JP2018502407A - 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム - Google Patents
等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム Download PDFInfo
- Publication number
- JP2018502407A JP2018502407A JP2017545533A JP2017545533A JP2018502407A JP 2018502407 A JP2018502407 A JP 2018502407A JP 2017545533 A JP2017545533 A JP 2017545533A JP 2017545533 A JP2017545533 A JP 2017545533A JP 2018502407 A JP2018502407 A JP 2018502407A
- Authority
- JP
- Japan
- Prior art keywords
- contour
- learning
- metric
- data
- identification system
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 218
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 135
- 238000012360 testing method Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 31
- 230000006854 communication Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 12
- 239000000945 filler Substances 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000026676 system process Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000013481 data capture Methods 0.000 claims description 3
- 230000005055 memory storage Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000003491 array Methods 0.000 claims 1
- 235000000332 black box Nutrition 0.000 claims 1
- 230000010339 dilation Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000010297 mechanical methods and process Methods 0.000 claims 1
- 230000005226 mechanical processes and functions Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000007637 random forest analysis Methods 0.000 claims 1
- 230000001568 sexual effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 25
- 230000006978 adaptation Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 15
- 238000007619 statistical method Methods 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 10
- 201000011510 cancer Diseases 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012958 reprocessing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000000059 patterning Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 241001482107 Alosa sapidissima Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 241000282577 Pan troglodytes Species 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 241001417495 Serranidae Species 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000013064 process characterization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19127—Extracting features by transforming the feature space, e.g. multidimensional scaling; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
図1の10は、多くのグラフィックフォーマットのうちの1つを有する記憶デバイスから(または、カメラ、スキャナ、または画面キャプチャなどを使用するキャプチャデバイスから)デジタルファイルを読み込む(数個のフォーマット「タイプ」の例:ラスターフォーマット、ウェブ内画素フォーマット、メタ/ベクトルフォーマット、ビットマップフォーマット、圧縮フォーマット、GIFフォーマット、アニメーションフォーマット、透過フォーマット、インターレースおよび非インターレースGIFフォーマット、JPEG画像フォーマット、ならびに、プログレッシブJPEG)。全て、図1のプロセスに対して同じように機能する。図1の11は、ソースデータフォーマットにおいて画像を表す強度マトリクスを展開するために使用される。図1の項目11は、プロセスにおけるこの点で、それぞれの強度値を独自の多様体エンクロージャにしている。
ロードされたデータフォーマット(図1の10)からグラフィック強度値(図1の11)を得る。これらは、任意のビット長の強度値の色合い、または白黒の色調とすることができる。ファイルがロードされて、強度値のマトリクスは、ここで、図2に示されるようにマトリクスの行および列として表されることが可能である。図2では、図1の11によって必要とされるように単なる画像強度マトリクスを表す一例が考案され、それによって、画像の全ての多様体は、図1の12〜15を通して低減するように処理可能である。作成された例は、2つの高さの線の等高線パターンの2つの画像、および正方形の等高線パターンの1つの画像を表す。
強度の最小値および最大値を判断する。図2において、単なる5×8の画素の画像シミュレーションが提示される。ここで、最大値および最小値は、画像における等高線パターンが5の強度値によって定義されるため5である。現実には、これらの値は、対象の小数点によって、(実数の手っ取り早い例として)5.663121234234などの実数となり、図1における閾値集合によって判断される。
等高線パターンの境界を記述する点の集合によって、多様体を定義する、または等高線パターンを囲む。図3は、1つの多様体リングに対する選択肢を表す(12および14、または図1)。マトリクス場所空間における1〜5の距離がマトリクスにおける点の間の単位の半分であることが算出される。図3は、19、20および21によって定義される3つの多様体である。例えば、多様体1(19)は、{(2、1.5)、(1.5、2)、(1.5、4)、(2、4.5)、(2.5、4)、(2.5、2)}の集合として点(x、y)によって定義される。多様体2(20)および3(21)は同じように定義される。
図5(23、24、25)の中央のパターンを除く多様体パターン全てを考察することから提案することが所望される場合がある(例は、例えば図19に示されるのより少ないパターンリングを有する図18の等高線パターンメトリック集合を提案することが考えられる)。これによって、多様体を完全に定義するために、中央パターンの多様体メトリックの座標点間表現のみが残されるため、図1および図8〜図16によって作成される多様体を使用する任意の応用に対して、等高線パターンのメトリック分類(図14の116)の「点領域」を表現することが可能である。すなわち、図5において、4つの多様体(3つの中央パターンおよび1の背景)は、61の多様体(20の多様体×3+1の背景=61)の代わりの応用において使用するために作成されているようにする。これによって、多様体作成の利点を使用するアルゴリズムについての計算複雑性が低減され、全て、図10および図11〜図13によって判断される。これらの中央パターンについて、この例において、分割数が無限に近づくため、検出された等高線パターンから生じる多様体が、等高線パターンの形状の(図11における識別精度を高めた)厳密な形状に近づくようになり、その後、ステップ1において示されるように、データフォーマットタイプの画素レベルに(またはデータフォーマットレベル限度に)なると言える。
最終的に、ステップ1〜5は、画像内の等高線パターン全てを発見するステップを行う。ステップ5は、ユーザ、分類器、フィードバックシステム、もしくは統計解析、またはそれの組み合わせが所望する場合、等高線パターンのグループを定義する閾値を利用する。ステップ5によって、オペレータ、または図1の18のプロセスは、等高線パターンの場所の間で所望される(ステップ4を参照)分割の範囲を判断可能となる(図15の122〜138、および図16の140〜160)。これは、図における勾配によって示されるように空間の分割の単純な重み付けである。このステップ6は次いで、{確率密度、領域、x軸の場所、y軸の場所、サブ領域、サブ密度、サブ軸の場所、およびサブyの場所}の集合(図1の18)であるメトリック表現への等高線パターン形状の変換を利用し、かつ、必要に応じて、図14の113〜117に記憶することである。
Claims (80)
- 等高線マップ内で、および少なくとも1つの学習型等高線識別システム内で等高線グループ化を識別するためのコンピュータ実施方法であって、
内部にあるデータタイプを処理し、かつ内部および外部両方にあるデータタイプを取り出すための少なくとも1つの学習型等高線識別システムを準備することであって、ファイルタイプフォーマットは、情報技術におけるデータフォーマットによって記述されるデータフォーマットの外付けコンテナであり、リコールされるデータが前記データタイプの内部または外部フォーマットからであったかどうかについてデータタイプを読み取ることは、方法実行の際にどの段階に前記学習型等高線識別システムが常駐するのかに依存する、準備することと、
フォーマット数値データタイプのデータインスタンスのトレーニングケースを、反復して読み取りかつ処理する、または、前記ケースを同システムのための複数のフォーマットされたデータタイプを読み取り可能なシステムに変える、少なくとも1つの学習型等高線識別システムに提供することと、
前記トレーニングケースのうちの少なくとも1つを少なくとも1つの等高線の少なくとも1つの等高線マップに変換することであって、さらに変換されるマッピングのそれぞれの等高線は、少なくとも1つのトレーニング等高線パターンメトリック集合を有し、該集合のそれぞれは、記憶される時に全体的に2つのメモリアドレス間で定義され、それぞれの等高線によって、等高線パターンメトリック集合は、複数のラベル集合、複数の座標点集合、複数の統計的結果点集合、複数の算出済み結果点集合、複数のメトリック命令コード集合、ならびに、複数の等高線のグループ化および同等高線のサブパターンメトリック集合のマッピングのうちの少なくとも1つの可能性を含有する、変換することと、
それぞれの等高線のそれぞれのメトリックを、場所をアドレス指定する個々のメモリに記憶およびラベリングすることであって、前記メモリにアペンドすることおよび前記メモリから取り去ることを管理することは、少なくとも1つの学習型等高線識別システムのパターン識別プロセスによって必要と判断される際に行われる、記憶およびラベリングすることと、
メモリから、反復して、記憶されたトレーニング等高線パターンメトリック集合の全有限集合の一部分を取り出すことであって、それぞれの等高線パターンメトリック集合は、ブラックボックスのまたはルールベースの機械命令コード集合を判断するために等高線パターンメトリック集合をグループ化する目的で取り出され、少なくとも1つの学習型等高線識別システムの分類器について、前記命令コード集合がラベリングされた既知のトレーニング等高線パターンメトリック集合の残りの集合に対してテストされる時、コンフュージョンマトリクスによって提示される所望のレベルの性能が実現される、取り出すことと、
命令コード集合を記憶してブラックボックスのまたはルールベースの学習済み命令集合シーケンスとしてラベリングし、コンフュージョンマトリクス値を記憶することと、
フォーマット数値データタイプのデータインスタンスのテストケースを、反復して読み取りかつ処理する、または、前記ケースを同システムのための複数のフォーマットされたデータタイプを読み取り可能なシステムに変える、少なくとも1つの学習型等高線識別システムに提供することと、
前記テストケースのうちの少なくとも1つを少なくとも1つの等高線の少なくとも1つの等高線マップに変換することであって、さらに変換されるマッピングのそれぞれの等高線は、少なくとも1つのテスト等高線パターンメトリック集合を有し、該集合のそれぞれは、記憶される時に全体的に2つのメモリアドレス間で定義され、それぞれの等高線によって、等高線パターンメトリック集合は、複数のラベル集合、複数の座標点集合、複数の統計的結果点集合、複数の算出済み結果点集合、複数のメトリック命令コード集合、ならびに、複数の等高線のグループ化および同等高線のサブパターンメトリック集合のマッピングのうちの少なくとも1つの可能性を含有する、変換することと、
それぞれの等高線のそれぞれのメトリックを、場所をアドレス指定する個々のメモリに記憶およびラベリングすることであって、前記メモリにアペンドすることおよび前記メモリから取り去ることを管理することは、少なくとも1つの学習型等高線識別システムのパターン識別プロセスによって必要と判断される際に行われる、記憶およびラベリングすることと、
前記学習型等高線識別システムから判断される、前記ブラックボックスのまたはルールベースのラベリング済み命令コード集合をメモリから取り出し、かつ、トレーニング時に最適化され、かつ対象の等高線パターンを識別するために使用される前記命令コード集合においてキャプチャされる等高線パターンメトリック集合の組み合わせをラベリングした未知のテストの識別を終えるために、反復プロセスにおいてメモリからテスト等高線パターンメトリックを取り出すことと、
少なくとも1つの適合した等高線パターンメトリック集合を対象のデータ項目グループとしてラベリングし、性能をコンフュージョンマトリクス性能と比較し、テスト変換またはトレーニング変換のどちらかまたはその両方において等高線の数を増加または減少させることによるトレーニングおよびテストを繰り返し、トレーニングコンフュージョンマトリクス性能の示度に基づいて最大成功率が実現される時に等高線を増加させる反復を停止することと、
前記分類器の前記テスト等高線パターンの前記識別を表示インターフェースに出力し、かつ、その分類に対する成功の前記示度を、ユーザによって出力を理解することに関係する他の情報と共に前記コンフュージョンマトリクスから出力することと、を含む、コンピュータ実施方法。 - 前記ケースの前記データインスタンスは、少なくとも1つの学習型等高線識別システムによって読み取り可能な、少なくとも1つの業界では既知のデータタイプフォーマットにおいて提供されるデータと、少なくとも1つの学習型等高線識別システムによって変更されるラベルと、少なくとも1つの学習型等高線識別システムによって読み取り可能なデータタイプフォーマットの組み合わせに変えられるインスタンス値と、を含む、請求項1に記載の方法。
- 前記ラベルは、未知の識別子のラベルが、ブランクである、ナルである、または、未知のラベルと同じ意味を持つと、1つまたは複数の学習型等高線トレーニングシステムによって判断される、少なくとも1つの学習型等高線識別システムに対する等高線メトリック集合識別のための手段を含む、請求項2に記載の方法。
- ラベルは、少なくとも1つの学習型等高線識別システム内の時間通りの処理中に対象の等高線およびそのメトリックを識別する解析可能な記憶情報を割り当てるための手段と、少なくとも1つの学習型等高線識別システムによってラベル固有性を変更可能にして、メモリに変更を収容するその同じ等高線メトリックによって対象パターンの新しい等高線を識別する手段と、を含む、請求項2に記載の方法。
- 読み取り可能であることは、バイナリフォーマット済みのデータを前記学習型等高線識別システムによって読み取り可能なデータタイプフォーマットに変えるための手段と、フォーマット済みの機械コードを、システムインターフェースを通して前記命令を実行するために、少なくとも1つの学習型等高線識別システムによって読み取り可能であると判断された読み取り可能なコードに変えるための手段と、を含む、請求項2に記載の方法。
- データタイプをフォーマットすることは、非数値フォーマットのそのデータインスタンスのケースを少なくとも1つの学習型等高線識別システムによって読み取り可能な数値フォーマットのうちの1つに変えること、圧縮フォーマットのそのデータインスタンスのケースを少なくとも1つの学習型等高線識別システムによって読み取り可能な非圧縮データタイプフォーマットに変えること、その非圧縮データインスタンスのケースを、少なくとも1つの学習型等高線識別システムによって読み取り可能な圧縮データタイプフォーマットに変えること、その非圧縮データインスタンスフォーマットのケースを、少なくとも1つの学習型等高線識別システムによって読み取り可能な圧縮データタイプフォーマットに変えること、そのアナログデータタイプフォーマットから、少なくとも1つの学習型等高線識別システムによって読み取り可能なデジタルデータタイプフォーマットにケースを変えること、そのデジタルデータタイプフォーマットから、少なくとも1つの学習型等高線識別システムによって読み取り可能なアナログデータタイプフォーマットにケースを変えること、データタイプ特性を含むそのアナログデータタイプフォーマットから、デバイスデータタイプの送受信を記録する物理的記録媒体記憶域および記憶フォーマットにケースを変えること、データタイプ特性を含むそのデジタルデータタイプフォーマットから、デバイスデータタイプの送受信を記録する物理的記録媒体記憶域および記憶フォーマットにケースを変えること、その電気的に生成された信号データタイプフォーマットのケースを、少なくとも1つの学習型等高線識別システムによって読み取り可能なデータタイプフォーマットに変えること、そのリアルタイムの通信チャネルデータタイプフォーマットのケースを、少なくとも1つの学習型等高線識別システムによって読み取り可能なデータタイプフォーマットに変えること、および、少なくとも1つの学習型等高線識別システムの開始および終了処理要件であるデータタイププリミティブのシステム初期化のための手段、のうちの少なくとも1つのための手段を含む、請求項2に記載の方法。
- アナログデータタイプは、少なくとも1つの学習型等高線識別システムによって振幅を変動させるパルスの電気データタイプにトランスレートさせ、かつ、少なくとも1つの学習型等高線識別システムによって読み取り可能なデータタイプフォーマットに記憶される電気信号データタイプの読み取り可能な送信および受信を含む、請求項6に記載の方法。
- デジタルデータタイプフォーマットは、それぞれのビットが少なくとも1つの学習型等高線識別システムによる2つの別個の振幅を代表するものであるバイナリデータタイプフォーマットにトランスレートさせ、かつ、少なくとも1つの学習型等高線識別システムによって読み取り可能なデータタイプフォーマットに記憶される電気信号データタイプの読み取り可能な送信および受信を含む、請求項6に記載の方法。
- 少なくとも1つの学習型等高線識別システムによってケースを読み取り可能なケースフォーマットに変換することは、前記学習型等高線識別システムが、ケースを等高線の複数の等高線マップに変換する手段であって、等高線パターンメトリック集合は、前記学習型等高線識別システムが少なくとも1つの学習型等高線識別システムに対するデータインスタンスのソースとしてケースのコンテンツの少なくとも1つの等高線マッピングを処理する手段を含む、手段と、少なくとも1つの学習型等高線識別システムが、管理された複数のグループ化に変換され、かつ少なくとも1つの学習型等高線識別システムによって変更される全ての等高線に対してラベリングする前記ケースの名称を維持することを含む手段と、を含む、請求項2に記載の方法。
- 前記等高線マップは、少なくとも1つの学習型等高線識別システムによって複数の等高線に変換されるケースの前記等高線マップの等高線パターンメトリック集合は、メトリックコンテナ集合が前記学習型等高線識別システム内で変形する時の領域の点集合の算出された結果を変更しない少なくとも1つのプロセスを含む、請求項9に記載の方法。
- 少なくとも1つの学習型等高線識別システムにとって読み取り可能なものは、ゼロを上回る座標空間次元に対して表されるトランスレートさせたケースデータタイプフォーマット、および、2を上回る次元空間の座標システムに対して表される座標点集合のセットのトランスレートさせたケースデータタイプフォーマットのうちの少なくとも1つを含む、請求項9に記載の方法。
- 前記等高線マッピングは、前記学習型等高線識別システムが、データインスタンスを複数の等高線メトリックへと処理する手段であって、前記等高線マッピングプロセスによって判断されるメトリックの不可欠の要素は残りかつ記憶され、不要なメトリックは処理から分離され、かつ少なくとも1つの学習型等高線識別システムによって記憶される手段を含み、前記等高線マップはオプションとしてスケーリングされ、前記等高線の距離および方向は、少なくとも1つの学習型等高線識別システムのプロセス決定によって変更されることがあり、前記等高線マップ内の点間の関係は少なくとも1つの学習型等高線識別システムによって維持される、請求項9に記載の方法。
- 前記学習型等高線識別システムは、追加の等高線メトリックとして、前記変換のプロセスによって判断される無関係の情報を少なくとも1つの学習型等高線識別システムによって記憶する手段を含む、請求項12に記載の方法。
- 少なくとも1つの学習型等高線識別システムは、前記等高線の等高線マップの等高線、およびそれらの対応するグループ化を少なくとも1つのケースの等高線マップから分類する手段と、ユーザ、システムプロセス、およびそれらと前記学習型等高線識別システムとのインターフェースに対して、対象のデータ項目の前記等高線およびそれらのグループ化の分類から出力される等高線パターンを識別しかつラベリングする手段と、を含む、請求項1に記載の方法。
- 少なくとも1つの学習型等高線識別システムは、少なくとも1つの学習型等高線識別システムによってケースを読み取り可能なデータに変える手段を含む、請求項1に記載の方法。
- 前記学習型等高線識別システムは、学習型等高線識別システムを組み合わせる少なくとも1つのプロセスを含む、請求項1に記載の方法。
- 前記学習型等高線識別システムは、学習型等高線識別システムのサブセットから成る、請求項16に記載の方法。
- マッピングは、ケース変換およびデータトランスレーションの機械プロセスを含む、請求項1に記載の方法。
- 少なくとも1つの学習型等高線識別システムにおいて処理された4つの変換は、トランスレーションのための手段、反映のための手段、回転のための手段、および、前記学習型等高線識別システム内の等高線およびそれらのメトリックの膨張変換のための手段、のうちの少なくとも1つを含む、請求項18に記載の方法。
- 変換することは、データトランスレーションの上位集合の少なくとも1つの処理を含む、請求項18の方法。
- ケース変換は、データソーススキーマの記録およびフィールドの間での、少なくとも1つの学習型等高線識別システムによって作成され、かつ前記等高線識別システム内に記憶される宛先スキーマにおける記録およびフィールドに対する通信をもたらす少なくとも1つのプロセスを含む、請求項19に記載の方法。
- ケーストランスレーションは、前記等高線識別システム内のデータインスタンスメッセージの前記フォーマットを変更する少なくとも1つのプロセスを含む、請求項20に記載の方法。
- 等高線マップは、前記ユーザ、およびケースの学習型オブジェクト識別システムにとって不可欠な情報は残り、同システムによって判断される不要な詳細は取り去られ、残っているデータおよび取り去られたデータはメモリに記憶される前記等高線集合を含む、請求項1に記載の方法。
- マッピングは、少なくとも1つの学習型等高線識別システムによって限度をスケーリングする等高線マッピングに対する処理、および、少なくとも1つの学習型識別システムによる前記等高線の距離および方向の体験を変更し、前記等高線を記述する点間の関係は少なくとも1つの学習型等高線識別システムによって維持される処理のうちの少なくとも1つを含む、請求項23に記載の方法。
- ケースの前記等高線マップ内の前記等高線は、その学習型等高線識別システムおよびそのシステムインターフェースによって発見される対象のパターンを記述するデータインスタンスの項目をバインドする複数の等高線メトリックに変換される、請求項1に記載の方法。
- 等高線メトリックのトレーニングケースのコレクションから判断可能である対象のデータインスタンスのいずれのパターンも組み合わせる前記複数の等高線から判断すること、および、表示部、およびアプリーケンションおよび入力デバイスを開発したコンピュータのより高レベルの言語によって、学習型等高線識別にインターフェース接続された等高線システム反復およびユーザ評価を学習するためのオブジェクトとしてパターン識別およびパターンのラベリングを使用するために、メトリックに対して作用するトレーニングプロセッサ機械命令の出力によって他の等高線メトリックをテストすることを目的として、それぞれのメトリックが作成される手段を含む、請求項25に記載の方法。
