JPWO2012042814A1 - 分類装置及び分類方法 - Google Patents

分類装置及び分類方法 Download PDF

Info

Publication number
JPWO2012042814A1
JPWO2012042814A1 JP2012505931A JP2012505931A JPWO2012042814A1 JP WO2012042814 A1 JPWO2012042814 A1 JP WO2012042814A1 JP 2012505931 A JP2012505931 A JP 2012505931A JP 2012505931 A JP2012505931 A JP 2012505931A JP WO2012042814 A1 JPWO2012042814 A1 JP WO2012042814A1
Authority
JP
Japan
Prior art keywords
markov model
hidden markov
classification
position information
unit
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
Application number
JP2012505931A
Other languages
English (en)
Other versions
JP5784585B2 (ja
Inventor
郁 大濱
郁 大濱
阿部　敏久
敏久 阿部
博紀 有村
博紀 有村
拓也 喜田
拓也 喜田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Corp
Panasonic Holdings Corp
Original Assignee
Panasonic Corp
Matsushita Electric Industrial Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Panasonic Corp, Matsushita Electric Industrial Co Ltd filed Critical Panasonic Corp
Priority to JP2012505931A priority Critical patent/JP5784585B2/ja
Publication of JPWO2012042814A1 publication Critical patent/JPWO2012042814A1/ja
Application granted granted Critical
Publication of JP5784585B2 publication Critical patent/JP5784585B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G06V10/85—Markov-related models; Markov random fields
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

位置情報の時系列データを、位置情報に対応付けられた時刻の連続性が保障されたグループに分類することができる分類装置を提供する。本発明に係る分類装置（１００）は、複数の時刻情報と、当該複数の時刻情報のそれぞれに対応する複数の位置情報とを記憶するためのデータ記憶部（１１０）と、複数の時刻情報を用いて複数の位置情報を時刻順に並べ替える並べ替え部（１２０）と、複数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを記憶している隠れマルコフモデル記憶部（１３０）と、時刻順に並べられた複数の位置情報を隠れマルコフモデルに入力することで、パラメータを決定するマルコフモデル出力部（１４０）と、時刻順に並べられた複数の位置情報を、決定したパラメータを有する隠れマルコフモデルに入力することで、複数の位置情報のそれぞれを複数の状態のいずれかに分類する分類部（１５０）とを備える。

