JP2018010438A - クラスタ評価装置、クラスタ数算出装置、クラスタ装置、クラスタ評価方法、およびプログラム - Google Patents

クラスタ評価装置、クラスタ数算出装置、クラスタ装置、クラスタ評価方法、およびプログラム Download PDF

Info

Publication number
JP2018010438A
JP2018010438A JP2016138105A JP2016138105A JP2018010438A JP 2018010438 A JP2018010438 A JP 2018010438A JP 2016138105 A JP2016138105 A JP 2016138105A JP 2016138105 A JP2016138105 A JP 2016138105A JP 2018010438 A JP2018010438 A JP 2018010438A
Authority
JP
Japan
Prior art keywords
cluster
similarity
evaluation value
unit
elements
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
Application number
JP2016138105A
Other languages
English (en)
Other versions
JP6765667B2 (ja
Inventor
敦史 橋本
Atsushi Hashimoto
敦史 橋本
拓郎 伊奈
Takuo Ina
拓郎 伊奈
将晃 飯山
Masaaki Iiyama
将晃 飯山
幹彦 森
Mikihiko Mori
幹彦 森
秀一 笠原
Shuichi Kasahara
秀一 笠原
美濃　導彦
Michihiko Mino
導彦 美濃
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.)
Kyoto University NUC
Original Assignee
Kyoto University NUC
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 Kyoto University NUC filed Critical Kyoto University NUC
Priority to JP2016138105A priority Critical patent/JP6765667B2/ja
Publication of JP2018010438A publication Critical patent/JP2018010438A/ja
Application granted granted Critical
Publication of JP6765667B2 publication Critical patent/JP6765667B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】従来は、写真等の分類対象を適切に分類することを支援することが困難であった。【解決手段】２以上の要素を含む２以上のクラスタ情報が格納されるクラスタ情報格納部と、２以上の各クラスタごとに、対応するクラスタ情報を用いて、クラスタに含まれる２以上の各要素間の類似度を算出する要素間類似度算出部と、クラスタごとに２以上の各要素間の類似度から、各クラスタの内部全体の類似度を代表する類似度である内部類似度を算出する内部類似度算出部と、内部類似度のうちの最小の類似度である最小内部類似度と、最小内部類似度を除く１以上の内部類似度のうちの１以上の内部類似度である採用内部類似度との差異に関する情報である第一評価値を算出する第一評価値算出部と、第一評価値を出力する評価値出力部とを具備するクラスタ評価装置により、写真等の分類対象を適切に分類することを支援できる。【選択図】図１

Description

本発明は、写真等の分類対象を適切に分類することを支援するクラスタ評価装置等に関するものである。
従来、Spectral Clusteringと呼ばれる手法を用いたクラスタリング技術があった（例えば、非特許文献１参照）。クラスタリング技術とは、写真等の分類対象を適切に分類する技術である。
また、従来、クラスタを形成しうる注目対象ではない要素（かかる要素をOutlierと言う。）でも、盲目的にクラスタを形成すると考えて、それらしきものを取り除く手法（outlierが形成したクラスタを特定する方法は不詳）が提案されている（例えば、非特許文献２参照）。
Stella X. Yu and Jianbo Shi, "Multiclass Spectral Clustering", International Conference on Computer Vision, pp.11-17, October 2003. Li, Z., Liu, J., Chen, S., Tang, X, "Noise robust spectral clustering," International Conference on Conputer Vision, pp.1-8, Oct.2007.
しかしながら、従来技術においては、写真等の分類対象を適切に分類することを支援することが困難であった。
具体的には、従来技術において、Outlierを適切に判断し、当該Outlierを取り除いたり、適切なクラスタ数を決定したりすることが困難であった。そのために、従来技術では、写真等の分類対象を適切に分類できなかった。
本第一の発明のクラスタ評価装置は、２以上の要素を含むクラスタに関する情報である２以上のクラスタ情報が格納されるクラスタ情報格納部と、２以上の各クラスタごとに、対応するクラスタ情報を用いて、クラスタに含まれる２以上の各要素間の類似度を算出する要素間類似度算出部と、２以上の各クラスタごとに、２以上の各要素間の類似度から、各クラスタの内部全体の類似度を代表する類似度である内部類似度を算出する内部類似度算出部と、内部類似度算出部が算出した内部類似度のうちの最小の類似度である最小内部類似度と、最小内部類似度とは異なる情報であり、前記内部類似度算出部が算出した１以上の内部類似度から取得される採用内部類似度との差異に関する情報である第一評価値を算出する第一評価値算出部と、第一評価値を出力する評価値出力部とを具備するクラスタ評価装置である。
かかる構成により、写真等の分類対象を適切に分類することを支援するための、クラスタの適切な評価が可能となる。
また、本第二の発明のクラスタ評価装置は、第一の発明に対して、採用内部類似度は、２番目に小さな内部類似度であるクラスタ評価装置である。
かかる構成により、写真等の分類対象を適切に分類することを支援できる。
また、本第三の発明のクラスタ評価装置は、第一または第二の発明に対して、第一評価値は、最小内部類似度と採用内部類似度との差であるクラスタ評価装置である。
かかる構成により、写真等の分類対象を適切に分類することを支援するための、クラスタの適切な評価が可能となる。
また、本第四の発明のクラスタ評価装置は、第一から第三いずれか１つの発明に対して、要素は、画像内のオブジェクトであり、２以上の画像が格納される画像格納部と、画像格納部に格納されている２以上の各画像内の１以上の要素を認識する画像認識部と、画像認識部が認識した要素であり、同一の画像内の２以上の要素が同一のクラスタに属さない度合いに関する情報である第二評価値を算出する第二評価値算出部と、第一評価値と第二評価値とをパラメータとする増加関数により、総合評価値を算出する総合評価値算出部とをさらに具備し、評価値出力部は、総合評価値を出力するクラスタ評価装置である。
かかる構成により、写真等の分類対象を適切に分類することを支援するための、クラスタの適切な評価が可能となる。
また、本第五の発明のクラスタ評価装置は、第四の発明に対して、第二評価値算出部は、画像認識部が認識した要素であり、同一の画像内の２以上の要素の組み合わせである１以上の要素組を取得し、１以上の各要素組が異なるクラスタに属するか同一のクラスタに属するかを、クラスタ情報格納部の２以上のクラスタ情報を用いて、判断し、１以上の各要素組が異なるクラスタに属する割合が大きいほど、高い評価値となる第二評価値を算出するクラスタ評価装置である。
かかる構成により、写真等の分類対象を適切に分類することを支援するための、クラスタの適切な評価が可能となる。
また、本第六の発明のクラスタ数算出装置は、３以上の要素を３以上Ｎ（Ｎは４以上の自然数）までのクラスタ数に分類されるようにクラスタリングし、３以上Ｎまでのクラスタ数ごとに、２以上の各要素を含むクラスタのクラスタ情報の集合である２以上のクラスタ情報群を取得するクラスタリング部と、２以上のクラスタ情報群ごとに、クラスタ評価装置を動作させ、クラスタ評価装置が出力する第一評価値または総合評価値である評価値を取得する制御部と、制御部が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ数である最良クラスタ数を取得する最良クラスタ数取得部と、最良クラスタ数を出力する最良クラスタ数出力部とを具備するクラスタ数算出装置である。
かかる構成により、写真等の分類対象を適切に分類する場合のクラスタ数を自動的に決定できる。
また、本第七の発明のクラスタ数算出装置は、第６の発明に対して、２以上の画像が格納される画像格納部と、画像格納部に格納されている２以上の各画像内の１以上の要素を認識し、３以上の要素を取得する画像認識部をさらに具備し、クラスタリング部が分類する３以上の要素は、前記画像認識部が取得した３以上の要素であるクラスタ数算出装置である。
かかる構成により、写真等の分類対象を適切に分類する場合のクラスタ数を自動的に決定できる。
また、本第八の発明のクラスタ装置は、３以上の要素を３以上Ｎ（Ｎは４以上の自然数）までのクラスタ数に分類されるように、かつ類似度の大きい要素が同一のクラスタに属するようにクラスタリングし、３以上Ｎまでのクラスタ数ごとに、２以上の各要素を含むクラスタのクラスタ情報の集合である２以上のクラスタ情報群を取得するクラスタリング部と、２以上のクラスタ情報群ごとに、クラスタ評価装置を動作させ、クラスタ評価装置が出力する第一評価値または総合評価値である評価値を取得する制御部と、制御部が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ情報群である最良クラスタ情報群を取得する最良クラスタ情報群取得部と、最良クラスタ情報群を出力する最良クラスタ情報群出力部とを具備するクラスタ装置である。
かかる構成により、写真等の分類対象を適切に分類できる。
また、本第九の発明のクラスタ装置は、第八の発明に対して、２以上の画像が格納される画像格納部と、画像格納部に格納されている２以上の各画像内の１以上の要素を認識し、３以上の要素を取得する画像認識部をさらに具備し、クラスタリング部が分類する３以上の要素は、前記画像認識部が取得した３以上の要素であるクラスタ装置である。
かかる構成により、写真等の分類対象を適切に分類できる。
また、本第十の発明のクラスタ装置は、第八または第九の発明に対して、画像は、写真であり、要素は、人の顔であるクラスタ装置である。
かかる構成により、写真内の人の顔を適切に分類できる。
本発明によるクラスタ評価装置によれば、写真等の分類対象を適切に分類することを支援できる。
実施の形態１におけるクラスタ評価装置１のブロック図 同クラスタ評価装置１の動作例について説明するフローチャート 同内部類似度算出処理について説明するフローチャート 同第二評価値算出処理について説明するフローチャート 実施の形態２におけるクラスタ数算出装置２のブロック図 同クラスタ数算出装置２の動作例について説明するフローチャート 実施の形態３におけるクラスタ装置３のブロック図 同クラスタ装置３の動作について説明するフローチャート 上記実施の形態における実験の仮想データセットの詳細を示す図 同実験結果を示す図 同実験結果を示す図 同実験結果を示す図 同コンピュータシステムの概観図 同コンピュータシステムのブロック図
以下、クラスタ評価装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
（実施の形態１）
本実施の形態において、２以上のクラスタに分類された情報に対して、適切な評価が行えるクラスタ評価装置について説明する。
また、本実施の形態において、２以上の要素からなる２以上のクラスタにおいて、クラスタ内の類似度を算出し、最小の類似度と他の１以上の類似度うちの１以上の類似度とから、差に関する内部評価値を算出し、内部評価値を用いて評価することにより、２以上のクラスタに分類された情報に対して、適切な評価が行えるクラスタ評価装置について説明する。なお、内部評価値は、後述する第一評価値である。また、内部評価値は、例えば、最小の類似度と２番目に小さい類似度との差異の情報である。
図１は、本実施の形態におけるクラスタ評価装置１のブロック図である。クラスタ評価装置１は、受付部１０、格納部１１、処理部１２、および出力部１３を備える。
格納部１１は、画像格納部１１１、およびクラスタ情報格納部１１２を備える。処理部１２は、画像認識部１２１、要素間類似度算出部１２２、内部類似度算出部１２３、第一評価値算出部１２４、第二評価値算出部１２５、および総合評価値算出部１２６を備える。出力部１３は、評価値出力部１３１を備える。
受付部１０は、各種の指示や情報等を受け付ける。各種の指示や情報等とは、動作の開始指示、画像、クラスタ情報等である。各種の指示や情報等の入力手段は、キーボードやタッチパネルやマウスやメニュー画面によるもの等、何でも良い。受付部１０は、キーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。
格納部１１は、各種の情報等が格納される。各種の情報等とは、例えば、後述する画像、後述する要素、クラスタ情報、クラスタ評価装置１の処理を実現するプログラム等である。
画像格納部１１１は、２以上の画像が格納される。画像は、例えば、写真であるが、画像作成ソフトで作成したファイル等でも良い。画像の内容やフォーマット等は問わないことは言うまでもない。なお、クラスタ評価装置１が画像格納部１１１を有する場合、クラスタリングの対象は画像に関する情報である。ただし、クラスタリングの対象は、画像に関する情報でなくても良い。クラスタリングの対象は、例えば、文書、音情報、音声データ等でも良い。なお、クラスタリングの対象は、クラスタ評価の対象でもある。
クラスタ情報格納部１１２は、２以上のクラスタ情報が格納される。クラスタ情報は、２以上の要素を含むクラスタに関する情報である。要素は、分類対象である。要素は、例えば、画像内のオブジェクトである。要素は、例えば、写真内の人の顔の画像、写真、文書ファイル等の処理対象である。処理対象とは、通常、分類対象である。また、オブジェクトとは、例えば、顔、人、犬や猫等の動物、自動車や建物等の静物等である。また、写真内の人の顔の画像は、写真内の人の顔を含む矩形の領域の画像情報でも良く、写真内の人の顔を輪郭抽出した情報でも良い。また、クラスタとは、分類のことであり、クラス、グループと言っても良い。また、クラスタ情報は、例えば、クラスタを構成する１または２以上の写真でも良く、クラスタを構成する１または２以上の要素でも良く、クラスタを構成する１または２以上の要素へのアクセスための情報でも良い。要素を含むクラスタ情報とは、要素を識別する要素識別子を含むクラスタ情報と同意義である、と考えても良い。
処理部１２は、各種の処理を行う。各種の処理とは、例えば、画像認識部１２１、要素間類似度算出部１２２、内部類似度算出部１２３、第一評価値算出部１２４、第二評価値算出部１２５、総合評価値算出部１２６が行う処理である。
画像認識部１２１は、画像格納部１１１に格納されている２以上の各画像内の１以上の要素を認識する。要素の認識とは、要素の切り出し、要素に対応する領域を特定する情報の取得である。なお、要素は、上述した通り、例えば、顔の画像部分であるが、人物全体の画像部分、特定のオブジェクト（例えば、犬や猫等の動物、自動車など）の画像部分等でも良い。なお、分類対象が画像に関する情報でない場合、クラスタ評価装置１は、画像格納部１１１や画像認識部１２１は有さない。
要素間類似度算出部１２２は、２以上の各クラスタごとに、各クラスタ対応するクラスタ情報を用いて、クラスタに含まれる２以上の各要素間の類似度を算出する。なお、要素間の類似度の算出とは、例えば、２つの画像の類似度を算出すること、２つの文書の類似度を算出すること等である。画像の類似度の算出は、例えば、画像から１以上の特徴量を取得し、１以上の特徴量を有する特徴量ベクトルの類似度（例えば、コサイン値）を算出することである。また、文書の類似度の算出は、例えば、文書ベクトルを取得し、文書ベクトルの類似度（例えば、コサイン値）を算出することである。なお、画像の類似度や文書の類似度を算出する処理は公知技術であるので、詳細な説明は省略する。
内部類似度算出部１２３は、２以上の各クラスタごとに、内部類似度を算出する。内部類似度とは、クラスタの内部の類似度である、と言える。内部類似度は、２以上の各要素間の類似度から取得される類似度であり、各クラスタの内部全体の類似度を代表する類似度である。内部類似度は、２以上の各要素間の２以上の類似度から算出される値である。
内部類似度算出部１２３は、例えば、クラスタ内の２以上の各要素間の１以上の類似度を統計処理した結果である内部類似度を算出する。ここで、統計処理とは、例えば、平均値の算出、中央値の取得、最大値の取得、最小値の取得等である。ただし、内部類似度とは、クラスタの内部の類似度を代表する情報であれば、統計処理の内容は問わない。
第一評価値算出部１２４は、最小内部類似度と採用内部類似度とを用いて、最小内部類似度と採用内部類似度との差異に関する情報である第一評価値を算出する。最小内部類似度とは、内部類似度算出部１２３がクラスタ毎に算出した内部類似度のうちの最小の類似度である。
採用内部類似度とは、内部類似度算出部１２３がクラスタ毎に算出した１以上の内部類似度から取得される情報である。採用内部類似度は、例えば、２番目に小さな内部類似度である。２番目からＮ（Ｎは３以上の自然数）番目までに小さな内部類似度の平均値、２番目からＮ（Ｎは３以上の自然数）番目までに小さな内部類似度の中央値などでも良い。採用内部類似度は、最小内部類似度とは異なる情報である。採用内部類似度は、最小内部類似度をも用いて算出された情報（例えば、すべての内部類似度の平均値、すべての内部類似度の中央値など）でも良い。
第一評価値は、例えば、最小内部類似度と採用内部類似度との差の絶対値である。第一評価値は、例えば、最小内部類似度と採用内部類似度との差の絶対値に係数を乗算した値、最小内部類似度と採用内部類似度との比などでも良い。
第一評価値算出部１２４は、例えば、以下の数式１により、第一評価値を算出する。なお、第一評価値は、例えば、数式１のｆｄｉｆ（Ｋ）である。第一評価値は、例えば、最小内部類似度と採用内部類似度（２番目に小さな内部類似度）との差の絶対値である。
第二評価値算出部１２５は、画像認識部１２１が認識した要素であり、同一の画像内の２以上の要素が同一のクラスタに属さない度合いに関する情報である第二評価値を算出する。なお、第二評価値は、同一の画像内の２以上の要素が同一のクラスタに属する度合いに関する情報でも良い。同一の画像内の２以上の要素が同一のクラスタに属する度合いに関する情報は、同一の画像内の２以上の要素が同一のクラスタに属さない度合いに関する情報である、と言える。なお、分類の対象が画像に関係しない場合、クラスタ評価装置１は、第二評価値算出部１２５を有さない。
第二評価値算出部１２５は、画像認識部１２１が認識した要素であり、同一の画像内の２以上の要素の組み合わせである１以上の要素組を取得し、１以上の各要素組が異なるクラスタに属するか同一のクラスタに属するかを、クラスタ情報格納部１１２の２以上のクラスタ情報を用いて判断し、１以上の各要素組が異なるクラスタに属する割合が大きいほど、高い評価値となる第二評価値を算出する。
第二評価値算出部１２５は、例えば、以下の数式２により、第二評価値（ｆｃｕｔ（Ｋ））を算出する。
数式２において、｜Ｐａｌｌ｜は、同じ写真に写った人物の組み合わせの数である。また、｜Ｐｃｕｔ｜は、同じ写真に写った人物の組み合わせのうち、異なるクラスタに属している数である。
第二評価値算出部１２５は、同一の画像内の２以上の要素の組み合わせの数と、１以上の各要素組が異なるクラスタに属する数との比を第二評価値（ｆｃｕｔ（Ｋ））として算出する。
総合評価値算出部１２６は、第一評価値と第二評価値とを用いて、総合評価値を算出する。総合評価値算出部１２６は、通常、第一評価値と第二評価値とをパラメータとする増加関数により、総合評価値を算出する。なお、分類の対象が画像に関係しない場合、クラスタ評価装置１は、総合評価値算出部１２６を有さない。
総合評価値は、例えば、「第一評価値×第二評価値」、第一評価値と第二評価値との平均値、第一評価値と第二評価値のうちの最大値、第一評価値と第二評価値のうちの最小値等である。
総合評価値算出部１２６は、例えば、以下の数式３により、総合評価値（ｆ（Ｋ））を算出する。
出力部１３は、各種の情報を出力する。各種の情報とは、例えば、第一評価値、第二評価値、総合評価値等である。なお、分類の対象が画像に関係しない場合、出力部１３は、第一評価値を出力する。
ここで、出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部の装置への送信、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。
評価値出力部１３１は、第一評価値を出力する。また、評価値出力部１３１は、総合評価値を出力しても良い。
格納部１１、画像格納部１１１、およびクラスタ情報格納部１１２は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
格納部１１等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が格納部１１等で記憶されるようになってもよく、通信回線等を介して送信された情報が格納部１１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が格納部１１等で記憶されるようになってもよい。
処理部１２、画像認識部１２１、要素間類似度算出部１２２、内部類似度算出部１２３、第一評価値算出部１２４、第二評価値算出部１２５、および総合評価値算出部１２６は、通常、ＭＰＵやメモリ等から実現され得る。処理部１２等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
出力部１３、評価値出力部１３１は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部１３等は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
次に、クラスタ評価装置１の動作例について、図２のフローチャートを用いて説明する。
（ステップＳ２０１）処理部１２は、カウンタｉに１を代入する。
（ステップＳ２０２）処理部１２は、クラスタ情報格納部１１２に、ｉ番目のクラスタ情報が存在するか否かを判断する。ｉ番目のクラスタ情報が存在すればステップＳ２０３に行き、ｉ番目のクラスタ情報が存在しなければステップＳ２０５に行く。
（ステップＳ２０３）内部類似度算出部１２３は、ｉ番目のクラスタ情報に対応する内部類似度を算出し、図示しないバッファに一時蓄積する。内部類似度算出処理について、図３のフローチャートを用いて説明する。
（ステップＳ２０４）処理部１２は、カウンタｉを１、インクリメントする。
（ステップＳ２０５）第一評価値算出部１２４は、ステップＳ２０３で算出された２以上の内部類似度のうち、最小の類似度を示す最小内部類似度を取得する。
（ステップＳ２０６）第一評価値算出部１２４は、ステップＳ２０３で算出された２以上の内部類似度のうちで最小内部類似度を除く、１以上の内部類似度を用いて、採用内部類似度を取得する。第一評価値算出部１２４は、例えば、２番目に小さな内部類似度を取得する。
（ステップＳ２０７）第一評価値算出部１２４は、ステップＳ２０５で取得した最小内部類似度と、ステップＳ２０６で取得した採用内部類似度とを用いて、第一評価値を算出する。
（ステップＳ２０８）第二評価値算出部１２５は、第二評価値を算出する。第二評価値算出処理について、図４のフローチャートを用いて説明する。
（ステップＳ２０９）総合評価値算出部１２６は、第一評価値と第二評価値とを用いて、総合評価値を算出する。
（ステップＳ２１０）評価値出力部１３１は、評価値を出力する。処理を終了する。ここで出力される評価値は、通常、総合評価値である。ただし、第一評価値または／および第二評価値を算出しても良い。なお、評価値出力部１３１は、総合評価値を出力しなくても良い。かかる場合、ステップＳ２０８、Ｓ２０９は存在しなくても良い。
次に、ステップＳ２０３の内部類似度算出処理の例について、図３のフローチャートを用いて説明する。
（ステップＳ３０１）要素間類似度算出部１２２は、カウンタｉに１を代入する。
（ステップＳ３０２）要素間類似度算出部１２２は、着目しているクラスタ内にｉ番目の要素が存在するか否かを判断する。ｉ番目の要素が存在する場合はステップＳ３０３に行き、ｉ番目の要素が存在しない場合はステップＳ３０８に行く。
（ステップＳ３０３）要素間類似度算出部１２２は、カウンタｊにｉ＋１を代入する。
（ステップＳ３０４）要素間類似度算出部１２２は、着目しているクラスタ内にｊ番目の要素が存在するか否かを判断する。ｊ番目の要素が存在する場合はステップＳ３０５に行き、ｊ番目の要素が存在しない場合はステップＳ３０７に行く。
（ステップＳ３０５）要素間類似度算出部１２２は、ｉ番目の要素とｊ番目の要素との類似度を取得し、図示しないバッファに一時蓄積する。なお、例えば、要素間類似度算出部１２２は、ｉ番目の要素の特徴ベクトルとｊ番目の要素の特徴ベクトルを取得する。そして、要素間類似度算出部１２２は、取得した２つの特徴ベクトルの類似度を算出する。
（ステップＳ３０６）要素間類似度算出部１２２は、カウンタｊを１、インクリメントする。ステップＳ３０４に戻る。
（ステップＳ３０７）要素間類似度算出部１２２は、カウンタｉを１、インクリメントする。ステップＳ３０２に戻る。
（ステップＳ３０８）内部類似度算出部１２３は、ステップＳ３０５で取得された１または２以上の類似度を用いて、内部類似度を算出する。上位処理にリターンする。なお、内部類似度算出部１２３は、例えば、ステップＳ３０５で取得された１または２以上の類似度の平均値を内部類似度として取得しても良い。また、内部類似度算出部１２３は、数式１で示した正規化密度の考え方を用いて、内部類似度を算出しても良い。かかる場合、例えば、「内部類似度＝（着目しているクラスタ内の各要素の類似度の平均値）／（着目しているクラスタ内の各要素と全要素との間の類似度の平均値）」である。
次に、ステップＳ２０８の第二評価値算出処理について、図４のフローチャートを用いて説明する。
（ステップＳ４０１）処理部１２は、初期化を行う。具体的には、処理部１２は、カウンタｉに１を代入し、変数ａｌｌに０を代入し、変数ｃｕｔに０を代入する。
（ステップＳ４０２）処理部１２は、画像格納部１１１にｉ番目の画像が存在するか否かを判断する。ｉ番目の画像が存在する場合はステップＳ４０３に行き、ｉ番目の画像が存在しない場合はステップＳ４１１に行く。
（ステップＳ４０３）画像認識部１２１は、ｉ番目の画像に対して、画像認識処理を行い、要素（例えば、顔の画像）を認識する。なお、要素の認識とは、例えば、要素の取得、要素の領域を特定する情報の取得等である。
（ステップＳ４０４）第二評価値算出部１２５は、カウンタｊに１を代入する。
（ステップＳ４０５）第二評価値算出部１２５は、ステップＳ４０３で認識された１以上の要素の中に、ｊ番目のペア（要素の対）が存在するか否かを判断する。ｊ番目のペアが存在する場合はステップＳ４０６に行き、存在しない場合はステップＳ４１０に行く。
（ステップＳ４０６）第二評価値算出部１２５は、変数ａｌｌに１を加算する。
（ステップＳ４０７）第二評価値算出部１２５は、ｊ番目のペアを構成する２つの要素が異なるクラスタに属するか否かを、クラスタ情報格納部１１２のクラスタ情報を参照し、判断する。異なるクラスタに属する場合はステップＳ４０８に行き、同じクラスタに属する場合はステップＳ４０９に行く。
（ステップＳ４０８）第二評価値算出部１２５は、変数ｃｕｔに１を加算する。
（ステップＳ４０９）第二評価値算出部１２５は、ｊをインクリメントする。ステップＳ４０５に戻る。
（ステップＳ４１０）処理部１２は、ｉをインクリメントする。ステップＳ４０２に戻る。
（ステップＳ４１１）第二評価値算出部１２５は、第二評価値を算出する。第二評価値算出部１２５は、変数ａｌｌと変数ｃｕｔの値を用いて、第二評価値を算出する。例えば、第二評価値算出部１２５は、変数ａｌｌをパラメータとする減少関数であり、変数ｃｕｔをパラメータとする増加関数を用いて、第二評価値を算出す。第二評価値算出部１２５は、例えば、関数「第二評価値＝ｃｕｔ／ａｌｌ」により、第二評価値を算出する。
以上、本実施の形態によれば、クラスタの適切な評価が可能となる。そして、クラスタの適切な評価を用いて、写真等の分類対象を適切に分類することが可能となる。
なお、
本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態におけるクラスタ評価装置１を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、記録媒体は、２以上の要素を含むクラスタに関する情報である２以上のクラスタ情報が格納されるクラスタ情報格納部を具備し、コンピュータを、前記２以上の各クラスタごとに、対応するクラスタ情報を用いて、クラスタに含まれる２以上の各要素間の類似度を算出する要素間類似度算出部と、前記２以上の各クラスタごとに、前記２以上の各要素間の類似度から、各クラスタの内部全体の類似度を代表する類似度である内部類似度を算出する内部類似度算出部と、前記内部類似度算出部が算出した内部類似度のうちの最小の類似度である最小内部類似度と、当該最小内部類似度とは異なる情報であり、前記内部類似度算出部が算出した１以上の内部類似度から取得される採用内部類似度との差異に関する情報である第一評価値を算出する第一評価値算出部と、前記第一評価値を出力する評価値出力部として機能させるためのプログラムである。
上記プログラムにおいて、前記採用内部類似度は、２番目に小さな内部類似度であるものとして、コンピュータを機能させるプログラムであることは好適である。
上記プログラムにおいて、前記第一評価値は、最小内部類似度と採用内部類似度との差であるものとして、コンピュータを機能させるプログラムであることは好適である。
上記の記録媒体は、前記要素は、画像内のオブジェクトであり、２以上の画像が格納される画像格納部をさらに具備し、上記プログラムにおいて、前記画像格納部に格納されている２以上の各画像内の１以上の要素を認識する画像認識部と、前記画像認識部が認識した要素であり、同一の画像内の２以上の要素が同一のクラスタに属さない度合いに関する情報である第二評価値を算出する第二評価値算出部と、前記第一評価値と前記第二評価値とをパラメータとする増加関数により、総合評価値を算出する総合評価値算出部として、コンピュータをさらに機能させ、前記評価値出力部は、前記総合評価値を出力するものとして、コンピュータを機能させるプログラムであることは好適である。
上記プログラムにおいて、前記第二評価値算出部は、前記画像認識部が認識した要素であり、同一の画像内の２以上の要素の組み合わせである１以上の要素組を取得し、当該１以上の各要素組が異なるクラスタに属するか同一のクラスタに属するかを、前記クラスタ情報格納部の２以上のクラスタ情報を用いて、判断し、前記１以上の各要素組が異なるクラスタに属する割合が大きいほど、高い評価値となる第二評価値を算出するものとして、コンピュータを機能させるプログラムであることは好適である。
（実施の形態２）
本実施の形態において、実施の形態１で説明したクラスタ評価装置１を用いたクラスタ数算出装置について説明する。クラスタ数算出装置は、クラスタ評価装置１が出力する評価値を使用して、最も高い評価値に対応するクラスタ数である最良クラスタ数を取得する。
図５は、本実施の形態におけるクラスタ数算出装置２と、実施の形態１で説明したクラスタ評価装置１とを具備する情報システムのブロック図である。
クラスタ数算出装置２は、格納部２１、処理部２２、および出力部２３を備える。格納部２１は、画像格納部１１１を備える。処理部２２は、画像認識部１２１、クラスタリング部２２２、制御部２２３、および最良クラスタ数取得部２２４を備える。出力部２３は、最良クラスタ数出力部２３１を備える。なお、クラスタ評価装置１は、クラスタ評価装置１を含んでいても良い。また、クラスタリングの対象が画像に関する情報でない場合、クラスタ数算出装置２は、画像格納部１１１や画像認識部１２１を有さない。
格納部２１は、各種の情報が格納される。各種の情報とは、例えば、１または２以上の画像である。
処理部２２は、各種の処理を行う。各種の処理とは、例えば、画像認識部１２１、クラスタリング部２２２、制御部２２３、最良クラスタ数取得部２２４等が行う処理である。
クラスタリング部２２２は、３以上の要素を３以上Ｎ（Ｎは４以上の自然数）までのクラスタ数に分類されるようにクラスタリングし、３以上Ｎまでのクラスタ数ごとに、２以上の各要素を含むクラスタのクラスタ情報の集合である２以上のクラスタ情報群を取得する。なお、Ｎは、通常、予め決められている。しかし、Ｎは、動的にユーザから与えられたり、外部の装置から取得したりされても良い。また、クラスタ数が決まっている状況で、情報をクラスタリングする技術は公知技術であるので、詳細な説明を省略する。ここで、情報とは、上述した要素である。また、クラスタリング部２２２は、通常、クラスタ数ｉを初期値（通常、２であるがＮ未満の自然数であれば良い。）からＮまで変更しながら、クラスタ数ごとに、３以上の要素を分類し、ｉのクラスタに分類されたクラスタ情報群を取得する。クラスタ情報は、クラスタを識別するクラスタ識別子と１以上の要素の集合である。また、クラスタ情報は、クラスタを識別するクラスタ識別子と要素の識別子である１以上の要素識別子の集合でも良い。なお、クラスタリング部２２２が分類する３以上の要素は、例えば、画像認識部１２１が認識し、取得した３以上の要素である。
制御部２２３は、クラスタ評価装置１を動作させ、クラスタ評価装置１が出力する評価値を取得する。クラスタ評価装置１が出力する評価値は、通常、総合評価値であるが、第一評価値でも良い。
また、制御部２２３は、クラスタ評価装置１に、クラスタリング部２２２が取得した２以上の各クラスタ情報群を与える。そして、制御部２２３は、クラスタ評価装置１から、クラスタ情報群ごとに、クラスタ評価装置１から評価値を得る。なお、制御部２２３がクラスタ評価装置１に与えるクラスタ情報群は、クラスタ評価装置１のクラスタ情報格納部１１２に、例えば、一時的に格納される。また、制御部２２３は、クラスタ数、クラスタ情報群、および評価値を、図示しないバッファ等に一時的に蓄積する等しても良い。
最良クラスタ数取得部２２４は、制御部２２３が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ数である最良クラスタ数を取得する。
出力部２３は、各種の情報を取得する。各種の情報とは、例えば、最良クラスタ数である。
最良クラスタ数出力部２３１は、最良クラスタ数取得部２２４が取得した最良クラスタ数を出力する。
格納部２１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。格納部２１に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が格納部２１で記憶されるようになってもよく、通信回線等を介して送信された情報が格納部２１で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が格納部２１で記憶されるようになってもよい。
処理部２２、画像認識部１２１、クラスタリング部２２２、制御部２２３、および最良クラスタ数取得部２２４は、通常、ＭＰＵやメモリ等から実現され得る。処理部２２等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
出力部２３、および最良クラスタ数出力部２３１は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部２３等は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
次に、クラスタ数算出装置２の動作例について、図６のフローチャートを用いて説明する。
（ステップＳ６０１）画像認識部１２１は、カウンタｉに１を代入する。
（ステップＳ６０２）画像認識部１２１は、画像格納部１１１にｉ番目の画像が存在するか否かを判断する。ｉ番目の画像が存在する場合はステップＳ６０３に行き、ｉ番目の画像が存在しない場合はステップＳ６０５に行く。
（ステップＳ６０３）画像認識部１２１は、画像格納部１１１のｉ番目の画像に対して、画像認識処理を行い、要素を認識し、認識結果を格納部２１に少なくとも一時蓄積する。なお、認識結果とは、例えば、要素そのもの、要素の領域を特定する情報等である。
（ステップＳ６０４）画像認識部１２１は、ｉをインクリメントする。ステップＳ６０２に戻る。
（ステップＳ６０５）クラスタリング部２２２は、カウンタｊに初期クラスタ数を代入する。初期クラスタ数とは、通常、予め決められている数であり、要素を分類する最低数のクラスタ数である。初期クラスタ数は、例えば、２である。
（ステップＳ６０６）クラスタリング部２２２は、ｊが最大クラスタ数Ｎ以下であるか否かを判断する。ｊが最大クラスタ数Ｎ以下である場合はステップＳ６０７に行き、ｊが最大クラスタ数Ｎより大きい場合はステップＳ６１２に行く。なお、最大クラスタ数Ｎは、通常、予め決められている数であり、要素を分類する最大数のクラスタ数である。Ｎは、例えば、１００である。
（ステップＳ６０７）クラスタリング部２２２は、格納部２１に格納されている２以上の要素を、ｊのクラスタに分類する。
（ステップＳ６０８）制御部２２３は、ステップＳ６０７で分類されたｊのクラスタのクラスタ情報群をクラスタ評価装置１に与え、クラスタ評価装置１を動作させる。
（ステップＳ６０９）制御部２２３は、ｊのクラスタの評価値をクラスタ評価装置１から取得する。
（ステップＳ６１０）制御部２２３は、クラスタ数ｊとステップＳ６０９で取得した評価値とを対応付けて図示しないバッファに一時蓄積する。なお、ここで、制御部２２３は、ステップＳ６０７で取得されたｊのクラスタのクラスタ情報群をも、ｊに対応付けて図示しないバッファに一時蓄積しても良い。
（ステップＳ６１１）クラスタリング部２２２は、ｊをインクリメントする。ステップＳ６０６に戻る。
（ステップＳ６１２）最良クラスタ数取得部２２４は、ステップＳ６１０で一時蓄積された評価値の中で最良の評価値に対応するクラスタ数ｊを取得する。
（ステップＳ６１３）最良クラスタ数出力部２３１は、ステップＳ６１２で取得された最良クラスタ数ｊを出力する。処理を終了する。
なお、図６のフローチャートにおいて、分類対象の要素が予め格納されていても良い。かかる場合、ステップＳ６０１からステップＳ６０４は不要である。
以上、本実施の形態によれば、写真等の分類対象を適切に分類する場合のクラスタ数を自動的に決定できる。
なお、本実施の形態におけるクラスタ数算出装置２を実現するソフトウェアは、以下のようなプログラムである。つまり、コンピュータを、３以上の要素を３以上Ｎ（Ｎは４以上の自然数）までのクラスタ数に分類されるようにクラスタリングし、３以上Ｎまでのクラスタ数ごとに、２以上の各要素を含むクラスタのクラスタ情報の集合である２以上のクラスタ情報群を取得するクラスタリング部と、前記２以上のクラスタ情報群ごとに、クラスタ評価装置を動作させ、当該クラスタ評価装置が出力する第一評価値または総合評価値である評価値を取得する制御部と、前記制御部が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ数である最良クラスタ数を取得する最良クラスタ数取得部と、前記最良クラスタ数を出力する最良クラスタ数出力部とを具備するクラスタ数算出装置として機能させるためのプログラムである。
また、コンピュータがアクセス可能な記録媒体は、２以上の画像が格納される画像格納部を具備し、上記のプログラムは、コンピュータを、前記画像格納部に格納されている２以上の各画像内の１以上の要素を認識する画像認識部としてさらに機能させ、前記クラスタリング部が分類する３以上の要素は、前記画像認識部が取得した３以上の要素であるものとして、コンピュータを機能させるプログラムであることは好適である。
（実施の形態３）
本実施の形態において、クラスタ評価装置１を用いたクラスタ装置について説明する。クラスタ装置は、クラスタ評価装置１が出力する評価値を使用して、最も高い評価値に対応するクラスタ情報群である最良クラスタ情報群を取得する。
図７は、本実施の形態におけるクラスタ装置３のブロック図である。
クラスタ装置３は、格納部２１、処理部３２、および出力部３３を備える。処理部３２は、画像認識部１２１、クラスタリング部２２２、制御部２２３、および最良クラスタ情報群取得部３２４を備える。出力部３３は、最良クラスタ情報群出力部３３１を備える。
処理部３２は、各種の処理を行う。各種の処理とは、例えば、画像認識部１２１、クラスタリング部２２２、制御部２２３、最良クラスタ情報群取得部３２４等が行う処理である。
最良クラスタ情報群取得部３２４は、制御部２２３が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ情報群である最良クラスタ情報群を取得する。
出力部３３は、各種の情報を出力する。各種の情報とは、例えば、最良クラスタ情報群である。
最良クラスタ情報群出力部３３１は、最良クラスタ情報群を出力する。
処理部３２、および最良クラスタ情報群取得部３２４は、通常、ＭＰＵやメモリ等から実現され得る。処理部３２等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
出力部３３、および最良クラスタ情報群出力部３３１は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。出力部３３等は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
次に、クラスタ装置３の動作について、図８のフローチャートを用いて説明する。図８のフローチャートにおいて、図６のフローチャートと同一のステップについて説明を省略する。
（ステップＳ８０１）制御部２２３は、クラスタ数ｊと、ステップＳ６０７で取得されたｊのクラスタのクラスタ情報群と、ステップＳ６０９で取得した評価値とを対応付けて図示しないバッファに一時蓄積する。
（ステップＳ８０２）最良クラスタ情報群取得部３２４は、制御部２２３が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ情報群である最良クラスタ情報群を取得する。
（ステップＳ８０３）最良クラスタ情報群出力部３３１は、ステップＳ８０２で取得された最良クラスタ情報群を出力する。処理を終了する。
なお、図８のフローチャートにおいて、分類対象の要素が予め格納されていても良い。かかる場合、ステップＳ６０１からステップＳ６０４は不要である。
以上、本実施の形態によれば、写真等の分類対象を適切に分類できる。
なお、本実施の形態におけるクラスタ装置３を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータを、３以上の要素を３以上Ｎ（Ｎは４以上の自然数）までのクラスタ数に分類されるように、かつ類似度の大きい要素が同一のクラスタに属するようにクラスタリングし、３以上Ｎまでのクラスタ数ごとに、２以上の各要素を含むクラスタのクラスタ情報の集合である２以上のクラスタ情報群を取得するクラスタリング部と、前記２以上のクラスタ情報群ごとに、クラスタ評価装置を動作させ、当該クラスタ評価装置が出力する第一評価値または総合評価値である評価値を取得する制御部と、前記制御部が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ情報群である最良クラスタ情報群を取得する最良クラスタ情報群取得部と、前記最良クラスタ情報群を出力する最良クラスタ情報群出力部として機能させるためのプログラムである。
また、コンピュータがアクセス可能な記録媒体は、２以上の画像が格納される画像格納部を具備し、上記のプログラムは、コンピュータを、前記画像格納部に格納されている２以上の各画像内の１以上の要素を認識する画像認識部としてさらに機能させ、前記クラスタリング部が分類する３以上の要素は、前記画像認識部が取得した３以上の要素であるものとして、コンピュータを機能させるプログラムであることは好適である。
［実験について］
以下、上記実施の形態におけるクラスタ評価装置１、クラスタ数算出装置２，およびクラスタ装置３の実験結果について説明する。本実験での処理対象は写真であり、分類対象は写真内の人物の顔画像である。
本実験では、主要人物の人数が変化しても、上記実施の形態における手法（提案手法）が有用であることを検証するために、写真群に写っている主要人物の人数を変化させた仮想データセットを用いて実験を行った。また、実環境のデータに対しても提案手法が有用であることを検証するために、写真共有サイトから実際に存在する写真群を用いて実験を行った。さらに具体的には、本実験において、Ｗｅｂ上から著名人の顔画像を１万枚以上も集めた、写真共有サイト「Labeled Faces in the Wild (URL)http://vis-www.cs.umass.edu/lfw/」のデータセットから無作為に選んだ人物で、主要人物の人数が３，５，１０、１５人の仮想的な写真群データを作成し、ノイズとなる非顔画像を別途付加して評価用データセットを作成した。仮想データセットの詳細について、図９に示す。図９において、主要人物を３、５、１０、１５人と変化させて実行を行ったことを示す。また、一人あたりの顔画像は３０枚用意した。また、非主要人物の顔画像も３０枚用意した。従って、全ての顔画像の枚数は、主要人物が３人の場合は「１２０枚」、５人の場合は「１８０枚」、１０人の場合は「３３０枚」、１５人の場合は「４８０枚」となる。また、各人物と同一写真に写る回数を５回、とした。また、同一写真に写った全ての顔の組み合わせは、主要人物が３人の場合は「１５」、５人の場合は「５０」、１０人の場合は「２２５」、１５人の場合は「５２５」とした。さらに、実験でのデータ数を増加させるために、５セット用意した。
また、本実験において、以下の実験方法を採った。上述した写真から、クラスタ装置３の画像認識部１２１は、顔検出技術によって写真に写っている人物の顔画像を得た。顔画像は，ある人物の顔の領域が矩形で切り出されたものである。本実験では、画像認識部１２１は、OKAOvision「http://www.omron.co.jp/ecb/products/mobile/.（参照）」の機能の一つである顔検出機能により実現した。
また、クラスタリング部２２２は、以下のように、得られた顔画像の間の類似度を重みとした隣接行列を作成した。つまり、クラスタリング部２２２は、得られた顔画像から，各顔画像の特徴ベクトルを取得し、当該特徴ベクトルをもとに顔間の類似度を算出した。本実験では、上述したOKAOvisionの機能の一つである顔認識を用いて顔間の類似度を算出した。つまり、クラスタリング部２２２は、OKAOvisionの顔認識機能を用いて実現した。なお、クラスタリング部２２２における顔認識による類似度の計算は、顔の目や口の端点を特徴点として定義し、特徴点をノードとすることで顔グラフを表現した。そして、そのグラフの各ノードは、特徴点周辺から抽出されるガボール特徴量を持つ。また、クラスタリング部２２２は、ガボール特徴量を、画像とガボールフィルタの畳み込み演算を行うガボールウェーブレット変換によって抽出した。そして、クラスタリング部２２２は、抽出したガボール特徴量と個人の顔グラフとの相関を求めることにより、類似度を算出した。なお、本方法は、他の手法よりも個人識別精度が高い。
そして、本実験において、クラスタリング部２２２は、算出した類似度を用いて、顔画像をクラスタリングした。
本実験において、上述したクラスタ評価装置１、クラスタ数算出装置２、およびクラスタ装置３の手法である提案手法と、下記の２つの従来手法（従来手法１、従来手法２）とを比較した。従来手法１は、「T. Uno "An efficient algorithm for enumeraVng pseudo cliques " , Algorithmica 2010」に記載されている手法である。従来手法１は、部分グラフ内に張っているリンクの重み密度がしきい値以上の部分グラフを発見する手法である。従来手法１は、クラスタ内の類似度のみを考慮する手法である。また、従来手法２は、「M.E.Newman, "Modularity and community structure in networks", PNAS 2006」に記載されている手法である。従来手法２は、outlier を考慮しないでクラスタ数自動決定を行い、グラフをクラスタリングする手法である。また、本実験において、提案手法は、クラスタ数が未知の提案手法（未知）と、クラスタ数が既知の提案手法（既知）の２つの場合を適宜用いた。
上記の状況において、以下の３つの実験結果について説明する。
（実験１）
実験１では、上述した写真において、主要人物の人数を３、５、１０、１５人と変えながら、主要人物の人数を推定する実験を行った。主要人物の人数を推定する実験は、画像内の顔画像をクラスタリングする際のクラスタ数を決定する実験と言える。本実験は、クラスタ数算出装置２を用いて行った。なお、主要人物の人数がクラスタ数に近いほど高い評価となる。
その結果を図１０に示す。図１０の３つの各手法の結果は、クラスタ数と主要人物の人数との差を示している。主要人物の人数が３人の場合は、提案手法（未知）での誤差は０．０であり、従来手法（１）（２）を上回っている。さらに、主要人物の人数が１５人の場合、提案手法（未知）での誤差は２．６であり、従来手法（１）（２）を大きく上回っている。
（実験２）
実験２では、上述した写真において、主要人物の人数を３、５、１０、１５人と変えながら、主要人物(inlier) と非主要人物(outlier) の２クラス分類が有効に働いているか検証するために、outlier として取り除かれた要素群のＦ値を算出した。かかるＦ値のグラフを図１１に示す。図１１において、提案手法（未知）、提案手法（既知）ともに、どの人数のデータに対しても従来手法（１）よりも高いＦ値を示している。よって、提案手法（未知）、提案手法（既知）ともに、従来手法（１）よりも主要人物(inlier) と非主要人物(outlier) の２クラス分類は有用であると考えられる。
（実験３）
実験３では、上述した写真において、主要人物の人数を３、５、１０、１５人と変えながら、主要人物毎の分類が有効に働いているか検証するために主要人物とみなしたクラスタの再現率を求めた。詳細な実験データを図１２に示す。図１２において、各人数のデータの再現率の平均を示した。
提案手法（未知）は、各人数のデータに対して従来手法（１）（２）より高い再現率を示した。その結果、主要人物の人数が変化しても、理想的なクラスタ数を与えることができれば提案手法も従来手法よりも主要人物毎の分類に関して、よい精度が出ることが確認できた。
また、クラスタ数が既知の場合を比較すると、提案手法(既知) は従来手法(既知)よりもすべての人数で高い再現率を示した。これにより、outlier を含むデータに対してはoutlier を一つのクラスタにまとまりやすい性質を利用することが有効であることが確認できた。
また、図１３は、本明細書で述べたプログラムを実行して、上述した種々の実施の形態のクラスタ評価装置等を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図１３は、このコンピュータシステム３００の概観図であり、図１４は、システム３００のブロック図である。
図１３において、コンピュータシステム３００は、ＣＤ−ＲＯＭドライブを３０１２含むコンピュータ３０１と、キーボード３０２と、マウス３０３と、モニタ３０４とを含む。
図１４において、コンピュータ３０１は、ＣＤ−ＲＯＭドライブ３０１２と、ＭＰＵ３０１３と、ＭＰＵ３０１３と、バス３０１４と、ＲＯＭ３０１５と、ＲＡＭ３０１６と、ハードディスク３０１７とを含む。ＲＯＭ３０１５は、ブートアッププログラム等のプログラムを記憶している。ＲＡＭ３０１６は、ＭＰＵ３０１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供する。ハードディスク３０１７は、通常、アプリケーションプログラム、システムプログラム、及びデータを記憶している。ここでは、図示しないが、コンピュータ３０１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
コンピュータシステム３００に、上述した実施の形態のクラスタ評価装置等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３１０１に記憶されて、ＣＤ−ＲＯＭドライブ３０１２に挿入され、さらにハードディスク３０１７に転送されても良い。また、プログラムは、図示しないネットワークを介してコンピュータ３０１に送信され、ハードディスク３０１７に記憶されても良い。プログラムは実行の際にＲＡＭ３０１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３１０１またはネットワークから直接、ロードされても良い。
プログラムは、コンピュータ３０１に、上述した実施の形態のクラスタ評価装置等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切なモジュールを呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３００がどのように動作するかは周知であり、詳細な説明は省略する。
なお、上記プログラムにおいて、情報を送信する送信ステップや、情報を受信する受信ステップなどでは、ハードウェアによって行われる処理、例えば、送信ステップにおけるモデムやインターフェースカードなどで行われる処理（ハードウェアでしか行われない処理）は含まれない。
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
以上のように、本発明にかかるクラスタ評価装置は、写真等の分類対象を適切に分類することを支援できるという効果を有し、クラスタ評価装置等として有用である。
１ クラスタ評価装置
２ クラスタ数算出装置
３ クラスタ装置
１０ 受付部
１１、２１ 格納部
１２、２２、３２ 処理部
１３、２３、３３ 出力部
１１１ 画像格納部
１１２ クラスタ情報格納部
１２１ 画像認識部
１２２ 要素間類似度算出部
１２３ 内部類似度算出部
１２４ 第一評価値算出部
１２５ 第二評価値算出部
１２６ 総合評価値算出部
１３１ 評価値出力部
２２２ クラスタリング部
２２３ 制御部
２２４ 最良クラスタ数取得部
２３１ 最良クラスタ数出力部
３２４ 最良クラスタ情報群取得部
３３１ 最良クラスタ情報群出力部

Claims (12)

  1. ２以上の要素を含むクラスタに関する情報である２以上のクラスタ情報が格納されるクラスタ情報格納部と、
    前記２以上の各クラスタごとに、対応するクラスタ情報を用いて、クラスタに含まれる２以上の各要素間の類似度を算出する要素間類似度算出部と、
    前記２以上の各クラスタごとに、前記２以上の各要素間の類似度から、各クラスタの内部全体の類似度を代表する類似度である内部類似度を算出する内部類似度算出部と、
    前記内部類似度算出部が算出した内部類似度のうちの最小の類似度である最小内部類似度と、当該最小内部類似度とは異なる情報であり、前記内部類似度算出部が算出した１以上の内部類似度から取得される採用内部類似度との差異に関する情報である第一評価値を算出する第一評価値算出部と、
    前記第一評価値を出力する評価値出力部とを具備するクラスタ評価装置。
  2. 前記採用内部類似度は、
    ２番目に小さな内部類似度である請求項１記載のクラスタ評価装置。
  3. 前記第一評価値は、
    最小内部類似度と採用内部類似度との差である請求項１または請求項２記載のクラスタ評価装置。
  4. 前記要素は、画像内のオブジェクトであり、
    ２以上の画像が格納される画像格納部と、
    前記画像格納部に格納されている２以上の各画像内の１以上の要素を認識する画像認識部と、
    前記画像認識部が認識した要素であり、同一の画像内の２以上の要素が同一のクラスタに属さない度合いに関する情報である第二評価値を算出する第二評価値算出部と、
    前記第一評価値と前記第二評価値とをパラメータとする増加関数により、総合評価値を算出する総合評価値算出部とをさらに具備し、
    前記評価値出力部は、
    前記総合評価値を出力する請求項１から請求項３いずれか一項に記載のクラスタ評価装置。
  5. 前記第二評価値算出部は、
    前記画像認識部が認識した要素であり、同一の画像内の２以上の要素の組み合わせである１以上の要素組を取得し、当該１以上の各要素組が異なるクラスタに属するか同一のクラスタに属するかを、前記クラスタ情報格納部の２以上のクラスタ情報を用いて判断し、前記１以上の各要素組が異なるクラスタに属する割合が大きいほど、高い評価値となる第二評価値を算出する請求項４記載のクラスタ評価装置。
  6. ３以上の要素を３以上Ｎ（Ｎは４以上の自然数）までのクラスタ数に分類されるようにクラスタリングし、３以上Ｎまでのクラスタ数ごとに、２以上の各要素を含むクラスタのクラスタ情報の集合である２以上のクラスタ情報群を取得するクラスタリング部と、
    前記２以上のクラスタ情報群ごとに、請求項１から請求項５いずれか記載のクラスタ評価装置を動作させ、当該クラスタ評価装置が出力する第一評価値または総合評価値である評価値を取得する制御部と、
    前記制御部が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ数である最良クラスタ数を取得する最良クラスタ数取得部と、
    前記最良クラスタ数を出力する最良クラスタ数出力部とを具備するクラスタ数算出装置。
  7. ２以上の画像が格納される画像格納部と、
    前記画像格納部に格納されている２以上の各画像内の１以上の要素を認識し、３以上の要素を取得する画像認識部をさらに具備し、
    前記クラスタリング部が分類する３以上の要素は、前記画像認識部が取得した３以上の要素である請求項６記載のクラスタ数算出装置。
  8. ３以上の要素を３以上Ｎ（Ｎは４以上の自然数）までのクラスタ数に分類されるように、かつ類似度の大きい要素が同一のクラスタに属するようにクラスタリングし、３以上Ｎまでのクラスタ数ごとに、２以上の各要素を含むクラスタのクラスタ情報の集合である２以上のクラスタ情報群を取得するクラスタリング部と、
    前記２以上のクラスタ情報群ごとに、請求項１から請求項５いずれか記載のクラスタ評価装置を動作させ、当該クラスタ評価装置が出力する第一評価値または総合評価値である評価値を取得する制御部と、
    前記制御部が取得した２以上の評価値のうちで、最も高い評価値に対応するクラスタ情報群である最良クラスタ情報群を取得する最良クラスタ情報群取得部と、
    前記最良クラスタ情報群を出力する最良クラスタ情報群出力部とを具備するクラスタ装置。
  9. ２以上の画像が格納される画像格納部と、
    前記画像格納部に格納されている２以上の各画像内の１以上の要素を認識し、３以上の要素を取得する画像認識部をさらに具備し、
    前記クラスタリング部が分類する３以上の要素は、前記画像認識部が取得した３以上の要素である請求項８記載のクラスタ装置。
  10. 前記画像は、写真であり、
    前記要素は、人の顔である請求項８または請求項９記載のクラスタ装置。
  11. 記録媒体は、
    ２以上の要素を含むクラスタに関する情報である２以上のクラスタ情報が格納されるクラスタ情報格納部を具備し、
    要素間類似度算出部、内部類似度算出部、第一評価値算出部、および評価値出力部により実現されるクラスタ評価方法であって、
    前記要素間類似度算出部が、前記２以上の各クラスタごとに、対応するクラスタ情報を用いて、クラスタに含まれる２以上の各要素間の類似度を算出する要素間類似度算出ステップと、
    前記内部類似度算出部が、前記２以上の各クラスタごとに、前記２以上の各要素間の類似度から、各クラスタの内部全体の類似度を代表する類似度である内部類似度を算出する内部類似度算出ステップと、
    前記第一評価値算出部が、前記内部類似度算出ステップで算出された内部類似度のうちの最小の類似度である最小内部類似度と、当該最小内部類似度とは異なる情報であり、前記内部類似度算出部が算出した１以上の内部類似度から取得される採用内部類似度との差異に関する情報である第一評価値を算出する第一評価値算出ステップと、
    前記評価値出力部が、前記第一評価値を出力する評価値出力ステップとを具備するクラスタ評価装置。
  12. コンピュータがアクセス可能な記録媒体は、
    ２以上の要素を含むクラスタに関する情報である２以上のクラスタ情報が格納されるクラスタ情報格納部を具備し、
    コンピュータを、
    前記２以上の各クラスタごとに、対応するクラスタ情報を用いて、クラスタに含まれる２以上の各要素間の類似度を算出する要素間類似度算出部と、
    前記２以上の各クラスタごとに、前記２以上の各要素間の類似度から、各クラスタの内部全体の類似度を代表する類似度である内部類似度を算出する内部類似度算出部と、
    前記内部類似度算出部が算出した内部類似度のうちの最小の類似度である最小内部類似度と、当該最小内部類似度とは異なる情報であり、前記内部類似度算出部が算出した１以上の内部類似度から取得される採用内部類似度との差異に関する情報である第一評価値を算出する第一評価値算出部と、
    前記第一評価値を出力する評価値出力部として機能させるためのプログラム。
JP2016138105A 2016-07-13 2016-07-13 クラスタ評価装置、クラスタ数算出装置、クラスタ装置、クラスタ評価方法、およびプログラム Expired - Fee Related JP6765667B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016138105A JP6765667B2 (ja) 2016-07-13 2016-07-13 クラスタ評価装置、クラスタ数算出装置、クラスタ装置、クラスタ評価方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016138105A JP6765667B2 (ja) 2016-07-13 2016-07-13 クラスタ評価装置、クラスタ数算出装置、クラスタ装置、クラスタ評価方法、およびプログラム

Publications (2)

Publication Number Publication Date
JP2018010438A true JP2018010438A (ja) 2018-01-18
JP6765667B2 JP6765667B2 (ja) 2020-10-07

Family

ID=60995655

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016138105A Expired - Fee Related JP6765667B2 (ja) 2016-07-13 2016-07-13 クラスタ評価装置、クラスタ数算出装置、クラスタ装置、クラスタ評価方法、およびプログラム

Country Status (1)

Country Link
JP (1) JP6765667B2 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310834A (zh) * 2020-02-19 2020-06-19 深圳市商汤科技有限公司 数据处理方法及装置、处理器、电子设备、存储介质
CN111460195A (zh) * 2020-03-26 2020-07-28 Oppo广东移动通信有限公司 图片处理方法、装置、存储介质及电子设备
WO2023181839A1 (ja) * 2022-03-23 2023-09-28 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816149B2 (en) * 2020-02-11 2023-11-14 Samsung Electronics Co., Ltd. Electronic device and control method thereof

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016004577A (ja) * 2014-06-16 2016-01-12 三菱電機株式会社 実時系列内の異常を検出するための方法
JP2016076115A (ja) * 2014-10-07 2016-05-12 株式会社Ｎｔｔドコモ 情報処理装置、情報処理方法及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016004577A (ja) * 2014-06-16 2016-01-12 三菱電機株式会社 実時系列内の異常を検出するための方法
JP2016076115A (ja) * 2014-10-07 2016-05-12 株式会社Ｎｔｔドコモ 情報処理装置、情報処理方法及びプログラム

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310834A (zh) * 2020-02-19 2020-06-19 深圳市商汤科技有限公司 数据处理方法及装置、处理器、电子设备、存储介质
CN111310834B (zh) * 2020-02-19 2024-05-28 深圳市商汤科技有限公司 数据处理方法及装置、处理器、电子设备、存储介质
CN111460195A (zh) * 2020-03-26 2020-07-28 Oppo广东移动通信有限公司 图片处理方法、装置、存储介质及电子设备
WO2023181839A1 (ja) * 2022-03-23 2023-09-28 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム

Also Published As

Publication number Publication date
JP6765667B2 (ja) 2020-10-07

Similar Documents

Publication Publication Date Title
KR102061408B1 (ko) 가상 3차원 심층 신경망을 이용하는 영상 분석 장치 및 방법
WO2020224403A1 (zh) 分类任务模型的训练方法、装置、设备及存储介质
CN108961303B (zh) 一种图像处理方法、装置、电子设备和计算机可读介质
WO2017181923A1 (zh) 一种人脸验证方法、装置及计算机存储介质
CN109255392B (zh) 基于非局部神经网络的视频分类方法、装置及设备
CN103608826B (zh) 利用网络信息挖掘的视频内产品注释
JP6765667B2 (ja) クラスタ評価装置、クラスタ数算出装置、クラスタ装置、クラスタ評価方法、およびプログラム
JP4545641B2 (ja) 類似画像検索方法，類似画像検索システム，類似画像検索プログラム及び記録媒体
US20140072242A1 (en) Method for increasing image resolution
JP5766620B2 (ja) 物体領域検出装置、方法、及びプログラム
JP6158882B2 (ja) 生成装置、生成方法、及び生成プログラム
US20100250588A1 (en) Image searching system and image searching method
CN110889379A (zh) 表情包生成方法、装置及终端设备
JP7419080B2 (ja) コンピュータシステムおよびプログラム
JP2018032340A (ja) 属性推定装置、属性推定方法および属性推定プログラム
CN113112518A (zh) 基于拼接图像的特征提取器生成方法、装置和计算机设备
Rouhi et al. Hybrid clustering of shared images on social networks for digital forensics
WO2017202086A1 (zh) 图片的筛选方法及装置
JP5192437B2 (ja) 物体領域検出装置、物体領域検出方法および物体領域検出プログラム
CN109685714B (zh) 图片压缩方法、装置、设备及计算机可读存储介质
CN106997580B (zh) 图片处理方法和装置
JP2007122101A (ja) 画像処理装置及び画像処理方法
CN111783725A (zh) 人脸识别方法、装置及存储介质
JP6214073B2 (ja) 生成装置、生成方法、及び生成プログラム
JP4434868B2 (ja) 画像分割処理システム

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20160810

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190402

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200129

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200207

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200214

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: 20200825

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200910

R150 Certificate of patent or registration of utility model

Ref document number: 6765667

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees