JP2008217589A - 学習装置及びパターン認識装置 - Google Patents
学習装置及びパターン認識装置 Download PDFInfo
- Publication number
- JP2008217589A JP2008217589A JP2007056088A JP2007056088A JP2008217589A JP 2008217589 A JP2008217589 A JP 2008217589A JP 2007056088 A JP2007056088 A JP 2007056088A JP 2007056088 A JP2007056088 A JP 2007056088A JP 2008217589 A JP2008217589 A JP 2008217589A
- Authority
- JP
- Japan
- Prior art keywords
- identification
- information
- region
- local
- arrangement
- 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.)
- Abandoned
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
【解決手段】パターン認識装置50は、局所特徴計算部52、入力部54、特徴量子化部56、識別部58、統合部60、最終識別部62、出力部64から構成され、参照ウィンドウ内の部分画像から得られる局所特徴に加えて、近傍ウィンドウの予測ラベルから空間的な配置に関する配置特徴を研鑽し、これらの複数の特徴の中から識別に有効な組合せを逐次選択する。
【選択図】 図2
Description
P.Viola and M.Jones,「Rapid Object Detection using a Boosted Cascade of Simple Features 」, IEEE conf. on Computer Vision and PatternRecognition (CVPR),2001
学習のための複数のサンプル画像を格納するサンプル画像蓄積部と、
前記各サンプル画像の分割された領域の局所画像毎に、前記局所画像の識別に用いる一または複数の局所情報をそれぞれ計算する局所情報計算部と、
前記複数の弱識別器の中の一つの弱識別器を前記複数のサンプル画像の前記各局所情報を用いて生成する弱識別器生成部と、
を有し、
前記弱識別器生成部は、
(A)(1)前記サンプル画像の複数の領域の中の注目する一つの注目領域と、前記 注目領域の周囲にある一または複数の周囲領域との位置関係情報、及び、
(2)前記周囲領域に対する予め格納、または、予め識別された識別クラス、を用いて、前記注目領域の周囲にある前記周囲領域の識別クラスの配置を表す配置情報を前記注目領域毎にそれぞれ計算する配置情報計算部と、
(B)前記一または複数の局所情報と前記配置情報とを組み合わせた複数の組合せ情報の中から、一つの組合せ情報を選択する組合せ情報選択部と、
(C)前記組合せ情報に基づいて、前記一つの弱識別器の識別パラメータを計算する識別パラメータ計算部と、
を有する学習装置である。
本実施形態の学習装置10について図1、図3〜図6を参照して説明する。
図1は、学習装置10のブロック図である。
データ蓄積部12は認識対象が含まれるサンプル画像を多数格納する。例えば、道路が撮影されている画像をサンプル画像として格納する。
重み初期化部14は個々の学習サンプルの重みを初期化する。この重みとは、一つの弱識別器で識別する場合に学習サンプルの重要度を表す係数である。
D1(i)=1/N (1)
により与えられる。この重みは第1の弱識別器h1(ベクトルx)を学習する際に用いられ、後に説明する重み更新部24で逐次更新される。
局所特徴計算部16は、データ蓄積部12に蓄積されたサンプル画像上の点毎に、その点を中心とする図4に示すような矩形ウィンドウを用いて、パターン認識に必要な局所情報である複数の局所特徴を抽出する。
ベクトルl=(l1 ,l2 ・・・lL ) (2)
で表す。このベクトルを局所特徴ベクトルと呼ぶ。局所特徴計算部16は、データ蓄積部12に蓄積された全ての画像の各点iに対してli を計算し、N本の局所特徴ベクトルを出力する。
配置特徴計算部18は、データ蓄積部12に蓄積されたサンプル画像上の画素毎、すなわち、点毎に配置情報である配置特徴を計算する。配置特徴とは、上記従来の問題点で説明したように局所的な情報だけでは識別精度の向上に限界があるため、注目点を中心としてその周囲の領域の識別クラスに関する情報も前記注目点の識別に用いるものである。言い換えれば、配置情報、すなわち、配置特徴とは、注目点の周囲の領域の識別クラスを特定している。
ベクトルg=(g1 ,g2 ・・・gG ) (3)
で表す。
ベクトルx=(ベクトルl,ベクトルg)
=(l1 ,l2 ・・・lL ,g1 ,g2 ・・・gG )
=(x1 ,x2 ・・・xd ) (4)
とし、このd次元のベクトルxを特徴ベクトルxと呼ぶ。なお、d=L+Gである。ベクトルxとそのクラスラベルy(識別クラスの真値)を合わせた(ベクトルx,y)が前記した学習サンプルである。
弱識別器選択部20は、図1に示すように、量子化部26、組合せ生成部28、確率分布計算部30、組合せ選択部32から構成され、N個の学習サンプルのベクトルxi (i=1,2,・・・,N)とそれに付加された重みDt (i)を考慮して、弱識別器ht (ベクトルx)を選択する。以下その詳細について説明する。
量子化部26でまず最初に各特徴量(特徴ベクトルの各要素)の確率分布を識別クラス毎に求める。この確率分布は学習サンプルの個数ではなく、重みに基づいて計算する。図5に確率分布の例を示す。1本の曲線が1つの識別クラスの確率分布に対応しており、本実施形態では2クラスの識別問題を想定しているので、1つの特徴に対して2つの確率分布を求めることとなる。
組合せ生成部28では特徴の組合せを生成する。
確率分布計算部30では、組合せ生成部28で生成したK種類の特徴の組合せ各々から組合せ特徴量を求め、組合せ特徴量の確率分布を識別クラス毎に求める。
ck の構成要素がf個の特徴量v1,v2 ,・・・vf であるとする。これらf個の特徴量は量子化部26で量子化された符号である。各々異なる段階で量子化されている可能性があるが、説明の簡素化のため全て2段階で量子化されているものとする。この場合、全ての特徴量は0か1の2値符号であるから、そのf個の組合せはfビット階調のスカラー量φで表現できる。このスカラー量φを組合せ特徴量と呼ぶ。
W1 k (φ),W2 k (φ)は各々全体の総和が1になるように正規化しておく。
記憶部22は学習が終了した弱識別器に関する識別パラメータを逐次記憶する。
次に本実施形態のパターン認識装置50について図面を参照して説明する。
図2は、本実施形態におけるパターン認識装置50のブロック図を示すもので、局所特徴計算部52、入力部54、特徴量子化部56、識別部58、統合部60、最終識別部62、出力部64から構成されている。
局所特徴計算部52は、入力された画像上を原点位置から所定のステップ幅で走査し、各点に対して局所特徴を求める。この局所特徴は、前述の学習装置10の局所特徴計算部16で用いたL個の局所特徴l1 ,l2 ・・・lL と同一のものである。学習装置10と同様にL次元のベクトルlは、
ベクトルl=(l1 ,l2 ・・・lL ) (15)
と表記する。
入力部54は、図2に示すように各弱識別器66に対して備えられており、局所特徴計算部52で計算したN本のL次元局所特徴ベクトルlと、統合部60で算出されるG次元の配置特徴ベクトルgを各弱識別器66にそれぞれ入力する。
ベクトルx=(ベクトルl,ベクトルg)
=(l1 ,l2 ・・・lL ,g1 ,g2 ・・・gG )
=(x1 ,x2 ・・・xd ) (16)
但し、d=L+Gである。
ベクトルx=(ベクトルl,ベクトルg)
=(x1 ,x2 ・・・xd ,−1,−1,・・・,−1)
(17)
とする。
以下に各弱識別器66について説明する。
各弱識別器66が具備する複数の特徴量子化部56は、各弱識別器66内では互いに異なる特徴に対応しており、対応する特徴を複数の段階に量子化する。各特徴量子化部56が量子化する特徴や量子化の際に用いる閾値、何段階に量子化するかは、前述の学習装置10によって求められている。
識別部58は、F個の量子化特徴θf (f=1,2,・・・,F)を入力し、識別結果を出力する。
統合部60では各弱識別器66から出力される識別結果を順次統合し、各点の配置特徴gを計算する。
最終識別部62は、各点の最終統合値sT (ベクトルx)から各点の識別クラスを最終判断する。2クラスの識別の場合は通常、sT (ベクトルx)の正負でクラスラベルを決定する。
出力部64は最終的に識別された各点のクラスラベル値を出力する。
以上のようにして、複数の局所特徴と配置特徴の組合せに基づいて識別処理を行うことにより、従来より精度の高いパターン認識が可能となる。換言すれば、本実施形態によって従来よりも低い計算コストで同等の識別性能を得ることができる。
本発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。その他、本発明の要旨を逸脱しない範囲で変形を実施できる。
本実施形態では2クラスの識別問題を想定したが、例えば、複数の強識別器を組み合わせることにより、一般の他のクラスの識別問題に適用することも可能である。
上記実施形態では学習アルゴリズムとしてAdaBoostを採用したが、他のBoosting手法を用いることもできる。
12 データ蓄積部
14 重み初期化部
16 局所特徴計算部
18 配置特徴計算部
20 弱識別器選択部
22 記憶部
24 重み更新部
26 量子化部
28 組合せ生成部
30 確率分布計算部
32 組合せ選択部
50 パターン認識装置
52 局所特徴計算部
54 入力部
56 特徴量子化部
58 識別部
60 統合部
62 最終識別部
64 出力部
66 弱識別器
Claims (15)
- 対象画像の中の領域の画像が属する識別クラスを識別するための複数の弱識別器を生成する学習装置において、
学習のための複数のサンプル画像を格納するサンプル画像蓄積部と、
前記各サンプル画像の分割された領域の局所画像毎に、前記局所画像の識別に用いる一または複数の局所情報をそれぞれ計算する局所情報計算部と、
前記複数の弱識別器の中の一つの弱識別器を前記複数のサンプル画像の前記各局所情報を用いて生成する弱識別器生成部と、
を有し、
前記弱識別器生成部は、
(A)(1)前記サンプル画像の複数の領域の中の注目する一つの注目領域と、前記 注目領域の周囲にある一または複数の周囲領域との位置関係情報、及び、
(2)前記周囲領域に対する予め格納、または、予め識別された識別クラス、を用いて、前記注目領域の周囲にある前記周囲領域の識別クラスの配置を表す配置情報を前記注目領域毎にそれぞれ計算する配置情報計算部と、
(B)前記一または複数の局所情報と前記配置情報とを組み合わせた複数の組合せ情報の中から、一つの組合せ情報を選択する組合せ情報選択部と、
(C)前記組合せ情報に基づいて、前記一つの弱識別器の識別パラメータを計算する識別パラメータ計算部と、
を有する学習装置。 - 前記格納された各サンプル画像の各領域の識別クラスを格納する識別クラス蓄積部と、
前記各サンプル画像の各領域と前記各領域の識別クラスとから構成された学習サンプルに対し、前記弱識別器で識別する場合に前記学習サンプルの重要度を表す重みを前記一つの弱識別器毎に設定する重み設定部と、
を有し、
前記識別パラメータ計算部は、前記組合せ情報と前記重みに基づいて、前記弱識別器の識別パラメータを計算する、
請求項1記載の学習装置。 - 前記組合せ情報生成部は、前記複数の組合せ情報の中で、前記サンプル画像に対する識別誤り率が最も小さい前記一つの組合せ情報を選択する、
請求項1記載の学習装置。 - 前記局所情報計算部は、前記領域毎に複数種類の前記局所情報を計算する、
請求項1記載の学習装置。 - 前記配置情報計算部は、前記注目領域に対してそれぞれ異なる位置にある複数の周囲領域を用いて、複数種類の前記配置情報を計算する、
請求項1記載の学習装置。 - 前記配置情報計算部は、前記サンプル画像の領域毎に真値として予め与えられた識別クラスを用いて前記配置情報を計算する、
請求項1記載の学習装置。 - 前記配置情報計算部は、既に生成された弱識別器から出力された出力値を用いて前記配置情報を計算する、
請求項1記載の学習装置。 - 対象画像の中の領域が、複数の識別クラス中のどの識別クラスに属するかを複数の弱識別器を用いて識別するパターン認識装置において、
前記対象画像を入力する入力部と、
前記対象画像の中の領域毎に識別に用いる局所情報を計算する局所情報計算部と、
前記対象画像の複数の領域の中で注目する一つの注目領域の周囲にある一または複数の周囲領域の推定識別クラスと、前記注目領域と前記周囲領域の位置関係情報とに基づいた配置情報を前記注目領域毎に計算するT個(但し、T>=2である)の配置情報計算部と、
前記T個の配置情報計算部のそれぞれに対応して設けられ、前記対象画像の領域毎の前記局所情報と前記対応する配置情報計算部から入力された配置情報とに基づいて、どの識別クラスであるかを前記領域毎に識別するT個の弱識別器と、
前記T個の弱識別器からそれぞれ出力された前記領域毎の出力値に基づいて、前記領域毎の最終的な識別クラスを求める最終識別部と、
を有するパターン認識装置。 - 前記弱識別器の識別パラメータは、
(1)前記対象画像を識別するためのサンプル画像の領域毎の前記局所情報と、(2)前記サンプル画像の領域毎の配置情報とを組み合わせた組合せ情報に基づいて生成されている、
請求項8記載のパターン認識装置。 - 前記T個の弱識別器の中の第t(但し、1<t=<Tである)弱識別器で用いる第t配置情報を計算する際に、前記第t弱識別器以外の弱識別器の出力値を統合して前記第t配置情報とする、
請求項8記載のパターン認識装置。 - 前記T個の弱識別器の中の第t(但し、1<t=<Tである)弱識別器で用いる第t配置情報を計算する際に、前記第1〜第(t−1)弱識別器の統合結果から前記第t配置情報を計算し、
前記最終識別部は、前記T個の弱識別器の出力値を統合して最終的な識別クラスとする、
請求項8記載のパターン認識装置。 - 対象画像の中の領域の画像が属する識別クラスを識別するための複数の弱識別器を生成する学習方法において、
学習のための複数のサンプル画像を格納するサンプル画像蓄積ステップと、
前記各サンプル画像の分割された領域の局所画像毎に、前記局所画像の識別に用いる一または複数の局所情報をそれぞれ計算する局所情報計算ステップと、
前記複数の弱識別器の中の一つの弱識別器を前記複数のサンプル画像の前記各局所情報を用いて生成する弱識別器生成ステップと、
を有し、
前記弱識別器生成ステップは、
(A)(1)前記サンプル画像の複数の領域の中の注目する一つの注目領域と、前記 注目領域の周囲にある一または複数の周囲領域との位置関係情報、及び、
(2)前記周囲領域に対する予め格納、または、予め識別された識別クラス、を用いて、前記注目領域の周囲にある前記周囲領域の識別クラスの配置を表す配置情報を前記注目領域毎にそれぞれ計算する配置情報計算ステップと、
(B)前記一または複数の局所情報と前記配置情報とを組み合わせた複数の組合せ情報の中から、一つの組合せ情報を選択する組合せ情報選択ステップと、
(C)前記組合せ情報に基づいて、前記一つの弱識別器の識別パラメータを計算する識別パラメータ計算ステップと、
を有する学習方法。 - 対象画像の中の領域が、複数の識別クラス中のどの識別クラスに属するかを複数の弱識別器を用いて識別するパターン認識方法において、
前記対象画像を入力する入力ステップと、
前記対象画像の中の領域毎に識別に用いる局所情報を計算する局所情報計算ステップと、
前記対象画像の複数の領域の中で注目する一つの注目領域の周囲にある一または複数の周囲領域の推定識別クラスと、前記注目領域と前記周囲領域の位置関係情報とに基づいた配置情報を前記注目領域毎に計算するT個(但し、T>=2である)の配置情報計算ステップと、
前記T個の配置情報計算ステップのそれぞれに対応して設けられ、前記対象画像の領域毎の前記局所情報と前記対応する配置情報計算ステップから入力された配置情報とに基づいて、どの識別クラスであるかを前記領域毎に識別するT個の弱識別器と、
前記T個の弱識別器からそれぞれ出力された前記領域毎の出力値に基づいて、前記領域毎の最終的な識別クラスを求める最終識別ステップと、
を有するパターン認識方法。 - 対象画像の中の領域の画像が属する識別クラスを識別するための複数の弱識別器を生成する学習プログラムにおいて、
学習のための複数のサンプル画像を格納するサンプル画像蓄積機能と、
前記各サンプル画像の分割された領域の局所画像毎に、前記局所画像の識別に用いる一または複数の局所情報をそれぞれ計算する局所情報計算機能と、
前記複数の弱識別器の中の一つの弱識別器を前記複数のサンプル画像の前記各局所情報を用いて生成する弱識別器生成機能と、
をコンピュータによって実現し、
前記弱識別器生成機能は、
(A)(1)前記サンプル画像の複数の領域の中の注目する一つの注目領域と、前記 注目領域の周囲にある一または複数の周囲領域との位置関係情報、及び、
(2)前記周囲領域に対する予め格納、または、予め識別された識別クラス、を用いて、前記注目領域の周囲にある前記周囲領域の識別クラスの配置を表す配置情報を前記注目領域毎にそれぞれ計算する配置情報計算機能と、
(B)前記一または複数の局所情報と前記配置情報とを組み合わせた複数の組合せ情報の中から、一つの組合せ情報を選択する組合せ情報選択機能と、
(C)前記組合せ情報に基づいて、前記一つの弱識別器の識別パラメータを計算する識別パラメータ計算機能と、
を実現する学習プログラム。 - 対象画像の中の領域が、複数の識別クラス中のどの識別クラスに属するかを複数の弱識別器を用いて識別するパターン認識プログラムにおいて、
前記対象画像を入力する入力機能と、
前記対象画像の中の領域毎に識別に用いる局所情報を計算する局所情報計算機能と、
前記対象画像の複数の領域の中で注目する一つの注目領域の周囲にある一または複数の周囲領域の推定識別クラスと、前記注目領域と前記周囲領域の位置関係情報とに基づいた配置情報を前記注目領域毎に計算するT個(但し、T>=2である)の配置情報計算機能と、
前記T個の配置情報計算機能のそれぞれに対応して設けられ、前記対象画像の領域毎の前記局所情報と前記対応する配置情報計算機能から入力された配置情報とに基づいて、どの識別クラスであるかを前記領域毎に識別するT個の弱識別器と、
前記T個の弱識別器からそれぞれ出力された前記領域毎の出力値に基づいて、前記領域毎の最終的な識別クラスを求める最終識別機能と、
をコンピュータによって実現する認識プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007056088A JP2008217589A (ja) | 2007-03-06 | 2007-03-06 | 学習装置及びパターン認識装置 |
US12/040,993 US20080219565A1 (en) | 2007-03-06 | 2008-03-03 | Training device and pattern recognizing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007056088A JP2008217589A (ja) | 2007-03-06 | 2007-03-06 | 学習装置及びパターン認識装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008217589A true JP2008217589A (ja) | 2008-09-18 |
Family
ID=39741687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007056088A Abandoned JP2008217589A (ja) | 2007-03-06 | 2007-03-06 | 学習装置及びパターン認識装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20080219565A1 (ja) |
JP (1) | JP2008217589A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010090189A1 (ja) * | 2009-02-03 | 2010-08-12 | 日本電気株式会社 | パターン認識装置、パターン認識方法およびパターン認識プログラム |
WO2010109644A1 (ja) * | 2009-03-27 | 2010-09-30 | グローリー株式会社 | 被写体識別方法、被写体識別プログラムおよび被写体識別装置 |
WO2010116222A1 (ja) * | 2009-03-26 | 2010-10-14 | パナソニック電工株式会社 | 信号識別方法および信号識別装置 |
WO2015146113A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | 識別辞書学習システム、識別辞書学習方法および記録媒体 |
JP2015204030A (ja) * | 2014-04-15 | 2015-11-16 | キヤノン株式会社 | 認識装置及び認識方法 |
JP2016520934A (ja) * | 2013-05-31 | 2016-07-14 | シーメンス プロダクト ライフサイクル マネージメント ソフトウェアー インコーポレイテッドSiemens Product Lifecycle Management Software Inc. | フィーチャの定型パターンの自動検出 |
US9600745B2 (en) | 2011-03-17 | 2017-03-21 | Nec Corporation | Image recognition system, image recognition method, and non-transitory computer readable medium storing image recognition program |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8890951B2 (en) * | 2008-04-24 | 2014-11-18 | GM Global Technology Operations LLC | Clear path detection with patch smoothing approach |
US8803966B2 (en) * | 2008-04-24 | 2014-08-12 | GM Global Technology Operations LLC | Clear path detection using an example-based approach |
JP2012113621A (ja) * | 2010-11-26 | 2012-06-14 | Sony Corp | 情報処理装置、情報処理方法、及び、プログラム |
JP5848551B2 (ja) * | 2011-08-26 | 2016-01-27 | キヤノン株式会社 | 学習装置、学習装置の制御方法、検出装置、検出装置の制御方法、およびプログラム |
US9336774B1 (en) * | 2012-04-20 | 2016-05-10 | Google Inc. | Pattern recognizing engine |
KR20140019501A (ko) * | 2012-08-06 | 2014-02-17 | 현대자동차주식회사 | 장애물 인식을 위한 분류기의 생성방법 |
US11620573B1 (en) | 2013-05-31 | 2023-04-04 | Google Llc | Totally corrective boosting with cardinality penalization |
JP6325405B2 (ja) * | 2014-09-22 | 2018-05-16 | 株式会社東芝 | 特徴点検出装置、方法及びプログラム |
CN104318236B (zh) * | 2014-10-28 | 2017-11-14 | 苏州科达科技股份有限公司 | 一种获取图像局部特征的方法及*** |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN114037739A (zh) * | 2021-10-29 | 2022-02-11 | 齐鲁工业大学 | 一种基于机器学习的流场特征提取方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005044330A (ja) * | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
JP2006268825A (ja) * | 2005-02-28 | 2006-10-05 | Toshiba Corp | オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム |
JP2006350645A (ja) * | 2005-06-15 | 2006-12-28 | Matsushita Electric Ind Co Ltd | 対象物検出装置及びその学習装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7526101B2 (en) * | 2005-01-24 | 2009-04-28 | Mitsubishi Electric Research Laboratories, Inc. | Tracking objects in videos with adaptive classifiers |
JP4708909B2 (ja) * | 2005-08-09 | 2011-06-22 | 富士フイルム株式会社 | デジタル画像の対象物検出方法および装置並びにプログラム |
-
2007
- 2007-03-06 JP JP2007056088A patent/JP2008217589A/ja not_active Abandoned
-
2008
- 2008-03-03 US US12/040,993 patent/US20080219565A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005044330A (ja) * | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
JP2006268825A (ja) * | 2005-02-28 | 2006-10-05 | Toshiba Corp | オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム |
JP2006350645A (ja) * | 2005-06-15 | 2006-12-28 | Matsushita Electric Ind Co Ltd | 対象物検出装置及びその学習装置 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010090189A1 (ja) * | 2009-02-03 | 2010-08-12 | 日本電気株式会社 | パターン認識装置、パターン認識方法およびパターン認識プログラム |
JP5408143B2 (ja) * | 2009-02-03 | 2014-02-05 | 日本電気株式会社 | パターン認識装置、パターン認識方法およびパターン認識プログラム |
WO2010116222A1 (ja) * | 2009-03-26 | 2010-10-14 | パナソニック電工株式会社 | 信号識別方法および信号識別装置 |
JP2010231455A (ja) * | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 信号識別方法および信号識別装置 |
WO2010109644A1 (ja) * | 2009-03-27 | 2010-09-30 | グローリー株式会社 | 被写体識別方法、被写体識別プログラムおよび被写体識別装置 |
JP5290401B2 (ja) * | 2009-03-27 | 2013-09-18 | グローリー株式会社 | 被写体識別方法、被写体識別プログラムおよび被写体識別装置 |
US9600745B2 (en) | 2011-03-17 | 2017-03-21 | Nec Corporation | Image recognition system, image recognition method, and non-transitory computer readable medium storing image recognition program |
JP2016520934A (ja) * | 2013-05-31 | 2016-07-14 | シーメンス プロダクト ライフサイクル マネージメント ソフトウェアー インコーポレイテッドSiemens Product Lifecycle Management Software Inc. | フィーチャの定型パターンの自動検出 |
WO2015146113A1 (ja) * | 2014-03-28 | 2015-10-01 | 日本電気株式会社 | 識別辞書学習システム、識別辞書学習方法および記録媒体 |
JPWO2015146113A1 (ja) * | 2014-03-28 | 2017-04-13 | 日本電気株式会社 | 識別辞書学習システム、識別辞書学習方法および識別辞書学習プログラム |
US10380456B2 (en) | 2014-03-28 | 2019-08-13 | Nec Corporation | Classification dictionary learning system, classification dictionary learning method and recording medium |
JP2020053073A (ja) * | 2014-03-28 | 2020-04-02 | 日本電気株式会社 | 学習方法、学習システム、および学習プログラム |
JP2015204030A (ja) * | 2014-04-15 | 2015-11-16 | キヤノン株式会社 | 認識装置及び認識方法 |
Also Published As
Publication number | Publication date |
---|---|
US20080219565A1 (en) | 2008-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2008217589A (ja) | 学習装置及びパターン認識装置 | |
US10909455B2 (en) | Information processing apparatus using multi-layer neural network and method therefor | |
He et al. | Learning and incorporating top-down cues in image segmentation | |
US9213885B1 (en) | Object recognizer and detector for two-dimensional images using Bayesian network based classifier | |
JP4517633B2 (ja) | 対象物検出装置及び方法 | |
JP5554987B2 (ja) | オブジェクト識別装置及びその制御方法 | |
JP4429370B2 (ja) | ポーズによるヒト検出 | |
US8374442B2 (en) | Linear spatial pyramid matching using sparse coding | |
US11106903B1 (en) | Object detection in image data | |
JP6111297B2 (ja) | 方法、装置、およびプログラム | |
US8103058B2 (en) | Detecting and tracking objects in digital images | |
JP4588575B2 (ja) | デジタル画像の複数対象物検出方法および装置並びにプログラム | |
JP2011013732A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP4553044B2 (ja) | 集団学習装置及び方法 | |
JP2005202932A (ja) | データを複数のクラスに分類する方法 | |
JP5123759B2 (ja) | パターン検出器の学習装置、学習方法及びプログラム | |
JP2011154501A (ja) | 学習装置、学習方法、識別装置、識別方法、プログラム、及び情報処理システム | |
JP2009140369A (ja) | 集団学習装置及び集団学習方法、対象物検出装置及び対象物検出方法、並びにコンピュータ・プログラム | |
JP5311899B2 (ja) | パターン検出器の学習装置、学習方法及びプログラム | |
JP5214679B2 (ja) | 学習装置、方法及びプログラム | |
JP4795864B2 (ja) | 特徴点検出装置および方法並びにプログラム | |
CN114676777A (zh) | 一种基于孪生网络的自监督学习细粒度图像分类方法 | |
JP2011154500A (ja) | 学習装置、学習方法、識別装置、識別方法、及びプログラム | |
Wong et al. | Real-time adaptive hand motion recognition using a sparse bayesian classifier | |
JP2021018477A (ja) | 情報処理装置、情報処理方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090326 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20110214 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110422 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110517 |
|
A762 | Written abandonment of application |
Free format text: JAPANESE INTERMEDIATE CODE: A762 Effective date: 20110616 |