- 等高線変換は、少なくとも1つの学習型等高線識別システムによって処理される決定情報についてのこれらの分類をグループ化した特性評価手段として前記学習型等高線識別システムに対して対象のデータインスタンスの項目をバインドした等高線メトリックを作成するための手段と、即時処理のために使用される揮発性メモリ、および変換された等高線およびそれらのメトリックの移植性のために使用される不揮発性メモリの、2つの動的に調節可能なメモリアドレス間に常駐するマッピングの単一の等高線の全てのメトリックのメモリ記憶のために決定されたプロセッサとする記憶場所と、を含む、請求項26に記載の方法。
- メトリックのそれぞれの等高線に対する不揮発性メモリ場所は、前記等高線の点間値に対する場所であるラベル場所、フィラー合計データ場所、統計値のための場所、統計値、フィラー、および点間メトリック値の複数の数学的操作のための場所、および全てのオプションの複数の等高線組み合わせのための場所のうちの少なくとも1つを含む、
請求項27に記載の方法。 - 数学的算出は、単一の等高線メトリック内で発見されるメトリック値の関数の処理であり、前記学習型等高線識別システム内で処理される、請求項28に記載の方法。
- 前記等高線マッピングの単一の等高線の2つのメモリアドレス場所の間の不揮発性メモリ場所は、ラベル識別子メトリックと、複数の等高線フィラーメトリックと、複数の統計メトリックと、
複数の数学的に処理されたメトリックと、同様の構造の等高線メトリックの複数のグループ化と、から成る、請求項28に記載の方法。 - 前記統計メトリックは、ガウス混合モデル統計値の統計的な複数のコンポーネントを含む、請求項30に記載の方法。
- 前記フィラーは、前記点間メトリックが定義する等高線境界内に置かれる行および列の重み付き1の和の合計であり、フィラーの和は、データケースからのその等高線マップ集合のその等高線の合計メトリックとして記憶される、請求項30に記載の方法。
- トレーニングケースは、それぞれのケースが等高線メトリックに変換される少なくとも1つの等高線から成る2つ以上のケースのセットを含む、請求項1に記載の方法。
- それぞれのメトリックは、少なくとも1つの学習型等高線識別システムに供給されたケースのそれぞれの等高線マッピングの1つの等高線を定義する前記2つのメモリアドレス場所内のメモリのそのブロック内の独自のラベル識別子を有することができる、請求項1に記載の方法。
- 1つのケースの等高線メトリックは、等高線の独自の等高線マップから独自の等高線メトリックに変換される別のケースを組み合わせて使用可能である、請求項1に記載の方法。
- テストケースは少なくとも1つのケースから成る、請求項1に記載の方法。
- 全てのプロセス、インターフェース、および学習型等高線識別システムは、コンピュータハードウェアシステムにおいてトップレベルの前記学習型制御識別システムをシミュレートするために実行されるより高位の言語機械コード命令集合によって制御可能であることで、少なくとも1つの学習型等高線識別システムとして動作するように、かつ、前記学習型等高線システムの通信チャネルを通して不揮発性メモリにおける記憶によって、等高線の等高線メトリックを生成した前記学習型等高線システム外で前記等高線メトリックを使用可能にするように設計される、任意のコンピュータシステムおよびそのアプリケーションソフトウェアに対して学習型等高線識別システムを移植可能にすることを可能にする、請求項1に記載の方法。
- 前記等高線は、高レベルの命令コード集合内の複数の数学的算出から生じる数値インスタンスの等高線マッピングのケースの前記等高線と、学習型等高線識別システムによって使用される低レベルのマイクロコードに対して高レベルの命令コード集合によって制御される少なくとも1つの学習型等高線識別システムに対してハードウェアインターフェースによって取り付けられるアプリケーションモジュールと、を含む、請求項1に記載の方法。
- 前記等高線のメトリックは、それぞれの等高線の変換させた複数の記憶場所のそれぞれの等高線を表すメトリックの記憶のプロセスから成る、請求項1に記載の方法。
- 前記等高線メトリックは、ラベルメトリックの最小値、および単一の等高線の点間表現を含む、請求項1に記載の方法。
- 前記等高線のメトリックは、数字の次元集合を有するそのラベルメトリックを有する単一の等高線、特性シーケンスを有するそのラベルメトリックを有する単一の等高線、実数メトリックを有する単一の等高線、記号メトリックを有する単一の等高線、複数の、値を記憶した横座標および値を記憶した縦座標を有する単一の等高線メトリック、ベクトル空間の次元であるメトリックを有する単一の等高線、有限次元であるメトリックを有する単一の等高線、複数の動的に変更する要素をそのメモリ記憶場所において有する単一の等高線メトリック、前記等高線の定義されたメモリ空間におけるアドレスの始めおよび終わりのその場所の間で動的に変化するメトリックを有する単一の等高線、等高線メトリックが2つのメモリアドレス間で定義される単一の等高線、少なくとも1つの学習型等高線識別システムの機械コード処理シーケンスの関数であるその2つのメモリアドレス内でそのメトリック記憶場所シーケンス順序を有する単一の等高線、その2つのメモリアドレス内に記憶される等高線メトリックが、それぞれがゼロを上回る次元を有する複数の等高線のグループ化として同じ等高線を表すために複数の他の等高線メトリックを含有する単一の等高線、少なくとも1つの学習型等高線識別システムによって点間で定義される等高線に付加をもたらすように同様に設定されたデータ点値として少なくとも1つの学習型等高線識別システムによって使用されるデータ点値の差のメトリックを有する単一の等高線、数学的表現の複数の組み合わせのプロセスによってもたらされるデータ点値のメトリックを有する単一の等高線、および、等高線メトリックがトレーニングケースデータ点値の差から導き出される、少なくとも1つの学習型等高線識別システムの単一の変換済み等高線であって、複数のより高い次元の等高線メトリックから、データ点類似として考慮され、前記学習型等高線識別システムは、その集合が、前記集合によって定義される複数の等高線の等高線である元の等高線に対する付属物を形成するために組み合わされ、同じ単一の等高線を記述するために使用される、少なくとも1つの学習型等高線識別システムの単一の変換済み等高線のうちの少なくとも1つを含む、請求項1に記載の方法。
- 等高線は、必ずしも、物理的分類ラベルを定義した名詞に既知のオブジェクトを適合させるユーザが識別可能なパターンが、前記学習型等高線識別システムの実行プロセス中に判断される等高線ラベルメトリックを有する識別可能な形状構造を有するわけではない、パターンであって、テストケース等高線が等高線テストメトリックのセットをマッピングしかつ変換した複数の過去のケースの等高線メトリックのトレーニング出力と比較するための分類手段によって識別されるパターンを含む、請求項1に記載の方法。
- 前記等高線はグラフである、請求項1に記載の方法。
- グラフは、多数の独特の点間の図面によって2つ以上のものの中の接続のシステムを表す図面である、請求項43に記載の方法。
- 等高線は、等高線メトリックに変換されるケースによって定義される空間を定義した座標の点を接続する線のネットワークである、請求項1に記載の方法。
- ケースは、少なくとも1つの学習型等高線識別システムによって画素強度のある次元の画像に変換されるインスタンスのセットである、請求項1に記載の方法。
- ケースは、それぞれが座標システムの軸上の場所を有する画素の有限次元の集合の画像である、請求項46に記載の方法。
- 画素は色の幾何学形状である、請求項47に記載の方法。
- 画素サイズは複数の次元を有する、請求項48に記載の方法。
- 点間メトリックは、座標軸上の位置点のセットである、請求項1に記載の方法。
- 点は、座標が空間を定義するその厳密な場所を定義する数のセットによって表される、請求項1に記載の方法。
- 等高線メトリックに対して処理されるトレーニングプロセスは、少なくとも1つの学習アルゴリズム、および、表示デバイスおよび複数の学習型等高線識別システムに対するトレーニングされた出力報告の報告に対して透過的である等高線メトリックの等高線要素が決定かつ削除されるブラックボックスベースのその拡張の機械コードのシーケンスと、ルールベースである少なくとも1つの学習アルゴリズムであって、テストケースによって使用されるルールのセットは少なくとも1つの学習型等高線識別システムによって識別されるべきパターンを定義し、ルールは学習型等高線識別システムの最終出力のために分類器に送られる命令集合である、少なくとも1つの学習アルゴリズムと、を含む、請求項1に記載の方法。
- 前記トレーニングプロセスの機械コードは、デシジョンツリーがラベリングパターンの最終出力識別に対して分類される前記テストケースの等高線メトリックに適用される、Classification and Regression Tree学習方法を含む、請求項52に記載の方法。
- 前記トレーニングプロセスの機械コードは、等高線メトリックに対するトレーニングのランダムフォレストモデルを実施する機械コードのシーケンスを含む、請求項53に記載の方法。
- 分類データ出力を得ることは、前記等高線表現の対応する複数の等高線メトリックからラベリング済みパターン出力を生成するためにプロセッサによって読み取り可能かつ実行可能な命令言語のシーケンスを使用してメトリックを設定した前記等高線の処理と、少なくとも1つの学習型等高線識別システムを含むシステムであって、複数の記憶デバイスは命令および等高線表現メトリックを記憶し、前記学習型等高線識別システムのシステムによって命令が実行される時、前記システムのアクションは、等高線表現メトリック集合のデータを得ることを含む動作を行い、それぞれのメトリックは対応する多次元表現によるパターンのグループを表すメトリックのカテゴリであり、前記等高線メトリック集合の前記多次元表現は多次元空間にあるパターンを有する、システムと、を含む、請求項53に記載の方法。
- 等高線を識別するためのシステムであって、
パターン認識のためのプロセッサおよびデータキャプチャ手段を有するトレーニングモジュールと、
認識されたパターンに応用例を割り当てるためのデータキャプチャ手段を有する分類手段と、
前記トレーニングモジュールおよび前記分類器を相互接続するデータパスを有するコントローラと、
前記トレーニングモジュールおよび前記分類器に接続される入力および出力を有するメモリ媒体と、
前記システムのコンポーネントの前記出力を表示するように適応された表示デバイスと、
ユーザと通信するように適応されたアプリケーションソフトウェアと、
前記システムと通信するためのユーザの手段を可能にするように適応された入力デバイスと、を備える、システム。 - 前記トレーニングモジュールは、データをキャプチャしかつ記憶し、データを少なくとも1つの学習型等高線識別システムのメモリシステムによって処理可能であるデータフォーマットに変えて記憶するための少なくとも1つの学習型等高線識別システムであって、それぞれのトレーニングケースは等高線マップに変換され、該等高線マップの等高線のセットはそれぞれ、等高線メトリックに変換され、該等高線メトリックは、動的な等高線輪郭データ点メモリコンテナ、動的な合計メモリコンテナ、動的な統計メモリコンテナ、複数の動的なトレーニング数学機械コード命令集合出力、およびこれら等高線コンテナ集合の複数の動的なサブ変換された等高線メトリックを含む等高線メトリックに変換される、少なくとも1つの学習型等高線識別システムと、前記トレーニングモジュールの学習ファームウェア命令の範囲内で、等高線メトリックを使用する実行シーケンスが行われる等高線パターン検索のためのグループ化の動作中にメモリ場所を管理するコントローラと、等高線メトリックに変換されるケースデータ全ての等高線全てをグループ化するために機械コード命令集合を実行するプロセッサであって、該等高線メトリックのラベルは既知であるため、トレーニングのために使用されるトレーニングサンプルのコレクション内で、および、一般的な前記パターンを発見するために使用される記録されたプロセスの前記トレーニングモジュールの出力をテストするために使用されるトレーニングサンプルのコレクション内で共通する等高線パターンを発見する、プロセッサと、評価を行うために必要な前記機械命令をメモリに記憶することを行うためのコントローラインターフェースと、実行開始時に動作するモジュール、および実行停止点を判断するモジュールに必要な初期化ルーチン全てを設定するために使用される初期化子と、を備える、請求項56に記載のシステム。
- 分類モジュールは、データをキャプチャしかつ記憶し、データを少なくとも1つの学習型等高線識別システムのメモリシステムによって処理可能であるデータフォーマットに変えて記憶するための少なくとも1つの学習型等高線識別システムであって、それぞれのテストケースは等高線マップに変換され、該等高線マップの等高線のセットはそれぞれ、等高線メトリックに変換され、該等高線メトリックは、動的な等高線輪郭データ点メモリコンテナ、動的な合計メモリコンテナ、動的な統計メモリコンテナ、複数の動的なトレーニング数学機械コード命令集合出力、およびこれら等高線コンテナ集合の複数の動的なサブ変換された等高線メトリックを含む等高線メトリックに変換される、少なくとも1つの学習型等高線識別システムと、前記テストケースの前記トレーニングモジュールおよび前記等高線メトリックの前記出力をメモリから抽出する動作中にメモリ場所を管理するコントローラと、前記テストケースの抽出された前記等高線メトリックからラベリング済みパターンのトレーニングの比較によってラベリングされるべき複数のパターンを判断するために前記トレーニングモジュールの出力の機械コード命令集合を実行するプロセッサと、テストケースのラベリング済みパターンの評価および記憶を行うために必要な前記機械命令をメモリに記憶することを行うためのコントローラインターフェースと、実行開始時に動作するモジュール、および実行停止点を判断するモジュールに必要な初期化ルーチン全てを設定するために使用される初期化子と、を備える、請求項56に記載のシステム。
- 前記コントローラはマイクロプログラムされた制御部を含み、それによって、制御を指定する方法は有限状態表現ではなくマイクロコードを使用するものになる、請求項56に記載のシステム。
- マイクロコードはプロセッサを制御するマイクロ命令のセットである、請求項59に記載のシステム。
- マイクロコードは、命令をキューに送るプロセスを参照するために動的にスケジューリングされたプロセッサに対するマイクロコードディスパッチングを組み込むための手段を含む、請求項59に記載のシステム。
- ディスパッチングは、マイクロコードディスパッチングの性能への影響を低減するために命令の復号を簡略化するための手段を含む、請求項61に記載のシステム。
- 前記コントローラはハードワイヤード制御部を含み、有限状態機械制御の実装形態は、プログラマブルロジックアレイのコレクションによって行われる、請求項56、57、および59のいずれか一項に記載のシステム。
- 前記プロセッサは、プロセッサが1秒当たり2つ以上の命令を実行できるようにする高度なパイプライン方式を有するスーパースカラーアーキテクチャである少なくとも1つのプロセッサを含む、請求項56、57、および59のいずれか一項に記載のシステム。
- マイクロ命令は低レベルの命令の表現を含み、該低レベルの命令のそれぞれは、所与のクロックサイクルに対してアクティブであり、さらにまた、どんなマイクロ命令が前記学習型等高線識別システムにおいて次に実行されるのかに関する仕様を提供する制御信号のセットをアサートする、請求項56、57、および59のいずれか一項に記載のシステム。
- マイクロ操作は、前記学習型等高線識別システム内のハードウェアによって直接実行されるRISCのような命令である、請求項56、57、および59のいずれか一項に記載のシステム。
- メモリは、前記学習型識別システムのハードウェアにおける所与の開始アドレスによって命令のシーケンスを保持する命令キャッシュとしての追跡キャッシュから成る、請求項56、57、および59のいずれか一項に記載のシステム。
- 制御実装形態は、それぞれの学習型等高線識別システムの制御を指定するための有限状態図手段、および、それぞれの学習型等高線識別システムの制御を指定するためのマイクロプログラミング手段のうちの少なくとも1つから成る、請求項56に記載のシステム。
- 制御計画は、前記学習型等高線識別システムの前記プロセッサに対する前記データパスおよびコントローラの両方についてのアーキテクチャを設定する命令から成る、請求項56に記載のシステム。
- データシステムは、無線通信チャネル、導波路、およびこれら全ての組み合わせのうちの少なくとも1つによってデータをキャプチャする、請求項56に記載のシステム。
- 別の等高線メトリックを作成するために複数のより高い次元から等高線メトリックをロードするトレーニングモジュール、別の等高線メトリックを作成するために複数の次元から等高線メトリックをロードするための分類手段、メトリックを削除することによって前記等高線を修正するコントローラ、前記等高線メトリックのメモリ場所にアペンドするコントローラ、命令集合が他のシステムをグループ化して等高線のメトリック記憶場所へのその出力および入力を形成するコントローラ、命令集合が他のシステムをグループ化してその出力および入力を形成するコントローラ、および、命令集合の結果が、数値データタイプへのトランスレーションを通して非類似のデータタイプのメトリックを有する等高線のグループを処理できるコントローラ、のうちの2つ以上を含む、請求項56に記載のシステム。
