JP4697670B2 - 識別用データ学習システム、学習装置、識別装置及び学習方法 - Google Patents
識別用データ学習システム、学習装置、識別装置及び学習方法 Download PDFInfo
- Publication number
- JP4697670B2 JP4697670B2 JP2006550773A JP2006550773A JP4697670B2 JP 4697670 B2 JP4697670 B2 JP 4697670B2 JP 2006550773 A JP2006550773 A JP 2006550773A JP 2006550773 A JP2006550773 A JP 2006550773A JP 4697670 B2 JP4697670 B2 JP 4697670B2
- Authority
- JP
- Japan
- Prior art keywords
- category
- learning
- template
- similarity
- pattern
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
- G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Description
図3A及び図3Bは、従来技術の上位階層のテンプレートと下位階層のテンプレートを別々にしない辞書構成の学習方法を示す概略図である。テンプレートの更新にLVQ2を使った場合の例を示している。LVQ2はLVQ1の学習則を改良したものである。ただし、丸印はテンプレート(第1位階層カテゴリ番号1、第2位階層カテゴリ番号1)、四角印はテンプレート(第1位階層カテゴリ番号1、第2位階層カテゴリ番号2)、三角印はテンプレート(第1位階層カテゴリ番号2、第2位階層カテゴリ番号3)、菱形印は学習サンプルパターン(第1位階層カテゴリ番号1、第2位階層カテゴリ番号1)、ベクトル(矢印)はテンプレート更新方向及び更新量、線分はカテゴリの境界をそれぞれ示す。図3Aは最下位の階層のカテゴリに基づいたテンプレート更新の場合、図3Bは最下位でない階層のカテゴリに基づいたテンプレート更新の場合をそれぞれ示す。
最下位階層のカテゴリを識別できるが上位階層のカテゴリを正しく識別できるとは限らない理由は、最下位階層のカテゴリに基づいて学習すると、上位階層に基づいたカテゴリ分類にとっては適切でない学習をしてしまうことがあるためである。図3A及び図3Bでは、学習サンプルパターンに近い、すなわち類似度が高いテンプレートが正解カテゴリと対抗カテゴリから1つずつ選ばれて、それぞれが更新される。サンプルパターンとは、何らかの用途に合わせてサンプリング(母集団から抽出)したパターンのことである。一般的な学習方法では、通常は多数のパターンを用意して学習を実行する。この学習に使うパターンのことを学習サンプルパターン、又は訓練パターンと呼ぶ。学習サンプルパターンが属するカテゴリを正解カテゴリ、又は教師データと呼ぶ。テンプレートが属するカテゴリについては、正解カテゴリとは呼べない。正解カテゴリに割り当てられているカテゴリ番号を正解カテゴリ番号と呼ぶ。実際のプログラム内では、カテゴリ1つに対して1つの番号が割り当てられる。図3Aは最下位階層カテゴリにとって適切であるが、上位階層カテゴリにとっては適切とは言えないテンプレート更新例である。一方、図3Bは上位階層カテゴリにおいて適切なテンプレート更新が行われる例である。
別の関連する技術として特開2003−123023号公報に、文字認識方法が開示されている。この文字認識方法は、入力濃淡画像の濃度分布を入力し、あらかじめ用意した推定テーブル内の複数の濃度分布の例を参照し、該入力濃淡画像の濃度分布に最も近い濃度分布を選び出し、該入力濃淡画像の初期閾値を求め、該濃度分布に付属の閾値差分値を該入力濃淡画像の初期閾値に加算することで、該入力濃淡画像の最適2値化閾値を求める工程と、該最適2値化閾値により該入力濃淡画像を2値化する工程と、該2値化した画像から文字領域を切り出す工程と、該文字領域とあらかじめ用意したテンプレート辞書の各テンプレート間の類似度を計算する工程と、該類似度の中で最も高い類似度のテンプレートのカテゴリの文字を認識結果とする工程とを有する。
なお、カテゴリラベルはプログラム上の値であり、カテゴリ毎に割り当てられる。例えば、入力パターンとして人と猿の画像が与えられたとき、人の画像であれば”0”、猿の画像であれば”1”をカテゴリラベルとして割り当てる。但し、実際には、カテゴリラベルは数値である必要はない。例えば、人の画像であれば“ヒト”、猿の画像であれば“サル”という文字列を返すようにしても良く、カテゴリの違いが識別できれば良い。
図4の特徴パターンを識別する場合、特徴パターンとテンプレートとの類似度を何らかの尺度で評価して、最も評価が高いテンプレートが属すカテゴリに識別する。なお、類似度とは、あるパターンと別のパターンが似ている度合である。最も単純な例として、相関値やユークリッド距離を使って算出する。類似度の尺度は、類似性を評価できれば良く、例えば、特徴パターンとテンプレートをそれぞれベクトルとみなして、2つのベクトル間のユークリッド距離を計算し距離が近いほど類似度が高いとする方法、前記2つのベクトルの内積を計算しベクトル間の角度が小さいほど類似度が高いとする方法がある。
特徴パターンと複数のテンプレートそれぞれとの類似度からカテゴリを決定する方法として、最も類似度が高いテンプレートが属するカテゴリに識別する以外の方法もある。例えば、類似度が高いk個のテンプレートを求め、このk個のテンプレートが属しているカテゴリラベルの多数決をとり、最も個数が多いカテゴリに識別する方法がある。
「単純に学習サンプルパターンの平均を求める方法」は、1つのカテゴリに属す学習サンプルパターンの平均パターンをテンプレートとする方法で、1カテゴリあたり1個のテンプレートが作られる。「K−means法」は、1つのカテゴリに属する学習サンプルパターンを複数の集合に分け、それぞれの集合の平均パターンをテンプレートとする方法で、ある時点でのテンプレートとサンプルパターンの類似度に基づいて次の時点でのサンプルパターンの分け方を変更することで、テンプレートを複数回更新する方法である。このK−means法を、それぞれのカテゴリに属す学習サンプルパターンに適用することで、1つのカテゴリあたり1個以上のテンプレートが作られる。「LVQ2.1」は、何らかの方法で作ったテンプレートを、学習サンプルパターンとのユークリッド距離を求め、学習サンプルパターンの正解カテゴリと同じカテゴリに属するテンプレートのうち最も距離が近いものを学習サンプルパターンに近づけ、学習サンプルパターンの正解カテゴリとは異なるカテゴリに属するテンプレートのうち最も距離が近いものを学習サンプルパターンから遠ざけるように、テンプレートを更新する。「Generalized LVQ」は、「LVQ2.1」の手法を包含する手法であって、テンプレート更新の収束性が保証されている。
この発明のこれらの目的とそれ以外の目的と利益とは以下の説明と添付図面とによって容易に確認することができる。
本発明の学習装置の第1の実施の形態の構成について説明する。
図5は、本発明の学習装置の第1の実施の形態の構成を示すブロック図である。学習装置10は、記憶装置100、記憶装置110、データ処理装置120を備える。記憶装置100は、データを記憶する学習データ記憶部101を有する。記憶装置110は、データを記憶する辞書データ記憶部102及び階層別重み記憶部103を有する。データ処理装置120は、ハードウェア、ソフトウェア又はそれらの組み合わせで実現される類似度計算部111、第n位階層更新量計算部112、第n位階層重み付け部113、辞書更新部114を有する。
なお、記憶装置100と記憶装置110は同一の記憶装置であっても良い。例えば、記憶装置100として磁気ディスク装置を、データ処理装置120としてパーソナルコンピュータを、記憶装置110として半導体メモリを使用することが可能である。但し、実際には、前記の例に限定されるものではない。
図6は、辞書データ記憶部102に格納された辞書データの構造を示す図である。辞書データ21は、データ本体22と階層別カテゴリ番号対応テーブル23とで構成されている。データ本体22は、テンプレート本体と最下位(第N位:Nは自然数)階層カテゴリ番号とを関連付けている。階層別カテゴリ番号対応テーブル23は、最下位(第N位)階層カテゴリ番号と他の階層(第1位から第(N−1)位まで)のカテゴリ番号とを関連付けている。
図5を参照して、類似度計算部111は、入力された学習パターンとテンプレートとの類似度を計算する。第n位階層更新量計算部112は、ある階層(第n位階層:1≦n≦N)における正解カテゴリのテンプレートの類似度が高くなるようにテンプレートに加算する更新量、及び第n位階層における対抗カテゴリのテンプレートの類似度が低くなるようにテンプレートに加算する更新量を計算する。第n位階層重み付け部113は、第n位階層に対応したある定数を更新量に乗算し、その結果を階層別重み記憶部103に格納する。辞書更新部114は、更新量に応じて辞書データ記憶部102の正解カテゴリのテンプレートと対抗カテゴリのテンプレートを更新する。例えば、テンプレートと更新量を共にベクトルとみなして、図3に示すように、この更新量のベクトルをテンプレートのベクトルに加算することでテンプレートを更新する。
以下の数式は、第n位階層の重み定数wnの大小関係を示す。
まず、第1位階層から順番に重み定数を大きい方から小さい方へ降順に並べる場合は次の数式で表される。
w1≧w2≧…≧w(n−1)≧wn≧w(n+1)≧…≧w(N−1)≧wN
また、特定の階層、例えば第n位階層の重み定数を最も大きくする場合は次の数式で表される。
w1≦w2≦…≦w(n−1)≦wn≧w(n+1)≧…≧w(N−1)≧wN
但し、前記の数式は、説明のために用いた例であり、実際には前記の数式及び大小関係に限定されるものではない。
類似度計算部111、第n位階層更新量計算部112、第n位階層更新量重み付け部113、及び辞書更新部114は、学習データ記憶部101に記憶された学習サンプルパターンと辞書データ記憶部102に記憶されたテンプレートについて、それぞれの動作を全ての階層について繰り返し実行し、さらにその繰り返し実行を全ての学習サンプルパターンについて繰り返し実行し、さらにその繰り返し実行を決められた学習回数だけ繰り返し実行する。
図7は、本発明の学習装置の第1の実施の形態の全体の動作(学習方法の第1の実施の形態)を示すPAD(Problem Analysis Diagram:問題解析図)である。
始めに、学習データ記憶部101から学習データである学習サンプルパターンとその正解カテゴリ番号とがデータ処理装置120へ入力される(ステップS101)。次にステップS102、S103、S104の3重の繰り返し処理を行うが、先に繰り返しの中の処理(ステップS105、S106、S107、S108)について説明する。
まず、類似度計算部111が、入力された学習サンプルパターンと辞書データ記憶部102の各テンプレートとの類似度を計算する(ステップS105)。ここで、テンプレート更新手法としてLVQ(Learning Vector Quantization:学習ベクトル量子化法)を使う場合は、類似度が明らかに低いテンプレートを無視しても、テンプレートの更新量を計算できる。そのため、ステップS105の類似度計算途中で、明らかに類似度が低いテンプレートは、類似度計算を途中で打ち切ることもある。
次に、第n位階層更新量計算部112が、第n位階層のカテゴリのみを考慮した場合における、正解カテゴリのテンプレートの更新量と、対抗カテゴリのテンプレートの更新量を計算する(ステップS106)。ステップS106のテンプレートの更新量は、LVQに代表される階層構造カテゴリを考慮していない従来のテンプレート更新手法を使って求めれば良い。LVQは、入力データをパターン分類できるように、競合学習によって結合重みベクトルの更新を行う。
次に、第n位階層更新量重み付け部113が、階層別重み記憶部103の第n位階層に対応した重み定数を、ステップS106で求めた正解カテゴリの更新量及び対抗カテゴリの更新量に乗算して、これらの値を新たな更新量とする。(ステップS107)。最後に、辞書更新部114が、ステップS107で求めた更新量に基づいて、辞書データ記憶部102の正解カテゴリのテンプレートと対抗カテゴリのテンプレートを更新する(ステップS108)。
前記のようなステップS105、S106、S107及びS108の処理はカテゴリ階層1つ単位で実行する処理である。これらステップS105〜S108をカテゴリ階層の数だけ繰り返す(ステップS104)。更に、ステップS104、S105、S106、S107及びS108は学習サンプルパターン1個単位で実行する処理であって、これを学習サンプルパターン数個だけ繰り返す(ステップS103)。更に、ステップS103、S104、S105、S106、S107、S108は定められた学習回数だけ繰り返す(ステップS102)。
図8と図7との関係を説明する。図8のステップS201は図7のステップS101に対応する。ステップS202〜S205はそれぞれステップS105〜S108に対応する。更に、繰り返しに対する判定処理であるステップS206はステップS104に、ステップS207はステップS103に、ステップS208はステップS102に、それぞれ対応する。動作の詳細については図7と同様である。
学習データ記憶部101から学習データである学習サンプルパターンとその正解カテゴリ番号とがデータ処理装置120へ入力される(ステップS201)。入力された学習サンプルパターンと辞書データ記憶部102の各テンプレートとの類似度を計算する(ステップS202)。第n位階層のカテゴリのみを考慮した場合における、正解カテゴリのテンプレートの更新量と、対抗カテゴリのテンプレートの更新量を計算する(ステップS203)。ステップS203のテンプレートの更新量は、LVQに代表される階層構造カテゴリを考慮していない従来のテンプレート更新手法を使って求めれば良い。次に、階層別重み記憶部103の第n位階層に対応した重み定数を、ステップS203で求めた正解カテゴリの更新量と対抗カテゴリの更新量に乗算して、これらの値を新たな更新量とする。(ステップS204)。次に、ステップS204で求めた更新量に基づいて、辞書データ記憶部102の正解カテゴリのテンプレートと対抗カテゴリのテンプレートを更新する(ステップS205)。前記のようなステップS202、S203、S204、S205の処理はカテゴリ階層1つ単位で実行する処理であって、これをカテゴリ階層の数だけ繰り返す(ステップS206)。更に、ステップS206、S202、S203、S204、S205は学習サンプルパターン1個単位で実行する処理であって、これを学習サンプルパターン数個だけ繰り返す(ステップS207)。ただし、戻り先はS206の前でなく、S202の前であっても良い。更に、ステップS207、S206、S202、S203、S204、S205は定められた学習回数だけ繰り返す(ステップS208)。ただし、戻り先はS207の前でなく、S202の前であっても良い。
また、本発明では、更に、全ての階層においてその階層に応じた重み定数をテンプレートの更新量にかけてテンプレートを更新するように構成されているため、任意の階層の識別性能を調整できる。
また、本発明によれば、辞書データ記憶容量を少なく抑えつつ、画像からの物体検出と物体の姿勢推定を同時に行う場合に、物体検出性能の方をより重視するといった用途に適用可能である。例えば、監視カメラの画像からの人物検出と人物の向き推定を同時に行う場合、最上位階層のカテゴリとして人物と非人物を割り当て、最下位階層カテゴリに人物が向いている角度を割り当てれば、人物検出性能をより重視しつつ、人物の向き推定も同時に行うといった用途に適用可能である。
本発明の学習装置の第2の実施の形態の構成について説明する。
図9は、本発明の学習装置の第2の実施の形態の構成を示すブロック図である。本実施の形態の学習装置10は、基本的には図5で示される第1の実施の形態の学習装置10と同じである。ただし、図5の学習装置と比較して、階層カテゴリ番号付き辞書データ記憶部104に格納される辞書データの構成が辞書データ記憶部102のそれと異なる。
図10は、階層カテゴリ番号付き辞書データ記憶部104に格納された辞書データの構造を示す図である。第1の実施の形態における辞書データ記憶部102の辞書データ21は、図6に示したように、テンプレートとそれに対応する最下位カテゴリ番号を持つデータ本体22と階層別カテゴリ番号対応テーブル23とで構成されている。一方、本実施の形態における階層カテゴリ番号付き辞書データ記憶部104の辞書データ25は、図10に示すように、テンプレートデータとそれに対応する全階層(第1位〜第N位)のカテゴリ番号を持つデータ本体26のみで構成される。
本実施の形態では、辞書データ25は、全ての階層のカテゴリ番号がテンプレートに直接対応付けられた構成のため、テーブルを使って対応するカテゴリ番号を引く処理を行わないで済む。
この場合にも、図7及び図8の場合と同様に、学習装置の第2の実施の形態の全体の動作(学習方法の第2の実施の形態)を実施することができる。
そして、第1の実施の形態と同等の効果を得ることができる。
本発明の学習装置の第3の実施の形態の構成について説明する。
図11は、本発明の学習装置の第3の実施の形態の構成を示すブロック図である。本実施の形態の学習装置10は、基本的には図5で示される第1の実施の形態の学習装置10と同じである。ただし、図5の学習装置と比較して、特徴量抽出部115を有している点が異なる。たたし、辞書データ記憶部102は、第2の実施の形態で説明した階層カテゴリ番号付き辞書データ記憶部104でも良い。
本発明の場合、学習サンプルパターンとテンプレートは「特徴量」の状態で保存されていることになる。記憶装置100の学習データ記憶部101に保持されている学習サンプルパターンが特徴変換前のパターンである場合もあり、この場合、類似度計算部111の前に特徴変換部115が必要となる。すなわち、本実施の形態では、学習サンプルパターンが特徴変換前のパターンであることに対応して、データ処理部120が類似度計算部111の前に特徴変換部115を有している。
図12は、本発明の学習装置の第3の実施の形態の全体の動作(学習方法の第3の実施の形態)を示すPADである。
始めに、学習データである学習サンプルパターンとその正解カテゴリ番号とが記憶装置100の学習データ記憶部101から読み出され、データ処理装置120へ入力される(ステップS301)。次に、特徴抽出部115が、学習サンプルパターンから特徴を抽出する(ステップS302)。このときの特徴抽出方法は、抽出された特徴が辞書データ記憶部102に記憶されているテンプレートと同じ形式の特徴になれば、従来技術を含め、どのような方法でも良い。例えば、予め変換行列を用意しておいて線形変換しても良いし、非線形な変換を行っても良い。次に、特徴変換されたパターンと正解カテゴリ番号を類似度計算部111に入力し、テンプレートの更新を実行するが、このテンプレート更新処理は、第1の実施の形態の動作を表す図7のS102〜S108の処理と同等である。
まず、類似度計算部111が、入力された学習サンプルパターンと辞書データ記憶部102の各テンプレートとの類似度を計算する(ステップS306)。なお、類似度計算途中で、明らかに類似度が低いものは計算を打ち切ることもある。つまり、全てのテンプレートの類似度を計算し切らないということもあり得る。計算が打ち切られる場合、ステップS306は行われないことになる。
次に、第n位階層更新量計算部112が、第n位階層のカテゴリのみを考慮した場合における、正解カテゴリのテンプレートの更新量と、対抗カテゴリのテンプレートの更新量を計算する(ステップS307)。ステップS306のテンプレートの更新量は、LVQに代表される階層構造カテゴリを考慮していない従来のテンプレート更新手法を使って求めれば良い。
次に、第n位階層更新量重み付け部113が、階層別重み記憶部103の第n位階層に対応した重み定数を、ステップS307で求めた正解カテゴリの更新量と対抗カテゴリの更新量に乗算して、これらの値を新たな更新量とする。(ステップS308)。最後に、辞書更新部114が、ステップS308で求めた更新量に基づいて、辞書データ記憶部102の正解カテゴリのテンプレートと対抗カテゴリのテンプレートを更新する(ステップS309)。
前記のようなステップS306、S307、S308及びS309の処理はカテゴリ階層1つ単位で実行する処理である。これらステップS306〜S309をカテゴリ階層の数だけ繰り返す(ステップS305)。更に、ステップS305、S306、S307、S308及びS309は学習サンプルパターン1個単位で実行する処理であって、これを学習サンプルパターン数個だけ繰り返す(ステップS304)。更に、ステップS304、S305、S306、S307、S308及びS309は定められた学習回数だけ繰り返す(ステップS303)。
なお、特徴抽出処理のタイミングは、学習データ記憶部101にある学習サンプルパターン全てを特徴抽出してから、テンプレート更新の繰り返し処理を実行しても良い。また、テンプレート更新の繰り返し処理の初回において個々の学習サンプルパターンを1つずつ順に特徴抽出しても良い。学習サンプルパターンを1つずつ順に特徴抽出する場合は、ステップS303とS304の間に、ステップS301の学習データ入力とステップS302の特徴抽出が入る。このとき、ステップS303の繰り返しの初回限定で、ステップS301とステップS302を実行するようにしても良い。
図13と図12との関係を説明する。図13のステップS401、S402は、図12のステップS301、S302に対応する。ステップS403〜S406はそれぞれステップS306〜S309に対応する。更に、繰り返しに対する判定処理であるステップS407はステップS305に、ステップS408はステップS304に、ステップS409はステップS303に、それぞれ対応する。動作の詳細については図12と同様である。
図13のフローチャートにおける本実施形態の全体の動作については、特徴量抽出s402があるほかは、図8の場合と同様である。
図14は、本発明の学習装置の第3の実施の形態における実施例の階層構造カテゴリを示すツリー図である。本実施例では、識別対象のパターンは画像とし、階層構造のカテゴリは2階層とする。第1階層のカテゴリは、「顔」と「非顔」とする。第2階層のカテゴリは、回転角度別の顔3種類(「−45°回転顔」、「0°回転顔」、「45°回転顔」)と非顔とする。つまり、本実施例により学習されたテンプレートを使った識別では、入力された画像パターンが顔か非顔かを識別すると同時に、顔の場合は回転角度も識別できる。
図15のテンプレートT1からT8は画像で表現されているが、実際のテンプレートは特徴抽出後のデータであり、画像そのものではない。辞書データでは、テンプレートに対して、それぞれのテンプレートが属する第1位階層のカテゴリと第2位階層のカテゴリ番号が対応付けられている。また、階層別重み記憶部103にデータとして保持する重み値は、第1階層が1.0、第2階層が0.5とする。
次に、第n位階層更新量計算部112が、第1位階層に基づいた更新量を求める(ステップS404)。前記更新量の計算方法には、Generalized LVQ法を使う。Generalized LVQ法の場合、図17において、学習サンプルパターンの正解カテゴリ(図16の第1階層:「2」)と同じカテゴリに属するテンプレートのうち、最も類似度が高いテンプレートT6が学習サンプルパターンに近づき、学習サンプルパターンの正解カテゴリと異なるカテゴリであって同じカテゴリ(第1階層:「1」)に属するテンプレートのうち、最も類似度が高いテンプレートT2が学習サンプルパターンから遠ざかるように更新量が計算される。
次に、第n位階層更新量重み付け部113が、第1位階層の重みを半導体メモリ(階層別重み記憶部103)から読込み、前記更新量に重みを乗算し、これを新たに更新量とみなす(ステップS405)。そして、辞書更新部114が、新たな更新量を用いて、辞書データのテンプレートを更新する(ステップS406)。カテゴリの階層のうち、第2階層のカテゴリが残っているので、再度ステップS403に戻る(ステップS407)。
次に、第n位階層更新量計算部112が、第2位階層に基づいた更新量をGenaralized LVQで求める(ステップS404)。その場合、図18において、学習サンプルパターンの正解カテゴリ(図16の第2階層:「2」)と同じカテゴリに属するテンプレートのうち、最も類似度が高いテンプレートT4が学習サンプルパターンに近づき、学習サンプルパターンの正解カテゴリと異なるカテゴリであって同じカテゴリ(第2階層:「1」、「3」及び「4」のいずれか)に属するテンプレートのうち、最も類似度が高いテンプレートT6が学習サンプルパターンから遠ざかるように更新量が計算される。
次に、第n位階層更新量重み付け部113が、第2位階層の重みを半導体メモリ(階層別重み記憶部103)から読込み、前記更新量に重みを乗算し、これを新たに更新量とみなす(ステップS405)。そして、辞書更新部114が、新たな更新量を用いて、辞書データのテンプレートを更新する(ステップS406)。カテゴリの全ての階層が終了したので、ステップS408へ進む(ステップS407)。
識別装置20は、辞書データ記憶部102、類似度計算部111及びカテゴリ決定部116を有する。この識別装置20は、図4に示した識別部220に対応する。
辞書データ記憶部102及び類似度計算部111については上記各実施の形態の通りである。また、辞書データ記憶部102は階層カテゴリ番号付き辞書データ記憶部104でも良い。
類似度計算部111は、入力パターンを受け取る。なお、この入力パターンは特徴変換されたパターンである。
カテゴリ決定部116は、類似度を計算した後、入力パターンを高い類似度を持っているテンプレートと同じカテゴリに分類する。例えば、カテゴリ決定部116は、入力パターンを最も高い類似度を持っているテンプレートと同じカテゴリに分類する。また、カテゴリ決定部116は、類似度が高い複数のテンプレートが属するカテゴリを多数決することによって、カテゴリを決定しても良い。なお、実際には、データ処理装置120がカテゴリ決定部116を有していても良い。例えば、記憶装置110が辞書データ記憶部102を有し、データ処理装置120が類似度計算部111とカテゴリ決定部116を有することで、前記の学習装置が識別装置20を備えることも可能である。
識別装置20の動作の流れは、以下のとおりである。すなわち、類似度計算部111に入力パターンとして識別対象のパターンが入力される。類似度計算部111は、辞書データ記憶部102が持つ各テンプレートを参照し、識別対象のパターンと各テンプレートとの類似度を計算する。カテゴリ決定部116は識別対象のパターンを高い類似度を持っているテンプレートと同じカテゴリに分類する。
このように、上記の学習装置10と識別装置20とを組み合わせることで、本発明の識別用データ学習システムを構成することができる。図20及び図21は、本発明の識別用データ学習システムの実施の形態の構成例を示すブロック図である。これらは、学習装置10と識別装置20とが辞書データ記憶部102又は階層カテゴリ番号付き辞書データ記憶部104を共有している例を示している。
この識別用データ学習システムは、上記学習装置10と識別装置20とを具備する。そして、識別用データ学習システムは、学習装置10が更新したテンプレートを辞書データ記憶部102(又は階層カテゴリ番号付き辞書データ記憶部104)に格納し、識別装置20が辞書データ記憶部102(又は階層カテゴリ番号付き辞書データ記憶部104)から更新されたテンプレートを読み出して識別に使用する。
学習データ記憶部101は、学習サンプルパターンとその学習サンプルパターンの最上位階層から最下位階層までの正解カテゴリ番号を保持する。
辞書データ記憶部102は、テンプレートとそのテンプレートに対応する最上位階層から最下位階層までの正解カテゴリ番号を保持する。
類似度計算部111は、入力された学習パターンとテンプレートとの類似度を計算する。
第n位階層更新量計算部112は、ある階層(第n位階層)における正解カテゴリのテンプレートの類似度が高くなるように前記テンプレートに加算する更新量、及び第n位階層における対抗カテゴリのテンプレートの類似度が低くなるように前記テンプレートに加算する更新量を計算する。
第n位階層重み付け部113は、第n位階層に対応したある定数を前記更新量に乗算する。
辞書更新部114は、前記更新量に応じて正解カテゴリのテンプレートと対抗カテゴリのテンプレートを更新する。
このような構成を採用し、最下位階層以外のテンプレートを持たないことと、全ての階層においてその階層に応じた重みをかけてテンプレートを更新することにより本発明の目的を達成することができる。
なお、学習を実行する前の辞書は、データ構造さえ合っていれば、どんなデータでも構わない。「ランダムに生成されたテンプレートとカテゴリの組」を含むデータがあれば良い。初期状態では、前記のランダムに生成されたテンプレートとカテゴリの組を含むデータをダミーデータとして用意しても良い。
PC(パーソナルコンピュータ)又はワークステーションを使う場合、第1の例として、学習装置全体をPC、学習データ記憶部101、辞書データ記憶部102及び階層別重み記憶部103を半導体メモリ、データ処理装置120をCPUとしても良い。第2の例として、学習データは、通常、大量にあるので、学習データ記憶部101だけ磁気ディスクに置き、辞書データ記憶部102と階層別重み記憶部103は半導体メモリに置く構成も有効である。第3の例として、類似度計算部111が最も重い処理であるため、類似度計算部111のみ複数のPCで分散して計算するようにしても良い。
また、PC以外にも、記憶装置とデータ処理装置を具備する機器であれば使うことが可能である。例えば、デジタルテレビ、DVDレコーダ及びカーナビゲーションシステムといったデジタル家電において本発明を実施することも可能である。
例えば、識別装置20を備えた携帯電話で自動識別し、誤識別した場合か、又は誤識別の可能性が高い場合に、それを学習データとして、携帯から学習データ記憶部101に無線送信して追加記録し、学習を実行した結果の辞書データを、辞書データ記憶部102から携帯に無線で返信するようにする。携帯電話以外にも、PHS(Personal Handyphone System)、PDA(Personal Digital Assistance)を使用しても良い。
学習するパターンを文字とし、似た文字を同じカテゴリとしてまとめた場合、高速な文字認識といった用途に適用できる。
更に、学習するパターンを音声にすることで、音声認識をしつつ話者識別するといった用途や、学習するパターンを楽曲にすることで、音楽のジャンル識別をしつつ曲名識別といった用途に適用できる。
また、学習するパターンをコンピュータウィルスやスパムメールやサーバ攻撃時の通信内容にし、適宜上位カテゴリを設定することで、メモリ上のファイルからのウィルス検出、スパムメールの振り分け、サーバ攻撃の検知といった用途に適用できる。
更に、学習するパターンを商品の過去の売上データとすることによって、将来の全体の売り上げと商品別の売り上げを同時に予測するといった用途に適用できる。
また、学習するパターンを遺伝子情報にし、適宜上位カテゴリを設定することで、高速な遺伝子組み換え作物の検知、病気の原因となる遺伝子の特定、DNAによる人物鑑定が可能である。
第2の効果は、最下位階層でないカテゴリでの識別性能を高められるテンプレートを作成できることにある。その理由は、全ての階層においてその階層に応じた重みをかけてテンプレートを更新することによって、任意の階層の識別性能を高く調整できるためである。
Claims (20)
- 階層構造のカテゴリの識別に用いるテンプレートを有する辞書データを更新する学習装置と、
前記辞書データを参照して、パターンをカテゴリに分類する識別装置とを具備し、
前記学習装置は、
パターンと前記パターンが属するカテゴリのカテゴリ番号とを保持する学習データ記憶部と、
前記テンプレートと前記テンプレートが属するカテゴリのカテゴリ番号とを保持する辞書データ記憶部と、
前記パターンと前記テンプレートとの類似度を計算する類似度計算部と、
前記類似度に基づいて、前記テンプレートを更新するための第1更新量を計算する更新量計算部と、
カテゴリの階層別に定められた重み定数を前記第1更新量に乗算して第2更新量とする重み付け部と、
前記第2更新量に基づいて、前記テンプレートを更新する辞書更新部と
を備え、
前記識別装置は、
前記類似度を計算した後の入力パターンを、高い類似度を持っている前記テンプレートと同じカテゴリに分類するカテゴリ決定部を備える
識別用データ学習システム。 - 請求の範囲1に記載の識別用データ学習システムにおいて、
前記学習装置は、
前記パターン及び前記入力パターンを特徴パターンに変換して前記類似度計算部に送る特徴抽出部を更に備える
識別用データ学習システム。 - 階層構造のカテゴリの識別に用いるテンプレートを学習するための学習装置であって、
パターンと前記パターンが属するカテゴリのカテゴリ番号とを保持する学習データ記憶部と、
前記テンプレートと前記テンプレートが属するカテゴリのカテゴリ番号とを保持する辞書データ記憶部と、
前記学習データ記憶部と前記辞書データ記憶部とを参照して、前記パターンと前記テンプレートとの類似度を計算する類似度計算部と、
前記類似度に基づいて、前記テンプレートを更新するための第1更新量を計算する更新量計算部と、
カテゴリの階層別に定められた重み定数を前記第1更新量に乗算して第2更新量とする重み付け部と、
前記第2更新量に基づいて、前記テンプレートを更新する辞書更新部と
を具備する
学習装置。 - 請求の範囲3に記載の学習装置において、
前記辞書データ記憶部は、前記テンプレートに、1つの階層のカテゴリのカテゴリ番号を対応させたデータ本体を保持する
学習装置。 - 請求の範囲4に記載の学習装置において、
前記辞書データ記憶部は、前記1つの階層のカテゴリのカテゴリ番号に、他の階層のカテゴリのカテゴリ番号を対応させた対応表を更に保持する
学習装置。 - 請求の範囲3に記載の学習装置において、
前記辞書データ記憶部は、前記テンプレートに、カテゴリ毎のカテゴリ番号を対応させたデータ本体を保持する
学習装置。 - 階層構造のカテゴリの識別に用いるテンプレートと入力パターンとの類似度を計算する類似度計算部と、
前記類似度に基づいて、前記テンプレートを更新するための第1更新量を計算する更新量計算部と、
階層毎に定められた重み定数を用いて前記第1更新量を重み付けして第2更新量とする重み付け部と、
前記第2更新量に基づいて、前記テンプレートを更新する辞書更新部と
を具備する
学習装置。 - 請求の範囲3乃至7のいずれか一項に記載の学習装置において、
前記入力パターンを特徴パターンに変換して前記類似度計算部に送る特徴抽出部を更に具備する
学習装置。 - 学習装置で実行される、階層構造のカテゴリの識別に用いるテンプレートを学習するための学習方法であって、
前記テンプレートと入力パターンとの類似度を計算するステップと、
前記類似度に応じて前記テンプレートを変化させるための更新量を計算するステップと、
