JP2016042359A - 認識装置、実数行列分解方法、認識方法 - Google Patents
認識装置、実数行列分解方法、認識方法 Download PDFInfo
- Publication number
- JP2016042359A JP2016042359A JP2015160021A JP2015160021A JP2016042359A JP 2016042359 A JP2016042359 A JP 2016042359A JP 2015160021 A JP2015160021 A JP 2015160021A JP 2015160021 A JP2015160021 A JP 2015160021A JP 2016042359 A JP2016042359 A JP 2016042359A
- Authority
- JP
- Japan
- Prior art keywords
- matrix
- real
- decomposition
- product
- feature vector
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 619
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims description 107
- 239000013598 vector Substances 0.000 claims abstract description 543
- 238000004364 calculation method Methods 0.000 claims abstract description 104
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 54
- 238000012706 support-vector machine Methods 0.000 description 43
- 238000012545 processing Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 22
- 238000001514 detection method Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000003064 k means clustering Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 13
- 230000014509 gene expression Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 9
- 230000001419 dependent effect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- HMUNWXXNJPVALC-UHFFFAOYSA-N 1-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperazin-1-yl]-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethanone Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)N1CCN(CC1)C(CN1CC2=C(CC1)NN=N2)=O HMUNWXXNJPVALC-UHFFFAOYSA-N 0.000 description 1
- LDXJRKWFNNFDSA-UHFFFAOYSA-N 2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)-1-[4-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]piperazin-1-yl]ethanone Chemical compound C1CN(CC2=NNN=C21)CC(=O)N3CCN(CC3)C4=CN=C(N=C4)NCC5=CC(=CC=C5)OC(F)(F)F LDXJRKWFNNFDSA-UHFFFAOYSA-N 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000020509 sex determination Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
【解決手段】 物体認識装置30は、二値化された特徴ベクトルxを取得する場御なりコード変換部33と、特徴ベクトルを識別するための複数のクラスの辞書としての複数の実数ベクトルq1〜qLからなる実数行列Qを、複数のMiCi(i=1〜N、Nは2以上の自然数)の和に分解するパラメータ行列分解部35と、特徴ベクトルxと複数の実数ベクトルq1〜qLの各々との内積の計算として、特徴ベクトルxと基底行列Miとの積xMiを計算し、さらに当該積xMiと対応する係数行列Ciとの積を計算することで、特徴ベクトルxについて各クラスの識別を行う線形SVM識別部36とを備えている。
【選択図】 図12
Description
ステップ2:入力として与えられたN個の特徴量それぞれについて、最も距離が近い代表ベクトルを求める。
ステップ3:各代表ベクトルに所属する特徴量の平均を計算し、これを新しい代表ベクトルとする。
ステップ4:ステップ2、ステップ3を収束するまで繰り返す。
I.第1の実施の形態
1.概要
2.実施の形態
2−1.二値分解法
2−2.二値分解法の拡張
2−3.三値分解法
2−4.三値分解法の拡張
3.応用例
3−1.第1の応用例
3−2.第2の応用例
3−3.第3の応用例
II.第2の実施の形態
1.概要
2.実施の形態
3.変形例
III.第3の実施の形態
1.概要
2.実施の形態
IV.変形例
1.概要
まず、特徴ベクトルとの内積を計算すべき実数ベクトルが複数ある場合について説明する。図1は、複数の識別基準で画像中の人を識別する場合の線形SVMの例を示す図である。この例では、入力されたある特徴ベクトルに対して、図1に示すように、単にその特徴ベクトルの画像内に人がいるか否かの識別ではなく、それが「大人(正面)」であるか否か、「大人(横)」であるか否か、「子供(正面)」であるか否かをそれぞれ識別する。即ち、特徴ベクトルを識別する基準が複数ある。この場合、図1に示すように、線形SVMの評価式f(x)の重みパラメータ(以下、「辞書」ともいう。)qは、識別基準ごとに複数(q1,q2,q3,…,qL)用意する必要があり、バイアスbも識別基準ごとに複数(b1,b2,b3,…,bL)用意する必要がある。
2−1.二値分解法
図3は、本発明の第1の実施の形態の二値分解法を採用する特徴量演算装置100の構成を示すブロック図である。特徴量演算装置100は、コンテンツ取得部101と、特徴ベクトル生成部102と、特徴ベクトル二値化部103と、実数行列取得部104と、実数行列分解部105と、ベクトル演算部106と、データベース107とを備えている。
第1の分解手法として、データ非依存型の分解手法を説明する。第1の分解手法では、実数行列分解部105は、分解誤差を表す下式(3)のコスト関数g1を解くことで分解を行う。
(1)基底行列M及び係数行列Cをランダムに初期化する。
(2)基底行列Mの要素を固定して、係数行列Cの要素を最小二乗法により最適化することで、コスト関数g1が最小になるように係数行列Cの要素を更新する。
(3)係数行列Cの要素を固定して、コスト関数g1が最小になるように全探索で基底行列Mの要素を更新する。この最小化アルゴリズムである全探索については、後に詳しく述べる。
(4)収束するまで(2)及び(3)を繰り返す。例えば、コスト関数g1が所定の収束条件(例えば、減少量が一定値以下となる)を満たしたときに、収束したと判定する。
(5)ステップ(1)〜ステップ(4)により得た解を候補として保持する。
(6)ステップ(1)〜ステップ(5)を繰り返し、最もコスト関数g1を小さくできた候補基底行列M及び候補係数行列Cを最終結果として採用する。なお、このステップ(1)〜ステップ(5)の繰り返しはなくてもよいが、複数回繰り返すことで、初期値依存の問題を回避できる。
第2の分解手法として、係数行列Cを疎にするデータ非依存型の分解手法を説明する。第2の分解手法では、実数行列分解部105は、分解誤差である下式(4)のコスト関数g2を解くことで分解を行う。
(1)基底行列M及び係数行列Cをランダムに初期化する。
(2)基底行列Mの要素を固定して、係数行列Cの要素を近接勾配法で最適化する。
(3)係数行列Cの要素を固定して、コスト関数g2が最小になるように全探索で基底行列Mの要素を更新する。
(4)収束するまで(2)及び(3)を繰り返す。例えば、コスト関数g2のが所定の収束条件(例えば、減少量が一定値以下となる)を満たしたときに、収束したと判定する。
(5)ステップ(1)〜ステップ(4)により得た解を候補として保持する。
(6)ステップ(1)〜ステップ(5)を繰り返し、最もコスト関数g2を小さくできた候補基底行列M及び候補係数行列Cを最終結果として採用する。なお、このステップ(1)〜ステップ(5)の繰り返しはなくてもよいが、複数回繰り返すことで、初期値依存の問題を回避できる。
次に、第3の分解手法を説明する。第1の分解手法では、コスト関数g1として、分解誤差
(1)第1又は第2の分解手法によって、基底行列M及び係数行列Cを求めて、これをそれらの初期値とする。
(2)基底行列Mの要素を固定して、係数行列Cの要素を最小二乗法で最適化する。
(3)係数行列Cの要素を固定して、基底行列Mの要素を最適化することで、基底行列Mの要素を更新する。この基底行列Mの更新処理については後述する。
(4)収束するまで(2)及び(3)を繰り返し、コスト関数g3を最小化した基底行列M及び係数行列Cを候補として保持する。
(5)ステップ(1)〜(6)を繰り返し、コスト関数g3を最小化した基底行列M及び係数行列Cを最終結果として採用する。なお、ステップ(1)では再度第1又は第2の分解手法による基底行列M及び係数行列Cの最適化が行われるので、初期値が変更される。また、ステップ(5)の繰り返しはなくてもよいが、複数回繰り返すことで、初期値依存の問題を軽減できる。
(3−1)基底行列Mの要素のうち、ランダムにT個を選択する。
(3−2)2T通りの組み合わせ(後述の三値分解の場合は3T通り)を試し、最もコスト関数g3を最小化したものを採用する。
(3−3)ステップ(3−1)及びステップ(3−2)を収束するまで繰り返す。
第4の分解手法は、第2の分解手法と第3の分解手法とを組み合わせてものである。具体的には、実数行列分解部105は、下式(6)のコスト関数g4を解くことで分解を行う。
上記の第1及び第2のデータ非依存分解の手法は、分解数をkとしたとき、2k通り(三値分解の場合は3k通り)の探索が必要であるため、kが大きいときは、適用が難しい。そのような場合は、あらかじめ実数行列Qに所属する実数ベクトルqnの互いの類似度を調べ、似ている実数ベクトルどうしをクラスタリングし、各クラスタに対して第1又は第2の分解手法を適用すればよい。
Dhamming(mi,p)と下式(8)の関係がある。
取る操作であり、BITCOUNT関数はバイナリコードの1が立っているビット数を数えあげる処理のことである。
上記の二値分解法では、二値ベクトルmi、pを、それぞれ、mi∈{−1,1}d、p∈{−1,1}dと定義して、実数行列を二値の基底行列と実数の係数行列との積に分解することで積演算QTpが高速になることを説明した。しかしながら、mi、pをより一般的な二値ベクトルmi´∈{−a,a}d、p´∈{−a,a}dとしても、それらの高速な積演算が可能である。この場合、mi´Tp´=a2(mi Tp)であることから、−1及び1により定義される二値ベクトル同士の内積にa2を掛ければよい。
次に、三値分解法を採用する特徴量演算装置を説明する。特徴量演算装置の構成は、図1に示した二値分解法の場合と同じである。二値分解法では、実数行列分解部105は、実数行列Qを式(1)によって二値の基底行列と実数の係数行列に分解したが、三値分解法を採用する特徴量演算装置100の実数行列分解部105は、実数行列を三値の基底行列と実数の係数行列に分解する。
上記の三値分解法の説明では、二値ベクトルp及び三値ベクトルmiを、それぞれ、p∈{−1,1}d、mi∈{−1,0,1}dと定義して、複数の実数ベクトルからなる実数行列を三値の基底行列と係数行列との積に分解することで内積演算pTmiが高速になることを説明した。しかしながら、p、miをより一般的な二値ベクトルp´∈{−a,a}d、三値ベクトルmi∈{−a,0,a}dとしても、それらの高速な内積演算が可能である。この場合、p´Tmi´=a2(pTmi)であることから、−1及び1により定義される二値ベクトル同士の内積にa2を掛ければよい。
次に、ベクトル演算部106における演算処理について説明する。上記の二値分解法及び三値分解法の特徴量演算装置100のベクトル演算部106は、二値化された特徴ベクトルpと複数の実数ベクトルqをまとめた実数行列Qとの積の計算を伴うものであるが、そのような演算処理は種々ある。すなわち、本発明の上記の実施の形態は、特徴ベクトルを用いて演算処理を行なう種々の装置に応用できる。
本応用では、本発明がHOG特徴量を用いてSVMにより複数種類の物体を認識する物体認識装置に応用される。図7は、物体認識装置の構成を示すブロック図である。物体認識装置10は、ピラミッド画像生成部11と、HOG特徴量抽出部12と、バイナリコード変換部13と、パラメータ決定部14と、パラメータ行列分解部15と、線形SVM識別部16と、ピーク検出部17とを備えている。
本応用例では、本発明がk−meansクラスタリングに応用される。図11は、k−meansクラスタリング装置の構成を示すブロック図である。k−meansクラスタリング装置20は、コンテンツ取得部21と、特徴ベクトル生成部22と、特徴ベクトル二値化部23と、代表行列更新部24と、収束判定部25と、代表行列分解部26と、最近接代表ベクトル探索部27とを備えている。
本応用例では、本発明がk−means treeによる近似最近傍探索に応用される。本応用例の近似最近傍探索装置は、k−meansを用いたk−分木による近似最近傍探索手法として、Marius Muja and David G. Lowe, "Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration", in International Conference on Computer Vision Theory and Applications (VISAPP' 09), 2009
(http://www.cs.ubc.ca/~mariusm/index.php/FLANN/FLANN、
http://people .cs.ubc.ca/~mariusm/uploads/FLANN/flann_visapp09.pdf)に提案されている手法を採用する。
1.概要
第1の実施の形態では、二値ベクトルpと複数の実数ベクトルqiの内積を一括して高速に計算できる特徴量演算装置を説明した。この特徴量演算装置を応用した物体認識装置によれば、複数種類の認識をまとめて行うことができた。具体的には、物体認識装置において、複数種類(クラス)の認識に対応する複数の辞書としての実数ベクトルq1,q2,q3,…,qLで識別を行う際に、このL個の実数ベクトルq1,q2,q3,…,qLと二値ベクトルpとの各々の内積を計算するにあたって、L個の実数ベクトルq1,q2,q3,…,qLをまとめた実数行列Qを二値の要素を持つ基底行列Mと実数の要素を持つ係数行列Cに分解して、CTMTpを計算し、これを閾値と比較することで、各クラスの識別を行った。
本実施の形態の物体認識装置30は、図12に示すように、ピラミッド画像生成部31と、HOG特徴量抽出部32と、バイナリコード変換部33と、パラメータ決定部34と、パラメータ行列分解部35と、線形SVM識別部36とを備えている。
上記の実施の形態において、ステップS152にて近似行列yと閾値行列tiとの比較の結果、閾値行列tiの要素より小さいとしてnegative判定された近似行列yの要素については、その後の計算を省略してよい。具体的には、図18の例では、近似行列yと閾値行列t1とを比較した結果、クラス1、3、6、7についてnegative判定ができているので、図20に示すように、近似行列yを更新するためにxTM2C2を計算する際には、係数行列C2における未確定クラスのみについて計算し(図20では係数行列C2における確定したクラスをハッチングして示している)、もとの近似行列yの未確定のクラスのみ(図20では、もとの近似行列yにおける確定したクラスをハッチングして示している)をこれと足し合わせることで、未確定クラスのみが更新された新たな近似行列yを得る(図20では、新たな近似行列yにおける確定したクラスをハッチングして示している)。そして、新たな近似行列yを対応する閾値行列t2と比較する際にも、図21に示すように、すでにnegative判定されている要素(図21において「N」で示している)については、比較を行わず、未確定クラスについてのみ比較を行うようにしてよい。図21の例では、新たにクラス2、5についてnegative判定がされている。このように、確定したクラスについての計算を省略することで、識別のための計算不可を軽減して、識別処理をより高速化できる。
1.概要
上記の第2の実施の形態では、複数クラスの実数ベクトルからなる実数行列を全クラスについて共通の二値基底行列に分解するので、相関が低い多クラス識別に対しては有効ではない。そこで、本実施の形態では、相関が高い識別器のグルーピングを行うことで、より効率的な分解を行う。
本実施の形態の物体認識装置の構成は、図12に示した第2の実施の形態の物体認識装置30と同じであり、ピラミッド画像生成部31と、HOG特徴量抽出部32と、バイナリコード変換部33と、パラメータ決定部34と、パラメータ行列分解部35と、線形SVM識別部36とを備えている。
特徴量演算装置100において、コンテンツ取得部101、特徴ベクトル生成部102、特徴ベクトル二値化部103、実数行列取得部104、実数行列分解部105、及びベクトル演算部106の一部と他の部分とが別々の装置として構成されていてもよい。特に、コンテンツ取得部101、特徴ベクトル生成部102、特徴ベクトル二値化部103、及びベクトル演算部106が特徴演算装置100に搭載され、実数行列取得部104、及び実数行列分解部105が別の装置に搭載されてよい。この場合には、実数行列分解部105にて分解された複数の実数行列が特徴演算装置100のデータベース107に記憶され、ベクトル演算部106は、データベース107から分解された複数の実数行列を取得する。
101 コンテンツ取得部
102 特徴ベクトル生成部
103 特徴ベクトル二値化部
104 実数行列取得部
105 実数行列分解部
106 ベクトル演算部(積演算部)
10 物体認識装置
11 ピラミッド画像生成部
12 HOG特徴量抽出部
13 バイナリコード変換部
14 パラメータ決定部
15 パラメータ行列分解部
16 線形SVM識別部
17 ピーク検出部
20 k−meansクラスタリング装置
21 コンテンツ取得部
22 特徴ベクトル生成部
23 特徴ベクトル二値化部
24 代表行列更新部
25 収束判定部
26 代表行列分解部
27 最近接代表ベクトル算出部
30 物体認識装置
31 ピラミッド画像生成部
32 HOG特徴量抽出部
33 バイナリコード変換部
34 パラメータ決定部
35 パラメータ行列分解部
36 線形SVM識別部
Claims (9)
- 二値化された特徴ベクトルxを取得する特徴ベクトル取得部と、
前記特徴ベクトルを識別するための複数のクラスの辞書としての複数の実数ベクトルq1〜qLからなる実数行列Qを、複数のMiCi(i=1〜N、Nは2以上の自然数)の和に分解する実数行列分解部と、
ここで、Miは要素として二値又は三値の離散値のみをもつ複数の基底ベクトルからなる基底行列であり、Ciは実数の要素をもつ係数行列であり、MiCiは前記基底行列と前記係数行列との積であり、
前記特徴ベクトルxと前記複数の実数ベクトルq1〜qLの各々との内積の計算として、前記特徴ベクトルxと前記基底行列Miとの積xMiを計算し、さらに当該積xMiと対応する前記係数行列Ciとの積を計算することで、前記特徴ベクトルxについて各クラスの識別を行う識別部と、
を備えたことを特徴とする認識装置。 - 前記識別部は、前記積xMiを計算し、さらに当該積xMiと対応する前記係数行列Ciとの積を計算するごとに、所定の閾値と比較して早期棄却を行うことを特徴とする請求項1に記載の認識装置。
