JP5320443B2 - 高速判別装置および高速判別装置を高速化する方法、並びに高速判別装置プログラム - Google Patents
高速判別装置および高速判別装置を高速化する方法、並びに高速判別装置プログラム Download PDFInfo
- Publication number
- JP5320443B2 JP5320443B2 JP2011165173A JP2011165173A JP5320443B2 JP 5320443 B2 JP5320443 B2 JP 5320443B2 JP 2011165173 A JP2011165173 A JP 2011165173A JP 2011165173 A JP2011165173 A JP 2011165173A JP 5320443 B2 JP5320443 B2 JP 5320443B2
- Authority
- JP
- Japan
- Prior art keywords
- discriminators
- evaluation value
- discriminator
- classifier
- evaluation
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
Description
前記対象データxの入力を受け付ける対象データ入力受付手段と、所定の順番に並べられた、前記対象データxに前記オブジェクトが含まれるか否かを評価する複数個の判別器fj(j=1〜J)からなる判別器群と、前記複数個の判別器のうちの1番目の判別器から順に各判別器を用いて前記対象データxを評価した評価値fj(x)を求め、1番目からi番目までの判別器の評価値fj(x)(j=1〜i)から得られた総合評価値Fi(x)をi=1からJまで順に得る評価値取得手段と、前記評価値取得手段によってi=I(I<J)番目までの判別器を評価して得られた前記総合評価値FI(x)が示す前記判別結果が、I+1番目以降の各判別器が取り得る評価値の範囲に基づいて、前記I番目までの判別器を評価して得られた総合評価値FI(x)にI+1番目以降の判別器の評価値を加えても変わらないと判定された場合には、前記評価値取得手段にI+1番目以降の判別器の評価の打ち切りを指示するとともに、前記I番目までの判別器を評価して得られた総合評価値FIに応じた前記判別結果を最終結果として決定する判別結果決定手段とを備えたことを特徴とするものである。
コンピュータを、前記対象データxの入力を受け付ける対象データ入力受付手段と、所定の順番に並べられた、前記対象データxに前記オブジェクトが含まれるか否かを評価する複数個の判別器fj(j=1〜J)からなる判別器群と、前記複数個の判別器のうちの1番目の判別器から順に各判別器を用いて前記対象データxを評価した評価値fj(x)を求め、1番目からi番目までの判別器の評価値fj(x)(j=1〜i)から得られた総合評価値Fi(x)をi=1からJまで順に得る評価値取得手段と、前記評価値取得手段によってi=I(I<J)番目までの判別器を評価して得られた前記総合評価値FI(x)が示す前記判別結果が、I+1番目以降の各判別器が取り得る評価値の範囲に基づいて、前記I番目までの判別器を評価して得られた総合評価値FI(x)にI+1番目以降の判別器の評価値を加えても変わらないと判定された場合には、前記評価値取得手段にI+1番目以降の判別器の評価の打ち切りを指示するとともに、前記I番目までの判別器を評価して得られた総合評価値FIに応じた前記判別結果を最終結果として決定する判別結果決定手段として機能させることを特徴とするものである。
さらに、対象データが音のデータの場合には、「オブジェクト」は、例えば、音声、生体の音、生き物の声(動物、鳥、昆虫)、楽器の音、乗り物の音などである。
前記評価値取得手段が、1番目からi番目までの判別器の評価値fj(x)と各判別器の重みαjとを線形結合した総合評価値Fi(x)
判別関数: F(x)=3 f1(x)+1.5 f2(x)+f3(x)+0.5 f4(x)+0.3f5(x)が与えられたとする。
(1) まず、一項目f1(x)=1と評価されたとする。するとF1 (x)=3かつm1=3.3である。この段階では残りの全ての弱判別器が−1 をとると符号が逆転するので打ちきれない。
(2) 二項目f2(x)=−1と評価されたとする。するとF2(x)=1.5かつm2=1.8である。この段階でも残りの全ての弱判別器が−1をとると符号が逆転するので打ちきれない。
(3) 三項目f3(x)=1と評価されたとする。すなわちF3(x)=2.5かつm3 =0.8である。このとき数式(6)の条件1が満たされ、残りの弱判別器f4, f5 がいかなる値をとっても符号は逆転できずsign(F(x))=sign(F3(x))=1 である。
よってγ(x, F)=3で打ち切ることができる。
まず、弱判別器の個数J=5とし、弱判別器の取りうる値を下の表1に示す。
(1) 一項目f1(x)=2.0と評価されたとする。するとF1(x)=2.0,m− 1=6.3となる。このときsign(F1(x))×F1(x)=2.0 はm− 1 より小さいためF(x)の符号が負である可能性が残る.従って評価を打ち切ることはできない。
(2) 二項目f2(x)=1.5評価されたとする。するとF2(x)=3.5,m− 2=3.8となる。このときsign(F2(x))×F2(x)=3.5はm− 2 より小さいため,F(x) の符号が負である可能性が残る。従って評価を打ち切ることはできない。
(3) 三項目f3(x)=1.7と評価されたとする。するとF3(x)=5.4,m− 3=3.6となる。このときsign(F3(x))×F3(x)=5.4>m− 3であるため残りの弱判別器がどんな値を取っても総合評価値の値が負になることはない。従って残りの弱判別器を評価することなく判別を打ち切ることができる。
ブースティング順^kb :ブースティングの学習時に選択された順序
係数絶対値順^kd :各弱判別器の係数(重みα)の絶対値が降順で並ぶ順序
はそもそも最適になっているのではないかと考えられる。
(1) 最小のγ(x,F) を達成する順序は場所xによって異なる。
(2) 最適な判別関数F(x)はp(y|x)のみから決まる。その一方最適順序構造はp(x)にも依存する。
(3) ブースティング順は最終的な形F(x)に最も早く近づけるように弱判別器を選択する。
σ2(s,t) = {1,2,・・・,s,・・・,t,・・・,J}-> {1,2,・・・,t,・・・,s,・・・,J}
と定義する。並び^kの弱判別器群から選択したs番目とt番目の2つの弱判別器を交換して新しい並びσ2(s,t)^kの弱判別器群を生成する(#22)。
(1)最適な(あるいは準最適な)並び順を決定するには、条件3−1または条件4−1を満たすときに弱判別器の評価を打ち切るという条件のもとで決定し、この決定された最適な(あるいは準最適な)並び順の弱判別器群で構成された高速判別装置1aでも、条件3−1または条件4−1を満たすときに弱判別器の評価を打ち切るようにする。
(2)最適な(あるいは準最適な)並び順を決定するには、条件3−1または条件4−1を満たすときに弱判別器の評価を打ち切るという条件のもとで決定し、この決定された最適な(あるいは準最適な)並び順の弱判別器群で構成された高速判別装置1aでも、条件3−2または条件4−2を満たすときに弱判別器の評価を打ち切るようにする。
(3)最適な(あるいは準最適な)並び順を決定するには、条件3−2または条件4−2を満たすときに弱判別器の評価を打ち切るという条件のもとで決定し、この決定された最適な(あるいは準最適な)並び順の弱判別器群で構成された高速判別装置1aでも、条件3−1または条件4−1を満たすときに弱判別器の評価を打ち切るようにする。
(4)最適な(あるいは準最適な)並び順を決定するには、条件3−2または条件4−2を満たすときに弱判別器の評価を打ち切るという条件のもとで決定し、この決定された最適な(あるいは準最適な)並び順の弱判別器群で構成された高速判別装置1aでも、条件3−2または条件4−2を満たすときに弱判別器の評価を打ち切るようにする。
ここで、k番目のステージの判別関数をFkと定義する。Fk は、
図12は、カスケード型の高速判別装置の順序構造学習の処理の流れを示すフローチャートである。各ステージ毎に並び替えを行なう以外は、第3の実施の形態の順序構造学習の処理の流れと略同様であるので、図12に従って相違する点を主に説明する。
(a)教師付き学習用データセット
ラベル付き学習データDLのみが与えられる。従来から広く用いられてきた設定である。本発明のブースティング学習時に用いられ、弱判別器の選択が行われる。しかし上述したようにデータサイズを大きくするためにはラベルづけのコストがかかる。
(b)半教師付き学習データセット
ラベル付き学習データDLとラベル無し学習データDUが与えられる。ただし、DUとDLが同じ分布に従っている。
(c)共変量シフト学習データセット
ラベル付き学習データDLとラベル無し学習データDUが与えられる。ただし、DUとDLが異なる分布に従っている。
(i) viola and jonesらが提案した従来の判別装置(例えば、文献3:Pual.Viola,Michael J.Jones.Rapid Object Detection using a Boosted Cascade of Simple Feature, IEEE Conf. on Computer Vision and Pattern Recognition, 2001.V参照)
(ii) 係数絶対値順に弱判別器を並べて、弱判別器の数γ(第1、第2および第4の実施の形態のI、Ik)で打ち切る高速判別装置(第1、第2および第4の実施の形態の高速判別装置)
(iii) ブースティング順に弱判別器を並べて、弱判別器の数γで打ち切る高速判別装置(第1、第2、および第4の実施の形態の高速判別装置)
(iv)さらに、弱判別器の並び順に対して順序構造学習を行なって、弱判別器の数γで打ち切る高速判別装置(第3および第5の実施の形態の方法によって高速化された高速判別装置)
(i)の従来の判別装置に対しては、(ii)、(iii) 、(iv)の高速判別装置はどんな場合でも必ず同じかそれ以上の判別速度を出すことができる。また、(iv)が一番高速であると考えられるが、順序構造学習をしなくても(ii)、(iii)でも一定程度の高速化が実現可能である。ただし、これは学習データと評価データの分布が同じ場合が前提となる。
実験2,5はともにブースティング順は係数絶対値順に似た挙動を示している。また両者は実験2,5であまり結果が変わらないことがわかる。その一方で順序構造学習は実験2に比べて実験5では、弱判別器の数が増えると結果が安定していない。これは学習時と評価時でデータの分布が変わっている影響が出ているためであると考えられる。
順序構造学習を行うと、データ数が増えているため早期から安定して高速化できている。ただし実験2と同様に、学習データセットとサンプルデータセットが同じ分布に従い、学習データセット・サンプルデータセットと同じ分布の評価用データセットD1 Tを用いるため、弱判別器の数が増えても改良の度合いが増加していない。
順序構造学習による高速化が著しいことが見て取れる。この理由は共変量シフトを起こしている場合、係数絶対値順やブースティング順が重要であると考えた判別装置の優先順位が予想を外すこととなる。ただしブースティングの学習アルゴリズムを共変量シフトに拡張すればここまで差が生じることはないと考えられる。
具体的には、上記実施形態で説明したように、ラベル無しの半教師付き学習や、共変量シフトの分布特性を持つサンプルデータを順序構造学習に適用することで、更に、係数絶対値順、アダブースト順より高速となるように高速判別装置の弱判別器を並び替えることが可能になる。
また、音声データや文字データには、日本語や英語などの種々の言語の情報からなる言語データが含まれる。言語データからは、例えば、地域の方言の判別、用途(ニュースのようなフォーマルなデータであるかインフォーマルなデータであるか)の判別、書かれた(あるいは、話された)時代(平安、江戸、現代)の判別、書いた(あるいは、話している)世代(高校生、年輩)の判別をおこなうときに上述の高速判別装置を用いることができる。
さらに、生体データは、心拍、脈拍、血圧、呼吸、発汗の波形や周期、振幅などを計測したデータであってもよい。さらにまた、自然・物理データとして、天候、気候、地震の波形や周期、振幅などを計測したデータであってもよい。
11 対象画像データ入力受付手段
12,12a,12b 判別器記憶手段
13,13a,13b 評価値取得手段
14,14a,14b 判別結果決定手段
Claims (18)
- 判別対象の対象データに所定のオブジェクトが含まれるか否かを判別した判別結果を得る高速判別装置であって、
前記対象データxの入力を受け付ける対象データ入力受付手段と、
所定の順番に並べられた、前記対象データxに前記オブジェクトが含まれるか否かを評価する複数個の判別器fj(j=1〜J)からなる判別器群と、
前記複数個の判別器のうちの1番目の判別器から順に各判別器を用いて前記対象データxを評価した評価値fj(x)を求め、1番目からi番目までの判別器の評価値fj(x)(j=1〜i)から得られた総合評価値Fi(x)をi=1からJまで順に得る評価値取得手段と、
前記評価値取得手段によってi=I(I<J)番目までの判別器を評価して得られた前記総合評価値FI(x)が示す前記判別結果が、I+1番目以降の各判別器が取り得る評価値の範囲に基づいて、前記I番目までの判別器を評価して得られた総合評価値FI(x)にI+1番目以降の判別器の評価値を加えても変わらないと判定された場合には、前記評価値取得手段にI+1番目以降の判別器の評価の打ち切りを指示するとともに、前記I番目までの判別器を評価して得られた総合評価値FIに応じた前記判別結果を最終結果として決定する判別結果決定手段とを備えたことを特徴とする高速判別装置。 - 前記判別器群が、前記複数の判別器fjとともに、該判別器のそれぞれに対する重みαjとを記憶するものであり、
前記評価値取得手段が、1番目からi番目までの判別器の評価値fj(x)と各判別器の重みαjとを線形結合した総合評価値Fi(x)
- 前記判別結果決定手段が、前記評価値取得手段によってI番目までの判別器を評価して得られた前記総合評価値FIが条件1
- 前記判別結果決定手段が、前記評価値取得手段によってI番目までの判別器を評価して得られた前記総合評価値FIが条件2
- 前記評価値取得手段が、1番目からi番目までの判別器の評価値fj(x)を線形結合した総合評価値Fi(x)
- 前記判別結果決定手段が、前記評価値取得手段によってI番目までの判別器を評価して得られた前記総合評価値FI(x)が、条件3−1または条件4−1
- 前記判別結果決定手段が、前記評価値取得手段によってI番目までの判別器を評価して得られた前記総合評価値FI(x)が、条件5−1または条件6−1
- 前記判別結果決定手段が、前記評価値取得手段によってI番目までの判別器を評価して得られた前記総合評価値FI(x)が、条件3−2または条件4−2
- 前記判別結果決定手段が、前記評価値取得手段によってI番目までの判別器を評価して得られた前記総合評価値FI(x)が、条件5−2または条件6−2
- 前記判別結果は、前記総合評価値Fi(x)の符号に応じて決定されることを特徴とする請求項2〜9いずれか1項記載の高速判別装置。
- 前記判別器群が、K個のステージに分けられるとともに、各ステージ毎に所定の順番で並べられたJk(k=1〜K)個の判別器からなる判別器群が含まれるものであり、
前記評価値取得手段が、前記各ステージ毎に1番目から順に前記総合評価値Fi(x)を各ステージのi=1からJkまで順に得るものであり、
前記判別結果決定手段が、前記評価値取得手段によって、各ステージのi=Ik(Ik<Jk)番目までの判別器を評価して得られた前記総合評価値FkI(x)が示す前記判別結果が、各ステージに含まれるIk+1番目以降の各判別器が取り得る評価値の範囲に基づいて、前記Ik番目までの判別器を評価して得られた総合評価値FkI(x)にIk+1番目以降の判別器の評価値を加えても変わらないと判定された場合には、前記評価値取得手段に各ステージのIk+1番目以降の判別器の評価の打ち切りを指示するとともに、前記Ik番目までの判別器を評価して得られた総合評価値FkIに応じた前記判別結果を各ステージの最終結果として決定するものであることを特徴とする請求項1記載の高速判別装置。 - 請求項1記載の高速判別装置を高速化するための方法であって、
N個のサンプルデータを記憶するサンプルデータ記憶ステップと、
前記所定の順番に並べられた複数の判別器からなる判別器群の2以上の判別器を交換して並び替えを行う判別器交換ステップと、
該判別器交換ステップによる交換前と交換後の並び順の判別器群のそれぞれにおいて、前記N個のサンプルデータのそれぞれを前記対象データ入力受付手段より対象データxとして受け付けて、前記評価値取得手段を実行した後に前記判別結果決定手段が前記判別器の評価の打ち切りを指示するまでに評価された判別器の数Iを各サンプルデータごとに取得し、前記N個のサンプルデータの前記評価された判別器の数の代表値を取得する評価済判別器数取得ステップと、
前記交換後に前記評価された判別器の数の代表値が前記交換前に前記評価された判別器の数の代表値より小さい場合には、前記判別器群の並び順を前記交換後の並び順に並び替えて前記判別器群に記憶し、前記交換後に前記評価された判別器の数の代表値が前記交換前に前記評価された判別器の数の代表値より大きい場合には、前記判別器群に記憶されている前記判別器群の並び順をそのままとする並び替えステップと、
前記判別器交換ステップ、前記評価済判別器数取得ステップ、および前記並び替えステップを繰り返して、前記評価された判別器の数の代表値が最小となる前記判別器群の並び順を探索する探索ステップと、を備えたことを特徴とする高速判別装置を高速化するための方法。 - 請求項11記載の高速判別装置を高速化するための方法であって、
N個のサンプルデータを記憶するサンプルデータ記憶ステップと、
前記各ステージ毎に所定の順番に並べられた複数の判別器からなる判別器群の2以上の判別器を交換して並び替えを行う判別器交換ステップと、
該判別器交換ステップによる交換前と交換後の並び順の判別器群のそれぞれにおいて、前記N個のサンプルデータのそれぞれを前記対象データ入力受付手段より対象データxとして受け付けて、前記評価値取得手段を実行した後に各ステージにおいて前記判別結果決定手段が前記判別器の評価の打ち切りを指示するまでに評価された判別器の数Ikを各サンプルデータごとに取得し、前記N個のサンプルデータの前記評価された判別器の数の代表値を各ステージ毎に取得する評価済判別器数取得ステップと、
前記交換後に前記評価された判別器の数の代表値が前記交換前に前記評価された判別器の数の代表値より小さい場合には、前記各ステージの判別器群の並び順を前記交換後の並び順に並び替えて前記判別器群に記憶し、前記交換後に前記評価された判別器の数の代表値が前記交換前に前記評価された判別器の数の代表値より大きい場合には、前記各ステージの判別器群に記憶されている前記判別器群の並び順をそのままとする並び替えステップと、
前記判別器交換ステップ、前記評価済判別器数取得ステップ、および前記並び替えステップを繰り返して、前記評価された判別器の数の代表値が最小となる前記各ステージの判別器群の並び順を探索する探索ステップと、を備えたことを特徴とする高速判別装置を高速化するための方法。 - 前記判別器交換ステップが、前記所定の順番に並べられた複数の判別器からなる判別器群のうちの任意の2つの判別器を交換するものであり、
前記探索ステップが、前記判別器交換ステップにおいて前記交換した2つの判別器の全ての組み合わせについて、前記評価済判別器数取得ステップ、および前記並び替えステップを繰り返して、前記評価された判別器の数の代表値が最小となる前記判別器群の並び順を探索することを特徴とする請求項12または13記載の高速判別装置を高速化するための方法。 - 前記サンプルデータには、ラベル無学習データを含むことを特徴とする請求項12〜14いずれか1項記載の高速判別装置を高速化するための方法。
- 前記判別器群は、所定の分布P1に従う学習データを用いて学習を行うことにより選択されたものであり、
前記サンプルデータには、前記分布P1とは異なる分布P2の学習データを含むことを特徴とする請求項12〜15いずれか1項記載の高速判別装置を高速化するための方法。 - 前記分布P2が前記対象データの分布に近い分布を表すものであることを特徴とする請求項16記載の高速判別装置を高速化するための方法。
- 判別対象の対象データに所定のオブジェクトが含まれるか否かを判別した判別結果を得る高速判別装置のプログラムであって、
コンピュータを、
前記対象データxの入力を受け付ける対象データ入力受付手段と、
所定の順番に並べられた、前記対象データxに前記オブジェクトが含まれるか否かを評価する複数個の判別器fj(j=1〜J)からなる判別器群と、
前記複数個の判別器のうちの1番目の判別器から順に各判別器を用いて前記対象データxを評価した評価値fj(x)を求め、1番目からi番目までの判別器の評価値fj(x)(j=1〜i)から得られた総合評価値Fi(x)をi=1からJまで順に得る評価値取得手段と、
前記評価値取得手段によってi=I(I<J)番目までの判別器を評価して得られた前記総合評価値FI(x)が示す前記判別結果が、I+1番目以降の各判別器が取り得る評価値の範囲に基づいて、前記I番目までの判別器を評価して得られた総合評価値FI(x)にI+1番目以降の判別器の評価値を加えても変わらないと判定された場合には、前記評価値取得手段にI+1番目以降の判別器の評価の打ち切りを指示するとともに、前記I番目までの判別器を評価して得られた総合評価値FIに応じた前記判別結果を最終結果として決定する判別結果決定手段として機能させる高速判別装置のプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011165173A JP5320443B2 (ja) | 2011-07-19 | 2011-07-28 | 高速判別装置および高速判別装置を高速化する方法、並びに高速判別装置プログラム |
US13/552,389 US8693766B2 (en) | 2011-07-19 | 2012-07-18 | Rapid discrimination apparatus, method of speeding up the same, and program of the same |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011157653 | 2011-07-19 | ||
JP2011157653 | 2011-07-19 | ||
JP2011165173A JP5320443B2 (ja) | 2011-07-19 | 2011-07-28 | 高速判別装置および高速判別装置を高速化する方法、並びに高速判別装置プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013041312A JP2013041312A (ja) | 2013-02-28 |
JP5320443B2 true JP5320443B2 (ja) | 2013-10-23 |
Family
ID=47555781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011165173A Expired - Fee Related JP5320443B2 (ja) | 2011-07-19 | 2011-07-28 | 高速判別装置および高速判別装置を高速化する方法、並びに高速判別装置プログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US8693766B2 (ja) |
JP (1) | JP5320443B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014021901A (ja) * | 2012-07-23 | 2014-02-03 | Casio Comput Co Ltd | 被写体検出装置、被写体検出方法及びプログラム |
US20140286527A1 (en) * | 2013-03-20 | 2014-09-25 | Qualcomm Incorporated | Systems and methods for accelerated face detection |
JP6361387B2 (ja) * | 2014-09-05 | 2018-07-25 | オムロン株式会社 | 識別装置および識別装置の制御方法 |
CN106951825B (zh) * | 2017-02-13 | 2021-06-29 | 苏州飞搜科技有限公司 | 一种人脸图像质量评估系统以及实现方法 |
CN107316036B (zh) * | 2017-06-09 | 2020-10-27 | 广州大学 | 一种基于级联分类器的害虫识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7764808B2 (en) * | 2003-03-24 | 2010-07-27 | Siemens Corporation | System and method for vehicle detection and tracking |
JP2006318341A (ja) * | 2005-05-16 | 2006-11-24 | Sony Corp | 検知対象画像判定装置、検知対象画像判定方法および検知対象画像判定プログラム |
JP4628882B2 (ja) * | 2005-06-16 | 2011-02-09 | 富士フイルム株式会社 | 判別器の学習方法、顔判別方法および装置並びにプログラム |
JP4221430B2 (ja) * | 2006-09-06 | 2009-02-12 | 株式会社東芝 | 識別器及びその方法 |
JP5235691B2 (ja) * | 2009-01-13 | 2013-07-10 | キヤノン株式会社 | 情報処理装置及び情報処理方法 |
JP5523053B2 (ja) * | 2009-10-19 | 2014-06-18 | キヤノン株式会社 | 物体識別装置及び物体識別方法 |
-
2011
- 2011-07-28 JP JP2011165173A patent/JP5320443B2/ja not_active Expired - Fee Related
-
2012
- 2012-07-18 US US13/552,389 patent/US8693766B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20130022249A1 (en) | 2013-01-24 |
JP2013041312A (ja) | 2013-02-28 |
US8693766B2 (en) | 2014-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503187B (zh) | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 | |
CN110147457B (zh) | 图文匹配方法、装置、存储介质及设备 | |
Sutter et al. | Multimodal generative learning utilizing jensen-shannon-divergence | |
Song et al. | Generalized zero-shot text classification for ICD coding | |
Sharghi et al. | Improving sequential determinantal point processes for supervised video summarization | |
JP5320443B2 (ja) | 高速判別装置および高速判別装置を高速化する方法、並びに高速判別装置プログラム | |
Settles | Curious machines: Active learning with structured instances | |
Doan et al. | SONNET: A self-guided ordinal regression neural network for segmentation and classification of nuclei in large-scale multi-tissue histology images | |
Droste et al. | Ultrasound image representation learning by modeling sonographer visual attention | |
CN115223715A (zh) | 一种基于多模态信息融合的癌症预测方法与系统 | |
Andrearczyk et al. | Deep multimodal classification of image types in biomedical journal figures | |
Zheng et al. | Chinese medical named entity recognition using crf-mt-adapt and ner-mrc | |
CN112052874A (zh) | 一种基于生成对抗网络的生理数据分类方法及系统 | |
Cerekovic | A deep look into group happiness prediction from images | |
Hardjadinata et al. | Facial expression recognition using xception and densenet architecture | |
Orosoo et al. | Performance analysis of a novel hybrid deep learning approach in classification of quality-related English text | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
Dhariyal et al. | Fast channel selection for scalable multivariate time series classification | |
Lauren et al. | Convolutional neural network for clinical narrative categorization | |
Kaliosis et al. | AUEB NLP group at ImageCLEFmedical caption 2023 | |
Chen et al. | See more for scene: Pairwise consistency learning for scene classification | |
Parayil et al. | Transfer learning-based feature fusion of white blood cell image classification | |
Sriram et al. | Deep Learning Approaches for Pneumonia Classification in Healthcare | |
Chee et al. | Leveraging old knowledge to continually learn new classes in medical images | |
Mozaffari et al. | Facial expression recognition using deep neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130118 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130627 |
|
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: 20130709 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130712 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5320443 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |