JPH11306357A - パターン認識装置 - Google Patents
パターン認識装置Info
- Publication number
- JPH11306357A JPH11306357A JP10112023A JP11202398A JPH11306357A JP H11306357 A JPH11306357 A JP H11306357A JP 10112023 A JP10112023 A JP 10112023A JP 11202398 A JP11202398 A JP 11202398A JP H11306357 A JPH11306357 A JP H11306357A
- Authority
- JP
- Japan
- Prior art keywords
- pattern type
- reference value
- pattern
- recognition
- value
- 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
Landscapes
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】 (修正有)
【課題】 機械的にパターン認識を行う方法において、
「基準値」の構造とその最適値を決定する装置を提供す
る。 【解決手段】 統計的手法やニューラルネット等により
各パターン種の確からしさを求めるパターン種可能性計
算装置1と、1位パターン種に対する確からしさ基準値
を登録したテーブル2と、2位パターン種の確からしさ
の比率である基準値を登録したテーブル3と用いてパタ
ーン認識を行ない、認識パターン種又は不明か否かを出
力する不明判断装置4と、学習用のデータの正解パター
ン種、認識パターン種及び不明判断結果とを用いて正答
率、誤認識率及び不明率を求め評価値を計算する評価関
数計算装置5と、評価値に基づき、各テーブルを更新す
るか、更新の中断を判断する基準値テーブル更新装置6
とを具備する。
「基準値」の構造とその最適値を決定する装置を提供す
る。 【解決手段】 統計的手法やニューラルネット等により
各パターン種の確からしさを求めるパターン種可能性計
算装置1と、1位パターン種に対する確からしさ基準値
を登録したテーブル2と、2位パターン種の確からしさ
の比率である基準値を登録したテーブル3と用いてパタ
ーン認識を行ない、認識パターン種又は不明か否かを出
力する不明判断装置4と、学習用のデータの正解パター
ン種、認識パターン種及び不明判断結果とを用いて正答
率、誤認識率及び不明率を求め評価値を計算する評価関
数計算装置5と、評価値に基づき、各テーブルを更新す
るか、更新の中断を判断する基準値テーブル更新装置6
とを具備する。
Description
【0001】
【発明の属する技術分野】本発明は、パターン認識装置
に関する。詳しくは、パターンを高い正答率で認識し、
パターン認識により低い誤り率を維持することができる
よう改良したものである。
に関する。詳しくは、パターンを高い正答率で認識し、
パターン認識により低い誤り率を維持することができる
よう改良したものである。
【0002】
【従来の技術】機械によるパターン認識において、認識
結果の表し方には2通りある。1つの方式は、パターン
が何であるかを常に断言する方式であり、もう1つは、
断言するか、不明と判断するかを機械自身が選択する方
式である。
結果の表し方には2通りある。1つの方式は、パターン
が何であるかを常に断言する方式であり、もう1つは、
断言するか、不明と判断するかを機械自身が選択する方
式である。
【0003】最初の方式は、いちかばちかで答えを出す
ため、品質の悪いパターンを含む通常の文字認識等のパ
ターン認識課題においては、正答率(正解したパターン
数/与えたパターン数)は高くできるが、反面誤認識率
(誤答したパターン数/与えたパターン数)も高くな
る。二つ目の方式は逆に、あやふやな場合は不明として
答えを出さないので、誤認識を低く抑えられる反面、無
理をすれば正答できるパターンも不明にするため、正答
率は低下する。
ため、品質の悪いパターンを含む通常の文字認識等のパ
ターン認識課題においては、正答率(正解したパターン
数/与えたパターン数)は高くできるが、反面誤認識率
(誤答したパターン数/与えたパターン数)も高くな
る。二つ目の方式は逆に、あやふやな場合は不明として
答えを出さないので、誤認識を低く抑えられる反面、無
理をすれば正答できるパターンも不明にするため、正答
率は低下する。
【0004】工業的にパターン認識機械を用いる場合に
は、目的により2種類の方法を使い分けるが、両者は全
く異なる手法ではなく、一般に「基準値」の設定値によ
りどちらの方式になるか、また、どの程度何れの方式に
近くなるか、言い換えると、どの程度慎重に不明と判断
するかが切り替わる。
は、目的により2種類の方法を使い分けるが、両者は全
く異なる手法ではなく、一般に「基準値」の設定値によ
りどちらの方式になるか、また、どの程度何れの方式に
近くなるか、言い換えると、どの程度慎重に不明と判断
するかが切り替わる。
【0005】従来技術に関して、説明の簡単化のため数
学的な記述をする。与えられたパターン画像に対して、
何らかの文字種可能性計算手法(統計的手法やニューラ
ルネットによる方法がある)を適用して、各パターン種
の確からしさであるP(C1),P(C2),…,P(C
n)を求める。Pは確からしさを表すので、値が大きい
ほどそのパターンである可能性が高い。Ci(i=1,
…,n)はn種類のパターン種である。P(Ci)が最
大のパターン種をCp、2番のパターン種をCqとしてお
く。
学的な記述をする。与えられたパターン画像に対して、
何らかの文字種可能性計算手法(統計的手法やニューラ
ルネットによる方法がある)を適用して、各パターン種
の確からしさであるP(C1),P(C2),…,P(C
n)を求める。Pは確からしさを表すので、値が大きい
ほどそのパターンである可能性が高い。Ci(i=1,
…,n)はn種類のパターン種である。P(Ci)が最
大のパターン種をCp、2番のパターン種をCqとしてお
く。
【0006】ここで、認識結果は、下記不等式(1)
(2)が両方満足されればパターン種Cpとし、満足さ
れなければ不明としていた。 P(Cp)>A …(1) P(Cq)/P(Cp)<B …(2) 但し、基準値A,Bは経験的に人間が決めており、通常
は0≦A,0≦B≦1である。具体的には、基準値Aは
認識手法により異なるが、基準値Bは0.9位にするこ
とが一般的であった。常に断言するためには、つまり、
「不明なし」に設定するには、A=0,B=1とすれば
よい。
(2)が両方満足されればパターン種Cpとし、満足さ
れなければ不明としていた。 P(Cp)>A …(1) P(Cq)/P(Cp)<B …(2) 但し、基準値A,Bは経験的に人間が決めており、通常
は0≦A,0≦B≦1である。具体的には、基準値Aは
認識手法により異なるが、基準値Bは0.9位にするこ
とが一般的であった。常に断言するためには、つまり、
「不明なし」に設定するには、A=0,B=1とすれば
よい。
【0007】このように基準値A,Bは1位や2位のパ
ターン種であるCpやCqには依存しない点が従来手法の
特徴であった。つまり、従来手法では、確からしいとさ
れたパターン種によらず、基準値A,Bを一様に用いて
いた。
ターン種であるCpやCqには依存しない点が従来手法の
特徴であった。つまり、従来手法では、確からしいとさ
れたパターン種によらず、基準値A,Bを一様に用いて
いた。
【0008】
【発明が解決しようとする課題】このように従来手法で
は、パターン認識の途中結果である「各パターン種の確
からしさ」に対し、1種類または2種類の基準値A,B
で認識結果の出し方を決めていた。つまり、確からしさ
が最大となるパターン種を認識結果として断言するか、
不明とするかを、パターン種に対する確からしさの基準
値Aと、1番目に対する2番目のパターン種の確からし
さの比率の基準値Bを用いて決定していた。
は、パターン認識の途中結果である「各パターン種の確
からしさ」に対し、1種類または2種類の基準値A,B
で認識結果の出し方を決めていた。つまり、確からしさ
が最大となるパターン種を認識結果として断言するか、
不明とするかを、パターン種に対する確からしさの基準
値Aと、1番目に対する2番目のパターン種の確からし
さの比率の基準値Bを用いて決定していた。
【0009】しかし、例えば、文字認識を例にとると、
文字「8」と「6」は元々似ているため1番目と2番目
の文字種に対する確からしさの比の基準値Bをあまり小
さく(厳しく)すると「8」や「6」の文字画像が入力
された場合、ほとんどが不明になり、逆に基準値Bを大
きく(ゆるく)すると、「8」や「6」も認識できる
が、上棒のかすれた「7」を「1」と断言する等の誤認
識も増えるという問題点があった。
文字「8」と「6」は元々似ているため1番目と2番目
の文字種に対する確からしさの比の基準値Bをあまり小
さく(厳しく)すると「8」や「6」の文字画像が入力
された場合、ほとんどが不明になり、逆に基準値Bを大
きく(ゆるく)すると、「8」や「6」も認識できる
が、上棒のかすれた「7」を「1」と断言する等の誤認
識も増えるという問題点があった。
【0010】さらに、こうしたかねあいの最適な値を人
間が決定しなくてはならないため、調整に手間がかかり
最適値が保証されない等の問題点かあった。本発明の目
的は、上記従来技術に鑑みてなされたものであり、機械
的にパターン認識を行う方法において、特に、「基準
値」の構造とその最適値を決定する装置を提供するにあ
る。
間が決定しなくてはならないため、調整に手間がかかり
最適値が保証されない等の問題点かあった。本発明の目
的は、上記従来技術に鑑みてなされたものであり、機械
的にパターン認識を行う方法において、特に、「基準
値」の構造とその最適値を決定する装置を提供するにあ
る。
【0011】
【課題を解決するための手段】上記目的を達成する本発
明の請求項1に係るパターン認識装置は、パターン認識
を行なう際に用いる基準値を、1又は2種類のスカラー
量から、パターン種に応じたベクトル或いは行列構造へ
と拡張し、パターン種別毎にきめの細かい最適基準値が
とれるようにし、且つ、基準値を最適値に自動設定する
ため、基準値の評価関数を計算して、自動的に評価関数
に応じた最適値を学習できるようにし、且つ、パターン
認識適用時の目的又は要求に応じて、正答個数最大、誤
認識個数最小或いはその中間等の多用な評価関数を具備
し選沢できるようにしたことを特徴とする。
明の請求項1に係るパターン認識装置は、パターン認識
を行なう際に用いる基準値を、1又は2種類のスカラー
量から、パターン種に応じたベクトル或いは行列構造へ
と拡張し、パターン種別毎にきめの細かい最適基準値が
とれるようにし、且つ、基準値を最適値に自動設定する
ため、基準値の評価関数を計算して、自動的に評価関数
に応じた最適値を学習できるようにし、且つ、パターン
認識適用時の目的又は要求に応じて、正答個数最大、誤
認識個数最小或いはその中間等の多用な評価関数を具備
し選沢できるようにしたことを特徴とする。
【0012】上記目的を達成する本発明の請求項2に係
るパターン認識装置は、統計的手法やニューラルネット
等により各パターン種の確からしさを求めるパターン種
可能性計算装置と、1位パターン種に対する確からしさ
基準値を各パターン種に応じたベクトルとして拡張した
基準値を登録したテーブルと、1位パターン種に対する
2位パターン種の確からしさの比率である基準値を各パ
ターン種に応じた行列として拡張した基準値を登録した