- 前記識別部は、早期棄却された前記クラスについては、前記積xMi及び当該積xMiと対応する前記係数行列Ciとの積を計算しないことを特徴とする請求項2に記載の認識装置。
- 前記実数行列分解部は、分解後の残差の分解を繰り返すことで、前記複数のMiCiを得ることを特徴とする請求項1ないし3のいずれか一項に記載の認識装置。
- 前記実数行列分解部は、前記複数の実数ベクトルq1〜qLに対して互いに相関が高いものをまとめるグルーピングを行い、グループごとに前記MiCiを得ることを特徴とする請求項1ないし4いずれか一項に記載の認識装置。
- 前記実数行列分解部は、分解後の残差の分解を行うごとに、前記グルーピングを行うことを特徴とする請求項5に記載の認識装置。
- 二値化された特徴ベクトルxを取得する特徴ベクトル取得部と、
前記特徴ベクトルを識別するための複数のクラスの辞書としての複数の実数ベクトルq1〜qLからなる実数行列Qを複数のMiCi(i=1〜N、Nは2以上の自然数)の和に分解することで得られた前記複数のMiCiを用いて、i=1から順にiを増加させつつ、前記特徴ベクトルxと前記複数の実数ベクトルq1〜qLの各々との内積の計算として、前記特徴ベクトルxと前記基底行列Miとの積xMiを計算し、さらに当該積xMiと対応する前記係数行列Ciとの積を計算して、近似行列yを求め、前記近似行列yの各要素を所定の閾値行列tiの各要素と比較することで、前記特徴ベクトルxについて各クラスの識別を行う識別部と、
を備え、
ここで、Miは要素として二値又は三値の離散値のみをもつ複数の基底ベクトルからなる基底行列であり、Ciは実数の要素をもつ係数行列であり、MiCiは前記基底行列と前記係数行列との積であることを特徴とする認識装置。 - 実数分解装置における実数行列Qを複数のMiCi(i=1〜N、Nは2以上の自然数)の和に分解する実数行列分解方法であって、
ここで、Miは要素として二値又は三値の離散値のみをもつ複数の基底ベクトルからなる基底行列であり、Ciは実数の要素をもつ係数行列であり、MiCiは前記基底行列と前記係数行列との積であり、
前記実数行列分解方法は、
前記実数分解装置が、分解すべき実数行列Qを取得する第1ステップと、
前記実数分解装置が、前記第1ステップの後に、逐次的な分解によってそれまでに得られた前記MiCiの和と前記実数行列Qとの差である残差行列Rに、前記実数行列Qを代入する第2ステップと、
前記実数分解装置が、前記第2ステップの後に、前記残差行列RをMiCiに分解する第3ステップと、
前記実数分解装置が、前記第3ステップの後に、前記残差行列Rと前記MiCiとの差を新たな残差行列Rにする第4ステップと、
前記実数分解装置が、前記第4ステップの後に、前記iをインクリメントする第5ステップと、
を含み、前記実数分解装置は、前記第5ステップの後に、前記第3ステップに戻り、直前の前記第4ステップにて得られた前記新たな残差行列Rを、前記第5ステップでインクリメントされた前記iで分解することを特徴とする実数行列分解方法。 - 認識装置において特徴ベクトルxについて複数のクラスでの識別を行う認識方法であって、
前記認識装置が、iを1として、特徴ベクトルxとMiCiとの積を計算して、近似行列yを得る第1ステップと、
ここで、Miは要素として二値又は三値の離散値のみをもつ複数の基底ベクトルからなる基底行列であり、Ciは実数の要素をもつ係数行列であり、MiCiは前記基底行列と前記係数行列との積であり、
前記認識装置が、前記第1ステップの後に、前記近似行列yの各要素と所定の閾値行列tiの各要素とをそれぞれ比較して、前記閾値行列tiの要素よりも小さい前記近似行列yの要素について、negativeであると判定する第2ステップと、
前記認識装置が、前記第2ステップの後に、前記iをインクリメントする第3ステップと、
前記認識装置が、前記第3ステップの後に、前記第3ステップでインクリメントされた前記iで、前記特徴ベクトルxとMiCiとの積を計算する第4ステップと、
前記認識装置が、前記第4ステップの後に、前記近似行列yに、前記第4ステップで計算された前記積を加えて、新たな近似行列yを取得する第5ステップと、
を含み、前記認識装置は、前記第5ステップの後に、前記第2ステップに戻り、直前の前記第5ステップで得られた新たな近似行列yについて、前記比較及び前記判定を行うことを特徴とする認識方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015160021A JP6566397B2 (ja) | 2014-08-18 | 2015-08-14 | 認識装置、実数行列分解方法、認識方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014165687 | 2014-08-18 | ||
JP2014165687 | 2014-08-18 | ||
JP2015160021A JP6566397B2 (ja) | 2014-08-18 | 2015-08-14 | 認識装置、実数行列分解方法、認識方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016042359A true JP2016042359A (ja) | 2016-03-31 |
JP6566397B2 JP6566397B2 (ja) | 2019-08-28 |
Family
ID=55592056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015160021A Expired - Fee Related JP6566397B2 (ja) | 2014-08-18 | 2015-08-14 | 認識装置、実数行列分解方法、認識方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6566397B2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909895A (zh) * | 2017-02-17 | 2017-06-30 | 华南理工大学 | 一种基于随机投影多核学习的手势识别方法 |
WO2017208875A1 (ja) * | 2016-06-02 | 2017-12-07 | 株式会社デンソー | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム |
WO2018016608A1 (ja) * | 2016-07-21 | 2018-01-25 | 株式会社デンソーアイティーラボラトリ | ニューラルネットワーク装置、車両制御システム、分解処理装置、及びプログラム |
JP2019079291A (ja) * | 2017-10-25 | 2019-05-23 | 株式会社デンソーアイティーラボラトリ | 行列分解装置及び行列分解方法 |
CN111368992A (zh) * | 2018-12-26 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及电子设备 |
CN112116060A (zh) * | 2019-06-21 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种网络配置实现方法及装置 |
US20210064928A1 (en) * | 2018-02-16 | 2021-03-04 | Nec Corporation | Information processing apparatus, method, and non-transitory storage medium |
WO2021126294A1 (en) * | 2019-12-20 | 2021-06-24 | Sandisk Technologies Llc | Kernel transformation techniques to reduce power consumption of binary input, binary weight in-memory convolutional neural network inference engine |
CN113361592A (zh) * | 2021-06-03 | 2021-09-07 | 哈尔滨工业大学 | 一种基于公共子空间表示学习的声学事件识别方法 |
CN114186186A (zh) * | 2020-09-15 | 2022-03-15 | 华为技术有限公司 | 矩阵计算方法及相关设备 |
US11625586B2 (en) | 2019-10-15 | 2023-04-11 | Sandisk Technologies Llc | Realization of neural networks with ternary inputs and ternary weights in NAND memory arrays |
CN116759015A (zh) * | 2023-08-21 | 2023-09-15 | 中国人民解放军总医院 | 基于超图矩阵三分解的抗病毒药物筛选方法及系统 |
-
2015
- 2015-08-14 JP JP2015160021A patent/JP6566397B2/ja not_active Expired - Fee Related
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017208875A1 (ja) * | 2016-06-02 | 2017-12-07 | 株式会社デンソー | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム |
JP2017215897A (ja) * | 2016-06-02 | 2017-12-07 | 株式会社デンソーアイティーラボラトリ | 特徴点位置推定装置、特徴点位置推定システム、特徴点位置推定方法、および特徴点位置推定プログラム |
US11657267B2 (en) | 2016-07-21 | 2023-05-23 | Denso It Laboratory, Inc. | Neural network apparatus, vehicle control system, decomposition device, and program |
WO2018016608A1 (ja) * | 2016-07-21 | 2018-01-25 | 株式会社デンソーアイティーラボラトリ | ニューラルネットワーク装置、車両制御システム、分解処理装置、及びプログラム |
JPWO2018016608A1 (ja) * | 2016-07-21 | 2019-05-09 | 株式会社デンソーアイティーラボラトリ | ニューラルネットワーク装置、車両制御システム、分解処理装置、及びプログラム |
CN106909895A (zh) * | 2017-02-17 | 2017-06-30 | 华南理工大学 | 一种基于随机投影多核学习的手势识别方法 |
CN106909895B (zh) * | 2017-02-17 | 2020-09-22 | 华南理工大学 | 一种基于随机投影多核学习的手势识别方法 |
JP2019079291A (ja) * | 2017-10-25 | 2019-05-23 | 株式会社デンソーアイティーラボラトリ | 行列分解装置及び行列分解方法 |
US20210064928A1 (en) * | 2018-02-16 | 2021-03-04 | Nec Corporation | Information processing apparatus, method, and non-transitory storage medium |
CN111368992A (zh) * | 2018-12-26 | 2020-07-03 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及电子设备 |
CN111368992B (zh) * | 2018-12-26 | 2023-08-22 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及电子设备 |
CN112116060A (zh) * | 2019-06-21 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种网络配置实现方法及装置 |
CN112116060B (zh) * | 2019-06-21 | 2023-07-25 | 杭州海康威视数字技术股份有限公司 | 一种网络配置实现方法及装置 |
US11625586B2 (en) | 2019-10-15 | 2023-04-11 | Sandisk Technologies Llc | Realization of neural networks with ternary inputs and ternary weights in NAND memory arrays |
WO2021126294A1 (en) * | 2019-12-20 | 2021-06-24 | Sandisk Technologies Llc | Kernel transformation techniques to reduce power consumption of binary input, binary weight in-memory convolutional neural network inference engine |
US11657259B2 (en) | 2019-12-20 | 2023-05-23 | Sandisk Technologies Llc | Kernel transformation techniques to reduce power consumption of binary input, binary weight in-memory convolutional neural network inference engine |
CN114186186A (zh) * | 2020-09-15 | 2022-03-15 | 华为技术有限公司 | 矩阵计算方法及相关设备 |
CN114186186B (zh) * | 2020-09-15 | 2023-08-04 | 华为技术有限公司 | 矩阵计算方法及相关设备 |
CN113361592A (zh) * | 2021-06-03 | 2021-09-07 | 哈尔滨工业大学 | 一种基于公共子空间表示学习的声学事件识别方法 |
CN116759015A (zh) * | 2023-08-21 | 2023-09-15 | 中国人民解放军总医院 | 基于超图矩阵三分解的抗病毒药物筛选方法及系统 |
CN116759015B (zh) * | 2023-08-21 | 2023-11-24 | 中国人民解放军总医院 | 基于超图矩阵三分解的抗病毒药物筛选方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6566397B2 (ja) | 2019-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6566397B2 (ja) | 認識装置、実数行列分解方法、認識方法 | |
JP6055391B2 (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 | |
Yao et al. | Deep semantic-preserving and ranking-based hashing for image retrieval. | |
Tu et al. | MLS3RDUH: Deep Unsupervised Hashing via Manifold based Local Semantic Similarity Structure Reconstructing. | |
JP7360497B2 (ja) | クロスモーダルな特徴の抽出方法、抽出装置、ならびに、プログラム | |
JP2015506026A (ja) | 画像分類 | |
JP6235414B2 (ja) | 特徴量演算装置、特徴量演算方法、及び特徴量演算プログラム | |
CN111080551B (zh) | 基于深度卷积特征和语义近邻的多标签图像补全方法 | |
CN112163114B (zh) | 一种基于特征融合的图像检索方法 | |
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 | |
Patro et al. | Dictionary-based classifiers for exploiting feature sequence information and their application to hyperspectral remotely sensed data | |
CN114461890A (zh) | 分层多模态的知识产权搜索引擎方法与系统 | |
Jayady et al. | Theme Identification using Machine Learning Techniques | |
CN115795065A (zh) | 基于带权哈希码的多媒体数据跨模态检索方法及系统 | |
Wang et al. | File fragment type identification with convolutional neural networks | |
Salman et al. | Gene expression analysis via spatial clustering and evaluation indexing | |
EP4285281A1 (en) | Annotation-efficient image anomaly detection | |
Saaim et al. | Light-weight file fragments classification using depthwise separable convolutions | |
Menon et al. | Document classification with hierarchically structured dictionaries | |
JP6375420B2 (ja) | 関連性判定装置、及び関連性判定プログラム | |
CN111488400A (zh) | 数据分类方法、装置和计算机可读存储介质 | |
Xia et al. | Graph based family relationship recognition from a single image | |
Tuan et al. | ColorRL: reinforced coloring for end-to-end instance segmentation | |
CN112149566A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
Rangan et al. | Kannada document classification using unicode term encoding over vector space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20150814 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20150904 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20151113 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180626 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20180626 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190612 |
|
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: 20190702 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190722 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6566397 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |