JPH1021406A - 物体認識方法及び装置 - Google Patents
物体認識方法及び装置Info
- Publication number
- JPH1021406A JPH1021406A JP9080401A JP8040197A JPH1021406A JP H1021406 A JPH1021406 A JP H1021406A JP 9080401 A JP9080401 A JP 9080401A JP 8040197 A JP8040197 A JP 8040197A JP H1021406 A JPH1021406 A JP H1021406A
- Authority
- JP
- Japan
- Prior art keywords
- self
- object recognition
- image
- training
- organizing map
- 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.)
- Granted
Links
Classifications
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Landscapes
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
(57)【要約】
【課題】 顔をすばやく、信頼度が高く正確に認識する
こと。 【解決手段】 局部画像サンプリング、自己組織化マッ
プ・ニューラルネットワーク、および混成畳み込みニュ
ーラルネットワークを示す、物体認識のための混成ニュ
ーラルネットワーク。自己組織化マップは画像サンプル
を入力が原空間に近くまた出力空間に近い位相空間に量
子化し、それによって次元数減少と画像サンプルの小さ
い変化に対する不変を与え、混成畳み込みニューラルネ
ットワークは変換、回転、スケールおよび変形に対する
部分的不変を与える。混成畳み込みネットワークは、順
次、階層的な層の集合において大きな特徴を抽出する。
自己組織化マップの代わりにカルーネン・レーベ変換
を、畳み込みネットワークの代わりに多層パーセプトロ
ンを使用する、代わりの実施例について述べる。
こと。 【解決手段】 局部画像サンプリング、自己組織化マッ
プ・ニューラルネットワーク、および混成畳み込みニュ
ーラルネットワークを示す、物体認識のための混成ニュ
ーラルネットワーク。自己組織化マップは画像サンプル
を入力が原空間に近くまた出力空間に近い位相空間に量
子化し、それによって次元数減少と画像サンプルの小さ
い変化に対する不変を与え、混成畳み込みニューラルネ
ットワークは変換、回転、スケールおよび変形に対する
部分的不変を与える。混成畳み込みネットワークは、順
次、階層的な層の集合において大きな特徴を抽出する。
自己組織化マップの代わりにカルーネン・レーベ変換
を、畳み込みネットワークの代わりに多層パーセプトロ
ンを使用する、代わりの実施例について述べる。
Description
【０００１】
【発明の属する技術分野】本発明は一般に物体認識の分
野に関し、特に、物体または顔認識のためのニューラル
ネットワーク方法および装置に関する。
野に関し、特に、物体または顔認識のためのニューラル
ネットワーク方法および装置に関する。
【０００２】
【従来の技術】本人であるか否かを識別するための方法
を実現するために、生体測定の特徴、すなわち、個人を
識別するための生理学的特徴または行動的特徴が注目さ
れている。その中でも特に注目されているものが、指
紋、音声、動的署名（signaturedynamics）および顔等
の特徴である。これらの特徴の中で、顔認識は本人認識
を行う非侵入システムとして明確に役立っている。（例
えば、アール・チェラッパ、シー・エル・ウィルソン、
およびエス・シロヘイ著、１９９５年５月、ＩＥＥＥの
会報、第８３巻、第７０５〜７４０頁、「ヒューマン・
アンド・マシン・レコグニション・オブ・フェイシィ
ズ：ア・サーベイ」（R. Chellappa,C.L. Wilson, and
S. Sirohey，"Human and Machine Recognition of Face
s: A Survey",Proceedings of IEEE, Vol.83, pp.705-7
40, May 1995）参照）。
を実現するために、生体測定の特徴、すなわち、個人を
識別するための生理学的特徴または行動的特徴が注目さ
れている。その中でも特に注目されているものが、指
紋、音声、動的署名（signaturedynamics）および顔等
の特徴である。これらの特徴の中で、顔認識は本人認識
を行う非侵入システムとして明確に役立っている。（例
えば、アール・チェラッパ、シー・エル・ウィルソン、
およびエス・シロヘイ著、１９９５年５月、ＩＥＥＥの
会報、第８３巻、第７０５〜７４０頁、「ヒューマン・
アンド・マシン・レコグニション・オブ・フェイシィ
ズ：ア・サーベイ」（R. Chellappa,C.L. Wilson, and
S. Sirohey，"Human and Machine Recognition of Face
s: A Survey",Proceedings of IEEE, Vol.83, pp.705-7
40, May 1995）参照）。
【０００３】背景として、顔認識システムに使用される
技術は、顔認識システムの特定の応用に大部分依存して
いる。例えば、もし大きな顔用データベース、たとえ
ば、警察のデータベース内で本人の顔を見つけたい場
合、一般に、顔認識を実時間で実行する必要はない。そ
のような場合、これら非実時間システムはデータベース
に最も似た顔のリストを選べばよい。その後、選ばれた
顔は人間のオペレータによって分析される。
技術は、顔認識システムの特定の応用に大部分依存して
いる。例えば、もし大きな顔用データベース、たとえ
ば、警察のデータベース内で本人の顔を見つけたい場
合、一般に、顔認識を実時間で実行する必要はない。そ
のような場合、これら非実時間システムはデータベース
に最も似た顔のリストを選べばよい。その後、選ばれた
顔は人間のオペレータによって分析される。
【０００４】逆に、機密保護監視システム、位置トラッ
キングシステムや機密保護アクセスシステム等の実時間
で特定の本人を認識する必要のある応用分野において
は、顔をすばやく正確に認識しなければならず、さもな
いと機密保護違反／結果が起こる。
キングシステムや機密保護アクセスシステム等の実時間
で特定の本人を認識する必要のある応用分野において
は、顔をすばやく正確に認識しなければならず、さもな
いと機密保護違反／結果が起こる。
【０００５】従来は、顔認識の探求幾何学的特徴に基づ
く方法の研究にもっぱら費やされている。特に、パター
ン・アナリシス・アンド・マシン・インテリジェンス，
１５（１０）の第１０４２〜１０５２頁（Pattern Anal
ysis and Machine Intelligence,15(10), pp.1042-105
2）に出ている「フェース・レコグニション：フューチ
ャーズ・ヴァーサス・テンプレーツ（Face Recognitio
n; Features Versus Templetes ）」という題名の論文
において、アール・ブルネリ（R. Brunelli ）とティー
・ポギオ（T. Poggio ）は、鼻の幅と長さ、口の位置、
およびあごの形のような顔の幾何学的特徴の集合を計算
する方法について述べている。アイ・コックス（I. Co
x）、ジェイ・ゴースン（J. Ghosn）およびピー・イヤ
ニロス（P. Yianilos ）等は、１９９５年１０月、ニュ
ージャージー州，プリンストンのＮＥＣリサーチ・イン
スティチュート（NEC Research Institute, Princeton,
NJ, October 1995)に「フューチャー・ベースド・フェ
イス・レコグニション・ユージング・ミクスチャー・デ
ィスタンス（Feature-Based Face Recognition Using M
ixture-Distance ）」という題名の技術報告（technica
l report）において、３０の手動的に抽出したメトリッ
ク（距離）で各顔を表すことによって、比較的高い認識
率を達成する、混合距離技術（mixture-distance techn
ique）について述べている。
く方法の研究にもっぱら費やされている。特に、パター
ン・アナリシス・アンド・マシン・インテリジェンス，
１５（１０）の第１０４２〜１０５２頁（Pattern Anal
ysis and Machine Intelligence,15(10), pp.1042-105
2）に出ている「フェース・レコグニション：フューチ
ャーズ・ヴァーサス・テンプレーツ（Face Recognitio
n; Features Versus Templetes ）」という題名の論文
において、アール・ブルネリ（R. Brunelli ）とティー
・ポギオ（T. Poggio ）は、鼻の幅と長さ、口の位置、
およびあごの形のような顔の幾何学的特徴の集合を計算
する方法について述べている。アイ・コックス（I. Co
x）、ジェイ・ゴースン（J. Ghosn）およびピー・イヤ
ニロス（P. Yianilos ）等は、１９９５年１０月、ニュ
ージャージー州，プリンストンのＮＥＣリサーチ・イン
スティチュート（NEC Research Institute, Princeton,
NJ, October 1995)に「フューチャー・ベースド・フェ
イス・レコグニション・ユージング・ミクスチャー・デ
ィスタンス（Feature-Based Face Recognition Using M
ixture-Distance ）」という題名の技術報告（technica
l report）において、３０の手動的に抽出したメトリッ
ク（距離）で各顔を表すことによって、比較的高い認識
率を達成する、混合距離技術（mixture-distance techn
ique）について述べている。
【０００６】正確に測定された特徴間距離を用いる方法
を利用するシステムは、特別な特徴点位置選定方法に非
常に依存する。ところが、特徴点を自動的に標定する現
在の方法は、精度の点で高いとは言えず、また、確固と
したものでもないため、実時間で顔認識を行うことを必
要とする分野には、簡単には適用できない。
を利用するシステムは、特別な特徴点位置選定方法に非
常に依存する。ところが、特徴点を自動的に標定する現
在の方法は、精度の点で高いとは言えず、また、確固と
したものでもないため、実時間で顔認識を行うことを必
要とする分野には、簡単には適用できない。
【０００７】１９９１年のジャーナル・オブ・コグニテ
ィブ・ニューロサイエンス、第３巻、第７１〜８６頁
（the Journal of Cognitive Neuroscience, Vol. 3, p
p. 71-86, 1991）において明らかにされた「アイゲンフ
ェイシィズ・フォー・レコグニション（Eigenfaces for
Recognition）」という題名の論文、および１９９２年
１１月に発行された「フェイス・レコグニション・シス
テム（Face RecognitionSystem ）」という発明の名称
の米国特許第５，１６４，９９２号において、エム・タ
ーク（M. Turk ）とエイ・ペントランド（A. Pentland
）は、試行画像からなる原画像セットの主要な要素上
に、顔画像を投影する、顔認識システムについて述べて
いる。その結果得られた“固有顔（eigenfaces）”は知
られた個人と比較することによって分類される。この線
形主要要素技術は、顔が低次元空間内にあり、このた
め、２つの顔の和または平均もまた顔になるということ
を仮定している。この仮定は全ての顔に適用されたとき
に成り立たない。
ィブ・ニューロサイエンス、第３巻、第７１〜８６頁
（the Journal of Cognitive Neuroscience, Vol. 3, p
p. 71-86, 1991）において明らかにされた「アイゲンフ
ェイシィズ・フォー・レコグニション（Eigenfaces for
Recognition）」という題名の論文、および１９９２年
１１月に発行された「フェイス・レコグニション・シス
テム（Face RecognitionSystem ）」という発明の名称
の米国特許第５，１６４，９９２号において、エム・タ
ーク（M. Turk ）とエイ・ペントランド（A. Pentland
）は、試行画像からなる原画像セットの主要な要素上
に、顔画像を投影する、顔認識システムについて述べて
いる。その結果得られた“固有顔（eigenfaces）”は知
られた個人と比較することによって分類される。この線
形主要要素技術は、顔が低次元空間内にあり、このた
め、２つの顔の和または平均もまた顔になるということ
を仮定している。この仮定は全ての顔に適用されたとき
に成り立たない。
【０００８】より最近における従来技術はニューラルネ
ットワークを利用する顔認識技術に集中している。具体
的に言うと、エス・ジェイ・ハンソン、ジェイ・ディー
・コーワン、およびシー・エル・ギレス編、アドバンシ
ィズ・イン・ニューラル・インフォメーション・プロセ
ッシング・システムズ・５（１９９３年、モーガン・カ
ウフマン出版社（サン・マテオ））の第５８０〜５８７
頁（Advances in Neural Information Processing Syst
ems 5, pp.580-587, S.J. Hanson, J.D. Cowan, and C.
L. Giles, eds., Morgan Kaufman, San Mateo, 1993 ）
で明らかにされた「ノン・リニア・ディメンジョナリテ
ィ・リダクション（Non-linear Dimensionality Reduct
ion ）」という題名の論文において、ディー・デマーズ
（D. DeMers ）とジー・コットレル（G. Cottrell ）
は、画像の集合の最初の５０の主要要素を抽出し、これ
ら主要要素を自動連想（autoassociative ）ニューラル
ネットワークを使用して５次元に減少させたシステムに
ついて述べている。その結果得られた表現はそれから標
準多層パーセプトロンを使用して分類される。ところ
が、これら著者によって使われたデータベースは、非常
に簡単で、ピクチャは手動的に整列され、画像の明暗変
動、回転や傾きがない。このような事情のため、ここに
開示されたシステムおよび方法は、一般に、実時間認識
アプリケーションに対する要求に適していない。
ットワークを利用する顔認識技術に集中している。具体
的に言うと、エス・ジェイ・ハンソン、ジェイ・ディー
・コーワン、およびシー・エル・ギレス編、アドバンシ
ィズ・イン・ニューラル・インフォメーション・プロセ
ッシング・システムズ・５（１９９３年、モーガン・カ
ウフマン出版社（サン・マテオ））の第５８０〜５８７
頁（Advances in Neural Information Processing Syst
ems 5, pp.580-587, S.J. Hanson, J.D. Cowan, and C.
L. Giles, eds., Morgan Kaufman, San Mateo, 1993 ）
で明らかにされた「ノン・リニア・ディメンジョナリテ
ィ・リダクション（Non-linear Dimensionality Reduct
ion ）」という題名の論文において、ディー・デマーズ
（D. DeMers ）とジー・コットレル（G. Cottrell ）
は、画像の集合の最初の５０の主要要素を抽出し、これ
ら主要要素を自動連想（autoassociative ）ニューラル
ネットワークを使用して５次元に減少させたシステムに
ついて述べている。その結果得られた表現はそれから標
準多層パーセプトロンを使用して分類される。ところ
が、これら著者によって使われたデータベースは、非常
に簡単で、ピクチャは手動的に整列され、画像の明暗変
動、回転や傾きがない。このような事情のため、ここに
開示されたシステムおよび方法は、一般に、実時間認識
アプリケーションに対する要求に適していない。
【０００９】自動的に成長し、且つ、傾斜降下（gradie
nt-descent）試行アルゴリズムで試行されない、階層的
ニューラルネットワークが、ジェイ・ウェング（J. Wen
g ）、エヌ・オウジャ（N. Ahuja）およびティー・エス
・ファング（T.S. Huang）による顔認識のために使用さ
れ、このネットワークは１９９３年、インターナショナ
ル・コンファレンス・オン・コンピュータ・ヴイジョン
・９３の第１２１〜１２８頁（International Conferen
ce on Computer Vision 93, pp.121-128, 1993）の論文
「ラーニング・レコグニション・アンド・セグメンテー
ション・オブ・３−Ｄオブジェクト・フロム・２−Ｄイ
メージズ（Learning Recognition and Segmentation of
3-D Objects from 2-D Images）」に記載されている。
この論文で開示されたシステムは、画像から抽出された
方向性をもつエッジに関連して動作し、このため、画像
のほとんどの情報を無視すると共に、エッジ抽出アルゴ
リズムの性能に対する依存性を招いている。学習アルゴ
リズムは増加し、従って、与えられた物体に対して最適
な特徴を抽出することを学習することができない。この
ような事情のために、このシステムは、非常に簡単な識
別タスクにおいて働くことを明らかにしているだけであ
る。
nt-descent）試行アルゴリズムで試行されない、階層的
ニューラルネットワークが、ジェイ・ウェング（J. Wen
g ）、エヌ・オウジャ（N. Ahuja）およびティー・エス
・ファング（T.S. Huang）による顔認識のために使用さ
れ、このネットワークは１９９３年、インターナショナ
ル・コンファレンス・オン・コンピュータ・ヴイジョン
・９３の第１２１〜１２８頁（International Conferen
ce on Computer Vision 93, pp.121-128, 1993）の論文
「ラーニング・レコグニション・アンド・セグメンテー
ション・オブ・３−Ｄオブジェクト・フロム・２−Ｄイ
メージズ（Learning Recognition and Segmentation of
3-D Objects from 2-D Images）」に記載されている。
この論文で開示されたシステムは、画像から抽出された
方向性をもつエッジに関連して動作し、このため、画像
のほとんどの情報を無視すると共に、エッジ抽出アルゴ
リズムの性能に対する依存性を招いている。学習アルゴ
リズムは増加し、従って、与えられた物体に対して最適
な特徴を抽出することを学習することができない。この
ような事情のために、このシステムは、非常に簡単な識
別タスクにおいて働くことを明らかにしているだけであ
る。
【００１０】最後に、１９９５年１月にデバン他（DeBa
n, et al.)に対して発行された米国特許第５，３８６，
１０３号において、その発明者は原画像を訓練集合の共
分散行列の固有ベクトルに投影する顔認識方法およびシ
ステムについて述べている。ニューラルネットワーク
は、実質的に、係数を格納された値と比較するために使
用される。
n, et al.)に対して発行された米国特許第５，３８６，
１０３号において、その発明者は原画像を訓練集合の共
分散行列の固有ベクトルに投影する顔認識方法およびシ
ステムについて述べている。ニューラルネットワーク
は、実質的に、係数を格納された値と比較するために使
用される。
【００１１】
【発明が解決しようとする課題】顔認識のための現存す
る従来の方法および技術には、いくつかの重大な制約が
ある。特に、ターク（Turk）とペントランド（Pentlan
d）によって記述されている“固有顔”方法、ブルネリ
（Brunelli）とパギオ（Paggio）によって述べられたよ
うなテンプレート・マッチング、およびデバン他（DeBa
n, et al.)によって述べられた方法および装置は、学習
の画素強度とテスト画像との間の高程度の相関を必要と
するために制限される。また、それらは、質問画像が訓
練画像と同じスケール、方位、および照度を持つときに
だけ有効である。最後に、それらは、異なった顔表情の
ような、画像の局部的な変形に対して不変ではない。
る従来の方法および技術には、いくつかの重大な制約が
ある。特に、ターク（Turk）とペントランド（Pentlan
d）によって記述されている“固有顔”方法、ブルネリ
（Brunelli）とパギオ（Paggio）によって述べられたよ
うなテンプレート・マッチング、およびデバン他（DeBa
n, et al.)によって述べられた方法および装置は、学習
の画素強度とテスト画像との間の高程度の相関を必要と
するために制限される。また、それらは、質問画像が訓
練画像と同じスケール、方位、および照度を持つときに
だけ有効である。最後に、それらは、異なった顔表情の
ような、画像の局部的な変形に対して不変ではない。
【００１２】従って、顔をすばやく、信頼度が高く、正
確に認識する方法および装置のための技術が引き続き要
求される。
確に認識する方法および装置のための技術が引き続き要
求される。
【００１３】
【課題を解決するための手段】上記課題は、局部画像サ
ンプリング技術、自己組織化マップニューラルネットワ
ーク、および畳み込みニューラルネットワークを結合し
て顔認識システムにするという、本発明の原理によって
解決される。
ンプリング技術、自己組織化マップニューラルネットワ
ーク、および畳み込みニューラルネットワークを結合し
て顔認識システムにするという、本発明の原理によって
解決される。
【００１４】具体的に言うと、固定サイズの窓を、画像
の集合における１つ以上の全体の画像上で異なる位置に
移し、局部画像サンプルが各ステップで抽出される。
の集合における１つ以上の全体の画像上で異なる位置に
移し、局部画像サンプルが各ステップで抽出される。
【００１５】自己組織化マップは前のステップで生成さ
れたベクトルの集合に対して訓練される。自己組織化マ
ップは入力ベクトルを多数の位相幾何学的な規則正しい
値に量子化する。その代わりに、カルーネン・レーベ変
換を自己組織化マップの代わりに用いても良く、それに
よって、カルーネン・レーベ変換はベクトルを１つの空
間から低次元の他の空間に投影する。
れたベクトルの集合に対して訓練される。自己組織化マ
ップは入力ベクトルを多数の位相幾何学的な規則正しい
値に量子化する。その代わりに、カルーネン・レーベ変
換を自己組織化マップの代わりに用いても良く、それに
よって、カルーネン・レーベ変換はベクトルを１つの空
間から低次元の他の空間に投影する。
【００１６】引き続いて、固定サイズの窓を、それか
ら、任意の訓練およびテスト集合に含まれる画像上の異
なる位置に移す。その結果局部画像サンプルは、各ステ
ップで自己組織化マップを通過され、それによって、自
己組織化マップによって発生された出力空間に新しい訓
練およびテスト集合を創作する。システムへの各顔画像
入力は、最後に、多数のマップによって表され、マップ
の各々は自己組織化マップの次元に対応する。最後に、
畳み込みニューラルネットワークは新しく発生された訓
練集合上で訓練される。
ら、任意の訓練およびテスト集合に含まれる画像上の異
なる位置に移す。その結果局部画像サンプルは、各ステ
ップで自己組織化マップを通過され、それによって、自
己組織化マップによって発生された出力空間に新しい訓
練およびテスト集合を創作する。システムへの各顔画像
入力は、最後に、多数のマップによって表され、マップ
の各々は自己組織化マップの次元に対応する。最後に、
畳み込みニューラルネットワークは新しく発生された訓
練集合上で訓練される。
【００１７】
【発明の実施の形態】以下、本発明の好ましい実施の形
態について図面を参照して詳細に説明するが、図面の幾
つは次の説明のうちに同時に参照される。
態について図面を参照して詳細に説明するが、図面の幾
つは次の説明のうちに同時に参照される。
【００１８】さて図１を参照すると、画像の高レベル処
理とそれらに続く分類を描くフローチャートを示す。具
体的に言うと、画像１００は画像サンプリングブロック
１１０でサンプルされ、次元数減少ブロック１２０、特
徴抽出ブロック１３０、および分類ブロック１４０で処
理され、処理された画像のクラス１５０を生成する。こ
こで、「クラス」とは多数の物体／顔の１つである。例
えば、与えられた１つの物体／顔は、多数の知られてい
る物体／顔の１つとして分類される。
理とそれらに続く分類を描くフローチャートを示す。具
体的に言うと、画像１００は画像サンプリングブロック
１１０でサンプルされ、次元数減少ブロック１２０、特
徴抽出ブロック１３０、および分類ブロック１４０で処
理され、処理された画像のクラス１５０を生成する。こ
こで、「クラス」とは多数の物体／顔の１つである。例
えば、与えられた１つの物体／顔は、多数の知られてい
る物体／顔の１つとして分類される。
【００１９】さて図２を参照して、図１に描かれた処理
を実行するシステムを示す。特に、画像はサンプルさ
れ、サンプリングの結果は、次元数減少のために、自己
組織化マップ２００又はカルーネン・レーベ変換モジュ
ール２１０に出力される。サンプルされ減少された画像
のクラスは、多層パーセプトロン２５０かその代わり
に、特徴抽出層２２０と多層パーセプトロン方分類器２
３０または最近隣分類器２４０を含む、混成畳み込みニ
ューラルネットワーク２６０で実行される。混成畳み込
みニューラルネットーワークまたは多層パーセプトロン
の結果出力は画像クラス２７０である。
を実行するシステムを示す。特に、画像はサンプルさ
れ、サンプリングの結果は、次元数減少のために、自己
組織化マップ２００又はカルーネン・レーベ変換モジュ
ール２１０に出力される。サンプルされ減少された画像
のクラスは、多層パーセプトロン２５０かその代わり
に、特徴抽出層２２０と多層パーセプトロン方分類器２
３０または最近隣分類器２４０を含む、混成畳み込みニ
ューラルネットワーク２６０で実行される。混成畳み込
みニューラルネットーワークまたは多層パーセプトロン
の結果出力は画像クラス２７０である。
【００２０】最初に、画像サンプリングについて説明す
る。局部画像サンプルを表す２つの異なる方法が、本発
明の構成において使用され評価される。２つの方法の各
々において、図３に示されるように、窓が画像上を走査
され（進み）、ベクトルが進められた画像の各位置に対
して発生する。
る。局部画像サンプルを表す２つの異なる方法が、本発
明の構成において使用され評価される。２つの方法の各
々において、図３に示されるように、窓が画像上を走査
され（進み）、ベクトルが進められた画像の各位置に対
して発生する。
【００２１】２つの画像表示方法の第１は、窓の各点に
対応する輝度値を使用した画像に位置づけられた局部窓
からベクトルを生成する。具体的に言うと、もしｘijが
与えられた画像の第ｉ列、第ｊ行の輝度であると規定さ
れ、かつ局部窓がｘijを中心とした２Ｗ＋１の長さの辺
を持つ正方形であるなら、この窓と関連づけられるベク
トルは、簡単に［ｘi-W,j-W ，ｘi-W,j-W+1 ，…，
ｘij，…，ｘi+W,j+W-1 ，ｘi+W,j+W ］である。
対応する輝度値を使用した画像に位置づけられた局部窓
からベクトルを生成する。具体的に言うと、もしｘijが
与えられた画像の第ｉ列、第ｊ行の輝度であると規定さ
れ、かつ局部窓がｘijを中心とした２Ｗ＋１の長さの辺
を持つ正方形であるなら、この窓と関連づけられるベク
トルは、簡単に［ｘi-W,j-W ，ｘi-W,j-W+1 ，…，
ｘij，…，ｘi+W,j+W-1 ，ｘi+W,j+W ］である。
【００２２】２つの画像表現方法の第２は、ａ）中心画
素ｘijの輝度と、ｂ）中心画素と正方窓に含まれる他の
全ての画素との間の輝度差と、からベクトルを形成する
ことによって局部サンプルの表現を生成する。そのよう
にして形成されたベクトルは、［ｘij−ｘi-w,j-W ，ｘ
ij−ｘi-W,j-W+1 ，…，ｗijｘij，…，ｘij−ｘ
i+W,j+W-1 ，ｘij−ｘi+W,j+W ］で与えられる。この表
現は画像の輝度における変動に対して部分的に不変であ
る。不変量は、中心輝度成分に関連づけられた、重み、
ｗijを調節することによって修正される。
素ｘijの輝度と、ｂ）中心画素と正方窓に含まれる他の
全ての画素との間の輝度差と、からベクトルを形成する
ことによって局部サンプルの表現を生成する。そのよう
にして形成されたベクトルは、［ｘij−ｘi-w,j-W ，ｘ
ij−ｘi-W,j-W+1 ，…，ｗijｘij，…，ｘij−ｘ
i+W,j+W-1 ，ｘij−ｘi+W,j+W ］で与えられる。この表
現は画像の輝度における変動に対して部分的に不変であ
る。不変量は、中心輝度成分に関連づけられた、重み、
ｗijを調節することによって修正される。
【００２３】次に、自己組織化マップ２００について説
明する。１９９０年、プロシーディングズ・オブ・ジ・
アイトリプルイー、第７８巻、第１４６４〜１４８０頁
（Proceedings of the IEEE, Vol. 78, pp. 1464-1480,
in 1990）で明らかにされた「ザ・セルフ・オーガナイ
ジング・マップ（The Self-Organizing Map ）」という
題名の論文において、チューボ・コホーネン（Teuvo Ko
honen ）によって述べられた、自己組織化マップ（ＳＯ
Ｍ）は、任意のクラス情報なしでパターンの集合の分配
を学習する未監視（unsupervised）学習プロセスであ
る。動作において、パターンは入力空間から自己組織化
マップ内の位置に投影され、情報は活性化されたノード
の位置として符号化される。ＳＯＭは、クラスの位相幾
何学的な順序を与える他の分類や集合技術と異なる。入
力パターンにおける類似はプロセスの出力において保存
される。ＳＯＭプロセスの位相幾何学的な保存は、多数
のクラスを含むデータの分類に特に役立つ。局部画像サ
ンプル分類において、例えば、１つのクラスから次のク
ラスへの遷移が事実上連続的である非常に大きい数のク
ラスがあり、したがって、くっきりしたクラス境界を規
定することは難しい。
明する。１９９０年、プロシーディングズ・オブ・ジ・
アイトリプルイー、第７８巻、第１４６４〜１４８０頁
（Proceedings of the IEEE, Vol. 78, pp. 1464-1480,
in 1990）で明らかにされた「ザ・セルフ・オーガナイ
ジング・マップ（The Self-Organizing Map ）」という
題名の論文において、チューボ・コホーネン（Teuvo Ko
honen ）によって述べられた、自己組織化マップ（ＳＯ
Ｍ）は、任意のクラス情報なしでパターンの集合の分配
を学習する未監視（unsupervised）学習プロセスであ
る。動作において、パターンは入力空間から自己組織化
マップ内の位置に投影され、情報は活性化されたノード
の位置として符号化される。ＳＯＭは、クラスの位相幾
何学的な順序を与える他の分類や集合技術と異なる。入
力パターンにおける類似はプロセスの出力において保存
される。ＳＯＭプロセスの位相幾何学的な保存は、多数
のクラスを含むデータの分類に特に役立つ。局部画像サ
ンプル分類において、例えば、１つのクラスから次のク
ラスへの遷移が事実上連続的である非常に大きい数のク
ラスがあり、したがって、くっきりしたクラス境界を規
定することは難しい。
【００２４】ＳＯＭは、入力空間Ｒn から、通常低次元
の空間における位相幾何学的な規則正しいノードの集合
へのマッピングを規定する。２次元ＳＯＭの例が図４に
示されている。入力空間の参照ベクトル、ｍi ≡
［μi1，μi2，…，μin］T ∈Ｒnは、ＳＯＭにおける
各ノードに割り当てられる。学習の間、各入力、ｘは、
ｍiの全てと比較され、特定の距離にしたがった最も近
いマッチの位置を得る。入力点はＳＯＭにおけるこの位
置にマップされる。
の空間における位相幾何学的な規則正しいノードの集合
へのマッピングを規定する。２次元ＳＯＭの例が図４に
示されている。入力空間の参照ベクトル、ｍi ≡
［μi1，μi2，…，μin］T ∈Ｒnは、ＳＯＭにおける
各ノードに割り当てられる。学習の間、各入力、ｘは、
ｍiの全てと比較され、特定の距離にしたがった最も近
いマッチの位置を得る。入力点はＳＯＭにおけるこの位
置にマップされる。
【００２５】ＳＯＭにおけるノードは、距離と成功ノー
ドに関連したこれらの位置にしたがって更新される。例
えば、ノードは下記の数１にしたがって更新される。
ドに関連したこれらの位置にしたがって更新される。例
えば、ノードは下記の数１にしたがって更新される。
【００２６】
【数１】 ここで、ｔは学習の間の時間、ｈci（ｔ）は近傍関数
で、その平滑核（smoothing kernel）はｍc で最大であ
る。通常、ｈci（ｔ）＝ｈ（‖ｒc −ｒi ‖，ｔ）であ
り、ここで、ｒc およびｒi はＳＯＭ出力空間における
ノードの位置を表す。入力サンプルに最も近い重みベク
トルをもつノードは、全てのノードでｒc およびｒi の
範囲である。変数ｈci（ｔ）は、‖ｒc −ｒi ‖が増加
し、またｔが∞に近付くとき、０に近付く。当業者は多
くの近傍関数を使用できることを分かっているけれど
も、１つの有用な近傍関数は下記の数２である。
で、その平滑核（smoothing kernel）はｍc で最大であ
る。通常、ｈci（ｔ）＝ｈ（‖ｒc −ｒi ‖，ｔ）であ
り、ここで、ｒc およびｒi はＳＯＭ出力空間における
ノードの位置を表す。入力サンプルに最も近い重みベク
トルをもつノードは、全てのノードでｒc およびｒi の
範囲である。変数ｈci（ｔ）は、‖ｒc −ｒi ‖が増加
し、またｔが∞に近付くとき、０に近付く。当業者は多
くの近傍関数を使用できることを分かっているけれど
も、１つの有用な近傍関数は下記の数２である。
【００２７】
【数２】 ここで、α（ｔ）はスカラ値の学習レートで、σ（ｔ）
は核の幅を規定する。ＳＯＭは確率密度ｐ（ｘ）の非線
形投射と考えることができる。
は核の幅を規定する。ＳＯＭは確率密度ｐ（ｘ）の非線
形投射と考えることができる。
【００２８】自己組織化マップは、通常、データの視覚
化のために使用される。しかしながら、本発明におい
て、番号は、ＳＯＭの次元の数に等しい長さのベクルに
符号化されるべき勝ちＳＯＭ出力を与えるＳＯＭの各次
元に沿ったノードに割り当てられる。従って、原ベクト
ルは、原空間に近くの点がまた出力空間に近くなるよう
な、低次元空間にマップされる。
化のために使用される。しかしながら、本発明におい
て、番号は、ＳＯＭの次元の数に等しい長さのベクルに
符号化されるべき勝ちＳＯＭ出力を与えるＳＯＭの各次
元に沿ったノードに割り当てられる。従って、原ベクト
ルは、原空間に近くの点がまた出力空間に近くなるよう
な、低次元空間にマップされる。
【００２９】次に、カルーネン・レーベ変換モジュール
２１０について説明する。データセットの冗長度を減少
するために利用される技術で周知な効率のいい方法は、
カルーネン・レーベ（ＫＬ）変換または主要要素分析
（Principle Components Analysis ）（ＰＣＡ）による
固有ベクトル展開である。ＰＣＡは、分散を減少する順
序に入力データ配分の主要成分、すなわち、固有ベクト
ルとして知られている投射の直交軸の集合を生成する。
ＫＬ変換は、特徴抽出および多変量データ投射のための
統計方法であり、パターン認識、信号処理、画像処理、
およびデータ分析において広く使用されている。ｎ次元
入力空間の点はｍ次元空間（ｍ≦ｎ）に投影される。Ｋ
Ｌ変換は、局部画像サンプルの次元数減少においてＳＯ
Ｍの代わりとして使用しても良い。ＫＬ変換の使用は、
固有顔アプローチと同じではないことに注意されたい。
何故なら、ここでは、小さい局部画像サンプルは全体の
画像と対向するときに効果を及ぼす。ＫＬ技術はＳＯＭ
法とは根本的に異なっており、ＳＯＭが確率密度を近似
するために試みられているのに対して、それは画像が２
階統計（second order statistics ）によって十分に記
述されることを仮定している。
２１０について説明する。データセットの冗長度を減少
するために利用される技術で周知な効率のいい方法は、
カルーネン・レーベ（ＫＬ）変換または主要要素分析
（Principle Components Analysis ）（ＰＣＡ）による
固有ベクトル展開である。ＰＣＡは、分散を減少する順
序に入力データ配分の主要成分、すなわち、固有ベクト
ルとして知られている投射の直交軸の集合を生成する。
ＫＬ変換は、特徴抽出および多変量データ投射のための
統計方法であり、パターン認識、信号処理、画像処理、
およびデータ分析において広く使用されている。ｎ次元
入力空間の点はｍ次元空間（ｍ≦ｎ）に投影される。Ｋ
Ｌ変換は、局部画像サンプルの次元数減少においてＳＯ
Ｍの代わりとして使用しても良い。ＫＬ変換の使用は、
固有顔アプローチと同じではないことに注意されたい。
何故なら、ここでは、小さい局部画像サンプルは全体の
画像と対向するときに効果を及ぼす。ＫＬ技術はＳＯＭ
法とは根本的に異なっており、ＳＯＭが確率密度を近似
するために試みられているのに対して、それは画像が２
階統計（second order statistics ）によって十分に記
述されることを仮定している。
【００３０】次に、多層パーセプトロン２５０について
説明する。原則として、顔認識においてクラスを完全に
識別することが要求されることを含む、任意の要求マッ
ピングを実行するために、十分に大きい多層パーセプト
ロン・ニューラルネットワークを訓練するのを可能とす
べきである。実際問題として、しかしながら、そのよう
なシステムは、見えない入力を一般化するために必要な
特徴を形成することはできない（訓練データを完全に分
類できる関数のクラスはあまりに大きく、良い一般化を
示すこのクラスの部分集合にむりに解決することは容易
ではない）。訓練データを分類するために十分な大きさ
のネットワークは、過度の一致、探索テーブルに類似し
た機能、およびへたな一般化を表す。さらに、そのよう
なネットワークでの画像の変換または局部変形に対して
不変ではない。
説明する。原則として、顔認識においてクラスを完全に
識別することが要求されることを含む、任意の要求マッ
ピングを実行するために、十分に大きい多層パーセプト
ロン・ニューラルネットワークを訓練するのを可能とす
べきである。実際問題として、しかしながら、そのよう
なシステムは、見えない入力を一般化するために必要な
特徴を形成することはできない（訓練データを完全に分
類できる関数のクラスはあまりに大きく、良い一般化を
示すこのクラスの部分集合にむりに解決することは容易
ではない）。訓練データを分類するために十分な大きさ
のネットワークは、過度の一致、探索テーブルに類似し
た機能、およびへたな一般化を表す。さらに、そのよう
なネットワークでの画像の変換または局部変形に対して
不変ではない。
【００３１】次に、混成畳み込みニューラルネットワー
ク２６０について説明する。畳み込みネットワーク（Ｃ
Ｎ）は、３つの特徴、すなわち、局部受容性フィール
ド、共用重み、および空間サブサンプリングのために、
シフトの程度と変形不変を達成することができる。共用
重みの使用はまたシステムのパラメータの数を減少し、
それによって一般化を助ける。
ク２６０について説明する。畳み込みネットワーク（Ｃ
Ｎ）は、３つの特徴、すなわち、局部受容性フィール
ド、共用重み、および空間サブサンプリングのために、
シフトの程度と変形不変を達成することができる。共用
重みの使用はまたシステムのパラメータの数を減少し、
それによって一般化を助ける。
【００３２】さらに、畳み込みネットワークは、ディー
・ツーレツキー編、アドバンシィズ・イン・ニューラル
・インフォメーション・プロセッシング・システムズ・
２（１９９０年、カリフォルニア州、モーガン・カウフ
マン出版社（サン・マテオ））の第３９６〜４０４頁
（Advances in Neural Information Processing System
s 2, pp. 396-404, D. Touretzky,ed., Morgan Kaufman
n, San Mateo, CA, 1990）で明らかにされた「ハンドリ
トゥン・ディジット・レコグニション・ウィズ・ア・バ
ックプロパゲーション・ニューラル・ネットワーク（Ha
ndwritten DigitRecognition with a Backpropagation
Neural Network ）」という題名の論文において、ワイ
・レクン（Y. LeCuN）、ビー・ボサー（B. Boser）、ジ
ェイ・デンカー（J. Denker ）、ディー・ヘンダーソン
（D. Henderson）、アール・ホワード（R. Howard ）、
ダブリュ・ハブバード（W. Hubbard）およびエル・ジャ
ケル（L. Jackel ）によって証明されたように、文字認
識にうまく適用されている。
・ツーレツキー編、アドバンシィズ・イン・ニューラル
・インフォメーション・プロセッシング・システムズ・
２（１９９０年、カリフォルニア州、モーガン・カウフ
マン出版社（サン・マテオ））の第３９６〜４０４頁
（Advances in Neural Information Processing System
s 2, pp. 396-404, D. Touretzky,ed., Morgan Kaufman
n, San Mateo, CA, 1990）で明らかにされた「ハンドリ
トゥン・ディジット・レコグニション・ウィズ・ア・バ
ックプロパゲーション・ニューラル・ネットワーク（Ha
ndwritten DigitRecognition with a Backpropagation
Neural Network ）」という題名の論文において、ワイ
・レクン（Y. LeCuN）、ビー・ボサー（B. Boser）、ジ
ェイ・デンカー（J. Denker ）、ディー・ヘンダーソン
（D. Henderson）、アール・ホワード（R. Howard ）、
ダブリュ・ハブバード（W. Hubbard）およびエル・ジャ
ケル（L. Jackel ）によって証明されたように、文字認
識にうまく適用されている。
【００３３】図５を参照して、手書き文字を認識するた
めに適した、従来の畳み込みニューラルネットワークを
示す。畳み込みニューラルネットワークは層の集合から
成り、層の各々は１つ以上の平面を含む。ほぼ中心で正
規化された画像は入力層に入る。この入力層は特徴抽出
層２２０に相当する。特定の平面における各ユニット
は、前の層の平面に位置する小さい近傍から入力を受け
る。平面のための受容性フィールドを形成する重みは、
平面における全ての点でむりに等しくされる。各平面
は、前の層の平面上で走査される局部窓に巻き込まれる
固定特徴検出器をもつ特徴マップと考えることができ
る。複数の平面が、通常、複数の特徴が検出されるよう
に、各層で使用される。これら層は畳み込み層と呼ばれ
る。いったん特徴が検出されると、その正確な位置は重
要ではない。従って、畳み込み層の後に典型的に他の層
（多層パーセプロトン型分類器２３０または最近隣分類
器２４０に相当する）が続き、その他の層は局部平均と
サブサンプリング動作（例えば、２のサブサンプリング
要素に対して、ｙij＝（ｘ2i,2j ＋ｘ2i+1,2j ＋ｘ
2i,2j+1 ＋ｘ2i+1,2j+1 ）／４、ここで、ｙijは位置
ｉ，ｊでのサブサンプリング平面の出力であり、ｘijは
前の層における同じ平面の出力である）をする。ネット
ワークはそれからバックプロパゲーション傾斜降下手順
で訓練され、その詳細はこの技術で良く知られている。
めに適した、従来の畳み込みニューラルネットワークを
示す。畳み込みニューラルネットワークは層の集合から
成り、層の各々は１つ以上の平面を含む。ほぼ中心で正
規化された画像は入力層に入る。この入力層は特徴抽出
層２２０に相当する。特定の平面における各ユニット
は、前の層の平面に位置する小さい近傍から入力を受け
る。平面のための受容性フィールドを形成する重みは、
平面における全ての点でむりに等しくされる。各平面
は、前の層の平面上で走査される局部窓に巻き込まれる
固定特徴検出器をもつ特徴マップと考えることができ
る。複数の平面が、通常、複数の特徴が検出されるよう
に、各層で使用される。これら層は畳み込み層と呼ばれ
る。いったん特徴が検出されると、その正確な位置は重
要ではない。従って、畳み込み層の後に典型的に他の層
（多層パーセプロトン型分類器２３０または最近隣分類
器２４０に相当する）が続き、その他の層は局部平均と
サブサンプリング動作（例えば、２のサブサンプリング
要素に対して、ｙij＝（ｘ2i,2j ＋ｘ2i+1,2j ＋ｘ
2i,2j+1 ＋ｘ2i+1,2j+1 ）／４、ここで、ｙijは位置
ｉ，ｊでのサブサンプリング平面の出力であり、ｘijは
前の層における同じ平面の出力である）をする。ネット
ワークはそれからバックプロパゲーション傾斜降下手順
で訓練され、その詳細はこの技術で良く知られている。
【００３４】多層パーセプロトン型分類器２３０につい
て説明する。畳み込みネットワークの最後の層が多層パ
ーセプロトンに類似している。多層パーセプロトンはこ
の技術分野で良く知られているので、この出願では詳細
に説明しない。例えば、Rumelhart,D.E. and J.L.McCle
lland, Parallel Distributed Processing: Exploratio
ns in the Microstructure of Congnition, Volumes 1&
2, MIT Press, Cambridge, 1986 を参照されたい。
て説明する。畳み込みネットワークの最後の層が多層パ
ーセプロトンに類似している。多層パーセプロトンはこ
の技術分野で良く知られているので、この出願では詳細
に説明しない。例えば、Rumelhart,D.E. and J.L.McCle
lland, Parallel Distributed Processing: Exploratio
ns in the Microstructure of Congnition, Volumes 1&
2, MIT Press, Cambridge, 1986 を参照されたい。
【００３５】最近隣分類器２４０について説明する。最
近隣分類器２４０は多層パーセプロトン型分類器２３０
の代わりに使用できる。最近隣分類法は、この技術分野
で良く知られているので、この出現では詳細に説明しな
い。例えば、B.V.Dasarathy,Nearest Neighbor (NN) No
rm: NN Pattern Classification Techniques, IEEEComp
uter Society Press, 1991を参照されたい。
近隣分類器２４０は多層パーセプロトン型分類器２３０
の代わりに使用できる。最近隣分類法は、この技術分野
で良く知られているので、この出現では詳細に説明しな
い。例えば、B.V.Dasarathy,Nearest Neighbor (NN) No
rm: NN Pattern Classification Techniques, IEEEComp
uter Society Press, 1991を参照されたい。
【００３６】使用される畳み込みネットワークは入力層
を除く多数の層を含む。確実さの測定は各分類に対して
計算される。確実さの１つの可能な測定はｙm （ｙm −
ｙ2m）であり、ここでｙm は最大出力であり、ｙ2mは第
２の最大出力である。この例において、出力は下記の数
３のようなソフトマックス（softmax ）変換を使用して
変換される。
を除く多数の層を含む。確実さの測定は各分類に対して
計算される。確実さの１つの可能な測定はｙm （ｙm −
ｙ2m）であり、ここでｙm は最大出力であり、ｙ2mは第
２の最大出力である。この例において、出力は下記の数
３のようなソフトマックス（softmax ）変換を使用して
変換される。
【００３７】
【数３】 ここで、ｕi は原出力、ｙi は変換された出力、ｋは出
力の数である。
力の数である。
【００３８】本発明を好ましい実施の形態の文脈によっ
て詳細に示し説明したが、当業者によって、請求の範囲
によってだけ制限される発明の明らかな原理および意図
から逸脱しない範囲で、変更が可能であることが分か
る。
て詳細に示し説明したが、当業者によって、請求の範囲
によってだけ制限される発明の明らかな原理および意図
から逸脱しない範囲で、変更が可能であることが分か
る。
【００３９】
【発明の効果】以上の説明で明らかなように、本発明に
よれば、サンプル・ベクトルの集合が発生されるように
物体の画像をサンプリングし、ベクトルの次元の数を減
少し、次元の減少したベクトルから物体の特徴を抽出
し、物体を周知のクラスに分類しているので、顔等の物
体をすばやく、信頼度が高く、正確に認識することがで
きる。
よれば、サンプル・ベクトルの集合が発生されるように
物体の画像をサンプリングし、ベクトルの次元の数を減
少し、次元の減少したベクトルから物体の特徴を抽出
し、物体を周知のクラスに分類しているので、顔等の物
体をすばやく、信頼度が高く、正確に認識することがで
きる。
【図面の簡単な説明】
【図１】本発明の教えに役立つ顔認識システムの高レベ
ルブロック図である。
ルブロック図である。
【図２】種々の機能のための代わりを示す、図１のシス
テムの詳細なブロック図である。
テムの詳細なブロック図である。
【図３】局部サンプリング・プロセスの描写である。
【図４】ｎc （ｔ1 ）で始まり、時間が過ぎてサイズが
ｎc （ｔ3 ）に減少する、正方近傍関数を持つ２次元自
己組織化マップを示す。
ｎc （ｔ3 ）に減少する、正方近傍関数を持つ２次元自
己組織化マップを示す。
【図５】文字を認識するための従来の畳み込みニューラ
ルネットワークである。
ルネットワークである。
１００ 画像 １１０ 画像サンプリングブロック １２０ 次元数減少ブロック １３０ 特徴抽出ブロック １４０ 分類ブロック １５０ クラス ２００ 自己組織化マップ ２１０ カルーネン・レーベ変換モジュール ２２０ 特徴抽出層 ２３０ 多層パーセプトロン型分類器 ２４０ 最近隣分類器 ２５０ 多層パーセプトロン ２６０ 混成畳み込みニューラルネットワーク ２７０ クラス
Claims (15)
- 【請求項１】 特徴の集合をもつ物体を認識する方法に
おいて、 サンプル・ベクトルの集合が発生されるように物体の画
像をサンプリングし、 前記ベクトルの次元の数を減少し、 前記次元の減少したベクトルから物体の特徴を抽出し、
ならびに物体を周知のクラスに分類するステップを有す
る物体認識方法。 - 【請求項２】 前記サンプリング・ステップが、 物体の全体画像上で窓を異なる位置に移し、ならびに前
記異なる位置の各１つで局部画像サンプルを抽出して、
ベクトルの集合を生成するステップを有する請求項１に
記載の物体認識方法。 - 【請求項３】 前記次元の数を減少するステップが、 前記ベクトルの集合上で自己組織化マップを訓練し、 任意の訓練と任意のテスト集合に含まれる任意の画像上
で窓を異なる位置に移して、前記異なる位置の各１つで
結果局部画像サンプルを生成し、ならびに結果局部画像
サンプルを自己組織化マップに通すことによって自己組
織化マップの出力空間に新しいテスト訓練集合と新しい
テスト集合とを生成するステップを有する請求項２に記
載の物体認識方法。 - 【請求項４】 前記特徴抽出ステップが、 新しく生成された訓練集合上で畳み込みニューラルネッ
トワークを訓練するステップを有する請求項３に記載の
物体認識方法。 - 【請求項５】 前記次元の数を減少するステップがカル
ーネン・レーベ変換を有する請求項２に記載の物体認識
方法。 - 【請求項６】 物体を認識する方法において、 物体の全体画像上で窓を異なる位置に移し、 前記異なる位置の各１つで、局部画像サンプルを抽出し
て、ベクトルの集合を生成し、 出力空間を発生するように、前記ベクトルの集合上で自
己組織化マップを訓練し、 任意の訓練と任意のテスト集合に含まれる任意の画像上
で窓を異なる位置に移して、前記異なる位置の各１つで
結果局部画像サンプルを生成し、 結果局部画像サンプルを自己組織化マップに通すことに
よって自己組織化マップの出力空間に新しい訓練集合と
新しいテスト集合を生成し、ならびに新しく生成された
訓練集合上で畳み込みニューラルネットワークを訓練す
るステップを有する物体認識方法。 - 【請求項７】 前記自己組織化マップ訓練ステップが、
更に、勝ち自己組織化マップ出力が自己組織化マップの
次元の数に等しいベクトルに 符号化されるように、自己組織化マップの各次元に沿っ
て複数のノードに番号を割り当てるステップを有する請
求項１に記載の物体認識方法。 - 【請求項８】 物体を認識する装置において、 前記物体の画像をサンプルしてサンプル・ベクトルの集
合を生成する局部画像サンプリング手段と、 サンプル・ベクトルの集合を、入力空間における類似点
が出力空間の類似点にマップされるように、低次元の空
間にマップする、次元数減少手段と、 サンプルした画像から特徴を抽出する特徴抽出手段と、 前記画像が個々の番号のグループに含まれる確率を推定
する分類手段と、 個々の番号のグループが前記画像に含まれる確実さを推
定する確実さ推定手段とを有する物体認識装置。 - 【請求項９】 前記特徴抽出手段が、局部画像サンプリ
ング手段の出力を、前記画像の高レベル特徴の集合に対
応する複数の新しい表現に順次変換する請求項８に記載
の物体認識装置。 - 【請求項１０】 前記次元数減少手段が自己組織化マッ
プである請求項９に記載の物体認識装置。 - 【請求項１１】 前記次元数減少手段がカルーネン・レ
ーベ変換を行う手段である請求項９に記載の物体認識装
置。 - 【請求項１２】 前記特徴抽出手段が１つ以上の畳み込
みと１つ以上のサブサンプリング層をもつニューラルネ
ットワークを含む請求項９に記載の物体認識装置。 - 【請求項１３】 前記分類手段が多層パーセプトロン型
分類器である請求項９に記載の物体認識装置。 - 【請求項１４】 前記分類手段が最近隣システム（near
est neighbor system ）である請求項９に記載の物体認
識装置。 - 【請求項１５】 前記確実さ推定手段はｙm （ｙm −ｙ
2m）（ここで、ｙmは分類手段の最大出力、ｙ2mは分類
手段の第２の最大出力）に従って確実さを生成する請求
項９に記載の物体認識装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/625028 | 1996-03-29 | ||
| US08/625,028 US6038337A (en) | 1996-03-29 | 1996-03-29 | Method and apparatus for object recognition |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1021406A true JPH1021406A (ja) | 1998-01-23 |
| JP2923913B2 JP2923913B2 (ja) | 1999-07-26 |
Family
ID=24504289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9080401A Expired - Fee Related JP2923913B2 (ja) | 1996-03-29 | 1997-03-31 | 物体認識方法及び装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US6038337A (ja) |
| JP (1) | JP2923913B2 (ja) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003519827A (ja) * | 1999-05-18 | 2003-06-24 | シーメンス アクチエンゲゼルシヤフト | クラスタに対する、所定の入力量の帰属度をコンピュータ支援により検出する方法、相互に結合された計算要素の装置、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのコンピュータプログラム坦体、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのメモリ媒体 |
| JP2005211442A (ja) * | 2004-01-30 | 2005-08-11 | Tottori Univ | 自律移動型車椅子 |
| JP2007536644A (ja) * | 2004-05-06 | 2007-12-13 | ザ・レジェンツ・オブ・ザ・ユニバーシティ・オブ・カリフォルニア | 画像を整列させ分類するための方法およびシステム |
| JP2008152619A (ja) * | 2006-12-19 | 2008-07-03 | Fuji Xerox Co Ltd | データ処理装置およびデータ処理プログラム |
| JP2008310700A (ja) * | 2007-06-15 | 2008-12-25 | Canon Inc | 演算処理装置及び方法 |
| WO2010075311A3 (en) * | 2008-12-26 | 2010-10-28 | Five Apes, Inc. | Multi-stage image pattern recognizer |
| US7978905B2 (en) | 2007-06-13 | 2011-07-12 | Canon Kabushiki Kaisha | Calculation processing apparatus and control method thereof |
| US8229209B2 (en) | 2008-12-26 | 2012-07-24 | Five Apes, Inc. | Neural network based pattern recognizer |
| US8290250B2 (en) | 2008-12-26 | 2012-10-16 | Five Apes, Inc. | Method and apparatus for creating a pattern recognizer |
| US8391306B2 (en) | 2007-09-26 | 2013-03-05 | Canon Kabushiki Kaisha | Calculation processing apparatus and method |
| JP2013069132A (ja) * | 2011-09-22 | 2013-04-18 | Fuji Xerox Co Ltd | 画像処理装置及び画像処理プログラム |
| US8832004B2 (en) | 2008-12-04 | 2014-09-09 | Canon Kabushiki Kaisha | Convolution operation circuit and object recognition apparatus |
| JP2015036939A (ja) * | 2013-08-15 | 2015-02-23 | 富士ゼロックス株式会社 | 特徴抽出プログラム及び情報処理装置 |
| JP2017519291A (ja) * | 2014-05-22 | 2017-07-13 | 華為技術有限公司Ｈｕａｗｅｉ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｃｏ．，Ｌｔｄ． | 画像特性推定方法およびデバイス |
| JP2017538999A (ja) * | 2014-12-17 | 2017-12-28 | ノキア テクノロジーズ オーユー | ニューラルネットワークによるオブジェクト検出 |
| JP2018066136A (ja) * | 2016-10-18 | 2018-04-26 | 北海道瓦斯株式会社 | 融雪制御装置、ニューラルネットワークの学習方法、融雪制御方法及び融雪制御用プログラム |
| US11989639B2 (en) | 2018-03-02 | 2024-05-21 | Nec Corporation | Inferential device, convolutional operation method, and program |
Families Citing this family (94)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10361802B1 (en) | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
| US5903454A (en) | 1991-12-23 | 1999-05-11 | Hoffberg; Linda Irene | Human-factored interface corporating adaptive pattern recognition based controller apparatus |
| USRE46310E1 (en) | 1991-12-23 | 2017-02-14 | Blanding Hovenweep, Llc | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
| USRE48056E1 (en) | 1991-12-23 | 2020-06-16 | Blanding Hovenweep, Llc | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
| USRE47908E1 (en) | 1991-12-23 | 2020-03-17 | Blanding Hovenweep, Llc | Ergonomic man-machine interface incorporating adaptive pattern recognition based control system |
| US6400996B1 (en) | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
| US6850252B1 (en) | 1999-10-05 | 2005-02-01 | Steven M. Hoffberg | Intelligent electronic appliance system and method |
| US8352400B2 (en) | 1991-12-23 | 2013-01-08 | Hoffberg Steven M | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
| US5964103A (en) * | 1995-10-06 | 1999-10-12 | Hitachi, Ltd. | Absorption refrigerator and production method thereof |
| US6546119B2 (en) * | 1998-02-24 | 2003-04-08 | Redflex Traffic Systems | Automated traffic violation monitoring and reporting system |
| KR20010013501A (ko) * | 1998-04-06 | 2001-02-26 | 구자홍 | 안정적인 인식을 수행하기 위한 방법 및 장치 |
| US6317517B1 (en) * | 1998-11-30 | 2001-11-13 | Regents Of The University Of California | Statistical pattern recognition |
| US6720990B1 (en) | 1998-12-28 | 2004-04-13 | Walker Digital, Llc | Internet surveillance system and method |
| KR100671098B1 (ko) * | 1999-02-01 | 2007-01-17 | 주식회사 팬택앤큐리텔 | 모양정보를 이용한 멀티미디어 데이터의 검색 방법 및 장치 |
| US7966078B2 (en) | 1999-02-01 | 2011-06-21 | Steven Hoffberg | Network media appliance system and method |
| US6501857B1 (en) * | 1999-07-20 | 2002-12-31 | Craig Gotsman | Method and system for detecting and classifying objects in an image |
| JP3950587B2 (ja) * | 1999-08-10 | 2007-08-01 | 株式会社日立製作所 | 図面管理システム、図面更新方法及び情報蓄積媒体 |
| DE19955919C1 (de) * | 1999-11-20 | 2001-05-31 | Daimler Chrysler Ag | Verfahren zur Erkennung von Objekten in Bildern auf der Bildpixelebene |
| US6377206B1 (en) * | 2000-04-06 | 2002-04-23 | Lockheed Martin Corporation | Method for clutter rejection in digital imagery |
| US7389208B1 (en) * | 2000-06-30 | 2008-06-17 | Accord Solutions, Inc. | System and method for dynamic knowledge construction |
| US20020007399A1 (en) * | 2000-07-13 | 2002-01-17 | Koninklijke Philips Electronics N.V. | Email distribution on the edge |
| EP1353295B1 (en) * | 2000-12-12 | 2007-08-22 | Consejo Superior De Investigaciones Cientificas | Non-linear data mapping and dimensionality reduction system |
| US7405692B2 (en) * | 2001-03-16 | 2008-07-29 | Battelle Memorial Institute | Detecting concealed objects at a checkpoint |
| US6876322B2 (en) * | 2003-06-26 | 2005-04-05 | Battelle Memorial Institute | Concealed object detection |
| US7365672B2 (en) * | 2001-03-16 | 2008-04-29 | Battelle Memorial Institute | Detection of a concealed object |
| US7181017B1 (en) | 2001-03-23 | 2007-02-20 | David Felsher | System and method for secure three-party communications |
| DE60130742T2 (de) * | 2001-05-28 | 2008-07-17 | Honda Research Institute Europe Gmbh | Mustererkennung mit hierarchischen Netzen |
| US7054468B2 (en) * | 2001-12-03 | 2006-05-30 | Honda Motor Co., Ltd. | Face recognition using kernel fisherfaces |
| US7016529B2 (en) | 2002-03-15 | 2006-03-21 | Microsoft Corporation | System and method facilitating pattern recognition |
| US6763303B2 (en) * | 2002-03-25 | 2004-07-13 | Council Of Scientific And Industrial Research | System for classifying seafloor roughness |
| US7016884B2 (en) * | 2002-06-27 | 2006-03-21 | Microsoft Corporation | Probability estimate for K-nearest neighbor |
| US7194114B2 (en) * | 2002-10-07 | 2007-03-20 | Carnegie Mellon University | Object finder for two-dimensional images, and system for determining a set of sub-classifiers composing an object finder |
| US6943724B1 (en) | 2002-10-30 | 2005-09-13 | Lockheed Martin Corporation | Identification and tracking of moving objects in detected synthetic aperture imagery |
| US9818136B1 (en) | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
| US6864828B1 (en) | 2003-02-18 | 2005-03-08 | Lockheed Martin Corporation | Method and apparatus for collection and processing of interferometric synthetic aperture radar data |
| US7292723B2 (en) * | 2003-02-26 | 2007-11-06 | Walker Digital, Llc | System for image analysis in a network that is structured with multiple layers and differentially weighted neurons |
| US20040186813A1 (en) * | 2003-02-26 | 2004-09-23 | Tedesco Daniel E. | Image analysis method and apparatus in a network that is structured with multiple layers and differentially weighted neurons |
| US20050197981A1 (en) * | 2004-01-20 | 2005-09-08 | Bingham Clifton W. | Method for identifying unanticipated changes in multi-dimensional data sets |
| JP4532915B2 (ja) * | 2004-01-29 | 2010-08-25 | キヤノン株式会社 | パターン認識用学習方法、パターン認識用学習装置、画像入力装置、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
| JP2005352900A (ja) * | 2004-06-11 | 2005-12-22 | Canon Inc | 情報処理装置、情報処理方法、パターン認識装置、及びパターン認識方法 |
| US7253766B2 (en) * | 2004-09-24 | 2007-08-07 | Battelle Memorial Institute | Three-dimensional surface/contour processing based on electromagnetic radiation interrogation |
| US7287015B2 (en) * | 2004-09-30 | 2007-10-23 | International Business Machines Corporation | Methods and apparatus for transmitting signals through network elements for classification |
| WO2006042142A2 (en) * | 2004-10-07 | 2006-04-20 | Bernard Widrow | Cognitive memory and auto-associative neural network based pattern recognition and searching |
| GB2421094A (en) * | 2004-12-09 | 2006-06-14 | Sony Uk Ltd | Generating reduced feature vectors for information retrieval |
| US8874477B2 (en) | 2005-10-04 | 2014-10-28 | Steven Mark Hoffberg | Multifactorial optimization system and method |
| US20100312734A1 (en) * | 2005-10-07 | 2010-12-09 | Bernard Widrow | System and method for cognitive memory and auto-associative neural network based pattern recognition |
| EP2023288A4 (en) * | 2006-05-10 | 2010-11-10 | Nikon Corp | OBJECT RECOGNITION DEVICE, OBJECT RECOGNITION PROGRAM, AND METHOD FOR OBTAINING IMAGE RECORDING SERVICE |
| US7844081B2 (en) * | 2006-05-15 | 2010-11-30 | Battelle Memorial Institute | Imaging systems and methods for obtaining and using biometric information |
| US7853071B2 (en) * | 2006-11-16 | 2010-12-14 | Tandent Vision Science, Inc. | Method and system for learning object recognition in images |
| US9721167B2 (en) | 2008-07-21 | 2017-08-01 | Facefirst, Inc. | Biometric notification system |
| US10909400B2 (en) | 2008-07-21 | 2021-02-02 | Facefirst, Inc. | Managed notification system |
| US9405968B2 (en) | 2008-07-21 | 2016-08-02 | Facefirst, Inc | Managed notification system |
| US10929651B2 (en) | 2008-07-21 | 2021-02-23 | Facefirst, Inc. | Biometric notification system |
| US10043060B2 (en) | 2008-07-21 | 2018-08-07 | Facefirst, Inc. | Biometric notification system |
| US8855360B2 (en) * | 2008-07-23 | 2014-10-07 | Qualcomm Technologies, Inc. | System and method for face tracking |
| US8965046B2 (en) | 2012-03-16 | 2015-02-24 | Qualcomm Technologies, Inc. | Method, apparatus, and manufacture for smiling face detection |
| US9141885B2 (en) * | 2013-07-29 | 2015-09-22 | Adobe Systems Incorporated | Visual pattern recognition in an image |
| CN104680508B (zh) * | 2013-11-29 | 2018-07-03 | 华为技术有限公司 | 卷积神经网络和基于卷积神经网络的目标物体检测方法 |
| JP6582416B2 (ja) * | 2014-05-15 | 2019-10-02 | 株式会社リコー | 画像処理装置、画像処理方法及びプログラム |
| WO2015180042A1 (en) | 2014-05-27 | 2015-12-03 | Beijing Kuangshi Technology Co., Ltd. | Learning deep face representation |
| US9400918B2 (en) * | 2014-05-29 | 2016-07-26 | Beijing Kuangshi Technology Co., Ltd. | Compact face representation |
| US10417525B2 (en) * | 2014-09-22 | 2019-09-17 | Samsung Electronics Co., Ltd. | Object recognition with reduced neural network weight precision |
| CN104504395A (zh) * | 2014-12-16 | 2015-04-08 | 广州中国科学院先进技术研究所 | 基于神经网络实现人车分类的方法和系统 |
| WO2016119076A1 (en) * | 2015-01-27 | 2016-08-04 | Xiaoou Tang | A method and a system for face recognition |
| US10049322B2 (en) | 2015-05-21 | 2018-08-14 | Google Llc | Prefetching weights for use in a neural network processor |
| US9805303B2 (en) * | 2015-05-21 | 2017-10-31 | Google Inc. | Rotating data for neural network computations |
| US10192162B2 (en) | 2015-05-21 | 2019-01-29 | Google Llc | Vector computation unit in a neural network processor |
| US10083395B2 (en) | 2015-05-21 | 2018-09-25 | Google Llc | Batch processing in a neural network processor |
| US9747546B2 (en) | 2015-05-21 | 2017-08-29 | Google Inc. | Neural network processor |
| US10438117B1 (en) | 2015-05-21 | 2019-10-08 | Google Llc | Computing convolutions using a neural network processor |
| CN106293431A (zh) * | 2015-05-26 | 2017-01-04 | 富泰华工业（深圳）有限公司 | 手写输入识别方法、系统与电子装置 |
| WO2016207875A1 (en) | 2015-06-22 | 2016-12-29 | Photomyne Ltd. | System and method for detecting objects in an image |
| GB201512278D0 (en) | 2015-07-14 | 2015-08-19 | Apical Ltd | Hybrid neural network |
| US9785855B2 (en) | 2015-12-17 | 2017-10-10 | Conduent Business Services, Llc | Coarse-to-fine cascade adaptations for license plate recognition with convolutional neural networks |
| US9858496B2 (en) | 2016-01-20 | 2018-01-02 | Microsoft Technology Licensing, Llc | Object detection and classification in images |
| WO2017132636A1 (en) | 2016-01-29 | 2017-08-03 | Pointivo, Inc. | Systems and methods for extracting information about objects from scene information |
| US9740966B1 (en) | 2016-02-05 | 2017-08-22 | Internation Business Machines Corporation | Tagging similar images using neural network |
| US10810491B1 (en) | 2016-03-18 | 2020-10-20 | Amazon Technologies, Inc. | Real-time visualization of machine learning models |
| CN106203395B (zh) * | 2016-07-26 | 2020-01-14 | 厦门大学 | 基于多任务深度学习的人脸属性识别方法 |
| US11023711B2 (en) | 2016-10-10 | 2021-06-01 | University Of Maryland, College Park | All-in-one convolutional neural network for face analysis |
| CN110325929B (zh) | 2016-12-07 | 2021-05-25 | 阿瑞路资讯安全科技股份有限公司 | 用于检测有线网络变化的信号波形分析的系统和方法 |
| CN106709448A (zh) * | 2016-12-21 | 2017-05-24 | 华南理工大学 | 一种基于人脸卷积神经网络的中医体质识别方法 |
| US11334836B2 (en) * | 2017-01-04 | 2022-05-17 | MSM Holdings Pte Ltd | System and method for analyzing media for talent discovery |
| US9971933B1 (en) | 2017-01-09 | 2018-05-15 | Ulsee Inc. | Facial image screening method and face recognition system thereof |
| US11875250B1 (en) | 2017-06-19 | 2024-01-16 | Amazon Technologies, Inc. | Deep neural networks with semantically weighted loss functions |
| US10783393B2 (en) | 2017-06-20 | 2020-09-22 | Nvidia Corporation | Semi-supervised learning for landmark localization |
| US10776880B2 (en) | 2017-08-11 | 2020-09-15 | American International Group, Inc. | Systems and methods for dynamic real-time analysis from multi-modal data fusion for contextual risk identification |
| CN107832667A (zh) * | 2017-10-11 | 2018-03-23 | 哈尔滨理工大学 | 一种基于深度学习的人脸识别方法 |
| US10601960B2 (en) | 2018-02-14 | 2020-03-24 | Eingot Llc | Zero-knowledge environment based networking engine |
| CN108595429A (zh) * | 2018-04-25 | 2018-09-28 | 杭州闪捷信息科技股份有限公司 | 基于深度卷积神经网络进行文本特征提取的方法 |
| US10885099B1 (en) | 2019-08-07 | 2021-01-05 | Capital One Services, Llc | Systems and methods for presenting image classification results |
| US10664721B1 (en) | 2019-08-07 | 2020-05-26 | Capital One Services, Llc | Systems and methods for generating graphical user interfaces |
| EP3796227A1 (en) * | 2019-09-17 | 2021-03-24 | Robert Bosch GmbH | Device and computer implemented method for training an artificial neural network |
| CN113647954A (zh) * | 2021-07-07 | 2021-11-16 | 吉林大学 | 双通道混合网络模型的心血管疾病识别方法、装置及介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0520422A (ja) * | 1991-07-16 | 1993-01-29 | Canon Inc | 情報処理装置 |
| FR2681709B1 (fr) * | 1991-09-20 | 1993-11-05 | Thomson Csf | Procede de connexion interne pour reseaux de neurones. |
| JPH05143651A (ja) * | 1991-11-15 | 1993-06-11 | Mitsubishi Electric Corp | 顔画像検索装置 |
| US5450504A (en) * | 1992-05-19 | 1995-09-12 | Calia; James | Method for finding a most likely matching of a target facial image in a data base of facial images |
| JPH07141506A (ja) * | 1993-11-17 | 1995-06-02 | Canon Inc | 情報処理装置 |
| US5497430A (en) * | 1994-11-07 | 1996-03-05 | Physical Optics Corporation | Method and apparatus for image recognition using invariant feature signals |
-
1996
- 1996-03-29 US US08/625,028 patent/US6038337A/en not_active Expired - Lifetime
-
1997
- 1997-03-31 JP JP9080401A patent/JP2923913B2/ja not_active Expired - Fee Related
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003519827A (ja) * | 1999-05-18 | 2003-06-24 | シーメンス アクチエンゲゼルシヤフト | クラスタに対する、所定の入力量の帰属度をコンピュータ支援により検出する方法、相互に結合された計算要素の装置、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのコンピュータプログラム坦体、クラスタに対する、所定入力量の帰属度をコンピュータ支援により求めるためのメモリ媒体 |
| JP2005211442A (ja) * | 2004-01-30 | 2005-08-11 | Tottori Univ | 自律移動型車椅子 |
| JP2007536644A (ja) * | 2004-05-06 | 2007-12-13 | ザ・レジェンツ・オブ・ザ・ユニバーシティ・オブ・カリフォルニア | 画像を整列させ分類するための方法およびシステム |
| JP2008152619A (ja) * | 2006-12-19 | 2008-07-03 | Fuji Xerox Co Ltd | データ処理装置およびデータ処理プログラム |
| US7978905B2 (en) | 2007-06-13 | 2011-07-12 | Canon Kabushiki Kaisha | Calculation processing apparatus and control method thereof |
| US8385631B2 (en) | 2007-06-13 | 2013-02-26 | Canon Kabushiki Kaisha | Calculation processing apparatus and control method thereof |
| JP2008310700A (ja) * | 2007-06-15 | 2008-12-25 | Canon Inc | 演算処理装置及び方法 |
| US7937346B2 (en) | 2007-06-15 | 2011-05-03 | Canon Kabushiki Kaisha | Calculation processing apparatus and method |
| US8391306B2 (en) | 2007-09-26 | 2013-03-05 | Canon Kabushiki Kaisha | Calculation processing apparatus and method |
| US8832004B2 (en) | 2008-12-04 | 2014-09-09 | Canon Kabushiki Kaisha | Convolution operation circuit and object recognition apparatus |
| US8290250B2 (en) | 2008-12-26 | 2012-10-16 | Five Apes, Inc. | Method and apparatus for creating a pattern recognizer |
| US8229209B2 (en) | 2008-12-26 | 2012-07-24 | Five Apes, Inc. | Neural network based pattern recognizer |
| US8160354B2 (en) | 2008-12-26 | 2012-04-17 | Five Apes, Inc. | Multi-stage image pattern recognizer |
| WO2010075311A3 (en) * | 2008-12-26 | 2010-10-28 | Five Apes, Inc. | Multi-stage image pattern recognizer |
| JP2013069132A (ja) * | 2011-09-22 | 2013-04-18 | Fuji Xerox Co Ltd | 画像処理装置及び画像処理プログラム |
| JP2015036939A (ja) * | 2013-08-15 | 2015-02-23 | 富士ゼロックス株式会社 | 特徴抽出プログラム及び情報処理装置 |
| JP2017519291A (ja) * | 2014-05-22 | 2017-07-13 | 華為技術有限公司Ｈｕａｗｅｉ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｃｏ．，Ｌｔｄ． | 画像特性推定方法およびデバイス |
| US10115208B2 (en) | 2014-05-22 | 2018-10-30 | Huawei Technologies Co., Ltd. | Image characteristic estimation method and device |
| JP2017538999A (ja) * | 2014-12-17 | 2017-12-28 | ノキア テクノロジーズ オーユー | ニューラルネットワークによるオブジェクト検出 |
| US10275688B2 (en) | 2014-12-17 | 2019-04-30 | Nokia Technologies Oy | Object detection with neural network |
| JP2018066136A (ja) * | 2016-10-18 | 2018-04-26 | 北海道瓦斯株式会社 | 融雪制御装置、ニューラルネットワークの学習方法、融雪制御方法及び融雪制御用プログラム |
| US11989639B2 (en) | 2018-03-02 | 2024-05-21 | Nec Corporation | Inferential device, convolutional operation method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| US6038337A (en) | 2000-03-14 |
| JP2923913B2 (ja) | 1999-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2923913B2 (ja) | 物体認識方法及び装置 | |
| Khan et al. | Deep unified model for face recognition based on convolution neural network and edge computing | |
| Singh et al. | Face detection and recognition system using digital image processing | |
| Sung et al. | Example-based learning for view-based human face detection | |
| Jesorsky et al. | Robust face detection using the hausdorff distance | |
| Hemalatha et al. | A study of techniques for facial detection and expression classification | |
| US7031499B2 (en) | Object recognition system | |
| US6671391B1 (en) | Pose-adaptive face detection system and process | |
| Kotropoulos et al. | Morphological elastic graph matching applied to frontal face authentication under well-controlled and real conditions | |
| Voronov et al. | Faces 2D-recognition аnd identification using the HOG descriptors method | |
| JPH09134432A (ja) | パターン認識方法 | |
| Zhang et al. | A novel face recognition system using hybrid neural and dual eigenspaces methods | |
| Hamedani et al. | Video-based face recognition and image synthesis from rotating head frames using nonlinear manifold learning by neural networks | |
| Bashier et al. | Face detection based on graph structure and neural networks | |
| Muthukumar et al. | Vision based hand gesture recognition for Indian sign languages using local binary patterns with support vector machine classifier | |
| Su et al. | Application of associative memory in human face detection | |
| Gottumukkal et al. | Real time face detection from color video stream based on PCA method | |
| de Campos et al. | A framework for face recognition from video sequences using gwn and eigenfeature selection | |
| Kalsi et al. | A classification of emotion and gender using approximation image Gabor local binary pattern | |
| Granda et al. | Face recognition systems in math classroom through computer vision traditional techniques | |
| Praseeda Lekshmi et al. | Analysis of facial expressions from video images using PCA | |
| Tatepamulwar et al. | Technique of face recognition based on PCA with eigen-face approach | |
| Pande et al. | Parallel processing for multi face detection and recognition | |
| Kumari et al. | Dynamic Face Recognition System Using Histogram of Oriented Gradients and Deep Neural Network | |
| Seemanthini et al. | Facial recognition for automated attendance system using ADA boost algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19990331 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090507 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100507 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110507 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110507 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120507 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120507 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130507 Year of fee payment: 14 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140507 Year of fee payment: 15 |
|
| LAPS | Cancellation because of no payment of annual fees |