JP4985293B2 - 情報処理装置および方法、プログラム、並びに記録媒体 - Google Patents

Description

本発明は情報処理装置および方法、プログラム、並びに記録媒体に関し、特に、より適切な学習用のデータを選択し、例えば、その選択されたデータを用いて主成分分析などの分析を行い、その分析結果の精度を高めることをできるようにした情報処理装置および方法、プログラム、並びに記録媒体に関する。

パターン認識の分野において、特徴量の次元圧縮のために主成分分析などの統計解析手法が用いられている。そのような統計解析手法においては、システムへの入力が予想されるサンプル（データ）に対して統計的な解析が行われる。例えば、システムの入力として、画像データが予測されるときには、学習サンプルとしては、画像データが用意され、その画像データに対して統計的な解析が行われる。（特許文献１参照）
特開平５−１９９０７１号公報

解析を行うための計算機の記憶領域、例えば、ＲＡＭ（Random Access Memory）の容量や、解析にかけられる時間などには制限がある。例えば、画像の画素値そのものを特徴量とする場合、１サンプルのデータ量が膨大になるため、記憶容量の関係で、あまり多くのサンプル数を記憶することができず、サンプル数を多くすることに対しての限界がある。またサンプル数が多くなると、解析時間がかかるようになるため、時間的な制限により、サンプル数を多くすることに対しての限界もある。

また例えば、映像の各フレームを入力とする場合、サンプル数が膨大になるため、１サンプルあたりのデータ量を制限せざるを得ない。例えば、１フレームあたりのデータ量を小さくするために、画像を予め縮小し、データ量を小さくする処理が行われた後、サンプルとして記憶されることがある。しかしながら、例えば、１秒あたり３０フレームで構成される映像であり、２時間分の映像をサンプルとした場合、２０万以上のフレームを記憶する必要があり、１フレームあたりのデータ量を小さくしたとしても、記憶すべきデータ量は多くなってしまう。

そこで、１サンプルのデータ量は、表現したい特徴を十分に表すことが可能な最小のものとされることが好ましい。そこで例えば、画像の画素値そのものを特徴量とする場合、画像内の重要な領域のみを最低限必要な解像度まで縮小してサンプルとして用いるようにすることが考えられる。

このようにして記憶されたサンプルから、学習するために必要とされる学習サンプルを選定する場合、その選定する数は、多い方がより高精度な統計解析が行えるため、記憶容量や計算時間の制約を満たす最大のサンプル数をもって学習サンプルとすることが好ましい。好ましい形態で、学習サンプルを選定したとしても、最適な学習サンプルを選定しなければ、最適な解析結果を取得することはできず、最適な学習サンプルを選定する必要性があった。

本発明は、このような状況に鑑みてなされたものであり、解析に用いる学習用のサンプルを、好ましい解析結果が出せるように、適切なサンプルを選定することができるようにするものである。

本発明の一側面の情報処理装置は、統計解析処理を実行する統計解析処理手段と、前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得する取得手段と、前記取得手段により取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類する分類手段と、前記分類手段により分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択する選択手段とを備える。

前記統計解析処理手段による統計解析は、主成分分析であるようにすることができる。

前記選択手段は、分割された各シーンの前記重要な部分と前記重要でない部分からそれぞれ前記学習サンプルを所定の個数だけ選択するようにすることができる。

前記選択手段は、前記重要でない部分からは前記学習サンプルを取得しないようにすることができる。

本発明の一側面の情報処理方法は、統計解析処理を実行する統計解析処理手段を備える情報処理装置の情報処理方法において、前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得し、取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類し、分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択するステップを含む。

本発明の一側面のプログラムは、統計解析処理を実行する統計解析処理手段を備える情報処理装置を制御するプログラムにおいて、前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得し、取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類し、分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択するステップを含む処理をコンピュータに実行させる。

本発明の一側面の記録媒体に記録されているプログラムは、統計解析処理を実行する統計解析処理手段を備える情報処理装置を制御するコンピュータに、前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得し、取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類し、分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択するステップを含む処理を実行させる。

本発明の一側面の情報処理装置および方法、並びにプログラムにおいては、統計解析処理により解析結果が、その解析結果を用いた処理が適切に行えるようにするために、テレビジョン放送における番組の所定のシーンを複数取得され、取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類され、分類されたシーンから、統計解析処理に用いられる学習サンプルが、重要な部分から重要でない部分より多く選択される。

本発明の一側面によれば、解析に用いるデータを、好ましい解析結果が得られるように、好ましいデータを選択できるようにすることが可能となる。

以下に、本発明の実施の形態について図面を参照して説明する。

図１は、本発明を適用した情報処理装置の一実施の形態の構成を示す図である。図１に示した情報処理装置１１は、サンプル取得部２１、サンプル分類部２２、学習サンプル選択部２３、統計解析処理部２４、および記憶部２５を含む構成とされている。

図１に示した情報処理装置１１は、統計解析処理部２４で統計解析処理を行うが、その統計解析処理に用いる適切なサンプル（学習サンプル）を取得し、選択することが可能とされている装置である。統計解析処理部２４による解析結果は、図示していない後段の処理で用いられるが、その後段で行う処理に適した解析結果が得られるように学習サンプルが選択される。

統計解析処理部２４で行う統計解析処理に用いるサンプル群に、不適切なサンプルが含まれると、その不適切なサンプルに解析結果が影響を受け、解析結果自体が不適切なものとなってしまう（後段の処理で解析結果を用いるときに、良好に目的を果たせない）可能性がある。よって、統計解析処理部２４に用いられるサンプルには、不適切なサンプルが含まれないようにするために、本実施の形態においては、取得されたサンプルから、適切なサンプルを選択し、その選択されたサンプルを用いた解析が行われるようにし、解析結果が、適切なものとなるようにする。

サンプル取得部２１は、サンプルを取得する。サンプル分類部２２は、サンプル取得部２１で取得された複数のサンプルを、所定の規則に基づき分類する。学習サンプル選択部２３は、サンプル分類部２２により分類されたサンプルから、統計解析処理部２４で用いるサンプルを選択する。統計解析処理部２４は、学習サンプル選択部２３により選択されたサンプルを用いた統計解析処理を行い、解析結果を図示してない後段に出力する。

以下の説明において、サンプル取得部２１により取得されるデータをサンプルと称し、そのサンプルから学習サンプル選択部２３で選択される、または選択されたサンプルを学習サンプルと称する。

詳細は例を挙げて後述するが、例えば、サンプル取得部２１により取得されるサンプルは、テレビジョン放送として放送された番組であり、その番組の所定のシーンをサンプルとして抽出する。なお、この場合、１番組から複数のシーンを抽出する場合もあるし、複数の番組から複数のシーンを抽出する場合もある。サンプル取得部２１は、複数のサンプルを取得する。

また、サンプル取得部２１は、ネットワークを介して取得されるサンプルや、パーソナルコンピュータなどに記憶されているサンプルなどを取得することができるように構成することも可能であり、そのように構成された場合、後段の処理も、取得されたサンプルを処理することが可能とされる。

サンプル取得部２１で、番組の所定のシーンがサンプルとして取得された場合、サンプル分類部２２は、取得された番組の所定のシーンを所定の規則により分類する。所定の規則には、サンプルの内容や、統計解析処理の解析結果をどのように用いるかなどに依存する。例えば、所定の規則としては、シーンを前半部分と後半部分に分けるなどが考えられる。

学習サンプル選択部２３は、所定の規則により分類された番組のシーン（サンプル）から、所定の規則に基づき、学習サンプルを抽出する。例えば、１サンプルのシーンが前半部分と後半部分に分類された場合、また、１サンプルから１０枚の画像が学習サンプルとして抽出され、そのうち３枚が前半部分から抽出され、残りの７枚が後半部分から抽出されるという規則の場合、学習サンプル選択部２３は、そのような規則に基づき、１０枚の学習サンプルを、１サンプルから抽出する。

統計解析処理部２４は、学習サンプル選択部２３により選択された学習サンプルを用いて、統計解析処理を実行する。例えば、学習サンプル選択部２３で選択された１０枚の学習サンプルが用いられて、主成分分析が行われ、学習サンプルが抽出されたシーンの特徴が解析される。換言すれば、統計解析処理部２４は、学習サンプルを用いた処理を実行し、シーンの特徴量を算出する。

記憶部２５は、情報処理装置１１内の各部が処理を行うのに必要なデータを適宜記憶する。

次に、図２のフローチャートを参照し、図１に示した情報処理装置１１の動作について説明する。

ステップＳ１１において、情報処理装置１１のサンプル取得部２１により、全サンプルが取得される。全サンプルとは、例えば、１番組から所定の条件に当てはまるサンプルを複数取得すると設定されている場合、１番組を解析することにより得られる所定の条件に当てはまる全てのサンプルである。取得されたサンプルは、適宜、記憶部２５に記憶される。または、記憶されずに、取得された時点で、サンプル分類部２２の処理に移行されるようにしても良い。

ステップＳ１２において、サンプル分類部２２により取得されたサンプルの分類が行われる。ステップＳ１３において、学習サンプル選択部２３は、分類結果のサンプルから、学習サンプルを選択、抽出する。そして、ステップＳ１４において、統計解析処理部２４は、抽出された学習サンプルを用いた統計解析処理を実行する。

ステップＳ１２における分類とステップＳ１３における選択について説明を加える。従来、ステップＳ１２における分類とステップＳ１３における選択の処理は行われていなかったため、取得されたサンプルから、学習サンプルがランダムに抽出されて統計解析処理に用いられていた。例えばサンプルが番組の所定のシーンである場合、そのシーンから、所定枚数の画像（画像データ）がランダムに抽出され、その画像の画像データが、統計解析処理に用いられていた。

このように、所定のシーンからランダムに画像を抽出する場合、抽出された画像が、例えば、シーンの前半部分からのものに偏ってしまう可能性がある。このような場合、シーンの前半部分に、後段の統計解析処理が適切な解析結果を出せるような学習サンプルがあれば良いが、なければ、適切な解析結果が算出できないことになる。

そこで、本実施の形態においては、この例の場合、シーン内で重要な画像を含む部分とそうでない部分とに分類する。分類された後、その分類された各シーン内の重要度に応じて、選択される学習サンプルの数が設定される（予め設定されているような場合も含まれる）。すなわち、重要な部分から多くの学習サンプルが選択されるように設定する。このようにすることで、重要な部分からの情報を多く用いて統計解析処理が行えるようになるため、より適切な解析結果を取得することが可能となる。

重要な部分であるか否かは、統計解析処理の解析結果としてどのような解析結果を所望するかなどの諸条件に依存するため、どのような分類が行われるかは、適宜扱うサンプルにより設定される。また、分類は、２つに分類することに限定されるわけでなく、複数に分類されるようにしても良い。また、分類後の各部分から、幾つの情報を選択するかも、分類毎の各部分の重要度に応じて、適宜設定される。

このように、サンプルを分類し、分類後のサンプルから、重要な部分からより多くの学習サンプルが抽出されるようにすることで、より適切な解析結果を得ることが可能となる。

次に、具体的な例を挙げて説明する。ここでは、統計解析処理部２４の処理結果は、図示していない後段の処理で、所定のシーンを認識するときに用いられる情報（直接的に用いられる情報であっても良いし、この情報をさらに加工することで間接的に用いられるような情報であっても良い）であるとする。また、認識される所定のシーンとは、ここでは、野球におけるホームランのシーンや、ヒットのシーンなどであるとする。このようなとき、サンプルとして取得されるのは、例えば、テレビジョン放送の野球中継の番組である。

まず、ステップＳ１１において、サンプル取得部２１は、テレビジョン放送の野球中継の番組を取得し、その番組のうちの所定のシーンを切り出す。図３を参照し、切り出されるシーンについて説明する。図３は、１つの番組に含まれるシーンを示している。野球中継は、時刻ｔ０から時刻ｔｎまで行われた。この中継のうち、時刻ｔ１から時刻ｔ２までは、ヒットのシーンであり、時刻ｔ３から時刻ｔ４までは、ホームランのシーンであり、時刻ｔ５から時刻ｔ６までは、ゴロのシーンであった。

このようなとき、時刻ｔ１から時刻ｔ２までが、ヒットのシーンであるとして切り出され、ヒットのシーンのサンプルとされる。また、時刻ｔ３から時刻ｔ４までが、ホームランのシーンであるとして切り出され、ホームランのシーンのサンプルとされる。さらに、時刻ｔ５から時刻ｔ６までが、ゴロのシーンであるとして切り出され、ゴロのシーンのサンプルとされる。図示はしていないが、三振のシーンや盗塁のシーンなど、図示した以外のシーンもサンプルとされるようにしても勿論良い。

このように、予め決められているシーンが番組内であったときには、その区間が切り出され、サンプルとされる。

ステップＳ１１においては、１番組から、ヒットのシーンやホームランのシーンといった複数のシーンが、サンプルとして取得される。また、複数の番組を検索対象とし、複数の番組から、同じく、ヒットのシーンやホームランのシーンといった複数のシーンが、サンプルとして取得される。

ステップＳ１２において、取得された各サンプルが所定の規則に基づき分類される。どのような規則に基づき分類されるかについて説明を加える。上記したように、統計解析処理部２４による統計解析処理の解析結果が、より好ましいものとなるように、分類処理が行われるため、その分類は、重要な部分から多くの学習サンプルが選択されるようにするための１処理とされる。

ここで、解析結果が、野球におけるホームランのシーンや、ヒットのシーンなどの所定のシーンを認識するときの情報として用いられる場合、換言すれば、そのようなシーンの特徴量の情報として用いられる場合、ホームランのシーンであるか、ヒットのシーンであるかなど、シーン毎の識別を正確に行える情報であることが必要である。よって、ステップＳ１２で行われるサンプルの分類の処理は、シーン毎の識別を正確に行える情報を生成するのに必要な学習サンプルを取得できるようにするための処理とする必要がある。

ここで、図４を参照し、ヒットのシーンとホームランのシーンを例にあげ、分類の仕方について説明する。図４の上の図はヒットのシーンに含まれる内容を示し、図４の下の図は、ホームランのシーンに含まれる内容を示している。

ヒットのシーンの場合、時刻Ｓ０から時刻Ｓ１までは投球のシーンであり、時刻Ｓ１から時刻Ｓ２までは打撃のシーンであり、時刻Ｓ２から時刻Ｓ３までは捕球のシーンであり、時刻Ｓ３から時刻Ｓ４までは送球のシーンであり、時刻Ｓ４から時刻Ｓ５までは捕球のシーンである。

ホームランのシーンの場合、時刻Ｓ０’から時刻Ｓ１’までは投球のシーンであり、時刻Ｓ１’から時刻Ｓ２’までは打撃のシーンであり、時刻Ｓ２’から時刻Ｓ３’までは走塁のシーンである。

ヒットのシーンとホームランのシーンを比べるに、共に、投球のシーンと打撃のシーンが含まれる。投球のシーンは、ヒットやホームランのシーンに限らず、ゴロや三振などのシーンにも含まれる。よって、投球のシーンは、１試合の中継に最も多く含まれるシーンであると考えられる。例えば、１試合の中継で、５０％程度が、投球のシーンで占められる場合がある。また、投球のシーンは、通常、固定カメラで撮影されているため、投手が変わっても、画像として大きな変化はない。

仮に、サンプルからランダムに学習サンプルを選択するとした場合、投球のシーンは、全体に占める割合が高いため、学習サンプルとして選択される可能性が高い。しかしながら、投球のシーンは、変化が小さいため、そのようなシーンが、学習サンプルとして選択され、かつ、その個数が多いとなると、投球のシーンが、統計解析処理の処理結果に大きな影響を与えることになる。

投球のシーンのようなシーンが支配的になると、番組の映像が本来もつさまざまなシーンが相対的に少なくなり、好ましくない場合、例えば、統計解析処理の解析結果が、投球のシーンに支配され、ヒットやホームランといったシーンを認識するための情報として適切でないような場合がある。よって、そのようなシーンとそうでないシーンを分類し、そのようなシーンからの学習サンプルが少なく選択されるようにすることで、より適切な解析結果が得られるようにする。

すなわち、この場合、所定のシーンのうち、シーンの特徴を表すであろう重要な部分と、シーンの特徴をあまり表さないために重要ではない部分とに分類される。

そこで、ステップＳ１２においては、取得されたサンプルを、投球のシーンとその他のシーンに分類する。そして、ステップＳ１３において、学習サンプルを選択する際、投球のシーンからの学習サンプルの個数よりも、その他のシーンからの学習サンプルの個数の方が多くなるように学習サンプルが選択される。

例えば、１つのシーンから取得する学習サンプルの総数をＮ個とし、投球のシーンからの学習サンプルを選択する割合（選択率）をｘ％とした場合、投球のシーンから選択される個数Ｐ１と、投球のシーン以外のシーンから選択される個数Ｐ２は、それぞれ以下の式で求められる。
個数Ｐ１＝（Ｎ×ｘ）／１００
個数Ｐ２＝（Ｎ×（１００―ｘ））／１００

このようにした場合、ｘの値を５０以下とすれば、投球のシーンから選択される学習サンプルの数を、投球のシーン以外のシーンから選択される学習サンプルの数よりも少なくすることができる。

ここでは、１つのサンプルを２つに分類するとして説明しているが、２以上に分類することも可能である。例えば、図４を再度参照するに、ヒットのシーンとホームランのシーンとで共通しているのは、投球のシーンだけでなく、打撃のシーンもあるので、投球のシーン、打撃のシーン、およびその他のシーンというように、３つに分類しても良い。そして、３つに分類したシーン毎に選択する学習サンプルの数が異なるように設定されるようにしても良い。例えば、投球のシーン、打撃のシーン、およびその他のシーンから、それぞれ選択される学習サンプルの数の比率が、１：２：３になるように設定されるようにしても良い。

また、複数のシーンから学習サンプルを取得するので、その複数のシーンからの学習サンプルの総計が一定となるように、Ｎの値が設定されるようにしても良い。例えば、総計で１００個の学習サンプルが取得され、１０シーンから学習サンプルが取得される場合、Ｎの値は１０（＝１００／１０）と設定され、５シーンから学習サンプルが取得される場合、Ｎの値は２０（＝１００／５）と設定される。

このように、サンプルを分類し、分類後の各区間から、異なる数の学習サンプルを選択することで、好ましい統計処理結果が得られるような学習サンプルを取得することが可能となる。

このようにして選択された学習サンプルが用いられ、ステップＳ１４において、統計解析処理が行われる。統計解析処理として、例えば、主成分分析を用いることが可能である。主成分分析などは、主成分と大きく異なる値がある場合、その値に結果が引っ張られることがあるため、解析に用いるデータは、そのような値を含まないようにすることが、好適な解析結果を得るためには必要なことである。本発明を適用することで、より適切な学習サンプルを取得できるので、その結果、主成分と大きく異なるような値を除外することが可能となり、より好適な解析結果を取得することが可能となる。

統計解析処理を行うとき、例えば、複数のヒットのシーンから選択された学習サンプルのみで解析を行えば、ヒットのシーンにおける特徴量を算出することができる。仮に、ヒットのシーンの特徴量を算出するときに、投球のシーンから多くの学習サンプルが抽出されると、投球のシーンの特徴量に近い特徴量となってしまう可能性があるが、本実施の形態においては、上記したように学習サンプルが取得されるため、そのような不都合を回避することが可能となる。

また、投球のシーンからは学習サンプルが選択されないようにする（例えば、ｘの値を０とする）ことも可能であるが、投球から打撃といった一連の流れがあり、投球と打撃を完全に分類すると、例えば、ヒットというシーンを完全に再現することはできない可能性がある。しかしながら、本実施の形態によれば、投球と打撃といった一連の流れから、所定のシーンの特徴量を算出することが可能となるため、また、重要な部分からより多くの学習サンプルが取得されるように重み付けを行うことができるため、精度の高いシーンの認識に用いることができるデータを生成できる。

本実施の形態は、このように、所定のシーンを認識するためのデータを生成するとき、そのシーンを認識するのに重要と思われる部分からの情報量を多くすることが可能となる。換言すれば、情報に重み付けを行って、情報を取得することが可能となる。よって、重要な情報に依存する情報を生成することが可能となる。

上述した実施の形態として、野球の中継の番組を例に挙げて説明したが、他の番組でも同様の処理を行うことで、統計解析処理に適切な学習サンプルを取得することが可能である。また、番組以外をサンプルとすることも勿論可能である。

ところで、例えば、上記したように、テレビジョン放送の所定の番組を対象として、統計解析処理を行う場合、番組のデータを記憶する記憶部２５が必要である。しかしながら、その記憶部２５の記憶容量には制限があるため、多くの学習サンプルを記憶することができず、また、学習サンプル数が多いと、解析時間がかかるため、時間的な制限もあり、学習サンプル数を多くすることに対して限界がある。

多くの学習サンプルを記憶し、解析することで、解析結果の精度を高めることができるが、上記したような限界がある場合には、そのようなことを実現するのは困難である。そこで、少ない学習サンプルを記憶し、解析することが考えられるが、本発明を適用すれば、上述したように、適切な学習サンプルを取得できるので、少ない学習サンプル数であっても、好適な解析結果を得ることが可能となる。また、少ない学習サンプル数を記憶できればよいので、その学習サンプルを記憶するための記憶容量を小さくすることが可能となる。

また、学習サンプルを用いて主成分分析などの統計解析処理を行った結果は、学習サンプルよりも小さなデータ量となるため、換言すれば、主成分分析などの統計処理を行うことで、統計処理を行う前の情報と、統計処理を行った後の情報とで、同じ表現力をもつ特徴量であっても、より低次元で実現可能な情報とすることができるため、１サンプルあたりのデータ量を小さくすることが可能となる。よって、統計解析処理の解析結果を記憶するための記憶容量自体も小さくすることが可能となる。

［記録媒体について］
上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウエアにより実行させることもできる。一連の処理をソフトウエアにより実行させる場合には、そのソフトウエアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。

図５は、上述した一連の処理をプログラムにより実行するパーソナルコンピュータのハードウェアの構成の例を示すブロック図である。

コンピュータにおいて、ＣＰＵ（Central Processing Unit）５１、ＲＯＭ（Read Only Memory）５２、ＲＡＭ（Random Access Memory）５３は、バス５４により相互に接続されている。

バス５４には、さらに、入出力インターフェース５５が接続されている。入出力インターフェース５５には、キーボード、マウス、マイクロホンなどよりなる入力部５６、ディスプレイ、スピーカなどよりなる出力部５７、ハードディスクや不揮発性のメモリなどよりなる記憶部５８、ネットワークインタフェースなどよりなる通信部５９、磁気ディスク、光ディスク、光磁気ディスク、あるいは半導体メモリなどのリムーバブルメディア６１を駆動するドライブ６０が接続されている。

以上のように構成されるコンピュータでは、ＣＰＵ５１が、例えば、記憶部５８に記憶されているプログラムを、入出力インターフェース５５およびバス５４を介して、ＲＡＭ５３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU５１）が実行するプログラムは、例えば、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory),DVD(Digital Versatile Disc)等）、光磁気ディスク、もしくは半導体メモリなどよりなるパッケージメディアであるリムーバブルメディア６１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供される。

そして、プログラムは、リムーバブルメディア６１をドライブ６０に装着することにより、入出力インターフェース５５を介して、記憶部５８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部５９で受信し、記憶部５８にインストールすることができる。その他、プログラムは、ＲＯＭ５２や記憶部５８に、予めインストールしておくことができる。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、システムとは、複数の装置により構成される装置全体を表すものである。

なお、本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

本発明を適用した情報処理装置の一実施の形態の構成を示す図である。 情報処理装置の動作について説明するためのフローチャートである。 シーンについて説明するための図である。 シーンの分類について説明するための図である。 記録媒体について説明するための図である。

符号の説明

２１ サンプル取得部， ２２ サンプル分類部， ２３ 学習サンプル選択部， ２４ 統計解析処理部， ２５ 記憶部

Claims (7)

1. 統計解析処理を実行する統計解析処理手段と、
   前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得する取得手段と、
   前記取得手段により取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類する分類手段と、
   前記分類手段により分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択する選択手段と
   を備える情報処理装置。
2. 前記統計解析処理手段による統計解析は、主成分分析である
   請求項１に記載の情報処理装置。
3. 前記選択手段は、分割された各シーンの前記重要な部分と前記重要でない部分からそれぞれ前記学習サンプルを所定の個数だけ選択する
   請求項１に記載の情報処理装置。
4. 前記選択手段は、前記重要でない部分からは前記学習サンプルを取得しない
   請求項１に記載の情報処理装置。
5. 統計解析処理を実行する統計解析処理手段を備える情報処理装置の情報処理方法において、
   前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得し、
   取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類し、
   分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択する
   ステップを含む情報処理方法。
6. 統計解析処理を実行する統計解析処理手段を備える情報処理装置を制御するプログラムにおいて、
   前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得し、
   取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類し、
   分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択する
   ステップを含む処理をコンピュータに実行させるプログラム。
7. 統計解析処理を実行する統計解析処理手段を備える情報処理装置を制御するコンピュータに、
   前記統計解析処理手段が処理対象とするテレビジョン放送における番組の所定のシーンを複数取得し、
   取得されたシーン毎に、シーンの特徴を表す重要な部分と、シーンの特徴を表さない重要でない部分とに分類し、
   分類された前記シーンから、前記統計解析処理手段による統計解析処理に用いられる学習サンプルを、前記重要な部分から前記重要でない部分より多く選択する
   ステップを含む処理を実行させるプログラムが記録されている記録媒体。

Images