JPH0259883A - パタン認識装置 - Google Patents
パタン認識装置Info
- Publication number
- JPH0259883A JPH0259883A JP63211147A JP21114788A JPH0259883A JP H0259883 A JPH0259883 A JP H0259883A JP 63211147 A JP63211147 A JP 63211147A JP 21114788 A JP21114788 A JP 21114788A JP H0259883 A JPH0259883 A JP H0259883A
- Authority
- JP
- Japan
- Prior art keywords
- local
- feature
- storage means
- matrix
- pattern
- 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
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000009466 transformation Effects 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Character Discrimination (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
（産業上の利用分野）
本発明は、マツチングｌこおける局所パタンの識別にお
いて非線形処理を行うパタン認識装置に関する。
いて非線形処理を行うパタン認識装置に関する。
（従来の技術）
文字認識に非線形処理を導入したものとして、■”ネオ
コグニトロンの原理を用いた手書き数字認識”、情報処
理学会コンピュータビジラン研究会報告、４１．１−６
に記載している多階層モデルがある。これは、特徴抽出
を行う層と位置ずれを吸収する層とを交互に接続するこ
とで位置ずれｔこ強い認識機構を構成している。また、
■神経回路モデルの学習方法として基本的なバックグロ
パゲーシ冒ンによる学習、例えばＲｉｃｈａｒｄ Ｐ。
コグニトロンの原理を用いた手書き数字認識”、情報処
理学会コンピュータビジラン研究会報告、４１．１−６
に記載している多階層モデルがある。これは、特徴抽出
を行う層と位置ずれを吸収する層とを交互に接続するこ
とで位置ずれｔこ強い認識機構を構成している。また、
■神経回路モデルの学習方法として基本的なバックグロ
パゲーシ冒ンによる学習、例えばＲｉｃｈａｒｄ Ｐ。
Ｌｉｐｐｍａｎｎ、 ”Ａｎｌｎｔｒｏｄｕｃｔｉｏｎ
ｔｏ ＣｏｍｐｕｔｉｇＷｉｆｈ Ｎｅｕｒａｌ
Ｎｅｔｓ 、 ＩＥＥＥ ＡＳＳＰ ＭＡＧＡＺＩＮ
Ｅ％ＡＰＲＩＬ、４−２２（１９８７） に記載され
ているモデルがある。
ｔｏ ＣｏｍｐｕｔｉｇＷｉｆｈ Ｎｅｕｒａｌ
Ｎｅｔｓ 、 ＩＥＥＥ ＡＳＳＰ ＭＡＧＡＺＩＮ
Ｅ％ＡＰＲＩＬ、４−２２（１９８７） に記載され
ているモデルがある。
（発明が解決しようとする課題）
従来の技術■では特徴抽出段階の初期特徴を決定するの
に予め決められた特徴を検出させ、ある位置の周辺の最
大値を検出することにより位置ずれに対処しているが、
多階層で局所的変動を吸収させるため、処理系が複雑に
なりている。また、従来の技術■では文字全体を見るこ
とにより大域的な特徴を捉えるようｌこ特徴抽出を行っ
ており、文字特有の局所的変形を吸収するような構造に
はなっていない。
に予め決められた特徴を検出させ、ある位置の周辺の最
大値を検出することにより位置ずれに対処しているが、
多階層で局所的変動を吸収させるため、処理系が複雑に
なりている。また、従来の技術■では文字全体を見るこ
とにより大域的な特徴を捉えるようｌこ特徴抽出を行っ
ており、文字特有の局所的変形を吸収するような構造に
はなっていない。
このような従来の技術では、位置ずれ等を吸収するため
に処理系を複雑化したり、逆に、処理を簡単に行うため
ｌこ大域的に特徴を捉えていた。
に処理系を複雑化したり、逆に、処理を簡単に行うため
ｌこ大域的に特徴を捉えていた。
（課題を解決するための手段）
本発明ｌこよれば、未知パタンを記憶するパタン記憶手
段と、該未知パタンをオーバーラツプを含む複数個の局
所領域に分割し、該局所領域における局所パタンより初
期時微量を抽出する初期時微量抽出手段と、該初期時微
量を記憶する初期特徴記憶手段と、該局所領域をさらＩ
こオーバーラツプを含む複数個の小領域に分割し、該小
領域における複数個の初期時微量を変換するための第１
の特徴変換行列を記憶する局所特徴行列記憶手段と、該
複数個の初期時微量と第１の特徴変換行列との積を計算
し、該計算値に対して特定の関数変換を行う初期特徴記
憶手段と、該関数変換値を局所識別ベクトルとして記憶
する局所識別特徴記憶手段と、複数個の局所代表パタン
を識別するための識別行列を記憶する識別行列記憶手段
と、該識別行列と該局所識別ベクトルとの積を計算し、
該計算値に対して０または１に関数変換を行う局所識別
手段と、各局所領域内で、局所代表パタンごとに全小領
域数と１に関数変換された小領域の個数との比を計算す
る個数比計算手段と、該個数比を局所領域内の局所代表
パタンごと（こ局所特命量として記憶する局所特徴記憶
手段と、複数個の局所特命量を変換するための第２の特
徴変換行列を記憶する特徴行列記憶手段と、該複°数個
の局所特命量と第２の特徴変換行列との積を計算し、該
計算値ｌこ対して特定の関数変換を行う特徴変換手段と
、該関数変換値を識別ベクトルとして記憶する識別特徴
記憶手段と、文字カテゴリ判定を行うための判定行列を
記憶する辞書記憶手段と、識別ベクトルと該判定行列と
の積を計算し、該計算値ｌこ対して特定の関数変換を行
う判定手段と、判定値に対して最大値を有する文字カテ
ゴリを出力するカテゴリ出力手段とを備えるパタン認識
装置が得られる。
段と、該未知パタンをオーバーラツプを含む複数個の局
所領域に分割し、該局所領域における局所パタンより初
期時微量を抽出する初期時微量抽出手段と、該初期時微
量を記憶する初期特徴記憶手段と、該局所領域をさらＩ
こオーバーラツプを含む複数個の小領域に分割し、該小
領域における複数個の初期時微量を変換するための第１
の特徴変換行列を記憶する局所特徴行列記憶手段と、該
複数個の初期時微量と第１の特徴変換行列との積を計算
し、該計算値に対して特定の関数変換を行う初期特徴記
憶手段と、該関数変換値を局所識別ベクトルとして記憶
する局所識別特徴記憶手段と、複数個の局所代表パタン
を識別するための識別行列を記憶する識別行列記憶手段
と、該識別行列と該局所識別ベクトルとの積を計算し、
該計算値に対して０または１に関数変換を行う局所識別
手段と、各局所領域内で、局所代表パタンごとに全小領
域数と１に関数変換された小領域の個数との比を計算す
る個数比計算手段と、該個数比を局所領域内の局所代表
パタンごと（こ局所特命量として記憶する局所特徴記憶
手段と、複数個の局所特命量を変換するための第２の特
徴変換行列を記憶する特徴行列記憶手段と、該複°数個
の局所特命量と第２の特徴変換行列との積を計算し、該
計算値ｌこ対して特定の関数変換を行う特徴変換手段と
、該関数変換値を識別ベクトルとして記憶する識別特徴
記憶手段と、文字カテゴリ判定を行うための判定行列を
記憶する辞書記憶手段と、識別ベクトルと該判定行列と
の積を計算し、該計算値ｌこ対して特定の関数変換を行
う判定手段と、判定値に対して最大値を有する文字カテ
ゴリを出力するカテゴリ出力手段とを備えるパタン認識
装置が得られる。
（作用）
本発明の特徴はパタン全体を複数個のオーバーラツプを
含む局所領域に分割し、該局所領域に対して初期特徴を
抽出し、その特徴に対して複数個の局所代表パタンの識
別を非線形処理で行い、局所領域内での各局所代表パタ
ンの識別値１０個数を見ることにより、より簡単な処理
で局所的変形を吸収することができる。具体的には、第
６図に示されるごとくパタン全体１５００の局所領域２
０００ｆこおいて、小領域２００１，２００２、・・・
に対して第４図に示される局所代表パタンとの識別が行
われ、各局所代表パタン２２００．２２０１、・・・ご
とに０．１と集合２１００，２１０１、が得られる。こ
のときの１の個数を局所特徴とする。
含む局所領域に分割し、該局所領域に対して初期特徴を
抽出し、その特徴に対して複数個の局所代表パタンの識
別を非線形処理で行い、局所領域内での各局所代表パタ
ンの識別値１０個数を見ることにより、より簡単な処理
で局所的変形を吸収することができる。具体的には、第
６図に示されるごとくパタン全体１５００の局所領域２
０００ｆこおいて、小領域２００１，２００２、・・・
に対して第４図に示される局所代表パタンとの識別が行
われ、各局所代表パタン２２００．２２０１、・・・ご
とに０．１と集合２１００，２１０１、が得られる。こ
のときの１の個数を局所特徴とする。
第２図にバックプロパゲーションｌこよる結合係数の学
習モデルを示す。入力層では、例えば、文字パタン上の
ある位置（Ｘ、Ｙ）の濃淡値から、線形結合処理で得ら
れる値ｌこシグモイド関数Ｉこより変換を行い中間層の
入力とし、さらに、中間層の出力の線形結合で得られる
値（こシグモイド関数（こより変換を行い出力層の値と
する。このとき、出力値と教師信号との差を誤差として
逆方向に伝ばんさせ、各層における誤差を最小化するよ
うｔこ層間の重み係数を決定していく。この学習モデル
を局所識別、文字カテゴリ判定ｌこ使用する。
習モデルを示す。入力層では、例えば、文字パタン上の
ある位置（Ｘ、Ｙ）の濃淡値から、線形結合処理で得ら
れる値ｌこシグモイド関数Ｉこより変換を行い中間層の
入力とし、さらに、中間層の出力の線形結合で得られる
値（こシグモイド関数（こより変換を行い出力層の値と
する。このとき、出力値と教師信号との差を誤差として
逆方向に伝ばんさせ、各層における誤差を最小化するよ
うｔこ層間の重み係数を決定していく。この学習モデル
を局所識別、文字カテゴリ判定ｌこ使用する。
（実施例）
以下、本発明を実施例を参照して詳細に説明する。
第１図は、本発明のパタン認識装置の実施例を示す構成
図である。
図である。
第１図において、１０は未知パタンを記憶するパタン記
憶手段、２０は局所パタンより初期時微量を抽出する初
期特徴量抽出手段、３０は初期時微量を記憶する初期特
徴記憶手段、４０は局所領域内の小領域における複数個
の初期特徴を変換するための第１の特徴変換行列を記憶
する局所特命行列記憶手段、５０は初期時微量と第１の
４！徴変換行列との積を計算し、該計算値ｌこ対して特
定の関数変換を行う初期特徴変換手段、６０は該関数変
換値を局所識別ベクトルとして記憶する局所識別特徴記
憶手段、７０は第４図に示される複数個の局所代表パタ
ンを識別するための識別行列を記憶する識別行列記憶手
段、８０は該識別行列と識別特徴ベクトルとの積を計算
し、該計算値に対してＯまたは１１こ関数変換を行う局
所識別手段、９０は各局所領域内で、局所式衣パタンご
とに全小領域数と１に関数変換された小領域の個数との
比を計算する個数比計算手段、１００は該個数比を局所
領域内の局所代表パタンごとに局所特徴量として記憶す
る局所特徴記憶手段、１１０は複数個の局所％微量を変
換するための第２の特徴変換行列を記憶する特命行列記
憶手段、１２０は該局所特徴量と第２の特徴変換行列と
の積を計算し、該計算量に対して特定の関数変換を行う
特徴変換手段、１３０は該関数変換値を識別ベクトルと
して記憶する識別特徴記憶手段、１４０は文字カテゴリ
判定を行うための判定行列を記憶する辞書記憶手段、１
５０は識別ベクトルと該判定行列との積を計算し、該計
算値ｌこ対して特定の関数変換を行う判定手段、１６０
は判定値に対して最大値を有する文字カテゴリを出力す
るカテゴリ出力手段、１７０は制御手段である。
憶手段、２０は局所パタンより初期時微量を抽出する初
期特徴量抽出手段、３０は初期時微量を記憶する初期特
徴記憶手段、４０は局所領域内の小領域における複数個
の初期特徴を変換するための第１の特徴変換行列を記憶
する局所特命行列記憶手段、５０は初期時微量と第１の
４！徴変換行列との積を計算し、該計算値ｌこ対して特
定の関数変換を行う初期特徴変換手段、６０は該関数変
換値を局所識別ベクトルとして記憶する局所識別特徴記
憶手段、７０は第４図に示される複数個の局所代表パタ
ンを識別するための識別行列を記憶する識別行列記憶手
段、８０は該識別行列と識別特徴ベクトルとの積を計算
し、該計算値に対してＯまたは１１こ関数変換を行う局
所識別手段、９０は各局所領域内で、局所式衣パタンご
とに全小領域数と１に関数変換された小領域の個数との
比を計算する個数比計算手段、１００は該個数比を局所
領域内の局所代表パタンごとに局所特徴量として記憶す
る局所特徴記憶手段、１１０は複数個の局所％微量を変
換するための第２の特徴変換行列を記憶する特命行列記
憶手段、１２０は該局所特徴量と第２の特徴変換行列と
の積を計算し、該計算量に対して特定の関数変換を行う
特徴変換手段、１３０は該関数変換値を識別ベクトルと
して記憶する識別特徴記憶手段、１４０は文字カテゴリ
判定を行うための判定行列を記憶する辞書記憶手段、１
５０は識別ベクトルと該判定行列との積を計算し、該計
算値ｌこ対して特定の関数変換を行う判定手段、１６０
は判定値に対して最大値を有する文字カテゴリを出力す
るカテゴリ出力手段、１７０は制御手段である。
最初に、制御手段１７０が起動され、パタン記憶手段１
０に未知パタンか取り込まれる。格納終了後、初期特徴
抽出手段２０は第３図に示されるごとく未知パタンの一
部（局所パタン）１００１．１００２、・・・に対して
例えばガウスフィルタにょろりサンプリングを行い、該
フィルタ値を初期！！！ｆｇｉとして計算し、該初期特
徴を初期特徴記憶手段３０に記憶する。格納後、初期特
徴変換手段５０は、先ず、局所領域１００１内の小領域
１１０１．１１０２、・・・に対する複数の初期特徴と
、局所特命行列記憶手段４０に格納されている第１の特
徴変換行列との積を計算し、該計算値に対して第５図ｔ
こ示されるシグモイド関数ｌこよる関数変換を行い、該
関数変換値を局所識別ベクトルとして局所識別特徴記憶
手段６０に格納する。局所識別手段８０は識別行列記憶
手段７０より第４図Ｅこ示される複数個の局所代表パタ
ンを識別するだめの識別行列を読みだし、該識別行列と
局所識別ベクトルとの積を計算し、該計算値に対してシ
グモイド関数による関数変換を行い、該出力値に対して
しきい値θとの大小によりＯまたは１ζこ変換する。こ
のとき、個数比計算手段９０は第６図に示されるごとく
局所領域内の各局所代表パタンに対する出力値が１の個
数をカウントし、小領域数との比を計算し、局所特徴と
して局所特徴記憶手段１００に記憶する。この処理を未
知パタンの各局所領域に対して繰り返し行い、局所特徴
記憶手段１００に順次格納する。
０に未知パタンか取り込まれる。格納終了後、初期特徴
抽出手段２０は第３図に示されるごとく未知パタンの一
部（局所パタン）１００１．１００２、・・・に対して
例えばガウスフィルタにょろりサンプリングを行い、該
フィルタ値を初期！！！ｆｇｉとして計算し、該初期特
徴を初期特徴記憶手段３０に記憶する。格納後、初期特
徴変換手段５０は、先ず、局所領域１００１内の小領域
１１０１．１１０２、・・・に対する複数の初期特徴と
、局所特命行列記憶手段４０に格納されている第１の特
徴変換行列との積を計算し、該計算値に対して第５図ｔ
こ示されるシグモイド関数ｌこよる関数変換を行い、該
関数変換値を局所識別ベクトルとして局所識別特徴記憶
手段６０に格納する。局所識別手段８０は識別行列記憶
手段７０より第４図Ｅこ示される複数個の局所代表パタ
ンを識別するだめの識別行列を読みだし、該識別行列と
局所識別ベクトルとの積を計算し、該計算値に対してシ
グモイド関数による関数変換を行い、該出力値に対して
しきい値θとの大小によりＯまたは１ζこ変換する。こ
のとき、個数比計算手段９０は第６図に示されるごとく
局所領域内の各局所代表パタンに対する出力値が１の個
数をカウントし、小領域数との比を計算し、局所特徴と
して局所特徴記憶手段１００に記憶する。この処理を未
知パタンの各局所領域に対して繰り返し行い、局所特徴
記憶手段１００に順次格納する。
局所特徴抽出後、特徴変換手段１２０は複数個の局所特
徴と、特命行列記憶手段１１０に格納されている第２の
特徴変換行列との積を計算し、該計算値に対して第５（
９）ｌこ示されるシグモイド関数による関数変換を行い
、該関数変換値を識別ベクトルとして識別性像記憶手段
１３０に格納する。
徴と、特命行列記憶手段１１０に格納されている第２の
特徴変換行列との積を計算し、該計算値に対して第５（
９）ｌこ示されるシグモイド関数による関数変換を行い
、該関数変換値を識別ベクトルとして識別性像記憶手段
１３０に格納する。
格納終了後、判定手段１５０は辞書記憶手段１４０より
複数個の文字カテゴリを識別するための識別行列を読み
だし、該識別行列と識別ベクトルとの積を計算し、該計
算値に対してシグモイド関数による関数変換を行う。変
換後、カテゴリ出力手段１６０は判定値に対して最大値
を有する文字カテゴリを出力する。
複数個の文字カテゴリを識別するための識別行列を読み
だし、該識別行列と識別ベクトルとの積を計算し、該計
算値に対してシグモイド関数による関数変換を行う。変
換後、カテゴリ出力手段１６０は判定値に対して最大値
を有する文字カテゴリを出力する。
（発明の効果）
以上、説明したように本発明ｌこよれば、文字の局所的
変動を非線形処理と局所領域内での各局所代表パタンの
識別値１の小領域の個数を見ることにより吸収し、しか
も構成が従来の装置より簡単なパタン認識装置を提供で
きる。
変動を非線形処理と局所領域内での各局所代表パタンの
識別値１の小領域の個数を見ることにより吸収し、しか
も構成が従来の装置より簡単なパタン認識装置を提供で
きる。
示す構成図、第２図はバックプロパゲージ謬ンによる結
合係数の学習モデルを示す図、第３図は局所パタンを説
明するための図、第４図は局所代表パタンの例を示す図
、第５図はシグモイド関数を示す関数曲線の図、第６図
は本発明における局所特徴の抽出方法を示す概念図であ
る。
合係数の学習モデルを示す図、第３図は局所パタンを説
明するための図、第４図は局所代表パタンの例を示す図
、第５図はシグモイド関数を示す関数曲線の図、第６図
は本発明における局所特徴の抽出方法を示す概念図であ
る。
代理人 弁理士 本 庄 伸 介
第１図は本発明のパタン認識装置の一実施例を男２Ｎ
勇ＩＮ
勇４Σ
第５２
Ｍ６図
Claims (1)
- 未知パタンを記憶するパタン記憶手段と、該未知パタン
をオーバーラップを含む複数個の局所領域に分割し、該
局所領域における局所パタンより初期特徴量を抽出する
初期特徴抽出手段と、該初期特徴量を記憶する初期特徴
記憶手段と、該局所領域をさらにオーバーラップを含む
複数個の小領域に分割し、該小領域における複数個の初
期特徴量を変換するための第１の特徴変換行列を記憶す
る局所特徴行列記憶手段と、該複数個の初期特徴量と第
１の特徴変換行列との積を計算し、該計算値に対して特
定の関数変換を行う初期特徴変換手段と、該関数変換値
を局所識別ベクトルとしつ記憶する局所識別特徴記憶手
段と、複数個の局所代表パタンを識別するための識別行
列を記憶する識別行列記憶手段と、該識別行列と該局所
識別ベクトルとの積を計算し、該計算値に対して０また
は１に関数変換を行う局所識別手段と、各局所領域内で
、局所代表パタンごとに全小領域数と１に関数変換され
た小領域の個数との比を計算する個数比計算手段と、該
個数比を局所領域内の局所代表パタンごとに局所特徴量
として記憶する局所特徴記憶手段と、複数個の局所特徴
量を変換するための第２の特徴変換行列を記憶する特徴
行列記憶手段と、該複数個の局所特徴量と第２の特徴変
換行列との積を計算し、該計算値に対して特定の関数変
換を行う特徴変換手段と、該関数変換値を識別ベクトル
として記憶する識別特徴記憶手段と、文字カテゴリ判定
を行うための判定行列を記憶する辞書記憶手段と、識別
ベクトルと該判定行列との横を計算し、該計算値に対し
て特定の関数変換を行う判定手段と、判定値に対して最
大値を有する文字カテゴリを出力するカテゴリ出力手段
とを備えることを特徴とするパタン認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP63211147A JPH0259883A (ja) | 1988-08-25 | 1988-08-25 | パタン認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP63211147A JPH0259883A (ja) | 1988-08-25 | 1988-08-25 | パタン認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0259883A true JPH0259883A (ja) | 1990-02-28 |
Family
ID=16601158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP63211147A Pending JPH0259883A (ja) | 1988-08-25 | 1988-08-25 | パタン認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0259883A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0587349A2 (en) * | 1992-09-08 | 1994-03-16 | Sony Corporation | Pattern recognition devices |
-
1988
- 1988-08-25 JP JP63211147A patent/JPH0259883A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0587349A2 (en) * | 1992-09-08 | 1994-03-16 | Sony Corporation | Pattern recognition devices |
| EP0587349A3 (en) * | 1992-09-08 | 1994-12-21 | Sony Corp | Pattern recognition device. |
| US5469512A (en) * | 1992-09-08 | 1995-11-21 | Sony Corporation | Pattern recognition device |
| KR100320063B1 (ko) * | 1992-09-08 | 2002-03-20 | 이데이 노부유끼 | 패턴인식장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US4837842A (en) | Character and pattern recognition machine and method | |
| CN111814661B (zh) | 基于残差-循环神经网络的人体行为识别方法 | |
| CN101751555B (zh) | 一种形变指纹识别方法及*** | |
| Prakash et al. | Face recognition with convolutional neural network and transfer learning | |
| CN108985231B (zh) | 一种基于多尺度卷积核的掌静脉特征提取方法 | |
| CN109472247B (zh) | 基于深度学习非配合式的人脸识别方法 | |
| CN110472695B (zh) | 一种工业生产过程的异常工况检测和分类方法 | |
| EP0511668B1 (en) | Pattern recognition device and method | |
| Juneja et al. | RETRACTED ARTICLE: Gender and Age Classification Enabled Blockschain Security Mechanism for Assisting Mobile Application | |
| CN112364974B (zh) | 一种基于激活函数改进的YOLOv3算法 | |
| CN107704797A (zh) | 基于安防视频中行人和车辆的实时检测方法和***及设备 | |
| Nguyen et al. | Towards real-time smile detection based on faster region convolutional neural network | |
| Slama et al. | Str-gcn: Dual spatial graph convolutional network and transformer graph encoder for 3d hand gesture recognition | |
| Kayumov et al. | Combined convolutional and perceptron neural networks for handwritten digits recognition | |
| CN110503152A (zh) | 用于目标检测的双路神经网络训练方法及图像处理方法 | |
| CN114399729A (zh) | 监控对象移动识别方法、***、终端及存储介质 | |
| Jin et al. | Auxiliary detection head for one-stage object detection | |
| JPH0259883A (ja) | パタン認識装置 | |
| CN116311345A (zh) | 一种基于Transformer的遮挡行人重识别方法 | |
| CN114038041A (zh) | 一种基于残差神经网络和注意力机制的微表情识别方法 | |
| CN112304435A (zh) | 一种结合人脸识别的人体热成像测温方法 | |
| CN112541576A (zh) | Rgb单目图像的生物活体识别神经网络及其构建方法 | |
| CN113378660B (zh) | 一种低数据成本的人脸识别的方法及装置 | |
| CN116071825B (zh) | 一种动作行为识别方法、***、电子设备及存储介质 | |
| Sathya et al. | A Novel approach for Sign Language Interpretation based on Convolutional Neural Networks |