Description

本発明は、複数の位置情報を分類する分類装置及び分類方法に関し、特に、時刻情報に対応付けられた複数の位置情報を分類する分類装置及び分類方法に関する。
近年、ＧＰＳ（グローバルポジショニングシステム）、ＲＦＩＤ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）、画像センサ、レーザレーダ等を利用して、対象物の位置情報を取得する手段が普及しつつある。これらの手段を用いて位置情報を記録しておくことで、過去のある時間に対象物が存在した場所を特定することができる。
例えば、時刻情報に対応付けられた複数の位置情報（位置情報の時系列データ）を記録しておいて、対象物の行動履歴（ライフログ）として活用する研究なども行われている。具体的には、行動履歴を構成する複数の位置情報のうち、互いの物理的距離が近い位置情報をまとめて、ユーザにとって意味のある出来事の単位に分類する。これにより、対象物の過去の行動履歴を、より検索しやすくする研究などがある。
ところで、行動履歴に現れる対象物の移動パターンは、目的に応じて様々に変化する。例えば、対象物の行動目的が「観光」や「散策」であれば、対応する位置情報の時系列データは、ある程度狭い範囲に集まる。しかしながら、行動目的がある場所からある場所への「移動」などの場合は、位置情報の時系列データは、特定の方向へ進むようなデータとして記録される。
このような位置情報の時系列データを分類する場合において、単純に物理的距離が近い位置情報をまとめる方法では、正しく分類することができない。例えば、「移動」中の位置情報は、互いの物理的距離が大きくなるので、１つの「移動」というグループに分類されず、複数のグループに分類されてしまう（細分化されてしまう）。
これに対して、動き方の特徴が類似したグループの単位に分類するために、統計モデルを利用することができる。例えば、特許文献１に記載の技術では、位置情報の時系列データを隠れマルコフモデル（ＨＭＭ）でモデリングして、位置情報の統計的なばらつきが似た単位に識別する方法を提案している。
特開２００９−２５８５３号公報
しかしながら、上記従来の技術においては、位置情報の時系列データを、位置情報に対応付けられた時刻の連続性が保障されたグループに分類することができないという課題がある。
例えば、周遊旅行などにおいて記録された位置情報の時系列データの分類を行う場合を想定する。図１に示すように往路と復路とでほぼ同じ経路を移動した場合、あるいは、同じ街を何度も観光に訪れるような場合など、異なる機会に記録された位置情報が物理的に近接していると、互いを区別することができなくなる。
これにより、図１に示す分類のように、“地点Ｂ”、“地点Ｃ”及び“地点Ｄ”のそれぞれには、往路で記録された位置情報と復路で記録された位置情報とが分類される。このように、分類結果が、人にとって無意味なパターンとしてモデル化されてしまうという課題がある。
そこで、本発明は、上記従来の課題を解決するためになされたものであり、位置情報の時系列データを、位置情報に対応付けられた時刻の連続性が保障されたグループに分類することができる分類装置及び分類方法を提供することを目的とする。
上記目的を達成するために、本発明の一態様に係る分類装置は、互いに異なる時刻を示す複数の時刻情報と、当該複数の時刻情報のそれぞれに対応し、対応する時刻における対象物の位置を示す複数の位置情報とを記憶するためのデータ記憶部と、前記複数の時刻情報を用いて、前記複数の位置情報を時刻順に並べ替える並べ替え部と、複数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを記憶している隠れマルコフモデル記憶部と、前記並べ替え部によって時刻順に並べられた前記複数の位置情報を前記隠れマルコフモデルに入力することで、前記パラメータを決定し、決定したパラメータを有する決定済み隠れマルコフモデルを出力するマルコフモデル出力部と、前記並べ替え部によって時刻順に並べられた前記複数の位置情報を、前記決定済み隠れマルコフモデルに入力することで、前記複数の位置情報のそれぞれを時刻順で前記複数の状態のいずれかに分類する分類部とを備える。
これにより、位置情報の時系列データを、位置情報に対応付けられた時刻の連続性が保障されたグループに分類することができる。つまり、本構成によれば、隠れマルコフモデルを用いるので、位置情報のばらつき具合に基づいて複数の位置情報を分類することができる。位置情報のばらつき具合は、対象物が経験したイベント毎に異なっていることが多いので、イベント毎に正確に複数の位置情報を分類することができる可能性が高くなる。
さらに、本構成によれば、状態遷移に制限を加えたＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを用いるので、時刻順に並べ替えた複数の位置情報の時刻の連続性が保障された分類を行うことができる。すなわち、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルは、一度遷移した状態には二度と遷移しないように制限が加えられているので、時刻順に並べ替えた位置情報を当該隠れマルコフモデルに入力することで、時刻の連続性が保障された分類を行うことができる。
また、前記分類装置は、さらに、前記複数の位置情報のそれぞれに対応する複数のコンテンツを記憶するためのコンテンツ記憶部と、前記状態毎に、対応する状態に分類された位置情報に対応するコンテンツを、前記コンテンツ記憶部から読み出して出力するコンテンツ出力部とを備えてもよい。
これにより、分類結果に従って、位置情報に対応付けられたコンテンツを状態毎に出力するので、状態に対応するイベント毎にコンテンツを分類して、ユーザに提示することができる。
また、前記隠れマルコフモデル記憶部は、互いに異なる数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルを記憶しており、前記マルコフモデル出力部は、前記隠れマルコフモデル記憶部に記憶されている複数の隠れマルコフモデルのうち、Ｎ（Ｎは、２以上の整数）個の隠れマルコフモデルのそれぞれのパラメータを決定し、決定したパラメータをそれぞれ有するＮ個の決定済み隠れマルコフモデルを出力し、前記分類部は、前記Ｎ個の決定済み隠れマルコフモデルのそれぞれについて、前記複数の位置情報のそれぞれを、対応する決定済み隠れマルコフモデルが有する複数の状態のいずれかに分類し、前記分類装置は、さらに、前記分類部による分類結果の妥当性を示すスコアを決定済み隠れマルコフモデル毎に算出し、算出したスコアが所定の条件を満たす分類結果を、最適な分類結果として決定する決定部と、前記決定部によって決定された分類結果を出力する分類結果出力部とを備えてもよい。
これにより、分類結果の妥当性を示すスコアに基づいて、複数の分類結果の中から最適な分類結果を選択するので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
また、前記決定部は、前記Ｎ個の分類結果のうち最もスコアが高い分類結果を、前記最適な分類結果として決定してもよい。
これにより、スコアが最も高い分類結果を最適な分類結果として決定するので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
また、前記マルコフモデル出力部は、前記隠れマルコフモデル記憶部に記憶されている複数の隠れマルコフモデルのうち、第１隠れマルコフモデルと第２隠れマルコフモデルとのそれぞれに対応するパラメータを決定し、決定したパラメータを有する第１決定済み隠れマルコフモデルと第２決定済み隠れマルコフモデルとを出力し、前記分類部は、前記第１決定済み隠れマルコフモデルが有する複数の状態のいずれかに前記複数の位置情報のそれぞれを分類することで、第１分類結果を生成し、前記第２決定済み隠れマルコフモデルが有する複数の状態のいずれかに前記複数の位置情報のそれぞれを分類することで、第２分類結果を生成し、前記決定部は、前記第１分類結果の妥当性を示す第１スコアと、前記第２分類結果の妥当性を示す第２スコアとを算出し、前記第１スコア及び前記第２スコアのうちスコアの大きい方に対応する分類結果を、前記最適な分類結果として決定してもよい。
これにより、スコアが高い方の分類結果を最適な分類結果として決定するので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
また、前記第１隠れマルコフモデルは、最も状態数が少ない隠れマルコフモデルであり、前記第２隠れマルコフモデルは、２番目に状態数が少ない隠れマルコフモデルであり、前記決定部は、前記第１スコアが前記第２スコア以上である場合に、前記第１分類結果を前記最適な分類結果として決定し、前記第１スコアが前記第２スコアより小さい場合に、３番目に状態数が少ない第３隠れマルコフモデルのパラメータを前記マルコフモデル出力部に決定させてもよい。
これにより、状態数の少ない隠れマルコフモデルから順に処理を行うので、処理量を低減することができ、したがって、消費電力を低減することができる。
また、前記決定部は、Ｍ番目（Ｍは、２以上の整数）に状態数が少ない隠れマルコフモデルに対応するスコアが、（Ｍ−１）番目に状態数が少ない隠れマルコフモデルに対応するスコア以下となるまで、パラメータの決定を前記マルコフモデル出力部に繰り返させてもよい。
これにより、スコアが最も高い分類結果を最適な分類結果として選択することができるので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
また、前記分類装置は、さらに、隠れマルコフモデルの状態数を示すユーザからの指示を受け付ける指示受付部を備え、前記隠れマルコフモデル記憶部は、互いに異なる状態数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルを記憶しており、前記マルコフモデル出力部は、前記指示受付部によって受け付けられた指示が示す状態数の状態を有する隠れマルコフモデルのパラメータを決定してもよい。
これにより、ユーザが状態数を指定することができる。状態数は、複数の位置情報を分類するグループの個数に相当するので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
また、前記パラメータは、状態毎に、対応する確率分布を示すシンボル生起確率を含み、前記確率分布には、当該確率分布の形状に応じて、予め定められたラベルが付されており、前記分類部は、さらに、状態毎に前記ラベルを付与して、分類結果を出力してもよい。
これにより、分類された状態の特徴を示すラベルを付与して、分類結果を出力することができるので、ユーザは、分類された位置情報がどのような性質のグループに属するのかを知ることができる。
なお、本発明は、分類装置として実現できるだけではなく、当該分類装置を構成する処理部をステップとする方法として実現することもできる。また、これらステップをコンピュータに実行させるプログラムとして実現してもよい。さらに、当該プログラムを記録したコンピュータ読み取り可能なＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの記録媒体、並びに、当該プログラムを示す情報、データ又は信号として実現してもよい。そして、それらプログラム、情報、データ及び信号は、インターネットなどの通信ネットワークを介して配信してもよい。
また、上記の各分類装置を構成する構成要素の一部又は全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されていてもよい。システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含んで構成されるコンピュータシステムである。
本発明によれば、位置情報の時系列データを、位置情報に対応付けられた時刻の連続性が保障されたグループに分類することができる。
図１は、従来の分類結果を示す図である。 図２は、本発明の実施の形態１に係る分類装置の構成の一例を示すブロック図である。 図３は、本発明の実施の形態１に係る時刻情報と位置情報との一例を示す図である。 図４は、本発明の実施の形態１に係る分類装置の動作の一例を示すフローチャートである。 図５は、本発明の実施の形態１に係るＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルの一例を示す模式図である。 図６は、本発明の実施の形態１の変形例に係る分類装置の構成の一例を示すブロック図である。 図７は、本発明の実施の形態１の変形例に係る分類装置の動作の一例を示すフローチャートである。 図８は、本発明の実施の形態１の変形例に係る分類結果の一例を示す図である。 図９は、本発明の実施の形態２に係る分類装置の構成の一例を示すブロック図である。 図１０は、本発明の実施の形態２に係る分類装置の動作の一例を示すフローチャートである。 図１１は、本発明の実施の形態２に係る分類装置の動作の別の一例を示すフローチャートである。 図１２は、本発明の実施の形態の変形例に係る分類装置の構成の一例を示すブロック図である。 図１３は、本発明の実施の形態の変形例に係る分類装置の動作の一例を示すフローチャートである。 図１４は、本発明の実施の形態の変形例に係る確率分布とラベルとの対応関係の一例を示す図である。
以下、本発明の実施の形態における分類装置及び分類方法について、図面を参照しながら説明する。
（実施の形態１）
まず、本発明の実施の形態１に係る分類装置の概要について説明する。本発明の実施の形態１に係る分類装置は、複数の位置情報を時刻順に並べ替え、時刻順に並べ替えた位置情報を、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルに入力することで、当該隠れマルコフモデルのパラメータを決定する。そして、決定したパラメータを有する隠れマルコフモデルに、時刻順に並べ替えた位置情報を入力することで、複数の位置情報を複数の状態のいずれかに分類することを特徴とする。
これにより、本発明の実施の形態１に係る分類装置によれば、複数の位置情報を、位置情報に対応付けられた時刻の連続性が保障されたグループに分類することができる。
なお、本発明の実施の形態において、「時刻の連続性が保障されている」とは、位置情報の時系列データをグルーピングした結果、全てのグループにおいて「グループに属する位置情報のうち、対応付けられた時刻が最も早い位置情報をＡ、対応付けられた時刻が最も遅い位置情報をＢとしたとき、対応付けられた時刻がＡより未来、かつ、Ｂより過去である位置情報は全て、Ａ及びＢと同じグループに属する」という条件が成り立つことを意味する。
また、本発明の実施の形態において、「位置情報の統計的なばらつきが似ている」とは、撮影位置の時系列データを所定の状態数の隠れマルコフモデルでモデリングした結果、異なる２つの位置情報が同一の状態に所属する確率が相対的に大きいことを意味する。
以下では、まず、本発明の実施の形態１に係る分類装置の構成について説明する。
図２は、本発明の実施の形態１に係る分類装置１００の構成の一例を示すブロック図である。図２に示すように、本発明の実施の形態１における分類装置１００は、データ記憶部１１０と、並べ替え部１２０と、隠れマルコフモデル記憶部１３０と、マルコフモデル出力部１４０と、分類部１５０とを備える。
データ記憶部１１０は、互いに異なる複数の時刻を示す複数の時刻情報と、当該複数の時刻情報のそれぞれに対応し、対応する時刻における対象物の位置を示す複数の位置情報とを記憶するための記憶部である。なお、データ記憶部１１０は、分類装置１００に着脱可能であってもよい。例えば、データ記憶部１１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの磁気ディスク装置又はメモリカードなどである。
具体的には、データ記憶部１１０は、位置情報の時系列データを記憶している。ここで、位置情報の時系列データは、複数の時刻情報のそれぞれに対応付けられた複数の位置情報を示すデータである。図３は、本発明の実施の形態１に係る位置情報の時系列データの一例を示す図である。
位置情報の時系列データは、複数の時刻情報と複数の位置情報とを含んでいる。複数の時刻情報はそれぞれ、互いに異なる時刻を示しており、図３に示す例では、『年／月／日／時／分／秒』を示している。複数の位置情報はそれぞれ、複数の時刻情報のそれぞれに対応付けられ、対象物の位置を示しており、図３に示す例では、『緯度／経度／高度』を示している。
なお、図３に示す例において、位置情報の時系列データは、複数のコンテンツのそれぞれが取得された時刻及び位置を示す複数のコンテンツ情報である。複数のコンテンツは、例えば、カメラにより取得された静止画及び動画像データである。各コンテンツ情報は、コンテンツが撮影された時刻（年／月／日／時／分／秒）である時刻情報と、コンテンツが撮影された場所（緯度／経度／高度）である位置情報と、対応するコンテンツを特定するためのコンテンツＩＤとを含んでいる。
なお、図３に示す例は、本発明に係る位置情報の時系列データの形式を限定するものでない。例えば、位置情報の時系列データにはコンテンツＩＤのみを記録しておき、時刻情報及び位置情報は、コンテンツのヘッダ部を必要に応じて参照するようにしてもよい。このように、コンテンツのヘッダ部に位置情報を記録することが可能な規格としては、例えば、Ｅｘｉｆ（ＥＸｃｈａｎｇｅａｂｌｅ Ｉｍａｇｅ Ｆｉｌｅ）があり、コンテンツ情報としては、例えば、Ｅｘｉｆに準拠したＪＰＥＧファイル又はＭＰＥＧファイルなどを用いることができる。
また、位置情報の時系列データは、コンテンツＩＤを含んでいなくてもよく、複数の時刻情報と複数の位置情報とを含んでいればよい。例えば、位置情報の時系列データは、ＧＰＳなどによって取得される、対象物の移動履歴を示すデータであればよい。対象物は、時刻の経過に伴って移動又は静止を行う物体であり、例えば、人、家畜、その他動物、乗り物など各種移動体である。
また、本発明に係る位置情報の時系列データにおいて、時刻情報は、図３に示すように直接的に時刻を示さずに、任意の異なる位置情報の組について、位置情報が記録された時間的な前後関係が特定できる情報でもよい。
並べ替え部１２０は、複数の時刻情報を用いて、複数の位置情報を時刻順に並べ替える。具体的には、並べ替え部１２０は、データ記憶部１１０に記憶されている位置情報の時系列データに含まれる複数の位置情報を、時刻情報が示す時刻順に並べ替える。
隠れマルコフモデル記憶部１３０は、複数の状態を有し、未知のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを記憶しているメモリである。なお、隠れマルコフモデル記憶部１３０は、分類装置１００に着脱可能であってもよい。隠れマルコフモデルは、確率モデルの１つであり、複数の状態を有し、パラメータによって、確率的な状態遷移と確率的なシンボルの出力とを規定する確率モデルである。Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルは、状態遷移に制限を加えた隠れマルコフモデルの一例である。具体的には、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルは、状態Ａから状態Ｂに遷移した後には、二度と状態Ａに戻らないように規定された隠れマルコフモデルである。
マルコフモデル出力部１４０は、並べ替え部１２０によって時刻順に並べられた複数の位置情報を隠れマルコフモデルに入力することで、パラメータを決定し、決定したパラメータを有する決定済み隠れマルコフモデルを出力する。言い換えると、マルコフモデル出力部１４０は、並べ替え部１２０によって時刻順に並べ替えられた位置情報の時系列データと、隠れマルコフモデル記憶部１３０に記憶された、パラメータが未知であり、複数の状態を持つＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルとを用いて、未知のパラメータを決定し、パラメータが特定されたＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを出力する。例えば、マルコフモデル出力部１４０は、バウムウェルチ（ＢａｕｍＷｅｌｃｈ）アルゴリズムを用いて、パラメータを決定する。
分類部１５０は、並べ替え部１２０によって時刻順に並べ替えられた複数の位置情報を、決定済み隠れマルコフモデルに入力することで、複数の位置情報のそれぞれを時刻順で複数の状態のいずれかに分類する。言い換えると、分類部１５０は、並べ替え部１２０により時刻順に並べ替えられた位置情報の時系列データと、隠れマルコフモデル出力部１４０によりパラメータが特定されたＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルとを用いて、分類情報を生成する。例えば、分類部１５０は、ビタビ（Ｖｉｔｅｒｂｉ）アルゴリズムを用いて、複数の位置情報を分類する。なお、分類情報は、分類結果を示す情報であり、複数の位置情報を複数の状態のいずれかに分類した結果を示す情報である。
なお、マルコフモデル出力部１４０及び分類部１５０は、入力される時刻順に並べ替えられた複数の位置情報に対し、順序が隣り合う位置情報間の時刻の差が一定になるようにデータを補間する前処理を行ってもよい。あるいは、分類装置１００は、データの補間を行う前処理部を備えていてもよい。
例えば、なんらかの理由により位置情報の取得に失敗したために、対象物の移動履歴のうち、記録できなかった部分が含まれるような時系列データを入力した場合、データの記録に失敗した区間が分類結果に影響を与える可能性がある。そこで、マルコフモデル出力部１４０及び分類部１５０は、線形補間などの手段を用いて、位置情報の記録が行われていない時刻における対象物の位置を予測し、位置情報の時系列データを、時刻の間隔が一定であるようなデータに変換する。そして、マルコフモデル出力部１４０及び分類部１５０は、変換した後のデータを、隠れマルコフモデル又は決定済み隠れマルコフモデルに入力する。
なお、隠れマルコフモデルの例、パラメータの決定方法及び分類方法の具体例については、後で説明する。
以上のように、本発明の実施の形態１に係る分類装置１００は、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを用いて、複数の位置情報を分類する。つまり、本発明の実施の形態１に係る分類装置１００は、複数の位置情報を時刻順に並べ替え、時刻順に並べ替えた複数の位置情報を、状態遷移に制限を加えた隠れマルコフモデルに入力することで、パラメータを決定する。そして、分類装置１００は、決定したパラメータ有する隠れマルコフモデルに、時刻順に並べ替えた複数の位置情報を入力することで、複数の位置情報を複数の状態のいずれかに分類する。
この構成により、隠れマルコフモデルの状態遷移に制限を加えていることで、時刻順に並べ替えた複数の位置情報の時刻の連続性が保障された分類を行うことができる。
次に、本発明の実施の形態１に係る分類装置１００の動作の一例について説明する。
図４は、本発明の実施の形態１に係る分類装置１００の動作の一例を示すフローチャートである。
まず、並べ替え部１２０は、互いに対応付けられた位置情報と時刻情報とを、すなわち、位置情報の時系列データを取得する（Ｓ１１０）。なお、位置情報の時系列データは、データ記憶部１１０に記憶されている。そして、並べ替え部１２０は、複数の位置情報を時刻順に並べ替える（Ｓ１２０）。
次に、マルコフモデル出力部１４０は、隠れマルコフモデル記憶部１３０に記憶されている、所定の数（２以上）の状態を有し、未知のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを取得する（Ｓ１３０）。具体的には、マルコフモデル出力部１４０は、初期化された隠れマルコフモデルのパラメータ、すなわち、隠れマルコフモデルのパラメータの初期値を取得する。
ここで、隠れマルコフモデルのパラメータは、隠れマルコフモデルのモデルを定めるためのパラメータであり、状態遷移確率行列Ａと、それぞれの状態が従う確率分布の母数θとを含んでいる。また、パラメータは、状態毎に、対応する確率分布を示すシンボル生起確率を含んでいてもよい。
状態遷移確率行列Ａは、状態の数をＫとすると、Ｋ行Ｋ列の行列であり、各状態における状態遷移は、同じ状態に留まるか、又は、今までに遷移したことがない状態へ遷移するかに限定されるように初期化される。（式１）に初期化された状態遷移確率行列Ａの一例を示す。
ここで、状態遷移確率行列のｉ行ｊ列の要素ａi,jは、状態ｉから状態ｊに遷移する確率を表す。（式１）において、ａn,nは、０＜ａn,n＜１、ｎ＝１，２，３，…，Ｋ−１を満たす。例えば、ａn,n＝０．５（ｎ＝１，２，３，…，Ｋ−１）とすることができる。すなわち、状態遷移確率行列Ａの初期値として、同じ状態に留まる確率（ａn,n）と、次の状態に遷移する確率（１−ａn,n）とが共に等しく、０．５とすることができる。
なお、（式１）に示す状態遷移確率行列は、一例であり、本発明はこれに限定されるものではない。（式１）では、状態ｉからは、状態ｉ及び状態ｉ＋１のいずれかに遷移することができる例について示したが、状態ｉから状態ｉ＋２などの他の状態に遷移することができてもよい。ただし、このとき、既に遷移した状態には遷移できないように、初期値が設定される。また、ａn,nの初期値も０．５には限られず、ａ11は０．３、ａ22は０．６などのように、互いに異なっていてもよい。
また、状態遷移確率行列は、最初の状態（例えば、状態１）からは、残りのＫ−１個の状態に遷移することができ、次の状態（例えば、状態２）からは、状態１を除く、Ｋ−２個の状態に遷移することができるように、初期値が設定されていてもよい。
それぞれの状態が従う確率分布の母数θは、状態の数をＫ、各状態が従う確率分布の自由度をＬとすると、Ｋ個のＬ次元のベクトルθ1、θ2、θ3、…、θKであり、各ベクトルは、対応する状態が従う確率分布の母数の初期値を示す値で初期化される。なお、本発明の実施の形態においては、各状態が従う確率分布が二変量正規分布である場合を例に説明するが、他の確率分布を用いることができるのは言うまでもない。例えば、自己回帰モデルなどを用いてもよい。
（式２）に、本発明の実施の形態１に係るそれぞれの状態が従う確率分布の母数の一例を示す。
ここで、μkは、状態ｋが従う確率分布の期待値であり、Σkは、状態ｋが従う確率分布の分散共分散行列である。
なお、確率分布の母数θの初期値は、色々な選び方があるが、例えば、階層的クラスタリング又はＫ−ｍｅａｎｓなどのクラスタリング手法を用いて得られたＫ個のクラスタの期待値及び分散共分散行列を初期値とすることができる。つまり、分類対象となる実データ、すなわち、データ記憶部１１０に記憶されている複数の位置情報を、所定のクラスタリング手法を用いて分類した場合の各状態の期待値及び分散共分散行列を初期値とすることができる。あるいは、確率分布の母数θの初期値は、予め定められた固定値でもよい。
図５は、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルの一例を示す模式図である。図５は、状態数が３の隠れマルコフモデルを示している。なお、状態数は、複数の位置情報が分類されるグループの個数に相当する。
図５に示すように、例えば、状態１から状態２に遷移した後は、状態１に遷移することはない。このように、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルは、同じ状態に留まるか、過去に遷移したことのない状態に遷移するかのいずれかのみを許容するようなモデルである。
次に、マルコフモデル出力部１４０は、隠れマルコフモデルのパラメータを特定する（Ｓ１４０）。具体的には、マルコフモデル出力部１４０は、初期化された隠れマルコフモデルのパラメータと、並べ替えられた位置情報の時系列データとを入力として、隠れマルコフモデルのパラメータを特定する。例えば、マルコフモデル出力部１４０は、期待値最大化（ＥＭ）アルゴリズムの一例であり、一般的にＢａｕｍ−Ｗｅｌｃｈアルゴリズムと呼ばれるアルゴリズムを用いて、隠れマルコフモデルのパラメータを決定する。
ここで、本発明の実施の形態１に係るパラメータ決定の手順の一例を説明する。なお、アルゴリズムの説明のために、隠れマルコフモデルへの入力データ、すなわち、並び替えられた位置情報を（式３）に定義する。
ｘlは、並び替えられた位置情報の時系列データに含まれるｌ番目の位置情報を示す。具体的には、ｘlは、ｌ番目の緯度及び経度を示す２次元ベクトルである。
まず、マルコフモデル出力部１４０は、位置情報の時系列データのｉ番目までの部分系列ｘ1〜ｘiが取りうる全ての状態の同時確率のうち、ｉ番目のデータの状態πiがｋとなる確率の和ｆk（ｉ）を求める（（式４）参照）。この手続きは、ｆｏｒｗａｒｄアルゴリズムとして知られている。
次に、マルコフモデル出力部１４０は、位置情報の時系列データのｉ番目の位置情報が状態ｋにいたときに、ｉ＋１番目からＬまでの部分系列ｘi+1〜ｘLを出力する確率ｂk（ｉ）を求める（（式５）参照）。この手続きは、ｂａｃｋｗａｒｄアルゴリズムとして知られている。
次に、マルコフモデル出力部１４０は、ｆk（ｉ）とｂk（ｉ）とを用いて、位置情報の時系列データにおいて、ｉ番目のデータの状態πiがｋである確率Ｅk（ｉ）を（式６）により算出する。
ここで、Ｐ（ｘ）は、位置情報の時系列データとして、（式３）に示すｘが出力される確率（シンボル生起確率）であり、（式７）により算出される。
ただし、（式７）における、ｅl（ｘi）は、状態ｌの確率分布がデータｘiを出力する確率であり、本発明の実施の形態１においては、（式８）により算出される。
ただし、（式８）は、隠れマルコフモデルの各状態が従う確率分布を二変量正規分布とした場合における計算式であり、利用する確率分布に応じて変更が可能であることは言うまでもない。
なお、（式７）におけるａk,0及びａ0,lについて、“０”は開始及び終了を意味する特殊状態を表している。すなわち、ａk,0は、状態ｋから特殊状態に遷移する確率、ａ0,lは、特殊状態から状態ｌに遷移する確率を意味する。
本発明の実施の形態１では、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを使用するので、最初の状態は“１”であり、最後の状態は“Ｋ”であると決まっている。したがって、ｋ＝Ｋの場合、ａk,0＝１であり、ｋ≠Ｋの場合、ａk,0＝０である。また、ｌ＝１のとき、ａ0,l＝１であり、ｌ≠１の場合、ａ0,l＝０である。
次に、マルコフモデル出力部１４０は、隠れマルコフモデルのパラメータを更新する。具体的には、ここまでに求めたｆk（ｉ）、ｂk（ｉ）、Ｐ（ｘ）を用いて、状態遷移確率行列Ａ、及び、それぞれの状態が従う確率分布の母数θを（式９）により更新する。
なお、（式９）において、Ａk,lは、以下の（式１０）で算出される。
（式９）に示すａk,l’、μk’、Σk’はそれぞれ、更新後の状態遷移確率、期待値、分散共分散行列を示す。なお、（式９）において、ａk,l’の分母は、遷移先の状態が取りうる可能性全ての和を取ることを示している。マルコフモデル出力部１４０は、上述したようなパラメータの更新を、それぞれのパラメータの値が所定の値に収束するまで繰り返す。このとき、パラメータの値そのものではなく、パラメータの尤度が所定の値に収束するまで繰り返してもよい。そして、マルコフモデル出力部１４０は、収束した値をそれぞれのパラメータの値として有する隠れマルコフモデルを、決定済み隠れマルコフモデルとして分類部１５０に出力する。
なお、マルコフモデル出力部１４０は、更新前のパラメータの値と更新後のパラメータの値との差が予め定められた範囲内であれば、更新前のパラメータ又は更新後のパラメータを、収束した値として決定してもよい。あるいは、マルコフモデル出力部１４０は、予め定められた回数だけ、上記の更新処理を繰り返してもよい。この場合、マルコフモデル出力部１４０は、最後の更新により得られたパラメータを有する隠れマルコフモデルを出力する。
図４に戻ると、最後に、分類部１５０は、複数の位置情報を、隠れマルコフモデルが有する複数の状態のいずれかに分類する（Ｓ１５０）。具体的には、分類部１５０は、時刻順に並べられた複数の位置情報を時刻順に隠れマルコフモデルに入力することで、複数の位置情報を複数の状態のいずれかに分類する。例えば、分類部１５０は、Ｖｉｔｅｒｂｉアルゴリズムを用いて、複数の位置情報を複数の状態のいずれかに分類する。
以上のように、本発明の実施の形態１に係る分類装置１００は、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを用いて、複数の位置情報を分類する。つまり、本発明の実施の形態１に係る分類装置１００は、複数の位置情報を時刻順に並べ替え、時刻順に並べ替えた複数の位置情報を、状態遷移に制限を加えた隠れマルコフモデルに入力することで、パラメータを決定する。そして、分類装置１００は、決定したパラメータ有する隠れマルコフモデルに、時刻順に並べ替えた複数の位置情報を入力することで、複数の位置情報を複数の状態のいずれかに分類する。
このように、本発明の実施の形態１に係る分類装置１００は、隠れマルコフモデルを用いるので、位置情報のばらつき具合に基づいて複数の位置情報を分類することができる。位置情報のばらつき具合は、対象物が経験したイベント（観光、移動など）毎に異なっていることが多いので、イベント毎に正確に複数の位置情報を分類することができる可能性が高くなる。
さらに、隠れマルコフモデルの状態遷移に制限を加えていることで、時刻順に並べ替えた複数の位置情報の時刻の連続性が保障された分類を行うことができる。つまり、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルは、一度遷移した状態には二度と遷移しないように制限が加えられているので、時刻順に並べ替えた位置情報を当該隠れマルコフモデルに入力することで、時刻の連続性が保障された分類を行うことができる。
以上のように、本発明の実施の形態１に係る分類装置１００は、時刻順に並べ替えた複数の位置情報を、Ｌｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルに基づいて分類する。これにより、対象物が経験した順で、対象物が経験したイベント毎に、複数の位置情報を分類することができる。
なお、本発明の実施の形態１では、複数の位置情報を分類したが、複数の位置情報の分類結果に基づいて、複数の位置情報に対応付けられたコンテンツを分類してもよい。
図６は、本発明の実施の形態１の変形例に係る分類装置２００の構成の一例を示すブロック図である。図６に示す分類装置２００は、図２に示す分類装置１００と比較して、新たに、コンテンツ記憶部２６０と、コンテンツ出力部２７０とを備える。
コンテンツ記憶部２６０は、複数の位置情報のそれぞれに対応する複数のコンテンツを記憶するための記憶部である。なお、コンテンツ記憶部２６０は、分類装置２００に着脱可能であってもよい。例えば、コンテンツ記憶部２６０は、ＨＤＤなどの磁気ディスク装置又はメモリカードなどである。
コンテンツ出力部２７０は、状態毎に、対応する状態に分類された位置情報に対応するコンテンツを、コンテンツ記憶部２６０から読み出して出力する。コンテンツ出力部２７０は、例えば、ディスプレイを有し、位置情報の分類結果とともに、対応するコンテンツをディスプレイに表示する。あるいは、コンテンツ出力部２７０は、外部の表示装置に、分類結果とコンテンツとを出力してもよい。
図７は、本発明の実施の形態１の変形例に係る分類装置２００の動作の一例を示すフローチャートである。なお、分類部１５０が、決定済み隠れマルコフモデルに基づいて、複数の位置情報を分類する処理（Ｓ１５０）までは、図４に示す動作と同様である。
コンテンツ出力部２７０は、分類結果に基づいて、状態毎に、分類された位置情報に対応するコンテンツを出力する（Ｓ２６０）。例えば、図８に示すように、コンテンツの一例である写真が５つの状態（“地点Ａ付近”、“移動（往路）”、“地点Ｂ付近”、“移動（復路）”、“地点Ｃ付近”）に分類されて表示される。図１と比較すると明らかなように、コンテンツの時刻の連続性が保障されているので、すなわち、往路のコンテンツと復路のコンテンツとが同一の状態に分類されることはない。
以上のように、本発明の実施の形態１の変形例に係る分類装置２００では、図８に示すように、表示されるコンテンツは、撮影時刻の連続性を保障しつつ、位置情報の統計的なばらつきが似ている単位毎にグルーピングして表示される。そのため、ユーザは、周遊旅行等で撮影されたコンテンツを、重要なイベント毎にグルーピングされた態様で視聴することが可能である。
グルーピングされたコンテンツは、撮影時刻の連続性が保障されているので、各グループのコンテンツは、時間的にも近接した間隔で撮影されたもので構成されている。よって、位置情報の統計的なばらつきが似ているコンテンツ同士であっても、撮影した時期が大きく異なるコンテンツは別のグループに分類して表示される。このため、ユーザはより過去の出来事を想起しやすい形でコンテンツを視聴することができる。
（実施の形態２）
本発明の実施の形態２に係る分類装置は、互いに状態数の異なるＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルのそれぞれについて、複数の位置情報を分類し、最適な分類結果を決定することを特徴とする。
これにより、複数の分類結果の中から最適な分類結果を選択するので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
以下では、まず、本発明の実施の形態２に係る分類装置の構成の一例について説明する。
図９は、本発明の実施の形態２に係る分類装置３００の構成の一例を示すブロック図である。図９に示す分類装置３００は、図２に示す分類装置１００と比較して、隠れマルコフモデル記憶部１３０と、マルコフモデル出力部１４０と、分類部１５０との代わりに、隠れマルコフモデル記憶部３３０と、マルコフモデル出力部３４０と、分類部３５０とを備える点と、新たに、決定部３８０と、分類結果出力部３９０とを備える点とが異なっている。以下では、実施の形態１に係る分類装置１００と異なる点を中心に説明し、同じ点は説明を省略する。
隠れマルコフモデル記憶部３３０は、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルを記憶しているメモリである。複数の隠れマルコフモデルは、互いに異なる数の状態を有している。すなわち、複数の隠れマルコフモデルは、互いに状態数が異なっている。なお、隠れマルコフモデル記憶部３３０は、分類装置３００に着脱可能であってもよい。
マルコフモデル出力部３４０は、隠れマルコフモデル記憶部３３０に記憶されている複数の隠れマルコフモデルのうち、Ｎ（Ｎは、２以上の整数）個の隠れマルコフモデルのそれぞれのパラメータを決定する。そして、マルコフモデル出力部３４０は、決定したパラメータをそれぞれ有するＮ個の決定済み隠れマルコフモデルを出力する。例えば、マルコフモデル出力部３４０は、隠れマルコフモデル記憶部３３０に記憶されている全ての隠れマルコフモデルのパラメータを決定する。
分類部３５０は、Ｎ個の決定済み隠れマルコフモデルのそれぞれについて、複数の位置情報のそれぞれを、対応する決定済み隠れマルコフモデルが有する複数の状態のいずれかに分類する。これにより、分類部３５０は、隠れマルコフモデル毎に１つの分類結果、すなわち、全部でＮ個の分類結果を生成する。
決定部３８０は、分類部３５０による分類結果の妥当性を示すスコアを決定済み隠れマルコフモデル毎に算出し、算出したスコアが所定の条件を満たす分類結果を、最適な分類結果として決定する。例えば、決定部３８０は、Ｎ個の分類結果のうち最もスコアが高い分類結果を、最適な分類結果として決定する。スコアの具体例については、後で説明する。
分類結果出力部３９０は、決定部３８０によって決定された分類結果を出力する。
以上のように、本発明の実施の形態２に係る分類装置３００は、互いに状態数の異なるＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルのそれぞれについて、複数の位置情報を分類し、最適な分類結果を決定する。これにより、複数の分類結果の中から最適な分類結果を選択するので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
次に、本発明の実施の形態２に係る分類装置３００の動作について説明する。
図１０は、本発明の実施の形態２に係る分類装置３００の動作の一例を示すフローチャートである。
まず、並べ替え部１２０は、互いに対応付けられた位置情報と時刻情報とをデータ記憶部１１０から取得する（Ｓ１１０）。そして、並べ替え部１２０は、複数の位置情報を時刻順に並べ替える（Ｓ１２０）。
次に、マルコフモデル出力部３４０は、隠れマルコフモデル記憶部３３０に記憶されている、複数のＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを取得する（Ｓ３３０）。具体的には、マルコフモデル出力部３４０は、Ｎ個（例えば、全て）の隠れマルコフモデルを取得する。
なお、複数のＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルは、実施の形態１で説明したものと同様である。複数の隠れマルコフモデルは、互いに状態数が異なっているので、パラメータの初期値もそれぞれ異なっている。
次に、マルコフモデル出力部３４０は、複数の隠れマルコフモデルのうち、分類結果が未定の１つの隠れマルコフモデルを選択する（Ｓ３３５）。そして、マルコフモデル出力部３４０は、選択した隠れマルコフモデルのパラメータを決定する（Ｓ３４０）。具体的なパラメータの決定方法は、実施の形態１で説明した方法と同様であるので、ここでは、説明を省略する。
次に、分類部３５０は、決定したパラメータを有する決定済み隠れマルコフモデルが有する複数の状態のいずれかに、複数の位置情報のそれぞれを分類する（Ｓ３５０）。これにより、マルコフモデル出力部３４０によって選択された隠れマルコフモデルに対応する分類結果が得られる。
決定部３８０は、マルコフモデル出力部３４０が取得した全ての隠れマルコフモデルに対して、分類結果が得られたか否かを判定する（Ｓ３７０）。全ての分類結果が得られていない場合（Ｓ３７０でＮｏ）、決定部３８０は、マルコフモデル出力部３４０に、次の隠れマルコフモデルを選択させ、選択させた隠れマルコフモデルのパラメータを算出させる（Ｓ３３５に戻る）。
全ての分類結果が得られている場合（Ｓ３７０でＹｅｓ）、決定部３８０は、それぞれの分類結果に対してスコアを算出し、最もスコアが高い分類結果を出力する（Ｓ３８０）。
以下では、スコアの具体例、及び、その算出方法の一例について説明する。
スコアは、分類結果の妥当性を示す値であり、例えば、分類結果の尤もらしさと隠れマルコフモデルのパラメータの量とに基づいて算出される値である。すなわち、スコアは、分類結果が尤もらしい程、大きく、パラメータの量（例えば、状態数）が多い程、小さくなる。
具体的には、決定部３８０は、所定の情報量規準に基づいて、分類結果毎にスコアを算出する。情報量規準は、ベイズ情報量規準（ＢＩＣ）、又は、赤池情報量規準（ＡＩＣ）などがある。例えば、決定部３８０は、ベイズ情報量規準に基づいて、「スコア＝対数尤度−パラメータ数依存項」によって、スコアを算出する。より具体的には、決定部３８０は、以下の（式１１）によってスコアを算出する。
なお、（式１１）において、ｌ（・）は、尤度であり、ｐは、隠れマルコフモデルの母数の総数であり、Ｌはデータｘの数である。尤度ｌ（・）は、以下の（式１２）に基づいて算出される。
（式１２）において、Ｐ（ｘ）は、（式７）により算出される。なお、尤度は、隠れマルコフモデルのパラメータにより変動するため、（式１３）のようにして算出することもできる。
（式１３）において、θは、その時点での隠れマルコフモデルのパラメータを意味する。具体的には、θは、状態遷移確率行列Ａとｋ個の確率分布のパラメータθkを意味する。
以上のように、本発明の実施の形態２に係る分類装置３００によれば、互いに状態数の異なるＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルのそれぞれについて、複数の位置情報を分類し、最適な分類結果を決定する。具体的には、分類結果毎にスコアを算出し、算出したスコアが最も高い分類結果を最適な分類結果として決定する。これにより、複数の分類結果の中から最適な分類結果を選択するので、ユーザが望む分類結果を得る可能性をさらに高めることができる。
なお、マルコフモデル出力部３４０が、２つの隠れマルコフモデルに対して、パラメータの算出及び位置情報の分類を行う場合は、２つの分類結果のうちスコアが高い方の分類結果を最適な分類結果として決定してもよい。具体的には、マルコフモデル出力部３４０は、まず、隠れマルコフモデル記憶部３３０に記憶されている複数の隠れマルコフモデルのうち、第１隠れマルコフモデルと第２隠れマルコフモデルとのそれぞれに対応するパラメータを決定する。そして、マルコフモデル出力部３４０は、決定したパラメータを有する第１決定済み隠れマルコフモデルと第２決定済み隠れマルコフモデルとを出力する。
分類部３５０は、第１決定済み隠れマルコフモデルと複数の位置情報とを用いて第１分類結果を生成し、第２決定済み隠れマルコフモデルと複数の位置情報とを用いて第２分類結果を生成する。そして、決定部３８０は、第１分類結果の妥当性を示す第１スコアと第２分類結果の妥当性を示す第２スコアとを算出し、第１スコア及び第２スコアのうちスコアの大きい方に対応する分類結果を、最適な分類結果として決定する。
また、本発明の実施の形態２では、複数の隠れマルコフモデルのそれぞれについて、パラメータの算出及び位置情報の分類を行って、スコアが最も高い分類結果を選択したが、状態数の少ない隠れマルコフモデルから順に、パラメータの算出及び位置情報の分類を行ってもよい。
図１１は、本発明の実施の形態２の変形例に係る分類装置３００の動作の一例を示すフローチャートである。
まず、並べ替え部１２０は、互いに対応付けられた位置情報と時刻情報とをデータ記憶部１１０から取得する（Ｓ１１０）。そして、並べ替え部１２０は、複数の位置情報を時刻順に並べ替える（Ｓ１２０）。
次に、マルコフモデル出力部３４０は、隠れマルコフモデル記憶部３３０に記憶されている複数の隠れマルコフモデルのうち、最も状態数が少ない第１隠れマルコフモデルを取得する（Ｓ４３０）。次に、マルコフモデル出力部３４０は、取得した第１隠れマルコフモデルのパラメータを決定する（Ｓ１４０）。そして、マルコフモデル出力部３４０は、決定したパラメータを有する第１決定済み隠れマルコフモデルを出力する。
次に、分類部３５０は、第１決定済み隠れマルコフモデルが有する複数の状態のいずれかに複数の位置情報のそれぞれを分類することで、第１分類結果を生成する（Ｓ１５０）。
そして、決定部３８０は、第１分類結果の妥当性を示す第１スコアを算出する。第１スコアの算出方法は、上述したスコアの算出方法と同様である。ここで、決定部３８０は、スコアの比較を行う（Ｓ４７０）が、まだ他のスコアが得られていないので（Ｓ４７０でＹｅｓ）、決定部３８０は、マルコフモデル出力部３４０に次の隠れマルコフモデルのパラメータを決定させる。
具体的には、マルコフモデル出力部３４０は、分類結果が得られていない複数の隠れマルコフモデルのうち、状態数が最も小さい隠れマルコフモデルを隠れマルコフモデル記憶部３３０から取得する（Ｓ４７５）。ここでは、マルコフモデル出力部３４０は、隠れマルコフモデル記憶部３３０に記憶されている隠れマルコフモデルのうち、２番目に状態数が少ない第２隠れマルコフモデルを取得する。
次に、マルコフモデル出力部３４０は、取得した第２隠れマルコフモデルのパラメータを決定する（Ｓ１４０）。そして、マルコフモデル出力部３４０は、決定したパラメータを有する第２決定済み隠れマルコフモデルを出力する。
次に、分類部３５０は、第２決定済み隠れマルコフモデルが有する複数の状態のいずれかに複数の位置情報のそれぞれを分類することで、第２分類結果を生成する（Ｓ１５０）。
そして、決定部３８０は、第２分類結果の妥当性を示す第２スコアを算出する。第２スコアの算出方法は、上述したスコアの算出方法と同様である。次に、決定部３８０は、第１スコアと第２スコアとを比較する（Ｓ４７０）。
第１スコアが第２スコア以上である場合（Ｓ４７０でＮｏ）、決定部３８０は、第１分類結果を最適な分類結果として決定する。そして、分類結果出力部３９０は、第１分類結果を出力する（Ｓ４８０）。
第１スコアが第２スコアより小さい場合、すなわち、スコアが大きくなった場合（Ｓ４７０でＹｅｓ）、決定部３８０は、３番目に状態数が少ない隠れマルコフモデルのパラメータを、マルコフモデル出力部３４０に決定させる。これにより、マルコフモデル出力部３４０は、３番目に状態数が小さい第３隠れマルコフモデルを隠れマルコフモデル記憶部３３０から取得する（Ｓ４７５）。
以降、同様にして、決定部３８０は、Ｍ（Ｍは、２以上の整数）番目に状態数が少ない隠れマルコフモデルに対応するスコア（第Ｍスコア）が、（Ｍ−１）番目に状態数が少ない隠れマルコフモデルに対応するスコア（第Ｍ−１スコア）以下となるまで、パラメータの算出をマルコフモデル出力部３４０に繰り返させる。すなわち、決定部３８０は、第Ｍスコアと第Ｍ−１スコアとを比較し、第Ｍスコアが第Ｍ−１スコア以下となった場合に、（Ｍ−１）番目に状態数が少ない隠れマルコフモデルに対応する分類結果を、最適な分類結果として決定する。
以上のように、本発明の実施の形態２の変形例に係る分類装置３００によれば、状態数の少ない隠れマルコフモデルから順に、パラメータの算出、及び、位置情報の分類を行う。
一般的に、状態数が多い程、尤度は大きな値となり、所定の値に収束する。これに対して、状態数が多くなる程、パラメータ数は多くなる。スコアは、尤度−パラメータ数で表されるので、スコアは、状態数が大きくなるにつれて、大きくなり、所定の極大値を経た後、小さくなる。したがって、状態数が小さい隠れマルコフモデルから順に処理することで、全ての隠れマルコフモデルの処理を行う場合に比べて少ない処理量で、最も高いスコアの分類結果を得ることができる。
以上のことから、本発明の実施の形態２の変形例に係る分類装置３００によれば、処理量を低減しつつ、最適な分類結果を得ることができる。
以上、本発明に係る分類装置及び分類方法について、実施の形態に基づいて説明したが、本発明は、これらの実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を当該実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明の範囲内に含まれる。
例えば、ユーザからの指示に基づいて、隠れマルコフモデルの状態数を選択してもよい。図１２は、本発明の実施の形態の変形例に係る分類装置４００の構成の一例を示すブロック図である。なお、図１２において、実施の形態１及び２と同様の構成については、同じ参照符号を付し、以下では説明を省略する。
図１２に示す分類装置４００は、図２に示す分類装置１００と比較して、隠れマルコフモデル記憶部１３０及びマルコフモデル出力部１４０の代わりに、隠れマルコフモデル記憶部３３０及びマルコフモデル出力部４４０を備える点と、新たに、指示受付部４０５を備える点とが異なっている。
指示受付部４０５は、例えば、ユーザインタフェースであり、隠れマルコフモデルの状態数を示すユーザからの指示を受け付ける。なお、隠れマルコフモデルの状態数は、複数の位置情報を分類するグループの数に相当する。指示受付部４０５は、ユーザが複数の位置情報をいくつのグループに分類したいかを入力させるようなグラフィカルユーザインタフェース（ＧＵＩ）をディスプレイなどに表示させ、ユーザからの指示を受け付ける。
マルコフモデル出力部４４０は、指示受付部４０５によって受け付けられた指示が示す状態数の状態を有する隠れマルコフモデルのパラメータを決定する。具体的には、マルコフモデル出力部４４０は、まず、指示受付部４０５によって受け付けられた指示が示す状態数の隠れマルコフモデルを、隠れマルコフモデル記憶部３３０から取得する。そして、取得した隠れマルコフモデルに対して、時刻順に並べた複数の位置情報を入力することで、パラメータを算出する。
以上の構成により、ユーザが状態数を指定することができるので、ユーザが望む分類結果を得ることができる可能性をさらに高めることができる。
また、隠れマルコフモデルが有する複数の状態のそれぞれが従う確率分布には、確率分布の形状に応じて、予め定められたラベルが付されていてもよい。そして、分類部は、状態毎にラベルを付与して分類結果を出力してもよい。
図１３は、本発明の実施の形態の別の変形例に係る分類装置の動作の一例を示すフローチャートである。なお、分類結果を得るまでの処理（Ｓ１１０〜Ｓ１５０）は、図４に示す処理と同様であるので、以下では説明を省略する。
分類部１５０は、分類結果を得た後、隠れマルコフモデルが有する複数の状態のそれぞれに対応する確率分布の形状に応じたラベルを選択し、分類された各状態に付与して出力する（Ｓ５６０）。例えば、分類部１５０は、確率分布の形状と、当該確率分布の形状に応じて予め定められたラベルとを対応付けたテーブルを予め保持しておく。
図１４は、本発明の実施の形態の別の変形例に係る確率分布とラベルとの対応関係の一例を示す図である。なお、確率分布の形状は、例えば、期待値μと分散σ2との少なくとも１つによって定められる。
図１４に示す例では、分散σ2が小さい場合には、ラベル“滞在中”が対応付けられ、分散σ2が大きい場合には、ラベル“移動中”が対応付けられている。つまり、ラベルには、複数の位置情報のばらつきの特徴、具体的には、対象物の行動の特徴を示すような表現が用いられる。
このように、確率分布の形状に応じて定められたラベルを、分類部１５０は、分類結果とともに出力する。ラベルを付与することで、ユーザは、分類された位置情報がどのような性質のグループに属するのかを知ることができる。したがって、例えば、位置情報に対応するコンテンツが分類された場合、ユーザは、所望のコンテンツを短時間で探すことが可能となり、操作性が高まることから、ひいては、分類装置の消費電力の削減などにも効果を奏する。
また、上記の実施の形態２では、複数の分類結果から最適な分類結果を選択したが、複数の分類結果をユーザに提示し、ユーザに最適な分類結果を選択させてもよい。
なお、上記の各実施の形態に係る分類装置は、典型的には半導体集積回路であるＬＳＩとして実現される。例えば、集積回路として実現される分類装置は、図１に示す並べ替え部１２０と、マルコフモデル出力部１４０と、分類部１５０とを備え、各記憶部は備えていなくてもよい。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。ここではＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。
また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）や、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
さらには、半導体技術の進歩又は派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適応などが可能性として有り得る。
さらに、上記の各実施の形態に係る分類装置を集積化した半導体チップと、画像を描画するためのディスプレイとを組み合わせて、様々な用途に応じた描画機器を構成することができる。携帯電話やテレビ、デジタルビデオレコーダ、デジタルビデオカメラ、カーナビゲーション等における情報描画手段として、本発明を利用することが可能である。ディスプレイとしては、ブラウン管（ＣＲＴ）の他、液晶やプラズマディスプレイパネル（ＰＤＰ）、有機ＥＬなどのフラットディスプレイ、プロジェクターを代表とする投射型ディスプレイなどと組み合わせることが可能である。
本発明に係る分類装置は、例えば、携帯電話や携帯音楽プレーヤー、デジタルカメラ、デジタルビデオカメラ等の電池駆動の携帯表示端末や、テレビ、デジタルビデオレコーダ、カーナビゲーション等の高解像度の情報表示機器におけるメニュー表示やＷｅｂブラウザ、エディタ、ＥＰＧ、地図表示等における情報表示手段として利用価値が高い。
１００、２００、３００、４００ 分類装置
１１０ データ記憶部
１２０ 並べ替え部
１３０、３３０ 隠れマルコフモデル記憶部
１４０、３４０、４４０ マルコフモデル出力部
１５０、３５０ 分類部
２６０ コンテンツ記憶部
２７０ コンテンツ出力部
３８０ 決定部
３９０ 分類結果出力部
４０５ 指示受付部

Claims (12)

  1. 互いに異なる時刻を示す複数の時刻情報と、当該複数の時刻情報のそれぞれに対応し、対応する時刻における対象物の位置を示す複数の位置情報とを記憶するためのデータ記憶部と、
    前記複数の時刻情報を用いて、前記複数の位置情報を時刻順に並べ替える並べ替え部と、
    複数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを記憶している隠れマルコフモデル記憶部と、
    前記並べ替え部によって時刻順に並べられた前記複数の位置情報を前記隠れマルコフモデルに入力することで、前記パラメータを決定し、決定したパラメータを有する決定済み隠れマルコフモデルを出力するマルコフモデル出力部と、
    前記並べ替え部によって時刻順に並べられた前記複数の位置情報を、前記決定済み隠れマルコフモデルに入力することで、前記複数の位置情報のそれぞれを時刻順で前記複数の状態のいずれかに分類する分類部とを備える
    分類装置。
  2. 前記分類装置は、さらに、
    前記複数の位置情報のそれぞれに対応する複数のコンテンツを記憶するためのコンテンツ記憶部と、
    前記状態毎に、対応する状態に分類された位置情報に対応するコンテンツを、前記コンテンツ記憶部から読み出して出力するコンテンツ出力部とを備える
    請求項１記載の分類装置。
  3. 前記隠れマルコフモデル記憶部は、互いに異なる数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルを記憶しており、
    前記マルコフモデル出力部は、前記隠れマルコフモデル記憶部に記憶されている複数の隠れマルコフモデルのうち、Ｎ（Ｎは、２以上の整数）個の隠れマルコフモデルのそれぞれのパラメータを決定し、決定したパラメータをそれぞれ有するＮ個の決定済み隠れマルコフモデルを出力し、
    前記分類部は、前記Ｎ個の決定済み隠れマルコフモデルのそれぞれについて、前記複数の位置情報のそれぞれを、対応する決定済み隠れマルコフモデルが有する複数の状態のいずれかに分類し、
    前記分類装置は、さらに、
    前記分類部による分類結果の妥当性を示すスコアを決定済み隠れマルコフモデル毎に算出し、算出したスコアが所定の条件を満たす分類結果を、最適な分類結果として決定する決定部と、
    前記決定部によって決定された分類結果を出力する分類結果出力部とを備える
    請求項１又は２記載の分類装置。
  4. 前記決定部は、前記Ｎ個の分類結果のうち最もスコアが高い分類結果を、前記最適な分類結果として決定する
    請求項３記載の分類装置。
  5. 前記マルコフモデル出力部は、前記隠れマルコフモデル記憶部に記憶されている複数の隠れマルコフモデルのうち、第１隠れマルコフモデルと第２隠れマルコフモデルとのそれぞれに対応するパラメータを決定し、決定したパラメータを有する第１決定済み隠れマルコフモデルと第２決定済み隠れマルコフモデルとを出力し、
    前記分類部は、前記第１決定済み隠れマルコフモデルが有する複数の状態のいずれかに前記複数の位置情報のそれぞれを分類することで、第１分類結果を生成し、前記第２決定済み隠れマルコフモデルが有する複数の状態のいずれかに前記複数の位置情報のそれぞれを分類することで、第２分類結果を生成し、
    前記決定部は、前記第１分類結果の妥当性を示す第１スコアと、前記第２分類結果の妥当性を示す第２スコアとを算出し、前記第１スコア及び前記第２スコアのうちスコアの大きい方に対応する分類結果を、前記最適な分類結果として決定する
    請求項３記載の分類装置。
  6. 前記第１隠れマルコフモデルは、最も状態数が少ない隠れマルコフモデルであり、
    前記第２隠れマルコフモデルは、２番目に状態数が少ない隠れマルコフモデルであり、
    前記決定部は、前記第１スコアが前記第２スコア以上である場合に、前記第１分類結果を前記最適な分類結果として決定し、前記第１スコアが前記第２スコアより小さい場合に、３番目に状態数が少ない第３隠れマルコフモデルのパラメータを前記マルコフモデル出力部に決定させる
    請求項５記載の分類装置。
  7. 前記決定部は、Ｍ番目（Ｍは、２以上の整数）に状態数が少ない隠れマルコフモデルに対応するスコアが、（Ｍ−１）番目に状態数が少ない隠れマルコフモデルに対応するスコア以下となるまで、パラメータの決定を前記マルコフモデル出力部に繰り返させる
    請求項６記載の分類装置。
  8. 前記分類装置は、さらに、隠れマルコフモデルの状態数を示すユーザからの指示を受け付ける指示受付部を備え、
    前記隠れマルコフモデル記憶部は、互いに異なる状態数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の複数の隠れマルコフモデルを記憶しており、
    前記マルコフモデル出力部は、前記指示受付部によって受け付けられた指示が示す状態数の状態を有する隠れマルコフモデルのパラメータを決定する
    請求項１又は２記載の分類装置。
  9. 前記パラメータは、状態毎に、対応する確率分布を示すシンボル生起確率を含み、
    前記確率分布には、当該確率分布の形状に応じて、予め定められたラベルが付されており、
    前記分類部は、さらに、状態毎に前記ラベルを付与して、分類結果を出力する
    請求項１〜８のいずれか１項に記載の分類装置。
  10. データ記憶部から、互いに異なる時刻を示す複数の時刻情報と、当該複数の時刻情報のそれぞれに対応し、対応する時刻における対象物の位置を示す複数の位置情報とを取得するデータ取得ステップと、
    前記複数の時刻情報を用いて、前記複数の位置情報を時刻順に並べ替える並べ替えステップと、
    隠れマルコフモデル記憶部から、複数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルを取得する隠れマルコフモデル取得ステップと、
    前記並べ替えステップにおいて時刻順に並べられた前記複数の位置情報を前記隠れマルコフモデルに入力することで、前記パラメータを決定し、決定したパラメータを有する決定済み隠れマルコフモデルを出力するマルコフモデル出力ステップと、
    前記並べ替えステップにおいて時刻順に並べられた前記複数の位置情報を、前記決定済み隠れマルコフモデルに入力することで、前記複数の位置情報のそれぞれを時刻順で前記複数の状態のいずれかに分類する分類ステップとを含む
    分類方法。
  11. 請求項１０記載の分類方法をコンピュータに実行させるためのプログラム。
  12. 互いに異なる時刻を示す複数の時刻情報のそれぞれに対応付けられた、対象物の位置を示す複数の位置情報を分類する集積回路であって、
    前記複数の時刻情報を用いて、前記複数の位置情報を時刻順に並べ替える並べ替え部と、
    前記並べ替え部によって時刻順に並べられた前記複数の位置情報を、複数の状態を有し、未定のパラメータを有するＬｅｆｔ−ｔｏ−Ｒｉｇｈｔ型の隠れマルコフモデルに入力することで、前記パラメータを決定し、決定したパラメータを有する決定済み隠れマルコフモデルを出力するマルコフモデル出力部と、
    前記並べ替え部によって時刻順に並べられた前記複数の位置情報を、前記決定済み隠れマルコフモデルに入力することで、前記複数の位置情報のそれぞれを時刻順で前記複数の状態のいずれかに分類する分類部とを備える
    集積回路。
JP2012505931A 2010-10-01 2011-09-26 分類装置及び分類方法 Active JP5784585B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012505931A JP5784585B2 (ja) 2010-10-01 2011-09-26 分類装置及び分類方法

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP2010224275 2010-10-01
JP2010224275 2010-10-01
JP2010265781 2010-11-29
JP2010265781 2010-11-29
JP2012505931A JP5784585B2 (ja) 2010-10-01 2011-09-26 分類装置及び分類方法
PCT/JP2011/005376 WO2012042814A1 (ja) 2010-10-01 2011-09-26 分類装置及び分類方法

Publications (2)

Publication Number Publication Date
JPWO2012042814A1 true JPWO2012042814A1 (ja) 2014-02-03
JP5784585B2 JP5784585B2 (ja) 2015-09-24

Family

ID=45892306

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012505931A Active JP5784585B2 (ja) 2010-10-01 2011-09-26 分類装置及び分類方法

Country Status (4)

Country Link
US (1) US8793204B2 (ja)
JP (1) JP5784585B2 (ja)
CN (1) CN102549578B (ja)
WO (1) WO2012042814A1 (ja)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9244152B1 (en) * 2012-06-01 2016-01-26 Amazon Technologies, Inc. Determining device locations using movement, signal strength
US9230005B2 (en) 2012-12-30 2016-01-05 International Business Machines Corporation Spatiotemporal encounters detection in historical movement datasets
JP6090925B2 (ja) * 2013-05-28 2017-03-08 Kddi株式会社 辞書生成装置
CN103412955B (zh) * 2013-09-01 2021-08-17 湖南人文科技学院 一种rfid数据压缩方法
JP6336807B2 (ja) * 2014-04-09 2018-06-06 株式会社Ｎｔｔドコモ 情報処理装置およびグルーピング方法
CN104715040A (zh) * 2015-03-23 2015-06-17 浪潮集团有限公司 一种数据分类的方法及装置
JP6374842B2 (ja) * 2015-08-04 2018-08-15 日本電信電話株式会社 滞在確率密度推定装置、方法、及びプログラム
US9743243B1 (en) * 2016-03-16 2017-08-22 International Business Machines Corporation Location context inference based on user mobile data with uncertainty
US11481690B2 (en) 2016-09-16 2022-10-25 Foursquare Labs, Inc. Venue detection
CN109886233B (zh) * 2019-02-28 2023-05-09 苏州工业职业技术学院 一种基于隐马尔可夫模型的水产养殖状态监测方法及装置
CN110288273B (zh) * 2019-04-19 2024-03-22 平安科技（深圳）有限公司 一种信息提示方法、装置、电子设备及存储介质
CN110737268B (zh) * 2019-10-14 2022-07-15 哈尔滨工程大学 一种基于Viterbi算法的确定指令的方法
US11469968B2 (en) * 2020-04-07 2022-10-11 Arbor Networks, Inc. Automated classification of network devices to protection groups
US12066297B2 (en) * 2022-01-14 2024-08-20 Ford Global Technologies, Llc Systems and methods for personalized route prediction

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7292678B2 (en) * 2000-08-31 2007-11-06 Lamson Holdings Llc Voice activated, voice responsive product locator system, including product location method utilizing product bar code and aisle-situated, aisle-identifying bar code
FI113409B (fi) * 2002-05-31 2004-04-15 Ekahau Oy Sekvenssiperusteinen paikannustekniikka
JP2004362066A (ja) * 2003-06-02 2004-12-24 Fujitsu Ltd 行動データ分析方法および行動データ分析プログラム
JP4457660B2 (ja) * 2003-12-12 2010-04-28 パナソニック株式会社 画像分類装置、画像分類システム、画像分類に関するプログラム、およびそのプログラムを記録したコンピュータ読み取り可能な記録媒体
JP2007226555A (ja) * 2006-02-23 2007-09-06 Matsushita Electric Ind Co Ltd 無意識に撮影された画像の閲覧装置及び方法
JP2007249922A (ja) * 2006-03-20 2007-09-27 Sanyo Electric Co Ltd 非日常行動検知システム
JP2008027364A (ja) * 2006-07-25 2008-02-07 Fr Telecom 行動情報の多次元管理システム及び行動情報の多次元管理方法
JP2009025853A (ja) 2007-07-17 2009-02-05 Mitsubishi Electric Corp パターン認識装置

Also Published As

Publication number Publication date
US20120209799A1 (en) 2012-08-16
JP5784585B2 (ja) 2015-09-24
US8793204B2 (en) 2014-07-29
WO2012042814A1 (ja) 2012-04-05
CN102549578B (zh) 2016-03-09
CN102549578A (zh) 2012-07-04

Similar Documents

Publication Publication Date Title
JP5784585B2 (ja) 分類装置及び分類方法
CN108229488B (zh) 用于检测物体关键点的方法、装置及电子设备
US20200226751A1 (en) Surgical workflow and activity detection based on surgical videos
US10019657B2 (en) Joint depth estimation and semantic segmentation from a single image
US9349066B2 (en) Object tracking and processing
US8687851B2 (en) Generic object-based image recognition apparatus with exclusive classifier, and method for the same
US9111388B2 (en) Information processing apparatus, control method, and recording medium
CN113628244B (zh) 基于无标注视频训练的目标跟踪方法、系统、终端及介质
US11620819B2 (en) Method for scheduling of shooting satellite images based on deep learning
JP2011034402A (ja) データ処理装置、データ処理方法、およびプログラム
CN108564102A (zh) 图像聚类结果评价方法和装置
JP2009282686A (ja) 分類モデル学習装置および分類モデル学習方法
US20200056900A1 (en) Surveillance route management for a device
Williams et al. Concurrent filtering and smoothing: A parallel architecture for real-time navigation and full smoothing
US20240312252A1 (en) Action recognition method and apparatus
US11948312B2 (en) Object detection/tracking device, method, and program recording medium
JP2019197323A (ja) 予測システムおよび予測方法
JP2008225907A (ja) 言語解析モデル学習装置、言語解析モデル学習方法、言語解析モデル学習プログラムならびにその記録媒体
JP2012234466A (ja) 状態追跡装置、方法、及びプログラム
Bhandari et al. Minimal configuration point cloud odometry and mapping
JP2015158799A (ja) 時空間クラスタリング処理装置、方法及びプログラム
US20220398358A1 (en) Information processing device, information processing method, and computer program product
CN113469064B (zh) 复杂环境下的玉米叶病害图像的识别方法及系统
CN115456932A (zh) 深度学习设备和包括深度学习设备的系统
US20200058158A1 (en) System and method for object location detection from imagery

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140507

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150609

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150617

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: 20150714

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150722

R151 Written notification of patent or utility model registration

Ref document number: 5784585

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151