階層毎に定められた重み定数を用いて前記更新量を重み付けるステップと、
前記重み付けされた更新量に応じて前記テンプレートを更新するステップと
を具備する
学習方法。 - 請求の範囲9に記載の学習方法を、前記テンプレートが属する全てのカテゴリについてカテゴリ毎に繰り返す
学習方法。 - 請求の範囲10に記載の学習方法を、前記入力パターン毎に繰り返す
学習方法。 - 請求の範囲11に記載の学習方法を、定められた学習回数だけ繰り返す
学習方法。 - 請求の範囲9乃至12のいずれか一項に記載の学習方法において、
最初に、前記入力パターンを特徴パターンに変換するステップを更に具備する
学習方法。 - 請求の範囲9乃至13のいずれか一項に記載の学習方法において、
前記類似度を計算するステップは、前記テンプレートに1つの階層のカテゴリのカテゴリ番号を対応させたデータ本体を参照して行う
学習方法。 - 請求の範囲14に記載の学習方法において、
前記類似度を計算するステップは、前記1つの階層のカテゴリのカテゴリ番号に他の階層のカテゴリのカテゴリ番号を対応させた対応表を参照して行う
学習方法。 - 請求の範囲9乃至13のいずれか一項に記載の学習方法において、
前記類似度を計算するステップは、前記テンプレートにカテゴリ毎のカテゴリ番号を対応させたデータ本体を参照して行う
学習方法。 - 請求の範囲9乃至16のいずれか一項に記載された全てのステップを前記学習装置としてのコンピュータに実行させるためのプログラム。
- 請求の範囲3乃至8のいずれか一項に記載の学習装置を用いて更新されたテンプレートと前記テンプレートが属するカテゴリのカテゴリ番号とを保持する辞書データ記憶部と、
入力パターンと前記テンプレートとの類似度を計算する類似度計算部と、
前記類似度を計算した後の入力パターンに対して、最も高い類似度を持っている前記テンプレートと同じカテゴリに分類するカテゴリ決定部と
を具備する
識別装置。 - 識別装置で実行される識別方法であって、
請求の範囲9乃至16のいずれか一項に記載の学習方法を用いて更新されたテンプレートと入力パターンとの類似度を計算するステップと、
前記類似度を計算した後の入力パターンに対して、最も高い類似度を持っている前記テンプレートと同じカテゴリに分類するステップと
を具備する
識別方法。 - 請求の範囲19に記載された全てのステップを前記識別装置としてのコンピュータに実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006550773A JP4697670B2 (ja) | 2005-01-05 | 2005-12-26 | 識別用データ学習システム、学習装置、識別装置及び学習方法 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005001016 | 2005-01-05 | ||
JP2005001016 | 2005-01-05 | ||
PCT/JP2005/023821 WO2006073081A1 (ja) | 2005-01-05 | 2005-12-26 | 識別用データ学習システム、学習装置、識別装置及び学習方法 |
JP2006550773A JP4697670B2 (ja) | 2005-01-05 | 2005-12-26 | 識別用データ学習システム、学習装置、識別装置及び学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2006073081A1 JPWO2006073081A1 (ja) | 2008-06-12 |
JP4697670B2 true JP4697670B2 (ja) | 2011-06-08 |
Family
ID=36647563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006550773A Active JP4697670B2 (ja) | 2005-01-05 | 2005-12-26 | 識別用データ学習システム、学習装置、識別装置及び学習方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US7783581B2 (ja) |
JP (1) | JP4697670B2 (ja) |
WO (1) | WO2006073081A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878657B2 (en) | 2018-07-25 | 2020-12-29 | Konami Gaming, Inc. | Casino management system with a patron facial recognition system and methods of operating same |
US11521460B2 (en) | 2018-07-25 | 2022-12-06 | Konami Gaming, Inc. | Casino management system with a patron facial recognition system and methods of operating same |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8009050B2 (en) * | 2007-02-02 | 2011-08-30 | Semiconductor Energy Laboratory Co., Ltd. | Wireless system, semiconductor device, and communication device |
EP1956523B1 (en) * | 2007-02-02 | 2013-05-29 | Semiconductor Energy Laboratory Co., Ltd. | Wireless identification system, semiconductor device, and communication device |
JP4641537B2 (ja) * | 2007-08-08 | 2011-03-02 | 株式会社日立製作所 | データ分類方法および装置 |
JP2009093334A (ja) * | 2007-10-05 | 2009-04-30 | Seiko Epson Corp | 識別方法及びプログラム |
JP4710932B2 (ja) * | 2008-07-09 | 2011-06-29 | ソニー株式会社 | 学習装置、学習方法、およびプログラム |
US8712109B2 (en) * | 2009-05-08 | 2014-04-29 | Microsoft Corporation | Pose-variant face recognition using multiscale local descriptors |
EP2521092A1 (en) * | 2009-12-28 | 2012-11-07 | Cyber Ai Entertainment Inc. | Image recognition system |
US8917915B2 (en) | 2010-06-30 | 2014-12-23 | Nec Solution Innovators, Ltd. | Head detecting method, head detecting apparatus, attribute determining method, attribute determining apparatus, program, recording medium, and attribute determining system |
JP5675214B2 (ja) * | 2010-08-18 | 2015-02-25 | キヤノン株式会社 | 情報処理装置、情報処理方法およびプログラム |
US8650198B2 (en) * | 2011-08-15 | 2014-02-11 | Lockheed Martin Corporation | Systems and methods for facilitating the gathering of open source intelligence |
US9460390B1 (en) * | 2011-12-21 | 2016-10-04 | Emc Corporation | Analyzing device similarity |
WO2014136316A1 (ja) * | 2013-03-04 | 2014-09-12 | 日本電気株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP2014215877A (ja) * | 2013-04-26 | 2014-11-17 | 株式会社デンソー | 物体検出装置 |
US9489373B2 (en) | 2013-07-12 | 2016-11-08 | Microsoft Technology Licensing, Llc | Interactive segment extraction in computer-human interactive learning |
JP5875726B1 (ja) * | 2015-06-22 | 2016-03-02 | 株式会社日立パワーソリューションズ | 異常予兆診断装置のプリプロセッサ及びその処理方法 |
JP6704574B2 (ja) * | 2016-04-27 | 2020-06-03 | 株式会社メガチップス | 状態判定装置、プログラムおよび集積回路 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01321589A (ja) * | 1988-06-23 | 1989-12-27 | Nec Corp | 特徴抽出方式 |
JP2779119B2 (ja) * | 1992-10-06 | 1998-07-23 | 松下電器産業株式会社 | 学習認識装置 |
JP2000076382A (ja) * | 1998-09-01 | 2000-03-14 | Hitachi Ltd | 文字認識に用いる階層辞書の学習方法、および、その辞書の作成方法 |
JP2002334303A (ja) * | 2002-03-29 | 2002-11-22 | Fujitsu Ltd | 文字認識装置 |
JP2003123023A (ja) * | 2001-10-12 | 2003-04-25 | Nippon Telegr & Teleph Corp <Ntt> | 文字認識方法及び文字認識装置、文字認識プログラム並びにそのプログラムを記録した記録媒体 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5315689A (en) * | 1988-05-27 | 1994-05-24 | Kabushiki Kaisha Toshiba | Speech recognition system having word-based and phoneme-based recognition means |
US5214715A (en) * | 1991-01-31 | 1993-05-25 | Trustees Of Boston University | Predictive self-organizing neural network |
JP3226641B2 (ja) * | 1992-02-04 | 2001-11-05 | 富士写真フイルム株式会社 | パターン学習方法 |
US5434777A (en) * | 1992-05-27 | 1995-07-18 | Apple Computer, Inc. | Method and apparatus for processing natural language |
US5390281A (en) * | 1992-05-27 | 1995-02-14 | Apple Computer, Inc. | Method and apparatus for deducing user intent and providing computer implemented services |
US5479570A (en) | 1992-10-06 | 1995-12-26 | Matsushita Electric Industrial Co., Ltd. | Learning and recognition machine |
JPH06259157A (ja) * | 1993-03-10 | 1994-09-16 | Fuji Photo Film Co Ltd | 自己組織化パターン学習システム |
JP3506200B2 (ja) * | 1997-02-05 | 2004-03-15 | シャープ株式会社 | 位置合わせ装置 |
JP3475886B2 (ja) | 1999-12-24 | 2003-12-10 | 日本電気株式会社 | パターン認識装置及び方法並びに記録媒体 |
US6757362B1 (en) * | 2000-03-06 | 2004-06-29 | Avaya Technology Corp. | Personal virtual assistant |
JP2003108984A (ja) * | 2001-07-27 | 2003-04-11 | Toshiba Corp | 顔画像認識装置、通行制御装置、顔画像認識方法、及び通行制御方法 |
US7447666B2 (en) * | 2004-04-09 | 2008-11-04 | The Boeing Company | System and method for analyzing a pattern in a time-stamped event sequence |
US7370019B2 (en) * | 2005-06-23 | 2008-05-06 | Ecole Polytechnique Federal De Lausanne | Method and device for evolving a network using a genetic representation |
-
2005
- 2005-12-26 WO PCT/JP2005/023821 patent/WO2006073081A1/ja not_active Application Discontinuation
- 2005-12-26 US US11/794,730 patent/US7783581B2/en active Active
- 2005-12-26 JP JP2006550773A patent/JP4697670B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01321589A (ja) * | 1988-06-23 | 1989-12-27 | Nec Corp | 特徴抽出方式 |
JP2779119B2 (ja) * | 1992-10-06 | 1998-07-23 | 松下電器産業株式会社 | 学習認識装置 |
JP2000076382A (ja) * | 1998-09-01 | 2000-03-14 | Hitachi Ltd | 文字認識に用いる階層辞書の学習方法、および、その辞書の作成方法 |
JP2003123023A (ja) * | 2001-10-12 | 2003-04-25 | Nippon Telegr & Teleph Corp <Ntt> | 文字認識方法及び文字認識装置、文字認識プログラム並びにそのプログラムを記録した記録媒体 |
JP2002334303A (ja) * | 2002-03-29 | 2002-11-22 | Fujitsu Ltd | 文字認識装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878657B2 (en) | 2018-07-25 | 2020-12-29 | Konami Gaming, Inc. | Casino management system with a patron facial recognition system and methods of operating same |
US11455864B2 (en) | 2018-07-25 | 2022-09-27 | Konami Gaming, Inc. | Casino management system with a patron facial recognition system and methods of operating same |
US11521460B2 (en) | 2018-07-25 | 2022-12-06 | Konami Gaming, Inc. | Casino management system with a patron facial recognition system and methods of operating same |
Also Published As
Publication number | Publication date |
---|---|
US7783581B2 (en) | 2010-08-24 |
US20080091627A1 (en) | 2008-04-17 |
WO2006073081A1 (ja) | 2006-07-13 |
JPWO2006073081A1 (ja) | 2008-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4697670B2 (ja) | 識別用データ学習システム、学習装置、識別装置及び学習方法 | |
CN111523621B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN107341716B (zh) | 一种恶意订单识别的方法、装置及电子设备 | |
CN108629593B (zh) | 基于深度学习的欺诈交易识别方法、系统及存储介质 | |
WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN101937513B (zh) | 信息处理设备、信息处理方法 | |
CN108647736B (zh) | 一种基于感知损失和匹配注意力机制的图像分类方法 | |
CN110046634B (zh) | 聚类结果的解释方法和装置 | |
CN110636445B (zh) | 基于wifi的室内定位方法、装置、设备及介质 | |
CN109840413B (zh) | 一种钓鱼网站检测方法及装置 | |
CN109829065B (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
JP6004015B2 (ja) | 学習方法、情報処理装置および学習プログラム | |
CN108133224B (zh) | 用于评估分类任务复杂度的方法 | |
CN110765292A (zh) | 图像检索方法、训练方法及相关装置 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN109902167B (zh) | 嵌入结果的解释方法和装置 | |
CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
JP5518757B2 (ja) | 文書分類学習制御装置、文書分類装置およびコンピュータプログラム | |
CN111709766A (zh) | 一种用户行为预测方法、装置、存储介质及电子设备 | |
CN114492569B (zh) | 一种基于宽度学习系统的台风路径分类方法 | |
JP2007018530A (ja) | 忘却型ヒストグラム計算装置及びそれを用いた外れ値度計算装置 | |
CN113657440A (zh) | 一种基于用户特征聚类的拒绝样本推断方法和装置 | |
CN112463964A (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
CN111310712B (zh) | 一种基于指纹词袋特征的快速搜索方法 | |
CN117520104B (zh) | 一种预测硬盘异常状态的系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20081112 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101126 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110118 |
|
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: 20110207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4697670 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110220 |