JPH0573687A - 自動分類方法 - Google Patents
自動分類方法Info
- Publication number
- JPH0573687A JPH0573687A JP3259784A JP25978491A JPH0573687A JP H0573687 A JPH0573687 A JP H0573687A JP 3259784 A JP3259784 A JP 3259784A JP 25978491 A JP25978491 A JP 25978491A JP H0573687 A JPH0573687 A JP H0573687A
- Authority
- JP
- Japan
- Prior art keywords
- data
- sample data
- subclass
- category
- class
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
- G06V30/2504—Coarse or fine approaches, e.g. resolution of ambiguities or multiscale approaches
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
(57)【要約】
【目的】 処理時間が短く、非線形分離問題への適用が
可能であり、しかも、類似度の計算ができる自動分類方
法を提供することにある。 【構成】 次のステップを有する。（１）複数の既知の
カテゴリのサンプルデータを複数のクラスに分割する、
（２）分割されたサンプルデータが同一のカテゴリでな
い場合、サブクラス内のサンプルデータが同一のカテゴ
リになるまで、再分割を繰り返す、（３）得られたクラ
ス、サブクラスの関係を木構造により表現し、各クラ
ス、各サブクラス毎にそこに含まれるサンプルデータか
ら標準データを求める、（４）未知カテゴリの入力デー
タに対し、木構造のクラスの内、どのクラスに一番近い
かを各クラスの標準データとの距離により判定し、次
に、そのクラスに葉（サブクラス）がある場合には、ど
のサブクラスに一番近いかを、最端の葉（サブクラス）
に到達するまで、同様の判定を行い、最端の葉のカテゴ
リを入力データのカテゴリとする。
可能であり、しかも、類似度の計算ができる自動分類方
法を提供することにある。 【構成】 次のステップを有する。（１）複数の既知の
カテゴリのサンプルデータを複数のクラスに分割する、
（２）分割されたサンプルデータが同一のカテゴリでな
い場合、サブクラス内のサンプルデータが同一のカテゴ
リになるまで、再分割を繰り返す、（３）得られたクラ
ス、サブクラスの関係を木構造により表現し、各クラ
ス、各サブクラス毎にそこに含まれるサンプルデータか
ら標準データを求める、（４）未知カテゴリの入力デー
タに対し、木構造のクラスの内、どのクラスに一番近い
かを各クラスの標準データとの距離により判定し、次
に、そのクラスに葉（サブクラス）がある場合には、ど
のサブクラスに一番近いかを、最端の葉（サブクラス）
に到達するまで、同様の判定を行い、最端の葉のカテゴ
リを入力データのカテゴリとする。
Description
【０００１】
【産業上の利用分野】本発明は、多くのサンプルデータ
から母集団を推定し、入力データのカテゴリを決める方
法に係り、特に、画像データまたは画像から得られた特
徴量等を用いて画像の種類を同定・分類する方法に関す
るものである。
から母集団を推定し、入力データのカテゴリを決める方
法に係り、特に、画像データまたは画像から得られた特
徴量等を用いて画像の種類を同定・分類する方法に関す
るものである。
【０００２】
【従来の技術】パターン認識において、カテゴリの既知
の大量サンプルデータによる学習を行い、パターン空間
上に占める各カテゴリの領域を求めた後、カテゴリが未
知の入力データのカテゴリを決定する方法の代表例とし
て、次の２つの方法（人工知能学会編：人工知能ハンド
ブック（オーム社）／パターンマッチング（ｐ．３２
４）、Ｄ．Ｅ．ラメルハート他：ＰＤＰモデル（産業図
書））がある。 （１）パターンマッチング：各カテゴリに対する標準デ
ータを用意しておき、入力データと最も近い標準データ
のカテゴリを入力データのカテゴリとする。標準データ
を用意せずに、カテゴリの既知のサンプルデータそのも
のを用い、入力データと最も近いサンプルデータのカテ
ゴリを入力データのカテゴリとすることもある（最短距
離法）。 （２）層状ニューラルネット：ニューロンと呼ばれる非
線形入出力素子を層状にならべ、各サンプルデータとそ
のカテゴリ間の変換ルールをニューロン間の重み係数と
して学習する。学習法は、最急降下法を基本としたバッ
クプロパゲーション法がよく使用される。未知の入力デ
ータをニューラルネットに与えた時の出力データがカテ
ゴリとなる。
の大量サンプルデータによる学習を行い、パターン空間
上に占める各カテゴリの領域を求めた後、カテゴリが未
知の入力データのカテゴリを決定する方法の代表例とし
て、次の２つの方法（人工知能学会編：人工知能ハンド
ブック（オーム社）／パターンマッチング（ｐ．３２
４）、Ｄ．Ｅ．ラメルハート他：ＰＤＰモデル（産業図
書））がある。 （１）パターンマッチング：各カテゴリに対する標準デ
ータを用意しておき、入力データと最も近い標準データ
のカテゴリを入力データのカテゴリとする。標準データ
を用意せずに、カテゴリの既知のサンプルデータそのも
のを用い、入力データと最も近いサンプルデータのカテ
ゴリを入力データのカテゴリとすることもある（最短距
離法）。 （２）層状ニューラルネット：ニューロンと呼ばれる非
線形入出力素子を層状にならべ、各サンプルデータとそ
のカテゴリ間の変換ルールをニューロン間の重み係数と
して学習する。学習法は、最急降下法を基本としたバッ
クプロパゲーション法がよく使用される。未知の入力デ
ータをニューラルネットに与えた時の出力データがカテ
ゴリとなる。
【０００３】
【発明が解決しようとする課題】データの分類や同定を
行なう時、留意すべき点は判定の精度と判定に必要な処
理時間である。特に、判定精度に関しては、期待するカ
テゴリ以外のパターンが入力された場合、そのパターン
の類似度を調べてリジェクトする機能が実用面で必要不
可欠となる。従来方法のこれらの点に関する課題とし
て、 （１）パターンマッチングでは、標準パターンとの距離
を計算することにより、類似度が得られるが、最も近い
標準データを求めるためにすべての標準データとの照合
が必要となるため、処理時間が一般に莫大となってしま
う。さらに、この方法は、パターン空間上の距離により
判定しているため、サンプルデータが入れ子状態で分布
している問題、すなわち、非線形分離問題には適用でき
ない場合が多い。 （２）層状ニューラルネットでは、非線形問題を含むカ
テゴライズのための分離面が求まる。たとえば、図１１
に示したようなデータ群Ａとデータ群Ｂの分離を目的と
する２次元問題の場合、学習により分離線Ｌ0が得られ
る。そして、図内に示したニューラルネットの各出力等
高線（点線）は分離線Ｌ0に対して線対称となる。従っ
て、未知の入力データ、例えば、図内の点ａと点ｂの層
状ニューラルネットの出力値は同じであり、分離線Ｌ0
に対して同じ側にあるデータ群Ａのカテゴリに分類され
る。一方、入力データのサンプルデータに対する類似度
は、通常、サンプルデータの分布中心ｃからの距離と定
義できるため、点ｂのデータは点ａのデータより類似度
はかなり低いはずである。それにもかかわらず、図内の
点ａと点ｂの層状ニューラルネットの出力値は同じとな
り、この場合、類似度が計算できたとはいえない。この
ように、層状ニューラルネットは紋切り型の分類に適用
できても、類似度の判定による分類には適用しずらいこ
とが分かる。本発明の目的は、従来方式が持っている上
述した課題を解決し、処理時間が短く、非線形分離問題
への適用が可能であり、しかも、類似度の計算ができる
自動分類方法を提供することにある。
行なう時、留意すべき点は判定の精度と判定に必要な処
理時間である。特に、判定精度に関しては、期待するカ
テゴリ以外のパターンが入力された場合、そのパターン
の類似度を調べてリジェクトする機能が実用面で必要不
可欠となる。従来方法のこれらの点に関する課題とし
て、 （１）パターンマッチングでは、標準パターンとの距離
を計算することにより、類似度が得られるが、最も近い
標準データを求めるためにすべての標準データとの照合
が必要となるため、処理時間が一般に莫大となってしま
う。さらに、この方法は、パターン空間上の距離により
判定しているため、サンプルデータが入れ子状態で分布
している問題、すなわち、非線形分離問題には適用でき
ない場合が多い。 （２）層状ニューラルネットでは、非線形問題を含むカ
テゴライズのための分離面が求まる。たとえば、図１１
に示したようなデータ群Ａとデータ群Ｂの分離を目的と
する２次元問題の場合、学習により分離線Ｌ0が得られ
る。そして、図内に示したニューラルネットの各出力等
高線（点線）は分離線Ｌ0に対して線対称となる。従っ
て、未知の入力データ、例えば、図内の点ａと点ｂの層
状ニューラルネットの出力値は同じであり、分離線Ｌ0
に対して同じ側にあるデータ群Ａのカテゴリに分類され
る。一方、入力データのサンプルデータに対する類似度
は、通常、サンプルデータの分布中心ｃからの距離と定
義できるため、点ｂのデータは点ａのデータより類似度
はかなり低いはずである。それにもかかわらず、図内の
点ａと点ｂの層状ニューラルネットの出力値は同じとな
り、この場合、類似度が計算できたとはいえない。この
ように、層状ニューラルネットは紋切り型の分類に適用
できても、類似度の判定による分類には適用しずらいこ
とが分かる。本発明の目的は、従来方式が持っている上
述した課題を解決し、処理時間が短く、非線形分離問題
への適用が可能であり、しかも、類似度の計算ができる
自動分類方法を提供することにある。
【０００４】
【課題を解決するための手段】上記の課題を解決するた
めに、本発明は、次のステップを有する。（１）複数の
既知のカテゴリのサンプルデータを複数のクラスに分割
するステップ、（２）分割されたサンプルデータが同一
のカテゴリでない場合、そのデータを再度複数のサブク
ラスに分割し、サブクラス内のサンプルデータが同一の
カテゴリになるまで、再分割を繰り返すステップ、
（３）得られたクラス、サブクラスの関係を木構造によ
り表現し、各クラス、各サブクラス毎にそこに含まれる
サンプルデータから標準データを求めるステップ、
（４）未知カテゴリの入力データに対し、木構造のクラ
スの内、どのクラスに一番近いかを各クラスの標準デー
タとの距離により判定し、次に、そのクラスに葉（サブ
クラス）がある場合には、再度、どのサブクラスに一番
近いかを各サブクラスの標準データとの距離により判定
していき、最端の葉（サブクラス）に到達するまで、こ
の判定を行い、最端の葉（サブクラス）のカテゴリを入
力データのカテゴリとするステップ。
めに、本発明は、次のステップを有する。（１）複数の
既知のカテゴリのサンプルデータを複数のクラスに分割
するステップ、（２）分割されたサンプルデータが同一
のカテゴリでない場合、そのデータを再度複数のサブク
ラスに分割し、サブクラス内のサンプルデータが同一の
カテゴリになるまで、再分割を繰り返すステップ、
（３）得られたクラス、サブクラスの関係を木構造によ
り表現し、各クラス、各サブクラス毎にそこに含まれる
サンプルデータから標準データを求めるステップ、
（４）未知カテゴリの入力データに対し、木構造のクラ
スの内、どのクラスに一番近いかを各クラスの標準デー
タとの距離により判定し、次に、そのクラスに葉（サブ
クラス）がある場合には、再度、どのサブクラスに一番
近いかを各サブクラスの標準データとの距離により判定
していき、最端の葉（サブクラス）に到達するまで、こ
の判定を行い、最端の葉（サブクラス）のカテゴリを入
力データのカテゴリとするステップ。
【０００５】
【作用】上記（１）（２）により、たとえ、サンプルデ
ータが入れ子状態であっても、いわゆる、非線形分離問
題を、データを分割することにより、複数の部分的線形
問題に帰着できるので、非線形分離問題への適用が可能
となり、しかも、高速に類似度の計算ができる。（３）
により、データ分類のための木構造と標準データが得ら
れ、（４）により、得られた木構造にしたがった判定を
行うので、予期しない未知データについてすべての標準
データとの照合が必要でなくなり、処理の高速化が図ら
れ、また、標準データとの距離計算により入力データの
類似度を求めることができる。
ータが入れ子状態であっても、いわゆる、非線形分離問
題を、データを分割することにより、複数の部分的線形
問題に帰着できるので、非線形分離問題への適用が可能
となり、しかも、高速に類似度の計算ができる。（３）
により、データ分類のための木構造と標準データが得ら
れ、（４）により、得られた木構造にしたがった判定を
行うので、予期しない未知データについてすべての標準
データとの照合が必要でなくなり、処理の高速化が図ら
れ、また、標準データとの距離計算により入力データの
類似度を求めることができる。
【０００６】
【実施例】以下、本発明の実施例を図１、図２、図３、
図４、図５、図６、図７、図８を用いて詳細に説明す
る。まず、図５、図６、図７を用いて、本発明のサンプ
ルデータを用いた学習、すなわち、データ分類のための
木構造と標準データの作成のための原理の概要を説明す
る。図５は、測定した２つの物理量の軸からなる２次元
空間上のサンプルデータの分布を示したものである。こ
れらのサンプルデータは、２つの既知のカテゴリ（白丸
と黒丸）に属しており、非線形分離問題である。これら
のサンプルデータを、図６に示すように、複数のクラス
Ｃ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５に分類する。これらのク
ラスの内、例えば、クラスＣ１内のサンプルデータが同
一カテゴリでない場合、そのデータを再度複数のサブク
ラスＣ１１、Ｃ１２、Ｃ１３、Ｃ１４、Ｃ１５に分割す
る。他のクラスＣ２、Ｃ３、Ｃ４、Ｃ５についても同様
である。この場合、たとえぱ、サブクラスＣ３２が同一
カテゴリでないとき、サンプルデータが同一カテゴリに
なるまで、サブクラスＣ３２１、Ｃ３２２のように再分
割を繰り返す。同様に、サブクラスＣ４１１、Ｃ４１
２、あるいは、Ｃ５１１、Ｃ５１２、Ｃ５１３、Ｃ５１
４はそれぞれＣＣ４１、Ｃ５１の再分割を示す。なお、
Ｃ１、Ｃ２、Ｃ３…、Ｃ１２、Ｃ２２、…、Ｃ５１４の
記号は、便宜上に使用するクラス、サブクラスの名称で
ある。つぎに、各クラス及びサブクラス毎にそこに含ま
れるサンプルデータから標準データを求める。この標準
データは、クラス又はサブクラス内のサンプルデータの
分布中心（大きい黒丸で示す）とする。一方、クラスＣ
１〜Ｃ５、サブクラスＣ１１〜Ｃ５５の関係を、図７に
示すように、木構造により表現する。ここで、カテゴリ
１は白丸、カテゴリ２は黒丸を指し、図５と対応する。
なお、図６は、単純化するため、全て黒丸を用いて図示
した。
図４、図５、図６、図７、図８を用いて詳細に説明す
る。まず、図５、図６、図７を用いて、本発明のサンプ
ルデータを用いた学習、すなわち、データ分類のための
木構造と標準データの作成のための原理の概要を説明す
る。図５は、測定した２つの物理量の軸からなる２次元
空間上のサンプルデータの分布を示したものである。こ
れらのサンプルデータは、２つの既知のカテゴリ（白丸
と黒丸）に属しており、非線形分離問題である。これら
のサンプルデータを、図６に示すように、複数のクラス
Ｃ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５に分類する。これらのク
ラスの内、例えば、クラスＣ１内のサンプルデータが同
一カテゴリでない場合、そのデータを再度複数のサブク
ラスＣ１１、Ｃ１２、Ｃ１３、Ｃ１４、Ｃ１５に分割す
る。他のクラスＣ２、Ｃ３、Ｃ４、Ｃ５についても同様
である。この場合、たとえぱ、サブクラスＣ３２が同一
カテゴリでないとき、サンプルデータが同一カテゴリに
なるまで、サブクラスＣ３２１、Ｃ３２２のように再分
割を繰り返す。同様に、サブクラスＣ４１１、Ｃ４１
２、あるいは、Ｃ５１１、Ｃ５１２、Ｃ５１３、Ｃ５１
４はそれぞれＣＣ４１、Ｃ５１の再分割を示す。なお、
Ｃ１、Ｃ２、Ｃ３…、Ｃ１２、Ｃ２２、…、Ｃ５１４の
記号は、便宜上に使用するクラス、サブクラスの名称で
ある。つぎに、各クラス及びサブクラス毎にそこに含ま
れるサンプルデータから標準データを求める。この標準
データは、クラス又はサブクラス内のサンプルデータの
分布中心（大きい黒丸で示す）とする。一方、クラスＣ
１〜Ｃ５、サブクラスＣ１１〜Ｃ５５の関係を、図７に
示すように、木構造により表現する。ここで、カテゴリ
１は白丸、カテゴリ２は黒丸を指し、図５と対応する。
なお、図６は、単純化するため、全て黒丸を用いて図示
した。
【０００７】つぎに、図１は、サンプルデータを用いた
学習、すなわち、データ分類のための木構造と標準デー
タの作成のためのフローチャートである。ステップ１
は、初めに全サンプルデータを対称に複数のクラスに分
類し、クラス内のサンプルデータのカテゴリの同一性を
判定する。ステップ２は、クラス内のサンプルデータが
同一でない場合は、同一カテゴリになるまでクラスを分
割し、サブクラス内のサンプルデータが同一カテゴリに
なるまでこの再分割を繰返して、サブクラスを発生し、
そのサブクラスに含まれるサンプルデータから標準デー
タを決定する。ステップ３は、サブクラスの数およびサ
ブクラスデータ（標準データ）を格納先ポインタ群に登
録し、格納先ポインタ先へ標準データを登録する（木構
造の形成）。ステップ４は、サブクラスに含まれるサン
プルデータを引き数とした本フローの再帰コールを行
う。ステップ５は、すべてのサブクラス分の再帰コール
が終了したかを判定する。ステップ６は、最端のサブク
ラス（葉）の標準データとカテゴリ名の登録である。な
お、ステップ２に関しては、その具体的方法を後で詳細
に説明する。このフローチャートで示した手順によれ
ば、複数のサンプルデータを最端葉のサブクラスのデー
タが同一となるまで分割していきながら、データ分類の
ための木構造と標準データが作成できる。図３は、この
フローチャートで得られる計算機のメモリー上に作成さ
れた木構造と標準データを示したものである。つぎに、
このようにサンプルデータの学習によって得られた木構
造に従って未知のカテゴリの入力データのカテゴリを判
定する方法を説明する。
学習、すなわち、データ分類のための木構造と標準デー
タの作成のためのフローチャートである。ステップ１
は、初めに全サンプルデータを対称に複数のクラスに分
類し、クラス内のサンプルデータのカテゴリの同一性を
判定する。ステップ２は、クラス内のサンプルデータが
同一でない場合は、同一カテゴリになるまでクラスを分
割し、サブクラス内のサンプルデータが同一カテゴリに
なるまでこの再分割を繰返して、サブクラスを発生し、
そのサブクラスに含まれるサンプルデータから標準デー
タを決定する。ステップ３は、サブクラスの数およびサ
ブクラスデータ（標準データ）を格納先ポインタ群に登
録し、格納先ポインタ先へ標準データを登録する（木構
造の形成）。ステップ４は、サブクラスに含まれるサン
プルデータを引き数とした本フローの再帰コールを行
う。ステップ５は、すべてのサブクラス分の再帰コール
が終了したかを判定する。ステップ６は、最端のサブク
ラス（葉）の標準データとカテゴリ名の登録である。な
お、ステップ２に関しては、その具体的方法を後で詳細
に説明する。このフローチャートで示した手順によれ
ば、複数のサンプルデータを最端葉のサブクラスのデー
タが同一となるまで分割していきながら、データ分類の
ための木構造と標準データが作成できる。図３は、この
フローチャートで得られる計算機のメモリー上に作成さ
れた木構造と標準データを示したものである。つぎに、
このようにサンプルデータの学習によって得られた木構
造に従って未知のカテゴリの入力データのカテゴリを判
定する方法を説明する。
【０００８】図２は、この判定するためのフローチャー
トである。ステップ７は、サブクラス数があるかない
か、すなわち、木構造の最端葉かどうかを判定する。ス
テップ８は、サブクラスの標準データと入力データとの
距離の計算、すなわち、類似度を計算する。ステップ９
は、サブクラス数分の距離計算を終了したかどうかを判
定する。ステップ１０は、計算した距離の最小値が一定
値以下かどうかの判定、すなわち、入力データと各標準
データとの距離が大であって、類似度がない場合には、
リジェクトとするような判定を行う。ステップ１１は、
最小距離の標準データを持つサブクラスに関して、本フ
ローの再帰コールを行う。一方、ステップ１２は、最端
葉のサブクラスの標準データと入力データとの距離計算
を行う。ステップ１３は、計算した距離が一定値以下か
どうかを判定する。すなわち、入力データと標準データ
との距離が大の場合にはリジェクトとするような判定を
行う。ステップ１４は、最端葉のサブクラスのカテゴリ
名の登録、すなわち、入力データのカテゴリを最端葉の
サブクラスのカテゴリ名とするものである。このフロー
チャートで示した手順により、未知のカテゴリの入力デ
ータを再帰的に各サブクラスの標準データと比較してカ
テゴリを決定できる。また、学習したサンプルパターン
と大きく異なる場合にはリジェクトすることができる。
ここでの入力データと標準データとの距離として、例え
ば、ユークリッド距離、サブクラスに属するサンプルデ
ータの分散共分散行列を用いたマハラノビス距離などを
用いる。
トである。ステップ７は、サブクラス数があるかない
か、すなわち、木構造の最端葉かどうかを判定する。ス
テップ８は、サブクラスの標準データと入力データとの
距離の計算、すなわち、類似度を計算する。ステップ９
は、サブクラス数分の距離計算を終了したかどうかを判
定する。ステップ１０は、計算した距離の最小値が一定
値以下かどうかの判定、すなわち、入力データと各標準
データとの距離が大であって、類似度がない場合には、
リジェクトとするような判定を行う。ステップ１１は、
最小距離の標準データを持つサブクラスに関して、本フ
ローの再帰コールを行う。一方、ステップ１２は、最端
葉のサブクラスの標準データと入力データとの距離計算
を行う。ステップ１３は、計算した距離が一定値以下か
どうかを判定する。すなわち、入力データと標準データ
との距離が大の場合にはリジェクトとするような判定を
行う。ステップ１４は、最端葉のサブクラスのカテゴリ
名の登録、すなわち、入力データのカテゴリを最端葉の
サブクラスのカテゴリ名とするものである。このフロー
チャートで示した手順により、未知のカテゴリの入力デ
ータを再帰的に各サブクラスの標準データと比較してカ
テゴリを決定できる。また、学習したサンプルパターン
と大きく異なる場合にはリジェクトすることができる。
ここでの入力データと標準データとの距離として、例え
ば、ユークリッド距離、サブクラスに属するサンプルデ
ータの分散共分散行列を用いたマハラノビス距離などを
用いる。
【０００９】図８（ａ）は、図１のフローにより得られ
た木構造と標準データを用いて、この図２のフローにし
たがい、未知のカテゴリの入力データのカテゴリを判定
した結果を示している。小さい方の白丸と黒丸がサンプ
ルデータ、大きめの白丸と黒丸が試行した未知のカテゴ
リの入力データを示している。この図８（ａ）から明ら
かなように、丸印の色分け（黒丸と白丸）は、判定され
た結果のカテゴリの違いを示し、大きめの白丸の入力デ
ータは、小さい方の白丸のサンプルデータのカテゴリ
に、大きめの黒丸の入力データは、小さい方の黒丸のサ
ンプルデータのカテゴリに正しく判定されている。図内
の周辺の空白の領域はリジェクト領域を示している。す
なわち、サンプルデータから遠く離れた入力データは適
格な距離（類似度）判定によりリジェクトされる。図８
（ｂ）は、距離（類似度）判定をややゆるくしたもの
（図２の距離判定の一定値を大きくしたもの）である。
２つのカテゴリ領域が図８（ａ）に比べ広がっている。
た木構造と標準データを用いて、この図２のフローにし
たがい、未知のカテゴリの入力データのカテゴリを判定
した結果を示している。小さい方の白丸と黒丸がサンプ
ルデータ、大きめの白丸と黒丸が試行した未知のカテゴ
リの入力データを示している。この図８（ａ）から明ら
かなように、丸印の色分け（黒丸と白丸）は、判定され
た結果のカテゴリの違いを示し、大きめの白丸の入力デ
ータは、小さい方の白丸のサンプルデータのカテゴリ
に、大きめの黒丸の入力データは、小さい方の黒丸のサ
ンプルデータのカテゴリに正しく判定されている。図内
の周辺の空白の領域はリジェクト領域を示している。す
なわち、サンプルデータから遠く離れた入力データは適
格な距離（類似度）判定によりリジェクトされる。図８
（ｂ）は、距離（類似度）判定をややゆるくしたもの
（図２の距離判定の一定値を大きくしたもの）である。
２つのカテゴリ領域が図８（ａ）に比べ広がっている。
【００１０】図４は、図１のステップ２のサブクラスの
発生とそのサブクラスに含まれるサンプルデータおよび
標準データの決定のための具体的方法を示したものであ
る。ステップ１５は、サンプルデータの分布中心付近に
ランダムに複数（Ｎ個）の標準データを配置する。ステ
ップ１６は、各サンプルデータに関して最も近い距離の
標準データを決定し、それによってそれぞれの標準デー
タを代表とする各サブクラスに属するサンプルデータを
求める。ステップ１７は、各標準データとそのサブクラ
スに属するサンプルデータとの誤差Ｅを図１３の〈数
１〉のようにして求める。ステップ１８は、誤差Ｅ＝｜
Ｅ（ｔ＋１）−Ｅ（ｔ）｜が一定値より小さいかどうか
を判定する。ここで、Ｅ（ｔ）は前回の誤差、Ｅ（ｔ＋
１）は今回の誤差を表す。ステップ１９は、誤差Ｅが一
定値より大きい場合に、図１３の〈数２〉にしたがって
各標準データを移動させ、ステップ１６に戻る。すなわ
ち、標準データとそれに所属するサンプルデータの差の
総和を各次元毎に計算して、それらの総和値で表現され
た方向に標準データを移動させ、再度、各サンプルデー
タと各標準データの距離を計算して、各サンプルデータ
毎に最も近い標準データを求め、それに各サンプルデー
タが所属するとし、標準データとそれに所属するサンプ
ルデータの差の総和が各次元毎に一定値以下になるま
で、このような各標準データの移動を繰り返す。誤差Ｅ
が一定値より小さくなった場合は、その時の各標準デー
タを最終の標準データとし、各サンプルデータはそれに
最も近い標準データのサブクラスに属しているものとし
て、このフローを終了する。なお、図６の各サブクラス
の標準データを表す大きめの黒丸およびそのサブクラス
に属する実線で囲んだ範囲内のサンプルデータは、この
フローにより決定されるものである。
発生とそのサブクラスに含まれるサンプルデータおよび
標準データの決定のための具体的方法を示したものであ
る。ステップ１５は、サンプルデータの分布中心付近に
ランダムに複数（Ｎ個）の標準データを配置する。ステ
ップ１６は、各サンプルデータに関して最も近い距離の
標準データを決定し、それによってそれぞれの標準デー
タを代表とする各サブクラスに属するサンプルデータを
求める。ステップ１７は、各標準データとそのサブクラ
スに属するサンプルデータとの誤差Ｅを図１３の〈数
１〉のようにして求める。ステップ１８は、誤差Ｅ＝｜
Ｅ（ｔ＋１）−Ｅ（ｔ）｜が一定値より小さいかどうか
を判定する。ここで、Ｅ（ｔ）は前回の誤差、Ｅ（ｔ＋
１）は今回の誤差を表す。ステップ１９は、誤差Ｅが一
定値より大きい場合に、図１３の〈数２〉にしたがって
各標準データを移動させ、ステップ１６に戻る。すなわ
ち、標準データとそれに所属するサンプルデータの差の
総和を各次元毎に計算して、それらの総和値で表現され
た方向に標準データを移動させ、再度、各サンプルデー
タと各標準データの距離を計算して、各サンプルデータ
毎に最も近い標準データを求め、それに各サンプルデー
タが所属するとし、標準データとそれに所属するサンプ
ルデータの差の総和が各次元毎に一定値以下になるま
で、このような各標準データの移動を繰り返す。誤差Ｅ
が一定値より小さくなった場合は、その時の各標準デー
タを最終の標準データとし、各サンプルデータはそれに
最も近い標準データのサブクラスに属しているものとし
て、このフローを終了する。なお、図６の各サブクラス
の標準データを表す大きめの黒丸およびそのサブクラス
に属する実線で囲んだ範囲内のサンプルデータは、この
フローにより決定されるものである。
【００１１】上記の実施例では２次元の分離問題を説明
したが、本発明を多次元空間上における分離問題に適用
することもできる。この場合、数１のデータの次元ｉを
増やすだけでよい。
したが、本発明を多次元空間上における分離問題に適用
することもできる。この場合、数１のデータの次元ｉを
増やすだけでよい。
【００１２】図９、図１０は、顔画像の分類に本発明を
適用した実施例である。ここでのサンプルデータは濃淡
顔画像そのものであり、縦横それぞれ１６画素の大き
さ、すなわち、２５６次元のパターン空間上における分
離問題である。図９は、パターン空間上のサンプルデー
タ（白丸、白角、黒丸）の分布とサブクラスの包含関
係、すなわち、クラスＣ１はサブクラスＣ１１、Ｃ１
２、Ｃ１３を包含し、同様に、クラスＣ３はサブクラス
Ｃ３１、Ｃ３２、Ｃ３３、および、クラスＣ４はサブク
ラスＣ４１、Ｃ４２、Ｃ４３、Ｃ４４をそれぞれ包含
し、クラスＣ２はサブクラスを包含しないことを示す。
そして、それぞれの標準データとして標準パターン（サ
ンプル顔画像）を示してある。サンプル顔画像のカテゴ
リは“人間”（白丸）“犬”（白角）“猫”（黒丸）の
３つである。ただし、２５６次元パターン空間を紙上に
表現できないため模式的に表現してある。図１０は、各
サブクラスの木構造とそのサブクラスに所属するサンプ
ルデータを表現したものである。すなわち、クラスＣ１
属するサブクラスＣ１１には猫2の顔２つ、サブクラス
Ｃ１２には犬1の顔１つ、サブクラスＣ１３には猫3の顔
１つを表現している。以下、同様に図示の如くである。
この木構造と各標準データを用いて、未知の顔画像デー
タがどのサブクラス領域内に入るかを調べれば、高速
に、しかも、正確に顔画像データのカテゴリを判定する
ことができる。
適用した実施例である。ここでのサンプルデータは濃淡
顔画像そのものであり、縦横それぞれ１６画素の大き
さ、すなわち、２５６次元のパターン空間上における分
離問題である。図９は、パターン空間上のサンプルデー
タ（白丸、白角、黒丸）の分布とサブクラスの包含関
係、すなわち、クラスＣ１はサブクラスＣ１１、Ｃ１
２、Ｃ１３を包含し、同様に、クラスＣ３はサブクラス
Ｃ３１、Ｃ３２、Ｃ３３、および、クラスＣ４はサブク
ラスＣ４１、Ｃ４２、Ｃ４３、Ｃ４４をそれぞれ包含
し、クラスＣ２はサブクラスを包含しないことを示す。
そして、それぞれの標準データとして標準パターン（サ
ンプル顔画像）を示してある。サンプル顔画像のカテゴ
リは“人間”（白丸）“犬”（白角）“猫”（黒丸）の
３つである。ただし、２５６次元パターン空間を紙上に
表現できないため模式的に表現してある。図１０は、各
サブクラスの木構造とそのサブクラスに所属するサンプ
ルデータを表現したものである。すなわち、クラスＣ１
属するサブクラスＣ１１には猫2の顔２つ、サブクラス
Ｃ１２には犬1の顔１つ、サブクラスＣ１３には猫3の顔
１つを表現している。以下、同様に図示の如くである。
この木構造と各標準データを用いて、未知の顔画像デー
タがどのサブクラス領域内に入るかを調べれば、高速
に、しかも、正確に顔画像データのカテゴリを判定する
ことができる。
【００１３】つぎに、本発明を実施するシステム構成に
ついて、図１２を用いて説明する。１はスキャナー、２
は学習部、３は判定部、４は画像記憶部と標準データ記
憶部を有する記憶部、５はＣＰＵである。予め学習用の
画像サンプルデータを、スキャナー１から入力し、記憶
部４の画像記憶部に格納する。学習部２では、画像記憶
部の学習用の画像サンプルデータを用いて、図１の学習
手順および図４の標準データの作成手順にしたがって、
図３に示した木構造をもった標準データを作る。それら
のデータは、記憶部４の標準データ記憶部に格納する。
そこで、スキャナー１から未知カテゴリの画像データを
採り込む。この未知カテゴリの画像データは、判定部３
において、図２の入力データのカテゴリ判定手順にした
がって、標準データ記憶部の標準データと比較し、その
カテゴリを決定する。なお、ＣＰＵ５は、全体の動作手
順、すなわち、画像の採り込み、学習部３、判定部３お
よび記憶部４の起動などを制御する。
ついて、図１２を用いて説明する。１はスキャナー、２
は学習部、３は判定部、４は画像記憶部と標準データ記
憶部を有する記憶部、５はＣＰＵである。予め学習用の
画像サンプルデータを、スキャナー１から入力し、記憶
部４の画像記憶部に格納する。学習部２では、画像記憶
部の学習用の画像サンプルデータを用いて、図１の学習
手順および図４の標準データの作成手順にしたがって、
図３に示した木構造をもった標準データを作る。それら
のデータは、記憶部４の標準データ記憶部に格納する。
そこで、スキャナー１から未知カテゴリの画像データを
採り込む。この未知カテゴリの画像データは、判定部３
において、図２の入力データのカテゴリ判定手順にした
がって、標準データ記憶部の標準データと比較し、その
カテゴリを決定する。なお、ＣＰＵ５は、全体の動作手
順、すなわち、画像の採り込み、学習部３、判定部３お
よび記憶部４の起動などを制御する。
【００１４】
【発明の効果】以上、実施例で説明したように、本発明
によれば、たとえ、サンプルデータが入れ子状態であ
る、いわゆる、非線形分離問題でも、データをサブクラ
スに分割するので、複数の部分的線形問題に帰着でき
る。この結果、本発明は、非線形分離問題への適用が可
能となり、しかも、高速に類似度の計算ができる。ま
た、本発明によれば、データ分類のための木構造が得ら
れ、その木構造にしたがった判定を行うので、予期しな
い未知データを標準データのすべてと照合する必要がな
くなり、処理の高速化が図られる。また、標準データと
の距離計算により入力データの類似度を求めることがで
きる。そして、サブクラス内における標準データと入力
データの距離による類似度判定を行うことにより、予期
しない未知データのリジェクトが可能となり、判定の精
度が向上する。
によれば、たとえ、サンプルデータが入れ子状態であ
る、いわゆる、非線形分離問題でも、データをサブクラ
スに分割するので、複数の部分的線形問題に帰着でき
る。この結果、本発明は、非線形分離問題への適用が可
能となり、しかも、高速に類似度の計算ができる。ま
た、本発明によれば、データ分類のための木構造が得ら
れ、その木構造にしたがった判定を行うので、予期しな
い未知データを標準データのすべてと照合する必要がな
くなり、処理の高速化が図られる。また、標準データと
の距離計算により入力データの類似度を求めることがで
きる。そして、サブクラス内における標準データと入力
データの距離による類似度判定を行うことにより、予期
しない未知データのリジェクトが可能となり、判定の精
度が向上する。
【図１】サンプルデータを用いた学習、すなわち、デー
タ分類のための木構造と標準データの作成のためのフロ
ーチャート
タ分類のための木構造と標準データの作成のためのフロ
ーチャート
【図２】得られた木構造に従って未知のカテゴリの入力
データのカテゴリを判定するためのフローチャート。
データのカテゴリを判定するためのフローチャート。
【図３】計算機のメモリー上に作成された木構造と標準
データの例を示す。
データの例を示す。
【図４】図１ａのステップ２のサブクラスの発生とその
サブクラスに含まれるサンプルデータおよび標準データ
の決定フローの例を示す。
サブクラスに含まれるサンプルデータおよび標準データ
の決定フローの例を示す。
【図５】２つの物理量の軸からなる２次元空間上のサン
プルデータの分布を示す。
プルデータの分布を示す。
【図６】図４の実際のサンプルデータを用いて、サンプ
ルデータのサブクラス分割の原理の概要を示す。
ルデータのサブクラス分割の原理の概要を示す。
【図７】図４の実際のサンプルデータを用いて、サブク
ラス間の木構造を示す。
ラス間の木構造を示す。
【図８】（ａ）は、得られた木構造と標準データを用い
て未知のカテゴリの入力データのカテゴリを判定した結
果を示し、（ｂ）は、距離（類似度）判定をややゆるく
した結果を示す。
て未知のカテゴリの入力データのカテゴリを判定した結
果を示し、（ｂ）は、距離（類似度）判定をややゆるく
した結果を示す。
【図９】顔画像を用いた実施例におけるパターン空間上
でのサンプルデータの分布とサブクラスの包含関係、お
よび、幾つかの標準データを示す。
でのサンプルデータの分布とサブクラスの包含関係、お
よび、幾つかの標準データを示す。
【図１０】各サブクラスの木構造とそのサブクラスに属
するサンプルデータを示す。
するサンプルデータを示す。
【図１１】従来方法の１つである層状ニューラルネット
の課題を説明するためのもの。
の課題を説明するためのもの。
【図１２】本発明を実施するシステム構成例を示す。
【図１３】〈数１〉、〈数２〉を示す。
ステップ１ クラス内のサンプルデータのカテゴリの同
一性の判定 ステップ２ サブクラスの発生と標準データの決定 ステップ３ サブクラスの数およびサブクラスデータ
（標準データ）格納先ポインタ群の登録、格納先ポイン
タ先への標準データの登録 ステップ４ 本フローの再帰コール ステップ５ すべてのサブクラス分の再帰コールが終了
したかの判定 ステップ６ 標準データとカテゴリ名の登録 ステップ７ サブクラス数があるかないかの判定 ステップ８ サブクラスの標準データと入力データとの
距離の計算 ステップ９ サブクラス数分の距離計算を終了したかど
うかの判定 ステップ１０ 計算した距離の最小値が一定値以下かど
うかの判定 ステップ１１ 本フローの再帰コール ステップ１２ 最端葉サブクラスの標準データと入力デ
ータとの距離計算 ステップ１３ 計算した距離が一定値以下かどうかの判
定 ステップ１４ 最端葉のサブクラスのカテゴリ名の登録
一性の判定 ステップ２ サブクラスの発生と標準データの決定 ステップ３ サブクラスの数およびサブクラスデータ
（標準データ）格納先ポインタ群の登録、格納先ポイン
タ先への標準データの登録 ステップ４ 本フローの再帰コール ステップ５ すべてのサブクラス分の再帰コールが終了
したかの判定 ステップ６ 標準データとカテゴリ名の登録 ステップ７ サブクラス数があるかないかの判定 ステップ８ サブクラスの標準データと入力データとの
距離の計算 ステップ９ サブクラス数分の距離計算を終了したかど
うかの判定 ステップ１０ 計算した距離の最小値が一定値以下かど
うかの判定 ステップ１１ 本フローの再帰コール ステップ１２ 最端葉サブクラスの標準データと入力デ
ータとの距離計算 ステップ１３ 計算した距離が一定値以下かどうかの判
定 ステップ１４ 最端葉のサブクラスのカテゴリ名の登録
Claims (5)
- 【請求項１】 ｎ次元データのカテゴリを決定する方法
に於いて、カテゴリが既知である複数のサンプルデータ
を用意し、ｎ次元空間内において互いに距離が近いデー
タが同一のクラス（グループ）となるように、サンプル
データを複数のクラスに分割するステップと、クラス内
に属するサンプルデータが同一のカテゴリでない場合、
そのサンプルデータのうちｎ次元空間内において互いに
近いデータが同一のサブクラスとなるように、サンプル
データを複数のサブクラスに分割し、サブクラス内のサ
ンプルデータが同一のカテゴリになるまで、この再分割
を繰り返すステップと、得られたクラス、サブクラスの
関係を木構造により表現し、各クラスおよび各サブクラ
ス毎にそれに含まれるサンプルデータから標準データを
求めるステップを有することを特徴とするデータの自動
分類方法。 - 【請求項２】 請求項１に記載の自動分類方法におい
て、クラスまたはサブクラスの標準データを多次元空間
におけるそのクラスまたはサブクラス内のサンプルデー
タの分布中心とすることを特徴とするデータの自動分類
方法。 - 【請求項３】 ｎ次元データのカテゴリを決定する方法
に於いて、カテゴリが既知である複数のサンプルデータ
を用意し、ｎ次元空間内のサンプルデータの分布中心付
近の任意位置に複数の標準データを発生し、各サンプル
データと標準データの距離を計算して、各サンプルデー
タ毎に最も近い標準データを求め、一旦、それに各サン
プルデータが所属するとした後、標準データとそれに所
属するサンプルデータの差の総和を各次元毎に計算し
て、それらの総和値で表現された方向に標準データを移
動させ、再度、各サンプルデータと各標準データの距離
を計算して、各サンプルデータ毎に最も近い標準データ
を求め、それに各サンプルデータが所属するとし、標準
データとそれに所属するサンプルデータの差の総和が各
次元毎に一定値以下になるまで、このような各標準デー
タの移動を繰り返して、各標準データの最終的位置とそ
れに代表されるクラス（グループ）に所属するサンプル
データを決定するステップと、クラス内に属するサンプ
ルデータが同一のカテゴリでない場合、そのサンプルデ
ータのうちｎ次元空間内で互いに近いデータが同一のサ
ブクラスとなるように、前記ステップと同様に、サンプ
ルデータを複数のサブクラスに分割し、サブクラス内の
サンプルデータが同一のカテゴリになるまで、この再分
割を繰り返すステップと、前記両ステップにおいて得ら
れた標準データとクラスまたはサブクラスを木構造に関
連付けて記憶するステップを有することを特徴とするデ
ータの自動分類方法。 - 【請求項４】 請求項１ないし請求項３に記載のいずれ
かの自動分類方法において、未知カテゴリの入力データ
に対し、木構造にあるクラスの内、どのクラスに一番近
いかを各クラスの標準データとの距離により判定し、次
に、そのクラスに葉（サブクラス）がある場合には、再
度、どのサブクラスに一番近いかを各サブクラスの標準
データとの距離により判定し、最端の葉（サブクラス）
に到達するまでこの判定を行い、最端の葉（サブクラ
ス）のカテゴリを入力データのカテゴリとするステップ
を有することを特徴とするデータの自動分類方法。 - 【請求項５】 請求項４に記載の自動分類方法におい
て、未知カテゴリの入力データとクラスまたはサブクラ
スの標準データとの距離が一定値以上の場合、この入力
データのカテゴリをサンプルデータのカテゴリ以外の
“不明”とすることを特徴とするデータの自動分類方
法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03259784A JP3118725B2 (ja) | 1991-09-11 | 1991-09-11 | 自動分類方法 |
| GB9218944A GB2259599A (en) | 1991-09-11 | 1992-09-08 | Automatic clustering method |
| US07/943,688 US5329596A (en) | 1991-09-11 | 1992-09-11 | Automatic clustering method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03259784A JP3118725B2 (ja) | 1991-09-11 | 1991-09-11 | 自動分類方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0573687A true JPH0573687A (ja) | 1993-03-26 |
| JP3118725B2 JP3118725B2 (ja) | 2000-12-18 |
Family
ID=17338936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP03259784A Expired - Lifetime JP3118725B2 (ja) | 1991-09-11 | 1991-09-11 | 自動分類方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US5329596A (ja) |
| JP (1) | JP3118725B2 (ja) |
| GB (1) | GB2259599A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008112211A (ja) * | 2006-10-27 | 2008-05-15 | Toshiba Corp | 姿勢推定装置及びその方法 |
| JP2010026782A (ja) * | 2008-07-18 | 2010-02-04 | Nippon Telegr & Teleph Corp <Ntt> | 文書分類装置、文書分類方法、プログラム及び記録媒体 |
| WO2018155412A1 (ja) * | 2017-02-21 | 2018-08-30 | 日本電気株式会社 | 分類装置と分類方法並びにプログラム |
Families Citing this family (41)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4130631A1 (de) * | 1991-09-14 | 1993-03-18 | Philips Patentverwaltung | Verfahren zum erkennen der gesprochenen woerter in einem sprachsignal |
| JPH06223198A (ja) * | 1993-01-26 | 1994-08-12 | Hitachi Ltd | 光線追跡による画像生成装置及び方法 |
| JP2522154B2 (ja) * | 1993-06-03 | 1996-08-07 | 日本電気株式会社 | 音声認識システム |
| FI100366B (fi) * | 1994-09-01 | 1997-11-14 | Spectra Physics Visiontech Oy | Menetelmä poikkeamien tunnistamiseksi tarkastettavasta pinnasta |
| JP3630734B2 (ja) * | 1994-10-28 | 2005-03-23 | キヤノン株式会社 | 情報処理方法 |
| US5497430A (en) * | 1994-11-07 | 1996-03-05 | Physical Optics Corporation | Method and apparatus for image recognition using invariant feature signals |
| US5821945A (en) * | 1995-02-03 | 1998-10-13 | The Trustees Of Princeton University | Method and apparatus for video browsing based on content and structure |
| US5708767A (en) * | 1995-02-03 | 1998-01-13 | The Trustees Of Princeton University | Method and apparatus for video browsing based on content and structure |
| US5864839A (en) * | 1995-03-29 | 1999-01-26 | Tm Patents, L.P. | Parallel system and method for generating classification/regression tree |
| US5764824A (en) * | 1995-08-25 | 1998-06-09 | International Business Machines Corporation | Clustering mechanism for identifying and grouping of classes in manufacturing process behavior |
| KR19990014752A (ko) * | 1996-03-13 | 1999-02-25 | 요트.게.아.롤페즈 | 필터링 방법 및 대응 필터링 시스템 |
| US5832182A (en) * | 1996-04-24 | 1998-11-03 | Wisconsin Alumni Research Foundation | Method and system for data clustering for very large databases |
| US6046740A (en) * | 1997-02-07 | 2000-04-04 | Seque Software, Inc. | Application testing with virtual object recognition |
| JP2002501637A (ja) * | 1997-03-10 | 2002-01-15 | フラウンホーファー−ゲゼルシャフト ツル フェルデング デル アンゲヴァンテン フォルシュング エー．ファー． | 前選択と棄却クラスによる確実な識別 |
| US5848404A (en) * | 1997-03-24 | 1998-12-08 | International Business Machines Corporation | Fast query search in large dimension database |
| US6263337B1 (en) * | 1998-03-17 | 2001-07-17 | Microsoft Corporation | Scalable system for expectation maximization clustering of large databases |
| US6581058B1 (en) | 1998-05-22 | 2003-06-17 | Microsoft Corporation | Scalable system for clustering of large databases having mixed data attributes |
| JP4432262B2 (ja) * | 1999-03-12 | 2010-03-17 | ソニー株式会社 | 画像処理装置、画像処理方法及び記録媒体 |
| US6549907B1 (en) * | 1999-04-22 | 2003-04-15 | Microsoft Corporation | Multi-dimensional database and data cube compression for aggregate query support on numeric dimensions |
| WO2001009821A1 (en) * | 1999-07-30 | 2001-02-08 | Litton Systems, Inc. | Automatic image characterization by class correlation processing |
| US6671680B1 (en) * | 2000-01-28 | 2003-12-30 | Fujitsu Limited | Data mining apparatus and storage medium storing therein data mining processing program |
| JP2002099916A (ja) * | 2000-09-25 | 2002-04-05 | Olympus Optical Co Ltd | パターン分類方法及びその装置、コンピュータにより読み取り可能な記憶媒体 |
| US6507675B1 (en) * | 2001-03-23 | 2003-01-14 | Shih-Jong J. Lee | Structure-guided automatic learning for image feature enhancement |
| US6751348B2 (en) | 2001-03-29 | 2004-06-15 | Fotonation Holdings, Llc | Automated detection of pornographic images |
| US6873743B2 (en) * | 2001-03-29 | 2005-03-29 | Fotonation Holdings, Llc | Method and apparatus for the automatic real-time detection and correction of red-eye defects in batches of digital images or in handheld appliances |
| US6684177B2 (en) * | 2001-05-10 | 2004-01-27 | Hewlett-Packard Development Company, L.P. | Computer implemented scalable, incremental and parallel clustering based on weighted divide and conquer |
| US20020183984A1 (en) * | 2001-06-05 | 2002-12-05 | Yining Deng | Modular intelligent multimedia analysis system |
| US7246125B2 (en) * | 2001-06-21 | 2007-07-17 | Microsoft Corporation | Clustering of databases having mixed data attributes |
| KR100571813B1 (ko) * | 2003-07-28 | 2006-04-17 | 삼성전자주식회사 | 로컬 선형변환함수를 이용한 특징벡터 추출방법과 이를이용한 영상인식방법 및 장치 |
| JP3861157B2 (ja) * | 2004-02-27 | 2006-12-20 | 国立大学法人広島大学 | 参照データ最適化装置とパターン認識システム |
| CN1755796A (zh) | 2004-09-30 | 2006-04-05 | 国际商业机器公司 | 文本到语音转换中基于统计技术的距离定义方法和*** |
| CN100369051C (zh) * | 2005-01-11 | 2008-02-13 | 富士通株式会社 | 灰度字符词典的生成装置 |
| JP5401096B2 (ja) | 2005-12-08 | 2014-01-29 | ニュアンス コミュニケーションズ オーストリア ゲーエムベーハー | コンテキストの動的作成のための方法及びシステム |
| US7483866B2 (en) * | 2005-12-19 | 2009-01-27 | Trw Automotive U.S. Llc | Subclass partitioning in a pattern recognition classifier for controlling deployment of an occupant restraint system |
| US8060451B2 (en) * | 2007-06-15 | 2011-11-15 | International Business Machines Corporation | System and method for facilitating skill gap analysis and remediation based on tag analytics |
| US20090273597A1 (en) * | 2008-05-05 | 2009-11-05 | International Business Machines Corporation | User interface screen layout analysis using hierarchical geometric features |
| US20110184995A1 (en) * | 2008-11-15 | 2011-07-28 | Andrew John Cardno | method of optimizing a tree structure for graphical representation |
| CN101707532B (zh) * | 2009-10-30 | 2012-08-15 | 中山大学 | 一种未知应用层协议自动分析方法 |
| KR101546619B1 (ko) * | 2014-04-07 | 2015-08-21 | 김기남 | 송수신이 가능한 헬멧 |
| CN110348465B (zh) * | 2018-04-03 | 2022-10-18 | 富士通株式会社 | 用于标注样本的方法 |
| CN112463334B (zh) * | 2020-12-04 | 2023-08-18 | 苏州浪潮智能科技有限公司 | 一种训练任务排队原因分析方法、***、设备以及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1333440A (en) * | 1969-12-30 | 1973-10-10 | Texas Instruments Inc | Probability sort in a storage minimized optimum processor |
| US3810162A (en) * | 1970-06-01 | 1974-05-07 | Texas Instruments Inc | Nonlinear classification recognition system |
| US4773099A (en) * | 1985-10-10 | 1988-09-20 | The Palantir Corporation | Pattern classification means for use in a pattern recognition system |
| US4975975A (en) * | 1988-05-26 | 1990-12-04 | Gtx Corporation | Hierarchical parametric apparatus and method for recognizing drawn characters |
| US5075896A (en) * | 1989-10-25 | 1991-12-24 | Xerox Corporation | Character and phoneme recognition based on probability clustering |
-
1991
- 1991-09-11 JP JP03259784A patent/JP3118725B2/ja not_active Expired - Lifetime
-
1992
- 1992-09-08 GB GB9218944A patent/GB2259599A/en not_active Withdrawn
- 1992-09-11 US US07/943,688 patent/US5329596A/en not_active Expired - Lifetime
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008112211A (ja) * | 2006-10-27 | 2008-05-15 | Toshiba Corp | 姿勢推定装置及びその方法 |
| JP4709723B2 (ja) * | 2006-10-27 | 2011-06-22 | 株式会社東芝 | 姿勢推定装置及びその方法 |
| JP2010026782A (ja) * | 2008-07-18 | 2010-02-04 | Nippon Telegr & Teleph Corp <Ntt> | 文書分類装置、文書分類方法、プログラム及び記録媒体 |
| WO2018155412A1 (ja) * | 2017-02-21 | 2018-08-30 | 日本電気株式会社 | 分類装置と分類方法並びにプログラム |
| US11443233B2 (en) | 2017-02-21 | 2022-09-13 | Nec Corporation | Classification apparatus, classification method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3118725B2 (ja) | 2000-12-18 |
| GB9218944D0 (en) | 1992-10-21 |
| GB2259599A (en) | 1993-03-17 |
| US5329596A (en) | 1994-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0573687A (ja) | 自動分類方法 | |
| JP2894113B2 (ja) | 画像クラスタリング装置 | |
| US8139852B2 (en) | Color classification method, color recognition method, color classification apparatus, color recognition apparatus, color recognition system, computer program, and recording medium | |
| Joanes | Reject inference applied to logistic regression for credit scoring | |
| CN111028305A (zh) | 表情生成方法、装置、设备及存储介质 | |
| US20040264741A1 (en) | Region detecting method and region detecting apparatus | |
| JPH09508739A (ja) | 指紋一致装置 | |
| CN110532920A (zh) | 基于FaceNet方法的小数量数据集人脸识别方法 | |
| KR20040037180A (ko) | 학습 모델 부분들을 사용하는 안면 인식 시스템 및 방법 | |
| EP1191459A1 (en) | Data clustering methods and applications | |
| CN109284757A (zh) | 一种车牌识别方法、装置、计算机装置及计算机可读存储介质 | |
| CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
| US6885772B2 (en) | Process for cyclic, interactive image analysis, and also computer system and computer program for performing the process | |
| JPH09171552A (ja) | 画像認識装置 | |
| JP4397667B2 (ja) | 識別処理に用いる特徴量の種類と識別条件を決定する装置、プログラムならびにプログラムを記録した記録媒体、および特定内容のデータを選別する装置 | |
| JPH08287258A (ja) | カラー画像認識装置 | |
| CN113837236B (zh) | 图像中目标对象的识别方法、装置、终端设备及存储介质 | |
| EP0435099B1 (en) | A method of selecting characteristics data for a data processing system | |
| US20210073586A1 (en) | Learning device, learning method, and storage medium | |
| Ghosh et al. | A detail analysis and implementation of Haar cascade classifier | |
| JP3065332B2 (ja) | 画像処理方法 | |
| US11270163B2 (en) | Learning device, learning method, and storage medium | |
| JPH08167028A (ja) | 画像処理方法 | |
| Castleman et al. | Object Classification | |
| JPH07160879A (ja) | 画像処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071013 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081013 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091013 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091013 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101013 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111013 Year of fee payment: 11 |
|
| EXPY | Cancellation because of completion of term |