JP6884104B2 - 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
- JP6884104B2 JP6884104B2 JP2017545533A JP2017545533A JP6884104B2 JP 6884104 B2 JP6884104 B2 JP 6884104B2 JP 2017545533 A JP2017545533 A JP 2017545533A JP 2017545533 A JP2017545533 A JP 2017545533A JP 6884104 B2 JP6884104 B2 JP 6884104B2
- 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.)
- Active
Links
- 238000013507 mapping Methods 0.000 title claims description 25
- 238000000034 method Methods 0.000 claims description 225
- 230000008569 process Effects 0.000 claims description 133
- 238000012549 training Methods 0.000 claims description 86
- 230000015654 memory Effects 0.000 claims description 65
- 238000012360 testing method Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 35
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006854 communication Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 239000000945 filler Substances 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000026676 system process Effects 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims description 5
- 230000005055 memory storage Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims 3
- 230000037430 deletion Effects 0.000 claims 3
- 230000003542 behavioural effect Effects 0.000 claims 1
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 230000004927 fusion 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
- 238000004321 preservation Methods 0.000 claims 1
- 238000007637 random forest analysis Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 22
- 238000009826 distribution Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 11
- 238000007619 statistical method Methods 0.000 description 11
- 206010028980 Neoplasm Diseases 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 201000011510 cancer Diseases 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000000059 patterning Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000012958 reprocessing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- HCDMJFOHIXMBOV-UHFFFAOYSA-N 3-(2,6-difluoro-3,5-dimethoxyphenyl)-1-ethyl-8-(morpholin-4-ylmethyl)-4,7-dihydropyrrolo[4,5]pyrido[1,2-d]pyrimidin-2-one Chemical compound C=1C2=C3N(CC)C(=O)N(C=4C(=C(OC)C=C(OC)C=4F)F)CC3=CN=C2NC=1CN1CCOCC1 HCDMJFOHIXMBOV-UHFFFAOYSA-N 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000282579 Pan Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000012951 Remeasurement Methods 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
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013481 data capture 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
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration 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
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000021090 palsy Diseases 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013064 process characterization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002407 reforming 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
- 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)
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 (55)
- 少なくとも1つの学習型等高線識別システム内で、等高線マップ内の等高線グループを識別するためのコンピュータ実施方法であって、
等高線メトリックのデジタルデータファイルフォーマットに当該方法で変換される、複数の取得データを受信するための、少なくとも1つの学習型等高線識別システムを準備するステップと、
当該方法の前記コンピュータステッププロセスの少なくとも1つのストレージ位置、および前記システムの複数のストレージメモリ位置、および複数のマトリクスメモリ位置への通信リンクを用いて、少なくとも1つのCPUで処理可能なコンピュータ情報である、当該方法で呼び出されるとともにメトリック変換されるデータを処理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を準備するステップと、
当該方法のコンピュータ通信リンクを介して当該方法で手続き的に呼び出される、複数の取得データを処理するために、当該方法の複数のストレージ位置からデータを読み取りおよび書き込み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を準備するステップであって、前記取得データからマトリクスメトリックを展開するステップと、
少なくとも1つの学習型等高線識別システムで、反復的に読み取りおよび処理されるためのデータインスタンスのトレーニングケース、または前記システムの同じ目的で少なくとも1つのトレーニングケースがシステムで読み取り可能な複数のフォーマットされた情報技術データタイプに変換されるためのデータインスタンスのトレーニングケース、を提供するステップと、
前記トレーニングケースのうちの少なくとも1つの等高線を少なくとも1つの等高線マップに変換するステップであって、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つを含有するトレーニング等高線パターンメトリック、ステップと、
各等高線の各メトリックを個々にアドレスされたメモリ位置に保存するとともにラベル付けするステップであって、メモリへの追加および削除が必要と判断されることは、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管理される、ステップと、
保存されたトレーニング等高線パターンメトリック集合の有限全体集合の一部分をメモリから反復的に取得するステップであって、学習対象である命令コード集合を分類器に送り、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を記憶する、ステップと、
反復的に読み取りおよび処理されるためのデータインスタンスのテストケース、または前記システムの同じ目的で少なくとも1つのテストケースがシステムで読み取り可能な複数のフォーマットされた情報技術データタイプに変換されるためのデータインスタンスのテストケース、を提供するステップと、
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ステップであって、前記マップの各等高線は、さらに、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またはマニホールドを有するように変換され、各等高線では、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、複数の統計結果点集合、複数の計算結果点集合、当該方法でマトリクスメトリックを変換する複数の命令コードセット、複数のマニホールドグループ化された等高線メトリックおよびマップ化されたメトリックならびに該メトリックのサブパターンメトリック集合および該メトリックのマトリクス、のうちの少なくとも1つを含む、ステップと、
各等高線の各メトリックを個々にアドレスされたメモリ位置に保存するとともにラベル付けするステップであって、メモリへの追加および削除が必要と判断されることは、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管理される、ステップと、
少なくとも1つのマッチした等高線パターンメトリック集合を関心のあるデータアイテムグループとしてラベル付けするとともに、パフォーマンスをコンフュージョンマトリクスのパフォーマンスと比較して、テスト変換またはトレーニング変換またはその両方において等高線数を増減させることによりトレーニングとテストを繰り返し、トレーニングのコンフュージョンマトリクスのパフォーマンス読み取り値に基づいて最大成功率が達成されたときに、等高線の増加の反復を停止する、ステップと、
前記分類器のテスト等高線パターンの識別を表示インタフェースに出力するとともに、前記コンフュージョンマトリクスからの該分類についての成功読み取り値を、ユーザによる出力の理解に関係した他の情報と共に出力する、ステップと、を含む方法。 - 前記ケースの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で読み取り可能な、当該産業界で周知の少なくとも1つのデータタイプフォーマットで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で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換さ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、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み、これにより、1つ以上の学習型等高線トレーニングシステムによって決定される未知の識別子のラベルは、ブランク、ヌル、または未知のラベルと同じ意味のもの、である、請求項2に記載の方法。
- 前記ラベルは、
少なくとも1つの学習型等高線識別システム内でのオンタイム処理において、関心のある等高線およびそのメトリックを識別する、分析可能なストレージ情報を割り当てるための手段と、
その同じ等高線メトリックによって、関心のある新たな等高線パターンを識別するとともに、変更されたすべてのラベル識別子のメモリストレージ位置に対して必要なものとして、メモリにおいて変更に対応するために、少なくとも1つの学習型等高線識別システムによってラベル識別子を変更可能にするための手段と、を含む、請求項2に記載の方法。 - コンピュータで読み取り可能なデータタイプは、
バイナリフォーマットデータを、前記学習型等高線識別システムで読み取り可能なデータタイプフォーマットに変換するため、および、
フォーマットされた機械コードを、前記システムインタフェースを介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で読み取り可能と判断される可読コードに変換するため、の手段を含む、請求項2に記載の方法。 - データタイプフォーマットは、
少なくとも1つの学習型等高線識別システムで読み取り可能な数値フォーマットの1つへの、非数値フォーマットのデータインスタンスのケース変換、
少なくとも1つの学習型等高線識別システムで読み取り可能な非圧縮データタイプフォーマットへの、圧縮フォーマットのデータインスタンスのケース変換、
少なくとも1つの学習型等高線識別システムで読み取り可能な圧縮データタイプフォーマットへの、非圧縮フォーマットのデータインスタンスのケース変換、
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で読み取り可能なデジタルデータタイプフォーマットへのケース変換、
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で読み取り可能なアナログデータタイプフォーマットへのケース変換、
物理的記録媒体ストレージおよびストレージ記録フォーマットに特有のデータタイプを含むアナログデータタイプフォーマットから、受信装置および送信装置のデータタイプへのケース変換、
物理的記録媒体ストレージおよびストレージ記録フォーマットに特有のデータタイプを含むデジタルデータタイプフォーマットから、受信装置および送信装置のデータタイプへのケース変換、
少なくとも1つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットへの、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変換、
少なくとも1つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットへの、リアルタイム通信チャネルデータタイプフォーマットのケース変換、のうちの少なくとも1つのための手段と、
プリミティブおよび非プリミティブデータタイプのシステム初期化、ならびに少なくとも1つの学習型等高線識別システムの処理要件として必要な開始および終了プロシージャ初期化、のための手段と、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様々な振幅のパルス電気データタイプに変換されるとともに、少なくとも1つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットで保存される、可読送受信電気信号データタイプを含む、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、少なくとも1つの学習型等高線識別システムによって各ビットが2つの異なる振幅を表すバイナリデータタイプフォーマットに変換されるとともに、少なくとも1つの学習型等高線識別システムで読み取り可能なデータタイプフォーマットで保存される、可読送受信電気信号データタイプを含む、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る可読ケースフォーマットへのケース変換は、
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ための手段であって、このとき、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ケースの内容の少なくとも1つの等高線マップを少なくとも1つの学習型等高線識別システムのためのデータインスタンスのソースとして処理するための手段を含む、手段と、
少なくとも1つの学習型等高線識別システムが、少なくとも1つの学習型等高線識別システムによって管理および変更される複数のグループに変換されるすべての等高線にラベル付けするケース名を維持するための手段と、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つのプロセスを含み、これにより、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、当該方法の学習確率最大化プロシージャステップで必要なものとして検出される可能性を変化させる目的で、前記学習型等高線識別システム内で等高線境界が変形されるとともにメトリックが再計算されたときに、少なくとも1つの等高線境界の等高線領域の計算結果点集合が変化しない、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で読み取り可能なものは、
ゼロよりも大きい座標空間次元で表される変換済みケースデータタイプフォーマット、
2よりも大きい次元空間の座標系で表される座標点集合のセットの変換済み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。 - 前記等高線マップは、
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処理して複数の等高線メトリックにするための手段であって、等高線マップ化プロセスによって決定されるメトリックの重要要素を残して保存し、不要なメトリックは処理から分離して、少なくとも1つの学習型等高線識別システムによって保存する、手段を含み、
等高線の前記マップはオプションでスケーリングされ、このとき、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る変更を受ける一方、前記等高線マップ内の点の間の関係は、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、前記変換プロセスによって決定される無関係な情報を、追加の等高線メトリックとして、少なくとも1つの学習型等高線識別システムによって保存するための手段を備える、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、
少なくとも1つのケースの等高線点集合マップから、等高線を記述する処理済みデータ点集合の等高線、および等高線点集合マニホールドグループの個々の処理済みセットの等高線、を分類するための手段と、
ユーザとシステムプロセスの両方によって、かつ少なくとも1つの学習型等高線識別システムのインタフェースを介して決定された関心のあるアイテムのデータ点集合の、複数の等高線および複数の等高線マニホールドグループの分類からの、等高線パターン出力を識別およびラベル付けするための手段と、を備える、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可読データに変換するための手段を備える、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つのプロセスを備える、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を含む、請求項16に記載の方法。
- マップ化は、ケース変換およびデータ変換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で処理される複数の変換は、
前記学習型等高線識別システム内での等高線およびそれらのメトリックの、変換のための手段、
反転のための手段、
回転のための手段、
拡張のための手段、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、データ変換のスーパーセットの少なくとも1つの処理を含む、請求項18に記載の方法。
- ケース変換は、データソーススキーマのレコードおよびフィールドと、少なくとも1つの学習型等高線識別システムによって生成されるとともに等高線識別システム内に保存される目的スキーマにおけるレコードおよびフィールドと、の間の対応を作成する少なくとも1つのプロセスを含む、請求項19に記載の方法。
- ケース変換は、前記等高線識別システム内でデータインスタンスメッセージの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、前記ユーザが使用可能かつ前記学習型オブジェクト識別システムが計算的にアクセス可能に維持される、ケースのオブジェクト識別可能情報の等高線集合を含み、該システムによって決定される不要な詳細は削除されるとともに、残りのデータおよび削除されたデータはメモリに保存される、請求項1に記載の方法。
- 当該方法がアクセスする、複数の等高線または等高線グループのデータ点集合のマップ化は、
等高線識別システムの少なくとも1つの学習ステップによる、前記複数の等高線点集合の境界制限に関する処理、
等高線識別システムの少なくとも1つの学習ステップによる、前記複数の等高線点集合の、複数の他の点集合等高線からの距離に関する処理、
等高線識別システムの少なくとも1つの学習ステップによる、前記複数の等高線点集合の方向、ならびに複数の他の点集合等高線および他の少なくとも1つの固定点または点集合に対する複数の点集合等高線位置に関する処理、
等高線識別システムの少なくとも1つの学習ステップによる、複数の等高線を記述する、等高線点集合間または点集合の関係メトリックの処理、のうちの複数の処理と、
等高線識別システムの少なくとも1つの学習ステップによる、当該方法の複数の変換済みデータの前記複数の処理ステップの結果の複数のメモリ保存と、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等高線は、該学習型等高線識別システムおよび該システムインタフェースによって発見される関心のあるパターンを記述するデータインスタンスのアイテムを結合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。
- ディスプレイならびにコンピュータ高水準言語で開発されたユーザソフトウェアアプリケーションならびに当該方法で必要な入力装置および出力装置によって、学習型等高線識別にインタフェースされる学習型等高線識別システム反復およびユーザ評価の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ル付けを用いるために、前記複数の等高線から、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決定することができる関心のあるデータインスタンスのいずれかのパターンの組み合わせを決定することを目的とするとともに、メトリックに作用するトレーニングプロセッサ機械命令の出力による、他の等高線メトリックの前記テストを目的として、各メトリックを生成するための手段を含む、請求項25に記載の方法。
- 複数の等高線変換は、
関心のあるデータインスタンスのアイテムを前記学習型等高線識別システムに結合した等高線メトリックを、これらの分類を少なくとも1つの学習型等高線識別システムによって処理される決定情報のためにグループ化した特徴付け手段として、生成するための手段と、
マップの単独等高線のすべてのメトリックのメモリ保存用としてプロセッサが決定するストレージ位置であって、即時処理に使用される揮発性メモリならびに変換済み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つの動的に調整可能なメモリアドレスの間にあるストレージ位置と、を含む、請求項26に記載の方法。 - メトリックの各等高線の不揮発性メモリ位置は、
ラベルの位置、
該等高線のポイントツーポイント値の位置、
フィラー総和データの位置、
統計のための位置、
統計、フィラー、ポイントツーポイントメトリック値の複数の数学的操作のための位置、
すべてのオプションの複数の等高線組み合わせのための位置、のうちの少なくとも1つを含む、請求項27に記載の方法。 - 数学的計算は、単独等高線メトリック内に認められるとともに学習型等高線識別システム内で処理されたメトリック値の関数のプロセスである、請求項28に記載の方法。
- 一連の複数の文字、一連の複数の数字、または両方の組み合わせによって記述される、前記等高線マップの単独等高線の、動的サイズのコンピュータメモリアドレス位置によって定義される不揮発性メモリ位置は、
ラベル識別子メトリック、
複数の等高線フィラーメトリック、
複数の統計メトリック、
複数の数学的処理されたメトリック、および、
類似の構造の等高線メトリックの複数のグループ、で構成される複数の等高線識別子列である、請求項28に記載の方法。 - 前記複数の統計メトリックは、複数のガウス混合モデルで記述される統計で構成される、請求項30に記載の方法。
- 前記フィラーは、ポイントツーポイントメトリックが定義する等高線境界内に配置された行と列の全体を合算した加重総和であり、フィラー総和は、データケースからの該等高線マップの該等高線の総和メトリックとして保存される、請求項30に記載の方法。
- トレーニングケースは、2つ以上のケースのセットを含み、各ケースは、等高線メトリックに変換される少なくとも1つの等高線で構成される、請求項1に記載の方法。
- 各メトリックは、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るケースの各等高線マップの1つの等高線を定義するメモリアドレスのブロック内に、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を、等高線の独自の等高線マップからの独自の等高線メトリックに変換された他のケースと組み合わせて用いることができる、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として動作するように設計された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とするため、および、前記等高線メトリックを、当該方法の内部でステップ処理される学習型等高線データ処理システムの通信チャネルを介して不揮発性メモリに保存することにより、等高線の等高線メトリックを生成した学習型等高線識別システムの外部で使用可能にするために、コンピュータハードウェアシステムにおいて前記最上位の学習型コントロール識別システムをシミュレートするために実行される、より高水準言語の機械コード命令セットによって、すべてのプロセス、インタフェース、および学習型等高線識別システムを制御することができる、請求項1に記載の方法。
- 前記等高線は、
高水準命令コードセット内の複数の数学的計算の結果としての数値インスタンスのケース等高線マップの前記等高線と、
学習型等高線識別システムによって使用される高水準命令コードセットから低水準マイクロコードまで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、ハードウェアインタフェースを介して付属させた、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またはマニホールドは、前記メトリック集合の内容の符号化手段としてのシステムが、少なくとも1次元サイズの処理の少なくとも1つの単独実行状態内または状態の少なくとも1つの入れ子集合内で、前記識別子から該メトリックを呼び出すとともに、少なくとも1次元サイズの変換済みケースの少なくとも1つの他の等高線グループメトリックまたはマニホールドから他のメトリックを呼び出すことを可能とするために、そのメトリック記述子内に、少なくとも1つのシステムストレージ位置処理記述子を含む、請求項1に記載の方法。
- 前記等高線メトリックは、単独等高線のラベルメトリックおよびポイントツーポイント表現の最小値を含む、請求項1に記載の方法。
- 前記等高線のメトリックは、
数値の次元集合を有するラベルメトリックを有する単独等高線、
文字列を有するラベルメトリックを有する単独等高線、
実数メトリックを有する単独等高線、
記号メトリックを有する単独等高線、
複数の横座標保存値および縦座標保存値を有するメトリックを有する単独等高線、
ベクトル空間の次元のメトリックを有する単独等高線、
有限次元のメトリックを有する単独等高線、
そのメモリストレージ位置に複数の動的に変化する要素を有するメトリックを有する単独等高線、
該等高線が定義されるメモリ空間の開始アドレス位置と終了アドレス位置が動的に変化するメトリックを有する単独等高線、
その等高線メトリックが2つのメモリアドレスの間で定義されている単独等高線、
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のメトリックストレージ位置のシーケンス順序を有する単独等高線、
その2つのメモリアドレス内に保存された等高線メトリックが、少なくとも1つの最上位等高線へのメモリリンクを有するとともにゼロよりも大きい次元をそれぞれが有する複数のサブ等高線を含む、単独等高線、マニホールド、またはマニホールドコード、
少なくとも1つの学習型等高線識別システムによってポイントツーポイント定義される等高線への追加を生成するために、少なくとも1つの学習型等高線識別システムによってデータ点値類似度集合として使用されるデータ点値差のメトリックを有する単独等高線、
数式の複数の組み合わせのプロセスによって生成されるデータ点値のメトリックを有する単独等高線、
より高次元の複数の等高線メトリックからのデータ点類似度とみなされるトレーニングケースデータ点値差から等高線メトリックが導出される、少なくとも1つの学習型等高線識別システムの単独の変換済み等高線であって、それらの等高線メトリック集合は、学習型等高線識別システムによって、該単独等高線を記述するために使用される、該集合で定義される複数の等高線の等高線である、元の等高線への追加を形成するために、組み合わせられる、少なくとも1つの学習型等高線識別システムの単独の変換済み等高線、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、
少なくとも1つの人間、場所、物、品質、または動作のオブジェクトにマッチするユーザ識別可能なパターンとして必ずしも定義されるわけではなく、未知のオブジェクトにマッチする可能性があるパターンであって、それぞれが、少なくとも1次元サイズのデータインスタンスのデータインスタンスの他のオブジェクトからの境界線または結合クロージャで定義される、複数の少なくとも1つのデータインスタンスである、コンピュータが学習および識別するとともにコンピュータでラベル付けされた複数の現象および現象群は、前記学習型識別システムの実行プロセスで決定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である、パターンと、
テストケース等高線のメトリックがマップ化および変換された学習済みテスト等高線メトリック集合を有する、複数の過去ケース等高線メトリックと、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。
- 前記グラフは、いくつかの独特なポイントツーポイント図による、3つ以上のものの間の接続のシステムを表す図を含む、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座標定義空間の点を結ぶ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次元化画像に変換されるインスタンスの集合を含む、請求項1に記載の方法。
- ケースは、それぞれの画素が座標系の軸上の位置を有する、有限次元の画素集合の画像を含む、請求項46に記載の方法。
- 画素は、幾何学的形状または色を含む、請求項47に記載の方法。
- 画素サイズは、複数次元のサイズである、請求項48に記載の方法。
- ポイントツーポイントメトリックは、座標軸上の位置点の集合である、請求項1に記載の方法。
- 点は、座標定義空間内での該点の位置を定義する数値の集合で表される、請求項1に記載の方法。
- 等高線メトリックに関して処理される前記トレーニングプロセスは、
表示装置および複数の学習型等高線識別システムに伝達される、少なくとも1つの等高線学習システムのトレーニングモデル出力レポートシステムに対して透過的な、等高線メトリックおよびマニホールドの等高線マトリクス要素の決定および削除を有する、非ルールベースのブラックボックス型である少なくとも1つの学習アルゴリズムおよびその拡張機能の機械コード列と、
テストケースと共に使用されるルールセットは、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少なくとも1つのマニホールドまたは等高線パターンを定義し、ルールは、前記学習型等高線識別システムの最終出力として前記分類器に送信される命令セットである、ルールベースの少なくとも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機械コードは、分類・回帰木学習法を含み、その決定木ルール命令セットは、最終的なパターンラベル付けの出力識別のために分類される前記テストケース等高線メトリックに適用される、請求項52に記載の方法。
- 前記トレーニングプロセス機械コードは、等高線メトリックに関するトレーニングのランダムフォレストモデルを実現する機械コード列を含む、請求項53に記載の方法。
- 前記分類データ出力を取得する前記ステップは、
等高線表現の個々の複数の等高線メトリックから、ラベル付けされたパターン出力を生成するために、プロセッサで読み取り可能かつ実行可能な命令言語列を用いて、前記等高線集合メトリックを処理することと、
命令および等高線表現メトリックを保存する複数のストレージ装置と共に、少なくとも1つの学習型等高線識別システムを備えるシステムであって、学習型等高線識別システムの該システムによって命令が実行されると、該システムの動作によって、等高線表現メトリック集合のデータを取得することを含むオペレーションが実行され、このとき、各メトリックは、個々の多次元表現を有す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多次元表現は、多次元空間にあるパターンの表現である、システムと、を含む、請求項53に記載の方法。
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 JP2018502407A (ja) | 2018-01-25 |
JP6884104B2 true 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 (27)
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 |
US10437814B2 (en) | 2015-07-10 | 2019-10-08 | Whether or Knot LLC | Systems and methods for weather 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 |
WO2020003510A1 (ja) * | 2018-06-29 | 2020-01-02 | 富士通株式会社 | 特定方法、判定方法、特定プログラム、判定プログラムおよび情報処理装置 |
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 |
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 |
CN115631362A (zh) * | 2022-09-26 | 2023-01-20 | 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 |
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 CA CA3153595A patent/CA3153595A1/en active Pending
- 2015-11-24 US US15/511,584 patent/US10339417B2/en active Active
- 2015-11-24 WO PCT/US2015/062488 patent/WO2016086024A2/en active Application Filing
- 2015-11-24 CA CA2965739A patent/CA2965739A1/en active Pending
- 2015-11-24 JP JP2017545533A patent/JP6884104B2/ja active Active
- 2015-11-24 EP EP15863219.0A patent/EP3245615A4/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
EP3245615A2 (en) | 2017-11-22 |
WO2016086024A3 (en) | 2016-07-28 |
US9582739B2 (en) | 2017-02-28 |
CA3153595A1 (en) | 2016-06-02 |
CA2965739A1 (en) | 2016-06-02 |
EP3245615A4 (en) | 2018-10-17 |
WO2016086024A2 (en) | 2016-06-02 |
US20160210534A1 (en) | 2016-07-21 |
US10339417B2 (en) | 2019-07-02 |
US20180232599A1 (en) | 2018-08-16 |
JP2018502407A (ja) | 2018-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6884104B2 (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 | |
KR101863615B1 (ko) | 신경망 학습 기반의 변종 악성 코드를 탐지하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
JP6623265B2 (ja) | 偽陽性低減での小結節検出 | |
Jamieson et al. | Exploring nonlinear feature space dimension reduction and data representation in breast CADx with Laplacian eigenmaps and‐SNE | |
US8150151B2 (en) | Method for coding pixels or voxels of a digital image and a method for processing digital images | |
US9171226B2 (en) | Image matching using subspace-based discrete transform encoded local binary patterns | |
CN111695605A (zh) | 基于oct图像的图像识别方法、服务器及存储介质 | |
KR102219890B1 (ko) | 딥러닝을 이용한 의료영상의 공간 정규화 장치 및 그 방법 | |
Vani et al. | Brain tumor classification using support vector machine | |
KR102412829B1 (ko) | 개인 정보 보호를 위하여 원본 데이터를 변조하는 변조 네트워크를 학습하는 방법 및 테스팅하는 방법, 그리고, 이를 이용한 학습 장치 및 테스팅 장치 | |
CN110059288B (zh) | 用于获得促进机器学习任务用的最佳母小波的系统和方法 | |
NL2011811C2 (nl) | Werkwijze en systeem voor het analyseren en opslaan van informatie. | |
EP4020317A1 (en) | Methods and apparatus for high-fidelity vision tasks using deep neural networks | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
CN110581856A (zh) | 一种恶意代码的检测方法及系统 | |
US20230328101A1 (en) | Systems and methods of detecting anomalous websites | |
JP7479387B2 (ja) | デプロイされた機械学習モデルの信頼尺度 | |
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 | |
Li et al. | Perceptual hashing for color images | |
Patil et al. | A Review on Disease Prediction using Image Processing | |
Shniperov et al. | Steganalysis Method of Static JPEG Images Based on Artificial Immune System | |
US20240144447A1 (en) | Saliency maps and concept formation intensity for diffusion models | |
CN117670878B (zh) | 一种基于多模态数据融合的VOCs气体检测方法 | |
CN117574364B (zh) | 一种基于PSEAM-MobileNet神经网络的安卓恶意软件检测方法及系统 | |
Daube et al. | Deep neural network explains human visual categorisation using similar functional features |
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 |