JP5521497B2 - パターン認識装置、パターン認識プログラム、パターン認識方法 - Google Patents
パターン認識装置、パターン認識プログラム、パターン認識方法 Download PDFInfo
- Publication number
- JP5521497B2 JP5521497B2 JP2009253738A JP2009253738A JP5521497B2 JP 5521497 B2 JP5521497 B2 JP 5521497B2 JP 2009253738 A JP2009253738 A JP 2009253738A JP 2009253738 A JP2009253738 A JP 2009253738A JP 5521497 B2 JP5521497 B2 JP 5521497B2
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- feature vector
- axis
- category
- coordinate position
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Character Discrimination (AREA)
Description
パターンを特徴抽出することにより得られる1つ以上の特徴量の組を特徴ベクトルと呼び、特徴ベクトルの要素の数を特徴ベクトルの次元と呼ぶ。特徴ベクトルのそれぞれの要素の値(特徴量)の組を特徴ベクトルの値と呼び、すべての特徴ベクトルの値の作る集合のことを特徴空間と呼ぶ。特徴空間の次元は、特徴空間の要素である特徴ベクトルの次元と等しい。同一種類とみなすことのできるパターンあるいは特徴ベクトルの集合をカテゴリと呼ぶ。特に、同一種類とみなすことのできるパターンの集合を、カテゴリパターン集合、同一種類とみなすことのできる特徴ベクトルの集合を、カテゴリ特徴集合と呼ぶ。
(実施例1)
実施例1におけるパターン認識装置は、記録部、分類部(大分類部)を備えている。記録部は候補テーブルを有している。候補テーブルは次のように生成される。学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の特徴ベクトルごとに求められる参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影する。そして、軸上の要素ごとに、予め設定されたマージン量とカテゴリを関連付けて生成したものである。なお、参照特徴ベクトルは、特徴ベクトルから計算される特徴ベクトルである。
X=(x1,x2,x3,x4,・・・xn) 式1
XA1=(xA11,xA12,xA13,xA14,
xA15,xA16,xA17,xA18,
・・・・ 式2
xA1285,xA1286,xA1287,xA1288)
図6は、テーブル作成部5の動作の一例を示すフロー図である。
ステップS1においてテーブル作成部5は、1つの学習用サンプルパターンの特徴ベクトルの要素を1つ抽出し、抽出した要素に対応する軸の軸上の位置を求める。なお、学習用サンプルパターンの特徴ベクトルは、特徴抽出部2に入力された学習用サンプルパターンから求める。ここで、学習用サンプルパターンは、JIS第1水準の漢字、JIS第2水準の漢字、ひらがな、カタカナ、記号、縦書き専用文字、英字、数字、半角文字などの文字画像である。また、学習用サンプルパターンは、劣化文字画像(ファクシミリやコピーなどにより劣化(掠れ、滲み、汚れなど)した文字画像)である。本例では、パターンとして文字を用いて説明するが、文字に限定するものではない。
テーブル作成部5は、上記ステップS1〜S8のテーブル作成処理をすることにより候補テーブル(大分類用辞書)を作成する。
図14は、図4に示した大分類部3の動作を示す図である。
ステップS1401では、大分類部3が全カテゴリ数分の幅をもつビット列領域temp_bitを記録部7などのメモリに確保して、全てのビットに「1」を設定する。図15の例では、カテゴリがn個存在するので、nビット幅のtemp_bitを確保して、nビット全てに「1」を設定する。temp_bitは式3で示すことができる。
temp_bit:(1,1,1・・・1) 式3
temp_bitはnビット
対象軸の座標位置kのビット列:(1,0,0・・・・) 式4
対象軸の座標位置kのビット列はnビット
temp_bit AND (対象軸の座標位置kのビット列) 式5
論理積の結果であるtemp_bit=(1,0,0・・・・)
実施例3では、カテゴリまたはテンプレートごとに学習用サンプルパターン間の違い(変形程度)に基づいて軸上のマージン量を決め、学習用サンプルパターンのカテゴリまたはテンプレートごとにマージン量を決める。学習用サンプルパターン間の違いとは、元となる学習用サンプルパターンと、元となる学習用サンプルパターンを劣化させたパターン(このパターンも学習用サンプルパターンである)との違いである。
ステップS1701では、特徴抽出部2が元となる学習用サンプルパターンに対して劣化させた複数の学習用サンプルパターンを特徴ベクトルに変換し、該特徴ベクトルとカテゴリ、元となる学習用サンプルパターンの特徴ベクトルを対応づけて記録部7に記録する。
mR ← mR+mRtemp
mL ← mL+mLtemp 式11
←:代入を示す
mRcount←mRcount+1
mLcount←mLcount+1 式12
mRave ← mR/mRcount
mLave ← mL/mLcount 式13
なお、実施例2で説明した次元圧縮したベクトルを用いて、実施例3で説明した方法によりマージン量を決定してもよい。
実施例4は、軸を予め決められたサイズで区分けして、カテゴリごとの全ての学習用サンプルパターンの特徴ベクトルの各要素を軸へ投影し、区間と軸上の座標位置に基づいてマージン量を求める。
mRint1 ← mRint1+mRint1_temp
mLint1 ← mLint1+mLint1_temp 式14
mRint1_count←mRint1_count+1
mLint1_count←mLint1_count+1 式15
mRint1_ave ← mRint1_/mRint1_count
mLint1_ave ← mLint1_/mLint1_count 式16
なお、実施例2で説明した次元圧縮したベクトルを用いて、実施例4で説明した方法によりマージン量を決定することもできる。
実施例5では、各カテゴリまたは各テンプレートの集合に含まれる文字パターンのフォントタイプに注目して、同一カテゴリにおけるフォントタイプごとの軸上の分布に基づいてマージン量を求める。
ステップS2201で特徴抽出部2が、同一カテゴリにおける複数の異なるフォントタイプの学習用サンプルパターンの文字パターンを特徴ベクトルに変換し、該特徴ベクトルとフォント、カテゴリを対応づけて記録部7に記録する。
ステップS2204では、マージン決定部6がステップS2203で選択したフォントの特徴ベクトルから要素を選択し、対応する軸上に特徴ベクトルの要素を投影する。例えば、同一カテゴリ1に異なるフォントタイプの学習用サンプルパターン(文字パターン:F11〜F1n)が複数ある場合に、文字パターンF11〜F1nをそれぞれ288次元の特徴ベクトルに変換したときについて説明する。文字パターンF11〜F1nの各特徴ベクトルを構成する1〜288番目の要素に対して、それぞれ0〜255の数値範囲で示される軸を割り振る。1番目の要素に対応する軸には、文字パターンF11〜F1nの各特徴ベクトルの1番目に対応する各要素を投影する。他の軸についても、文字パターンF11〜F1nの各特徴ベクトルの対象要素を対象になる軸に投影する。すなわち、文字パターンF11〜F1nの特徴ベクトルの全ての要素が、288個の軸に全て投影される。
mRf ← mRf+mRf_temp
mLf ← mLf+mLf_temp 式17
mRf_count←mRf_count+1
mLf_count←mLf_count+1 式18
mRf_ave ← mRf/mRf_count
mLf_ave ← mLf/mLf_count 式19
なお、実施例3におけるカテゴリの代わりに、フォントの種類により区分けしたテンプレートを用いることにより、図24に示すようなカテゴリごとにフォントとマージ量を対応付けて記録することができる。図24の「カテゴリ」にはカテゴリを識別するための識別番号(1、2〜n)が記録され、「フォント」にはフォントを識別するための識別番号(F1、F2〜Fn)が記録され、ている。また、「mRf_ave2」「mLf_ave2」には、上記実施例3の処理により決定した各カテゴリにおけるフォントごとのマージン量(MALF11、MALF12〜/MARF11、MARF12〜)が記録されている。
変形例2は、上記実施例で説明したパターン認識処理を用いてパターン認識を行った結果、誤認識文字があることを発見した場合、誤認識の原因が大分類にあれば、利用者が大分類用の平面辞書を調整して、調整結果を大分類用の平面辞書に記録するものである。
コンピュータのハードウェア2500は、CPU2501、記録部2502(ROM、RAM、ハードディスクドライブなど)、記録媒体読取装置2503、入出力インタフェース2504(入出力I/F)、通信インタフェース2505(通信I/F)などを備えている。また、上記各構成部はバス2506によってそれぞれ接続されている。
記録部2502には、CPU2501が実行するプログラムやデータが記録されている。また、ワークエリアなどとして使用される。また、記録部2502は上記説明した記録部7の機能を有する。
(本実施例がコンピュータプログラムとして実現される場合の構成)
図25のようなハードウェア構成を有するコンピュータを用いることによって、上記説明した各種処理機能(実施例で説明した処理(フローチャートなど))が実現される。その場合システムが有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体2503aに記録しておくことができる。
(付記1)
学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の特徴ベクトルごとに求められる参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、軸上の要素ごとに、予め設定されたマージン量とカテゴリを関連付けて生成した候補テーブルを記録する記録部と、
与えられたパターンの参照特徴ベクトルを求め、前記候補テーブルを用いて、該参照特徴ベクトルの要素ごとに分類をして候補カテゴリ集合を求め、分類した候補カテゴリ集合を出力する分類部と、
を備えることを特徴とするパターン認識装置。
(付記2)
前記パターン認識装置は、前記学習用サンプルパターンまたは前記与えられたパターンを同次元の特徴ベクトルにする特徴抽出部と、
前記特徴ベクトルを次元圧縮して前記参照特徴ベクトルにする特徴圧縮部と、
を備えることを特徴とする付記1に記載のパターン認識装置。
(付記3)
前記マージン量は、前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値であることを特徴とする付記1または2に記載のパターン認識装置。
(付記4)
前記マージン量は、前記軸を予め設定された範囲に区分けした区間を設定し、前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出し、前記元となる学習用サンプルパターンの前記軸上の座標位置が含まれる前記区間ごとに前記マージン量を対応付けることを特徴とする付記1または2に記載のパターン認識装置。
(付記5)
前記マージン量は、同一カテゴリに含まれる異なるフォントの学習用サンプルパターンの各特徴ベクトルの同じ位置の要素を、予め設定された範囲の前記同じ位置の要素に対応する軸に投影し、前記異なるフォントの学習用サンプルパターンの前記軸上の座標位置の平均値を算出し、前記フォントごとの学習用サンプルパターンの前記軸上の座標位置と前記平均値の座標位置との差を算出して、該差を前記平均値の座標位置を中心にして最小値方向の差と最大値方向の差に分け、前記カテゴリごとに同一フォントの前記最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出して、前記フォントごとに前記マージン量を対応付けることを特徴とする付記1または2に記載のパターン認識装置。
(付記6)
コンピュータに、
与えられたパターンの参照特徴ベクトルを求める処理と、
学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の特徴ベクトルごとに求められる参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、軸上の要素ごとに、予め設定されたマージン量とカテゴリを関連付けて生成した候補テーブルを用いて、該参照特徴ベクトルの要素ごとに分類をして候補カテゴリ集合を求める処理と、
分類した候補カテゴリ集合を出力する処理と、
を実行させることを特徴とするパターン認識プログラム。
(付記7)
コンピュータが、
与えられたパターンの参照特徴ベクトルを求め、
学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の特徴ベクトルごとに求められる参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、軸上の要素ごとに、予め設定されたマージン量とカテゴリを関連付けて生成した候補テーブルを用いて、該参照特徴ベクトルの要素ごとに分類をして候補カテゴリ集合を求め、
分類した候補カテゴリ集合を出力する、
ことを実行するパターン認識方法。
(付記8)
前記学習用サンプルパターンまたは前記与えられたパターンを同次元の特徴ベクトルにする処理と、
前記特徴ベクトルを次元圧縮して前記参照特徴ベクトルにする処理と、
をコンピュータに実行させることを特徴とする付記6に記載のパターン認識プログラム。
(付記9)
前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出する処理を、コンピュータに実行させることを特徴とする付記6または8に記載のパターン認識プログラム。
(付記10)
前記軸を予め設定された範囲に区分けした区間を設定し、前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出し、前記元となる学習用サンプルパターンの前記軸上の座標位置が含まれる前記区間ごとに前記マージン量を対応付けて前記記録部に記録する処理を、コンピュータに実行させることを特徴とする付記6または8に記載のパターン認識プログラム。
(付記11)
同一カテゴリに含まれる異なるフォントの学習用サンプルパターンの各特徴ベクトルの同じ位置の要素を、予め設定された範囲の前記同じ位置の要素に対応する軸に投影し、前記異なるフォントの学習用サンプルパターンの前記軸上の座標位置の平均値を算出し、前記フォントごとの学習用サンプルパターンの前記軸上の座標位置と前記平均値の座標位置との差を算出して、該差を前記平均値の座標位置を中心にして最小値方向の差と最大値方向の差に分け、前記カテゴリごとに同一フォントの前記最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出して、前記フォントごとに前記マージン量を対応付けて記録部に記録する処理を、コンピュータに実行させることを特徴とする付記6または8に記載のパターン認識プログラム。
(付記12)
前記学習用サンプルパターンまたは前記与えられたパターンを同次元の特徴ベクトルにし、
前記特徴ベクトルを次元圧縮して前記参照特徴ベクトルにする、
ことをコンピュータが実行する付記7に記載のパターン認識方法。
(付記13)
前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出する、ことをコンピュータが実行する付記7または12に記載のパターン認識方法。
(付記14)
前記軸を予め設定された範囲に区分けした区間を設定し、前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出し、前記元となる学習用サンプルパターンの前記軸上の座標位置が含まれる前記区間ごとに前記マージン量を対応付けて前記記録部に記録する、ことをコンピュータが実行する付記7または12に記載のパターン認識方法。
(付記15)
同一カテゴリに含まれる異なるフォントの学習用サンプルパターンの各特徴ベクトルの同じ位置の要素を、予め設定された範囲の前記同じ位置の要素に対応する軸に投影し、前記異なるフォントの学習用サンプルパターンの前記軸上の座標位置の平均値を算出し、前記フォントごとの学習用サンプルパターンの前記軸上の座標位置と前記平均値の座標位置との差を算出して、該差を前記平均値の座標位置を中心にして最小値方向の差と最大値方向の差に分け、前記カテゴリごとに同一フォントの前記最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出して、前記フォントごとに前記マージン量を対応付けて記録部に記録する、ことをコンピュータが実行する付記7または12に記載のパターン認識方法。
2 特徴抽出部
3 大分類部
4 詳細分類部
5 テーブル作成部
6 マージン決定部
7 記録部
1602 特徴圧縮部
2500 ハードウェア
2501 CPU
2502 記録部
2503 記録媒体読取装置
2503a 記録媒体
2504 入出力インタフェース
2504a 入出力装置
2505 通信インタフェース
2506 バス
Claims (7)
- 与えられたパターンを分類する際に用いるパターンである学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の前記学習用サンプルパターンの特徴ベクトルごとに参照特徴ベクトルを求め、求めた前記参照特徴ベクトルの要素を、予め設定された範囲で表される軸の対応する座標位置に投影し、前記要素ごとに投影した前記軸上の前記要素の座標位置と、予め設定されたマージン量と、前記カテゴリと、を関連付けて候補テーブルを生成して記録する記録部と、
前記与えられたパターンの参照特徴ベクトルを求め、前記候補テーブルを用いて、該参照特徴ベクトルの要素ごとに分類をして候補カテゴリ集合を求め、分類した前記候補カテゴリ集合を出力する分類部と、
を備えることを特徴とするパターン認識装置。 - 前記パターン認識装置は、前記学習用サンプルパターンまたは前記与えられたパターンを同次元の特徴ベクトルにする特徴抽出部と、
前記特徴ベクトルを次元圧縮して前記参照特徴ベクトルにする特徴圧縮部と、
を備えることを特徴とする請求項1に記載のパターン認識装置。 - 前記マージン量は、前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値であることを特徴とする請求項1または2に記載のパターン認識装置。
- 前記マージン量は、前記軸を予め設定された範囲に区分けした区間を設定し、前記カテゴリに含まれる複数の元となる学習用サンプルパターンと、前記元となる学習用サンプルパターンを劣化させたパターンの各参照特徴ベクトルの同じ位置の要素を、予め設定された範囲の軸に投影し、前記元となる学習用サンプルパターンの前記軸上の座標位置と、前記劣化させたパターンごとの前記軸上の座標位置との差を算出して、前記元となる学習用サンプルパターンの前記軸上の座標位置を中心にして最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出し、前記元となる学習用サンプルパターンの前記軸上の座標位置が含まれる前記区間ごとに前記マージン量を対応付けることを特徴とする請求項1または2に記載のパターン認識装置。
- 前記マージン量は、同一カテゴリに含まれる異なるフォントの学習用サンプルパターンの各特徴ベクトルの同じ位置の要素を、予め設定された範囲の前記同じ位置の要素に対応する軸に投影し、前記異なるフォントの学習用サンプルパターンの前記軸上の座標位置の平均値を算出し、前記フォントごとの学習用サンプルパターンの前記軸上の座標位置と前記平均値の座標位置との差を算出して、該差を前記平均値の座標位置を中心にして最小値方向の差と最大値方向の差に分け、前記カテゴリごとに同一フォントの前記最小値方向の差の平均値と最大値方向の差の平均値をマージン量として算出して、前記フォントごとに前記マージン量を対応付けることを特徴とする請求項1または2に記載のパターン認識装置。
- コンピュータに、
与えられたパターンを分類する際に用いるパターンである学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の前記学習用サンプルパターンの特徴ベクトルごとに参照特徴ベクトルを求める処理と、
前記学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の前記学習用サンプルパターンの特徴ベクトルごとに参照特徴ベクトルを求め、求めた前記参照特徴ベクトルの要素を、予め設定された範囲で表される軸の対応する座標位置に投影し、前記要素ごとに投影した前記軸上の前記要素の座標位置と、予め設定されたマージン量と、前記カテゴリと、を関連付けて生成した候補テーブルを用いて、該参照特徴ベクトルの要素ごとに分類をして候補カテゴリ集合を求める処理と、
分類した前記候補カテゴリ集合を出力する処理と、
を実行させることを特徴とするパターン認識プログラム。 - コンピュータが、
与えられたパターンを分類する際に用いるパターンである学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の前記学習用サンプルパターンの特徴ベクトルごとに参照特徴ベクトルを求め、
前記学習用サンプルパターンを種別する複数のカテゴリごとに、同じカテゴリに含まれる複数の前記学習用サンプルパターンの特徴ベクトルごとに参照特徴ベクトルを求め、求めた前記参照特徴ベクトルの要素を、予め設定された範囲で表される軸の対応する座標位置に投影し、前記要素ごとに投影した前記軸上の前記要素の座標位置と、予め設定されたマージン量と、前記カテゴリと、を関連付けて生成した候補テーブルを用いて、該参照特徴ベクトルの要素ごとに分類をして候補カテゴリ集合を求め、
分類した前記候補カテゴリ集合を出力する、
ことを実行するパターン認識方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009253738A JP5521497B2 (ja) | 2009-11-05 | 2009-11-05 | パターン認識装置、パターン認識プログラム、パターン認識方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009253738A JP5521497B2 (ja) | 2009-11-05 | 2009-11-05 | パターン認識装置、パターン認識プログラム、パターン認識方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011100245A JP2011100245A (ja) | 2011-05-19 |
JP5521497B2 true JP5521497B2 (ja) | 2014-06-11 |
Family
ID=44191377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009253738A Expired - Fee Related JP5521497B2 (ja) | 2009-11-05 | 2009-11-05 | パターン認識装置、パターン認識プログラム、パターン認識方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5521497B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6102156B2 (ja) | 2012-09-28 | 2017-03-29 | オムロン株式会社 | 画像処理システムおよび画像処理方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0546812A (ja) * | 1991-08-20 | 1993-02-26 | Ricoh Co Ltd | 文字の大分類認識方法 |
JP3943223B2 (ja) * | 1997-02-12 | 2007-07-11 | 富士通株式会社 | 候補テーブルを用いて分類を行うパターン認識装置および方法 |
JP3475886B2 (ja) * | 1999-12-24 | 2003-12-10 | 日本電気株式会社 | パターン認識装置及び方法並びに記録媒体 |
JP4199954B2 (ja) * | 2002-03-29 | 2008-12-24 | 株式会社日本デジタル研究所 | 文字認識辞書作成方法及び文字認識方法 |
JP2004341959A (ja) * | 2003-05-16 | 2004-12-02 | Just Syst Corp | データ分類装置、データ分類方法およびその方法をコンピュータに実行させるプログラム |
JP2005339075A (ja) * | 2004-05-26 | 2005-12-08 | Nippon Telegr & Teleph Corp <Ntt> | 画像探索装置、画像探索方法、この方法のプログラム及びこのプログラムを記録した記録媒体 |
JP4992646B2 (ja) * | 2007-10-05 | 2012-08-08 | セイコーエプソン株式会社 | 識別方法及びプログラム |
JP5259456B2 (ja) * | 2009-03-02 | 2013-08-07 | 株式会社東芝 | 学習装置及び物体検出装置 |
-
2009
- 2009-11-05 JP JP2009253738A patent/JP5521497B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2011100245A (ja) | 2011-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10726252B2 (en) | Method of digitizing and extracting meaning from graphic objects | |
Paiva et al. | An approach to supporting incremental visual data classification | |
CN103914504B (zh) | 信息处理装置和用于生成图表的方法 | |
CN111373392B (zh) | 文献分类装置 | |
US20210366055A1 (en) | Systems and methods for generating accurate transaction data and manipulation | |
CN108734212B (zh) | 一种确定分类结果的方法以及相关装置 | |
US20230336532A1 (en) | Privacy Preserving Document Analysis | |
US20220374473A1 (en) | System for graph-based clustering of documents | |
Amara et al. | Convolutional neural network based chart image classification | |
JP2013246732A (ja) | 手書き文書検索装置、方法及びプログラム | |
Dommaraju et al. | Identifying topological prototypes using deep point cloud autoencoder networks | |
JP2015069256A (ja) | 文字識別システム | |
JP6680956B1 (ja) | 検索ニーズ評価装置、検索ニーズ評価システム、及び検索ニーズ評価方法 | |
CN115146062A (zh) | 融合专家推荐与文本聚类的智能事件分析方法和*** | |
AU2015204339B2 (en) | Information processing apparatus and information processing program | |
WO2015087148A1 (en) | Classifying test data based on a maximum margin classifier | |
JP6856916B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP5521497B2 (ja) | パターン認識装置、パターン認識プログラム、パターン認識方法 | |
Sivakumar et al. | A hybrid text classification approach using KNN and SVM | |
KR102392644B1 (ko) | 유사도 기반의 문서 분류 장치 및 방법 | |
Sun et al. | Attention-based deep learning methods for document layout analysis | |
US8606494B2 (en) | Map generation apparatus, map generation method and computer readable medium | |
Husain et al. | Single-cell subcellular protein localisation using novel ensembles of diverse deep architectures | |
JP3529036B2 (ja) | 文書付き画像の分類方法 | |
JP2020109689A (ja) | 検索ニーズ評価装置、検索ニーズ評価システム、及び検索ニーズ評価方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130813 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130930 |
|
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: 20140311 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140324 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5521497 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |