JPH06309492A - 複数分類器出力合成方法及び合成システム - Google Patents
複数分類器出力合成方法及び合成システムInfo
- Publication number
- JPH06309492A JPH06309492A JP6073323A JP7332394A JPH06309492A JP H06309492 A JPH06309492 A JP H06309492A JP 6073323 A JP6073323 A JP 6073323A JP 7332394 A JP7332394 A JP 7332394A JP H06309492 A JPH06309492 A JP H06309492A
- Authority
- JP
- Japan
- Prior art keywords
- classification
- classifier
- reliability
- equation
- classifiers
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Character Discrimination (AREA)
Abstract
(57)【要約】
【目的】 複数の分類器による結果を効果的に合成し
て、高い信頼度を得る。 【構成】 複数の分類器の結果を効果的に合成する方法
は、対象となるすべての分類器１２，１４，１６の各分
類決定の信頼度を計算する方法を提供する。デンプスタ
−シェーファ証拠理論によりこの信頼度は合成される。
より詳細には、まず、データブロック１８からの入力デ
ータに対し、各分類器１２，１４，１６に対する基本確
率割当が計算され、これを用いて各分類器の信頼度が計
算される。続いて、決定器（ボーター）２０ですべての
分類器に対する信頼度が合成される。この合成された信
頼度を用いて、分類器のデータ入力の分類が決定され
る。
て、高い信頼度を得る。 【構成】 複数の分類器の結果を効果的に合成する方法
は、対象となるすべての分類器１２，１４，１６の各分
類決定の信頼度を計算する方法を提供する。デンプスタ
−シェーファ証拠理論によりこの信頼度は合成される。
より詳細には、まず、データブロック１８からの入力デ
ータに対し、各分類器１２，１４，１６に対する基本確
率割当が計算され、これを用いて各分類器の信頼度が計
算される。続いて、決定器（ボーター）２０ですべての
分類器に対する信頼度が合成される。この合成された信
頼度を用いて、分類器のデータ入力の分類が決定され
る。
Description
【０００１】
【産業上の利用分野】本発明は、パターン分類および認
識の分野に関し、より詳細には、分類決定の信頼度を計
算する方法及びシステムに関する。
識の分野に関し、より詳細には、分類決定の信頼度を計
算する方法及びシステムに関する。
【０００２】
【従来の技術】機械による文字あるいは手書き文字の分
類など、パターン認識の諸問題は、近年、異なる種類の
従来の分類器またはニューラルネットワークなどにより
解決されており、かなり正確な結果をもたらしている。
同じ正確さを得るためには、新しい構成または特徴検出
システムを新たに発明するよりは、同一の認識作業に複
数の分類器を適用して合成システムにおける認識能力を
改善する方がより簡単である場合が多い。しかしなが
ら、複数の分類器の合成を可能にするためには、システ
ムを構成する各分類器の分類決定に確実度を割り当てる
必要がある。
類など、パターン認識の諸問題は、近年、異なる種類の
従来の分類器またはニューラルネットワークなどにより
解決されており、かなり正確な結果をもたらしている。
同じ正確さを得るためには、新しい構成または特徴検出
システムを新たに発明するよりは、同一の認識作業に複
数の分類器を適用して合成システムにおける認識能力を
改善する方がより簡単である場合が多い。しかしなが
ら、複数の分類器の合成を可能にするためには、システ
ムを構成する各分類器の分類決定に確実度を割り当てる
必要がある。
【０００３】
【発明が解決しようとする課題】しかしながら、確実度
を割り当てる場合、特にその分類数が大きい場合には、
非常に多くの近似値が発生し、これによりコンピュータ
操作が困難となり、その認識能力の質を劣化してしま
う。
を割り当てる場合、特にその分類数が大きい場合には、
非常に多くの近似値が発生し、これによりコンピュータ
操作が困難となり、その認識能力の質を劣化してしま
う。
【０００４】確実度を表し、合成するための手段とし
て、デンプスタ−シェーファ セオリー オブ エビデ
ンス（Dempster-Shafer Theory of Evidence：以下、デ
ンプスタ−シェーファ証拠理論という）を用いることが
周知である。従来の技術においては、米国特許第５，１
２３，０５７号は、このデンプスタ−シェーファ証拠理
論を用いてデータ事象部分とモデル部分の一致の程度を
計算する。デンプスタ−シェーファ証拠理論を用いて予
備的な一致が行われた後、確実性が収集され処理され
る。さらに、米国特許第５，０７７，８０７号（ボスカ
ー）は、入力特徴ベクトルを処理する方法を開示する。
この米国特許第５，０７７，８０７号もまたパターン認
識のための処理手段に関する。このように従来技術にお
いてパターン分類及び認識の問題を取り上げられている
にもかかわらず、現行の技術は、複数の分類器の結果を
合成するための認識後すなわち処理後の手段としてのデ
ンプスタ−シェーファ証拠理論の利用を扱っていない。
て、デンプスタ−シェーファ セオリー オブ エビデ
ンス（Dempster-Shafer Theory of Evidence：以下、デ
ンプスタ−シェーファ証拠理論という）を用いることが
周知である。従来の技術においては、米国特許第５，１
２３，０５７号は、このデンプスタ−シェーファ証拠理
論を用いてデータ事象部分とモデル部分の一致の程度を
計算する。デンプスタ−シェーファ証拠理論を用いて予
備的な一致が行われた後、確実性が収集され処理され
る。さらに、米国特許第５，０７７，８０７号（ボスカ
ー）は、入力特徴ベクトルを処理する方法を開示する。
この米国特許第５，０７７，８０７号もまたパターン認
識のための処理手段に関する。このように従来技術にお
いてパターン分類及び認識の問題を取り上げられている
にもかかわらず、現行の技術は、複数の分類器の結果を
合成するための認識後すなわち処理後の手段としてのデ
ンプスタ−シェーファ証拠理論の利用を扱っていない。
【０００５】従って、分類の結果を向上するための手段
を有することが望まれる。本発明の目的は、認識能力の
質を向上することのできる、分類決定の信頼度を計算す
るためのメカニズムを提供することである。
を有することが望まれる。本発明の目的は、認識能力の
質を向上することのできる、分類決定の信頼度を計算す
るためのメカニズムを提供することである。
【０００６】
【課題を解決するための手段及び作用】上記目的を達成
するために、請求項１記載の複数分類器出力合成方法
は、各分類器に対して基本確率割当を計算するステップ
と、前記基本確率割当を用いて各分類器の信頼度を計算
するステップと、すべての分類器の前記信頼度を合成す
るステップと、合成された信頼度を用いて分類器へ入力
されたデータの分類を決定するステップとを有すること
を特徴とする。
するために、請求項１記載の複数分類器出力合成方法
は、各分類器に対して基本確率割当を計算するステップ
と、前記基本確率割当を用いて各分類器の信頼度を計算
するステップと、すべての分類器の前記信頼度を合成す
るステップと、合成された信頼度を用いて分類器へ入力
されたデータの分類を決定するステップとを有すること
を特徴とする。
【０００７】また、上記目的を達成するために、請求項
２記載の複数分類器出力合成システムは、各分類器に対
して基本確率割当を計算する手段と、前記基本確率割当
を用いて各分類器の信頼度を計算する手段と、すべての
分類器の前記信頼度を合成する手段と、合成された信頼
度を用いて分類器へ入力されたデータの分類を決定する
手段とを有することを特徴とする。
２記載の複数分類器出力合成システムは、各分類器に対
して基本確率割当を計算する手段と、前記基本確率割当
を用いて各分類器の信頼度を計算する手段と、すべての
分類器の前記信頼度を合成する手段と、合成された信頼
度を用いて分類器へ入力されたデータの分類を決定する
手段とを有することを特徴とする。
【０００８】また、上記目的を達成するために、請求項
３記載の複数分類器出力合成システムは、請求項２記載
の複数分類器出力合成システムにおいて、前記基本確率
割当及び各分類器の信頼度を計算する手段は証拠理論を
用いることを特徴とする。
３記載の複数分類器出力合成システムは、請求項２記載
の複数分類器出力合成システムにおいて、前記基本確率
割当及び各分類器の信頼度を計算する手段は証拠理論を
用いることを特徴とする。
【０００９】このように、本発明は、複数の分類器の結
果を効果的に合成することにより分類の結果を向上させ
る。本発明は、さらに、分類及び認識能力の正確さと質
を低減する結果となる多数の近似値を削除することによ
り分類結果を向上する。より詳細には、本発明は、分類
器出力ベクトルと、各類に対応するトレーニングデータ
の部分集合の平均ベクトルとの間の距離量を用いる。デ
ンプスタ−シェーファ証拠理論のフレームワークにおい
て、これらの距離を基本確率割当（basicprobability a
ssignments ）に用いることにより、各分類器のすべて
の分類決定に対する確実性が計算され、合成される。
果を効果的に合成することにより分類の結果を向上させ
る。本発明は、さらに、分類及び認識能力の正確さと質
を低減する結果となる多数の近似値を削除することによ
り分類結果を向上する。より詳細には、本発明は、分類
器出力ベクトルと、各類に対応するトレーニングデータ
の部分集合の平均ベクトルとの間の距離量を用いる。デ
ンプスタ−シェーファ証拠理論のフレームワークにおい
て、これらの距離を基本確率割当（basicprobability a
ssignments ）に用いることにより、各分類器のすべて
の分類決定に対する確実性が計算され、合成される。
【００１０】本発明の１態様によれば、複数の分類器の
結果を合成する方法は一連のステップから成る。基本確
率割当が分類器のそれぞれに対し計算され、各分類器の
信頼度の計算に用いられる。そしてすべての分類器に対
する信頼度が合成される。最終的に、この合成された信
頼度を用いて、上記複数の分類器へのデータ入力の分類
が決定される。
結果を合成する方法は一連のステップから成る。基本確
率割当が分類器のそれぞれに対し計算され、各分類器の
信頼度の計算に用いられる。そしてすべての分類器に対
する信頼度が合成される。最終的に、この合成された信
頼度を用いて、上記複数の分類器へのデータ入力の分類
が決定される。
【００１１】
【実施例】以下、図面に基づき本発明の実施例について
説明する。本発明は、複数の分類器の結果を合成するた
めのメカニズムに関する。図１は、複数の分類器の合成
を示すブロック図１０である。図１においては、説明上
３つの分類器１２、１４、１６が示されているが、本発
明の概念は、１からＮまでの任意の数の分類器を有する
システムに適用が可能である。
説明する。本発明は、複数の分類器の結果を合成するた
めのメカニズムに関する。図１は、複数の分類器の合成
を示すブロック図１０である。図１においては、説明上
３つの分類器１２、１４、１６が示されているが、本発
明の概念は、１からＮまでの任意の数の分類器を有する
システムに適用が可能である。
【００１２】図１からわかるように、データブロック１
８からのデータは、各分類器１２、１４、１６に入力さ
れる。本発明は、分類器１２、１４、１６に入力され
る、データブロック１８からのデータの分類を、分類器
から決定器（ボーター）２０への出力に基づき決定する
ことができる。
８からのデータは、各分類器１２、１４、１６に入力さ
れる。本発明は、分類器１２、１４、１６に入力され
る、データブロック１８からのデータの分類を、分類器
から決定器（ボーター）２０への出力に基づき決定する
ことができる。
【００１３】図２について説明する。図１の各分類器１
２、１４、１６において、図２のステップ２２に示され
るように、基本確率割当が計算される。この基本確率割
当は、ステップ２４に示されるように、各分類器に対す
る信頼度を計算するために用いられる。各分類器から出
力された信頼度は、ステップ２６に示されるように、決
定器（ボーター）２０において合成される。この決定器
（ボーター）２０は、複数の分類器の出力を入力として
用いて各分類器の出力に対する信頼度、すなわち確実性
を計算し、これらの信頼度を合成する。各分類器に対す
る信頼度つまり確実性は、その分類器が生成する応答の
正確さの程度である。次に、図２のステップ２８に示さ
れるように分類が行われ、データブロック１８から分類
器に入力される認識すべき入力を、決定器（ボーター）
２０の合成された信頼度に基づき識別する。決定器（ボ
ーター）２０からの出力は、本発明の分類処理の結果と
なる。本発明は、異なる分類器の異なる決定を考慮する
ことにより改良された結果を提供する。
２、１４、１６において、図２のステップ２２に示され
るように、基本確率割当が計算される。この基本確率割
当は、ステップ２４に示されるように、各分類器に対す
る信頼度を計算するために用いられる。各分類器から出
力された信頼度は、ステップ２６に示されるように、決
定器（ボーター）２０において合成される。この決定器
（ボーター）２０は、複数の分類器の出力を入力として
用いて各分類器の出力に対する信頼度、すなわち確実性
を計算し、これらの信頼度を合成する。各分類器に対す
る信頼度つまり確実性は、その分類器が生成する応答の
正確さの程度である。次に、図２のステップ２８に示さ
れるように分類が行われ、データブロック１８から分類
器に入力される認識すべき入力を、決定器（ボーター）
２０の合成された信頼度に基づき識別する。決定器（ボ
ーター）２０からの出力は、本発明の分類処理の結果と
なる。本発明は、異なる分類器の異なる決定を考慮する
ことにより改良された結果を提供する。
【００１４】好適な実施例においては、基本確率割当は
デンプスタ−シェーファ証拠理論により距離量を用いて
決定される。信頼度及びその合成もこのデンプスタ−シ
ェーファ証拠理論に従って計算される。デンプスタ−シ
ェーファ証拠理論のフレームワークにおいて、基本確率
割当を求めるための距離量を用い、各分類器のすべての
分類決定の確実性が計算され、合成される。
デンプスタ−シェーファ証拠理論により距離量を用いて
決定される。信頼度及びその合成もこのデンプスタ−シ
ェーファ証拠理論に従って計算される。デンプスタ−シ
ェーファ証拠理論のフレームワークにおいて、基本確率
割当を求めるための距離量を用い、各分類器のすべての
分類決定の確実性が計算され、合成される。
【００１５】本発明を適用するために、
【数１】 を分類ｋに対応するトレーニングデータの部分集合をす
る。さらに、
る。さらに、
【数２】 を各分類器ｆn と各分類ｋの組
【数３】 の平均ベクトルとする。つぎに、
【数４】 を各分類ｋの基準ベクトルとし、
【数５】 を
【数６】 と
【数７】 の間の距離量とする。
【００１６】この距離量を用いて、デンプスタ−シェー
ファ証拠理論に従い、図２のステップ２２の基本確率割
当が計算される。
ファ証拠理論に従い、図２のステップ２２の基本確率割
当が計算される。
【００１７】デンプスタ−シェーファ証拠理論に従い、
認識フレームを、
認識フレームを、
【数８】 とする。ただし、
【数９】 は、ベクトル
【数１０】 は分類ｋに属するという仮説である。分類器ｆn 及び各
分類ｋに対し、距離量ｄi n は、ｉ＝ｋであれば仮説
分類ｋに対し、距離量ｄi n は、ｉ＝ｋであれば仮説
【数１１】 を支持する確実性を表すことができ、ｉがｋでなければ
仮説
仮説
【数１２】 を支持する、または仮説
【数１３】 に反する確実性を表すことができる。
【００１８】Θを認識のフレームとし、２θはΘの部分
集合のすべての組を示す。
集合のすべての組を示す。
【００１９】ｍ：２θ→［０，１］として、
【数１４】
【数１５】 （ただし、ｍ（Ａ）は仮説Ａにおける確実な信頼を表
す）であれば、関数ｍは基本確率割当といえる。従っ
て、ｍが基本確率割当であれば、
す）であれば、関数ｍは基本確率割当といえる。従っ
て、ｍが基本確率割当であれば、
【数１６】 を満たす関数Ｂｅｌ：２θ→［０，１］は、信用関数
（belief function ）となる。
（belief function ）となる。
【００２０】信用関数と指定基本確率の間には一対一の
対応がある。ｍ1 とｍ2 がΘに関する基本確率割当であ
れば、これらの組み合わせすなわち直交和
対応がある。ｍ1 とｍ2 がΘに関する基本確率割当であ
れば、これらの組み合わせすなわち直交和
【数１７】 は、
【数１８】 と定義される。ここで、
【数１９】
【数２０】
【数２１】 である。
【００２１】関数Ｂｅｌとｍは一対一で対応するので、
信用関数の直交和
信用関数の直交和
【数２２】 が定義されるのは自明である。
【００２２】特別な種類の信用関数は、信用を表すのに
たいへん効果的である。これらの関数は、単純分離支持
関数（simple and separable support functions）と呼
ばれる。関数Ｂｅｌの焦点と呼ばれる
たいへん効果的である。これらの関数は、単純分離支持
関数（simple and separable support functions）と呼
ばれる。関数Ｂｅｌの焦点と呼ばれる
【数２３】 が存在し、
【数２４】
【数２５】 の条件を共に満たして、Ｂｅｌ（Θ）＝１、Ｂｅｌ
（Ａ）＝ｓ（ただしｓはＢｅｌの支持度である）であれ
ば、Ｂｅｌは単純支持関数である。それ以外の場合は、
Ｂｅｌ（Ａ）＝０である。分離支持関数は、単純支持関
数、あるいは単純支持関数の直交和である。分離支持関
数は、複数の源からの確実性を合成したい場合に極めて
効果的である。Ｂｅｌが、焦点
（Ａ）＝ｓ（ただしｓはＢｅｌの支持度である）であれ
ば、Ｂｅｌは単純支持関数である。それ以外の場合は、
Ｂｅｌ（Ａ）＝０である。分離支持関数は、単純支持関
数、あるいは単純支持関数の直交和である。分離支持関
数は、複数の源からの確実性を合成したい場合に極めて
効果的である。Ｂｅｌが、焦点
【数２６】 を有する単純支持関数であれば、ｍ（Ｆ）＝ｓ、ｍ
（Θ）＝１−ｓ、そしてその他の場合はｍは０である。
ここでＦを、それぞれ支持度ｓ1 、ｓ2 を有する２つの
単純支持関数の焦点とする。
（Θ）＝１−ｓ、そしてその他の場合はｍは０である。
ここでＦを、それぞれ支持度ｓ1 、ｓ2 を有する２つの
単純支持関数の焦点とする。
【００２３】もし、
【数２７】 であれば、ｍ（Ｆ）＝１−（１−ｓ1 ）（１−ｓ2 ）、
ｍ（Θ）＝（１−ｓ1 ）（１−ｓ2 ）、そしてその他の
場合はｍ＝０である。
ｍ（Θ）＝（１−ｓ1 ）（１−ｓ2 ）、そしてその他の
場合はｍ＝０である。
【００２４】単純信用関数はこれらの特性を有するの
で、ｉ＝ｋであれば、ｄi n は焦点
で、ｉ＝ｋであれば、ｄi n は焦点
【数２８】 を有するＢｅｌの支持度として用いることができる。さ
らに、ｉがｋでない場合には、ｄi n は焦点
らに、ｉがｋでない場合には、ｄi n は焦点
【数２９】 を有するＢｅｌの支持度となる。これにより、確率割当
は
は
【数３０】 となる。
【００２５】焦点についてのこれらすべての特徴を組み
合わせることにより、分類ｋおよび分類器ｎに対して以
下のように確実性を得ることができる：
合わせることにより、分類ｋおよび分類器ｎに対して以
下のように確実性を得ることができる：
【数３１】 上式を展開すると以下のようになる：
【数３２】 最後に、デンプスタ−シェーファ規則に従い、全分類器
の確実性が合成され、入力ベクトルｘ、
の確実性が合成され、入力ベクトルｘ、
【数３３】 の各分類ｋに対する信頼程度が得られる。ここで、
【数３４】 である。この場合、
【数３５】 であるから、
【数３６】 である。
【００２６】入力ベクトル
【数３７】 に対し、もし
【数３８】 である場合、分類ｍを割り当てることができる。
【００２７】本発明によれば、ベクトル
【数３９】 と
【数４０】 の間の距離量を表す２つのほぼ同値の最適な関数があ
る。
る。
【００２８】これらの距離量関数の１つは、分類器出力
ベクトルと、各分類に対応するトレーニングデータの部
分集合の平均ベクトルとの間のコサイン、またはｃｏｓ
2（αk n ）となる。ここで、αk n は、
ベクトルと、各分類に対応するトレーニングデータの部
分集合の平均ベクトルとの間のコサイン、またはｃｏｓ
2（αk n ）となる。ここで、αk n は、
【数４１】
【数４２】 の間の角度である。または、
【数４３】 となる。
【００２９】他方の距離量関数は、分類器出力ベクトル
と、各分類に対応するトレーニングデータの部分集合の
平均ベクトルの間のユークリッド距離、すなわち、
と、各分類に対応するトレーニングデータの部分集合の
平均ベクトルの間のユークリッド距離、すなわち、
【数４４】 と
【数４５】 の間のユークリッド距離の特定関数であり、
【数４６】 となる。
【００３０】本発明は、指定基本確率を計算するための
簡単で効果的な方法を提供する。この方法により、個々
の分類決定に対する信頼度が得られる。本発明のプロセ
ス及び方法は、複数の分類器の信頼度の評価、及び複数
分類器の結果の合成のために用いることができる。
簡単で効果的な方法を提供する。この方法により、個々
の分類決定に対する信頼度が得られる。本発明のプロセ
ス及び方法は、複数の分類器の信頼度の評価、及び複数
分類器の結果の合成のために用いることができる。
【００３１】好適な実施例を参照して本発明を詳細に説
明してきたが、請求項に定義される発明の範囲を逸脱せ
ずにその他の修正及び変更が可能であることは明白であ
る。
明してきたが、請求項に定義される発明の範囲を逸脱せ
ずにその他の修正及び変更が可能であることは明白であ
る。
【００３２】
【発明の効果】本発明はパターン分類及び認識の分野に
おいて効果的であり、分類能力及び認識能力を向上する
ために異なる分類器からの複数の結果を用いるという利
点を有する。本発明は、さらに、分類数が大きい場合に
特に禁止されるべき近似値を削除でき、これにより、分
類及び認識能力の質が向上する。また、基本確率割当の
簡単で効果的な計算により、個々の分類決定に対する信
頼度を得ることができる。本発明は、さらに、複数の分
類器の信頼度の評価、及び複数の分類器の結果の合成を
可能にする。さらに、本発明は、従来からの統計的分類
器または異なる特徴の組に基づく異なる構成のニューラ
ルネットワークに対して、また各分類決定の信頼度の計
算が必要である異なる装置に対して、適用可能であると
いう利点を有する。
おいて効果的であり、分類能力及び認識能力を向上する
ために異なる分類器からの複数の結果を用いるという利
点を有する。本発明は、さらに、分類数が大きい場合に
特に禁止されるべき近似値を削除でき、これにより、分
類及び認識能力の質が向上する。また、基本確率割当の
簡単で効果的な計算により、個々の分類決定に対する信
頼度を得ることができる。本発明は、さらに、複数の分
類器の信頼度の評価、及び複数の分類器の結果の合成を
可能にする。さらに、本発明は、従来からの統計的分類
器または異なる特徴の組に基づく異なる構成のニューラ
ルネットワークに対して、また各分類決定の信頼度の計
算が必要である異なる装置に対して、適用可能であると
いう利点を有する。
【図１】複数の分類器の合成を示したブロック図であ
る。
る。
【図２】図１の複数分類器の合成を行うためのステップ
を示したフローチャートである。
を示したフローチャートである。
１２、１４、１６ 分類器 １８ データブロック ２０ 決定器（ボーター）
Claims (3)
- 【請求項１】 複数の分類器からの結果を合成する方法
であって、 各分類器に対して基本確率割当を計算するステップと、 前記基本確率割当を用いて各分類器の信頼度を計算する
ステップと、 すべての分類器の前記信頼度を合成するステップと、 合成された信頼度を用いて分類器へ入力されたデータの
分類を決定するステップと、 を有することを特徴とする複数分類器出力合成方法。 - 【請求項２】 複数の分類器からの結果を合成するシス
テムであって、 各分類器に対して基本確率割当を計算する手段と、 前記基本確率割当を用いて各分類器の信頼度を計算する
手段と、 すべての分類器の前記信頼度を合成する手段と、 合成された信頼度を用いて分類器へ入力されたデータの
分類を決定する手段と、 を有することを特徴とする複数分類器出力合成システ
ム。 - 【請求項３】 請求項２記載の複数分類器出力合成シス
テムにおいて、 前記基本確率割当及び各分類器の信頼度を計算する手段
は証拠理論を用いることを特徴とする複数分類器出力合
成システム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US5112293A | 1993-04-21 | 1993-04-21 | |
| US051122 | 1993-04-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06309492A true JPH06309492A (ja) | 1994-11-04 |
Family
ID=21969485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6073323A Pending JPH06309492A (ja) | 1993-04-21 | 1994-04-12 | 複数分類器出力合成方法及び合成システム |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP0621556A3 (ja) |
| JP (1) | JPH06309492A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009519547A (ja) * | 2005-12-12 | 2009-05-14 | マイクロソフト コーポレーション | 論理構造およびレイアウトに基づくオフラインの文字認識 |
| JP2011221873A (ja) * | 2010-04-12 | 2011-11-04 | Nippon Telegr & Teleph Corp <Ntt> | データ分類方法及び装置及びプログラム |
| KR20140132076A (ko) * | 2013-05-07 | 2014-11-17 | 현대모비스 주식회사 | 원적외선 카메라 기반 야간 보행자 인식 방법 |
| JP2017083990A (ja) * | 2015-10-26 | 2017-05-18 | トヨタ自動車株式会社 | 情報提供装置および情報提供方法 |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5745601A (en) * | 1995-07-31 | 1998-04-28 | Neopath, Inc. | Robustness of classification measurement apparatus and method |
| JP2737734B2 (ja) * | 1995-12-13 | 1998-04-08 | 日本電気株式会社 | 指紋分類装置 |
| DE19723293A1 (de) * | 1997-06-04 | 1998-12-10 | Siemens Ag | Mustererkennungsverfahren |
| WO2001084498A2 (en) * | 2000-05-04 | 2001-11-08 | British Telecommunications Public Limited Company | Image processing |
| US6754390B2 (en) * | 2000-12-01 | 2004-06-22 | The United States Of America As Represented By The Secretary Of The Navy | Fusing outputs from multiple detection/classification schemes |
| US8781929B2 (en) | 2001-06-08 | 2014-07-15 | Genworth Holdings, Inc. | System and method for guaranteeing minimum periodic retirement income payments using an adjustment account |
| US7398241B2 (en) | 2001-06-08 | 2008-07-08 | Genworth Financial, Inc. | Method and system for portable retirement investment |
| US8433634B1 (en) | 2001-06-08 | 2013-04-30 | Genworth Financial, Inc. | Systems and methods for providing a benefit product with periodic guaranteed income |
| US8370242B2 (en) | 2001-06-08 | 2013-02-05 | Genworth Financial, Inc. | Systems and methods for providing a benefit product with periodic guaranteed minimum income |
| US8024248B2 (en) | 2001-06-08 | 2011-09-20 | Genworth Financial, Inc. | System and method for imbedding a defined benefit in a defined contribution plan |
| US7844476B2 (en) | 2001-12-31 | 2010-11-30 | Genworth Financial, Inc. | Process for case-based insurance underwriting suitable for use by an automated system |
| US7844477B2 (en) | 2001-12-31 | 2010-11-30 | Genworth Financial, Inc. | Process for rule-based insurance underwriting suitable for use by an automated system |
| US7895062B2 (en) | 2001-12-31 | 2011-02-22 | Genworth Financial, Inc. | System for optimization of insurance underwriting suitable for use by an automated system |
| US7818186B2 (en) | 2001-12-31 | 2010-10-19 | Genworth Financial, Inc. | System for determining a confidence factor for insurance underwriting suitable for use by an automated system |
| US8005693B2 (en) | 2001-12-31 | 2011-08-23 | Genworth Financial, Inc. | Process for determining a confidence factor for insurance underwriting suitable for use by an automated system |
| US8793146B2 (en) | 2001-12-31 | 2014-07-29 | Genworth Holdings, Inc. | System for rule-based insurance underwriting suitable for use by an automated system |
| US7899688B2 (en) | 2001-12-31 | 2011-03-01 | Genworth Financial, Inc. | Process for optimization of insurance underwriting suitable for use by an automated system |
| US7383239B2 (en) | 2003-04-30 | 2008-06-03 | Genworth Financial, Inc. | System and process for a fusion classification for insurance underwriting suitable for use by an automated system |
| US7801748B2 (en) | 2003-04-30 | 2010-09-21 | Genworth Financial, Inc. | System and process for detecting outliers for insurance underwriting suitable for use by an automated system |
| US7813945B2 (en) | 2003-04-30 | 2010-10-12 | Genworth Financial, Inc. | System and process for multivariate adaptive regression splines classification for insurance underwriting suitable for use by an automated system |
| US8412545B2 (en) | 2003-09-15 | 2013-04-02 | Genworth Financial, Inc. | System and process for providing multiple income start dates for annuities |
| JP2007512588A (ja) * | 2003-10-29 | 2007-05-17 | ノボ・ノルデイスク・エー／エス | 医療助言システム |
| US7698159B2 (en) | 2004-02-13 | 2010-04-13 | Genworth Financial Inc. | Systems and methods for performing data collection |
| FR2898709B1 (fr) * | 2006-03-17 | 2008-09-26 | Solystic Sas | Methode pour fusionner des ocr postaux exploitant des fonctions de croyance |
| CN101496062A (zh) * | 2006-08-02 | 2009-07-29 | 皇家飞利浦电子股份有限公司 | 将多个二值聚类图组合成单一聚类图的方法 |
| US8612263B1 (en) | 2007-12-21 | 2013-12-17 | Genworth Holdings, Inc. | Systems and methods for providing a cash value adjustment to a life insurance policy |
| WO2015113635A1 (en) * | 2014-01-31 | 2015-08-06 | Longsand Limited | Optical character recognition |
| CN105589096B (zh) * | 2014-10-21 | 2019-07-23 | 中国石油化工股份有限公司 | 一种基于d-s证据理论的沉积相带划分方法 |
| CN108777064A (zh) * | 2018-05-24 | 2018-11-09 | 深圳市益鑫智能科技有限公司 | 一种基于信息融合的交通状态评估系统 |
| CN111368456A (zh) * | 2020-03-19 | 2020-07-03 | 上海机电工程研究所 | 一种基于证据理论的蓝方模型可信度评估方法及系统 |
-
1994
- 1994-04-12 JP JP6073323A patent/JPH06309492A/ja active Pending
- 1994-04-19 EP EP94420123A patent/EP0621556A3/en not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009519547A (ja) * | 2005-12-12 | 2009-05-14 | マイクロソフト コーポレーション | 論理構造およびレイアウトに基づくオフラインの文字認識 |
| JP2011221873A (ja) * | 2010-04-12 | 2011-11-04 | Nippon Telegr & Teleph Corp <Ntt> | データ分類方法及び装置及びプログラム |
| KR20140132076A (ko) * | 2013-05-07 | 2014-11-17 | 현대모비스 주식회사 | 원적외선 카메라 기반 야간 보행자 인식 방법 |
| JP2017083990A (ja) * | 2015-10-26 | 2017-05-18 | トヨタ自動車株式会社 | 情報提供装置および情報提供方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0621556A2 (en) | 1994-10-26 |
| EP0621556A3 (en) | 1995-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH06309492A (ja) | 複数分類器出力合成方法及び合成システム | |
| CN106845421B (zh) | 基于多区域特征与度量学习的人脸特征识别方法及系统 | |
| CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
| Singha et al. | Hand gesture recognition using two-level speed normalization, feature selection and classifier fusion | |
| US8676740B2 (en) | Attribute estimation system, age estimation system, gender estimation system, age and gender estimation system and attribute estimation method | |
| Hamadene et al. | One-class writer-independent offline signature verification using feature dissimilarity thresholding | |
| Nelson et al. | Statistical methods for on-line signature verification | |
| EP0574937B1 (en) | Method and apparatus for input classification using a neural network | |
| Liu et al. | Multiple classifiers combination by clustering and selection | |
| EP0574936B1 (en) | Method and apparatus for input classification using non-spherical neurons | |
| CN112101542A (zh) | 机器学习模型的训练方法、装置、人脸的识别方法和装置 | |
| CN112149760A (zh) | 一种基于异类类内超平面的模糊支持向量机设计方法 | |
| JP2785862B2 (ja) | 指紋カード選択装置および指紋カード絞り込み装置 | |
| Lu et al. | Cut and compare: End-to-end offline signature verification network | |
| JP2924958B2 (ja) | 指紋カード絞り込み装置及び指紋カード絞り込み方法 | |
| US20200387691A1 (en) | A quick match algorithm for biometric data | |
| JP2022028912A (ja) | 照合処理装置、照合処理方法、及び、照合処理プログラムが格納された記録媒体 | |
| Tang et al. | Face recognition committee machines: dynamic vs. static structures. | |
| Raghavendra et al. | Qualitative weight assignment for multimodal biometric fusion | |
| Singh et al. | DS theory based fingerprint classifier fusion with update rule to minimize training time | |
| CN111126444A (zh) | 分类器集成方法 | |
| JP2020181265A (ja) | 情報処理装置、システム、情報処理方法及びプログラム | |
| Teoh et al. | Nearest neighbourhood classifiers in biometric fusion | |
| Wang et al. | On-line signature verification using segment-to-segment graph matching | |
| Lange et al. | Recognition of objects given by collections of multichannel images |