JPH02299081A - テクスチュア解折方法及びアナライザ - Google Patents

テクスチュア解折方法及びアナライザ

Info

Publication number
JPH02299081A
JPH02299081A JP2107687A JP10768790A JPH02299081A JP H02299081 A JPH02299081 A JP H02299081A JP 2107687 A JP2107687 A JP 2107687A JP 10768790 A JP10768790 A JP 10768790A JP H02299081 A JPH02299081 A JP H02299081A
Authority
JP
Japan
Prior art keywords
neural network
texture analysis
analysis method
analyzer
data
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
Application number
JP2107687A
Other languages
English (en)
Inventor
Jacques-Ariel Sirat
ジャック　アリエル　シラー
Jean-Renaud Viala
ジャン　ルノード　ヴィアラ
Christian Remus
クリスチャン　レミュ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Philips Gloeilampenfabrieken NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Philips Gloeilampenfabrieken NV filed Critical Philips Gloeilampenfabrieken NV
Publication of JPH02299081A publication Critical patent/JPH02299081A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (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。

Description

【発明の詳細な説明】 （産業上の利用分野） 本発明は、データクラスに編成されているデータフロー
と関連するテクスチュア解析を行う方法に関するもので
ある。
また本発明は、このような方法を実施するニューラルネ
ットワークを有するアナライザにも関するものである０
本発明は、例えばテレビジョン、地図製作法、石油探鉱
に対するイメージ解析分野や、音響現象の解析や、デー
タ信号の“ジグナチャー（ｓｉｇｎａｔｕｒｅ）　”解
析における形状、シーン、イメージ、位置、音声認識等
に適用される。
（従来の技術） 上述した種類の方法は例えばモントリオール（カナダ）
で１９８４年７月３０日から８月２日にかけて開催され
たパターン認識に関する第７回国際会ｊｌ！ｉ（Ｐｒｏ
ｃｅｅｄｉｎｇｓ　７ｔｈ　Ｉｎｔｅｒｎａｔｉｏａｌ
　Ｃｏｎｆｅ−ｒｅｎｃｅ　ｏｎ　Ｐａｔｔｅｒｎ　Ｒ
ｅｃｏｇｎｉｔｉｏｎ）で用いられた論文°゛コオカレ
ンスマトリシーズ・アンド・サブスペース・メソード・
イン・テクスチュア・アナリシス（Ｃｏｏｃｃｕｒｅｎ
ｃｅ　ｍａｔｒｉｃｅｓ　ａｎｄ　５ｕｂｓｐａｃｅａ
＋ｅｔｈｏｄｓｉｎ　ｔｅｘｔｕｒｅ　ａｎａｌｙｓｉ
ｓ）’（Ｊ、Ｐａｒｋｋｉｎｅｎ及びＥ、Ｏｊａ氏著）
に記載されており既知である。
この従来技術によれば、テクスチュアクラスは、境界が
なく量子化されていないリニアサブスペースによって表
されている。従って従来では、例えば平均輝度、最大輝
度及びコントラストのような３次元スペースにおいて、
このスペースが各テクスチュアクラスに対する領域に応
じて分割され、各領域において例示の特性点が均一に分
布せれるようにしている。しかし実際に行われる処理で
は、その結果得られるテクスチュア解析の質が満足なも
のとならない。その理由は、この解析が前記の特性点の
実際の分布と一致しない為である。これらの特性点は実
際には、前記の領域に常に含まれている有界及び量子化
分布によって一層良好に表わすことができる。しかし、
このようにすることは従来技術を記載している前記の論
文からは不可能であると思われる。
（発明が解決しようとする課題） 従って、課せられる問題は、有界及び／又は量子化分布
によって形づくられたテクスチュアを認識し、このテク
スチュアの情報を使用しうるようにすることである。こ
の使用は例えば、テクスチュアを表示することにより直
接的に、或いは次の処理演算の選択を行うことにより間
接的に行うことができる。
（課題を解決するための手段） 本発明は、出力ニューロンの個数よりも多い或いはこの
個数に等しい個数の入力ニューロンを有するニューラル
ネットワークを解析することにより変換を行うアナライ
ザを用いて、データクラスに編成されたデータフローと
関連するテクスチュア解析を行うテクスチュア解析方法
において、各ニューラルネットワークのシナプス係数を
初期化する工程と、 各データに固有のローカル特性の形態で設けた例示のク
ラスをニューラルネットワークに入力する工程と、 ニューラルネットワークのシナプス係数を入力データブ
ロックの例示に適応させることによりこれらニューラル
ネットワークにより学習する工程と、 データのクラスを形成するようにニューラルネットワー
クにより入力データフローを解いて入力データフローに
関連するテクスチュアクラスに関する情報を生せしめる
工程と、 得られた出力と選択基準との間のエラー基準に基づいて
、得られた例示の各クラスに対し最良の結果を生じるニ
ューラルネットワークを見出し、各ニューラルネットワ
ークを、選択インデックスの最良の範囲及び伝送を表わ
すクラスに割り当てる工程と に応じてニューラルネットワークを競争させることを特
徴とする。
上述した本発明は一般的には、イメージ解析の場合に好
ましいものである。しかし、本発明を何の困難もなく他
の種類のデータフローに適するように変換することがで
きる。
この方法では、テクスチュア或いはテクスチュアクラス
を所定のネットワークに関連させ、各イメージ部分（画
素、画素のブロック、−−−−）に、最良の範囲に適応
させたネットワークを割り当てる。すなわち、この方法
は最も近いサブスペースを見出すことに関するものであ
る。この方法は、監視或いは非監視学習フェーズ或いは
分類フェーズ或いはその双方を含む。
この目的のため、Ｍ個のニューラルネットワークＲ＋（
１＜ｉ≦Ｍ）を用いる。ネットワークはインデックスｉ
で示す層中にＮ、個のニューロンがあるに１個の層で編
成される。すべてのニューラルネットワークの個数は人
力ニューロンの個数Ｎ？−Ｎと同じである。出力の個数
は人力の個数Ｎに等しく或いはこの個数Ｎと相違させる
ことがでる。
各ネットワークはその人力Ｎで例えば画素を表わすデー
タを受ける。データのこれらのローカル特性は種々の方
法で生せしめることができる。所定の画素に対しては、
この素子に固有の値或いはその最も近傍のデータの平均
値を含めることができる。このデータは輝度、コントラ
スト、−−−−に関するものである。データ、例えば最
小値、最大値の他のローカル特性や、他のいかなる特性
も含めることができる。
各ニューラルネットワークは実際の分類処理を行う前に
、このニューラルネットワークが実行する必要のあるタ
スクを学習する必要がある。このステップは例示のクラ
スに基づいて行う。
次に、学習アルゴリズムに基づいて適切なクラスに適合
させるためのシナプス係数を変更させることにより、各
ニューラルネットワークがその例示のクラスに対し行う
補足学習処理に進むのが有利である。
これには２つのモード、すなわち ・　テクスチュアカタログから取り出した例示のクラス
を用いて学習ステップを行う監視モード、・　学習演算
の少なくとも１つを、ブロックに分割されたデータフロ
ーに関して適応（アダプティブ）フェーズにより行う非
監視モードが可能である。
従って、ニューラルネットワークは自己教育（セルフテ
ィーチング）である。
Ｍ個のニューラルネットワークからどの１つが所定の例
示に最も良く適応されているかを決定するためには、得
られた出力を、生ぜしめるべき結果と比較する必要があ
る。この比較は、エラー基準、例えば出力と選択した基
準との間の平均二乗誤差に基づいて行う。
本発明方法によれば、ニューラルネットワークをオート
アソシエーションモード動作させることができる。この
場合、ニューラルネットワークをクラスに割当する際の
エラー基準は入力端にある例示と、同一のニューラルネ
ットワークの出力端における結果との間の比較に関連す
る。
しかし、ニューラルネットワークをヘテロアソシェーシ
ョンモードで動作させることもできる。
このモードでは、ニューラルネットワークをクラスに割
当する際のエラー基準がこれと同一のニューラルネット
ワークの出力端における標準の目安となる。
この標準は二次標準とすることができる。
このステップの終了時に、各ニューラルネットワークは
、最良の結果を生じる例示のクラスに割当てられる。次
にニューラルネットワークを用いて次の分類ステップを
行なうことができる。それにもかかわらず、各ニューラ
ルネットワークをこれが割当てられたクラスに適応させ
るのに（Ｉ先度が与えられる。補足学習処理或いは主学
習処理は例えば以下の文献から既知のグラジェントパッ
クプロパゲーションアルゴリズムにより行ないうる。
［Ｔ７”レス社発行”パラレル・ディストリビューテッ
ド・プロセシング（ＰＡＲＡＬＬＥＬ　ＤＩＳＴＲＩＢ
ＵＴＥＤＰＲＯＣ［！５ＳＩＮＧ）”　（Ｄ、　Ｅ、Ｒ
ｕｍｅｌｈａｒｔ、　Ｇ、Ｅ、ｌ１ｉｎｔｏｎ、Ｒｊ。
Ｗｉ１１ｉａｍｓ氏著）の第３１８頁第８章“′ラーン
ニング・インターナル・リブリゼンテーションズ・パイ
・プロパゲージぢン（Ｌｅａｒｎｉｎｇ　Ｉｎｔｅｒｎ
ａｌ　Ｒｅｐｒｅｓｅｎ−ｔａｔｉｏｎｓ　ｂｙ　ｅｒ
ｒｏｒ　ｐｒｏｐａｇａｔｉｏｎ　）”この基準は例え
ば以下の論文から既知の共分散マトリックスの主成分解
析アルゴリズムとすることができる。
“バイオロジカル・サイバネティックス（Ｑｉｏｌｏ−
ｇｉｃａｌ　Ｃｙｂｅｒｎｅｔｉｃｓ）”、ｖｏｌ、４
９．１９８８の第２９１〜２９４頁“オートアソシエー
ション・パイ・マルチレイヤー・パーセプトロンズ・ア
ンド・シンギュラー゛バリュー・デコンポジション（八
ｕＬｏ−Ａｓ５ｏｃｉａｔｉｏｎｂｙ　Ｍｕｌｔｔｌａ
ｙｅｒ　Ｐｅｒｃｅｐｔｒｏｎｓ　ａｎｄ　Ｓｉｎｇｕ
ｌａｒ　ＶａｌｕｅＤｅｃｏｍｐｏｓ　ｔ　ｔ　１ｏｎ
）　”　（Ｈ、Ｑｏｕｒ　１ａｒｄ　　及びＹ、Ｋａｍ
ｐ氏著）実際には、各テクスチュアクラスは、これに固
をでこれを他のテクスチュアクラスから識別する主成分
を有している。
従って、学習メカニズムは出力結果中のバーストの、関
連のテクスチュアクラスの主成分に対するずれを最小に
することにある。
本発明の方法を用いて処理すべきデータフローは解析す
べきイメージを構成する符号化画素から生ぜしめること
ができる。或いは又このデータフローを音声情報や他の
いかなる情報からも生ぜしめることができる。データの
ローカル特性はその最も近傍のデータの平均から形成し
うる。
本発明はアナライザにも関するものである。オートアソ
シエーションの場合には、アナライザは複数対のニュー
ラルネットワークを有し、各対は符号化ニューラルネッ
トワークとこれにマツチングする復号化ニューラルネッ
トワークとを以て構成され、前記のアナライザが更に、
符号化工程中各対に対し符号化ニューラルネットワーク
の入力データとその復号化ニューラルネットワークの出
力データとを比較する選択回路を有し、最良の符号化の
選択基準はこの比較のずれを最小とするニューラルネッ
トワークの対を選択することにあるようにする。
ヘテロアソシエーシジンの場合には、アナライザが、各
符号化ニューラルネットワークの出力ニューロンのすべ
てのエネルギーを決定するとともにこのエネルギーが最
大にあるニューラルネットワークを選択する選択回路を
有するようにする。
この場合、使用するアナライザの個数を制限することが
できる。実際には、学習後、ニューラルネットワークが
同様な結果を使用しうるようになる。これらの結果はず
れが互いに極めて接近しているファミリーに群分けする
ことができる。この場合、各ファミリーにおいてこのフ
ァミリーを表わすニューラルネットワークの１つを選択
すれば充分である。従って、復号化データを極めて少数
のニューラルネットワークによって、すなわち１ファミ
リー当り１つのニューラルネットワークによって形成さ
れるシステムが得られる。
この場合、選択されるニューラルネットワークの個数は
、類似の基準によって決定された類似の動作を行なうニ
ューラルネットワークが群分けされているファミリーの
個数に等しくなる。
テクスチヱア解析の質を改善するためには、中間層（隠
れた層）のニューロンの個数Ｐや各ニューロン状態Ｖ＊
　（１＜ｋ　＜Ｐ）に割当てられたビット０、の個数を
制限するようにすることができる。
また、データ例示の複数のクラスを符号化するのに適し
たシナプス係数を記憶しているメモリからの制御信号に
よる制御の下で各ニューラルネットワークがそのシナプ
ス係数を受けるようにすることもできる。このメモリに
は学習フェーズの終了時にローディングされる。
以下図面につき説明するに、第１Ａ図は符号化ニューラ
ルネットワークによって行なう処理演算を示す基本線図
である。入力データＸ、・・・ｘｔ　・・・×８がこの
ニューラルネットワークに供給され、入力層の入力ニュ
ーロン１０．〜１０．に到達する。
これらのニューロンは出力層の出力ニューロン１１゜・
・・ｌｌｋ・・・ＩＩＦに接続されている。各リンクに
はシナプス係数Ｃ１（ｔ　：入力、に：出力）が関連し
ている。入力ニューロンＮの数は、データ圧縮を達成す
るために出力ニューロンの数よりも多くするか又は等し
くする。これらの符号化データはインデックスを選択す
るために用いることができる。
このインデックスは接続配線又は伝送媒体を介して伝送
することができる。
出力ｙｋは次式によって計算される。
ｙｉ＋＝Ｆ（ΣＣＩＩＬＸＬ） ここに、Ｆは恒等関数（Ｆ（ｘ）・Ｘ）とするか或いは
非直線関数とすることができる。出力ｙｋは学習フェー
ズ又は解答又はその双方中ロビントに亘って随意量子化
することができる。量子化を適切に選択することにより
解答中良好なテクスチャ解析を得ることができるように
する。
第１Ｂ図は、符号化ニューラルネットワークに対するの
と同様に相互接続された層で復号化ニューラルネットワ
ークにより行なわれる処理演算を示す基本線図である。
この復号化ニューラルネットワークは復号化データｙｌ
・・・ｙｐを受け、その出力から復号化データν１・・
・ｖ、を生じる。
出力Ｖ、は次式によって計算される。
シ、−δ（Σへ、＊ｙｉ＋） ここにδは恒等関数又は非直線関数とすることができる
。鴎、には、入力ニューロンｋを出力ニューロンＳにリ
ンクさせるシナプス係数を表わす。
第１実施例にれば、アナライザ（解析器）が第１Ａ図に
示す種類の符号化ニューラルネットワークのみを有する
ようにしうる。
第２実施例によれば、アナライザは第１Ａ及び第１Ｂ図
に示す種類の符号化及び復号化ニューラルネットワーク
を同時に有する。
第２図はニューラルネットワークのデータ処理プロセッ
サを示す。人力レジスタ２０が入力データｘｔ　を計算
ユニット２１に供給し、この計算ユニット２１が計算 ΣＣ，ｘ。
を行なう。
シナプス係数ＣｋＬはメモリ２２内に入れられている。
計算ユニット２１の出力端は量子化器２３に接続されて
おり、この量子化器により非直線関数Ｒを生せしめる。
符号化データｙ、は出力レジスタ２４で生ぜしめられる
。
解析フェーズ（符号化のみ或いは又７免１号化及び復号
化の双方）を行なう前に、ニューラルネットワークのシ
ナプス係数の学習フェーズを行なう必要がある。すなわ
ちニューラルネットワークはこれらに割当てられたタス
クを学習する必要がある。
この目的のために、所望の結果が予め分っている予定の
（予め定めた）例示を入力に供給する。この場合、得ら
れた結果を所望の結果と比較すれば充分であり、シナプ
ス係数ＣｋＬは適応メカニズムに応じて考察中のタスク
に適応させる。この適応の詳細な説明は省略する。この
適応はニューラルネットワークに対し既知の方法で行な
える。また種々のアルゴリズムが可能であるが、最も用
いられているアルゴリズムはグラジェントのバックプロ
パゲーションアルゴリズムや主値解析アルコリズムであ
る。これらアルゴリズムを実行するための方法を記載し
た文献は前述した通りである。
（実施例） 第３，４及び５図は本発明によるアナライザを示す回路
図である。
第３図に示す本発明によるアナライザの第１実施例はＭ
個の符号化ニューラルネットワーク３０１゜３０ｔ、・
・・３０　、を有し、これらのすべてが人力データＸｔ
　を受ける。各ニューラルネットワークは、学習フェー
ズ中適応化が行なわれた予定の例示のクラスに従う。
この場合、選択回路３３がすべてのニューラルネットワ
ークの出力ｙｍ　３４＋　・・・３４　Ｍを受け、特性
、例えばデータのエネルギーを決定し、このエネルギー
を最大にするニューラルネットワークを選択する。
選択回路３３は選択したニューラルネットワークに対応
するインデックスＪを伝送する。
この本発明は、 学習を行ない、その後同様な種類の変換を行なう互いに
競争するＭ個（Ｍ＞１）の符号化ニューラルネットワー
クであって、各符号化ニューラルネットワークは出力ニ
ューロンの個数よりも多い或いはこの個数に等しい個数
の入力ニューロンを有しているこれら符号化ニューラル
ネットワークと、 最良の符号化処理を行なう符号化ニューラルネットワー
クを選択基準に基づいて選択するとともにこの選択した
ニューラルネットワークのインデックスを伝送する選択
回路と を有するデータテクスチャ解析用アナライザに関するも
のである。
本発明によるアナライザの第２実施例を第４図に示す。
この場合、各符号化ニューラルネットワーク３０１・・
・３０．に復号化ニューラルネットワーク３５１　・・
・３５゜が続く。従って選択回路３３はこれらの復号化
ニューラルネットワークの出力３６．・・・３６．を受
け、これらの出力の各々を入力データＸ、と比較する。
次に選択回路は最良の符号化を行なうニューラルネット
ワークを決定しそのインデックスｊを生ぜしめる。
従って、この本発明は 学習しその後同じ種類の変換を行なう互いに競争するＭ
個の符号化ニューラルネットワーク及びＭ個の復号化ニ
ューラルネットワーク（Ｍ＞１）であって、各符号化ニ
ューラルネットワークは出力ニューロンの個数よりも多
い或いはこの個数に等しい個数の人力ニューロンを有し
ているこれら符号化ニューラルネットワーク及び復号化
ニューラルネットワークと、 最良の符号化を行なう符号化ニューラルネットワークを
選択基準に基づいて選択し、この選択したニューラルネ
ットワークのインデックスを伝送する選択回路と を有するデータテクスチャ解析用アナライザに関するも
のである。
Ｍ個のニューラルネットワークを競争させるのに必要な
マテリアルの量を減少させるためには、Ｍ個よりも少な
い個数のニューラルネットワークを用いるのが有利であ
る。この例を第３図の場合につき示すと第５図の通りと
なるも、これに限定されるものではない。実際には、ｍ
個（ｍ　＜　Ｍ　）のニューラルネットワーク５１．・
・・５１．を用い、採用すべきシナプス係数のすべてを
有するメモリ５２からこれらｍ個のニューラルネットワ
ークにこれらのシナプス係数をロードすれば充分である
。
このメモリの続出しは、所定数のイメージ或いは他の基
準のいずれかに応じて有効化しうる制御信号ＣＯＨによ
って行なう。この場合、ある所定の瞬時には、この瞬時
に利用すべきものであるニューラルネットワークのみが
用いられる。
この場合の本発明アナライザでは、符号化ニューラルネ
ットワークは、データ例示の複数のクラスを符号化する
のに適したシナプス係数を記憶しているメモリから制御
信号による制御の下で供給されるシナプス係数を受ける
。
【図面の簡単な説明】
第１Ａ及び１８図は、符号化及び復号化ニューラルネッ
トワークを示す線図、 第２図は、ニューラルネットワークの処理ユニットを示
す回路図、 第３及び４図は、本発明によるアナライザの２つの回路
を示すブロック線図、 第５図は、第３図に類似するも、シナプス係数のすべて
を記憶するメモリを含む回路を示すブロック線図である
。 ２０・・・入力レジスタ ２１・・・計算ユニット ２２・・・メモリ ２３・・・量子化器 ２４・・・出力レジスタ ３０、〜３０Ｍ・・・符号化ニューラルネットワーク３
３・・・選択回路 ３５、〜３５．・・・復号化ニューラルネットワーク５
１１〜５１゜・・・符号化ニューラルネットワーク５２
・・・メモリ 手続補正書 平成２年６月７日 特許庁長官　　吉　　１）　文　　毅　　殿１、事件の
表示 平成２年特許願第１０７６８７号 ２、発明の名称 テクスチュア解析方法及びアナライザ ３、補正をする者 事件との関係　　特許出願人 名称　　　エヌ　ベー　フィリップス フルーイランペンファブリケン ４、代理人 明細書の「特許請求の範囲」　「発明の詳細な説明」の
欄１、明細書の特許請求の範囲を次の通りに訂正する。 「２、特許請求の範囲 １、　出力ニューロンの個数よりも多い或いはこの個数
に等しい個数の入力ニューロンを有するニューラルネッ
トワークを解析することにより変換を行うアナライザを
用いて、データクラスに偏成されたデータフローと関連
するテクスチュア解析を行うテクスチュア解析方法にお
いて、 各ニューラルネットワークのシナプス係数を初期化する
工程と、 各データに固有のローカル特性の形態で設けた例示のク
ラスをニューラルネットワークに入力する工程と、 ニューラルネットワークのシナプス係数を入力データブ
ロックの例示に適応させることによりこれらニューラル
ネットワークにより学習する工程と、 データのクラスを形成するようにニューラルネットワー
クにより人力データフローを解いて入力データフローに
関連するテクスチュアクラスに関する情報を生ぜしめる
工程と、 得られた出力と選択基準との間のエラー基準に基づいて
、得られた例示の各クラスに対し最良の結果を生じるニ
ューラルネットワークを見出し、各ニューラルネットワ
ークを、選択インデックスの最良の範囲及び伝送を表わ
すクラスに割り当てる工程とに応じてニューラルネット
ワークを競争させることを特徴とするテクスチュア解析
方法。 ２、請求項１に記載のテクスチュア解析方法において、
学習アルゴリズムに基づいて適切なクラスに適合させる
ためのシナプス係数を変更することにより、各ニューラ
ルネットワークがその例示のクラスに対し補足学習を行
うことを特徴とするテクスチュア解析方法。 ３、　請求項１又は２に記載のテクスチュア解析方法に
おいて、テクスチュアカタログから取り出した例示のク
ラスを用いて学習ステージを監視モードで行うことを特
徴とするテクスチュア解析方法。 ４、　請求項１又は２に記載のテクスチュア解析方法に
おいて、学習演算の少なくとも１つを、ブロックに分割
されたデータフローに関し非監視モードで適応フェーズ
により行うことを特徴とするテクスチュア解析方法。 ５、　請求項１〜４のいずれか一項に記載のテクスチュ
ア解析方法において、各ニューラルネットワークをオー
トアソシエーションモードで動作させ、ニューラルネ・
ノドワークをクラスに割り当てる際のエラー基準をこれ
と同一のニューラルネットワークの入力端にある例示と
その出力端における結果との比較に関係させることを特
徴とするテクスチュア解析方法。 ６、　請求項１〜４のいずれか一項に記載のテクスチュ
ア解析方法において、各ニューラルネットワークをペテ
ロアソシエーションモードで動作させ、ニューラルネッ
トワークをクラスに割り当てる際のエラー基準がこれと
同一のニューラルネットワークの出力端における標準の
目安となるようにすることを特徴とするテクスチュア解
析方法。 ７、　請求項１〜６のいずれか一項に記載のテクスチュ
ア解析方法において、学習演算の少なくとも１つをエラ
ーグラジェントのバックプロパゲーションアルゴリズム
に応じて行うことを特徴とするテクスチュア解析方法。 ８、請求項１〜６のいずれか一項に記載のテクスチュア
解析方法において、学習演算の少なくとも１つをテクス
チュアクラスの主成分解析アルゴリズムに応じて行うこ
とを特徴とするテクスチュア解析方法。 ９、請求項１〜８のいずれか一項に記載のテクスチュア
解析方法において、前記のデータフローを、解析すべき
イメージを構成する画素から生せしめることを特徴とす
るテクスチュア解析方法。 １０゜請求項９に記載のテクスチュア解析方法において
、データのローカル特性をその最も近傍のデータの平均
を以て構成することを特徴とするテクスチュア解析方法
。 １１、請求項１〜８のいずれか一項に記載のテクスチュ
ア解析方法において、前記のデータフローが音声情報を
表していることを特徴とするテクスチュア解析方法。 １２、請求項５又は７〜１１のいずれか一項のテクスチ
ュア解析方法を実施するアナライザにおいて、このアナ
ライザが複数対のニューラルネットワークを有し、各対
は符号化ニューラルネットワークとこれにマツチングす
る復号化ニューラルネットワークとを以て構成され、前
記のアナライザが更に、符号化工程中各対に対し符号化
ニューラルネットワークの入力データとその復号化ニュ
ーラル名ットワークの出力データとを比較する選択回路
を有し、最良の符号化の選択基準はこの比較のずれを最
小とするニューラルネットワークの対を選択することに
あるようにしたことを特徴とするアナライザ。 １３、請求項６〜８のいずれか一項に記載のテクスチュ
ア解析方法を実施するアナライザにおいて、選択回路に
より各符号化ニューラルネットワークの出力ニューロン
のエネルギーのすべての合計を決定するとともに、この
エネルギーがその最大値にある花立化ニューラルネット
ワークの出力を選択するようにしたことを特徴とするア
ナライザ。 旦−請求項１２又は１３に記載のアナライザにおいて、
選択されるニューラルネットワークの数を、類似の基準
によって決定される同様な作用を有するニューラルネッ
トワークを群分けしているファミリーの数に等しくした
ことを特徴とするアナライザ。 １５、請求項１２〜１４のいずれか一項に記載のアナラ
イザにおいて、データ例示の複数のクラスを符号化する
のに適したシナプス係数を記憶しているメモリからの制
御信号による制御の下で各ニューラルネットワークがそ
のシナプス係数を受けるようになっていることを特徴と
するアナライザ。」 ２、明細書第１２頁第１０行のｒ（ｘ＜ｉ≦Ｍ）」をｒ
（１≦ｉ≦Ｍすなわちｉ＝１．２．−−−、Ｍ）Ｊに訂
正する。

Claims (1)

  1. 【特許請求の範囲】 １、出力ニューロンの個数よりも多い或いはこの個数に
    等しい個数の入力ニューロンを有するニューラルネット
    ワークを解析することにより変換を行うアナライザを用
    いて、データクラスに編成されたデータフローと関連す
    るテクスチュア解析を行うテクスチュア解析方法におい
    て、 各ニューラルネットワークのシナプス係数を初期化する
    工程と、 各データに固有のローカル特性の形態で設けた例示のク
    ラスをニューラルネットワークに入力する工程と、 ニューラルネットワークのシナプス係数を入力データブ
    ロックの例示に適応させることによりこれらニューラル
    ネットワークにより学習する工程と、 データのクラスを形成するようにニューラルネットワー
    クにより入力データフローを解いて入力データフローに
    関連するテクスチュアクラスに関する情報を生ぜしめる
    工程と、得られた出力と選択基準との間のエラー基準に
    基づいて、得られた例示の各クラスに対し最良の結果を
    生じるニューラルネットワークを見出し、各ニューラル
    ネットワークを、選択インデックスの最良の範囲及び伝
    送を表わすクラスに割り当てる工程と に応じてニューラルネットワークを競争させることを特
    徴とするテクスチュア解析方法。 ２、請求項１に記載のテクスチュア解析方法において、
    学習アルゴリズムに基づいて適切なクラスに適合させる
    ためのシナプス係数を変更することにより、各ニューラ
    ルネットワークがその例示のクラスに対し補足学習を行
    うことを特徴とするテクスチュア解析方法。 ３、請求項１又は２に記載のテクスチュア解析方法にお
    いて、テクスチュアカタログから取り出した例示のクラ
    スを用いて学習ステージを監視モードで行うことを特徴
    とするテクスチュア解析方法。 ４、請求項１又は２に記載のテクスチュア解析方法にお
    いて、学習演算の少なくとも１つを、ブロックに分割さ
    れたデータフローに関し非監視モードで適応フェーズに
    より行うことを特徴とするテクスチュア解析方法。 ５、請求項１〜４のいずれか一項に記載のテクスチュア
    解析方法において、各ニューラルネットワークをオート
    アソシェーションモードで動作させ、ニューラルネット
    ワークをクラスに割り当てる際のエラー基準をこれと同
    一のニューラルネットワークの入力端にある例示とその
    出力端における結果との比較に関係させることを特徴と
    するテクスチュア解析方法。 ６、請求項１〜４のいずれか一項に記載のテクスチュア
    解析方法において、各ニューラルネットワークをヘテロ
    アソシェーションモードで動作させ、ニューラルネット
    ワークをクラスに割り当てる際のエラー基準がこれと同
    一のニューラルネットワークの出力端における標準の目
    安となるようにすることを特徴とするテクスチュア解析
    方法。 ７、請求項１〜６のいずれか一項に記載のテクスチュア
    解析方法において、学習演算の少なくとも１つをエラー
    グラジェントのバックプロパゲーションアルゴリズムに
    応じて行うことを特徴とするテクスチュア解析方法。 ８、請求項１〜６のいずれか一項に記載のテクスチュア
    解析方法において、学習演算の少なくとも１つをテクス
    チュアクラスの主成分解析アルゴリズムに応じて行うこ
    とを特徴とするテクスチュア解析方法。 ９、請求項１〜８のいずれか一項に記載のテクスチュア
    解析方法において、前記のデータフローを、解析すべき
    イメージを構成する画素から生ぜしめることを特徴とす
    るテクスチュア解析方法。 １０、請求項９に記載のテクスチュア解析方法において
    、データのローカル特性をその最も近傍のデータの平均
    を以て構成することを特徴とするテクスチュア解析方法
    。 １１、請求項１〜８のいずれか一項に記載のテクスチュ
    ア解析方法において、前記のデータフローが音声情報を
    表していることを特徴とするテクスチュア解析方法。 １２、請求項５又は７〜１１のいずれか一項のテクスチ
    ュア解析方法を実施するアナライザにおいて、このアナ
    ライザが複数対のニューラルネットワークを有し、各対
    は符号化ニューラルネットワークとこれにマッチングす
    る復号化ニューラルネットワークとを以て構成され、前
    記のアナライザが更に、符号化工程中各対に対し符号化
    ニューラルネットワークの入力データとその復号化ニュ
    ーラルネットワークの出力データとを比較する選択回路
    を有し、最良の符号化の選択基準はこの比較のずれを最
    小とするニューラルネットワークの対を選択することに
    あるようにしたことを特徴とするアナライザ。 １３、請求項６〜８のいずれか一項に記載のテクスチュ
    ア解析方法を実施するアナライザにおいて、選択回路に
    より各符号化ニューラルネットワークの出力ニューロン
    のエネルギーのすべての合計を決定するとともに、この
    エネルギーがその最大値にある出力ニューロンを選択す
    るようにしたことを特徴とするアナライザ。 １３、請求項１２又は１３に記載のアナライザにおいて
    、選択されるニューラルネットワークの数を、類似の基
    準によって決定される同様な作用を有するニューラルネ
    ットワークを群分けしているファミリーの数に等しくし
    たことを特徴とするアナライザ。 １５、請求項１２〜１４のいずれか一項に記載のアナラ
    イザにおいて、データ例示の複数のクラスを符号化する
    のに適したシナプス係数を記憶しているメモリからの制
    御信号による制御の下で各ニューラルネットワークがそ
    のシナプス係数を受けるようになっていることを特徴と
    するアナライザ。
JP2107687A 1989-04-26 1990-04-25 テクスチュア解折方法及びアナライザ Pending JPH02299081A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR8905533 1989-04-26
FR8905533A FR2646543A1 (fr) 1989-04-26 1989-04-26 Procede pour l'analyse de textures et analyseur

Publications (1)

Publication Number Publication Date
JPH02299081A true JPH02299081A (ja) 1990-12-11

Family

ID=9381151

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2107687A Pending JPH02299081A (ja) 1989-04-26 1990-04-25 テクスチュア解折方法及びアナライザ

Country Status (3)

Country Link
EP (1) EP0396171A1 (ja)
JP (1) JPH02299081A (ja)
FR (1) FR2646543A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2661265B1 (fr) * 1990-04-24 1994-07-29 Thomson Csf Systeme neuronal de classification et procede de classification utilisant un tel systeme.
GB2261510B (en) * 1991-11-16 1996-05-22 British Nuclear Fuels Plc Ultrasonic reflection devices
FR2695743A1 (fr) * 1992-09-16 1994-03-18 Philips Electronique Lab Système de traitement d'images texturées, analyseur de textures et synthétiseur de textures.
US5426684A (en) * 1993-11-15 1995-06-20 Eastman Kodak Company Technique for finding the histogram region of interest for improved tone scale reproduction of digital radiographic images
US5995651A (en) * 1996-07-11 1999-11-30 Duke University Image content classification methods, systems and computer programs using texture patterns
GB2328849B (en) * 1997-07-25 2000-07-12 Motorola Inc Method and apparatus for animating virtual actors from linguistic representations of speech by using a neural network

Also Published As

Publication number Publication date
FR2646543A1 (fr) 1990-11-02
EP0396171A1 (fr) 1990-11-07

Similar Documents

Publication Publication Date Title
US5134396A (en) Method and apparatus for encoding and decoding data utilizing data compression and neural networks
Dony et al. Neural network approaches to image compression
EP0454037B1 (en) Neural network for processing a plurality of informations and learning method
Nasrabadi et al. Vector quantization of images based upon the Kohonen self-organizing feature maps
US5095443A (en) Plural neural network system having a successive approximation learning method
EP0591415A1 (en) Sparse comparison neural network
US5485547A (en) Recognition unit and recognizing and judging apparatus employing same
JPH02299081A (ja) テクスチュア解折方法及びアナライザ
US5781128A (en) Data compression system and method
Nasrabadi et al. Next-state functions for finite-state vector quantization
Rizvi et al. Nonlinear vector prediction using feed-forward neural networks
Rizvi et al. Neural network architectures for vector prediction
JPH0535710A (ja) ニユーラルネツトワークの学習方法および学習装置
Rajput et al. Modeling of neural image compression using GA and BP: a comparative approach
Charles et al. Artificial neural network based image compression using Levenberg-Marquardt Algorithm
Rios et al. Image compression with a dynamic autoassociative neural network
Durai et al. Image Mapping with Cumulative Distribution Function for Quick Convergence of Counterpropagation Neural Networks in Image Compression
KR100214377B1 (ko) 개선된 신경회로망 데이터 콤프레서 및 이를 이용한 데이터 처리 방법
Huang et al. Principal component vector quantization
KR100220365B1 (ko) 개선된 신경회로망 데이터 콤프레서 및 이를 이용한 데이터 처리 방법
Nikravesh et al. Process control of nonlinear time variant processes via artificial neural network
Bouzerdoum A stochastic competitive learning algorithm
Li et al. Fast image vector quantization using a modified competitive learning neural network approach
Setiono et al. A neural network construction algorithm with application to image compression
Hashemi et al. Predictive vector quantization using neural networks