KR101662904B1 - 검색 방법, 기억 매체 및 검색 장치 - Google Patents

검색 방법, 기억 매체 및 검색 장치 Download PDF

Info

Publication number
KR101662904B1
KR101662904B1 KR1020140167484A KR20140167484A KR101662904B1 KR 101662904 B1 KR101662904 B1 KR 101662904B1 KR 1020140167484 A KR1020140167484 A KR 1020140167484A KR 20140167484 A KR20140167484 A KR 20140167484A KR 101662904 B1 KR101662904 B1 KR 101662904B1
Authority
KR
South Korea
Prior art keywords
feature
vector
sphere
parameter
projected
Prior art date
Application number
KR1020140167484A
Other languages
English (en)
Other versions
KR20150072332A (ko
Inventor
유이 노마
마키코 고노시마
Original Assignee
후지쯔 가부시끼가이샤
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 후지쯔 가부시끼가이샤 filed Critical 후지쯔 가부시끼가이샤
Publication of KR20150072332A publication Critical patent/KR20150072332A/ko
Application granted granted Critical
Publication of KR101662904B1 publication Critical patent/KR101662904B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/178—Techniques for file synchronisation in file systems
    • G06F16/1794—Details of file format conversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
    • H04L9/3231—Biological data, e.g. fingerprint, voice or retina
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

초구(超球)를 이용하여 간단하게 유사 검색을 실행하는 것.
본 실시예에 따른 검색 장치(100)는, m차원의 특징량 공간과, m차원보다 상위의 차원의 공간에 존재하는 초구를 통과하는 직선의 교점(x0) 및 초구의 북극으로부터 특징량 공간까지의 거리(d)를 포함하는 파라미터를 기초로 하여 특징량 벡터를 상기 초구 상에 사영하는 경우에, 초구 상에 사영되는 특징량 벡터의 위치가, 초구의 미리 정해진 반구에 집약되는 파라미터를 검색하는 처리를 실행한다.

Description

검색 방법, 기억 매체 및 검색 장치{SEARCH METHOD, SEARCH PROGRAM, AND SEARCH DEVICE}
본 발명은 검색 방법 등에 관한 것이다.
예컨대, 각종 시스템에서 이용자를 인증하는 경우에는, 이용자의 생체 정보를 취득하고, 취득한 생체 정보와 일치하는 생체 정보가 미리 등록된 데이터 베이스에 존재하는지의 여부를 판정하는 처리를 행한다. 여기서, 인증 시에 취득하는 생체 정보는, 등록 시에 취득한 생체 정보와 완전히 일치하는 경우는 적기 때문에, 유사 검색이 유효하다.
유사 검색을 행하는 경우의 유사 정도의 표현으로서, 생체 정보의 특징량을 해시 벡터로 변환하는 기술이 있으며, 해시 벡터의 허밍 거리가 가까운 각 생체 정보를, 유사한 생체 정보로서 특정한다.
종래 기술에서는, 초평면(超平面)을 이용하여 특징량을 해시 벡터로 변환하는 처리를 행하고 있지만, 초구(超球)를 이용하여 특징량을 해시 벡터로 변환하는 처리도 존재하며, 초구를 이용한 쪽이 정밀도의 향상이 예상된다.
특허문헌 1: 일본 특허 공개 제2011-100395호 공보 특허문헌 2: 일본 특허 공개 제2012-160047호 공보 특허문헌 3: 일본 특허 공개 제2011-39755호 공보
비특허문헌 1: Jae-Pil Heo, Youngwoon Lee, Junfeng He, Shih-Fu Chang, and Sung-Eui Yoon. "Spherical hashing", In CVPR, pp. 2957-2964, 2012. 비특허문헌 2: Kengo Terasawa and Yuzuru Tanaka. "Spherical lsh for approximate nearest neighbor search on unit hyper-sphere", In Frank K. H. A. Dehne, Jorg-Rudiger Sack, and Norbert Zeh, editors, WADS, Vol. 4619 of Lecture Notes in Computer Sciene, pp. 27-38. Springer, 2007.
그러나, 전술한 종래 기술에서는, 초구를 이용하여 해시 벡터를 산출하면, 계산량이 커진다고 하는 문제가 있다.
또한, 초구를 이용하여 특징량 벡터를 해시 벡터로 변환하면, 웜 홀의 영향에 의해, 크게 상이한 특징량 벡터끼리라도, 해시 벡터 변환 후의 허밍 거리가 작아지는 경우가 있다. 이 때문에, 상이한 특징량 벡터끼리를, 유사한 특징량 벡터로서 오판정하는 경우가 있다.
하나의 측면에서는, 초구를 이용하여 간단하게 유사 검색을 실행할 수 있는 검색 방법, 기억 매체 및 검색 장치를 제공하는 것을 목적으로 한다.
제1안에서는, 컴퓨터가 하기의 처리를 실행한다. 컴퓨터는, 데이터 베이스에 기억된 제1 차원의 특징량 벡터를 취득한다. 컴퓨터는, 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 반구에 집약되는 파라미터를 검색한다. 단, 파라미터는, 특징량 공간과, 특징량 공간의 차원보다 1차원 이상 큰 공간에 존재하는 구를 통과하는 직선의 교점 및 구의 미리 정해진 점으로부터 특징량 공간까지의 거리를 포함하는 정보이다.
본 발명의 1실시양태에 따르면, 초구를 이용하여 간단하게 유사 검색을 실행할 수 있다고 하는 효과를 나타낸다.
도 1은 본 실시예 1에 따른 검색 장치의 구성을 나타내는 기능 블록도이다.
도 2a는 특징량 기억부의 데이터 구조의 일례를 나타내는 도면이다.
도 2b는 비트열 기억부의 데이터 구조의 일례를 나타내는 도면이다.
도 3은 특징량 공간(V)과 초구(S)의 관계를 나타내는 도면(1)이다.
도 4는 특징량 공간(V)과 초구(S)의 관계를 나타내는 도면(2)이다.
도 5는 본 실시예 1에 따른 검색 장치의 처리 순서를 나타내는 흐름도이다.
도 6은 본 실시예 1에 따른 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다.
도 7은 무한 원점의 쇼트 커트를 설명하기 위한 도면이다.
도 8은 특징량 벡터가 초구의 동반구에 역입체 사영되는 파라미터의 일례를 나타내는 도면이다.
도 9는 특징량 벡터가 초구의 서반구에 역입체 사영되는 파라미터의 일례를 나타내는 도면이다.
도 10은 본 실시예 2에 따른 검색 장치의 구성을 나타내는 기능 블록도이다.
도 11은 근사 직선의 일례를 나타내는 도면이다.
도 12는 본 실시예 2에 따른 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다.
도 13은 본 실시예 3에 따른 검색 장치의 구성을 나타내는 기능 블록도이다.
도 14는 언덕 오르기 탐색을 이용한 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다.
도 15는 마르코프 연쇄 몬테카를로법을 이용한 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다.
도 16은 군지능을 이용한 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다.
도 17은 목적 함수의 처리 순서의 일례를 나타내는 흐름도이다.
도 18은 검색 프로그램을 실행하는 컴퓨터의 일례를 나타내는 도면이다.
이하에, 본원이 개시하는 검색 방법, 기억 매체 및 검색 장치의 실시예를 도면에 기초하여 상세하게 설명한다. 또한, 이 실시예에 의해 본 발명이 한정되는 것이 아니다.
[실시예 1]
본 실시예 1에 따른 검색 장치의 구성의 일례에 대해서 설명한다. 도 1은 본 실시예 1에 따른 검색 장치의 구성을 나타내는 기능 블록도이다. 도 1에 나타내는 바와 같이, 이 검색 장치(100)는, 특징량 기억부(101), 쿼리 기억부(102), 비트열 기억부(103), 역입체 사영부(104a, 104b), 비트열 생성부(105a, 105b)를 갖는다. 또한, 검색 장치(100)는, 초평면 배치부(106), 변환 규칙 생성부(107), 파라미터 설정부(108), 허밍 거리 계산부(109), 유사 벡터 특정부(110)를 갖는다.
특징량 기억부(101)는, 복수의 특징량 벡터를 기억하는 기억부이다. 도 2a는 특징량 기억부의 데이터 구조의 일례를 나타내는 도면이다. 도 2a에 나타내는 바와 같이, 이 특징량 기억부(101)는, 식별 정보와, 특징량 벡터를 대응지어 기억한다. 식별 정보는, 특징량 벡터를 일의로 식별하는 정보이다. 특징량 벡터는, 예컨대, 사용자의 생체 정보로부터 얻어지는 m차원의 특징량의 데이터이다. 생체 정보로부터 특징량 벡터를 구하는 방법은, 어떠한 종래 기술을 이용하여도 좋다.
쿼리 기억부(102)는, 쿼리가 되는 특징량 벡터를 기억하는 기억부이다. 검색 장치(100)는, 쿼리가 되는 특징량 벡터에 유사한 특징량 벡터를, 특징량 기억부(101)로부터 검색한다.
비트열 기억부(103)는, 후술하는 비트열 생성부(105)로부터 취득하는 비트열을 기억하는 기억부이다. 도 2b는 비트열 기억부의 데이터 구조의 일례를 나타내는 도면이다. 도 2b에 나타내는 바와 같이, 이 비트열 기억부(103)는, 식별 정보와, 비트열을 대응지어 기억한다. 식별 정보는, 비트열의 생성원이 된 특징량 벡터를 일의로 식별하는 정보이다. 비트열은, 특징량 벡터를 기초로 하여 생성되는 비트열이다.
역입체 사영부(104a, 104b)는, m차원의 특징량 공간(V)에 대하여 역입체 사영을 행함으로써, m차원보다 p차원 높은 공간(V')에 매립된 (m+p-1)차원의 초구(S)와 특징량 공간(V)을 대응짓는 처리부이다. p는 1 이상의 정수이다. 이하의 설명에서는, 역입체 사영부(104a, 104b)를 통합하여 적절하게, 역입체 사영부(104)라고 표기한다. 역입체 사영부(104)는, 사영부의 일례이다.
도 3 및 도 4는 특징량 공간(V)과 초구(S)의 관계를 나타내는 도면이다. 도 3에 나타내는 바와 같이, 역입체 사영을 행하면, 특징량 공간(V) 상의 점과, 초구(S) 상의 점이 대응지어진다. 도 3에 나타내는 예에서는, 특징량 공간(V) 상의 점(xV)과, 초구(S) 상의 점(xS)이 대응지어진다. 초구(S)의 북극(SN)과 남극(SS)을 연결하는 직선과, 특징량 공간(V)의 교점을 x0이라고 정의한다. 예컨대, 북극(SN)의 좌표는, (xo1, xo2, …, xom, 1)이 되고, 남극(SS)의 좌표는, (xo1, xo2, …, xom, -1)이 된다. 특징량 공간(V)으로부터 초구(S)의 북극(SN)까지의 높이를 d라고 정의한다. 북극(SN)과, 점(xV)을 통과하는 직선과, 초구(S)의 표면의 교점이, xS에 대응한다. 또한, 예컨대, 도 4에 나타내는 바와 같이, 초구(S)의 단면(SA)은, 특징량 공간(V)의 영역(VA)에 대응한다.
여기서, 역입체 사영은, 입체 사영의 역사영이다. 입체 사영은, 도 3과 같이 초구(S)와 특징량 공간(V)을 배치하고, 북극(SN)으로부터 초구(S)와 교차하는 직선을 그었을 때, 초구(S)와 직선의 교점(xS)으로부터 직선과 특징량 공간(V)의 교점(xV)에의 사상으로 정의된다. 도 3에 나타내는 예는, p의 값이 1인 경우를 나타낸다.
특징량 공간(V)의 특징량 벡터(좌표)를 (x1, x2, …, xm)으로 할 때, 역입체 사영(「f-1: V→W」)을, 식 (1)로 한다. 단, 식 (1)의 r2은, 식 (2)로 정의된다.
Figure 112014115291154-pat00001
Figure 112014115291154-pat00002
식 (1) 및 식 (2)에 있어서, x0 및 d는 파라미터이다. 파라미터(x0 및 d)는, 도 3에 나타내는 x0 및 d에 대응하는 것이다. 파라미터(x0)는, 초구(S)의 남극(SS)에 사상되는 특징량 공간(V)의 점의 좌표이다. 파라미터(d)는, 입체 사영의 스케일을 조정하는 파라미터이며, 초구(S)의 적도가 특징량 공간(V)에 사상되었을 때의 초구(S)의 반경에 상당하는 것이다. 또한, 초구(S)의 적도의 좌표는, (xS1, xS2, …, xSm, 0)이 된다.
역입체 사영부(104)는, 후술하는 파라미터 설정부(108)로부터, 파라미터(x0) 및 파라미터(d)를 취득한다. 역입체 사영부(104)는, 특징량 벡터를, 식 (1)에 대입함으로써, 역입체 사영을 행한다.
역입체 사영부(104a)는, 쿼리 기억부(102)에 기억된 특징량 벡터와 식 (1)을 기초로 하여, 역입체 사영을 행하여, 특징량 벡터에 대응하는 초구(S) 상의 좌표를 산출한다. 역입체 사영부(104a)는, 산출한 좌표를, 비트열 생성부(105a)에 출력한다.
역입체 사영부(104b)는, 특징량 기억부(101)에 기억된 각 특징량 벡터와 식 (1)을 기초로 하여, 역입체 사영을 행하여, 각 특징량 벡터에 대응하는 초구(S) 상의 복수의 좌표를 산출한다. 역입체 사영부(104b)는, 산출한 복수의 좌표를, 비트열 생성부(105b) 및 초평면 배치부(106)에 출력한다.
비트열 생성부(105a, 105b)는, 초구(S) 상의 좌표를 변환 규칙에 따라, 비트열로 변환하는 처리부이다. 이 비트열은, 해시 벡터에 대응한다. 이하의 설명에서는, 비트열 생성부(105a, 105b)를 통합하여 적절하게, 비트열 생성부(105)라고 표기한다. 비트열 생성부(105)는, 생성부의 일례이다.
비트열 생성부(105)는, 식 (3)을 기초로 하여, 초구(S) 상의 좌표를, 비트열로 변환한다.
Figure 112014115291154-pat00003
식 (3)에 있어서, n×(m+1) 행렬의 정보 「W11, W12, …, Wn(m+1)」 및 n×1의 정보 「c1, c2, …, cn」은, 변환 규칙이다. 비트열 생성부(105)는, 변환 규칙을, 후술하는 변환 규칙 생성부(107)로부터 취득한다. 식 (3)에 있어서, 「x1, x2, …, xm+1」의 정보는, 초구(S) 상의 좌표이다.
비트열 생성부(105)는, 식 (3)을 계산함으로써, 「b1, b2, b3, …, bn」을 산출한다. 예컨대, 비트열 생성부(105)는, bN을 식 (4)와 같이 계산한다.
Figure 112014115291154-pat00004
비트열 생성부(105)는, 「b1, b2, b3, …, bn」을 산출한 후에, bN의 값이 플러스이면, bN을 「1」로 변환하고, bN의 값이 플러스가 아닌 경우에는, bN을 「0」으로 변환함으로써, 비트열을 산출한다. 예컨대, 「b1, b2, b3, …, bn」의 값이 각각 플러스, 마이너스, 플러스, …, 플러스인 경우에는, 비트열 생성부(105)는, 비트열 「1, 0, 1, …, 1」을 생성한다.
비트열 생성부(105a)는, 역입체 사영부(104a)로부터 취득한 좌표를 기초로 하여, 비트열을 생성하고, 생성한 비트열을 허밍 거리 생성부(104)에 출력한다.
비트열 생성부(105b)는, 역입체 사영부(104b)로부터 취득하는 각 좌표를 기초로 하여, 복수의 비트열을 생성하고, 생성한 복수의 비트열을 비트열 기억부(103)에 출력한다.
초평면 배치부(106)는, (m+p-1)차원의 초구(S)를 가로지르는 초평면을 n개, 초구(S)에 배치하는 처리부이다. 초평면 배치부(106)는, 초구(S)를 가로지르는 초평면이면, 랜덤으로 n개의 초평면을 배열하여도 좋고, 미리 설정된 위치에 n개의 초평면을 배열하여도 좋다. 초평면 배치부(106)는, 각 초평면의 법선 벡터 및 오프셋 좌표를 특정하고, 특정한 법선 벡터의 정보 및 오프셋 좌표의 정보를 변환 규칙 생성부(107)에 출력한다. 법선 벡터를 (v1, v2, …, vn)으로 하고, 오프셋 좌표를(c1, c2, …, cn)으로 한다.
변환 규칙 생성부(107)는, 법선 벡터의 정보 및 오프셋 좌표의 정보를 기초로 하여, 변환 규칙의 정보를 생성하는 처리부이다. 변환 규칙 생성부(107)는, n개의 법선 벡터를 배열함으로써, n×(m+1) 행렬의 정보 「W11, W12, …, Wn(m+1)」을 생성한다. 예컨대, 식 (3)의 n×(m+1) 행렬의 각 행이 각각, 법선 벡터에 대응한다. 또한, 변환 규칙 생성부(107)는, n×(m+1) 행렬의 정보 중, 부족한 차원의 값에는, 랜덤값을 할당한다. 또한, 변환 규칙 생성부(107)는, 오프셋 좌표를, n×1의 정보로서 생성한다.
변환 규칙 생성부(107)는, n×(m+1) 행렬의 정보 및 n×1의 정보를, 비트열 생성부(105) 및 파라미터 설정부(108)에 출력한다.
파라미터 설정부(108)는, 파라미터(x0 및 d)를 산출하는 처리부이다. 파라미터 설정부(108)는, 검색부의 일례이다. 파라미터 설정부(108)는, 산출한 파라미터(x0 및 d)를 입체 사영부(104)에 출력한다. 파라미터 설정부(108)의 처리에 대해서 구체적으로 설명한다.
파라미터 설정부(108)가, 파라미터[x0(x01, x02, …, x0m)]를 산출하는 처리에 대해서 설명한다. 파라미터 설정부(108)는, 특징량 기억부(101)로부터 각 특징량 벡터를 취득하여, 각 특징량 벡터의 평균값(μ)을 산출한다. 파라미터 설정부(108)는, 평균값(μ)을 파라미터(x0)로 설정한다.
파라미터 설정부(108)가, 파라미터(d)를 산출하는 처리에 대해서 설명한다. 파라미터 설정부(108)는, 특징량 기억부(101)로부터 각 특징량 벡터를 취득하여, 각 특징량 벡터의 분산 공분산열의 고유값(σi)의 평방근을 산출한다. 분산 공분산열의 고유값은, 다차원의 특징량 벡터가 기대값으로부터 얼마만큼 흩어져 있는지를 나타내는 값이며, 값이 클수록, 더욱 흩어져 있다고 말 할 수있다. 파라미터 설정부(108)는, 각 고유값(σi) 중, 최대인 것을 σ로서 특정한다. 파라미터 설정부(108)는, σ의 값을 파라미터(d)로 설정한다.
파라미터 설정부(108)는, 각 특징량 벡터가 흩어져 있을수록, 파라미터(d)의 값이 커진다. 이에 의해, 역입체 사영부(104)가 역입체 사영을 실행하면, 특징량 벡터가 초구의 남반구에 집약되게 된다.
허밍 거리 계산부(109)는, 비트열 생성부(105a)로부터 취득하는 비트열과, 비트열 기억부(103)에 저장된 각 비트열의 허밍 거리를 산출하는 처리부이다. 허밍 거리는, 자릿수가 같은 2개의 2진수를 비교한 경우의, 상이한 자릿수의 개수이다. 이하의 설명에 있어서, 비트열 생성부(105a)로부터 취득하는 비트열을 쿼리 비트열이라고 표기한다.
허밍 거리 계산부(109)는, 쿼리 비트열과 비트열 기억부(103)의 각 비트열과의 허밍 거리의 산출 결과를, 유사 벡터 특정부(110)에 출력한다.
유사 벡터 특정부(110)는, 허밍 거리 계산부(109)의 허밍 거리의 산출 결과를 취득하여, 쿼리 비트열과의 허밍 거리가 가까운 순으로, 각 비트열에 대하여 순위 매김을 행한다. 유사 벡터 특정부(110)는, 순위 매김한 각 비트열 중, 상위의 비트열을, 쿼리 비트열에 대응하는 비트열로서 출력하여도 좋고, 순위 매김의 결과를 출력하여도 좋다. 유사 벡터 특정부(110)는, 특정부의 일례이다.
다음에, 본 실시예 1에 따른 검색 장치(100)의 처리 순서의 일례에 대해서 설명한다. 도 5는 본 실시예 1에 따른 검색 장치의 처리 순서를 나타내는 흐름도이다. 도 5에 나타내는 바와 같이, 검색 장치(100)의 파라미터 설정부(108)는, 파라미터 특정 처리를 실행한다(단계 S101).
검색 장치(100)의 역입체 사영부(104a)가, 파라미터(d 및 x0)를 기초로 하여, 쿼리의 특징 벡터를 역입체 사영하고, 비트열 생성부(105a)가, 쿼리 비트열을 생성한다(단계 S102).
검색 장치(100)의 역입체 사영부(104b)가, 파라미터(d 및 x0)를 기초로 하여, 특징량 기억부(101)의 각 특징량 벡터를 역입체 사영하고, 비트열 생성부(105b)가, 비트열을 생성한다(단계 S103).
검색 장치(100)의 허밍 거리 계산부(109)가, 쿼리 비트열과 비트열 기억부(103)의 비트열의 허밍 거리를 계산하고, 유사 벡터 특정부(110)가, 쿼리 비트열에 유사한 비트열을 특정한다(단계 S104).
다음에, 도 5의 단계 S101에 나타낸 파라미터 특정 처리의 처리 순서에 대해서 설명한다. 도 6은 본 실시예 1에 따른 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다. 도 6에 나타내는 바와 같이, 파라미터 설정부(108)는, 특징량 기억부(101)의 특징량 벡터의 평균값(μ)을 산출한다(단계 S110).
파라미터 설정부(108)는, 특징량 벡터의 분산 공분산 행렬의 고유값(σi)의 평방근을 산출하고, 그 중에서 최대인 것을 σ로 설정한다(단계 S111). 파라미터 설정부(108)는, μ의 값을 x0로 설정한다(단계 S112). 파라미터 설정부(108)는, σ의 값을 d로 설정한다(단계 S113).
다음에, 본 실시예 1에 따른 검색 장치(100)의 효과에 대해서 설명한다. 검색 장치(100)는, m차원의 특징량 벡터를 (m+p-1)차원의 초구에 역입체 사영하여 비트열을 구하는 경우에, 특징 벡터가 초구의 남반구에 사영되는 파라미터(d 및 x0)를 검색한다. 이와 같이, 검색 장치(100)는, 특징량 벡터에 대하여 역입체 사영을 실행함으로써, 비트열을 구하기 때문에, 해시 벡터를 계산하는 경우의 계산량을 삭감할 수 있다. 또한, 검색 장치(100)는, 특징량 벡터가 초구의 남반구에 역입체 사영되는 파라미터를 이용하여, 역입체 사영을 행하기 때문에, 무한 원점을 통과하는 쇼트 커트의 영향을 제외하여, 정확하게, 쿼리 비트열과 비트열의 허밍 거리를 산출할 수 있다.
도 7은 무한 원점의 쇼트 커트를 설명하기 위한 도면이다. 본 실시예 1에 따른 검색 장치(100)와 같이 파라미터 설정을 실행하지 않는 경우에는, 특징량 공간(V)의 무한 원점이, 초구(S)의 북극에 일점 사영된다. 이 때문에, 예컨대, 특징량 공간(V)의 점(x0)으로부터 충분히 먼 점(p)을 역입체 사영하면 초구(S) 상의 점(p')에 대응지어진다. 또한, 특징량 공간(V)의 점(q)을 역입체 사영하면 초구(S) 상의 점(q')에 대응지어진다. 이러한 역입체 사영이 행해지면, 쇼트 커트가 발생한다. 예컨대, 특징량 공간(V)의 원점 부근을 통과하는 경로(10a)보다, 무한 원점 부근을 통과하는 경로(10b)가 가까워져 버리는 경우가 있다. 그렇게 하면, 특징량 공간(V) 상에서는 거리(10c)만큼 떨어져 있는 점끼리라도, 초구(S) 상에서는, 거리가 가까워져 버리는 경우가 있고, 이에 의해, 점(p)의 비트열과, 점(q)의 비트열의 허밍 거리가 가까워져 버리는 경우가 있다.
이에 대하여, 본 실시예 1에 따른 검색 장치(100)는, 특징량 벡터가 초구의 남반구에 역입체 사영되는 파라미터를 이용하여, 역입체 사영을 행하기 때문에, 무한 원점을 통과하는 쇼트 커트의 영향을 제외하여, 정확하게, 쿼리 비트열과 비트열의 허밍 거리를 산출할 수 있다.
그런데, 본 실시예 1에서는, 검색 장치(100)는, 특징량 벡터가 초구의 남반구에 역입체 사영되는 파라미터를 계산하고 있었지만, 이것에 한정되는 것이 아니다. 예컨대, 검색 장치(100)는, 특징량 벡터가 초구의 동반구에 역입체 사영되는 파라미터를 산출하여도 좋고, 특징량 벡터가 초구의 서반구에 역입체 사영되는 파라미터를 산출하여도 좋다.
도 8은 특징량 벡터가 초구의 동반구에 역입체 사영되는 파라미터의 일례를 나타내는 도면이다. 도 8에 나타내는 바와 같이, 각 특징량 벡터가 특징량 공간(V)의 영역(20a)에 분포하고 있는 경우에는, 검색 장치(100)는, 영역(20a)의 평균값으로부터 미리 정해진 거리 좌측에 x0를 설정한다. 또한, 제1 성분이 플러스가 되는 방향을 우측으로 한다. 이와 같이, 검색 장치(100)가 x0을 설정함으로써, 특징량 벡터가 초구의 동반구(21a)에 역입체 사영되는 파라미터를 구할 수 있다. 또한, 파라미터(d)는, 파라미터 설정부(108)와 동일한 처리를 실행하여 구할 수 있다.
도 9는 특징량 벡터가 초구의 서반구에 역입체 사영되는 파라미터의 일례를 나타내는 도면이다. 도 9에 나타내는 바와 같이, 각 특징량 벡터가 특징량 공간(V)의 영역(20b)에 분포하고 있는 경우에는, 검색 장치(100)는, 영역(20b)의 평균값으로부터 미리 정해진 거리 우측에 x0을 설정한다. 이와 같이, 검색 장치(100)가 x0을 설정함으로써, 특징량 벡터가 초구의 서반구(21b)에 역입체 사영되는 파라미터를 구할 수 있다. 또한, 파라미터(d)는, 파라미터 설정부(108)와 동일한 처리를 실행하여 구할 수 있다.
[실시예 2]
본 실시예 2에 따른 검색 장치의 구성의 일례에 대해서 설명한다. 도 10은 본 실시예 2에 따른 검색 장치의 구성을 나타내는 기능 블록도이다. 도 10에 나타내는 바와 같이, 이 검색 장치(200)는, 특징량 기억부(101), 쿼리 기억부(102), 비트열 기억부(103), 역입체 사영부(104a, 104b), 비트열 생성부(105a, 105b)를 갖는다. 또한, 검색 장치(100)는, 초평면 배치부(106), 변환 규칙 생성부(107), 허밍 거리 계산부(109), 유사 벡터 특정부(110), 파라미터 설정부(210)를 갖는다.
도 10에 나타내는 각 처리부 중, 특징량 기억부(101), 쿼리 기억부(102), 비트열 기억부(103), 역입체 사영부(104a, 104b), 비트열 생성부(105a, 105b)에 관한 설명은, 도 1에 나타낸 각 처리부와 동일하기 때문에, 동일한 부호를 붙이고 설명을 생략한다. 또한, 도 10에 나타내는 각 처리부 중, 초평면 배치부(106), 변환 규칙 생성부(107), 허밍 거리 계산부(109), 유사 벡터 특정부(110)에 관한 설명은, 도 1에 나타낸 각 처리부와 동일하기 때문에, 설명을 생략한다.
파라미터 설정부(210)는, 파라미터(x0 및 d)를 산출하는 처리부이다. 파라미터 설정부(210)는, 산출한 파라미터(x0 및 d)를 역입체 사영부(104)에 출력한다. 파라미터 설정부(210)의 처리에 대해서 구체적으로 설명한다.
파라미터 설정부(210)가, 파라미터[x0(x01, x02, … x0m)]를 산출하는 처리에 대해서 설명한다. 파라미터 설정부(210)는, 특징량 기억부(101)로부터 각 특징량 벡터를 취득하여, 각 특징량 벡터의 평균값(μ)을 산출한다. 파라미터 설정부(210)는, 평균값(μ)을 파라미터(x0)로 설정한다.
파라미터 설정부(210)가, 파라미터(d)를 산출하는 처리에 대해서 설명한다. 파라미터 설정부(210)는, 특징량 기억부(101)로부터 각 특징량 벡터를 취득하여, 각 특징량 벡터의 분산 공분산열의 고유값(σi)의 평방근을 산출한다. 파라미터 설정부(210)는, 각 고유값(σi) 중, 최대인 것을 σ로서 특정한다.
파라미터 설정부(210)는, 특징량 벡터를 주성분 분석하여, 누적 기여율을 산출한다. 예컨대, 파라미터 설정부(210)는, 주성분 분석을 행하여, 각 차원의 주성분의 팽창을 구한다. 파라미터 설정부(210)는, 각 차원의 주성분의 팽창을 내림 차순으로 배열하고, 팽창이 큰 것부터 순서대로, σ1, σ2, …, σN으로 한다. 파라미터 설정부(210)는, 식 (5)를 기초로 하여, λ를 산출한다. 또한, 파라미터 설정부(210)는, 식 (6)을 기초로 하여, 누적 기여율(λm)을 산출한다.
Figure 112014115291154-pat00005
Figure 112014115291154-pat00006
파라미터 설정부(210)는, 횡축에 성분의 수 「m」, 종축에 대수 누적 기여율 「logλm」으로 하는 그래프에, m과 logλm의 관계를 플롯하고, 플롯한 결과로부터 근사 직선을 특정한다. 예컨대, 배치부(105)는, 최소 제곱법 등을 이용하여 근사 직선을 특정한다. 도 11은 근사 직선의 일례를 나타내는 도면이다. 파라미터 설정부(106)는, 근사 직선의 기울기를 「γ+1」로서 산출한다. 그리고, 파라미터 설정부(210)는, 식 (7)을 산출함으로써, 파라미터(d)를 산출한다.
Figure 112014115291154-pat00007
다음에, 본 실시예 2에 따른 검색 장치(200)의 처리 순서에 대해서 설명한다. 검색 장치(200)의 처리 순서는, 도 5에 나타낸 처리 순서와 동일하다. 검색 장치(200)는, 파라미터 특정 처리의 내용이, 실시예 1의 파라미터 특정 처리와 상이하기 때문에, 여기서는, 실시예 2에 따른 파라미터 특정 처리의 처리 순서에 대해서 설명한다.
도 12는 본 실시예 2에 따른 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다. 도 12에 나타내는 바와 같이, 파라미터 설정부(210)는, 특징량 기억부(101)의 특징량 벡터의 평균값(μ)을 산출한다(단계 S201).
파라미터 설정부(210)는, 특징량 벡터의 분산 공분산 행렬의 고유값(σi)의 평방근을 산출하고, 그 중에서 최대의 것을 σ로 설정한다(단계 S202). 파라미터 설정부(210)는, 특징량 벡터를 주성분 분석하여, 누적 기여율을 산출한다(단계 S203).
파라미터 설정부(210)는, 근사 직선의 기울기를 「γ+1」로서 설정한다(단계 S204). 파라미터 설정부(210)는, μ의 값을 x0으로 설정한다(단계 S205). 파라미터 설정부(210)는, σ/(γ+1)의 값을 d로 설정한다(단계 S206).
다음에, 본 실시예 2에 따른 검색 장치(200)의 효과에 대해서 설명한다. 검색 장치(200)는, 누적 기여율 곡선의 기울기를 「γ+1」로서 설정하고, 설정한 「γ+1」과 분산 공분산 행렬의 값을 기초로 하여, 파라미터(d)를 산출한다. 이 파라미터(d)를 이용하여, 역입체 사영을 행하면, 특징량 벡터가 초구의 남반구에 대응지어지기 때문에, 무한 원점을 통과하는 쇼트 커트의 영향을 제외하여, 정확하게, 쿼리 비트열과 비트열의 허밍 거리를 산출할 수 있다.
[실시예 3]
본 실시예 3에 따른 검색 장치의 구성의 일례에 대해서 설명한다. 도 13은 본 실시예 3에 따른 검색 장치의 구성을 나타내는 기능 블록도이다. 도 13에 나타내는 바와 같이, 이 검색 장치(300)는, 특징량 기억부(101), 쿼리 기억부(102), 비트열 기억부(103), 역입체 사영부(104a, 104b), 비트열 생성부(105a, 105b)를 갖는다. 또한, 검색 장치(100)는, 초평면 배치부(106), 변환 규칙 생성부(107), 허밍 거리 계산부(109), 유사 벡터 특정부(110), 파라미터 설정부(310)를 갖는다.
도 13에 나타내는 각 처리부 중, 특징량 기억부(101), 쿼리 기억부(102), 비트열 기억부(103), 역입체 사영부(104a, 104b), 비트열 생성부(105a, 105b)에 관한 설명은, 도 1에 나타낸 각 처리부와 동일하기 때문에, 동일한 부호를 붙이고 설명을 생략한다. 또한, 도 13에 나타내는 각 처리부 중, 초평면 배치부(106), 변환 규칙 생성부(107), 허밍 거리 계산부(109), 유사 벡터 특정부(110)에 관한 설명은, 도 1에 나타낸 각 처리부와 동일하기 때문에, 설명을 생략한다.
파라미터 설정부(310)는, 파라미터(x0 및 d)를 산출하는 처리부이다. 파라미터 설정부(310)는, 산출한 파라미터(x0 및 d)를 입체 사영부(104)에 출력한다. 본 실시예 3에 따른 파라미터 설정부(310)는, 언덕 오르기 탐색, 마르코프 연쇄 몬테카를로법, 군지능 중 어느 하나를 이용하여, 파라미터(x0 및 d)를 산출한다.
파라미터 설정부(310)가, 「언덕 오르기 탐색」을 이용하여, 파라미터(x0 및 d)를 특정하는 처리의 일례에 대해서 설명한다. 파라미터 설정부(310)는, 파라미터(x0 및 d)의 초기값을 특정하고, 이 초기값에 의해 산출되는 각 특징량 벡터의 비트열을, 비트열 생성부(105b)로부터 취득한다. 파라미터 설정부(310)는, 예컨대, 실시예 1에 나타낸 파라미터(108)와 동일한 방법에 따라, 파라미터(x0 및 d)의 초기값을 특정한다. 파라미터 설정부(310)는, 각 특징량 벡터와 비트열을 기초로 하여, 근사 유사 검색을 실행하여, 근사 정밀도를 계산한다. 예컨대, 근사 정밀도는, 식 (8)에 의해 산출된다.
Figure 112014115291154-pat00008
여기서, 근사 정밀도를 산출하는 처리의 일례에 대해서 설명한다. 예컨대, 파라미터 설정부(310)는, 특징량 기억부(101)로부터, 어떤 특징량 벡터(va)를 선출하고, 특징량 벡터(va)와의 거리가, 특징량 공간 상에서 가장 가까운 특징량 벡터를, 제1위부터 제M위까지 특정한다. 특징량 벡터(va)와의 거리가, 특징량 공간 상에서 가장 가까운 특징량 벡터를 특징량 벡터(va1∼vaM)로 한다. 예컨대, 식 (8)에 있어서, 특징량 벡터의 수(M)가, |Rk|에 대응한다.
파라미터 설정부(310)는, 비트열 생성부(105b)로부터 특징량 벡터(va)에 대응하는 비트열과의 거리가, 가장 가까운 비트열을, 제1위부터 제M위까지 특정하고, 특정한 비트열에 대응하는 특징량 벡터(vb1∼vbM)를 특정한다. 예컨대, 파라미터 설정부(310)는, 식별 정보를 기초로 하여, 비트열과 특징량 벡터를 대응지으면 좋다. 파라미터 설정부(310)는, 특징량 벡터(vb1∼vbM) 중, 몇개의 특징량 벡터가, 특징량 벡터(va1∼vaM)와 동일한 것인지를 계수한다. 이 계수한 수가, 식 (8)의 |Rk∩Qk|에 대응한다.
파라미터 설정부(310)는, 초기값의 파라미터(x0 및 d)를 산출한 후에, 파라미터(x0 및 d)의 근방값을 설정하여, 역입체 사영부(104b)에 출력하고, 근방값에 대한 근사 정밀도를 산출한다. 파라미터 설정부(310)는, 상기 처리를 반복 실행하여, 근사 정밀도가 가장 높은 파라미터(x0 및 d)를 특정한다.
허밍 거리 계산부(109)는, 파라미터 설정부(310)에 의해 특정된 근사 정밀도가 가장 높은 파라미터(x0 및 d)에 의해 산출된 비트열을 기초로 하여, 허밍 거리를 계산한다.
계속해서, 파라미터 설정부(310)가, 「마르코프 연쇄 몬테카를로법」을 이용하여, 파라미터(x0 및 d)를 특정하는 처리의 일례에 대해서 설명한다. 파라미터 설정부(310)는, 제1 파라미터(x0 및 d)를 특정하고, 이 제1 파라미터(x0 및 d)에 의해 산출되는 각 특징량 벡터의 비트열을, 비트열 생성부(105b)로부터 취득한다. 파라미터 설정부(310)는, 예컨대, 실시예 1에 나타낸 파라미터(108)와 동일한 방법에 따라, 제1 파라미터(x0 및 d)의 초기값을 특정한다. 파라미터 설정부(310)는, 각 특징량 벡터와 비트열을 기초로 하여, 근사 유사 검색을 실행하여, 제1 파라미터의 근사 정밀도(X1)를 계산한다. 예컨대, 근사 정밀도는, 언덕 오르기 탐색과 동일하게 하여, 식 (8)에 의해 산출된다.
파라미터 설정부(310)는, 제1 파라미터(x0 및 d)의 근방값을, 제2 파라미터(x0 및 d)로서 설정한다. 파라미터 설정부(310)는, 이 제2 파라미터(x0 및 d)에 의해 산출되는 각 특징량 벡터의 비트열을, 비트열 생성부(105b)로부터 취득한다. 파라미터 설정부(310)는, 각 특징량 벡터와 비트열을 기초로 하여, 근사 유사 검색을 실행하여, 제2 파라미터의 근사 정밀도(X2)를 계산한다.
파라미터 설정부(310)는, 난수를 할당하여, 난수의 값이 X2/X1보다 작은 경우에, 제2 파라미터(x0 및 d)를 제1 파라미터(x0 및 d)로 설정한다. 또한, 파라미터 설정부(310)는, 제1 파라미터(x0 및 d)의 근방값을 제2 파라미터(x0 및 d)로 설정하고, 상기 처리를 반복 실행한다.
한편, 파라미터 설정부(310)는, 난수를 할당하여, 난수의 값이 X2/X1보다 작지 않은 경우에, 제1 파라미터(x0 및 d)를 그대로 둔다. 또한, 파라미터 설정부(310)는, 제1 파라미터(x0 및 d)의 새로운 근방값을 제2 파라미터(x0 및 d)로 설정하고, 상기 처리를 반복 실행한다.
파라미터 설정부(310)가 상기 처리를 미리 정해진 횟수 반복한 후에 얻어지는 최종적인 제1 파라미터(x0 및 d)를 이용하여, 허밍 거리 계산부(109)는, 허밍 거리를 계산한다.
계속해서, 파라미터 설정부(310)가, 「군지능」을 이용하여, 파라미터(x0 및 d)를 특정하는 처리의 일례에 대해서 설명한다. 파라미터 설정부(310)는, 복수의 파라미터(x0 및 d)를 특정한다. 예컨대, 파라미터 설정부(310)는, 실시예 1에 나타낸 파라미터(108)와 동일한 방법에 따라, 파라미터(x0 및 d)를 구하고, 더욱, 이 파라미터(x0 및 d)의 근방값을 복수 구함으로써, 복수의 파라미터(x0 및 d)를 특정한다.
파라미터 설정부(310)는, 복수의 파라미터(x0 및 d)에 의해 산출되는 각 특징량 벡터의 비트열을, 비트열 생성부(105b)로부터 취득한다. 파라미터 설정부(310)는, 각 파라미터(x0 및 d)를, 하전 입자의 위치라고 간주하여, 목적 함수를 사용하여, 하전계 탐색을 실행함으로써, 근사 정밀도가 가장 높은 파라미터(x0 및 d)를 특정한다.
파라미터(x0 및 d)를 하전 입자의 위치라고 간주함으로써, 각 파라미터(x0 및 d)를 이동시키는 경우에, 각 파라미터(x0 및 d)가, 서로 근접하지 않는 것 같은 제약을 마련할 수 있다. 그리고, 미리 정해진 거리 떨어진 위치에서, 근사 정밀도가 가장 커지는 파라미터(x0 및 d)를, 하전 입자의 위치마다 특정할 수 있다. 파라미터 설정부(310)는, 하전 입자마다 특정한 최대의 근사 정밀도가 되는 파라미터(x0 및 d) 중, 최대의 근사 정밀도가 되는 파라미터(x0 및 d)를 특정한다. 이러한 파라미터를 사용하여, 허밍 거리 계산부(109)는, 허밍 거리를 계산한다.
또한, 하전계 탐색의 목적 함수는, 파라미터(x0 및 d)가 주어진 경우에, 근사 정밀도를 산출하는 함수이며, 근사 정밀도를 산출하는 처리의 내용은, 전술한 언덕 오르기 검색 및 마르코프 연쇄 몬테카를로법과 동일하다.
다음에, 본 실시예 3에 따른 검색 장치(300)의 처리 순서에 대해서 설명한다. 검색 장치(300)의 처리 순서는, 도 5에 나타낸 처리 순서와 동일하다. 검색 장치(300)는, 파라미터 특정 처리의 내용이, 실시예 1의 파라미터 특정 처리와 상이하기 때문에, 여기서는, 실시예 3에 따른 파라미터 특정 처리의 처리 순서에 대해서 설명한다. 이하에서는, 파라미터 특정 처리를, 언덕 오르기 탐색을 이용한 파라미터 특정 처리, 마르코프 연쇄 몬테카를로법을 이용한 파라미터 특정 처리, 군지능을 이용한 파라미터 특정 처리에 대해서 순서대로 설명한다.
먼저, 언덕 오르기 탐색을 이용한 파라미터 특정 처리의 처리 순서의 일례에 대해서 설명한다. 도 14는 언덕 오르기 탐색을 이용한 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다. 도 14에 나타내는 바와 같이, 검색 장치(300)의 파라미터 설정부(310)는, 파라미터(x0 및 d)를 특정한다(단계 S301). 역입체 사영부(104)는, 특징량 벡터를 초구에 역입체 사영하고, 초평면 배치부(106)에 결과를 출력한다(단계 S302).
검색 장치(300)는, 미리 정해진 횟수 처리를 반복한 경우에는(단계 S303, Yes), 파라미터 특정 처리를 종료한다. 한편, 검색 장치(300)는, 미리 정해진 횟수 처리를 반복하고 있지 않은 경우에는(단계 S303, No), 단계 S304로 이행한다.
초평면 배치부(106)는, 초구에 초평면을 배치하고, 변환 규칙 생성부(107)는, 변환 규칙을 생성한다(단계 S304). 파라미터 설정부(310)는, 근사 유사 검색의 근사 정밀도를 계산한다(단계 S305).
파라미터 설정부(310)는, 파라미터(d 및 x0)의 근방값을 복수 생성하여, 각각을 역입체 사영부(104d)에 출력한다(단계 S306). 역입체 사영부(104b)는, 각각의 파라미터(d 및 x0)를 이용하여, 특징량 벡터를 초구에 역입체 사영하여, 초평면 배치부(106)에 출력한다(단계 S307).
초평면 배치부(106)는, 초구에 초평면을 배치하여, 변환 규칙을 생성한다(단계 S308). 파라미터 설정부(310)는, 비트열 생성부(105b)로부터 비트열을 취득하여, 각 근방값에서의 근사 정밀도를 계산한다(단계 S309). 파라미터 설정부(310)는, 가장 근사 정밀도가 좋은 값을, 파라미터(d 및 x0)로 설정하고(단계 S310), 단계 S303으로 이행한다.
다음에, 마르코프 연쇄 몬테카를로법을 이용한 파라미터 특정 처리의 처리 순서의 일례에 대해서 설명한다. 도 15는 마르코프 연쇄 몬테카를로법을 이용한 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다.
도 15에 나타내는 바와 같이, 검색 장치(300)의 파라미터 설정부(310)는, 파라미터(x0 및 d)를 특정한다(단계 S401). 역입체 사영부(104)는, 특징량 벡터를 초구에 역입체 사영하여, 초평면 배치부(106)에 결과를 출력한다(단계 S402).
검색 장치(300)는, 미리 정해진 횟수 처리를 반복한 경우에는(단계 S403, Yes), 파라미터 특정 처리를 종료한다. 한편, 검색 장치(300)는, 미리 정해진 횟수 처리를 반복하고 있지 않은 경우에는(단계 S403, No), 단계 S404로 이행한다.
초평면 배치부(106)는, 초구에 초평면을 배치하고, 변환 규칙 생성부(107)는, 변환 규칙을 생성한다(단계 S404). 파라미터 설정부(310)는, 근사 유사 검색의 근사 정밀도를 계산한다(단계 S405).
파라미터 설정부(310)는, 근사 유사 검색의 근사 정밀도(X1)를 계산한다(단계 S405). 파라미터 설정부(310)는, 파라미터(x0 및 d)의 근방값을 하나 생성하여, 역입체 사영부(104b)에 출력한다(단계 S406).
역입체 사영부(104b)는, 근방값을 이용하여, 특징량 벡터를 초구에 역입체 사영하여, 초평면 배치부(106)에 출력한다(단계 S407). 초평면 배치부(106)는, 초구에 초평면을 배치하여, 변환 규칙을 생성한다(단계 S408). 파라미터 설정부(310)는, 비트열 생성부(105b)로부터 비트열을 취득하여, 근방값에서의 근사 정밀도(X2)를 계산한다(단계 S409).
파라미터 설정부(310)는, [0, 1]의 난수를 할당하여, 난수가 X2/X1보다 작은 경우에는, 근방값을 파라미터(x0 및 d)로 설정하고, 그렇지 않으면, 파라미터(x0 및 d)를 그대로 둬서(단계 S410), 단계 S403으로 이행한다.
다음에, 군지능을 이용한 파라미터 특정 처리의 처리 순서의 일례에 대해서 설명한다. 도 16은 군지능을 이용한 파라미터 특정 처리의 처리 순서를 나타내는 흐름도이다.
도 16에 나타내는 바와 같이, 검색 장치(300)의 파라미터 설정부(310)는, 파라미터(x0 및 d)를 특정한다(단계 S501). 역입체 사영부(104)는, 특징량 벡터를 초구에 역입체 사영하여, 초평면 배치부(106)에 결과를 출력한다(단계 S502).
검색 장치(300)는, 미리 정해진 횟수 처리를 반복한 경우에는(단계 S503, Yes), 파라미터 특정 처리를 종료한다. 한편, 검색 장치(300)는, 미리 정해진 횟수 처리를 반복하고 있지 않은 경우에는(단계 S503, No), 단계 S504로 이행한다.
파라미터 설정부(310)는, 각각의 파라미터를 하전 입자의 위치로 간주하며, 목적 함수를 사용하여, 하전계 탐색을 실행하여, 파라미터(x0 및 d)를 특정하고(단계 S504), 단계 S503으로 이행한다.
여기서, 도 16의 단계 S504에서 나타낸 목적 함수의 처리 순서의 일례에 대해서 설명한다. 도 17은 목적 함수의 처리 순서의 일례를 나타내는 흐름도이다.
도 17에 나타내는 바와 같이, 검색 장치(300)의 초평면 배치부(106)는 초평면을 배치하고, 변환 규칙 생성부(107)가 변환 규칙을 생성한다(단계 S511). 파라미터 설정부(310)는, 근사 유사 검색의 근사 정밀도(X1)를 계산하여(단계 S512), 근사 정밀도(X1)를 출력한다(단계 S513).
다음에, 본 실시예 3에 따른 검색 장치(300)의 효과에 대해서 설명한다. 검색 장치(300)는, 파라미터(x0 및 d)를 특정하는 경우에, 언덕 오르기 탐색, 마르코프 연쇄 몬테카를로법, 군지능을 이용하기 때문에, 최적의 파라미터(x0 및 d)를 효율적으로 특정할 수 있다.
그런데, 상기 실시예에서는, 특징량 공간(V)의 차원보다 하나 큰 차원의 공간에 존재하는 초구(S)에 대하여 역입체 사영을 실행하는 경우에 대해서 설명하였지만 이것에 한정되는 것이 아니다. 예컨대, 특징량 공간(V)의 차원보다 2 이상 큰 차원의 공간에 존재하는 m차원 구에 대하여, 역입체 사영하는 경우에도, 동일하게 본원을 적용할 수 있다.
다음에, 상기 실시예에 나타낸 검색 장치와 동일한 기능을 실현시키는 화상 처리 장치를 실행하는 컴퓨터의 일례에 대해서 설명한다. 도 18은 검색 프로그램을 실행하는 컴퓨터의 일례를 나타내는 도면이다.
도 18에 나타내는 바와 같이, 이 컴퓨터(400)는, 각종 연산 처리를 실행하는 CPU(401)와, 사용자로부터의 데이터의 입력을 접수하는 입력 장치(402)와, 디스플레이(403)를 갖는다. 또한, 컴퓨터(400)는, 기억 매체로부터 프로그램 등을 판독하는 판독 장치(404)와, 네트워크를 통해 다른 컴퓨터와의 사이에서 데이터의 전달을 행하는 인터페이스 장치(405)를 갖는다. 또한, 컴퓨터(400)는, 각종 정보를 일시 기억하는 RAM(406)과, 하드 디스크 장치(407)를 갖는다. 그리고, 각 장치(401∼407)는, 버스(408)에 접속된다.
하드 디스크 장치(407)는, 검색 프로그램(407a), 사영 프로그램(407b), 생성 프로그램(407c), 특정 프로그램(407d)을 갖는다. CPU(401)는, 각 프로그램(407a∼407d)을 읽어내어 RAM(406)에 전개한다.
검색 프로그램(407a)은, 검색 프로세스(406a)로서 기능한다. 사영 프로그램(407b)은, 사영 프로세스(406b)로서 기능한다. 생성 프로그램(407c)은, 생성 프로세스(406c)로서 기능한다. 특정 프로그램(407d)은, 특정 프로세스(406d)로서 기능한다.
예컨대, 검색 프로세스(406a)는, 파라미터 설정부(108)에 대응한다. 사영 프로세스(406b)는, 역입체 사영부(104)에 대응한다. 생성 프로세스(406c)는, 비트열 생성부(105)에 대응한다. 특정 프로세스(406d)는, 유사 벡터 특정부(110)에 대응한다.
또한, 각 프로그램(407a∼407d)에 대해서는, 반드시 처음부터 하드 디스크 장치(407)에 기억시켜 두지 않아도 좋다. 예컨대, 컴퓨터(400)에 삽입되는 플렉시블 디스크(FD), CD-ROM, DVD 디스크, 광 자기 디스크, IC 카드 등의 「가반용의 물리 매체」에 각 프로그램을 기억시켜 둔다. 그리고, 컴퓨터(400)가 이들로부터 각 프로그램(407a∼407d)을 읽어내어 실행시키도록 하여도 좋다.
이상의 각 실시예를 포함하는 실시형태에 관해서, 더욱 이하의 부기를 개시한다.
(부기 1) 컴퓨터가 실행하는 검색 방법으로서,
데이터 베이스에 기억된 제1 차원의 특징량 벡터를 취득하고,
특징량 공간과, 상기 특징량 공간의 차원보다 1차원 이상 큰 공간에 존재하는 구를 통과하는 직선의 교점 및 상기 구의 미리 정해진 점으로부터 상기 특징량 공간까지의 거리를 포함하는 파라미터를 기초로 하여 상기 특징량 벡터를 상기 구의 표면 상에 사영하는 경우에, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 반구에 집약되는 파라미터를 검색하는 처리를 실행하는 것을 특징으로 하는 검색 방법.
(부기 2) 상기 검색하는 처리에 의해 탐색된 파라미터를 이용하여 복수의 특징량 벡터를 상기 구의 표면 상에 사영하고, 사영한 상기 특징량 벡터의 위치와 상기 구를 분할하는 복수의 초평면의 관계로부터 상기 특징량 벡터의 비트열을 생성하며, 생성한 비트열을 기초로 하여 유사한 특징량 벡터를 특정하는 처리를 판정하는 처리를 더욱 실행하는 것을 특징으로 하는 부기 1에 기재된 검색 방법.
(부기 3) 상기 검색하는 처리는, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 남반구, 동반구 또는 서반구에 집약되는 상기 파라미터를 검색하는 것을 특징으로 하는 부기 1 또는 2에 기재된 검색 방법.
(부기 4) 상기 검색하는 처리는, 상기 특징량 벡터의 평균값과, 상기 특징량 벡터의 분산 공분산 행렬의 고유값의 최대값을 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 부기 1 또는 2에 기재된 검색 방법.
(부기 5) 상기 검색하는 처리는, 상기 특징량 벡터의 주성분 분석 결과를 기초로 하여, 누적 기여율 곡선을 특정하고, 상기 누적 기여율 곡선을 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 부기 1 또는 2에 기재된 검색 방법.
(부기 6) 상기 검색하는 처리는, 언덕 오르기법, 마르코프 연쇄 몬테카를로법 또는 군지능을 기초로 하여, 파라미터를 검색하는 것을 특징으로 하는 부기 1 또는 2에 기재된 검색 방법.
(부기 7) 컴퓨터에,
데이터 베이스에 기억된 제1 차원의 특징량 벡터를 취득하고,
특징량 공간과, 상기 특징량 공간의 차원보다 1차원 이상 큰 공간에 존재하는 구를 통과하는 직선의 교점 및 상기 구의 미리 정해진 점으로부터 상기 특징량 공간까지의 거리를 포함하는 파라미터를 기초로 하여 상기 특징량 벡터를 상기 구의 표면 상에 사영하는 경우에, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 반구에 집약되는 파라미터를 검색하는 처리를 실행시키는 것을 특징으로 하는 검색 프로그램.
(부기 8) 상기 검색하는 처리에 의해 탐색된 파라미터를 이용하여 복수의 특징량 벡터를 상기 구의 표면 상에 사영하고, 사영한 상기 특징량 벡터의 위치와 상기 구를 분할하는 복수의 초평면의 관계로부터 상기 특징량 벡터의 비트열을 생성하며, 생성한 비트열을 기초로 하여 유사한 특징량 벡터를 특정하는 처리를 판정하는 처리를 더욱 실행하는 것을 특징으로 하는 부기 7에 기재된 검색 프로그램.
(부기 9) 상기 검색하는 처리는, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 남반구, 동반구 또는 서반구에 집약되는 상기 파라미터를 검색하는 것을 특징으로 하는 부기 7 또는 8에 기재된 검색 프로그램.
(부기 10) 상기 검색하는 처리는, 상기 특징량 벡터의 평균값과, 상기 특징량 벡터의 분산 공분산 행렬의 고유값의 최대값을 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 부기 7 또는 8에 기재된 검색 프로그램.
(부기 11) 상기 검색하는 처리는, 언덕 오르기법, 마르코프 연쇄 몬테카를로법 또는 군지능을 기초로 하여, 파라미터를 검색하는 것을 특징으로 하는 부기 7 또는 8에 기재된 검색 프로그램.
(부기 12) 데이터 베이스에 기억된 제1 차원의 특징량 벡터를 취득하고, 특징량 공간과, 상기 특징량 공간의 차원보다 1차원 이상 큰 공간에 존재하는 구를 통과하는 직선의 교점 및 상기 구의 미리 정해진 점으로부터 상기 특징량 공간까지의 거리를 포함하는 파라미터를 기초로 하여 상기 특징량 벡터를 상기 구의 표면 상에 사영하는 경우에, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 반구에 집약되는 파라미터를 검색하는 검색부를 갖는 것을 특징으로 하는 검색 장치.
(부기 13) 상기 검색부에 의해 탐색된 파라미터를 이용하여 복수의 특징량 벡터를 상기 구의 표면에 사영하는 사영부와, 상기 사영부에 사영된 상기 구의 표면 상의 상기 특징량 벡터의 위치와 상기 구를 분할하는 복수의 초평면의 관계로부터 상기 특징량 벡터의 비트열을 생성하는 생성부와, 생성부에 의해 생성된 비트열을 기초로 하여 유사한 특징량 벡터를 특정하는 특정부를 더욱 갖는 것을 특징으로 하는 부기 12에 기재된 검색 장치.
(부기 14) 상기 검색부는, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 남반구, 동반구 또는 서반구에 집약되는 상기 파라미터를 검색하는 것을 특징으로 하는 부기 12 또는 13에 기재된 검색 장치.
(부기 15) 상기 검색부는, 상기 특징량 벡터의 평균값과, 상기 특징량 벡터의 분산 공분산 행렬의 고유값의 최대값을 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 부기 12 또는 13에 기재된 검색 장치.
(부기 16) 상기 검색부는, 상기 특징량 벡터의 주성분 분석 결과를 기초로 하여, 누적 기여율 곡선을 특정하고, 상기 누적 기여율 곡선을 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 부기 12 또는 13에 기재된 검색 장치.
(부기 17) 상기 검색부는, 상기 특징량 벡터의 주성분 분석 결과를 기초로 하여, 누적 기여율 곡선을 특정하고, 상기 누적 기여율 곡선의 기울기를 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 부기 12 또는 13에 기재된 검색 장치.
(부기 18) 상기 검색부는, 언덕 오르기법, 마르코프 연쇄 몬테카를로법 또는 군지능을 기초로 하여, 파라미터를 검색하는 것을 특징으로 하는 부기 12 또는 13에 기재된 검색 장치.
100, 200, 300 검색 장치
101 특징량 기억부
102 쿼리 기억부
103 비트열 기억부
104a, 104b 역입체 사영부
105a, 105b 비트열 생성부
106 초평면 배치부
107 변환 규칙 생성부
108, 210, 310 파라미터 설정부
109 허밍 거리 계산부
110 유사 벡터 특정부

Claims (8)

  1. 컴퓨터가 실행하는 검색 방법으로서,
    데이터 베이스에 기억된 제1 차원의 특징량 벡터를 취득하고,
    특징량 공간과, 상기 특징량 공간의 차원보다 1차원 이상 큰 공간에 존재하는 구(球)를 통과하는 직선의 교점 및 상기 구의 미리 정해진 점으로부터 상기 특징량 공간까지의 거리를 포함하는 파라미터를 기초로 하여 상기 특징량 벡터를 상기 구의 표면 상에 사영하는 경우에, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 반구에 집약되는 파라미터를 검색하고,
    상기 검색하는 처리에 의해 탐색된 파라미터를 이용하여 복수의 특징량 벡터를 상기 구의 표면 상에 사영하고, 사영한 상기 특징량 벡터의 위치와 상기 구를 분할하는 복수의 초평면(超平面)의 관계로부터 상기 특징량 벡터의 비트열을 생성하며, 생성한 비트열을 기초로 하여 유사한 특징량 벡터를 특정하는 처리를 실행하는 것을 특징으로 하는 검색 방법.
  2. 삭제
  3. 제1항에 있어서, 상기 검색하는 처리는, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 남반구, 동반구 또는 서반구에 집약되는 상기 파라미터를 검색하는 것을 특징으로 하는 검색 방법.
  4. 제1항에 있어서, 상기 검색하는 처리는, 상기 특징량 벡터의 평균값과, 상기 특징량 벡터의 분산 공분산 행렬의 고유값의 최대값을 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 검색 방법.
  5. 제1항에 있어서, 상기 검색하는 처리는, 상기 특징량 벡터의 주성분 분석 결과를 기초로 하여, 누적 기여율 곡선을 특정하고, 상기 누적 기여율 곡선을 기초로 하여 상기 파라미터를 검색하는 것을 특징으로 하는 검색 방법.
  6. 제1항에 있어서, 상기 검색하는 처리는, 언덕 오르기법, 마르코프 연쇄 몬테카를로법 또는 군지능을 기초로 하여, 파라미터를 검색하는 것을 특징으로 하는 검색 방법.
  7. 특징량 공간과, 상기 특징량 공간의 차원보다 1차원 이상 큰 공간에 존재하는 구를 통과하는 직선의 교점 및 상기 구의 미리 정해진 점으로부터 상기 특징량 공간까지의 거리를 포함하는 파라미터를 기초로 하여 상기 특징량 벡터를 상기 구의 표면 상에 사영하는 경우에, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 반구에 집약되는 파라미터를 검색하는 순서와,
    상기 검색하는 순서에 의해 검색된 파라미터를 이용하여 복수의 특징량 벡터를 상기 구의 표면 상에 사영하고, 사영한 상기 특징량 벡터의 위치와 상기 구를 분할하는 복수의 초평면과의 관계로부터 상기 특징량 벡터의 비트열을 생성하고, 생성한 비트열을 기초로 유사한 특징량 벡터를 특정하는 순서
    를 컴퓨터에 실행시키는 검색 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체.
  8. 데이터 베이스에 기억된 제1 차원의 특징량 벡터를 취득하고, 특징량 공간과, 상기 특징량 공간의 차원보다 1차원 이상 큰 공간에 존재하는 구를 통과하는 직선의 교점 및 상기 구의 미리 정해진 점으로부터 상기 특징량 공간까지의 거리를 포함하는 파라미터를 기초로 하여 상기 특징량 벡터를 상기 구의 표면 상에 사영하는 경우에, 상기 구의 표면 상에 사영되는 특징량 벡터의 위치가, 상기 구의 반구에 집약되는 파라미터를 검색하는 검색부와,
    상기 검색부에 의해 탐색된 파라미터를 이용하여 복수의 특징량 벡터를 상기 구의 표면 상에 사영하고, 사영한 상기 특징량 벡터의 위치와 상기 구를 분할하는 복수의 초평면의 관계로부터 상기 특징량 벡터의 비트열을 생성하며, 생성한 비트열을 기초로 하여 유사한 특징량 벡터를 특정하는 특정부를
    갖는 것을 특징으로 하는 검색 장치.
KR1020140167484A 2013-12-19 2014-11-27 검색 방법, 기억 매체 및 검색 장치 KR101662904B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2013263025A JP6156126B2 (ja) 2013-12-19 2013-12-19 検索方法、検索プログラムおよび検索装置
JPJP-P-2013-263025 2013-12-19

Publications (2)

Publication Number Publication Date
KR20150072332A KR20150072332A (ko) 2015-06-29
KR101662904B1 true KR101662904B1 (ko) 2016-10-05

Family

ID=51900266

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140167484A KR101662904B1 (ko) 2013-12-19 2014-11-27 검색 방법, 기억 매체 및 검색 장치

Country Status (5)

Country Link
US (1) US9864926B2 (ko)
EP (1) EP2890042B1 (ko)
JP (1) JP6156126B2 (ko)
KR (1) KR101662904B1 (ko)
CN (1) CN104731847B (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6638484B2 (ja) * 2016-03-10 2020-01-29 富士通株式会社 情報処理装置、類似検索プログラム、及び類似検索方法
US11026634B2 (en) 2017-04-05 2021-06-08 doc.ai incorporated Image-based system and method for predicting physiological parameters
US11853891B2 (en) 2019-03-11 2023-12-26 Sharecare AI, Inc. System and method with federated learning model for medical research applications
US11915802B2 (en) 2019-08-05 2024-02-27 Sharecare AI, Inc. Accelerated processing of genomic data and streamlined visualization of genomic insights
US11177960B2 (en) * 2020-04-21 2021-11-16 Sharecare AI, Inc. Systems and methods to verify identity of an authenticated user using a digital health passport
US11829376B2 (en) * 2020-05-06 2023-11-28 Intel Corporation Technologies for refining stochastic similarity search candidates
CN112464821B (zh) * 2020-11-30 2023-10-24 北京九洲科瑞科技有限公司 一种多维空间视界搜索方法及系统
CN117274727B (zh) * 2023-10-25 2024-04-12 荣耀终端有限公司 生物特征信息的处理方法、电子设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011100395A (ja) * 2009-11-09 2011-05-19 Sony Corp 判別装置、判別方法およびプログラム
JP2013224942A (ja) 2012-04-19 2013-10-31 Applied Materials Israel Ltd 自動欠陥分類のための未知欠陥除去の最適化

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6005984A (en) * 1991-12-11 1999-12-21 Fujitsu Limited Process and apparatus for extracting and recognizing figure elements using division into receptive fields, polar transformation, application of one-dimensional filter, and correlation between plurality of images
US5920644A (en) 1996-06-06 1999-07-06 Fujitsu Limited Apparatus and method of recognizing pattern through feature selection by projecting feature vector on partial eigenspace
US6539115B2 (en) * 1997-02-12 2003-03-25 Fujitsu Limited Pattern recognition device for performing classification using a candidate table and method thereof
JPH10247243A (ja) * 1997-03-04 1998-09-14 Mitsubishi Heavy Ind Ltd 識別装置
US6120461A (en) * 1999-08-09 2000-09-19 The United States Of America As Represented By The Secretary Of The Army Apparatus for tracking the human eye with a retinal scanning display, and method thereof
US7308140B2 (en) * 2000-05-31 2007-12-11 Samsung Electronics Co., Ltd. Method and device for measuring similarity between images
US7076117B2 (en) * 2001-06-19 2006-07-11 International Business Machines Corporation Methods and apparatus for cut-and-paste editing of multiresolution surfaces
ATE514144T1 (de) * 2001-10-16 2011-07-15 Univ Chicago Computerunterstützte erkennung dreidimensionaler läsionen
US7203380B2 (en) * 2001-11-16 2007-04-10 Fuji Xerox Co., Ltd. Video production and compaction with collage picture frame user interface
EP1574988B1 (en) * 2004-03-08 2014-06-18 Siemens Product Lifecycle Management Software Inc. Determining and using geometric feature data
US7564990B2 (en) * 2005-08-18 2009-07-21 Nu Skin International, Inc. Imaging system and method for physical feature analysis
US8145656B2 (en) * 2006-02-07 2012-03-27 Mobixell Networks Ltd. Matching of modified visual and audio media
EP1996959A4 (en) * 2006-03-03 2012-02-29 Medic Vision Brain Technologies Ltd SYSTEM AND METHOD FOR PRIORITIZE PRIORITIZATION AND AUTOMATIC ANALYSIS OF MEDICAL IMAGES
EP1991947B1 (en) * 2006-03-03 2020-04-29 Gentex Corporation Indexing and database search system
JP5237596B2 (ja) * 2007-08-10 2013-07-17 オリンパス株式会社 判別装置
ATE469410T1 (de) * 2007-10-09 2010-06-15 Agfa Healthcare Nv Verfahren und vorrichtung zur volumendarstellung medizinischer datensätze
US20090185746A1 (en) * 2008-01-22 2009-07-23 The University Of Western Australia Image recognition
US8331655B2 (en) * 2008-06-30 2012-12-11 Canon Kabushiki Kaisha Learning apparatus for pattern detector, learning method and computer-readable storage medium
CN101667290B (zh) * 2008-09-05 2012-12-19 鸿富锦精密工业（深圳）有限公司 特征元素拟合方法及其计算机系统
US9459515B2 (en) * 2008-12-05 2016-10-04 Mobileye Vision Technologies Ltd. Adjustable camera mount for a vehicle windshield
JP5247480B2 (ja) * 2009-01-13 2013-07-24 キヤノン株式会社 オブジェクト識別装置及びオブジェクト識別方法
JP5277110B2 (ja) 2009-08-11 2013-08-28 日本電信電話株式会社 データ検索方法，データ検索装置，データ検索プログラム
KR101116663B1 (ko) * 2010-04-15 2012-03-07 성균관대학교산학협력단 고차원 데이터의 유사도 검색을 위한 데이터 분할방법
JP5563494B2 (ja) * 2011-02-01 2014-07-30 株式会社デンソーアイティーラボラトリ 対応参照画像検索装置及び方法、コンテンツ重畳装置、システム、及び方法、並びにコンピュータプログラム
JP5258915B2 (ja) * 2011-02-28 2013-08-07 株式会社デンソーアイティーラボラトリ 特徴変換装置、それを含む類似情報探索装置、コード化パラメータ生成方法、及びコンピュータ・プログラム
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
US9019350B2 (en) * 2012-04-12 2015-04-28 Raytheon Company Stereo rectification method
JP5563016B2 (ja) * 2012-05-30 2014-07-30 株式会社デンソーアイティーラボラトリ 情報検索装置、情報検索方法及びプログラム
EP3331231A1 (en) * 2013-08-28 2018-06-06 Ricoh Company Ltd. Image processing apparatus, image processing method, and imaging system
JP6393982B2 (ja) * 2013-12-17 2018-09-26 富士通株式会社 空間分割方法、空間分割装置および空間分割プログラム
US9582731B1 (en) * 2014-04-15 2017-02-28 Google Inc. Detecting spherical images

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011100395A (ja) * 2009-11-09 2011-05-19 Sony Corp 判別装置、判別方法およびプログラム
JP2013224942A (ja) 2012-04-19 2013-10-31 Applied Materials Israel Ltd 自動欠陥分類のための未知欠陥除去の最適化

Also Published As

Publication number Publication date
EP2890042B1 (en) 2016-10-12
JP2015118639A (ja) 2015-06-25
EP2890042A1 (en) 2015-07-01
JP6156126B2 (ja) 2017-07-05
KR20150072332A (ko) 2015-06-29
US20150178590A1 (en) 2015-06-25
CN104731847B (zh) 2019-05-28
US9864926B2 (en) 2018-01-09
CN104731847A (zh) 2015-06-24

Similar Documents

Publication Publication Date Title
KR101662904B1 (ko) 검색 방법, 기억 매체 및 검색 장치
JP6004016B2 (ja) 情報変換方法、情報変換装置および情報変換プログラム
KR101662938B1 (ko) 분류 방법, 분류 장치 및 기록 매체
CN104615676B (zh) 一种基于最大相似度匹配的图片检索方法
JP2015203946A (ja) ヒストグラムの重心を計算する方法
KR101642598B1 (ko) 공간 분할 방법, 공간 분할 장치 및 기억 매체
CN109121133B (zh) 一种位置隐私保护方法及装置
Tomomi et al. An incremental scheme for dictionary-based compressive slam
KR101642597B1 (ko) 공간 분할 방법, 공간 분할 장치 및 기록 매체
WO2022188080A1 (zh) 图像分类网络模型训练方法、图像分类方法及相关设备
JP6885507B2 (ja) 画像処理装置、画像処理方法及びプログラム
JP7435907B2 (ja) 画像マッチング装置、制御方法、及びプログラム
JP6765992B2 (ja) 超球面空間言語モデル生成装置、クエリ尤度算出装置、これらの方法およびプログラム
Tanaka et al. Dictionary-based compressive slam
KR101255916B1 (ko) 증강현실 환경에서 실시간 마커리스 트래킹을 위한 특징 서술자의 데이터베이스를 기록한 컴퓨터가 읽을 수 있는 기록매체와 그 데이터베이스의 생성 및 검색 방법
Kensuke et al. Multi-scale bag-of-features for large-size map retrieval
von Glehn De Filippo et al. Hierarchical Combination of Semantic Visual Words for Image Classification and Clustering
Murphy et al. Approximate Bijective Correspondence for isolating factors of variation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant