KR100745980B1

KR100745980B1 - 분류기 통합을 위한 스코어 합성 방법 및 장치

Info

Publication number: KR100745980B1
Application number: KR1020060003326A
Authority: KR
Inventors: 김준모; 박규태; 이종하; 기석철
Original assignee: 삼성전자주식회사
Priority date: 2006-01-11
Filing date: 2006-01-11
Publication date: 2007-08-06
Also published as: KR20070075050A; US20070160262A1

Abstract

본 발명은 분류기 통합을 위한 스코어 합성 방법 및 장치에 관한 것이다.

본 발명의 실시예에 따른 스코어 합성 방법은 복수의 분류기로부터 스코어들을 입력 받는 단계, 및 상기 입력 받은 스코어들을 우도비에 기반하여 합성하는 단계를 포함한다.

스코어, 합성, 분류기

Description

분류기 통합을 위한 스코어 합성 방법 및 장치{Score fusion method and apparatus thereof for combining multiple classifiers}

도 1은 본 발명의 일 실시예에 따른 스코어 합성 장치를 나타낸 블록도이다.

도 2는 본 발명의 일 실시예에 따른 스코어 합성 방법을 나타낸 흐름도이다.

<도면의 주요 부분에 관한 부호의 설명>

110-1 내지 110-n : 분류기 120 : 합성부

130 : 파라미터 제공부 140 : 저장부

본 발명은 스코어 합성(score fusion)에 관한 것으로서, 더욱 상세하게는 복수의 분류기(classifier)가 출력하는 스코어를 합성함으로써 복수의 분류기를 통합하여 하나의 분류기를 구현할 수 있는 스코어 합성 방법 및 장치에 관한 것이다.

정보화 사회가 발달함에 따라 사람을 식별하기 위한 신분 확인 기술이 중요해지고 있으며, 컴퓨터를 이용한 개인의 정보 보호 및 신분 확인을 위해 인체 특징을 이용하는 생체 인식 기술이 많이 연구되고 있다. 이러한 생체 인식 기술의 예로써, 얼굴 인식, 화자 인식, 지문 인식, 홍채 인식 등이 존재하며, 동일한 유형의 생채 인식 기술 중에서도 다양한 인식 알고리즘이 연구되고 있다. 예를 들어 얼굴 인식 기술로써, Pincipal Component Analysis(PCA), Linear Discriminant Analysis(LDA) 등이 개발되었으며, 이들에 기반한 개선된 얼굴 인식 알고리즘들도 제시되고 있다.

분류기(classifier)는 생체 인식을 포함하는 각종 인식 기능을 수행하는 알고리즘 혹은 장치인데, 일반적으로 인식을 위한 완벽한 특징(feature)은 존재하지 않으므로 하나의 분류기만 사용하는 경우에는 인식 성능 향상에 한계가 있다. 이에 따라서 복수의 분류기를 통합하기 위한 기술이 요구되고 있다. 여기서 복수의 분류기의 통합은 입력되는 데이터에 대하여 각 분류기가 계산한 스코어의 합성과 관련된다.

분류기 통합과 스코어 합성의 관계 및 스코어 합성을 위한 종래 기술은 ＇A. Jain, K. Nandakumar, A. Ross, ＂Score Normalization in Multimodal Biometric Systems,＂ Pattern Recognition 2005＇에 상세히 설명되어 있으며, 스코어 합성을 위한 종래 기술의 일 예로서, ＇A. Jain, A. Ross, ＂Learning User-Specific Parameters in a Multibiometric System, ＂ Proceedings of International Conference on Image Processing, 2002, pp. 57-60＇에서 제시하고 있는 가중치 합 기법(weighted sum rule)을 들 수 있다. 그러나 가중치 합 기법은 각 분류기가 계산한 스코어들에 어느 정도의 가중치를 부여할 것인지를 결정하는 것이 쉽지 않다.

본 발명은 계산량이 적으면서도 확률이론적으로 보다 최적화된 스코어 합성 방법 및 장치를 제공하는 데 그 목적이 있다.

본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 목적을 달성하기 위하여, 본 발명의 실시예에 따른 스코어 합성 방법은 복수의 분류기로부터 스코어들을 입력 받는 단계, 및 상기 입력 받은 스코어들을 우도비(likelihood ratio)에 기반하여 합성하는 단계를 포함한다.

상기 목적을 달성하기 위하여, 본 발명의 실시예에 따른 스코어 합성 장치는 복수의 분류기로부터 입력 받은 스코어들을 우도비에 기반하여 합성하는 합성부, 및 상기 스코어 합성에 필요한 파라미터를 제공하는 파라미터 제공부를 포함한다.

상기 목적을 달성하기 위하여, 본 발명의 다른 실시예에 따른 스코어 합성 방법은 복수의 분류기로부터 스코어들을 입력 받는 단계, 및 상기 분류기들에 대한 동일 오류율(equal error rate)에 기반한 가중치 합을 사용하여 상기 입력 받은 스코어들을 합성하는 단계를 포함한다.

상기 목적을 달성하기 위하여, 본 발명의 다른 실시예에 따른 스코어 합성 장치는 복수의 분류기로부터 입력 받은 스코어들을 상기 분류기들에 대한 동일 오류율에 기반한 가중치 합을 사용하여 합성하는 합성부, 및 상기 동일 오류율을 제공하는 파라미터 제공부를 포함한다.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있 다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 스코어 합성 장치를 나타낸 블록도이다. 도시된 스코어 합성 장치는 복수의 분류기(classifier; 110-1 내지 110-n), 합성부(120), 파라미터 제공부(130), 및 저장부(140)를 포함한다.

분류기(110-1 내지 110-n)는 입력되는 데이터의 특징을 분석하고, 분석 결과에 따라서 입력된 데이터를 분류한다. 보다 구체적으로 분류기(110-1 내지 110-n)는 입력되는 서로 다른 두 개의 데이터의 특징을 분석하고 분석 결과를 비교하여 스코어(score)를 계산한다. 본 발명에서 스코어는 특징들 간의 유사도를 의미한다. 입력되는 두 개의 데이터 중에서 하나는 기준 데이터이고, 다른 하나는 기준 데이터와 동일한 객체를 나타내는지의 여부를 확인받기 위한 테스트 대상 데이터이다. 이하, 기준 데이터를 갤러리(gallery)라 하고, 테스트 대상 데이터를 프루브 (probe)라 한다.

분류기(110-1 내지 110-n)가 적용되는 대표적인 실시예로써 얼굴 인식 장치나 화자 인식 장치를 들 수 있다. 예를 들어 분류기가 얼굴 인식을 목적으로 한다면, 각 분류기들(110-1 내지 110-n)은 프루브 및 갤러리로써 얼굴 영상를 입력 받고, 입력된 얼굴 영상의 특징을 분석한 후 분석된 특징 간의 스코어를 계산하게 된다. 또한 분류기가 화자 인식을 목적으로 한다면, 각 분류기들(110-1 내지 110-n)은 프루브 및 갤러리로써 음성 정보를 입력 받고, 입력된 음성 정보의 특징을 분석한 후 분석된 특징 간의 스코어를 계산하게 된다.

여기서 각 분류기들(110-1 내지 110-n)은 서로 다른 특징 분석 기법을 사용하여 입력되는 데이터로부터 특징을 분석하는 것이 바람직하다. 각 분류기들(110-1 내지 110-n)이 서로 다른 특징 분석 기법을 사용하면 각 분류기가 출력하는 스코어는 상호 보완적인 관계를 가질 수 있으며, 추후 이들이 계산한 스코어의 합성을 통하여 보다 높은 성능을 갖는 통합된 분류기를 구현할 수 있게 된다. 예를 들어 얼굴 인식 알고리즘을 사용하는 두 개의 분류기 중에서 하나는 고해상도의 얼굴 영상에 대한 특징을 분석하고 다른 하나는 저해상도의 얼굴 영상에 대한 특징을 분석한다고 가정하자. 저해상도의 얼굴 영상에서는 표정이나 흐려짐(blurring)의 변화에 강인한(robust) 결과를 얻을 수 있으며, 고해상도의 얼굴 영상에서는 미세한 특징까지 분석이 가능하므로, 이들을 통합하면 보다 정밀한 얼굴 인식 장치를 구현할 수 있게 된다.

합성부(120)는 복수의 분류기(110-1 내지 110-n)가 계산한 스코어들을 합성 하여 최종 스코어를 출력한다. 본 발명의 일 실시예로써, 합성부(120)는 우도비(likelihood ratio)에 기반하여 스코어들을 합성할 수 있으며, 이하 이에 대하여 설명하도록 한다.

복수의 분류기들(110-1 내지 110-n)이 출력하는 스코어

내지

의 집합이 입력되면, 입력된 스코어들이 동일한 객체를 나타내는 프루브-갤러리 쌍으로부터 계산된 것인지 서로 다른 객체를 나타내는 프루브-갤러리 쌍으로부터 계산된 것인지 결정하여야 한다. 이를 위하여 수학식 1과 같은 가설 검정(hypothesis testing)을 세울 수 있다.

[수학식 1]

,

수학식 1에서

는 프루브-갤러리 쌍이 서로 다른 객체를 나타낼 경우 각 분류기(110-1 내지 110-n)가 출력하는 스코어들의 분포(distribution)를 나타내고,

는 프루브-갤러리 쌍이 동일한 객체를 나타낼 경우 각 분류기(110-1 내지 110-n)가 출력하는 스코어들의 분포를 나타낸다. 만약, 밀도

와

를 안다면, 수학식 2에 나타낸 로그 우도비(log-likelihood ratio) 테스트는 Neyman-Pearson Lemma에 따라서, 주어진 잘못된 허용 비율(False Acceptance Rate; FAR)을 만족시키는 최대의 검증율(verification rate)을 이끌 수 있다. 참고로, Neyman-Pearson Lemma는 참고 문헌 ＇T. M. Cover and J. A. Thomas, Elements of Information Theory, New York: Wiley(1991), Th. 12.7.1, p. 305＇에 설명되어 있다.

[수학식 2]

수학식 2에서 밀도

와

의 실제 분포는 알지 못하지만, 학습 데이터의 프루브-갤러리 쌍들로부터 계산되는 스코어들을 사용하면 밀도

와

을 추정할 수 있다. 학습 데이터는 각 분류기(110-1 내지 110-n)들이 출력하는 스코어의 분포를 실험하기 위하여 사전에 입력된 데이터들을 의미하며, 저장부에 저장되어 있을 수 있다.

밀도

와

을 추정하기 위한 일 실시예로써, ＇Pazen density estimate＇와 같은 비모수적 밀도 추정(nonparametric density estimation) 방식을 사용할 수 있다. 참고로, ＇Pazen density estimate＇는 참고문헌 ＇E. Parzen, ＂On Estimation of a Probability Density Function and Mode,＂ Annals of Mathematical Statistics, Vol. 33, No. 3, pp. 1065-1076(1962)＇에 설명되어 있다. 또한 ＇Parzen density estimate＇을 사용한 분류 기 통합 방법은 참고문헌 ＇S.Prabhakar, A. K. Jain, ＂Decision-Level Fusion in Fingerprint Verification,＂pattern Recognition, Vol. 35, No.4, pp.861-873(2002)＇에 설명되어 있다. 그러나, 계산적인 복잡성이나 과적합(overfitting)을 고려한다면 모수적 밀도 추정(parametric density estimate) 방식을 사용하는 것이 바람직하다.

본 발명의 일 실시예로써, 독립적인 가우시안 랜덤 변수들(independent Gaussian random variables)로서 가설

에서

을 모델링 한다면, 밀도

는 수학식 3과 같이 나타낼 수 있다.

[수학식 3]

수학식 3에서 파라미터

와

는 각각 서로 다른 객체를 나타내는 프루브-갤러리 쌍들을 사용하여 i 번째 분류기(110-i)가 계산한 스코어들의 평균값과 표준편차이다. 평균값

와 표준편차

를 얻기 위하여 사용되는 프루브-갤러리 쌍들은 사전에 실험을 통하여 입력된 학습 데이터이다.

수학식 3에서

는 가우시안 밀도 함수(Gaussian density function)로써, 수학식 4와 같이 나타낼 수 있다.

[수학식 4]

이와 유사하게, 독립적인 가우시안 랜덤 변수들(independent Gaussian random variables)로서 가설

에서

을 모델링 한다면, 밀도

는 수학식 5와 같이 나타낼 수 있다.

[수학식 5]

수학식 5에서 파라미터

와

는 각각 동일한 객체를 나타내는 프루브-갤러리 쌍들을 사용하여 i 번째 분류기(110-i)가 계산한 스코어들의 평균값과 표준편차이다. 평균값

와 표준편차

수학식 5에서

는 가우시안 밀도 함수(Gaussian density function)로써, 수학식 4를 통하여 설명한 바와 같다.

이에 따라서, 합성부(120)는 수학식 6을 사용함으로써 로그 우도비(Log-Likelihood Ratio)에 기반하여 스코어를 합성할 수 있다.

[수학식 6]

수학식 6에서 S는 합성 모듈(140)이 출력하는 최종 스코어이다. 또한 c는 상수로서 인식 성능에 영향을 주지 않으므로 최종 스코어 계산에서 생략될 수 있다.

전술한 바와 같은 로그 우도비(Log-Likelihood Ratio) 기반의 스코어 합성 외에, 본 발명의 다른 실시예로써 합성부(120)는 동일 오류율(Equal Error Rate; EER)에 기반하여 스코어들을 합성할 수 있으며, 이하 이에 대하여 설명하도록 한다.

복수의 분류기들(110-1 내지 110-n)이 출력하는 스코어들이 입력되면, 합성부(120)는 가중치 합(weighted sum)을 사용하여 최종 스코어를 계산할 수 있으며 이를 수학식 7에 나타내었다.

[수학식 7]

수학식 7에서

는 분류기들(110-1 내지 110-n)이 제공하는 스코어이고,

는 각 스코어에 대한 가중치이고, n은 분류기들(110-1 내지 110-n)이 제공하는 스코어의 개수(즉, 분류기의 개수)이고, S는 합성부(120)가 출력하는 최종 스코어이다. 여기서 가중치

는 스코어 합성 장치가 적용되는 환경에 따라서 높은 효과가 기대되는 분류기가 제공하는 스코어에 보다 높은 값으로 할당될 수 있다. 즉, 가중치는 각 분류기(110-1 내지 110-n)에 대한 신뢰도의 개념으로 이해될 수 있다.

적절한 가중치를 할당하기 위하여, 본 발명에서는 동일 오류율(Equal Error Rate)에 기반한 가중치 합을 사용한다. 동일 오류율(Equal Error Rate)은 각 분류기(110-1 내지 110-n)를 개별적으로 사용하여, 입력되는 데이터에 대한 분류 작업을 수행할 경우의 잘못된 거절 비율(False Reject Rate)과 잘못된 허용 비율(False Acceptance Rate)이 일치하는 지점을 나타낸다. 각 분류기(110-1 내지 110-n)의 동일 오류율은 학습 데이터인 프루브-갤러리 쌍들에 대한 각 분류기(110-1 내지 110-n)의 성능 실험을 통해서 얻을 수 있다.

분류기의 성능이 높을수록 동일 오류율(Equal Error Rate)이 낮아지므로 동일 오류율(Equal Error Rate)의 역수가 가중치로 사용될 수 있다. 따라서, 합성부(120)는 수학식 8을 사용하여 스코어를 합성할 수 있다.

[수학식 8]

수학식 8에서

는 각 분류기(110-1 내지 110-n)의 동일 오류율(Equal Error Rate)을 나타낸다.

파라미터 제공부(130)는 합성부(120)가 스코어를 합성하는데 필요한 파라미터를 제공한다. 예를 들어 합성부(120)가 수학식 6을 통해서 설명한 로그 우도비(Log-Likelihood Ratio)에 기반하여 스코어를 합성한다면, 파라미터 제공부(130)는

,

, 및

를 제공할 수 있다. 다른 예로써, 합성부(120)가 수학식 8을 통해서 설명한 동일 오류율(Equal Error Rate)에 기반하여 스코어를 합성한다면, 파라미터 제공부(130)는

를 제공할 수 있다.

이를 위하여, 파라미터 제공부(130)는 저장부(140)에 저장된 학습 데이터의 프루브-갤러리 쌍들에 대하여 각 분류기들(110-1 내지 110-n)이 계산한 스코어들을 사용하여 파라미터를 계산할 수 있다. 바람직하게는, 합성부(120)에서 필요로 하는 파라미터들은 사전 실험을 통하여 미리 계산된 후, 저장부(140)에 저장되어 있을 수 있다. 이 경우, 파라미터 제공부(130)는 합성부(120)의 스코어 합성 작업 시, 저장부(140)에 저장된 파라미터를 합성부(120)로 제공하게 된다.

이상 도 1의 설명에서 스코어 합성 장치를 구성하는 분류기(110-1 내지 110-n) 및 각 '~부'(120 내지 140)는 일종의 모듈로 구현될 수 있다. 여기서 '모듈'은 소프트웨어 또는 Field Programmable Gate Array(FPGA) 또는 주문형 반도체(Application Specific Integrated Circuit, ASIC)과 같은 하드웨어 구성요소를 의미하며, 모듈은 어떤 역할들을 수행한다. 그렇지만 모듈은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. 모듈은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 따라서, 일 예로서 모듈은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 모듈들에서 제공되는 기능은 더 작은 수의 구성요소들 및 모듈들로 결합되거나 추가적인 구성요소들과 모듈들로 더 분리될 수 있다.

도 2는 본 발명의 일 실시예에 따른 스코어 합성 방법을 나타낸 흐름도이다. 도시된 흐름도의 각 과정들은 전술한 스코어 합성 장치의 동작 과정과 연관되므로, 본 흐름도의 설명에서 언급되지 않은 내용들은 전술한 내용을 참고로 하여 이해할 수 있을 것이다.

먼저, 프루브-갤러리 쌍이 입력되면(S210), 각 분류기들(110-1 내지 110-n)은 입력된 프루브-갤러리 쌍의 특징을 분석하고 분석된 특징 간의 스코어를 계산한다(S220).

그 후, 합성부(120)는 각 분류기들(110-1 내지 110-n)로부터 출력되는 스코 어들을 합성한다(S230). 이 때, 합성부(120)는 수학식 6을 통해서 설명한 바와 같은 로그 우도비(Log-Likelihood Ratio)에 기반하여 스코어들을 합성하거나, 수학식 8을 통해서 설명한 바와 같은 동일 오류율(Equal Error Ratio)에 기반한 가중치 합(weighted sum)을 통해서 스코어들을 합성할 수 있다. 여기서 합성부(120)의 스코어 합성에 필요한 파라미터들은 파라미터 제공부(130)로부터 제공될 수 있다.

이에 따라서 도 1을 참조하여 설명한 스코어 합성 장치는 하나의 분류기로 기능할 수 있게 된다.

이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

상기한 바와 같은 본 발명의 분류기 통합을 위한 스코어 합성 방법 및 장치에 따르면 계산량이 적으면서도 확률이론적으로 보다 최적화된 스코어 합성을 수행할 수 있는 효과가 있다.

Claims

복수의 분류기로부터 스코어들을 입력 받는 단계; 및

상기 입력 받은 스코어들을 상기 복수의 분류기를 이용하여 계산된 우도비에 기반하여 합성하는 단계를 포함하는, 스코어 합성 방법.
제 1항에 있어서,

상기 합성하는 단계는,

서로 다른 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 분포와 동일한 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 분포를 이용한 우도비에 기반하여 상기 입력받은 스코어들을 합성하는 단계를 포함하는, 스코어 합성 방법.
제 2항에 있어서,

상기 합성하는 단계는,

를 사용하여 상기 입력 받은 스코어들을 합성하는 단계를 포함하고,

상기 n은 상기 입력 받은 스코어들의 개수이고, 상기
는 상기 입력 받은 스코어들이고, 상기
는 상기 다른 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 평균이고, 상기
는 상기 다른 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 표준 편자이고, 상기
는 상기 동일한 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 평균이며, 상기
는 상기 동일한 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 표준편차인, 스코어 합성 방법.
복수의 분류기로부터 입력 받은 스코어들을 상기 복수의 분류기를 이용하여 계산된 우도비에 기반하여 합성하는 합성부; 및

상기 스코어 합성에 필요한 파라미터를 제공하는 파라미터 제공부를 포함하는, 스코어 합성 장치.
제 4항에 있어서,

상기 합성부,

서로 다른 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 분포와 동일한 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 분포를 이용한 우도비에 기반하여 상기 입력받 은 스코어들을 합성하는, 스코어 합성 장치.
제 5항에 있어서,

상기 합성부는,

를 사용하여 상기 입력 받은 스코어들을 합성하고,

상기 n은 상기 입력 받은 스코어들의 개수이고, 상기
는 상기 입력 받은 스코어들이고, 상기
는 상기 다른 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 평균이고, 상기
는 상기 다른 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 표준 편자이고, 상기
는 상기 동일한 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 평균이며, 상기
는 상기 동일한 객체를 나타내는 입력 데이터에 대하여 상기 복수의 분류기들이 제공한 스코어들의 표준편차인, 스코어 합성 장치.
복수의 분류기로부터 스코어들을 입력 받는 단계; 및

상기 분류기들에 대한 동일 오류율에 기반한 가중치 합을 사용하여 상기 입력 받은 스코어들을 합성하는 단계를 포함하는, 스코어 합성 방법.
제 7항에 있어서,

상기 합성하는 단계는,

를 사용하여 상기 입력 받은 스코어들을 합성하는 단계를 포함하고,

상기 n은 상기 입력 받은 스코어들의 개수이고, 상기
는 상기 입력 받은 스코어들이고, 상기
은 상기 동일 오류율인, 스코어 합성 방법.
복수의 분류기로부터 입력 받은 스코어들을 상기 분류기들에 대한 동일 오류율에 기반한 가중치 합을 사용하여 합성하는 합성부; 및

상기 동일 오류율을 제공하는 파라미터 제공부를 포함하는, 스코어 합성 장치.
제 9항에 있어서,

상기 합성부는,

를 사용하여 상기 입력 받은 스코어들을 합성하고,

상기 n은 상기 입력 받은 스코어들의 개수이고, 상기
는 상기 입력 받은 스코어들이고, 상기
은 상기 동일 오류율인, 스코어 합성 장치.