テーブルと、パターン種可能性計算装置により得られた
各パターン種の確からしさ及び各テーブルに登録された
基準値を用いてパターン認識を行ない、認識パターン種
又は不明か否かを出力する不明判断装置と、学習用のデ
ータの正解パターン種、認識パターン種及び不明判断結
果を用いて正答率、誤認識率及び不明率を求め、評価関
数に基づき評価値を計算する評価関数計算装置と、評価
関数計算装置による評価値に基づき、各テーブルを更新
するか、若しくは更新の中断を判断する基準値テーブル
更新装置とを具備することを特徴とする。
るパターン認識装置は、統計的手法やニューラルネット
等により各パターン種の確からしさを求めるパターン種
可能性計算装置と、1位パターン種に対する確からしさ
基準値を各パターン種に応じたベクトルとして拡張した
基準値を登録したテーブルと、1位パターン種に対する
2位パターン種の確からしさの比率である基準値を各パ
ターン種に応じた行列として拡張した基準値を登録した
テーブルと、パターン種可能性計算装置により得られた
各パターン種の確からしさ及び各テーブルに登録された
基準値を用いてパターン認識を行ない、認識パターン種
又は不明か否かを出力する不明判断装置と、学習用のデ
ータの正解パターン種、認識パターン種及び不明判断結
果を用いて正答率、誤認識率及び不明率を求め、評価関
数に基づき評価値を計算する評価関数計算装置と、評価
関数計算装置による評価値に基づき、各テーブルを更新
するか、若しくは更新の中断を判断する基準値テーブル
更新装置とを具備することを特徴とする。
【0013】
【発明の実施の形態】本発明のパターン認識装置は、パ
ターン認識において、与えられたパターンに対する各パ
ターン種の確からしさを用いて、認識結果を断言する
か、不明とするかを使い分けると共に、その判断に用い
る基準値を目的に応じて最適に自動設定する装置であ
る。
ターン認識において、与えられたパターンに対する各パ
ターン種の確からしさを用いて、認識結果を断言する
か、不明とするかを使い分けると共に、その判断に用い
る基準値を目的に応じて最適に自動設定する装置であ
る。
【0014】本発明に係るパターン認識装置の態様を図
1に示す。このパターン認識装置は、図1に示すよう
に、パターン種可能性計算装置1と、基準値テーブル2
と、基準値テーブル3と、不明判断装置4と、評価関数
計算装置5と、基準値テーブル更新装置6とを具備す
る。パターン種可能性計算装置1は、統計的手法やニュ
ーラルネットにより各パターン種の確からしさを求める
装置である。
1に示す。このパターン認識装置は、図1に示すよう
に、パターン種可能性計算装置1と、基準値テーブル2
と、基準値テーブル3と、不明判断装置4と、評価関数
計算装置5と、基準値テーブル更新装置6とを具備す
る。パターン種可能性計算装置1は、統計的手法やニュ
ーラルネットにより各パターン種の確からしさを求める
装置である。
【0015】基準値テーブル2は、従来の1位パターン
種に対する確からしさの基準値を後述するように拡張し
た基準値Aについて登録する装置である。基準値テーブ
ル3は、従来の1位パターン種に対する2位パターン種
の確からしさの比率である基準値を後述するように拡張
した基準値Bについて登録する装置である。不明判断装
置4は、パターン種可能性計算装置1により得られた各
パターン種の確からしさと基準値テーブル2,3に登録
された基準値A,Bを用いてパターン認識を行ない、認
識パターン種又は不明か否かを出力する装置である。
種に対する確からしさの基準値を後述するように拡張し
た基準値Aについて登録する装置である。基準値テーブ
ル3は、従来の1位パターン種に対する2位パターン種
の確からしさの比率である基準値を後述するように拡張
した基準値Bについて登録する装置である。不明判断装
置4は、パターン種可能性計算装置1により得られた各
パターン種の確からしさと基準値テーブル2,3に登録
された基準値A,Bを用いてパターン認識を行ない、認
識パターン種又は不明か否かを出力する装置である。
【0016】評価関数計算装置5は、学習用のデータの
正解パターン種と、認識パターン種、不明判断結果を用
いて正答率、誤認識率、不明率を求め、評価関数に基づ
き評価値を計算する装置である。基準値テーブル更新装
置6は、評価関数計算装置5による評価値に基づき、基
準値テーブル2,3を更新するか、若しくは更新の中断
を判断する装置である。
正解パターン種と、認識パターン種、不明判断結果を用
いて正答率、誤認識率、不明率を求め、評価関数に基づ
き評価値を計算する装置である。基準値テーブル更新装
置6は、評価関数計算装置5による評価値に基づき、基
準値テーブル2,3を更新するか、若しくは更新の中断
を判断する装置である。
【0017】基準値テーブル2に登録される基準値A
は、1位パターン種に対する確からしさの基準値(スカ
ラー)を各パターン種に応じたベクトルとして拡張した
ものである。即ち、本発明の基準値Aの構造例を、従来
の基準値Aの構造に比較して図4に示す。ここで、基準
値Aは、パターン種の確からしさに対する基準値であ
る。パターン種の確からしさは、パターン種可能性計算
装置1の内容(統計的手法かニューラルネットか等)に
よって異なるが、ここでは一例として、各パターン種の
代表(テンプレートという)からの距離(本当は距離の
逆数:大きいほどそのパターン種である可能性が高いた
め)をとりあげて説明する。
は、1位パターン種に対する確からしさの基準値(スカ
ラー)を各パターン種に応じたベクトルとして拡張した
ものである。即ち、本発明の基準値Aの構造例を、従来
の基準値Aの構造に比較して図4に示す。ここで、基準
値Aは、パターン種の確からしさに対する基準値であ
る。パターン種の確からしさは、パターン種可能性計算
装置1の内容(統計的手法かニューラルネットか等)に
よって異なるが、ここでは一例として、各パターン種の
代表(テンプレートという)からの距離(本当は距離の
逆数:大きいほどそのパターン種である可能性が高いた
め)をとりあげて説明する。
【0018】具体例として、文字認識を例にとり説明す
るが、対象は必ずしも文字である必要はなく、魚の形状
に基づく魚種類識別や、センサー信号に対するきずの識
別等にも適用可能である。従来手法では、基準値Aは文
字種によらず一定(スカラー)であったが、本発明で
は、文字種に応じてベクトルとして設定するのである。
例えば、2値化の閾値が最適値よりやや低い場合、文字
は線が太くなるように劣化し、距離もそれに応じて大き
くなる。しかし、識別の観点からは、これによる文字
「1」の誤認識の影響はほとんどない。
るが、対象は必ずしも文字である必要はなく、魚の形状
に基づく魚種類識別や、センサー信号に対するきずの識
別等にも適用可能である。従来手法では、基準値Aは文
字種によらず一定(スカラー)であったが、本発明で
は、文字種に応じてベクトルとして設定するのである。
例えば、2値化の閾値が最適値よりやや低い場合、文字
は線が太くなるように劣化し、距離もそれに応じて大き
くなる。しかし、識別の観点からは、これによる文字
「1」の誤認識の影響はほとんどない。
【0019】一方、「3」や「6」は「8」に大きく近
づくため、「3」や「6」からは遠ざかる。「3」や
「6」が「8」に近づいたのか、「8」なのかの境界が
あいまいな距離では、誤認識を減らすためには不明とし
なくてはならない。しかし、同じ基準値を「1」に適用
すると、十分正確に認識できる「1」が不明になる。
づくため、「3」や「6」からは遠ざかる。「3」や
「6」が「8」に近づいたのか、「8」なのかの境界が
あいまいな距離では、誤認識を減らすためには不明とし
なくてはならない。しかし、同じ基準値を「1」に適用
すると、十分正確に認識できる「1」が不明になる。
【0020】そのため、本発明では、基準値をパターン
種毎に独立した値として持つようにした。つまり、基準
値Aは、従来スカラーであったが、本発明では、パター
ン種個数分nの要素をもつベクトルA=(A1,A2,
…,An)に拡張した。その効果の様子を図5に示す。
同図に示すように、従来の基準値は、「1」、「2」、
「6」、「8」について一様であったのに対し、本発明
では、「1」については、相対的に下げることにより、
従来技術では不明とされるものまで「1」として正しく
認識でき、また、「8」については、相対的に上げるこ
とにより、誤認識されないようにすることができた。
種毎に独立した値として持つようにした。つまり、基準
値Aは、従来スカラーであったが、本発明では、パター
ン種個数分nの要素をもつベクトルA=(A1,A2,
…,An)に拡張した。その効果の様子を図5に示す。
同図に示すように、従来の基準値は、「1」、「2」、
「6」、「8」について一様であったのに対し、本発明
では、「1」については、相対的に下げることにより、
従来技術では不明とされるものまで「1」として正しく
認識でき、また、「8」については、相対的に上げるこ
とにより、誤認識されないようにすることができた。
【0021】一方、基準値テーブル3に登録される基準
値Bは、1位パターンに対する2位パターン種の確から
しさの比率である基準値を各パターンに応じた行列とし
て拡張したものである。即ち、基準値Bについても、基
準値Aと同様、パターン種によって独立に値を持たせた
ものである。さらに、1位がパターン種p、2位がパタ
ーン種qである場合の基準値Bp,qは、1位がパターン
種q、2位がパターン種pである場合の基準値Bq,pと
異なってもよいようにした。
値Bは、1位パターンに対する2位パターン種の確から
しさの比率である基準値を各パターンに応じた行列とし
て拡張したものである。即ち、基準値Bについても、基
準値Aと同様、パターン種によって独立に値を持たせた
ものである。さらに、1位がパターン種p、2位がパタ
ーン種qである場合の基準値Bp,qは、1位がパターン
種q、2位がパターン種pである場合の基準値Bq,pと
異なってもよいようにした。
【0022】つまり、基準値Bは、従来スカラーであっ
たが、本発明では、図6に示すように、パターン種個数
分nとすると、n×nの非対称行列Bに拡張した。な
お、行列の対角項は意味がないが、行列として扱うため
に実質上無意味な数値である1以上を入れておく。行列
を非対称とした理由を更に詳しく説明する。これは、手
書き文字等の実際のデータから得られた知見を下敷きに
している。
たが、本発明では、図6に示すように、パターン種個数
分nとすると、n×nの非対称行列Bに拡張した。な
お、行列の対角項は意味がないが、行列として扱うため
に実質上無意味な数値である1以上を入れておく。行列
を非対称とした理由を更に詳しく説明する。これは、手
書き文字等の実際のデータから得られた知見を下敷きに
している。
【0023】学習データについて、パターン種可能性計
算結果の1位がp、2位がqであったデータを、そのパ
ターンが真にパターン種pであるものと、p以外のもの
(まともな精度のパターン認識手法であればこれはほと
んどパターン種qのはずである。残りは+αとして影響
を無視する)とに分けて個数をプロットしたものと、逆
に1位がq、2位がpであったものを真にパターン種q
と、それ以外とに分けてプロットした概念図を、pを文
字種「8」、qを文字種「6」として図7(a)(b)
に示す。
算結果の1位がp、2位がqであったデータを、そのパ
ターンが真にパターン種pであるものと、p以外のもの
(まともな精度のパターン認識手法であればこれはほと
んどパターン種qのはずである。残りは+αとして影響
を無視する)とに分けて個数をプロットしたものと、逆
に1位がq、2位がpであったものを真にパターン種q
と、それ以外とに分けてプロットした概念図を、pを文
字種「8」、qを文字種「6」として図7(a)(b)
に示す。
【0024】文字が太く劣化しがちな場合、「6」は容
易につぶれて「8」に近づく。そのため、可能性がかな
り大きいところにも、1位が「8」、2位が「6」とな
る真の文字種「6」は比較的多く存在する。一方、
「8」はつぶれても「6」と認識されることは少なく、
1位が「6」、2位が「8」となる真の文字種「8」は
多くは存在しない。従って、例えば正答数を最大にする
ような基準値をとる場合、B8,6≠B6,8である。
易につぶれて「8」に近づく。そのため、可能性がかな
り大きいところにも、1位が「8」、2位が「6」とな
る真の文字種「6」は比較的多く存在する。一方、
「8」はつぶれても「6」と認識されることは少なく、
1位が「6」、2位が「8」となる真の文字種「8」は
多くは存在しない。従って、例えば正答数を最大にする
ような基準値をとる場合、B8,6≠B6,8である。
【0025】つまり、図8(c)(d)に示すように、
B8,6≠B6,8とする場合は、図8(a)(b)に示す従
来手法のように同じ基準値を適用した場合に比較して、
正答にならないデータが減少することになる。手書き文
字の場合はこの他に、筆記者の癖からも、非対称にする
ことには根拠がある。例えば、「7」を書くつもりの文
字が「9」に似ることは多いが、逆に、「9」を書くつ
もりの文字は「7」には似ない等である。
B8,6≠B6,8とする場合は、図8(a)(b)に示す従
来手法のように同じ基準値を適用した場合に比較して、
正答にならないデータが減少することになる。手書き文
字の場合はこの他に、筆記者の癖からも、非対称にする
ことには根拠がある。例えば、「7」を書くつもりの文
字が「9」に似ることは多いが、逆に、「9」を書くつ
もりの文字は「7」には似ない等である。
【0026】[パターン認識動作]以上説明した、基準
値A、Bを用いて、不明判断装置4によるパターン認識
(不明判断)は、図2に従い、以下のように行なう。
尚、以下の手順は、既に最適な基準値A,Bが得られて
いるとした。 手順1:パターン種可能計算装置1からの出力をP(C
1),P(C2),…,P(Cn)とする。Pは可能性、
Ci(i=1,2,…n)はi番目のパターン種であ
る。
値A、Bを用いて、不明判断装置4によるパターン認識
(不明判断)は、図2に従い、以下のように行なう。
尚、以下の手順は、既に最適な基準値A,Bが得られて
いるとした。 手順1:パターン種可能計算装置1からの出力をP(C
1),P(C2),…,P(Cn)とする。Pは可能性、
Ci(i=1,2,…n)はi番目のパターン種であ
る。
【0027】手順2:P(Ci)が最大であるCiを
Cp、2番目に大きいCiをCqとする。 手順3:基準値ベクトルA=(A1,A2,…,An)と
基準値行列B=[Bi,j]を用いて下記不等式(3)
(4)が両方満足されればパターン種Cpとし、満足さ
れなければ不明とする。 P(Cp)>Ap …(3) P(Cq)/P(Cp)<Bp,q …(4)
Cp、2番目に大きいCiをCqとする。 手順3:基準値ベクトルA=(A1,A2,…,An)と
基準値行列B=[Bi,j]を用いて下記不等式(3)
(4)が両方満足されればパターン種Cpとし、満足さ
れなければ不明とする。 P(Cp)>Ap …(3) P(Cq)/P(Cp)<Bp,q …(4)
【0028】[学習動作]次に、問題の性質を推定する
ために十分な数と種類の学習用パターン画像が与えられ
た場合には、図3に従い、最適な基準値A,Bを求める
学習動作(基準値自動調整)を行う。基準値A,Bは、
従来人間が経験的に設定していたが、統計的に最適な基
準値かどうかわからない、課題毎に調整が必要で手間が
かかる、という問題点があった。
ために十分な数と種類の学習用パターン画像が与えられ
た場合には、図3に従い、最適な基準値A,Bを求める
学習動作(基準値自動調整)を行う。基準値A,Bは、
従来人間が経験的に設定していたが、統計的に最適な基
準値かどうかわからない、課題毎に調整が必要で手間が
かかる、という問題点があった。
【0029】さらに、本発明のように調整すべき基準値
の個数が増えると、人間の手動調整はますます不正確に
なり、手間のかかる作業になると考えられる。従って、
本発明では基準値テーブル2,3の調整を自動化する機
能を組み込んだ。まず、評価関数計算装置5で、基準値
テーブル2,3の評価値を以下のように計算する。 手順1:全てのパターン種の組み合わせ(i,j)につ
いて、以下の手順3〜手順5を操り返す。
の個数が増えると、人間の手動調整はますます不正確に
なり、手間のかかる作業になると考えられる。従って、
本発明では基準値テーブル2,3の調整を自動化する機
能を組み込んだ。まず、評価関数計算装置5で、基準値
テーブル2,3の評価値を以下のように計算する。 手順1:全てのパターン種の組み合わせ(i,j)につ
いて、以下の手順3〜手順5を操り返す。
【0030】手順2:基準値ベクトルAがパターン認識
に関与しないように、とりあえずA=(0,0,…0)
とする。 手順3:基準値Bi,jを、可能な範囲で適当なステップ
幅で変化させながら、図9に示すように、手順4を繰り
返す(m回目の繰り返しでの基準値をBi,j mで表す)。
に関与しないように、とりあえずA=(0,0,…0)
とする。 手順3:基準値Bi,jを、可能な範囲で適当なステップ
幅で変化させながら、図9に示すように、手順4を繰り
返す(m回目の繰り返しでの基準値をBi,j mで表す)。
【0031】手順4:評価関数f(i,j)(REJi,MI
Sj,Bi,j m)を計算する。ここで、REJiは、パター
ン種可能性の1位がi、2位がjであった全てのデータ
について、現在の基準値Bi,j mを便うとパターン種iで
ありながら不明になる(REJectされる)データ個
数である。
Sj,Bi,j m)を計算する。ここで、REJiは、パター
ン種可能性の1位がi、2位がjであった全てのデータ
について、現在の基準値Bi,j mを便うとパターン種iで
ありながら不明になる(REJectされる)データ個
数である。
【0032】MISjは、パターン種jでありながらi
と誤認識される(MISclassifyされる)デー
タ個数である。f(i,j)は、前述したように目的に応じ
ていくつかの取り方がある。図7に示したのは、正答数
が最大のとき最高になるような評価関数であり、下式
(5)で示される。 f(i,j)(REJi,MISj,Bi,j m)=REJi+MISj …(5)
と誤認識される(MISclassifyされる)デー
タ個数である。f(i,j)は、前述したように目的に応じ
ていくつかの取り方がある。図7に示したのは、正答数
が最大のとき最高になるような評価関数であり、下式
(5)で示される。 f(i,j)(REJi,MISj,Bi,j m)=REJi+MISj …(5)
【0033】工業的に信頼性を重視するならば、多少不
明があっても、誤認識が少ない方がよい。誤認識1件が
不明10件に相当する、という場合には、下式(6)と
する。 f(i,j)(REJi,MISj,Bi,j m)=REJi+10×MISj …(6)
明があっても、誤認識が少ない方がよい。誤認識1件が
不明10件に相当する、という場合には、下式(6)と
する。 f(i,j)(REJi,MISj,Bi,j m)=REJi+10×MISj …(6)
【0034】一般には、不明と誤認識に重み付けして、
下式(7)と表される。 f(i,j)(REJi,MISj,Bi,j m)=W1×REJi+W2×MISj …(7) ここで、W1,W2は重みパラメータである。さらに、
極端な場合として、誤認識をできるだけ少なくという場
合には、下式(8)という式も考えられる。
下式(7)と表される。 f(i,j)(REJi,MISj,Bi,j m)=W1×REJi+W2×MISj …(7) ここで、W1,W2は重みパラメータである。さらに、
極端な場合として、誤認識をできるだけ少なくという場
合には、下式(8)という式も考えられる。
【0035】 f(i,j)(REJi,MISj,Bi,j m)=MISj …(8) このように、f(i,j)は目的に応じて切り替え可能とす
る。 手順5:手順3〜手順4の繰り返しで評価値最大となる
基準値Bi,j Mを、組み合わせ(i,j)についての最適
基準値とする。
る。 手順5:手順3〜手順4の繰り返しで評価値最大となる
基準値Bi,j Mを、組み合わせ(i,j)についての最適
基準値とする。
【0036】手順6:以上で、基準値Bが決定された。
次に基準値Aを決定する。 手順7:全てのパターン種iについて、手順8〜手順1
0を操り返す。
次に基準値Aを決定する。 手順7:全てのパターン種iについて、手順8〜手順1
0を操り返す。
【0037】手順8:基準値Aiを、可能な範囲で適当
なステップ幅で変化させながら、手順9を繰り返す。k
回目の操り返しでの基準値をAi kで表す。 手順9:評価関数gi(REJi,MISi,Ai k,Bi,j
M)を計算する。
なステップ幅で変化させながら、手順9を繰り返す。k
回目の操り返しでの基準値をAi kで表す。 手順9:評価関数gi(REJi,MISi,Ai k,Bi,j
M)を計算する。
【0038】ここで、REJiは、すでに求めた最適基
準値Bi,j Mを用いて、Ai kでパターン認識した場合に、
真に種類iのデータでありかつパターン種可能性1位も
iであるデータにもかかわらず不明と判断されるデータ
の総数である。また、MISiは、真の種類はi以外で
ありパターン種可能性1位はiであるデータで、iと誤
り認識されるデータの総数である。giも目的に応じて
いくつかの方式があることは、f(i,j)とほぼ同様であ
る。
準値Bi,j Mを用いて、Ai kでパターン認識した場合に、
真に種類iのデータでありかつパターン種可能性1位も
iであるデータにもかかわらず不明と判断されるデータ
の総数である。また、MISiは、真の種類はi以外で
ありパターン種可能性1位はiであるデータで、iと誤
り認識されるデータの総数である。giも目的に応じて
いくつかの方式があることは、f(i,j)とほぼ同様であ
る。
【0039】手順10:手順8〜手順9の繰り返しで評
価値最大となる基準値Ai kを、パターン種iについての
最適基準値とする。つぎに、基準値テーブル更新装置6
により、得られた最適基準値Ai k、Bi,j M、基準値テー
ブル2,3に登録して更新を行なうことで、学習動作は
完了する。最適基準値Ai k、Bi,j Mが得られない場合に
は、更新を中断するとして学習動作は完了する。
価値最大となる基準値Ai kを、パターン種iについての
最適基準値とする。つぎに、基準値テーブル更新装置6
により、得られた最適基準値Ai k、Bi,j M、基準値テー
ブル2,3に登録して更新を行なうことで、学習動作は
完了する。最適基準値Ai k、Bi,j Mが得られない場合に
は、更新を中断するとして学習動作は完了する。
【0040】
【発明の効果】以上、実施例に基づいて具体的に説明し
たように、本発明の請求項1に係るパターン認識装置
は、パターン認識を行なう際に用いる基準値を、1又は
2種類のスカラー量から、パターン種に応じたベクトル
或いは行列構造へと拡張し、パターン種別毎にきめの細
かい最適基準値がとれるようにし、且つ、基準値を最適
値に自動設定するため、基準値の評価関数を計算して、
自動的に評価関数に応じた最適値を学習できるように
し、且つ、パターン認識適用時の目的又は要求に応じ
て、正答個数最大、誤認識個数最小或いはその中間等の
多用な評価関数を具備し選沢できるようにしたので、パ
ターン種に応じて、誤認識を少なくし、且つ、不明とさ
れる場合を少なくすることができる。
たように、本発明の請求項1に係るパターン認識装置
は、パターン認識を行なう際に用いる基準値を、1又は
2種類のスカラー量から、パターン種に応じたベクトル
或いは行列構造へと拡張し、パターン種別毎にきめの細
かい最適基準値がとれるようにし、且つ、基準値を最適
値に自動設定するため、基準値の評価関数を計算して、
自動的に評価関数に応じた最適値を学習できるように
し、且つ、パターン認識適用時の目的又は要求に応じ
て、正答個数最大、誤認識個数最小或いはその中間等の
多用な評価関数を具備し選沢できるようにしたので、パ
ターン種に応じて、誤認識を少なくし、且つ、不明とさ
れる場合を少なくすることができる。
【0041】また、本発明の請求項2に係るパターン認
識装置は、統計的手法やニューラルネット等により各パ
ターン種の確からしさを求めるパターン種可能性計算装
置と、1位パターン種に対する確からしさ基準値を各パ
ターン種に応じたベクトルとして拡張した基準値を登録
したテーブルと、1位パターン種に対する2位パターン
種の確からしさの比率である基準値を各パターン種に応
じた行列として拡張した基準値を登録したテーブルと、
パターン種可能性計算装置により得られた各パターン種
の確からしさ及び各テーブルに登録された基準値を用い
てパターン認識を行ない、認識パターン種又は不明か否
かを出力する不明判断装置と、学習用のデータの正解パ
ターン種、認識パターン種及び不明判断結果とを用いて
正答率、誤認識率及び不明率を求め、評価関数に基づき
評価値を計算する評価関数計算装置と、評価関数計算装
置による評価値に基づき、各テーブルを更新するか、若
しくは更新の中断を判断する基準値テーブル更新装置と
を具備するるので、パターン種に雄牛で最適な基準値を
自動的に学習し人為的な手間を省くことができ、また、
最適な基準値に基づいたパターン認識により正解率を高
め、不明率を減少させることができる。
識装置は、統計的手法やニューラルネット等により各パ
ターン種の確からしさを求めるパターン種可能性計算装
置と、1位パターン種に対する確からしさ基準値を各パ
ターン種に応じたベクトルとして拡張した基準値を登録
したテーブルと、1位パターン種に対する2位パターン
種の確からしさの比率である基準値を各パターン種に応
じた行列として拡張した基準値を登録したテーブルと、
パターン種可能性計算装置により得られた各パターン種
の確からしさ及び各テーブルに登録された基準値を用い
てパターン認識を行ない、認識パターン種又は不明か否
かを出力する不明判断装置と、学習用のデータの正解パ
ターン種、認識パターン種及び不明判断結果とを用いて
正答率、誤認識率及び不明率を求め、評価関数に基づき
評価値を計算する評価関数計算装置と、評価関数計算装
置による評価値に基づき、各テーブルを更新するか、若
しくは更新の中断を判断する基準値テーブル更新装置と
を具備するるので、パターン種に雄牛で最適な基準値を
自動的に学習し人為的な手間を省くことができ、また、
最適な基準値に基づいたパターン認識により正解率を高
め、不明率を減少させることができる。
【図1】本発明における装置全体の構成図である。
【図2】本発明におけるパターン認識時の構成図であ
る。
る。
【図3】本発明における基準値自動調整時の構成図であ
る。
る。
【図4】本発明におけるパターン種に対する確からしさ
基準植Aの構造例の説明図である。
基準植Aの構造例の説明図である。
【図5】本発明における基準値Aの拡張効果の説明図で
ある。
ある。
【図6】本発明における1位パターン種に対する2位パ
ターン種の確からしさの比率の基準値Bの構造例の説明
図である。
ターン種の確からしさの比率の基準値Bの構造例の説明
図である。
【図7】本発明における基準値Bが非対称である根拠の
説明図である。
説明図である。
【図8】本発明における基準値Bの拡張効果の説明図で
ある。
ある。
【図9】本発明における基準値Bの自動調整方法の説明
図である。
図である。
1 パターン種可能性計算装置 2 基準値テーブル 3 基準値テーブル 4 不明判断装置 5 評価関数計算装置 6 基準値テーブル更新装置
Claims (2)
- 【請求項1】 パターン認識を行なう際に用いる基準値
を、1又は2種類のスカラー量から、パターン種に応じ
たベクトル或いは行列構造へと拡張し、パターン種別毎
にきめの細かい最適基準値がとれるようにし、且つ、基
準値を最適値に自動設定するため、基準値の評価関数を
計算して、自動的に評価関数に応じた最適値を学習でき
るようにし、且つ、パターン認識適用時の目的又は要求
に応じて、正答個数最大、誤認識個数最小或いはその中
間等の多用な評価関数を具備し選沢できるようにしたこ
とを特徴とするパターン認識装置。 - 【請求項2】 統計的手法やニューラルネット等により
各パターン種の確からしさを求めるパターン種可能性計
算装置と、1位パターン種に対する確からしさ基準値を
各パターン種に応じたベクトルとして拡張した基準値を
登録したテーブルと、1位パターン種に対する2位パタ
ーン種の確からしさの比率である基準値を各パターン種
に応じた行列として拡張した基準値を登録したテーブル
と、パターン種可能性計算装置により得られた各パター
ン種の確からしさ及び各テーブルに登録された基準値を
用いてパターン認識を行ない、認識パターン種又は不明
か否かを出力する不明判断装置と、学習用のデータの正
解パターン種、認識パターン種及び不明判断結果を用い
て正答率、誤認識率及び不明率を求め、評価関数に基づ
き評価値を計算する評価関数計算装置と、評価関数計算
装置による評価値に基づき、各テーブルを更新するか、
若しくは更新の中断を判断する基準値テーブル更新装置
とを具備することを特徴とするパターン認識装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10112023A JPH11306357A (ja) | 1998-04-22 | 1998-04-22 | パターン認識装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10112023A JPH11306357A (ja) | 1998-04-22 | 1998-04-22 | パターン認識装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH11306357A true JPH11306357A (ja) | 1999-11-05 |
Family
ID=14576066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP10112023A Pending JPH11306357A (ja) | 1998-04-22 | 1998-04-22 | パターン認識装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH11306357A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100921495B1 (ko) | 2009-03-24 | 2009-10-13 | 삼성탈레스 주식회사 | 파티클 필터링을 이용한 가우시안 혼합 모델링 업데이트 방법 |
JP2015022411A (ja) * | 2013-07-17 | 2015-02-02 | 東芝テック株式会社 | 認識辞書評価装置及び認識辞書評価プログラム |
-
1998
- 1998-04-22 JP JP10112023A patent/JPH11306357A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100921495B1 (ko) | 2009-03-24 | 2009-10-13 | 삼성탈레스 주식회사 | 파티클 필터링을 이용한 가우시안 혼합 모델링 업데이트 방법 |
JP2015022411A (ja) * | 2013-07-17 | 2015-02-02 | 東芝テック株式会社 | 認識辞書評価装置及び認識辞書評価プログラム |
US9619836B2 (en) | 2013-07-17 | 2017-04-11 | Toshiba Tec Kabushiki Kaisha | Recognition dictionary evaluation apparatus and recognition dictionary evaluation method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346428B (zh) | 语音活动检测及其模型建立方法、装置、设备及存储介质 | |
US9684850B2 (en) | Biological information processor | |
US6134527A (en) | Method of testing a vocabulary word being enrolled in a speech recognition system | |
KR100307623B1 (ko) | 엠.에이.피 화자 적응 조건에서 파라미터의 분별적 추정 방법 및 장치 및 이를 각각 포함한 음성 인식 방법 및 장치 | |
CN110766095B (zh) | 基于图像灰度特征的缺陷检测方法 | |
CN111325738B (zh) | 一种用于横穿孔周边裂纹的智能检测方法及*** | |
CN111401219B (zh) | 一种手掌关键点检测方法和装置 | |
CN110334594A (zh) | 一种基于批再规范化处理的yolo算法的目标检测方法 | |
CN108470194B (zh) | 一种特征筛选方法及装置 | |
CN115511012B (zh) | 一种最大熵约束的类别软标签识别训练方法 | |
JPH08227408A (ja) | ニューラルネットワーク | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
JP2002251592A (ja) | パターン認識辞書学習方法 | |
CN111985432B (zh) | 一种基于贝叶斯定理和自适应权值调整的多模态数据融合方法 | |
CN111414930A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN113052217A (zh) | 预测结果标识及其模型训练方法、装置及计算机存储介质 | |
CN110334080B (zh) | 一种实现自主学习的知识库构建方法 | |
JPH11306357A (ja) | パターン認識装置 | |
JP2005084436A (ja) | 音声認識装置及びコンピュータプログラム | |
CN116257816A (zh) | 一种陪护机器人情绪识别方法、装置、存储介质及设备 | |
CN113035238B (zh) | 音频评测方法、装置、电子设备和介质 | |
CN111368792B (zh) | 特征点标注模型训练方法、装置、电子设备及存储介质 | |
JP2021177312A (ja) | 情報処理装置、情報処理方法 | |
CN113554592A (zh) | 一种图像差异检测方法和装置 | |
CN115546186B (zh) | 基于YOLO v4的农业病虫害检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20030401 |