JPH08305855A - 画像のパターン認識方法及び装置 - Google Patents

Abstract

(57)【要約】 【目的】 画像を精度よくパターン認識、分類すること
ができるようにする。 【構成】 画像から特徴量を算出し（ステップ１５
２）、算出された特徴量を入力データ及び教師データと
して神経回路網モデルに与え、教師あり学習によってこ
の特徴量からこの特徴量への恒等写像を獲得する（ステ
ップ１５３）。そののち、画像認識、分類のための評価
基準を導入し（ステップ１５４）、神経回路網モデルの
出力する出力特徴量から評価値を算出し、出力特徴量に
摂動を加え、評価値を最大化あるいは最小化するように
神経回路網モデルの再学習を行なう（ステップ１５
５）。そして、再学習が行なわれた神経回路網モデル
に、未学習の画像から算出された特徴量を与えることに
より、その未学習の画像のパターン認識を行なう（ステ
ップ１５６）。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、画像データを認識、分
類する画像のパターン認識方法及び装置に関し、特に神
経回路網（ニューラルネットワーク）モデルを使用した
パターン認識方法及び装置に関する。

【０００２】

【従来の技術】画像のパターン認識として、画像を認
識、分類するために有効な特徴量を画像から抽出し、抽
出された特徴量に基づいて、認識、分類を行なう方法が
ある。この方法の代表例としては、テクスチャー解析
（参考文献として、例えば、R.M.Haralick,"Statistica
l and structual approaches to texture", Proc. of t
he IEEE, Vol.67, No.5, pp.786-804, 1979がある）な
どが知られている。テクスチャー解析における特徴量の
計算過程の一例を以下に述べる。

【０００３】各画素がそれぞれＭ階調で表わされる画像
に対して、この画像内のある画素(ｘ,ｙ)に注目し、こ
れを注目画素とする。注目画素から角度θの方向に距離
ｄで隔てた画素を対象画素とする。このとき、注目画素
(ｘ,ｙ)における濃度値がｉ、対象画素の濃度値がｊと
なる画素の組み合わせの数ｃ_ijを数え、相互に距離ｄだ
け離れた画素の全ての組み合わせの数の総数ｃ_allによ
ってｃ_ijを除算した値を２画素間の結合確率密度ｆ(ｉ,
ｊ)とする。これを(1)式に示す。

【０００４】

【数１】 ０≦ｉ,ｊ＜Ｍであることから、(2)式に示すように、結
合確率密度ｆ(ｉ,ｊ)がそれぞれ要素となるＭ行Ｍ列の
行列を考え、これを濃度共起行列とする。

【０００５】

【数２】 この濃度共起行列より、例えばエネルギーＥ、エントロ
ピーＨ、相関Ｃ、慣性Ｉなどの特徴量を計算でき、これ
ら各特徴量は下式のように表わされる。

【０００６】

【数３】 従来の手法では、図７のフローチャートに示すように、
画像データを入力し（ステップ２５１）、上述したよう
な特徴量を各画像に対して算出し（ステップ２５２）、
算出された特徴量の値を相互に比較し（ステップ２５
３）、その比較結果に応じて画像のパターンを認識、分
類し、認識結果を出力していた（ステップ２５４）。

【０００７】

【発明が解決しようとする課題】上述した従来の方法で
は、画像から特徴量を抽出するための計算過程が画像に
よらずに一定のものであり、そのため、画像を認識する
際に多種の特徴量を併用しても的確に画像を認識、分類
することが困難であるという問題点を有する。

【０００８】本発明の目的は、神経回路網モデルを利用
して学習を行なわせておくことにより、未学習の画像を
精度よく認識、分類することができるパターン認識方法
及び装置を提供することにある。

【０００９】

【課題を解決するための手段】本発明の画像のパターン
認識方法は、入力した特徴量を変換して出力する神経回
路網モデルを使用して画像のパターン認識を行なう方法
であって、画像から特徴量を算出する特徴量算出工程
と、前記特徴量算出手段で算出された特徴量を入力デー
タ及び教師データとして前記神経回路網モデルに与え、
教師あり学習によって前記特徴量から前記特徴量への恒
等写像を獲得する学習工程と、前記学習工程の後、認識
のための評価基準に基づく評価値を前記神経回路網モデ
ルの出力する出力特徴量から算出し、前記出力特徴量に
摂動を加え、前記評価値を最大化あるいは最小化するよ
うに前記神経回路網モデルの再学習を行なう再学習工程
と、前記再学習工程が行なわれた前記神経回路網モデル
に、未学習の画像から算出された特徴量を与えることに
より当該未学習の画像のパターン認識を行なう認識工程
とを有する。

【００１０】本発明の画像のパターン認識装置は、入力
した特徴量を変換して出力する神経回路網モデルと、画
像から特徴量を算出する特徴量計算手段と、摂動量を発
生する摂動量発生手段と、認識のための評価基準に基づ
いて、前記神経回路網モデルの出力する出力特徴量から
評価値を算出する評価手段と、前記特徴量計算手段で算
出された特徴量を入力データ及び教師データとして前記
神経回路網モデルに与え、教師あり学習によって前記特
徴量から前記特徴量への恒等写像を獲得し、その後、前
記出力特徴量に前記摂動量を加え、前記評価値を最大化
あるいは最小化するように前記神経回路網モデルの再学
習を行なう学習手段とを有し、未学習の画像から算出さ
れた特徴量を再学習後の前記神経回路網モデルに入力し
たときの前記評価値に応じて当該未学習の画像のパター
ン認識が行なわれる。

【００１１】本発明においては、評価基準として、共分
散行列に基づいて画像のクラスを評価するものを好まし
く使用することができる。

【００１２】

【作用】本発明では、まず、画像のパターンを認識、分
類するために有効となる特徴量を画像から求め、この特
徴量から認識、分類するためにより有効となる特徴量へ
変換する計算過程を神経回路網モデルの学習により自動
的に獲得し、学習後の神経回路網モデルを用いて、未知
の画像データを認識、分類する。具体的には、エネルギ
ー、エントロピー、相関、慣性などの特徴量を画像から
抽出し、まず、抽出した特徴量を神経回路網モデルに与
えてこの特徴量からこの特徴量への恒等写像を学習さ
せ、次に、画像を系統的に認識、分類する際に用いるFi
sherの基準などの評価基準を神経回路網モデルの出力側
に導入し、摂動を加えつつこの評価基準値を最大化もし
くは最小化することによってより有効な特徴量へ変換す
る計算過程を自動的に獲得するように神経回路網モデル
の再学習を行なう。これにより、画像の認識、分類に使
用される特徴量を抽出する際の計算過程を変化させるこ
とが可能になり、また、導入した評価基準に対して最適
な特徴量を計算するための計算過程が自動的に獲得され
るようになる。その結果、このように再学習を行なった
神経回路網モデルを用いて未学習画像のパターン認識、
分類を実行した場合に、画像から抽出された特徴量のみ
を用いた従来の認識、分類法に比べ、認識精度が向上す
る。

【００１３】再学習を行なう際、神経回路網モデルの出
力値に摂動を加える方法を採用することにより、神経回
路網モデルの重みに摂動を直接加える方法と比較して、
より少ない計算量で重みを更新することができる。

【００１４】

【実施例】次に、本発明の実施例について図面を参照し
て説明する。

【００１５】図１は本発明の一実施例の画像のパターン
認識方法の手順を示すフローチャートである。本実施例
の認識方法は、神経回路網モデルを使用して画像の認
識、分類を行なうものであって、大別して、画像データ
を入力する過程（ステップ１５１）と、神経回路網モデ
ルの学習及び再学習を行なわせる学習過程１６１と、再
学習後の神経回路網モデルに未学習の画像データから算
出した特徴量を与えて画像の認識、分類を行なう分類過
程１６２から構成されている。

【００１６】図２は、本実施例で使用される神経回路網
モデルの一例を示す図である。本実施例では、神経回路
網モデルは、入力した特徴量を変換して出力特徴量とし
て出力する。ここでは、神経回路網モデルの典型例とし
て階層型神経回路網モデルを示すが、本発明では、階層
型以外の形式の神経回路網モデル、例えば、回帰結合を
もつ巡回型神経回路網モデルなども使用可能である。階
層型神経回路網モデルは、１層の入力層、複数層の中間
層、１層の出力層からなる層状のネットワークモデルで
あり、各層はユニット（ニューロン）、重み、バイアス
から構成されている。図２において、円はユニットを示
し、ユニットに付随する小円は直前の層のユニットから
の接合部位であるシナプスを示し、四角はユニットに対
してバイアスを印加する機構を示している。

【００１７】ユニットは、ｐ層目の中間層のユニットの
出力値ｏ_p,j（ｉ＝１,２,…,Ｌ；Ｌは前層のユニットの
数）とｐ＋１層目の層でのｊ番目のユニットに属するｉ
番目の重みＷ_j,i（ｉは重みの番号であり前層でのユニ
ットの番号に対応）の積の総和に、バイアスｗ_jを加算
した値を入力値として受け入れ、入力値にある非線形変
換ｆ(・)を施した値ｙ（＝ｏ_p+1,j）を出力し、この出力
値を次層のユニットへ伝達する構造を持つ。このことを
式で表わしたものが式(7)である。ただし、入力層のユ
ニットの入出力変換関数は線形とし、入力層以外の層の
ユニットの非線形変換関数ｆ(・)には、典型例であるシ
グモイド関数を用いている。神経回路網モデルに応じ
て、他の入出力変換関数を用いることも可能である。

【００１８】

【数４】 続いて、本実施例による画像のパターン認識、分類の手
順について、詳しく説明する。まず、画像データの入力
を行ない（ステップ１５１）、学習過程１６１を実行す
る。

【００１９】学習過程１６１では、最初に画像データか
ら、画像の認識や分類に有効な特徴量を抽出する（ステ
ップ１５２）。本実施例では、特徴量として、「従来の
技術」欄で式(3)〜(7)を用いてそれぞれ説明したエネル
ギーＥ、エントロピーＨ、相関Ｃ、慣性Ｉなどの他に、
濃度レベル差分法（参考文献、J.S.Weszka, C.R.Dyeran
d A.Rosenfeld, "A comparative study of texture mea
sures for terrain classification", IEEE Trans. Sys
t. Man. Cybern. Vol.SMC-6, pp.269-285, 1976）によ
り求められるコントラスト、角度別二次モーメント、エ
ントロピー、平均、逆差分モーメント、また、濃度レベ
ルランレングス法（参考文献、M.M.Galloway, "Texture
analysis using gray level run length", Comput. Gr
aphic Image Processing, Vol.4, pp.172-179, 1975）
により求められる短ラン強調、長ラン強調、濃度レベル
分布、ランレングス分布、ランパーセンテージなどをは
じめとする任意の量を利用することが可能である。この
際に求める特徴量の数は、後述する画像認識、分類のた
めの評価基準に用いている変数の数と同数になるように
選択する。

【００２０】次に、画像データから求めた特徴量（以
下、特徴量１とする）を入力データ及び教師データとし
て神経回路網モデルに与え、神経回路網モデルによる恒
等学習を行なわせる（ステップ１５３）。神経回路網モ
デルの出力をｏ_i、教師データをｔ_iとして、式(8)で表
わされる誤差Ｅｒｒｏｒを最小化するように神経回路網
モデルを学習させる。ただし、出力層のユニット数はＮ
とする。

【００２１】

【数５】 図３は神経回路網モデルの恒等学習を説明する概念図で
ある。この恒等学習により、神経回路網モデルの内部
に、画像から得られた特徴量１をその特徴量１自身へ恒
等変換する計算過程（恒等写像）が獲得される。この
際、神経回路網モデルの出力層のユニット数Ｎは、評価
基準値を計算するために必要となる変数の数と等しくな
るように設定する。

【００２２】次に、神経回路網モデルの出力側に、画像
を認識、分類するための評価基準を導入する（ステップ
１５４）。ここでは、一例として、入力データに関する
共分散行列に基づいて画像のクラスを評価するFisherの
基準を導入する。本実施例にいては、Fisherの基準以外
にも任意の評価基準を導入することが可能である。神経
回路網モデルにより計算される各特徴量を要素とするベ
クトルを

【００２３】

【外１】 とし、ここでは２つのクラスに属するベクトル集合を各
々、

【００２４】

【外２】 とすると、Fisherの基準は次式により求められる。

【００２５】

【数６】 この評価基準では、評価値Ｆが大きいほど、与えられた
特徴空間（特徴量ベクトルが存在する空間）上に分布す
るデータの分離が容易になる。そこで本実施例では、評
価値Ｆ（Fisherの基準値）を最大化するように、神経回
路網モデルの再学習を行ない、より有効な特徴量を抽出
し得る神経回路網モデルを構築する（ステップ１５
５）。以下、神経回路網モデルの再学習について詳しく
説明する。

【００２６】神経回路網モデルを再学習させるために
は、重みＷ_j,iに関するFisherの関数（式(9)）の偏微分
値

【００２７】

【外３】 が必要となる。しかしながら、これらの偏微分の計算式
を解析的に求めることは困難である場合が多い。そこ
で、重みに摂動を加え、その際の評価値Ｆの増減の様子
から重みを更新するかどうかの判断を行なう摂動法を用
いることが考えられる。しかしながら、重みに摂動を加
えてから重みが更新されるまでに、以下の計算量が必要
となる。なお、神経回路網モデルの出力する出力特徴量
を一般的に特徴量２と表わすことにする。

【００２８】（摂動を加えた神経回路網モデルに特徴量
１を与えて、前向き計算により特徴量２を計算する際に
要する計算量）＋（特徴量２から画像認識、分類のため
の評価基準値を計算する際の計算量）。

【００２９】一方、神経回路網モデルの出力値として得
られた特徴量２に摂動を加え、これを用いて重みを更新
することを考えると、以下の計算量が必要となる。

【００３０】（特徴量２から評価基準値を計算する際の
計算量）＋（評価基準値が最大化もしくは最小化される
場合にのみ、特徴量２に加えた摂動量を逆伝搬して重み
の修正量を求めるために必要な計算量）。

【００３１】前者の方法を用いた場合、摂動を加える度
に全計算が必要となるが、後者の方法を用いた場合、評
価関数値が増加（最小化では減少）した場合にのみ摂動
量の逆伝搬の計算を行なえばよく、重みの更新に要する
計算量は減少する。そこで本実施例では、後者の更新方
法を採用することとする。図４は、この更新方法すなわ
ち本実施例での神経回路網モデルの再学習の概念を示す
図である。

【００３２】次に、摂動量の逆伝搬方法について考え
る。すなわち、出力値ｏ_jに関するFisherの評価関数
（式(9)）の変分を求め、この変分を逆伝搬（参考文
献、D.E.Rumelhart and J.K.McClelland, "Parallel di
stributed processing", MIT Press,1986）することを
考える。

【００３３】神経回路網モデルのｊ番目の出力ユニット
から出力される特徴量２をｏ_jとしてこのｏ_jに小さな摂
動ε_p,jを加え、摂動を加えなかった場合の評価値Ｆ₁と
摂動を加えた場合の評価値Ｆ₂との差分dif ｆ(ε_p,j)＝
Ｆ₁−Ｆ₂を求め、dif ｆ(ε_p,j)＜０となる場合（評価
値の最小化の場合ではdif ｆ(ε_p,j)＞０）、すなわち
評価値が増加（評価値の最小化の場合は減少）する場合
に、摂動量を逆伝搬することにより、式(10)で表わされ
る偏微分値を計算する。出力層のユニットに関する偏微
分値は、次式により求められる。

【００３４】

【数７】 ここで、次式の逆伝搬量を定義する。

【００３５】

【数８】 これをさらに逆伝搬することにより、以下の漸化式を得
る。ただし、ｋは中間層のユニットｊの出力を受けてい
るユニット全体を表わす。

【００３６】

【数９】 これより、中間層のユニットに属する重みに関する偏微
分は、式により計算できる。

【００３７】

【数１０】 そこで、式(10),(14)によって求められた逆伝搬量に基
づき、次式により重みを更新する。ここではｋは反復回
数を表わし，ηは学習率を表わしている。

【００３８】

【数１１】 以上の学習により、画像から抽出された特徴量１から、
画像のパターン認識、分類により有効となる特徴量２へ
変換する過程が獲得される。

【００３９】以上のようにして、学習過程１６１が実行
され、神経回路網モデルの学習、再学習が行なわれる。

【００４０】次に、分類過程１６２について説明する。
分類過程１６２では、未学習の画像データすなわち実際
にパターン認識、分類を行なおうとする画像データから
まず特徴量を抽出し、学習過程１６１で再学習が行なわ
れた神経回路網モデルに対してこの抽出された特徴量１
を入力する。そして、神経回路網モデルから出力された
特徴量２から上述の評価基準に基づいて評価値Ｆを算出
し、画像のパターンを認識、分類する（ステップ１５
６）。その後、分類結果を出力して（ステップ１５
７）、一連の全ての処理を終了する。図５は、再学習後
の神経回路網モデルを用いた画像のパターン認識、分類
を説明する概念図である。

【００４１】以上、本発明の一実施例の画像のパターン
認識方法を説明したが、続いて、この認識方法の実施に
使用される画像特徴量抽出装置について、図６を用いて
説明する。この画像特徴量抽出装置は、本発明の画像の
パターン認識装置に基づくものであり、大別して、画像
データ等が入力する入力部１００と、神経回路網モデル
を含み本発明の方法によって画像のパターン認識、分類
を行なうデータ処理部２００と、結果を出力するための
出力部３００から構成されている。

【００４２】入力部１００には、画像データ１０１や、
神経回路網モデルの学習に必要となる情報を読み込むた
めのファイル読み込み装置１０２、画像データを獲得す
るためのビデオカメラ１０３などが含まれている。デー
タ処理部２００は、入力した画像データから特徴量１を
計算、抽出するための特徴量計算部２０１と、神経回路
網モデルを含み特徴量計算部２０１で計算された特徴量
１を神経回路網モデルに与えて変換させ特徴量２として
出力する特徴量変換部２０２と、特徴量変換部２０２
（神経回路網モデル）から出力された特徴量２に基づい
て画像のクラスを評価する評価部２０３と、特徴量変換
部２０２を学習させる学習部２０４と、学習に用いる摂
動を発生する摂動量発生部２０５とによって構成されて
いる。特徴量変換部２０２に含まれる神経回路網モデル
としては、例えば、上述した階層型神経回路網モデルが
使用される。評価部２０３は、神経回路網モデルが出力
する特徴量２に対して画像認識、分類の評価基準を導入
し、この評価基準にしたがって画像をクラスに分類する
ものであって、例えば、上述のFisherの基準による評価
値Ｆを出力するものである。出力部３００は、例えば、
認識、分類結果を表示するためのディスプレイなどによ
って構成されている。

【００４３】次に、この画像特徴量抽出装置を用いた画
像のパターン認識、分類について説明する。この画像特
徴量抽出装置によってパターン認識、分類を行なう場合
には、学習部２０４を用いて予め特徴量変換部２０２内
の神経回路網モデルを学習しておく必要がある。そこで
まず、学習時の動作について説明する。

【００４４】まず、画像データなどを入力部１００から
読み込み、データ処理部２００に転送する。神経回路網
モデルの学習に必要な学習率などのデータは、ファイル
読み込み装置１０２から特徴量変換部２０２に転送して
おく。続いて、特徴量計算部２０１によって、画像デー
タから、エネルギー、エントロピー、相関などの画像の
パターンとしての特徴量を計算し、計算された特徴量を
特徴量変換部２０２に転送する。

【００４５】神経回路網モデルの学習は１回目の学習と
再学習とに分けられるが、１回目の学習を行なう場合に
は、特徴量計算部２０１から送られてきた特徴量１の恒
等写像を学習する。すなわち、神経回路網モデルの入力
データ及び教師データとして特徴量計算部２０１からの
特徴量１を与え、神経回路網モデルの出力と教師データ
（与えた特徴量１）との誤差を最小化するように逆伝搬
法によって学習を実行する。そして、１回目の学習に続
けて再学習を実行する。再学習時には、特徴量変換部２
０２は、特徴量計算部２０１から転送されてきた特徴量
１を神経回路網モデルに入力し、一回の前向き計算によ
り、特徴量２に変換し、特徴量２を評価部２０３に転送
して評価部２０３により評価値を算出する。一方、摂動
量発生部２０５によって、学習部２０４にしたがい乱数
などに応じた摂動を生成し、生成した摂動を神経回路網
モデルの出力に加算する。そして摂動を加算された特徴
量２も評価部２０３に転送し、評価値を算出する。摂動
を加えた後の評価値が摂動を加える前の評価値より大き
い（小さい）場合には、神経回路網モデルの重みを更新
する。このような再学習を実行することによって、神経
回路網モデルでは、パターンの分類により適した特徴量
の計算過程が獲得される。

【００４６】以上のようにして神経回路網モデルの学習
が終了したら、実際の画像のパターン認識、分類を実行
する。ここではまず、未学習の画像データを入力部１０
０から読み込んでデータ処理部２００に転送し、特徴量
計算部２０１によって画像データから特徴量１を抽出す
る。抽出された特徴量１を特徴量変換部２０２に転送し
て神経回路網モデルに入力する。そして、神経回路網モ
デルから出力された特徴量２を評価部２０３に転送し、
評価部２０３によって、その画像がどのクラスに属する
かを判定する。そして、判定結果を出力部３００に出力
する。以上によって、未学習画像データのパターン認
識、分類が行なわれたことになる。

【００４７】

【発明の効果】以上説明したように本発明では、まず、
画像のパターンを認識、分類するために有効となる特徴
量を画像から求め、この特徴量から認識、分類するため
により有効となる特徴量へ変換する計算過程を神経回路
網モデルの学習により自動的に獲得し、学習後の神経回
路網モデルを用いて、未知の画像データを認識、分類す
る。したがって、従来は、画像を分類するための様々な
特徴量を抽出する際の計算過程が固定化されていて分類
に有効な特徴量を得ることが困難であったのに対し、本
発明によれば、有効となる特徴量を画像から抽出する計
算過程を自動的に神経回路網モデルの内部に獲得できる
ので、画像の認識精度が向上する。

【図面の簡単な説明】

【図１】本発明の一実施例の画像のパターン認識方法の
手順を示すフローチャートである。

【図２】神経回路網モデルの一例を示すブロック図であ
る。

【図３】神経回路網モデルの恒等学習を説明する概念図
である。

【図４】神経回路網モデルの再学習を説明する概念図で
ある。

【図５】再学習後の神経回路網モデルを用いた画像のパ
ターン認識、分類を説明する概念図である。

【図６】本発明に基づく画像特徴量抽出装置の一例の構
成を示すブロック図である。

【図７】従来の手法による画像のパターンの認識及び分
類の手順を示すフローチャートである。

【符号の説明】

１００ 入力部 １０１ 画像データ １０２ ファイル読み込み装置 １０３ ビデオカメラ １６１ 学習過程 １６２ 分類過程 ２００ データ処理部 ２０１ 特徴量計算部 ２０２ 特徴量変換部 ２０３ 評価部 ２０４ 学習部 ２０５ 摂動量発生部 ３００ 出力部

Claims (3)

【特許請求の範囲】
1. 【請求項１】 入力した特徴量を変換して出力する神経
   回路網モデルを使用して画像のパターン認識を行なう方
   法であって、 画像から特徴量を算出する特徴量算出工程と、 前記特徴量算出手段で算出された特徴量を入力データ及
   び教師データとして前記神経回路網モデルに与え、教師
   あり学習によって前記特徴量から前記特徴量への恒等写
   像を獲得する学習工程と、 前記学習工程の後、認識のための評価基準に基づく評価
   値を前記神経回路網モデルの出力する出力特徴量から算
   出し、前記出力特徴量に摂動を加え、前記評価値を最大
   化あるいは最小化するように前記神経回路網モデルの再
   学習を行なう再学習工程と、 前記再学習工程が行なわれた前記神経回路網モデルに、
   未学習の画像から算出された特徴量を与えることにより
   当該未学習の画像のパターン認識を行なう認識工程とを
   有する画像のパターン認識方法。
2. 【請求項２】 前記評価基準が共分散行列に基づいて画
   像のクラスを評価するものである請求項１に記載の画像
   のパターン認識方法。
3. 【請求項３】 入力した特徴量を変換して出力する神経
   回路網モデルと、 画像から特徴量を算出する特徴量計算手段と、 摂動量を発生する摂動量発生手段と、 認識のための評価基準に基づいて、前記神経回路網モデ
   ルの出力する出力特徴量から評価値を算出する評価手段
   と、 前記特徴量計算手段で算出された特徴量を入力データ及
   び教師データとして前記神経回路網モデルに与え、教師
   あり学習によって前記特徴量から前記特徴量への恒等写
   像を獲得し、その後、前記出力特徴量に前記摂動量を加
   え、前記評価値を最大化あるいは最小化するように前記
   神経回路網モデルの再学習を行なう学習手段とを有し、 未学習の画像から算出された特徴量を再学習後の前記神
   経回路網モデルに入力したときの前記評価値に応じて当
   該未学習の画像のパターン認識が行なわれる画像のパタ
   ーン認識装置。