- コンポーネントの統合は、前記学習型等高線識別システムの機械言語プロセスコードによって定義されるソースと出力先との間で、データ、ドキュメント、情報、およびプロセッサメッセージをやり取りするように設計される、請求項56に記載のシステム。
- プロセッサは、機械言語コードを実行するためのコントローラ、および、データパスによってインターフェース接続され、かつマイクロコード命令集合によって通信されるプラグインモジュールにインターフェース接続できるコントローラ、のうちの少なくとも1つを含む、請求項56に記載のシステム。
- 学習型システムは、データセットを複数の等高線に変換して、追加の学習型等高線識別システムをグループ化しかつインターフェース接続することによって前記トレーニングモジュールおよびその分類器によって解析可能でありかつ表示可能である等高線パターンにトランスレートされるようにする、請求項56に記載のシステム。
- 前記トレーニングモジュールをオフにすることによって分類および表示を行うことができる、請求項56に記載のシステム。
- 学習型等高線識別システムは、ハードウェアの初期化を制御するために書き込まれる高レベルの機械コードシーケンスと、取り付けられた受信デバイスから入力を受け入れるために書き込まれる高レベルの機械コードシーケンスと、表示デバイスから入力を受け入れるために書き込まれる高レベルの機械コードシーケンスと、必要な時の修正を可能にするユーザ定義の点において停止しかつ開始する、等高線マッピングおよび等高線メトリックの変換を自動化学習、トレーニング、および特性評価するための前記学習型等高線識別システムを制御するために書き込まれる高レベルの機械コードと、変換された等高線メトリックが、ユーザによる操作、または、等高線のグループ化の選択を向上させるために使用されるプラグインアプリケーションモジュールによって追加可能であるように、前記システムへのハードウェア変更なくトレーニングプロセスを変更するために書き込まれる高レベルの機械コードと、を含む、請求項56に記載のシステム。
- プラグインアプリケーションモジュールは、等高線メトリックコンテナを記憶しかつ作成する機械コード命令集合に出力を送る数学的処理ルーチンと、前記機械コード命令集合に、テストモジュール出力とトレーニングモジュール出力との間で適合するパターンの選抜された精度を高めるための付加をもたらし、トレーニングケースおよびテストケースの等高線メトリックはそれらの等高線マップから個々の等高線およびそれらのメトリックに変換されている、ユーザソフトウェアアプリケーションと、表示された前記出力のユーザを、識別されるように報告された前記パターンの確率的ステートメントを作る際に支援するために、前記トレーニングモジュールおよび分類器の出力を使用するユーザソフトウェアアプリケーションと、から成ることができる、請求項76に記載のシステム。
- 前記表示デバイスは、ユーザが、前記学習型等高線識別システムの処理されたイベントを見るための手段と、取り付けられたシステム入力デバイスによって前記ハードウェアとの対話を要求するユーザプロンプトが要求される学習型システムを表示するための手段と、から成る、請求項77に記載のシステム。
- 前記表示デバイスは、少なくとも1つの学習型等高線識別システムハードウェアによって使用され、かつ、出力と前記学習型システムとの間の通信パスを設定する命令を介して、前記学習型等高線システムハードウェアに自律的命令を提供するようにインターフェース接続されるプラグインモジュールである、請求項76または77に記載のシステム。
- 学習型識別システムの組み合わせの最適化によって、コンフュージョンマトリクスの検査によってトレーニングモジュールおよび分類器両方によってパターンラベルの正確性の確率を高めさせることが発見可能であるように、数学的ユーザインターフェースおよび符号器全体において、前記学習型等高線識別システムをシミュレートするためにコンピュータシステムを動作させるように設計される高レベルのコード集合、トレーニングモジュール命令集合シーケンスからのコンフュージョンマトリクス出力を算出するように設計される高レベルのコード集合、等高線データマトリクスが前記トレーニングモジュールによって前記分類器に報告されるパターンを精確に記述するように、学習型等高線識別システムの構成の実装をフィードバックするように設計される高レベルのコード集合、および、数学的処理モジュールを使用してコンフュージョンマトリクスによって前記トレーニングモジュールの出力として報告される成功度を高めるように設計される高レベルのコード集合、のうちの少なくとも1つを含む、請求項1または56に記載のシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462081513P | 2014-11-18 | 2014-11-18 | |
PCT/US2015/062488 WO2016086024A2 (en) | 2014-11-18 | 2015-11-24 | Learning contour identification system using portable contour metrics derived from contour mappings |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020091391A Division JP7004768B2 (ja) | 2020-05-26 | 2020-05-26 | 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018502407A true JP2018502407A (ja) | 2018-01-25 |
JP6884104B2 JP6884104B2 (ja) | 2021-06-09 |
Family
ID=56075128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017545533A Active JP6884104B2 (ja) | 2014-11-18 | 2015-11-24 | 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム |
Country Status (5)
Country | Link |
---|---|
US (2) | US9582739B2 (ja) |
EP (1) | EP3245615A4 (ja) |
JP (1) | JP6884104B2 (ja) |
CA (2) | CA3153595A1 (ja) |
WO (1) | WO2016086024A2 (ja) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9582739B2 (en) * | 2014-11-18 | 2017-02-28 | Harry Friedbert Padubrin | Learning contour identification system using portable contour metrics derived from contour mappings |
EP3320457B1 (en) * | 2015-07-10 | 2021-04-07 | Whether Or Knot LLC | System and method for electronic data distribution |
EP3211611A1 (de) * | 2016-02-24 | 2017-08-30 | Wincor Nixdorf International GmbH | Verfahren zum rechnergestützten leer-erkennen eines transportbehälters und vorrichtung zum rechnergestützten leer-erkennen eines transportbehälters |
JP6618884B2 (ja) * | 2016-11-17 | 2019-12-11 | 株式会社東芝 | 認識装置、認識方法およびプログラム |
CN107341244B (zh) * | 2017-07-06 | 2021-03-19 | 深圳市置辰海信科技有限公司 | 海缆路由海底地形动态管理和综合展现方法 |
US10402623B2 (en) * | 2017-11-30 | 2019-09-03 | Metal Industries Research & Development Centre | Large scale cell image analysis method and system |
JP2019121187A (ja) * | 2018-01-05 | 2019-07-22 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
KR102050780B1 (ko) * | 2018-01-10 | 2019-12-02 | 한국과학기술원 | 신경망을 이용한 컨텐츠 인지 기반 컨텐츠 전송 서버 장치 및 방법 |
US10375632B1 (en) * | 2018-02-06 | 2019-08-06 | Google Llc | Power management for electromagnetic position tracking systems |
US11113290B1 (en) | 2018-05-29 | 2021-09-07 | Cluster Communications, Inc. | Information visualization display using associative clustered tiling and tessellation |
EP3816931A4 (en) * | 2018-06-29 | 2021-07-07 | Fujitsu Limited | IDENTIFICATION PROCEDURES, DETERMINATION PROCEDURES, IDENTIFICATION PROGRAM, DETERMINATION PROGRAM AND INFORMATION PROCESSING DEVICE |
JP7051625B2 (ja) * | 2018-07-12 | 2022-04-11 | 古野電気株式会社 | 水中探知装置及び水中探知方法 |
US20200065706A1 (en) * | 2018-08-24 | 2020-02-27 | Htc Corporation | Method for verifying training data, training system, and computer program product |
CN109785400B (zh) * | 2018-11-20 | 2023-08-04 | 广东智媒云图科技股份有限公司 | 一种剪影图像制作方法、装置、电子设备及存储介质 |
CN111415398B (zh) * | 2019-01-08 | 2024-01-05 | 杭州海康威视数字技术股份有限公司 | 一种在显示屏上显示批注的方法及装置 |
US10885332B2 (en) | 2019-03-15 | 2021-01-05 | International Business Machines Corporation | Data labeling for deep-learning models |
CN110209816B (zh) * | 2019-05-24 | 2021-06-08 | 中国科学院自动化研究所 | 基于对抗模仿学习的事件识别及分类方法、系统、装置 |
US11495145B2 (en) * | 2019-09-27 | 2022-11-08 | Wipro Limited | Method and system for selectively encrypting dataset |
CN111159998B (zh) * | 2019-11-28 | 2022-09-06 | 稿定(厦门)科技有限公司 | 字体轮廓的层次结构分析方法及系统 |
DE102019220084B3 (de) | 2019-12-18 | 2021-03-04 | Continental Automotive Gmbh | Verfahren, ein Sender und ein System zur kontinuierlichen Optimierung der Datenkomprimierung unter Verwendung häufigkeitsbasierter Wörterbuch-Nachschlagetabellen in einem Fahrzeug |
CN111459798A (zh) * | 2020-03-03 | 2020-07-28 | 深圳壹账通智能科技有限公司 | 测试方法、装置、介质及电子设备 |
CN111462084B (zh) * | 2020-03-31 | 2023-05-23 | 上海大学 | 基于随机森林的图像矢量化印刷出血点预测系统和方法 |
CN111666382A (zh) * | 2020-06-19 | 2020-09-15 | 中信银行股份有限公司 | 用户特征提取方法、装置、电子设备及可读存储介质 |
CN112116622A (zh) * | 2020-09-25 | 2020-12-22 | 贝壳技术有限公司 | 轮廓提取方法、检索库建立方法、轮廓匹配方法及其系统 |
US11216580B1 (en) | 2021-03-12 | 2022-01-04 | Snowflake Inc. | Secure machine learning using shared data in a distributed database |
CN113836751B (zh) * | 2021-11-22 | 2022-02-08 | 武汉峰岭科技有限公司 | 一种基于等高线拉伸的数字高程模型自动调整方法及系统 |
CN114782241A (zh) * | 2022-03-22 | 2022-07-22 | 广东三维家信息科技有限公司 | 空间拓扑结构确定方法、装置、电子设备及存储介质 |
CN115631362B (zh) * | 2022-09-26 | 2024-07-05 | 北京霍里思特科技有限公司 | 一种铁器的识别方法及装置 |
CN117271375B (zh) * | 2023-11-21 | 2024-02-13 | 中国电力科学研究院有限公司 | 电网图模数测试样本生成、维护及管理方法和相关装置 |
CN117781937B (zh) * | 2024-02-23 | 2024-06-07 | 东莞市兆丰精密仪器有限公司 | 一种二维线轮廓度测量方法、装置、系统及存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6393151B1 (en) * | 1978-10-13 | 2002-05-21 | Agency Of Industrial Science And Technology | Pattern reading system |
JP4169185B2 (ja) * | 2002-02-25 | 2008-10-22 | 富士通株式会社 | 画像連結方法、プログラム及び装置 |
DE10314071B3 (de) * | 2003-03-28 | 2004-09-30 | Koenig & Bauer Ag | Verfahren zur qualitativen Beurteilung eines Materials mit mindestens einem Erkennungsmerkmal |
FR2857771B1 (fr) * | 2003-07-17 | 2005-09-23 | Thales Sa | Systeme d'identification automatique de cibles |
US20060217925A1 (en) * | 2005-03-23 | 2006-09-28 | Taron Maxime G | Methods for entity identification |
US8260008B2 (en) * | 2005-11-11 | 2012-09-04 | Eyelock, Inc. | Methods for performing biometric recognition of a human eye and corroboration of same |
AU2006252025B2 (en) * | 2006-12-13 | 2012-10-04 | Canon Kabushiki Kaisha | Recognition of parameterised shapes from document images |
US8145677B2 (en) * | 2007-03-27 | 2012-03-27 | Faleh Jassem Al-Shameri | Automated generation of metadata for mining image and text data |
KR101411910B1 (ko) * | 2008-01-04 | 2014-06-26 | 삼성전자주식회사 | 디지털 촬영 장치 및 이의 제어 방법 |
WO2009142758A1 (en) | 2008-05-23 | 2009-11-26 | Spectral Image, Inc. | Systems and methods for hyperspectral medical imaging |
CN102890823B (zh) | 2011-07-19 | 2016-04-27 | 株式会社东芝 | 运动对象轮廓提取及左心室图像分割方法和装置 |
US8966457B2 (en) | 2011-11-15 | 2015-02-24 | Global Supercomputing Corporation | Method and system for converting a single-threaded software program into an application-specific supercomputer |
US9582739B2 (en) * | 2014-11-18 | 2017-02-28 | Harry Friedbert Padubrin | Learning contour identification system using portable contour metrics derived from contour mappings |
-
2015
- 2015-11-16 US US14/942,585 patent/US9582739B2/en active Active
- 2015-11-24 US US15/511,584 patent/US10339417B2/en active Active
- 2015-11-24 JP JP2017545533A patent/JP6884104B2/ja active Active
- 2015-11-24 WO PCT/US2015/062488 patent/WO2016086024A2/en active Application Filing
- 2015-11-24 CA CA3153595A patent/CA3153595A1/en active Pending
- 2015-11-24 CA CA2965739A patent/CA2965739A1/en active Pending
- 2015-11-24 EP EP15863219.0A patent/EP3245615A4/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
WO2016086024A2 (en) | 2016-06-02 |
US20180232599A1 (en) | 2018-08-16 |
EP3245615A4 (en) | 2018-10-17 |
US20160210534A1 (en) | 2016-07-21 |
WO2016086024A3 (en) | 2016-07-28 |
EP3245615A2 (en) | 2017-11-22 |
CA2965739A1 (en) | 2016-06-02 |
CA3153595A1 (en) | 2016-06-02 |
US10339417B2 (en) | 2019-07-02 |
JP6884104B2 (ja) | 2021-06-09 |
US9582739B2 (en) | 2017-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018502407A (ja) | 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム | |
Dewi et al. | Synthetic Data generation using DCGAN for improved traffic sign recognition | |
Lei et al. | Classification, parameter estimation and state estimation: an engineering approach using MATLAB | |
CN104751055B (zh) | 一种基于纹理的分布式恶意代码检测方法、装置及系统 | |
Paiva et al. | An approach to supporting incremental visual data classification | |
Vani et al. | Brain tumor classification using support vector machine | |
US20160275157A1 (en) | Method and System for Analysing, Storing, and Regenerating Information | |
CN115244587A (zh) | 高效基础事实注释 | |
CN111242948A (zh) | 图像处理、模型训练方法、装置、设备和存储介质 | |
JP7479387B2 (ja) | デプロイされた機械学習モデルの信頼尺度 | |
CN111353607B (zh) | 一种量子态判别模型的获得方法、装置 | |
CN116797607A (zh) | 图像分割方法和装置 | |
CN115564756A (zh) | 医学图像病灶定位显示方法与系统 | |
Matrone et al. | Bubblex: An explainable deep learning framework for point-cloud classification | |
JP2004185626A (ja) | 知覚的に認識可能な3次元形状の記述方法と、それを利用した3次元グラフィックモデルのデータベース検索方法及び装置 | |
JP7004768B2 (ja) | 等高線マッピングから導き出される移植可能な等高線メトリックを使用する学習型等高線識別システム | |
Singh et al. | Application of error level analysis in image spam classification using deep learning model | |
KR102600092B1 (ko) | 합성 데이터의 생성 품질 향상을 위한 도메인 적응을 통한 실제 데이터와 합성 데이터의 분류 시스템 및 그 방법 | |
EP4325388B1 (en) | Machine-learning for topologically-aware cad retrieval | |
Arevalo et al. | Improving echocardiogram view classification using diffusion models | |
Axyonov et al. | A Texture Fuzzy Classifier Based on the Training Set Clustering by a Self-Organizing Neural Network | |
US20240152747A1 (en) | Three-dimensional spatial-channel deep learning neural network | |
US20230154166A1 (en) | Adaptive artificial intelligence for three-dimensional object detection using synthetic training data | |
Kvinge et al. | A Topological-Framework to Improve Analysis of Machine Learning Model Performance | |
KR101983493B1 (ko) | 자연어 텍스트로부터 학습된 객체 표상에 포함된 특성 해석 및 시각화 방법 그리고 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181107 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191031 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191126 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200226 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200427 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200526 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210204 |
|
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: 20210427 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210511 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6884104 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |