JPH07271916A - 学習パターン生成装置及びこれを用いた文字認識装置 - Google Patents
学習パターン生成装置及びこれを用いた文字認識装置Info
- Publication number
- JPH07271916A JPH07271916A JP6085520A JP8552094A JPH07271916A JP H07271916 A JPH07271916 A JP H07271916A JP 6085520 A JP6085520 A JP 6085520A JP 8552094 A JP8552094 A JP 8552094A JP H07271916 A JPH07271916 A JP H07271916A
- Authority
- JP
- Japan
- Prior art keywords
- input
- pattern
- recognition target
- learning
- character
- 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.)
- Withdrawn
Links
Landscapes
- Character Discrimination (AREA)
Abstract
(57)【要約】
【目的】 熟練した操作者によらなくても適切な学習パ
ターンを自動的かつ短時間に選択する。 【構成】 学習パターン生成装置１０は、全ての認識
対象パターンＰｒ１〜Ｐｒｎを記憶している認識対象パ
ターン記憶手段１２と、全ての認識対象パターンＰｒ１
〜Ｐｒｎのそれぞれと認識できなかった入力パターンＰ
ｅａ又は誤って認識した入力パターンＰｅｂとの類似度
Ｒ１〜Ｒｎを計算する類似度計算手段１４と、類似度計
算手段１４によって計算された類似度Ｒ１〜Ｒｎに基づ
き入力パターンＰｅａ，Ｐｅｂを学習パターンＰｓにす
るか否かを判断する学習パターン選択手段１６とを備え
ている。
ターンを自動的かつ短時間に選択する。 【構成】 学習パターン生成装置１０は、全ての認識
対象パターンＰｒ１〜Ｐｒｎを記憶している認識対象パ
ターン記憶手段１２と、全ての認識対象パターンＰｒ１
〜Ｐｒｎのそれぞれと認識できなかった入力パターンＰ
ｅａ又は誤って認識した入力パターンＰｅｂとの類似度
Ｒ１〜Ｒｎを計算する類似度計算手段１４と、類似度計
算手段１４によって計算された類似度Ｒ１〜Ｒｎに基づ
き入力パターンＰｅａ，Ｐｅｂを学習パターンＰｓにす
るか否かを判断する学習パターン選択手段１６とを備え
ている。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネットワー
クを用いて文字等を認識する場合の学習パターン生成装
置及びこれを用いた文字認識装置に関する。
クを用いて文字等を認識する場合の学習パターン生成装
置及びこれを用いた文字認識装置に関する。
【０００２】
【従来の技術】ニューラルネットワークを用いて文字等
を認識する場合、予めニューラルネットワークに認識対
象文字を学習させておく。学習とは、例えば認識対象文
字「Ｃ」をニューラルネットワークに入力したときに、
ニューラルネットワークから「Ｃ」が出力されるよう
に、ニューラルネットワークを構成する各ユニット間の
結合荷重等のパラメータを決定することである。また、
学習に用いられる文字等のパターンを「学習パターン」
といい、この学習パターンの集合を「学習データ」とい
う。学習パターンの例を図８に示す。学習パターンに
は、認識対象文字である学習パターン８０、認識対象文
字にノイズが加わった学習パターン８１，８２，８３、
認識対象文字が変形した学習パターン８４，８５，８６
等がある。
を認識する場合、予めニューラルネットワークに認識対
象文字を学習させておく。学習とは、例えば認識対象文
字「Ｃ」をニューラルネットワークに入力したときに、
ニューラルネットワークから「Ｃ」が出力されるよう
に、ニューラルネットワークを構成する各ユニット間の
結合荷重等のパラメータを決定することである。また、
学習に用いられる文字等のパターンを「学習パターン」
といい、この学習パターンの集合を「学習データ」とい
う。学習パターンの例を図８に示す。学習パターンに
は、認識対象文字である学習パターン８０、認識対象文
字にノイズが加わった学習パターン８１，８２，８３、
認識対象文字が変形した学習パターン８４，８５，８６
等がある。
【０００３】
【発明が解決しようとする課題】しかしながら、従来技
術では、次のような問題があった。
術では、次のような問題があった。
【０００４】 認識率を高めるために学習パターン８
１，…，８６を増やすと、学習が収束しなくなって、最
適なパラメータを決定できなくなる。
１，…，８６を増やすと、学習が収束しなくなって、最
適なパラメータを決定できなくなる。
【０００５】 認識対象文字に特定のノイズが加わっ
た学習パターン８７，８８を学習すると、学習パターン
８７，８８に類似した認識対象文字８９，９０，９１と
混同を生じて認識率が低下する。すなわち、認識対象文
字８９，９０，９１の「Ｇ」，「Ｏ」，「Ｄ」を認識対
象文字「Ｃ」と誤って認識してしまう可能性が生じる。
た学習パターン８７，８８を学習すると、学習パターン
８７，８８に類似した認識対象文字８９，９０，９１と
混同を生じて認識率が低下する。すなわち、認識対象文
字８９，９０，９１の「Ｇ」，「Ｏ」，「Ｄ」を認識対
象文字「Ｃ」と誤って認識してしまう可能性が生じる。
【０００６】 上記の問題を避けるためには、操
作者が学習すべきパターンを選択する必要がある。すな
わち、学習の収束の妨げとなる不要なパターンを除外す
ると共に、認識率の低下を招くパターンも除外する。こ
れにより、好ましいパターンのみをニューラルネットワ
ークに学習させる。この学習すべきパターンを的確に判
断するには熟練を要すると共に多くの時間及び試行錯誤
が必要であるので、操作がたいへん面倒であった。
作者が学習すべきパターンを選択する必要がある。すな
わち、学習の収束の妨げとなる不要なパターンを除外す
ると共に、認識率の低下を招くパターンも除外する。こ
れにより、好ましいパターンのみをニューラルネットワ
ークに学習させる。この学習すべきパターンを的確に判
断するには熟練を要すると共に多くの時間及び試行錯誤
が必要であるので、操作がたいへん面倒であった。
【０００７】
【発明の目的】そこで、本発明の主な目的は、熟練した
操作者によらなくても適切な学習パターンを自動的かつ
短時間に選択できる学習パターン生成装置及びこれを用
いた文字認識装置を提供することにある。
操作者によらなくても適切な学習パターンを自動的かつ
短時間に選択できる学習パターン生成装置及びこれを用
いた文字認識装置を提供することにある。
【０００８】
【課題を解決するための手段】本発明に係る学習パター
ン生成装置及びこれを用いた文字認識装置は、上記目的
を達成するためになされたものであり、次の構成を有す
る。
ン生成装置及びこれを用いた文字認識装置は、上記目的
を達成するためになされたものであり、次の構成を有す
る。
【０００９】本発明に係る学習パターン生成装置は、全
ての認識対象パターンを記憶している認識対象パターン
記憶手段と、前記全ての認識対象パターンのそれぞれと
認識できなかった又は誤って認識した入力パターンとの
類似度を計算する類似度計算手段と、この類似度計算手
段によって計算された前記類似度に基づき前記入力パタ
ーンを学習パターンにするか否かを判断する学習パター
ン選択手段とを備えたものである。
ての認識対象パターンを記憶している認識対象パターン
記憶手段と、前記全ての認識対象パターンのそれぞれと
認識できなかった又は誤って認識した入力パターンとの
類似度を計算する類似度計算手段と、この類似度計算手
段によって計算された前記類似度に基づき前記入力パタ
ーンを学習パターンにするか否かを判断する学習パター
ン選択手段とを備えたものである。
【００１０】本発明に係る文字認識装置は、入力文字を
含む画像データを入力する画像入力部と、この画像入力
部で入力された画像データを記憶する画像記憶部と、こ
の画像記憶部に記憶されている画像データから前記入力
文字に関する入力データを作成する入力データ作成部
と、この入力データ作成部で作成された入力データに対
してニューラルネットワーク処理を行うニューラルネッ
トワーク処理部と、このニューラルネットワーク処理部
の処理結果に基づいて前記入力文字に対応する認識対象
文字を出力する文字出力部とを備えたものを改良したも
のである。
含む画像データを入力する画像入力部と、この画像入力
部で入力された画像データを記憶する画像記憶部と、こ
の画像記憶部に記憶されている画像データから前記入力
文字に関する入力データを作成する入力データ作成部
と、この入力データ作成部で作成された入力データに対
してニューラルネットワーク処理を行うニューラルネッ
トワーク処理部と、このニューラルネットワーク処理部
の処理結果に基づいて前記入力文字に対応する認識対象
文字を出力する文字出力部とを備えたものを改良したも
のである。
【００１１】すなわち、前記ニューラルネットワーク処
理部が、本発明に係る学習パターン生成装置によって得
られた学習パターンによって学習したニューラルネット
ワークを有することを特徴とするものである。
理部が、本発明に係る学習パターン生成装置によって得
られた学習パターンによって学習したニューラルネット
ワークを有することを特徴とするものである。
【００１２】ここでいう「画素」とは、最小分解能とし
ての画素から、これらの画素を複数個集めて一単位とし
たものまでを含む。
ての画素から、これらの画素を複数個集めて一単位とし
たものまでを含む。
【００１３】
【作用】本発明に係る学習パターン生成装置の作用は、
次のとおりである。認識対象パターン記憶手段には、全
ての認識対象パターンが記憶されている。類似度計算手
段は、全ての認識対象パターンのそれぞれと認識できな
かった入力パターンとの類似度、又は全ての認識対象パ
ターンのそれぞれと誤って認識した入力パターンとの類
似度を計算する。学習パターン選択手段は、類似度計算
手段によって計算された類似度に基づき、入力パターン
を学習パターンにするか否かを判断する。例えば、類似
度が大きい場合には入力パターンを学習パターンにし、
類似度が小さい場合には入力パターンを学習パターンに
しない。
次のとおりである。認識対象パターン記憶手段には、全
ての認識対象パターンが記憶されている。類似度計算手
段は、全ての認識対象パターンのそれぞれと認識できな
かった入力パターンとの類似度、又は全ての認識対象パ
ターンのそれぞれと誤って認識した入力パターンとの類
似度を計算する。学習パターン選択手段は、類似度計算
手段によって計算された類似度に基づき、入力パターン
を学習パターンにするか否かを判断する。例えば、類似
度が大きい場合には入力パターンを学習パターンにし、
類似度が小さい場合には入力パターンを学習パターンに
しない。
【００１４】本発明に係る文字認識装置の作用は、次の
とおりである。入力文字を含む画像データは、画像入力
部から入力され、画像記憶部で記憶される。入力データ
作成部では、画像記憶部に記憶されている画像データか
ら入力文字に関する入力データが作成される。入力デー
タはニューラルネットワーク処理部で処理され、この処
理結果に基づいて文字出力部から入力文字に対応する認
識対象文字が出力される。ニューラルネットワーク処理
部のニューラルネットワークは、請求項１記載の学習パ
ターン生成装置によって得られた学習パターンを学習し
たものである。この学習パターンは、適切なものである
と共に自動的かつ短時間に選択されたものである。
とおりである。入力文字を含む画像データは、画像入力
部から入力され、画像記憶部で記憶される。入力データ
作成部では、画像記憶部に記憶されている画像データか
ら入力文字に関する入力データが作成される。入力デー
タはニューラルネットワーク処理部で処理され、この処
理結果に基づいて文字出力部から入力文字に対応する認
識対象文字が出力される。ニューラルネットワーク処理
部のニューラルネットワークは、請求項１記載の学習パ
ターン生成装置によって得られた学習パターンを学習し
たものである。この学習パターンは、適切なものである
と共に自動的かつ短時間に選択されたものである。
【００１５】
【発明の実施例】図１は、本発明に係る学習パターン生
成装置の一実施例を示すブロック図である。以下、この
図に基づき説明する。
成装置の一実施例を示すブロック図である。以下、この
図に基づき説明する。
【００１６】学習パターン生成装置１０は、全ての認識
対象パターンＰｒ１〜Ｐｒｎを記憶している認識対象パ
ターン記憶手段１２と、全ての認識対象パターンＰｒ１
〜Ｐｒｎのそれぞれと認識できなかった入力パターンＰ
ｅａ又は誤って認識した入力パターンＰｅｂとの類似度
Ｒ１〜Ｒｎを計算する類似度計算手段１４と、類似度計
算手段１４によって計算された類似度Ｒ１〜Ｒｎに基づ
き入力パターンＰｅａ，Ｐｅｂを学習パターンＰｓにす
るか否かを判断する学習パターン選択手段１６とを備え
ている。類似度計算手段１２及び学習パターン選択手段
１６は、例えばコンピュータ及びこれを動作させるプロ
グラムによって実現できる。認識対象パターン記憶手段
１４は、ＲＯＭ，ＲＡＭ又は磁気記録装置等によって実
現できる。認識対象パターンＰｒ１〜Ｐｒｎとしては、
文字パターン，音声パターン，血液の凝集パターン等、
どのようなものでもよい。
対象パターンＰｒ１〜Ｐｒｎを記憶している認識対象パ
ターン記憶手段１２と、全ての認識対象パターンＰｒ１
〜Ｐｒｎのそれぞれと認識できなかった入力パターンＰ
ｅａ又は誤って認識した入力パターンＰｅｂとの類似度
Ｒ１〜Ｒｎを計算する類似度計算手段１４と、類似度計
算手段１４によって計算された類似度Ｒ１〜Ｒｎに基づ
き入力パターンＰｅａ，Ｐｅｂを学習パターンＰｓにす
るか否かを判断する学習パターン選択手段１６とを備え
ている。類似度計算手段１２及び学習パターン選択手段
１６は、例えばコンピュータ及びこれを動作させるプロ
グラムによって実現できる。認識対象パターン記憶手段
１４は、ＲＯＭ，ＲＡＭ又は磁気記録装置等によって実
現できる。認識対象パターンＰｒ１〜Ｐｒｎとしては、
文字パターン，音声パターン，血液の凝集パターン等、
どのようなものでもよい。
【００１７】類似度計算手段１２には、認識できなかっ
た入力パターンＰｅａ及び誤って認識した入力パターン
Ｐｅｂを記憶している外部記憶装置１８が接続されてい
る。学習パターン選択手段１６には、学習パターンＰｓ
によって学習するニューラルネットワーク処理装置２０
が接続されている。また、入力パターンＰｅａ，Ｐｅｂ
には、出力すべき認識対象パターンＰｏを示す情報が付
加されている。
た入力パターンＰｅａ及び誤って認識した入力パターン
Ｐｅｂを記憶している外部記憶装置１８が接続されてい
る。学習パターン選択手段１６には、学習パターンＰｓ
によって学習するニューラルネットワーク処理装置２０
が接続されている。また、入力パターンＰｅａ，Ｐｅｂ
には、出力すべき認識対象パターンＰｏを示す情報が付
加されている。
【００１８】図２は、学習パターン生成装置１０の動作
を示すフローチャートであり、認識できなかった入力パ
ターンＰｅａについて学習パターンＰｓを生成する場合
を示している。以下、図１及び図２に基づき説明する。
を示すフローチャートであり、認識できなかった入力パ
ターンＰｅａについて学習パターンＰｓを生成する場合
を示している。以下、図１及び図２に基づき説明する。
【００１９】予め、認識できなかった入力パターンＰｅ
ａと、入力パターンＰｅａに付加されている出力すべき
認識対象パターンＰｏの情報とを、外部記憶装置１８等
から入力しておく。また、認識対象パターンＰｒ１〜Ｐ
ｒｎには、出力すべき認識対象パターンＰｏが当然のこ
とながら含まれている。
ａと、入力パターンＰｅａに付加されている出力すべき
認識対象パターンＰｏの情報とを、外部記憶装置１８等
から入力しておく。また、認識対象パターンＰｒ１〜Ｐ
ｒｎには、出力すべき認識対象パターンＰｏが当然のこ
とながら含まれている。
【００２０】まず、初期値ｍ＝１を設定して（ステップ
１０１）、入力パターンＰｅａと認識対象パターンＰｒ
１とを重ね合わせる（ステップ１０２）。例えば、入力
パターンＰｅａを「Ｅ＋ノイズ」とし、認識対象パター
ンＰｒ１を「Ｅ」とすると、図３に示すようになる。図
３中央の「重ね合わせ後」において、一致部分面積（画
素数）Ｒ１ａを網掛けで示し、不一致部分面積（画素
数）Ｒ１ｂを斜線で示す。すなわち、入力パターンＰｅ
ａと認識対象パターンＰｒ１との同じ座標の画素におい
て、どららも「１」であればその画素は一致しているも
のとし、どちらか一方のみが「１」であればその画素は
一致していないものとする。このとき、類似度Ｒ１は、
認識対象パターンＰｒ１の全面積（画素数）をＲ１ｃと
すれば、Ｒ１＝Ｒ１ａ／Ｒ１ｃで与えられる（ステップ
１０３）。したがって、類似度Ｒ１は、「0.0 」から
「1.0 」までの間に分布し、一致部分面積Ｒ１ａが小さ
いほど（類似していないほど）「0.0 」に近づく。ただ
し、Ｒ１ｂ／Ｒ１ｃがある定められたしきい値よりも大
きくなる場合は、Ｒ１＝0.0 として、学習パターン選択
の対象から外す。Ｒ１ｂ／Ｒ１ｃが大きいほど、入力パ
ターンＰｅａと認識対象パターンＰｒ１とは類似しない
からである。続いて、類似度Ｒ１としきい値Ｔｒとの大
小比較を行い、その結果を記憶しておく（ステップ１０
４）。しきい値Ｔｒは、実験的に求められたものであ
る。次に、ｍ＝ｍ＋１とし（ステップ１０５）、ｍ＞ｎ
になるまでステップ１０２〜１０５を繰り返す（ステッ
プ１０６）。
１０１）、入力パターンＰｅａと認識対象パターンＰｒ
１とを重ね合わせる（ステップ１０２）。例えば、入力
パターンＰｅａを「Ｅ＋ノイズ」とし、認識対象パター
ンＰｒ１を「Ｅ」とすると、図３に示すようになる。図
３中央の「重ね合わせ後」において、一致部分面積（画
素数）Ｒ１ａを網掛けで示し、不一致部分面積（画素
数）Ｒ１ｂを斜線で示す。すなわち、入力パターンＰｅ
ａと認識対象パターンＰｒ１との同じ座標の画素におい
て、どららも「１」であればその画素は一致しているも
のとし、どちらか一方のみが「１」であればその画素は
一致していないものとする。このとき、類似度Ｒ１は、
認識対象パターンＰｒ１の全面積（画素数）をＲ１ｃと
すれば、Ｒ１＝Ｒ１ａ／Ｒ１ｃで与えられる（ステップ
１０３）。したがって、類似度Ｒ１は、「0.0 」から
「1.0 」までの間に分布し、一致部分面積Ｒ１ａが小さ
いほど（類似していないほど）「0.0 」に近づく。ただ
し、Ｒ１ｂ／Ｒ１ｃがある定められたしきい値よりも大
きくなる場合は、Ｒ１＝0.0 として、学習パターン選択
の対象から外す。Ｒ１ｂ／Ｒ１ｃが大きいほど、入力パ
ターンＰｅａと認識対象パターンＰｒ１とは類似しない
からである。続いて、類似度Ｒ１としきい値Ｔｒとの大
小比較を行い、その結果を記憶しておく（ステップ１０
４）。しきい値Ｔｒは、実験的に求められたものであ
る。次に、ｍ＝ｍ＋１とし（ステップ１０５）、ｍ＞ｎ
になるまでステップ１０２〜１０５を繰り返す（ステッ
プ１０６）。
【００２１】類似度Ｒ１〜Ｒｎの計算が終了すると、ス
テップ１０４で得られた，類似度Ｒｍとしきい値Ｔｒと
の大小比較の結果から、Ｒｍ＞Ｔｒとなるものがただ一
つあるか否かを判断する（ステップ１０７）。Ｒｍ＞Ｔ
ｒとなるものがただ一つあれば、そのＲｍに対応する認
識対象パターンＰｒｍが出力すべき認識対象パターンＰ
ｏに一致するか否かを判断する（ステップ１０８）。認
識対象パターンＰｒｍが認識対象パターンＰｏに一致す
れば、入力パターンＰｅａを学習パターンＰｓとする
（ステップ１０９）。Ｒｍ＞Ｔｒとなるものがただ一つ
ではない場合は、入力パターンＰｅａを学習パターンＰ
ｓとしない。このような入力パターンＰｅａは、他の認
識対象パターンにも類似するからである。すなわち、こ
のような入力パターンＰｅａを学習パターンＰｓとすれ
ば、出力すべき認識対象パターンＰｏと他の認識対象パ
ターンとの間で混同を生じるからである。また、認識対
象パターンＰｒｍが出力すべき認識対象パターンＰｏに
一致しない場合も、入力パターンＰｅａを学習パターン
Ｐｓとしない。このような入力パターンＰｅａは、出力
すべき認識対象パターンＰｏに最も類似するものではな
いからである。
テップ１０４で得られた，類似度Ｒｍとしきい値Ｔｒと
の大小比較の結果から、Ｒｍ＞Ｔｒとなるものがただ一
つあるか否かを判断する（ステップ１０７）。Ｒｍ＞Ｔ
ｒとなるものがただ一つあれば、そのＲｍに対応する認
識対象パターンＰｒｍが出力すべき認識対象パターンＰ
ｏに一致するか否かを判断する（ステップ１０８）。認
識対象パターンＰｒｍが認識対象パターンＰｏに一致す
れば、入力パターンＰｅａを学習パターンＰｓとする
（ステップ１０９）。Ｒｍ＞Ｔｒとなるものがただ一つ
ではない場合は、入力パターンＰｅａを学習パターンＰ
ｓとしない。このような入力パターンＰｅａは、他の認
識対象パターンにも類似するからである。すなわち、こ
のような入力パターンＰｅａを学習パターンＰｓとすれ
ば、出力すべき認識対象パターンＰｏと他の認識対象パ
ターンとの間で混同を生じるからである。また、認識対
象パターンＰｒｍが出力すべき認識対象パターンＰｏに
一致しない場合も、入力パターンＰｅａを学習パターン
Ｐｓとしない。このような入力パターンＰｅａは、出力
すべき認識対象パターンＰｏに最も類似するものではな
いからである。
【００２２】図４は、学習パターン生成装置１０の動作
を示すフローチャートであり、誤って認識した入力パタ
ーンＰｅｂについて学習パターンＰｓを生成する場合を
示している。以下、図１及び図４に基づき説明する。
を示すフローチャートであり、誤って認識した入力パタ
ーンＰｅｂについて学習パターンＰｓを生成する場合を
示している。以下、図１及び図４に基づき説明する。
【００２３】予め、誤って認識した入力パターンＰｅｂ
と、入力パターンＰｅｂに付加されている出力すべき認
識対象パターンＰｏの情報とを、外部記憶装置１８等か
ら入力しておく。また、認識対象パターンＰｒ１〜Ｐｒ
ｎには、出力すべき認識対象パターンＰｏと誤って認識
した認識対象パターンＰｅとが当然のことながら含まれ
ている。
と、入力パターンＰｅｂに付加されている出力すべき認
識対象パターンＰｏの情報とを、外部記憶装置１８等か
ら入力しておく。また、認識対象パターンＰｒ１〜Ｐｒ
ｎには、出力すべき認識対象パターンＰｏと誤って認識
した認識対象パターンＰｅとが当然のことながら含まれ
ている。
【００２４】まず、初期値ｍ＝１を設定して（ステップ
２０１）、入力パターンＰｅｂと認識対象パターンＰｒ
１とを重ね合わせる（ステップ２０２）。以下、ステッ
プ２０３からステップ２０６までは、入力パターンがＰ
ｅｂ，しきい値がＴｅである点を除き、図２のステップ
１０３からステップ１０６と同様であるので、説明を省
略する。
２０１）、入力パターンＰｅｂと認識対象パターンＰｒ
１とを重ね合わせる（ステップ２０２）。以下、ステッ
プ２０３からステップ２０６までは、入力パターンがＰ
ｅｂ，しきい値がＴｅである点を除き、図２のステップ
１０３からステップ１０６と同様であるので、説明を省
略する。
【００２５】類似度Ｒ１〜Ｒｎの計算が終了すると、認
識対象パターンＰｏにおける類似度Ｒｏが認識対象パタ
ーンＰｅにおける類似度Ｒｅよりも大きいか否かを判断
する（ステップ２０７）。Ｒｏ＞Ｒｅであれば、ステッ
プ２０４で得られた類似度Ｒｍとしきい値Ｔｅとの大小
比較の結果から、Ｒｏ＞ＴｅかつＲｅ＜Ｔｅであるか否
かを判断する（ステップ２０８）。Ｒｏ＞ＴｅかつＲｅ
＜Ｔｅであれば入力パターンＰｅｂを学習パターンＰｓ
とする（ステップ２０９）。一方、Ｒｏ≦Ｒｅである場
合は、入力パターンＰｅｂを学習パターンＰｓとしな
い。このような入力パターンＰｅｂは、出力すべき認識
対象パターンＰｏに最も類似するものではないからであ
る。また、Ｒｏ＞ＲｅであってもＲｏ≦Ｔｅである場合
は、入力パターンＰｅｂを学習パターンＰｓとしない。
このような入力パターンＰｅｂは、出力すべき認識対象
パターンＰｏと類似する度合いが小さいからである。さ
らに、Ｒｏ＞ＲｅであってもＲｅ≧Ｔｅである場合も、
入力パターンＰｅｂを学習パターンＰｓとしない。この
ような入力パターンＰｅｂは、誤って出力した認識対象
パターンＰｅにも類似するからである。すなわち、この
ような入力パターンＰｅｂを学習パターンＰｓとすれ
ば、出力すべき認識対象パターンＰｏと誤って出力した
認識対象パターンＰｅとの間で混同を生じるからであ
る。
識対象パターンＰｏにおける類似度Ｒｏが認識対象パタ
ーンＰｅにおける類似度Ｒｅよりも大きいか否かを判断
する（ステップ２０７）。Ｒｏ＞Ｒｅであれば、ステッ
プ２０４で得られた類似度Ｒｍとしきい値Ｔｅとの大小
比較の結果から、Ｒｏ＞ＴｅかつＲｅ＜Ｔｅであるか否
かを判断する（ステップ２０８）。Ｒｏ＞ＴｅかつＲｅ
＜Ｔｅであれば入力パターンＰｅｂを学習パターンＰｓ
とする（ステップ２０９）。一方、Ｒｏ≦Ｒｅである場
合は、入力パターンＰｅｂを学習パターンＰｓとしな
い。このような入力パターンＰｅｂは、出力すべき認識
対象パターンＰｏに最も類似するものではないからであ
る。また、Ｒｏ＞ＲｅであってもＲｏ≦Ｔｅである場合
は、入力パターンＰｅｂを学習パターンＰｓとしない。
このような入力パターンＰｅｂは、出力すべき認識対象
パターンＰｏと類似する度合いが小さいからである。さ
らに、Ｒｏ＞ＲｅであってもＲｅ≧Ｔｅである場合も、
入力パターンＰｅｂを学習パターンＰｓとしない。この
ような入力パターンＰｅｂは、誤って出力した認識対象
パターンＰｅにも類似するからである。すなわち、この
ような入力パターンＰｅｂを学習パターンＰｓとすれ
ば、出力すべき認識対象パターンＰｏと誤って出力した
認識対象パターンＰｅとの間で混同を生じるからであ
る。
【００２６】なお、本実施例における類似度Ｒ１〜Ｒｎ
の計算方法は、言うまでもなく一例に過ぎない。例え
ば、類似度Ｒ１＝（Ｒ１ａ−Ｒ１ｂ）／Ｒ１ｃとして求
めてもよい。
の計算方法は、言うまでもなく一例に過ぎない。例え
ば、類似度Ｒ１＝（Ｒ１ａ−Ｒ１ｂ）／Ｒ１ｃとして求
めてもよい。
【００２７】図５は、本発明に係る文字認識装置の一実
施例を示すブロック図である。以下、この図に基づき説
明する。
施例を示すブロック図である。以下、この図に基づき説
明する。
【００２８】文字認識装置３０は、入力文字ａを含む画
像データｂを入力する画像入力部３２と、画像入力部３
２で入力された画像データｂを記憶する画像記憶部３４
と、画像記憶部３４に記憶されている画像データｂから
入力文字ａに関する入力データｃを作成する入力データ
作成部３６と、入力データ作成部３６で作成された入力
データｃに対してニューラルネットワーク処理を行うニ
ューラルネットワーク処理部３８と、ニューラルネット
ワーク処理部３８の処理結果に基づいて入力文字ａに対
応する認識対象文字ｄを出力する文字出力部４０とを備
えたものである。
像データｂを入力する画像入力部３２と、画像入力部３
２で入力された画像データｂを記憶する画像記憶部３４
と、画像記憶部３４に記憶されている画像データｂから
入力文字ａに関する入力データｃを作成する入力データ
作成部３６と、入力データ作成部３６で作成された入力
データｃに対してニューラルネットワーク処理を行うニ
ューラルネットワーク処理部３８と、ニューラルネット
ワーク処理部３８の処理結果に基づいて入力文字ａに対
応する認識対象文字ｄを出力する文字出力部４０とを備
えたものである。
【００２９】ニューラルネットワーク処理部３８は、図
１の学習パターン生成装置１０によって得られた学習パ
ターンＰｓによって学習したニューラルネットワーク４
６（図６）を有している。
１の学習パターン生成装置１０によって得られた学習パ
ターンＰｓによって学習したニューラルネットワーク４
６（図６）を有している。
【００３０】画像入力部３２は、例えばイメージスキャ
ナ，ＣＣＤカメラ等から構成され、デジタル画像を得る
ものである。画像記憶部３４は、フロッピィーディス
ク，ハードディスク等の外部記憶装置又はＲＡＭ等から
構成されている。
ナ，ＣＣＤカメラ等から構成され、デジタル画像を得る
ものである。画像記憶部３４は、フロッピィーディス
ク，ハードディスク等の外部記憶装置又はＲＡＭ等から
構成されている。
【００３１】文字出力部４０は、ニューラルネットワー
ク処理部３８から出力された認識対象文字ｄを表示する
ＣＲＴ又はプリンタ等から構成されている。
ク処理部３８から出力された認識対象文字ｄを表示する
ＣＲＴ又はプリンタ等から構成されている。
【００３２】入力データ作成部３６及びニューラルネッ
トワーク処理部３８は、例えばコンピュータ及びこれを
動作させるプログラムによって実現できる。この場合、
このコンピュータで、画像入力部３２，文字出力部４０
等を制御するように構成してもよい。また、ニューラル
ネットワーク処理部３８は、ニューロチップによっても
実現できる。
トワーク処理部３８は、例えばコンピュータ及びこれを
動作させるプログラムによって実現できる。この場合、
このコンピュータで、画像入力部３２，文字出力部４０
等を制御するように構成してもよい。また、ニューラル
ネットワーク処理部３８は、ニューロチップによっても
実現できる。
【００３３】ニューラルネットワーク処理部３８は、図
６に示されるようなニューラルネットワーク４６を有し
ている。ニューラルネットワーク４６は、入力データ作
成部３６で作成された入力データｃが入力される入力層
４６ａと、中間層４６ｂと、出力層４６ｃとから構成さ
れている。各層はユニット（図６において「○」で示
す。）と呼ばれる構成要素から成り立っており、各ユニ
ットが結合することによりニューラルネットワーク４６
が構成されている。
６に示されるようなニューラルネットワーク４６を有し
ている。ニューラルネットワーク４６は、入力データ作
成部３６で作成された入力データｃが入力される入力層
４６ａと、中間層４６ｂと、出力層４６ｃとから構成さ
れている。各層はユニット（図６において「○」で示
す。）と呼ばれる構成要素から成り立っており、各ユニ
ットが結合することによりニューラルネットワーク４６
が構成されている。
【００３４】入力層４６ａの各ユニットは、中間層４６
ｂのそれぞれのユニットとすべて結合している。そし
て、入力層４６ａのユニット数は、入力データｃの画素
数に対応した個数であり、任意に設定可能である。ま
た、中間層４６ｂの各ユニットは、出力層４６ｃのそれ
ぞれのユニットとすべて結合している。中間層４６ｂの
層数及びユニット数は、任意に設定可能である。出力層
４６ｃは、少なくとも認識対象文字の数だけ用意されて
いる。本実施例では図６に示されるようにｎ個のユニッ
トを具備している。例えば、アルファベットを認識対象
文字とする場合は、ｎ＝26個となる。
ｂのそれぞれのユニットとすべて結合している。そし
て、入力層４６ａのユニット数は、入力データｃの画素
数に対応した個数であり、任意に設定可能である。ま
た、中間層４６ｂの各ユニットは、出力層４６ｃのそれ
ぞれのユニットとすべて結合している。中間層４６ｂの
層数及びユニット数は、任意に設定可能である。出力層
４６ｃは、少なくとも認識対象文字の数だけ用意されて
いる。本実施例では図６に示されるようにｎ個のユニッ
トを具備している。例えば、アルファベットを認識対象
文字とする場合は、ｎ＝26個となる。
【００３５】このような構成において、入力層４６ａに
入力される入力データｃと出力層４６ｃからの出力すな
わち認識対象文字ｄとの関係を得るために、各ユニット
間の結合強度等を予め学習によって決定しておく。すな
わち、ある入力データｃを入力層４６ａに入力したと
き、その入力データｃがアルファベットの「Ａ」であれ
ば、出力層４６ｃのユニット４６c1から「１」を出力さ
せ、アルファベットの「Ｂ」であれば、出力層４６ｃの
ユニット４６c2から「１」を出力させるように学習させ
る。以下、同様に「Ｃ」から「Ｚ」まで学習させる。学
習データには、アルファベットの「Ａ」から「Ｚ」まで
のパターンの他に、学習パターン生成装置１０によって
得られた学習パターンＰｓも含まれている。
入力される入力データｃと出力層４６ｃからの出力すな
わち認識対象文字ｄとの関係を得るために、各ユニット
間の結合強度等を予め学習によって決定しておく。すな
わち、ある入力データｃを入力層４６ａに入力したと
き、その入力データｃがアルファベットの「Ａ」であれ
ば、出力層４６ｃのユニット４６c1から「１」を出力さ
せ、アルファベットの「Ｂ」であれば、出力層４６ｃの
ユニット４６c2から「１」を出力させるように学習させ
る。以下、同様に「Ｃ」から「Ｚ」まで学習させる。学
習データには、アルファベットの「Ａ」から「Ｚ」まで
のパターンの他に、学習パターン生成装置１０によって
得られた学習パターンＰｓも含まれている。
【００３６】このような学習済みのニューラルネットワ
ーク４６を使用すれば、ある未知の入力データｃが与え
られたとき、ユニット４６c1，４６c2，…，４６cnから
の出力値Ｏ1 〜Ｏn により認識対象文字ｄが得られる。
ニューラルネットワーク４６は、学習パターンＰｓも学
習しているため、入力パターン（本実施例における「入
力文字」）にノイズが混入している場合でも、正しいパ
ターン認識が可能である。
ーク４６を使用すれば、ある未知の入力データｃが与え
られたとき、ユニット４６c1，４６c2，…，４６cnから
の出力値Ｏ1 〜Ｏn により認識対象文字ｄが得られる。
ニューラルネットワーク４６は、学習パターンＰｓも学
習しているため、入力パターン（本実施例における「入
力文字」）にノイズが混入している場合でも、正しいパ
ターン認識が可能である。
【００３７】文字出力部４０では、ニューラルネットワ
ーク処理部３８の処理結果に基づいて認識対象文字を出
力する。ユニット４６c1の出力値をＯ1 ，ユニット４６
c2の出力値をＯ2 ，…，ユニット４６c26 の出力値をＯ
26とする。あるユニット４６Cmの出力値が最大Ｏm.MAX
である場合、Ｏm.MAX がしきい値Ｔよりも大きければ、
文字出力部４０はＯm に対応する認識対象文字を出力す
る。すべての出力値Ｏ1 〜Ｏ26がしきい値Ｔよりも小さ
ければ、文字出力部４０は「認識できない」と出力す
る。
ーク処理部３８の処理結果に基づいて認識対象文字を出
力する。ユニット４６c1の出力値をＯ1 ，ユニット４６
c2の出力値をＯ2 ，…，ユニット４６c26 の出力値をＯ
26とする。あるユニット４６Cmの出力値が最大Ｏm.MAX
である場合、Ｏm.MAX がしきい値Ｔよりも大きければ、
文字出力部４０はＯm に対応する認識対象文字を出力す
る。すべての出力値Ｏ1 〜Ｏ26がしきい値Ｔよりも小さ
ければ、文字出力部４０は「認識できない」と出力す
る。
【００３８】図７は、文字認識装置３０の動作を示すフ
ローチャートである。以下、図５，図６及び図７に基づ
き説明する。
ローチャートである。以下、図５，図６及び図７に基づ
き説明する。
【００３９】まず、入力文字ａを含む画像データｂを画
像入力部３２から入力する（ステップ３０１）。続い
て、画像データｂを画像記憶部３４に記憶する（ステッ
プ３０２）。入力データ作成部３６は、画像記憶部３４
に記憶されている画像データｂに二値化，切り出し等の
前処理を施して、入力文字ａに関する入力データｃを作
成する（ステップ３０３）。入力データｃは、画素ごと
の濃度値「０」又は「１」の集合である。ニューラルネ
ットワーク処理部３８は、入力データｃを処理して出力
値Ｏ1 〜Ｏn を得る（ステップ３０４）。文字出力部４
０は、出力値Ｏ1〜Ｏn に基づいて、入力文字ａに対応
する認識対象文字ｄを出力する（ステップ３０５）。
像入力部３２から入力する（ステップ３０１）。続い
て、画像データｂを画像記憶部３４に記憶する（ステッ
プ３０２）。入力データ作成部３６は、画像記憶部３４
に記憶されている画像データｂに二値化，切り出し等の
前処理を施して、入力文字ａに関する入力データｃを作
成する（ステップ３０３）。入力データｃは、画素ごと
の濃度値「０」又は「１」の集合である。ニューラルネ
ットワーク処理部３８は、入力データｃを処理して出力
値Ｏ1 〜Ｏn を得る（ステップ３０４）。文字出力部４
０は、出力値Ｏ1〜Ｏn に基づいて、入力文字ａに対応
する認識対象文字ｄを出力する（ステップ３０５）。
【００４０】ところで、文字認識装置３０は、必ずしも
入力文字ａに正確に対応する認識対象文字ｄを出力でき
るわけではない。すなわち、認識できなかった入力パタ
ーンＰｅａ又は誤って認識した入力パターンＰｅｂが存
在する。この場合、操作者は、入力パターンＰｅａ，Ｐ
ｅｂに、出力すべき認識対象パターンＰｏを示す情報を
付加するだけでよい。すなわち、この情報が付加された
入力パターンＰｅａ，Ｐｅｂは、ニューラルネットワー
ク処理部３８から画像記憶部３４に記憶される。そし
て、多数の入力パターンＰｅａ，Ｐｅｂの中から、学習
パターン生成装置１０によって学習パターンＰｓが前述
したように選択される。続いて、学習パターンＰｓは、
ニューラルネットワーク処理部３８のニューラルネット
ワーク４６で学習される。このように、文字認識装置３
０は、熟練した操作者によらなくても適切な学習パター
ンＰｓを自動的かつ短時間に選択できるので、認識率が
高くかつ操作性がよい。
入力文字ａに正確に対応する認識対象文字ｄを出力でき
るわけではない。すなわち、認識できなかった入力パタ
ーンＰｅａ又は誤って認識した入力パターンＰｅｂが存
在する。この場合、操作者は、入力パターンＰｅａ，Ｐ
ｅｂに、出力すべき認識対象パターンＰｏを示す情報を
付加するだけでよい。すなわち、この情報が付加された
入力パターンＰｅａ，Ｐｅｂは、ニューラルネットワー
ク処理部３８から画像記憶部３４に記憶される。そし
て、多数の入力パターンＰｅａ，Ｐｅｂの中から、学習
パターン生成装置１０によって学習パターンＰｓが前述
したように選択される。続いて、学習パターンＰｓは、
ニューラルネットワーク処理部３８のニューラルネット
ワーク４６で学習される。このように、文字認識装置３
０は、熟練した操作者によらなくても適切な学習パター
ンＰｓを自動的かつ短時間に選択できるので、認識率が
高くかつ操作性がよい。
【００４１】
【発明の効果】本発明に係る学習パターン生成装置によ
れば、全ての認識対象パターンのそれぞれと認識できな
かった又は誤って認識した入力パターンとの類似度に基
づき、その入力パターンを学習パターンとするか否かを
判断することにより、従来操作者が経験的に選択してい
た適切な学習パターンを、自動的かつ短時間に選択でき
る。
れば、全ての認識対象パターンのそれぞれと認識できな
かった又は誤って認識した入力パターンとの類似度に基
づき、その入力パターンを学習パターンとするか否かを
判断することにより、従来操作者が経験的に選択してい
た適切な学習パターンを、自動的かつ短時間に選択でき
る。
【００４２】本発明に係る文字認識装置によれば、本発
明に係る学習パターン生成装置を用いることにより、適
切な学習パターンを自動的かつ短時間で選択することが
できるので、認識率及び操作性を向上できる。
明に係る学習パターン生成装置を用いることにより、適
切な学習パターンを自動的かつ短時間で選択することが
できるので、認識率及び操作性を向上できる。
【図１】本発明に係る学習パターン生成装置の一実施例
を示すブロック図である。
を示すブロック図である。
【図２】本発明に係る学習パターン生成装置の一実施例
の動作を示すフローチャートである。
の動作を示すフローチャートである。
【図３】図１の実施例における類似度計算手段の動作を
示す概念図である。
示す概念図である。
【図４】本発明に係る学習パターン生成装置の一実施例
の動作を示すフローチャートである。
の動作を示すフローチャートである。
【図５】本発明に係る文字認識装置の一実施例を示すブ
ロック図である。
ロック図である。
【図６】図５の実施例におけるニューラルネットワーク
処理部のニューラルネットワークを示す概念図である。
処理部のニューラルネットワークを示す概念図である。
【図７】本発明に係る文字認識装置の一実施例の動作を
示すフローチャートである。
示すフローチャートである。
【図８】従来の学習パターンの例を示す平面図である。
１０ 学習パターン生成装置 １２ 認識対象パターン記憶手段 １４ 類似度計算手段 １６ 学習パターン選択手段 Ｐｒ１〜Ｐｒｎ 認識対象パターン Ｐｅａ 認識できなかった入力パターン Ｐｅｂ 誤って認識した入力パターン Ｒ１〜Ｒｎ 類似度 Ｐｓ 学習パターン ３０ 文字認識装置 ３２ 画像入力部 ３４ 画像記憶部 ３６ 入力データ作成部 ３８ ニューラルネットワーク処理部 ４０ 文字出力部 ａ 入力文字 ｂ 画像データ ｃ 入力データ ｄ 認識対象文字
Claims (2)
- 【請求項１】 全ての認識対象パターンを記憶している
認識対象パターン記憶手段と、前記全ての認識対象パタ
ーンのそれぞれと認識できなかった又は誤って認識した
入力パターンとの類似度を計算する類似度計算手段と、
この類似度計算手段によって計算された前記類似度に基
づき前記入力パターンを学習パターンにするか否かを判
断する学習パターン選択手段とを備えたことを特徴とす
る学習パターン生成装置。 - 【請求項２】 入力文字を含む画像データを入力する画
像入力部と、この画像入力部で入力された画像データを
記憶する画像記憶部と、この画像記憶部に記憶されてい
る画像データから前記入力文字に関する入力データを作
成する入力データ作成部と、この入力データ作成部で作
成された入力データに対してニューラルネットワーク処
理を行うニューラルネットワーク処理部と、このニュー
ラルネットワーク処理部の処理結果に基づいて前記入力
文字に対応する認識対象文字を出力する文字出力部とを
備えた文字認識装置において、 前記ニューラルネットワーク処理部は、請求項１記載の
学習パターン生成装置によって得られた学習パターンに
よって学習したニューラルネットワークを有することを
特徴とする文字認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6085520A JPH07271916A (ja) | 1994-03-31 | 1994-03-31 | 学習パターン生成装置及びこれを用いた文字認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6085520A JPH07271916A (ja) | 1994-03-31 | 1994-03-31 | 学習パターン生成装置及びこれを用いた文字認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07271916A true JPH07271916A (ja) | 1995-10-20 |
Family
ID=13861190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6085520A Withdrawn JPH07271916A (ja) | 1994-03-31 | 1994-03-31 | 学習パターン生成装置及びこれを用いた文字認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07271916A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013509664A (ja) * | 2009-11-02 | 2013-03-14 | ビーデージービー・エンタープライズ・ソフトウェア・エスエーアールエル | 光学式文字認識（ｏｃｒ）の精度を向上させるためのシステムおよび方法 |
| JP2014002497A (ja) * | 2012-06-18 | 2014-01-09 | Shindengen Electric Mfg Co Ltd | 電子機器の捺印シンボル検査装置、及びその方法 |
| US9141691B2 (en) | 2001-08-27 | 2015-09-22 | Alexander GOERKE | Method for automatically indexing documents |
| US9159584B2 (en) | 2000-08-18 | 2015-10-13 | Gannady Lapir | Methods and systems of retrieving documents |
| US9158833B2 (en) | 2009-11-02 | 2015-10-13 | Harry Urbschat | System and method for obtaining document information |
| US9213756B2 (en) | 2009-11-02 | 2015-12-15 | Harry Urbschat | System and method of using dynamic variance networks |
| JPWO2021038708A1 (ja) * | 2019-08-27 | 2021-03-04 |
-
1994
- 1994-03-31 JP JP6085520A patent/JPH07271916A/ja not_active Withdrawn
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9159584B2 (en) | 2000-08-18 | 2015-10-13 | Gannady Lapir | Methods and systems of retrieving documents |
| US9141691B2 (en) | 2001-08-27 | 2015-09-22 | Alexander GOERKE | Method for automatically indexing documents |
| JP2013509664A (ja) * | 2009-11-02 | 2013-03-14 | ビーデージービー・エンタープライズ・ソフトウェア・エスエーアールエル | 光学式文字認識（ｏｃｒ）の精度を向上させるためのシステムおよび方法 |
| US9152883B2 (en) | 2009-11-02 | 2015-10-06 | Harry Urbschat | System and method for increasing the accuracy of optical character recognition (OCR) |
| US9158833B2 (en) | 2009-11-02 | 2015-10-13 | Harry Urbschat | System and method for obtaining document information |
| US9213756B2 (en) | 2009-11-02 | 2015-12-15 | Harry Urbschat | System and method of using dynamic variance networks |
| JP2014002497A (ja) * | 2012-06-18 | 2014-01-09 | Shindengen Electric Mfg Co Ltd | 電子機器の捺印シンボル検査装置、及びその方法 |
| JPWO2021038708A1 (ja) * | 2019-08-27 | 2021-03-04 | ||
| WO2021038708A1 (ja) * | 2019-08-27 | 2021-03-04 | 遼太 日並 | 漫画の機械翻訳装置、漫画の対訳データベース生成装置、漫画の機械翻訳方法およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3088171B2 (ja) | 自己組織型パタ−ン分類システム及び分類方法 | |
| US4672678A (en) | Pattern recognition apparatus | |
| US6499025B1 (en) | System and method for tracking objects by fusing results of multiple sensing modalities | |
| JP2637915B2 (ja) | 文字認識方法及び装置 | |
| KR102654003B1 (ko) | 화상 인식 장치 및 방법 | |
| JP2008537198A (ja) | 人工知能を使用した外来のアプリケーションユーザインタフェースからの情報のインテリジェントインポート | |
| EP0549505A2 (en) | Method of and apparatus for optical character recognition based on geometric and color attribute hypothesis testing | |
| JP2008033424A (ja) | 画像処理装置、画像処理方法、プログラム及び記憶媒体 | |
| JPH0373084A (ja) | 文字認識方法及びその装置 | |
| US7024049B2 (en) | Method and apparatus for improving image appearance | |
| JPH07271916A (ja) | 学習パターン生成装置及びこれを用いた文字認識装置 | |
| US20220351486A1 (en) | Object detection device, object detection method, and program | |
| CN120164087B (zh) | 图像篡改检测大模型训练方法及电子设备 | |
| US7020328B2 (en) | Electronic color dropout utilizing spatial context to enhance accuracy | |
| JP2003303346A (ja) | 目標追跡方法、目標追跡装置、目標追跡プログラム、並びにこのプログラムを記録した記録媒体 | |
| US20240428667A1 (en) | Learning apparatus, estimation apparatus, learning method, and non-transitory storage medium | |
| JP3731672B2 (ja) | パターン抽出装置 | |
| JP2020140346A (ja) | 画像処理装置及びプログラム | |
| JP3090070B2 (ja) | 帳票識別方法及び装置 | |
| CN118196569A (zh) | 一种基于cnn和lstm的跨媒体目标检测方法 | |
| JPH1063773A (ja) | 認識結果編集方法およびパターン認識システムおよび情報記録媒体 | |
| JP4614582B2 (ja) | 部分テンプレート生成装置 | |
| JP2778194B2 (ja) | パターン認識方法および装置 | |
| US20240054769A1 (en) | Model generation apparatus, model generation method, and recording medium | |
| JPH0581474A (ja) | 文字列抽出方法および文字領域検出方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20010605 |