JPH08202828A - パターン識別方法 - Google Patents
パターン識別方法Info
- Publication number
- JPH08202828A JPH08202828A JP7264388A JP26438895A JPH08202828A JP H08202828 A JPH08202828 A JP H08202828A JP 7264388 A JP7264388 A JP 7264388A JP 26438895 A JP26438895 A JP 26438895A JP H08202828 A JPH08202828 A JP H08202828A
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- feature
- features
- increment
- calibration
- 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- Withdrawn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
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
- Electrically Operated Instructional Devices (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 判別プロセス最適化を簡単にすることができ
るパターン識別方法を提供することである。 【解決手段】 トレーニングフェーズでは、既知の対象
物セットに基づき評価の較正を次のように行い、すなわ
ち、評価スケールの各増分ｃ毎に、該当する特徴の相対
的割合係数Ｒを、当該評価増分に当たるすべての評価過
程の中で検出することにより行い、識別動作では、それ
ぞれ推定された評価ｃを、トレーニングフェーズでこれ
について求められた割合係数Ｒ（ｃ）により置換する。
るパターン識別方法を提供することである。 【解決手段】 トレーニングフェーズでは、既知の対象
物セットに基づき評価の較正を次のように行い、すなわ
ち、評価スケールの各増分ｃ毎に、該当する特徴の相対
的割合係数Ｒを、当該評価増分に当たるすべての評価過
程の中で検出することにより行い、識別動作では、それ
ぞれ推定された評価ｃを、トレーニングフェーズでこれ
について求められた割合係数Ｒ（ｃ）により置換する。
Description
【０００１】
【発明の属する技術分野】本発明は、請求項１の上位概
念による、識別すべき対象物毎に１つまたは複数の特徴
について、所定の特徴セットからそれぞれ１つの数値的
に離散した評価を評価スケール内で推定し、判別段にお
いて当該評価に基づき、識別すべき対象物と特徴との対
応関係についての判別を行うパターン識別方法に関す
る。
念による、識別すべき対象物毎に１つまたは複数の特徴
について、所定の特徴セットからそれぞれ１つの数値的
に離散した評価を評価スケール内で推定し、判別段にお
いて当該評価に基づき、識別すべき対象物と特徴との対
応関係についての判別を行うパターン識別方法に関す
る。
【０００２】
【従来の技術】パターン識別方法は、例えばオートメー
ション技術や機械的文書処理、例えば自動郵便分配の文
字読み取りまたは形式評価において重要である。ここで
は特徴の制限されたセット、例えば特別符号も含めた種
々異なる書き方の英数字符号セットから出発して、でき
るだけ高い信頼度で識別すべき対象物に特徴を割り当て
ることが目的である。
ション技術や機械的文書処理、例えば自動郵便分配の文
字読み取りまたは形式評価において重要である。ここで
は特徴の制限されたセット、例えば特別符号も含めた種
々異なる書き方の英数字符号セットから出発して、でき
るだけ高い信頼度で識別すべき対象物に特徴を割り当て
ることが目的である。
【０００３】このために、対象物データの綿密な前処理
の後に数値評価が行われる。前処理は、識別すべき対象
物に対して１つまたは複数の問題となる特徴毎に分類を
推定する推定段階である。また数値評価は、後続の判別
段階で対象物と特徴との対応関係に関する判別を行うた
めの基礎として使用される。
の後に数値評価が行われる。前処理は、識別すべき対象
物に対して１つまたは複数の問題となる特徴毎に分類を
推定する推定段階である。また数値評価は、後続の判別
段階で対象物と特徴との対応関係に関する判別を行うた
めの基礎として使用される。
【０００４】対応関係判別には残留誤差が付き物であ
る。この残留誤差は、却下および該当しない特徴の許容
（代替）により生じる。却下率を低下させ、同時に代替
率を小さくすることは、オートメーション判別プロセス
への背反する要求を意味する。
る。この残留誤差は、却下および該当しない特徴の許容
（代替）により生じる。却下率を低下させ、同時に代替
率を小さくすることは、オートメーション判別プロセス
への背反する要求を意味する。
【０００５】ドイツ連邦共和国特許第４１３３５９０号
明細書から、振幅値を表す信号の分類方法が公知であ
る。この方法では、特徴が信号から抽出され、ここから
発生確率が導出される。導出された発生確率全体から判
別量が算出され、閾値と比較される。
明細書から、振幅値を表す信号の分類方法が公知であ
る。この方法では、特徴が信号から抽出され、ここから
発生確率が導出される。導出された発生確率全体から判
別量が算出され、閾値と比較される。
【０００６】IEEE Trans. on Electr. Com., Vol. EC-1
6, No.3, June 1967,３０８〜３１９頁には、分類のた
めの多次元関数のパラメータを得るための方法が記載さ
れている。この方法では、分類の際の各カテゴリー毎に
確率密度関数を、いわゆるＢａｙｅｓの判別律に従って
分類することが出来るように推定する。
6, No.3, June 1967,３０８〜３１９頁には、分類のた
めの多次元関数のパラメータを得るための方法が記載さ
れている。この方法では、分類の際の各カテゴリー毎に
確率密度関数を、いわゆるＢａｙｅｓの判別律に従って
分類することが出来るように推定する。
【０００７】IEEE Trans. on Autom. Control, Vol. AC
-11, No. 1, Jan. 1966,６〜１９頁には、分類のための
自動制御装置が記載されており、この装置は帰還結合ル
ープを備え、学習能力を有する。ここではとくに、判別
理論の問題と推計学的近似値の問題が取り扱われる。訓
練可能な適応閾値置換の利点が強調される。
-11, No. 1, Jan. 1966,６〜１９頁には、分類のための
自動制御装置が記載されており、この装置は帰還結合ル
ープを備え、学習能力を有する。ここではとくに、判別
理論の問題と推計学的近似値の問題が取り扱われる。訓
練可能な適応閾値置換の利点が強調される。
【０００８】
【発明が解決しようとする課題】本発明の課題は、判別
プロセス最適化を簡単にすることができるパターン識別
方法を提供することである。
プロセス最適化を簡単にすることができるパターン識別
方法を提供することである。
【０００９】競合する特徴について複数の評価がある場
合には、判別の信頼度が改善されるようにする。
合には、判別の信頼度が改善されるようにする。
【００１０】
【課題を解決するための手段】上記課題は本発明によ
り、トレーニングフェーズでは、既知の対象物セットに
基づき評価の較正を次のように行い、すなわち、評価ス
ケールの各増分ｃ毎に、該当する特徴の相対的割合係数
Ｒを、当該評価増分に当たるすべての評価過程の中で検
出することにより行い、識別動作では、それぞれ推定さ
れた評価ｃを、トレーニングフェーズでこれについて求
められた割合係数Ｒ（ｃ）により置換することにより解
決される。
り、トレーニングフェーズでは、既知の対象物セットに
基づき評価の較正を次のように行い、すなわち、評価ス
ケールの各増分ｃ毎に、該当する特徴の相対的割合係数
Ｒを、当該評価増分に当たるすべての評価過程の中で検
出することにより行い、識別動作では、それぞれ推定さ
れた評価ｃを、トレーニングフェーズでこれについて求
められた割合係数Ｒ（ｃ）により置換することにより解
決される。
【００１１】従属請求項には本発明の有利な構成が記載
されている。
されている。
【００１２】
【発明の実施の形態】特徴の、本発明により較正された
評価については、有利には、個々の特徴についての対象
物の発生頻度分布に依存せずに、却下および代替に対し
て重み付け係数を設定することにより、判別段階の調整
を却下と代替の最適比に対して行うことができる。この
ためには例えば、判別段階で特徴に依存せずに調整可能
な判別閾値を設定することができる。
評価については、有利には、個々の特徴についての対象
物の発生頻度分布に依存せずに、却下および代替に対し
て重み付け係数を設定することにより、判別段階の調整
を却下と代替の最適比に対して行うことができる。この
ためには例えば、判別段階で特徴に依存せずに調整可能
な判別閾値を設定することができる。
【００１３】有利には較正を特徴固有に行い、競合する
特徴について同時に推定する場合に対しては特徴の結合
を考慮して行う。
特徴について同時に推定する場合に対しては特徴の結合
を考慮して行う。
【００１４】本発明は、文字読み取り器、例えば郵便オ
ートメーションでの住所読み取り器または銀行取引での
書式読み取り器に使用することができる。
ートメーションでの住所読み取り器または銀行取引での
書式読み取り器に使用することができる。
【００１５】
【実施例】本発明を以下、実施例に基づき図面を参照し
て詳細に説明する。
て詳細に説明する。
【００１６】図１には、識別システムの簡単なモデルが
示されている。このシステムは実質的に分類器と判別器
からなる。信号処理はデジタルで行われる。分類器に
は、識別すべき対象物のデータが、例えば２進ポイント
ラスタの形態で供給される。サイン号処理および場合に
よる前処理の詳細は従来技術において種々の形で公知で
ある。これらの処理は例えば、文字読み出し器の場合は
順次連続する符号の分離である。
示されている。このシステムは実質的に分類器と判別器
からなる。信号処理はデジタルで行われる。分類器に
は、識別すべき対象物のデータが、例えば２進ポイント
ラスタの形態で供給される。サイン号処理および場合に
よる前処理の詳細は従来技術において種々の形で公知で
ある。これらの処理は例えば、文字読み出し器の場合は
順次連続する符号の分離である。
【００１７】分類器は、対象物データをシステムに備え
られた識別セットの種々異なる特徴との一致について検
査し、１つまたは複数の問題となる特徴について数値ｃ
を評価スケール内で推定する。例えば、０＜Ｃ／１ で
０．０５のステップである。識別セットの特徴として、
単純な例ではすべての英数字符号とすることができる。
評価は、例えば仮説「対象物は文字Ａである」の信頼性
の数量化された推定として具体的に解釈することができ
る。この種の評価法は同じように十分に従来の技術から
公知である。
られた識別セットの種々異なる特徴との一致について検
査し、１つまたは複数の問題となる特徴について数値ｃ
を評価スケール内で推定する。例えば、０＜Ｃ／１ で
０．０５のステップである。識別セットの特徴として、
単純な例ではすべての英数字符号とすることができる。
評価は、例えば仮説「対象物は文字Ａである」の信頼性
の数量化された推定として具体的に解釈することができ
る。この種の評価法は同じように十分に従来の技術から
公知である。
【００１８】トレーニングフェーズでは、分類器に多数
の既知の対象物の対象物データが供給される。分類器に
このようなトレーニングフェーズで送出された評価は次
のように検出され、既知のトレーニング対象物に対して
該当する特徴との比較によって評価される。すなわち、
前記の検出は、評価スケールの各増分毎に（または少な
くとも評価スケールの関連する部分の増分毎）、この増
分によって評価されたすべての事象を検出し、これに該
当する特徴の関連する割合Ｒ（ｃ）を求めるようにする
のである。
の既知の対象物の対象物データが供給される。分類器に
このようなトレーニングフェーズで送出された評価は次
のように検出され、既知のトレーニング対象物に対して
該当する特徴との比較によって評価される。すなわち、
前記の検出は、評価スケールの各増分毎に（または少な
くとも評価スケールの関連する部分の増分毎）、この増
分によって評価されたすべての事象を検出し、これに該
当する特徴の関連する割合Ｒ（ｃ）を求めるようにする
のである。
【００１９】トレーニングフェーズでのトレーニング対
象物の数は、特徴セットの種々異なる特徴が通例、評価
スケールのすべての増分で何回も発生するほど多数に選
択する。
象物の数は、特徴セットの種々異なる特徴が通例、評価
スケールのすべての増分で何回も発生するほど多数に選
択する。
【００２０】評価スケールの各増分毎に別個に、この評
価増分に当てはまる評価過程の数が求められる。同じよ
うに各評価増分毎に別個に、そこで計数された評価過程
の総数から正しい特徴の割合Ｒ（ｃ）が検出される。こ
こでの評価過程は、評価された特徴が識別すべき対象物
の既知の実際の特徴と一致する過程をいう。
価増分に当てはまる評価過程の数が求められる。同じよ
うに各評価増分毎に別個に、そこで計数された評価過程
の総数から正しい特徴の割合Ｒ（ｃ）が検出される。こ
こでの評価過程は、評価された特徴が識別すべき対象物
の既知の実際の特徴と一致する過程をいう。
【００２１】理想例ではこの割合は該当する評価増分の
値ｃと同じである。実際例では、評価増分ｃに対して検
出された、正しい特徴の割合Ｒ（ｃ）は、評価増分の値
とは多少異なる。このことは、分類器が楽観的推定（Ｒ
（ｃ）＜ｃ）または悲観的推定（Ｒ（ｃ）＞ｃ）で評価
することを意味する。このようにして、トレーニングフ
ェーズでは評価スケールの各評価増分毎に、正しい特徴
の割合Ｒ（ｃ）がそれぞれの増分内で検出される。
値ｃと同じである。実際例では、評価増分ｃに対して検
出された、正しい特徴の割合Ｒ（ｃ）は、評価増分の値
とは多少異なる。このことは、分類器が楽観的推定（Ｒ
（ｃ）＜ｃ）または悲観的推定（Ｒ（ｃ）＞ｃ）で評価
することを意味する。このようにして、トレーニングフ
ェーズでは評価スケールの各評価増分毎に、正しい特徴
の割合Ｒ（ｃ）がそれぞれの増分内で検出される。
【００２２】割合Ｒ（ｃ）の各評価増分ｃへの対応関係
が得られ、この対応関係は評価ｃにより推定された信頼
性と、検出された実際の信頼性との較正としてみなすこ
とができる。
が得られ、この対応関係は評価ｃにより推定された信頼
性と、検出された実際の信頼性との較正としてみなすこ
とができる。
【００２３】トレーニングフェーズで検出されたＲ
（ｃ）とｃとの対応関係は較正規則として記憶される。
次の識別動作では、未知の識別すべき対象物に対して分
類器により推定された評価ｃが、較正段階で記憶された
対応関係規則の程度に応じて、トレーニングフェーズで
求められた割合Ｒ（ｃ）により較正された評価として置
換される。後続の判別段階での特徴対応関係はこの較正
された評価を基礎とする。
（ｃ）とｃとの対応関係は較正規則として記憶される。
次の識別動作では、未知の識別すべき対象物に対して分
類器により推定された評価ｃが、較正段階で記憶された
対応関係規則の程度に応じて、トレーニングフェーズで
求められた割合Ｒ（ｃ）により較正された評価として置
換される。後続の判別段階での特徴対応関係はこの較正
された評価を基礎とする。
【００２４】評価スケールの一部だけに興味があるなら
ば、例えば評価スケールの上側領域におけるて評価され
た特徴の濃縮により、先行する処理ステップでの予選択
に基づいて、この過程を興味のあるスケール区間だけに
制限することができる。
ば、例えば評価スケールの上側領域におけるて評価され
た特徴の濃縮により、先行する処理ステップでの予選択
に基づいて、この過程を興味のあるスケール区間だけに
制限することができる。
【００２５】判別段の判別閾値を調整するために、却下
に対しても代替に対しても、それぞれ１つのコスト重み
付け係数がセットされる。これらはそれぞれの使用例に
依存する。
に対しても代替に対しても、それぞれ１つのコスト重み
付け係数がセットされる。これらはそれぞれの使用例に
依存する。
【００２６】この種の較正された評価は、代替および却
下の、設定されたコスト重み付けの際に、それ以上の知
識なしで、特に個々の評価の発生頻度の知識なしで、コ
スト的に最適の、判別閾値の調整を可能にする。
下の、設定されたコスト重み付けの際に、それ以上の知
識なしで、特に個々の評価の発生頻度の知識なしで、コ
スト的に最適の、判別閾値の調整を可能にする。
【００２７】本発明の評価の較正は、特徴固有の較正に
よる実施例では、識別システムのエラー率低減のために
特に有利である。識別すべき対象物に対する識別システ
ムは競合する特徴の同時の評価の可能性を前提とする。
ここでは、特徴固有の対応関係規則は種々異なる特徴に
対して種々異なる評価スケール上の種々異なる経過を有
し、特徴固有の較正が競合する特徴のランク順序の交換
やエラー率の低下に作用し得る。有利には、特徴固有の
較正の際に競合する特徴の組合せに考慮する。その際
に、統計的に頻繁な組合せへの考慮が許容される。これ
についての例を以下詳細に説明する。
よる実施例では、識別システムのエラー率低減のために
特に有利である。識別すべき対象物に対する識別システ
ムは競合する特徴の同時の評価の可能性を前提とする。
ここでは、特徴固有の対応関係規則は種々異なる特徴に
対して種々異なる評価スケール上の種々異なる経過を有
し、特徴固有の較正が競合する特徴のランク順序の交換
やエラー率の低下に作用し得る。有利には、特徴固有の
較正の際に競合する特徴の組合せに考慮する。その際
に、統計的に頻繁な組合せへの考慮が許容される。これ
についての例を以下詳細に説明する。
【００２８】２つの競合する特徴ＡとＢに対してトレー
ニングフェーズでそれぞれ特徴固有の較正が実行され
る。この較正はすでに説明したように、評価スケールの
各評価増分毎に、特徴ＡないしＢについてのすべての評
価過程並びにこれに対して検出可能な正しい特徴の割合
を求め、２つの対応関係規則ＲＡ（ｃ）ないしＲＢ
（ｃ）として記憶することにより行われる。記憶された
対応関係規則は図２に、２つの関数曲線としてＲ−ｃ線
図にプロットされている。曲線は通例、種々異なる特徴
に対して異なる経過を有する。点線で基準ラインＲ
（ｃ）＝ｃがプロットされている。図示の例では、分類
推定はＡに対してもＢに対しても悲観的である。識別す
べき具体的対象物に対して、識別動作では分類器から特
徴Ａに対して評価ｃｏＡが、特徴Ｂに対しては比較的に
低い評価ｃｏＢが出力されるとする。記憶されている構
成指示から、ｃｏＡにより評価された特徴Ａはトレーニ
ングフェーズで正しい割合ＲＡ（ｃｏＡ）を有し、ｃｏ
Ｂにより評価された特徴は正しい割合ＲＢ（ｃｏＢ）を
有することが既知である。本発明では、分りぃきにより
推定された評価ｃｏＡとｃｏＢが、記憶された較正規則
から取り出された、ＲＡ（ｃｏＡ）ないしＲＢ（ｃｏ
Ｂ）に対する値により新たな較正評価ｃ’ｏＡないし
ｃ’ｏＢとして置換される。図示の例では、ｃｏＡ＞ｃ
ｏＢから出発して較正により評価ランク順序がｃ’ｏＡ
＜ｃ’ｏＢにより逆転する。
ニングフェーズでそれぞれ特徴固有の較正が実行され
る。この較正はすでに説明したように、評価スケールの
各評価増分毎に、特徴ＡないしＢについてのすべての評
価過程並びにこれに対して検出可能な正しい特徴の割合
を求め、２つの対応関係規則ＲＡ（ｃ）ないしＲＢ
（ｃ）として記憶することにより行われる。記憶された
対応関係規則は図２に、２つの関数曲線としてＲ−ｃ線
図にプロットされている。曲線は通例、種々異なる特徴
に対して異なる経過を有する。点線で基準ラインＲ
（ｃ）＝ｃがプロットされている。図示の例では、分類
推定はＡに対してもＢに対しても悲観的である。識別す
べき具体的対象物に対して、識別動作では分類器から特
徴Ａに対して評価ｃｏＡが、特徴Ｂに対しては比較的に
低い評価ｃｏＢが出力されるとする。記憶されている構
成指示から、ｃｏＡにより評価された特徴Ａはトレーニ
ングフェーズで正しい割合ＲＡ（ｃｏＡ）を有し、ｃｏ
Ｂにより評価された特徴は正しい割合ＲＢ（ｃｏＢ）を
有することが既知である。本発明では、分りぃきにより
推定された評価ｃｏＡとｃｏＢが、記憶された較正規則
から取り出された、ＲＡ（ｃｏＡ）ないしＲＢ（ｃｏ
Ｂ）に対する値により新たな較正評価ｃ’ｏＡないし
ｃ’ｏＢとして置換される。図示の例では、ｃｏＡ＞ｃ
ｏＢから出発して較正により評価ランク順序がｃ’ｏＡ
＜ｃ’ｏＢにより逆転する。
【００２９】図２に示され較正曲線に対して、競合する
特徴の組合せを考慮することができる。これは、較正規
則の調整のためにトレーニングフェーズで次の場合だけ
を考慮することにより行われる。すなわち、特徴ＡとＢ
が同時に評価される場合だけを考慮することにより行わ
れる。この組合せ評価は特に頻繁に発生する特徴組合せ
に制限することができる。
特徴の組合せを考慮することができる。これは、較正規
則の調整のためにトレーニングフェーズで次の場合だけ
を考慮することにより行われる。すなわち、特徴ＡとＢ
が同時に評価される場合だけを考慮することにより行わ
れる。この組合せ評価は特に頻繁に発生する特徴組合せ
に制限することができる。
【００３０】同じ対象物に対して競合する特徴を同時に
評価する場合に対しては、有利には較正後にもっとも高
く評価された特徴を判別段で閾値比較に利用する。
評価する場合に対しては、有利には較正後にもっとも高
く評価された特徴を判別段で閾値比較に利用する。
【図１】識別システムの簡単なモデルを示す概略図であ
る。
る。
【図２】較正曲線を示す線図である。
Claims (5)
- 【請求項１】 識別すべき対象物毎に１つまたは複数の
特徴について、所定の特徴セットからそれぞれ１つの数
値的に離散した評価を評価スケール内で推定し、 判別段において当該評価に基づき、識別すべき対象物と
特徴との対応関係についての判別を行うパターン識別方
法において、 トレーニングフェーズでは、既知の対象物セットに基づ
き評価の較正を次のように行い、すなわち、 評価スケールの各増分ｃ毎に、該当する特徴の相対的割
合係数Ｒを、当該評価増分に当たるすべての評価過程の
中で検出することにより行い、 識別動作では、それぞれ推定された評価ｃを、トレーニ
ングフェーズでこれについて求められた割合係数Ｒ
（ｃ）により置換することを特徴とするパターン識別方
法。 - 【請求項２】 較正を、特徴に固有に行う請求項１記載
の方法。 - 【請求項３】 較正の際に、競合する特徴の組合せを考
慮する請求項２記載の方法。 - 【請求項４】 判別段では、対応関係に関する判別を、
特徴に依存しない調整可能な閾値に基づいて行う請求項
１から３までのいずれか１項記載の方法。 - 【請求項５】 文字読み出し器に使用する請求項１から
４までのいずれか１項記載の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE4436408A DE4436408C1 (de) | 1994-10-12 | 1994-10-12 | Mustererkennungsverfahren |
| DE4436408.3 | 1994-10-12 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08202828A true JPH08202828A (ja) | 1996-08-09 |
Family
ID=6530552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7264388A Withdrawn JPH08202828A (ja) | 1994-10-12 | 1995-10-12 | パターン識別方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5949902A (ja) |
| EP (1) | EP0707279B1 (ja) |
| JP (1) | JPH08202828A (ja) |
| DE (2) | DE4436408C1 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19612465C2 (de) * | 1996-03-28 | 1998-12-24 | Fraunhofer Ges Forschung | Automatisches Optimieren von Objekt-Erkennungssystemen |
| JP3209163B2 (ja) | 1997-09-19 | 2001-09-17 | 日本電気株式会社 | 分類装置 |
| DE19820353C2 (de) * | 1998-05-07 | 2001-06-13 | Ibm | Verfahren und Vorrichtung zur Erkennung eines Musters auf einer Vorlage |
| DE19933984C2 (de) * | 1999-07-20 | 2001-05-31 | Siemens Ag | Verfahren zur Bildung und/oder Aktualisierung von Wörterbüchern zum automatischen Adreßlesen |
| US7031530B2 (en) * | 2001-11-27 | 2006-04-18 | Lockheed Martin Corporation | Compound classifier for pattern recognition applications |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NL165863C (nl) * | 1975-06-02 | 1981-05-15 | Nederlanden Staat | Inrichting voor het herkennen van tekens. |
| US4773024A (en) * | 1986-06-03 | 1988-09-20 | Synaptics, Inc. | Brain emulation circuit with reduced confusion |
| JP2654682B2 (ja) * | 1989-02-17 | 1997-09-17 | 富士写真フイルム株式会社 | 生化学分析装置、生化学分析補正方法及び補正値記録体 |
| US5075896A (en) * | 1989-10-25 | 1991-12-24 | Xerox Corporation | Character and phoneme recognition based on probability clustering |
| JPH0438587A (ja) * | 1990-06-04 | 1992-02-07 | Nec Corp | 入力領域適応型ニューラルネットワーク文字認識装置 |
| US5245443A (en) * | 1990-10-02 | 1993-09-14 | Southwest Software, Inc. | Method and apparatus for calibrating image output from an image generating device |
| US5257323A (en) * | 1991-05-29 | 1993-10-26 | Canon Kabushiki Kaisha | Selection agent for a symbol determination system with multiple character recognition processors |
| DE4133590A1 (de) * | 1991-07-03 | 1993-01-14 | Bosch Gmbh Robert | Verfahren zur klassifikation von signalen |
| US5337371A (en) * | 1991-08-09 | 1994-08-09 | Matsushita Electric Industrial Co., Ltd. | Pattern classification system |
| US5159644A (en) * | 1991-08-30 | 1992-10-27 | Eastman Kodak Company | Character recognition method using statistically weighted correlation |
| US5335293A (en) * | 1992-06-16 | 1994-08-02 | Key Technology, Inc. | Product inspection method and apparatus |
| WO1996009602A1 (en) * | 1994-09-20 | 1996-03-28 | Neopath, Inc. | Biological analysis system self-calibration apparatus |
-
1994
- 1994-10-12 DE DE4436408A patent/DE4436408C1/de not_active Expired - Fee Related
-
1995
- 1995-10-09 EP EP95115846A patent/EP0707279B1/de not_active Expired - Lifetime
- 1995-10-09 DE DE59509055T patent/DE59509055D1/de not_active Expired - Fee Related
- 1995-10-12 US US08/542,348 patent/US5949902A/en not_active Expired - Fee Related
- 1995-10-12 JP JP7264388A patent/JPH08202828A/ja not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| EP0707279A3 (de) | 1997-06-18 |
| EP0707279A2 (de) | 1996-04-17 |
| EP0707279B1 (de) | 2001-02-28 |
| DE59509055D1 (de) | 2001-04-05 |
| US5949902A (en) | 1999-09-07 |
| DE4436408C1 (de) | 1995-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20070280511A1 (en) | Method for applying a signature simplicity analysis for improving the accuracy of signature validation | |
| JPH07120383B2 (ja) | 文書読取りシステム | |
| CN110991474A (zh) | 一种机器学习建模平台 | |
| JPH0561964A (ja) | 指紋照合装置 | |
| JP5111794B2 (ja) | 紙葉類識別装置、紙葉類識別方法、及び辞書作成方法 | |
| JPH10232866A5 (ja) | ||
| JP2000512046A (ja) | 統計に基づくパターン識別のための方法及び装置 | |
| CN118570825B (zh) | 基于图像识别的报销单据自动化识别校验系统 | |
| US6047079A (en) | Method of and an apparatus for pre-selecting fingerprint cards | |
| JPH08202828A (ja) | パターン識別方法 | |
| CN109388999B (zh) | 一种条形码识别方法及装置 | |
| CN113610331A (zh) | 基于信息瀑布的成本核算方法、装置及存储介质 | |
| Wirtz | Average prototypes for stroke-based signature verification | |
| JPH09507721A (ja) | 文字認識機構 | |
| GB2033124A (en) | Storing standard data for character recognition | |
| JP2003208594A (ja) | 類識別装置及び類識別方法 | |
| Cordella et al. | Document validation by signature: A serial multi-expert approach | |
| EP0955600B1 (en) | Process and equipment for recognition of a pattern on an item presented | |
| CN115720148A (zh) | 一种工业物联网信息可视化方法、服务器和存储介质 | |
| JPH08115387A (ja) | パターン認識装置 | |
| JP3243000B2 (ja) | 郵便物処理装置および郵便物処理方法 | |
| KR20060105756A (ko) | 스마트 폴링을 위한 시스템 및 방법 | |
| JP4733859B2 (ja) | 所在情報認識装置および区分装置 | |
| JP5290401B2 (ja) | 被写体識別方法、被写体識別プログラムおよび被写体識別装置 | |
| CN121861426A (zh) | 一种目标检测多模型融合方法、装置、设备及存储介质 |
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: 20030107 |