JP2019067194A - 自律学習装置、自律学習方法及びプログラム - Google Patents
自律学習装置、自律学習方法及びプログラム Download PDFInfo
- Publication number
- JP2019067194A JP2019067194A JP2017192758A JP2017192758A JP2019067194A JP 2019067194 A JP2019067194 A JP 2019067194A JP 2017192758 A JP2017192758 A JP 2017192758A JP 2017192758 A JP2017192758 A JP 2017192758A JP 2019067194 A JP2019067194 A JP 2019067194A
- Authority
- JP
- Japan
- Prior art keywords
- image
- word
- group
- word group
- true
- 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.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【解決手段】自律学習装置100では、関連単語群生成部1は、与えられた入力語を用いてキーワード検索を行い、検索結果から名詞を抜き出して関連単語群を生成する。真関連単語群生成部2は、関連単語群に含まれる単語と入力語との関連性を判定し、入力語と所定の関連性を有しない単語を関連単語群から除去した真関連単語群を生成する。画像検索部3は、真関連単語群に含まれる単語を用いた画像検索を行って画像を取得する。分類器生成部4は、真関連単語群に含まれる単語のそれぞれと、真関連単語群に含まれる単語のそれぞれに対応する画像と、を学習データとして分類器を生成する。
【選択図】図1
Description
まず、自律学習システムに、認識したい画像に関連する単語を入力語として与える。例えば、「犬」や「馬」の画像を認識したい場合は「動物」や「哺乳類」などの入力語を与えればよい。そして、例えば一般的なサーチエンジンにより、入力語を用いてキーワード検索を行い、得られた文章をダウンロードする。次に、キーワード検索によって得られた文章に対して形態素解析を行い、文章を単語に分解して各単語の品詞を決定する。そして、推定すべき物体名の候補となり得る単語として名詞のみを抜き出し、TF−IDF(Term Frequency - Inverse Document Frequency)で重み付けを行い、重みが大きい上位500語によって入力語に対する関連単語群RWを生成する。
関連単語群RWに含まれる各単語に対してウェブ画像検索を行い、得られた画像から画像特徴量を抽出する。画像特徴量としては、例えば局所特徴量であるSIFT(Scale-Invariant Feature Transform)を用いてもよい。このとき、1つの単語について複数の画像が得られるため、ここから適当な画像特徴量を抽出し、各単語に対応する1つの特徴量に変換する。これによって、各画像から、位置と強度の情報とを含む複数の局所特徴量ベクトルが得られる。複数の局所特徴量ベクトルを強度順にソートし、上位の局所特徴量ベクトルのみを選別する。選別した局所特徴量ベクトルは、画像認識分野で広く用いられているBag−of−visual−words手法を用いてヒストグラムに変換される。
学習データを用いて、入力語に関連する様々な物体の認識を行うための分類器として、SVM(Support Vector Machine:サポートベクターマシン)を用いた。SVMとは、教師あり学習を用いる分類器の一つで、識別関数がマージンを最大化するように構成される。ここでは、いわゆるランキングSVMによって分類器を生成する。
について、クラスiとクラスjとを2クラス分類するk(k−1)/2個のSVMを生成する。そして、分類されたクラスに1票ずつ投票していき、クラスiに入った票数をscoreiとする。そして、式(2)に示すように、各単語に対応するscorewに一貫性係数Fconsを乗じて重み付けした評価値Vwを算出する。
与えられた入力語を用いてキーワード検索を行い、検索結果から名詞を抜き出して関連単語群を生成する関連単語群生成部と、
前記関連単語群に含まれる単語と前記入力語との関連性を判定し、前記入力語と所定の関連性を有しない単語を前記関連単語群から除去した真関連単語群を生成する真関連単語群生成部と、
前記真関連単語群に含まれる単語を用いた画像検索を行って画像を取得する画像検索部と、
前記真関連単語群に含まれる単語のそれぞれと、前記真関連単語群に含まれる単語のそれぞれに対応する画像と、を学習データとして分類器を生成する分類器生成部と、を有するものである。
前記真関連単語群生成部は、
前記関連単語群の単語のそれぞれを用いてキーワード検索を行い、
キーワード検索で得られた文章を複数の単語に分解して名詞を抜き出し、
抜き出した名詞中に前記入力語が含まれない場合には、キーワード検索で用いた前記単語を、前記関連単語群から除去する、ものである。
前記画像検索部での画像検索で得られた前記真関連単語群に含まれる単語のそれぞれに対応する複数の画像の一貫性を判定し、前記複数の画像が所定の一貫性を有しない場合、前記複数の画像に対応する単語を前記真関連単語群から除去する単語選別部を更に有する、ものである。
前記単語選別部は、
前記画像検索部での画像検索で得られた前記真関連単語群に含まれる単語のそれぞれに対応する複数の画像の画像一貫性度Cwを、以下の式により算出し、
前記画像一貫性度Cwが第1の値よりも小さい場合に、前記画像一貫性度Cwに対応する単語を前記真関連単語群から除去する、ものである。
画像相違度Sw,waは、以下の式で定義される。
前記画像検索部での画像検索で得られた前記真関連単語群に含まれる単語のそれぞれに対応する複数の画像からなる画像群の各画像について、対応する単語に対して所定の関連性を有しない画像を前記画像群から削除する画像選別部を更に有するものである。
前記画像選別部は、
前記画像群の各画像の特徴量を抽出し、
抽出した特徴量の強度に基づいてヒストグラムを生成し、
前記ヒストグラムのビンの値の分散を算出し、
算出した分散で重み付けしたランキングSVMによって前記画像群の各画像の順位を算出し、
第2の値よりも順位が大きな画像を前記画像群から削除する、ものである。
与えられた入力語を用いてキーワード検索を行い、検索結果から名詞を抜き出して関連単語群を生成し、
前記関連単語群に含まれる単語と前記入力語との関連性を判定し、前記入力語と所定の関連性を有しない単語を前記関連単語群から除去した真関連単語群を生成し、
前記真関連単語群に含まれる単語を用いた画像検索を行って画像を取得し、
前記真関連単語群に含まれる単語のそれぞれと、前記真関連単語群に含まれる単語のそれぞれに対応する画像と、を学習データとして分類器を生成する、ものである。
与えられた入力語を用いてキーワード検索を行い、検索結果から名詞を抜き出して関連単語群を生成する処理と、
前記関連単語群に含まれる単語と前記入力語との関連性を判定し、前記入力語と所定の関連性を有しない単語を前記関連単語群から除去した真関連単語群を生成する処理と、
前記真関連単語群に含まれる単語を用いた画像検索を行って画像を取得する処理と、
前記真関連単語群に含まれる単語のそれぞれと、前記真関連単語群に含まれる単語のそれぞれに対応する画像と、を学習データとして分類器を生成する処理と、からなる自律学習をコンピュータに実行させる、ものである。
実施の形態1にかかる自律学習装置100の構成及び動作について説明する。実施の形態1にかかる自律学習装置100は、入力語とは関係が無い又は低いにもかかわらず、上述した関連単語群に含まれてしまった単語を、ノイズとして除去するものである。
ここでは、自律学習装置100の関連単語群生成部1が、与えられた入力語に基づいてウェブ検索を行い、検索結果に基づいて関連単語群RWを生成する。図3は、ステップS1における関連単語群RWの生成を示すフロー図である。
まず、関連単語群生成部1に、入力語MWを与える。このとき、入力語としては、1つの単語又は複数の単語を与えることができる。
関連単語群生成部1は、与えられた入力語MWを用いて、ウェブ上でキーワード検索を行い、キーワード検索によって得られた文章を取得する。このとき、例えば、自律学習装置100は、キーワード検索によって得られた文章をダウンロードし、記憶装置に蓄積してもよい。キーワード検索は、一般的に用いられるサーチエンジン、ウィキペディア及びウェブ辞書のいずれかを用いてもよく、又は、これらを組み合わせて用いてもよい。
関連単語群生成部1は、形態素解析により取得した文章を単語レベルに分解し、分解して得られた単語のそれぞれの品詞を決定する。
関連単語群生成部1は、分解して得られた単語の中から、名詞を選別する。
関連単語群生成部1は、選別された名詞から所定の規則に基づいて関連単語群RWに含まれるべき名詞を選択し、選択した名詞で構成される関連単語群RWを生成する。例えば、自律学習装置100は、ステップS14で選別された名詞に対してTF−IDF(Term Frequency - Inverse Document Frequency)で重み付けを行い、重みが大きな上位500語で関連単語群RWを生成する。なお、名詞に対する重み付けは、TF−IDFに限られず、適宜他の方法を用いてもよい。関連単語群RWに含まれる単語数は500語に限られず、適宜500語以外の語数としてもよい。
上述のステップS1では、入力語MWに基づいてウェブ検索を行って文章を取得した。そのため、文章によっては、入力語MWに関係が無い又は低い単語が含まれていることがある。その結果、入力語に関係が無い又は低い単語であっても、ウェブ上での出現頻度が高い場合には、関連単語群RWに含まれてしまう。そこで、ステップS2では、真関連単語群生成部2は、関連単語群RWから入力語MWに関係が無い又は低い単語を除去して、真関連単語群TRWを生成する。
真関連単語群生成部2は、関連単語群RWから、1つの単語wを選択する。
真関連単語群生成部2は、単語wを用いてウェブ検索を行い、単語wに対する関連単語群tmp_RWを求める。関連単語群tmp_RWの生成については、上述したステップS1において、入力語MWを単語wに置き換えることで関連単語群tmp_RWを得ることができるので、重複する説明については省略する。
真関連単語群生成部2は、関連単語群tmp_RWに、入力語MWが含まれるかを判定する。
真関連単語群生成部2は、関連単語群tmp_RWに入力語MWが含まれる場合には、単語wを抽出し、真関連単語群TRWに追加する。
真関連単語群生成部2は、ステップS24の後、又は、ステップS23において関連単語群tmp_RWに入力語MWが含まれないと判定された場合、ステップS21において関連単語群RWに含まれる全ての単語が選択されたかを判定する。
画像検索部3は、真関連単語群TRWに含まれる単語を用いて、ウェブ上で画像検索を行う。
分類器生成部4は、真関連単語群TRWと、ステップS3での画像検索により取得した画像とに基づいて、分類器を生成する。この場合、例えば、SVM(Support Vector Machine:サポートベクターマシン)を用いて分類器を生成してもよい。また、分類器の生成については、上述したように、式(1)及び式(2)を用いて画像一貫性係数を計算し、それによる重み付けを行うことで生成してもよい。
次いで、ステップS12でのキーワード検索を行うときの検索ページ数の決定方法について説明する。もし、ウェブ検索のページ数が少なすぎると、真関連単語群TRWに含まれる単語数も少なくなってしまう。一方、ウェブ検索のページ数が多すぎると、上記のステップS2により関連単語群RWから真関連単語群TRWを抽出したとしても、真関連単語群TRWに含まれる単語数は、関連単語群RWに含まれる単語数とあまり変化しない。よって、真関連単語群TRWに含まれる単語数が所望の数となり、かつ、関連単語群RWから真関連単語群TRWを抽出した後の単語数を有意に減らせるように、ウェブ検索のページ数を決定する必要がある。
実施の形態2にかかる自律学習装置200の構成及び動作について説明する。実施の形態1では、真関連単語群TRWを生成することで、学習データに含まれるノイズを低減した。しかし、図2に示したステップS3において真関連単語群TRWに含まれる単語を用いてウェブ上で画像検索をした場合に、単語によっては、検索で得られた複数の画像の間の一貫性が無い又は低い場合があり得る。こうした単語とこれに対応する画像が学習データに含まれてしまうと、物体の認識精度が低下してしまう。そこで、本実施の形態では、検索で得られた複数の画像の間の一貫性が無い又は低い単語を真関連単語群TRWから除去する自律学習装置200について説明する。
単語選別部5は、真関連単語群TRWから、1つの単語wを選択する。
単語選別部5は、単語wによって検索された画像と、単語wとは別に選択された単語waとの間の画像相違度Sw,waを計算する。以下、画像相違度Sw,waの計算方法について説明する。まず単語wの画像を、学習データとテストデータとに分ける。同様に、単語waの画像を、学習データとテストデータとに分ける。これらの学習データを用いて、単語wにかかる画像と単語waにかかる画像を分類する2クラスSVMを生成する。ここでは、学習データとテストデータの比率が4:1になるように設定したが、この比率は例示に過ぎず、適宜他の比率としてもよい。これにより、単語wにかかる画像のうち、正しく分類されたものの数Twを求める。同様に、単語waにかかる画像のうち、正しく分類されたものの数Twaを求める。そして、以下の式(4)によって、画像相違度Sw,waを求める。
画像一貫性度Cwが、閾値αよりも小さいか(Cw<α)を判定する。
画像一貫性度Cwが閾値αよりも小さい場合には、選択された単語wは学習データとして相応しくないと判断し、選択された単語wを真関連単語群TRWから除去する。
ステップS55の後、又は、画像一貫性度Cwが閾値αよりも大きい場合、ステップS51において真関連単語群TRWに含まれる全ての単語が選択されたかを判定する。
次いで、閾値αの決定方法について説明する。本実施の形態では、上述で用いた閾値αの値を適切に決定する必要がある。閾値αは、以下の方法によって決定することができる。以下では、入力語として「動物」及び「種類」の2語を用いる例について説明する。
実施の形態3にかかる自律学習装置300の構成及び動作について説明する。実施の形態2では、真関連単語群TRWを生成し、かつ、真関連単語群TRWに含まれる単語を選別することで、学習データに含まれるノイズを低減した。しかし、ステップS3では、真関連単語群TRWに含まれる単語を用いてウェブ上で検索した画像をそのまま学習データに含めているため、用いた単語と関係が無い又は低い画像が学習データに混入するおそれがある。そこで、本実施の形態では、各単語の検索結果である複数の画像の中から、用いた単語と関係が無い又は低い画像を除去することで、学習データに含まれるノイズを低減する。
画像選別部6は、真関連単語群TRWから、1つの単語wを選択する。
画像選別部6は、単語wにかかる画像群Imgwの中から、1枚の画像imgを選択する。
画像選別部6は、画像imgの順位であるランクRankを計算する。ランクRankは、上述した式(2)で計算される評価値Vwの順に対応する単語をソートしたときの、単語wに対応する評価値Vwの順位であるランクを用いる。
画像選別部6は、ランクRankが閾値βよりも大きいか(Rank>β)を判定する。
ランクRankの値が大きい場合、その画像を学習データとして分類器を生成するのは望ましくない。よって、Rank≧βの画像については学習データから取り除かれるべきである。よって、画像選別部6は、ランクRankが閾値βよりも大きい場合、選択した画像を削除する。
画像選別部6は、ステップS65の後、又は、ランクRankが閾値βよりも小さい場合、ステップS62において、画像群Imgwに含まれる全ての画像が選択されたかを判定する。
ステップS62において画像群Imgwに含まれる全ての画像が選択されていた場合、ステップS61において真関連単語群TRWに含まれる全ての単語が選択されたかを判定する。
学習すべき画像を選別する際の閾値βの設定について説明する。ここでは、意図的に学習データの中にノイズを加えて、閾値βを変化させながら学習画像の選別を行い、その結果から閾値βの最適な値を求める.
次いで、実施の形態3にかかる自律学習装置300での学習よる認識能力について検証する。以下では、本手法の適用による認識能力を検証するため、選別した学習データの精度と実環境を想定した際の認識結果について評価する。評価方法としては、本手法により学習した情報をもとに一般物体認識を行い、以下の式(6)で定義される認識率Accuracy[%]を用いた。
上記の実験では、入力語として「動物」及び「種類」を用いた。しかし、家庭用ロボットなどの機器に本手法が実装されることを考えた場合、様々なパターンの入力語の組み合わせに対応する必要がある。ここでは、様々な入力語の組み合わせについて、認識率を用いて評価を行った。表5に、入力語の組み合わせと認識対象物体を示す。
なお、本発明は上述した実施の形態のみに限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能であることは勿論である。
2 真関連単語群生成部
3 画像検索部
4 分類器生成部
5 単語選別部
6 画像選別部
100 自律学習装置
200 自律学習装置
300 自律学習装置
MW 入力語
RW 関連単語群
tmp_RW 関連単語群
TRW 真関連単語群
Claims (8)
- 与えられた入力語を用いてキーワード検索を行い、検索結果から名詞を抜き出して関連単語群を生成する関連単語群生成部と、
前記関連単語群に含まれる単語と前記入力語との関連性を判定し、前記入力語と所定の関連性を有しない単語を前記関連単語群から除去した真関連単語群を生成する真関連単語群生成部と、
前記真関連単語群に含まれる単語を用いた画像検索を行って画像を取得する画像検索部と、
前記真関連単語群に含まれる単語のそれぞれと、前記真関連単語群に含まれる単語のそれぞれに対応する画像と、を学習データとして分類器を生成する分類器生成部と、を備える、
自律学習装置。 - 前記真関連単語群生成部は、
前記関連単語群の単語のそれぞれを用いてキーワード検索を行い、
キーワード検索で得られた文章を複数の単語に分解して名詞を抜き出し、
抜き出した名詞中に前記入力語が含まれない場合には、キーワード検索で用いた前記単語を、前記関連単語群から除去する、
請求項1に記載の自律学習装置。 - 前記画像検索部での画像検索で得られた前記真関連単語群に含まれる単語のそれぞれに対応する複数の画像の一貫性を判定し、前記複数の画像が所定の一貫性を有しない場合、前記複数の画像に対応する単語を前記真関連単語群から除去する単語選別部を更に備える、
請求項1又は2に記載の自律学習装置。 - 前記単語選別部は、
前記画像検索部での画像検索で得られた前記真関連単語群に含まれる単語のそれぞれに対応する複数の画像の画像一貫性度Cwを、以下の式により算出し、
前記画像一貫性度Cwが第1の値よりも小さい場合に、前記画像一貫性度Cwに対応する単語を前記真関連単語群から除去する、
請求項3に記載の自律学習装置。
画像相違度Sw,waは、以下の式で定義される。
- 前記画像検索部での画像検索で得られた前記真関連単語群に含まれる単語のそれぞれに対応する複数の画像からなる画像群の各画像について、対応する単語に対して所定の関連性を有しない画像を前記画像群から削除する画像選別部を更に備える、
請求項4に記載の自律学習装置。 - 前記画像選別部は、
前記画像群の各画像の特徴量を抽出し、
抽出した特徴量の強度に基づいてヒストグラムを生成し、
前記ヒストグラムのビンの値の分散を算出し、
算出した分散で重み付けしたランキングSVMによって前記画像群の各画像の順位を算出し、
第2の値よりも順位が大きな画像を前記画像群から削除する、
請求項5に記載の自律学習装置。 - 与えられた入力語を用いてキーワード検索を行い、検索結果から名詞を抜き出して関連単語群を生成し、
前記関連単語群に含まれる単語と前記入力語との関連性を判定し、前記入力語と所定の関連性を有しない単語を前記関連単語群から除去した真関連単語群を生成し、
前記真関連単語群に含まれる単語を用いた画像検索を行って画像を取得し、
前記真関連単語群に含まれる単語のそれぞれと、前記真関連単語群に含まれる単語のそれぞれに対応する画像と、を学習データとして分類器を生成する、
自律学習方法。 - 与えられた入力語を用いてキーワード検索を行い、検索結果から名詞を抜き出して関連単語群を生成する処理と、
前記関連単語群に含まれる単語と前記入力語との関連性を判定し、前記入力語と所定の関連性を有しない単語を前記関連単語群から除去した真関連単語群を生成する処理と、
前記真関連単語群に含まれる単語を用いた画像検索を行って画像を取得する処理と、
前記真関連単語群に含まれる単語のそれぞれと、前記真関連単語群に含まれる単語のそれぞれに対応する画像と、を学習データとして分類器を生成する処理と、からなる自律学習をコンピュータに実行させる、
プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017192758A JP2019067194A (ja) | 2017-10-02 | 2017-10-02 | 自律学習装置、自律学習方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017192758A JP2019067194A (ja) | 2017-10-02 | 2017-10-02 | 自律学習装置、自律学習方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019067194A true JP2019067194A (ja) | 2019-04-25 |
Family
ID=66337913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017192758A Pending JP2019067194A (ja) | 2017-10-02 | 2017-10-02 | 自律学習装置、自律学習方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019067194A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102480557B1 (ko) * | 2022-03-15 | 2022-12-23 | 주식회사 플라츠 | 사용자 입력 키워드 및 인공지능에 기반한 모델링 이미지 추천 모델 생성 장치 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249584A (ja) * | 2006-03-15 | 2007-09-27 | Softec:Kk | クライアントデータベース構築方法、データ検索方法、データ検索システム、データ検索フィルタリングシステム、クライアントデータベース構築プログラム、データ検索プログラム、データ検索フィルタリングプログラム及びプログラムを格納したコンピュータで読み取り可能な記録媒体並びに記録した機器 |
JP2010102690A (ja) * | 2008-09-24 | 2010-05-06 | Canon Inc | 情報処理装置及び方法 |
US20160147894A1 (en) * | 2014-11-21 | 2016-05-26 | Institute For Information Industry | Method and system for filtering search results |
-
2017
- 2017-10-02 JP JP2017192758A patent/JP2019067194A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007249584A (ja) * | 2006-03-15 | 2007-09-27 | Softec:Kk | クライアントデータベース構築方法、データ検索方法、データ検索システム、データ検索フィルタリングシステム、クライアントデータベース構築プログラム、データ検索プログラム、データ検索フィルタリングプログラム及びプログラムを格納したコンピュータで読み取り可能な記録媒体並びに記録した機器 |
JP2010102690A (ja) * | 2008-09-24 | 2010-05-06 | Canon Inc | 情報処理装置及び方法 |
US20160147894A1 (en) * | 2014-11-21 | 2016-05-26 | Institute For Information Industry | Method and system for filtering search results |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102480557B1 (ko) * | 2022-03-15 | 2022-12-23 | 주식회사 플라츠 | 사용자 입력 키워드 및 인공지능에 기반한 모델링 이미지 추천 모델 생성 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102252081B1 (ko) | 이미지 특성의 획득 | |
Gonthier et al. | Weakly supervised object detection in artworks | |
US10997256B2 (en) | Webpage classification method and apparatus, calculation device and machine readable storage medium | |
US20200380403A1 (en) | Visually Guided Machine-learning Language Model | |
Bai et al. | Particle swarm optimization based two-stage feature selection in text mining | |
JP5234469B2 (ja) | 対応関係学習装置および方法ならびに対応関係学習用プログラム、アノテーション装置および方法ならびにアノテーション用プログラム、および、リトリーバル装置および方法ならびにリトリーバル用プログラム | |
US8306315B2 (en) | Method of compiling three-dimensional object identifying image database, processing apparatus and processing program | |
US10482146B2 (en) | Systems and methods for automatic customization of content filtering | |
US20180341686A1 (en) | System and method for data search based on top-to-bottom similarity analysis | |
US11928142B2 (en) | Information processing apparatus and information processing method | |
WO2021034941A1 (en) | A method for multi-modal retrieval and clustering using deep cca and active pairwise queries | |
US20180181837A1 (en) | Image processing system and method | |
US10671663B2 (en) | Generation device, generation method, and non-transitory computer-readable recording medium | |
US20180285742A1 (en) | Learning method, learning apparatus, and storage medium | |
JP6377917B2 (ja) | 画像検索装置及び画像検索プログラム | |
JP2019067194A (ja) | 自律学習装置、自律学習方法及びプログラム | |
JP5971722B2 (ja) | ハッシュ関数の変換行列を定める方法、該ハッシュ関数を利用するハッシュ型近似最近傍探索方法、その装置及びそのコンピュータプログラム | |
EP3166021A1 (en) | Method and apparatus for image search using sparsifying analysis and synthesis operators | |
Estivill-Castro et al. | Improving binary classification of web pages using an ensemble of feature selection algorithms | |
CN115617978A (zh) | 指标名称检索方法、装置、电子设备及存储介质 | |
CN115049889A (zh) | 存储介质和推理方法 | |
Nhan et al. | Score-based fusion schemes for plant identification from multi-organ images | |
US20230281275A1 (en) | Identification method and information processing device | |
US11769340B2 (en) | Information processing apparatus and method of inferring | |
Nguyen-Hoang et al. | Object retrieval in past video using bag-of-words model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20190829 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20190829 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200709 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210525 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210528 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20211116 |