-07 | 2020-12-15 | 法弗人工智能有限公司 | 图像分割 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0962793A (ja) * | 1995-08-18 | 1997-03-07 | Internatl Business Mach Corp <Ibm> | 混同行列介在ワード予測 |
JPH11250100A (ja) * | 1998-02-27 | 1999-09-17 | Nec Corp | 階層型文章分類装置およびプログラムを記録した機械読み取り可能な記録媒体 |
-
2014
- 2014-07-16 JP JP2014146173A patent/JP6163461B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0962793A (ja) * | 1995-08-18 | 1997-03-07 | Internatl Business Mach Corp <Ibm> | 混同行列介在ワード予測 |
JPH11250100A (ja) * | 1998-02-27 | 1999-09-17 | Nec Corp | 階層型文章分類装置およびプログラムを記録した機械読み取り可能な記録媒体 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017146957A (ja) * | 2016-02-19 | 2017-08-24 | トヨタ自動車株式会社 | 深層畳み込みニューラルネットワークによるレイヤベースの物体検出の強化 |
KR101882743B1 (ko) * | 2017-04-17 | 2018-08-30 | 인하대학교 산학협력단 | 콘볼루션 신경망 기반-계층적 특징 모델링을 이용한 효율적인 객체 검출 방법 |
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 |
CN108664927A (zh) * | 2018-05-10 | 2018-10-16 | 林丽惠 | 基于全自动支持向量机的武夷岩茶叶片图像分类方法 |
CN108664927B (zh) * | 2018-05-10 | 2021-08-17 | 武夷学院 | 基于全自动支持向量机的武夷岩茶叶片图像分类方法 |
CN112088380A (zh) * | 2018-06-07 | 2020-12-15 | 法弗人工智能有限公司 | 图像分割 |
CN110362677A (zh) * | 2019-05-31 | 2019-10-22 | 平安科技(深圳)有限公司 | 文本数据类别的识别方法及装置、存储介质、计算机设备 |
CN111402383A (zh) * | 2020-03-23 | 2020-07-10 | 中建八局科技建设有限公司 | 应用于Houdini的Revit模型处理方法 |
CN111402383B (zh) * | 2020-03-23 | 2024-02-13 | 中建八局科技建设有限公司 | 应用于Houdini的Revit模型处理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6163461B2 (ja) | 2017-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6163461B2 (ja) | クラス分類装置、方法、及びプログラム | |
US9002101B2 (en) | Recognition device, recognition method, and computer program product | |
US9805138B2 (en) | Efficient calculation of all-pair path-based distance measures | |
JP6004016B2 (ja) | 情報変換方法、情報変換装置および情報変換プログラム | |
JP6566397B2 (ja) | 認識装置、実数行列分解方法、認識方法 | |
JP2015158712A (ja) | 学習装置、密度計測装置、学習方法、学習プログラム、及び密度計測システム | |
JP6004015B2 (ja) | 学習方法、情報処理装置および学習プログラム | |
CN112651418B (zh) | 数据分类方法、分类器训练方法及系统 | |
JP2016095640A (ja) | 密度計測装置、密度計測方法、およびプログラム | |
Zhai et al. | Direct 0-1 loss minimization and margin maximization with boosting | |
Mandlik et al. | Mapping the internet: Modelling entity interactions in complex heterogeneous networks | |
Da San Martino et al. | QCRI at SemEval-2016 Task 4: Probabilistic methods for binary and ordinal quantification | |
JP6259671B2 (ja) | 関連性判定装置、関連性判定プログラム、及び関連性判定方法 | |
US9792561B2 (en) | Learning method, information conversion device, and recording medium | |
Li et al. | A classifier fusion method based on classifier accuracy | |
Yellamraju et al. | Benchmarks for image classification and other high-dimensional pattern recognition problems | |
Krishnaveni et al. | Classifier fusion based on Bayes aggregation method for Indian sign language datasets | |
He | Analysis of rare categories | |
JP7395396B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Baranwal et al. | Weighted kernel deterministic annealing: A maximum-entropy principle approach for shape clustering | |
JP6973733B2 (ja) | 特許情報処理装置、特許情報処理方法およびプログラム | |
Maddouri et al. | Geometric Affinity Propagation for Clustering With Network Knowledge | |
Gupta et al. | A Concept of A-KNN Clustering in Software Engineering | |
Moran | Learning to hash for large scale image retrieval | |
Bögli | Statistical vs. Structural Pattern Recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160721 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170530 |
|
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: 20170613 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170619 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6163461 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |