JPH08329196A - 文字認識装置およびその学習方法 - Google Patents
文字認識装置およびその学習方法Info
- Publication number
- JPH08329196A JPH08329196A JP7133497A JP13349795A JPH08329196A JP H08329196 A JPH08329196 A JP H08329196A JP 7133497 A JP7133497 A JP 7133497A JP 13349795 A JP13349795 A JP 13349795A JP H08329196 A JPH08329196 A JP H08329196A
- Authority
- JP
- Japan
- Prior art keywords
- input data
- teacher
- data
- learning method
- recognition
- 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
Landscapes
- Character Discrimination (AREA)
Abstract
(57)【要約】
【構成】 ニューラルネットワークは前段部と後段部と
を含み、前段部では入力データをグループに分類する。
後段部では前段部で分類されたグループに従って入力デ
ータを認識する。ニューラルネットワークの学習時、ス
テップＳ２４〜Ｓ３１までを実行して、教師用サンプル
をそれ以前に決定された複数のグループに重複して登録
する。 【効果】 入力文字が正しく分類でき、精度よく文字を
認識できる。
を含み、前段部では入力データをグループに分類する。
後段部では前段部で分類されたグループに従って入力デ
ータを認識する。ニューラルネットワークの学習時、ス
テップＳ２４〜Ｓ３１までを実行して、教師用サンプル
をそれ以前に決定された複数のグループに重複して登録
する。 【効果】 入力文字が正しく分類でき、精度よく文字を
認識できる。
Description
【０００１】
【産業上の利用分野】この発明は文字認識装置およびそ
の学習方法に関し、特にたとえば入力データを複数のグ
ループの特定のものに分類する前段部と、その複数のグ
ループにそれぞれ対応する複数の認識部からなる後段部
とを含むニューラルネットワークを用いた文字認識装置
およびその学習方法に関する。
の学習方法に関し、特にたとえば入力データを複数のグ
ループの特定のものに分類する前段部と、その複数のグ
ループにそれぞれ対応する複数の認識部からなる後段部
とを含むニューラルネットワークを用いた文字認識装置
およびその学習方法に関する。
【０００２】
【従来の技術】この種の文字認識装置の一例が、「Ｃｏ
ｍｂＮｅｔ−II」として知られている。「ＣｏｍｂＮｅ
ｔ−II」は、たとえば、平成４年５月２８日付で出願公
開された特開平４−１５５４８０号〔Ｇ０６Ｆ １５／
７０，１５／１８〕に開示されている。
ｍｂＮｅｔ−II」として知られている。「ＣｏｍｂＮｅ
ｔ−II」は、たとえば、平成４年５月２８日付で出願公
開された特開平４−１５５４８０号〔Ｇ０６Ｆ １５／
７０，１５／１８〕に開示されている。
【０００３】特開平４−１５５４８０号に開示されてい
る従来技術には、ステムネット(Stem Net)と呼ばれる前
段部と、ブランチネット(Branch Net)と呼ばれる後段部
とが存在する。そして、ステムネットにおいて、１つの
ニューロンと最適整合するグループの数が所定値を超え
たときにグループ群を２分割してニューロンを生成する
自己増殖機能を備えることが開示されている。
る従来技術には、ステムネット(Stem Net)と呼ばれる前
段部と、ブランチネット(Branch Net)と呼ばれる後段部
とが存在する。そして、ステムネットにおいて、１つの
ニューロンと最適整合するグループの数が所定値を超え
たときにグループ群を２分割してニューロンを生成する
自己増殖機能を備えることが開示されている。
【０００４】この従来技術では、図１に示すように、ス
テムネットにおける各グループすなわち特徴空間の境界
が決められる。図１でいえば、たとえばその中央部分の
１つの参照ベクトル（基準データ）は、文字「１」，
「５」，「６」，「７」および「９」のパターンデータ
をその参照ベクトルと類似する１つのグループに分類す
ることを示している。このようにして前段部におけるグ
ループが決定され、次いで、ブランチネットすなわち後
段部の認識部が学習される。すなわち、認識部では、た
とえば図２に示すように、複数のグループに分散した同
一文字のパターンデータを１つの参照データに関連付け
るように学習する。図２でいえば、３つの参照ベクトル
と類似するとされていたたとえば「０」の文字は、
「０」を表す参照ベクトル（図２では左端の白丸）に関
連付けられる。したがって、認識時に文字「０」が
「０」として正しく認識できるのである。
テムネットにおける各グループすなわち特徴空間の境界
が決められる。図１でいえば、たとえばその中央部分の
１つの参照ベクトル（基準データ）は、文字「１」，
「５」，「６」，「７」および「９」のパターンデータ
をその参照ベクトルと類似する１つのグループに分類す
ることを示している。このようにして前段部におけるグ
ループが決定され、次いで、ブランチネットすなわち後
段部の認識部が学習される。すなわち、認識部では、た
とえば図２に示すように、複数のグループに分散した同
一文字のパターンデータを１つの参照データに関連付け
るように学習する。図２でいえば、３つの参照ベクトル
と類似するとされていたたとえば「０」の文字は、
「０」を表す参照ベクトル（図２では左端の白丸）に関
連付けられる。したがって、認識時に文字「０」が
「０」として正しく認識できるのである。
【０００５】
【発明が解決しようとする課題】ところが、従来技術の
文字認識装置では、後段部の学習において決定された識
別境界（図２の曲線）が不連続になる場合があり、この
ような場合には、入力パターンが誤ったグループに分類
されるために誤認識され、したがって、十分な認識精度
が得られない、という問題がある。
文字認識装置では、後段部の学習において決定された識
別境界（図２の曲線）が不連続になる場合があり、この
ような場合には、入力パターンが誤ったグループに分類
されるために誤認識され、したがって、十分な認識精度
が得られない、という問題がある。
【０００６】それゆえに、この発明の主たる目的は、認
識精度をよくすることができる、ニューラルネットワー
クを用いた文字認識装置およびその学習方法を提供する
ことである。
識精度をよくすることができる、ニューラルネットワー
クを用いた文字認識装置およびその学習方法を提供する
ことである。
【０００７】
【課題を解決するための手段】第１の発明は、入力デー
タを所定の複数の基準データと比較して入力データを分
類する前段部と複数の基準データに対応して設けられた
複数の認識部からなる後段部とからなるニューラルネッ
トワークを用いた文字認識装置の後段部のバックプロパ
ゲーション法に従った学習方法において、教師用入力デ
ータと基準データとの類似度に応じて、後段部の複数の
認識部に教師用データを学習させるようにしたことを特
徴とする、学習方法である。
タを所定の複数の基準データと比較して入力データを分
類する前段部と複数の基準データに対応して設けられた
複数の認識部からなる後段部とからなるニューラルネッ
トワークを用いた文字認識装置の後段部のバックプロパ
ゲーション法に従った学習方法において、教師用入力デ
ータと基準データとの類似度に応じて、後段部の複数の
認識部に教師用データを学習させるようにしたことを特
徴とする、学習方法である。
【０００８】第２の発明は、入力データを所定の複数の
基準データと比較して入力データを分類する前段部と複
数の基準データに対応して設けられた複数の認識部から
なる後段部とを含むニューラルネットワークを用いた文
字認識装置の学習方法であって、(a) 教師用入力データ
に基づいて自己増殖によって複数のグループに分類して
前段部における複数の基準データを作成し、(b) 複数の
基準データのそれぞれに対応する後段部の複数の認識部
を作成し、(c) 教師用入力データが複数の基準データに
類似するとき教師用入力データが複数のグループに重複
して分類されるように教師用入力データを再分類し、そ
して(d) バックプロパゲーション法によって教師用入力
データを複数の認識部に学習させる、学習方法である。
基準データと比較して入力データを分類する前段部と複
数の基準データに対応して設けられた複数の認識部から
なる後段部とを含むニューラルネットワークを用いた文
字認識装置の学習方法であって、(a) 教師用入力データ
に基づいて自己増殖によって複数のグループに分類して
前段部における複数の基準データを作成し、(b) 複数の
基準データのそれぞれに対応する後段部の複数の認識部
を作成し、(c) 教師用入力データが複数の基準データに
類似するとき教師用入力データが複数のグループに重複
して分類されるように教師用入力データを再分類し、そ
して(d) バックプロパゲーション法によって教師用入力
データを複数の認識部に学習させる、学習方法である。
【０００９】
【作用】この発明では、ニューラルネットワークの学習
時にたとえば教師用入力データを再分類する等して一定
以上の類似度を有する２以上のグループ（認識部）に重
複して登録するようにした。したがって、各グループの
境界すなわち特徴空間の境界の不連続性が改善される。
時にたとえば教師用入力データを再分類する等して一定
以上の類似度を有する２以上のグループ（認識部）に重
複して登録するようにした。したがって、各グループの
境界すなわち特徴空間の境界の不連続性が改善される。
【００１０】
【発明の効果】この発明によれば、特徴空間の境界の不
連続性が改善されるので、認識時において、入力文字が
正しいグループに分類でき、認識精度が向上する。この
発明の上述の目的，その他の目的，特徴および利点は、
図面を参照して行う以下の実施例の詳細な説明から一層
明らかとなろう。
連続性が改善されるので、認識時において、入力文字が
正しいグループに分類でき、認識精度が向上する。この
発明の上述の目的，その他の目的，特徴および利点は、
図面を参照して行う以下の実施例の詳細な説明から一層
明らかとなろう。
【００１１】
【実施例】図３の機能ブロック図に示されるこの発明の
一実施例の文字認識装置１０は、ニューラルネットワー
ク１２を含み、このニューラルネットワーク１２はステ
ムネットと呼ばれる前段部１４と、ブランチネットと呼
ばれる後段部１６とを含む。前段部１４は多数のカテゴ
リを有する入力パターンを特定のグループに分類するた
めのものであり、入力パターンを予め設定された複数の
基準データ（参照ベクトル）と比較することによって分
類する。また、後段部１６は認識部またはブランチネッ
トと呼ばれるもので、前段部１４のグループの各々に対
応して設けられ、それぞれ、入力層１６ａ，中間層１６
ｂおよび出力層１６ｃを含む。入力層１６ａと中間層１
６ｂとは結合係数Nih で結合されていて、中間層１６ｂ
と出力層１６ｃとは結合係数who で結合されている。後
段部１６の入力層１６ａには、前段部１４で分類され
た、たとえば８つの４×４ドットの特徴パターンデータ
が入力される。
一実施例の文字認識装置１０は、ニューラルネットワー
ク１２を含み、このニューラルネットワーク１２はステ
ムネットと呼ばれる前段部１４と、ブランチネットと呼
ばれる後段部１６とを含む。前段部１４は多数のカテゴ
リを有する入力パターンを特定のグループに分類するた
めのものであり、入力パターンを予め設定された複数の
基準データ（参照ベクトル）と比較することによって分
類する。また、後段部１６は認識部またはブランチネッ
トと呼ばれるもので、前段部１４のグループの各々に対
応して設けられ、それぞれ、入力層１６ａ，中間層１６
ｂおよび出力層１６ｃを含む。入力層１６ａと中間層１
６ｂとは結合係数Nih で結合されていて、中間層１６ｂ
と出力層１６ｃとは結合係数who で結合されている。後
段部１６の入力層１６ａには、前段部１４で分類され
た、たとえば８つの４×４ドットの特徴パターンデータ
が入力される。
【００１２】特徴パターンデータは図４に従って求めら
れる。すなわち、ステップＳ１では、たとえば図５で示
すように、８×８ドットの正規化パターンデータの周囲
に１ドットの「０」を加え、１０×１０ドットのパター
ンデータに変換する。次いで、ステップＳ２において、
８方向の直線成分フィルタを用いてフィルタ処理を実行
する。すなわち、このステップＳ２では、数１に従っ
て、８つの８×８ドットのパターンデータ（中間データ
Ｈｋ(x,y) ）を計算する。
れる。すなわち、ステップＳ１では、たとえば図５で示
すように、８×８ドットの正規化パターンデータの周囲
に１ドットの「０」を加え、１０×１０ドットのパター
ンデータに変換する。次いで、ステップＳ２において、
８方向の直線成分フィルタを用いてフィルタ処理を実行
する。すなわち、このステップＳ２では、数１に従っ
て、８つの８×８ドットのパターンデータ（中間データ
Ｈｋ(x,y) ）を計算する。
【００１３】
【数１】
【００１４】数１において、中間データＨｋ(x,y) の添
字ｘ，ｙは図５における各ドット（座標）位置を示し、
Ｉ(x+i-1,y+i-1) は入力データであり、ｆｋ(i,j) は直
線成分フィルタを示す。直線成分フィルタｆ１は、水平
方向成分を抽出するためのフィルタであり、直線成分フ
ィルタｆ２，ｆ３，ｆ４，ｆ５，ｆ６，ｆ７およびｆ８
は、それぞれ、垂直成分，右４５°成分，右３０°成
分，左３０°成分，右６０°成分および左６０°成分を
抽出するフィルタである。
字ｘ，ｙは図５における各ドット（座標）位置を示し、
Ｉ(x+i-1,y+i-1) は入力データであり、ｆｋ(i,j) は直
線成分フィルタを示す。直線成分フィルタｆ１は、水平
方向成分を抽出するためのフィルタであり、直線成分フ
ィルタｆ２，ｆ３，ｆ４，ｆ５，ｆ６，ｆ７およびｆ８
は、それぞれ、垂直成分，右４５°成分，右３０°成
分，左３０°成分，右６０°成分および左６０°成分を
抽出するフィルタである。
【００１５】ただし、図５において最も外側の各ドット
の入力データは「０」として計算する。つまり、
の入力データは「０」として計算する。つまり、
【００１６】
【数２】Ｉ(x,-1)＝０ Ｉ(x,8) ＝０ Ｉ(-1,y)＝０ Ｉ(8,y) ＝０ ｘ＝０，１，２，３，４，５，６，７ ｙ＝０，１，２，３，４，５，６，７ である。
【００１７】数１に従って計算した中間データＨｋ
(x,y) は max｛Ｈｋ(x,y) ｝で割ることによって「０〜
１」の値に正規化する。次に、ステップＳ３で、ステッ
プＳ２において求めた８つの中間データ（８×８ドッ
ト）の周囲に１ドットの「０」を加え、８つの１０×１
０ドットの中間データに変換する。
(x,y) は max｛Ｈｋ(x,y) ｝で割ることによって「０〜
１」の値に正規化する。次に、ステップＳ３で、ステッ
プＳ２において求めた８つの中間データ（８×８ドッ
ト）の周囲に１ドットの「０」を加え、８つの１０×１
０ドットの中間データに変換する。
【００１８】そして、ステップＳ４において、ぼかし圧
縮フィルタを用いたフィルタ処理を実行し、特徴パター
ンデータを計算する。すなわち、数３に従った出力デー
タＯｋ(p,q) を得る。
縮フィルタを用いたフィルタ処理を実行し、特徴パター
ンデータを計算する。すなわち、数３に従った出力デー
タＯｋ(p,q) を得る。
【００１９】
【数３】
【００２０】ただし、中間データの最も外側の各ドット
は「０」として計算する。つまり、
は「０」として計算する。つまり、
【００２１】
【数４】Ｈｋ(x,-1)＝０ Ｈｋ(x,8) ＝０ Ｈｋ(-1,y)＝０ Ｈｋ(8,y) ＝０ ｘ＝０，１，２，３，４，５，６，７ ｙ＝０，１，２，３，４，５，６，７ である。
【００２２】なお、ｇｋ(i,j) はぼかし圧縮フィルタを
示す。ぼかし圧縮フィルタｇ１は、水平方向成分を抽出
するためのフィルタであり、ぼかし圧縮フィルタｇ２，
ｇ３，ｇ４，ｇ５，ｇ６，ｇ７およびｇ８は、それぞ
れ、垂直成分，右４５°成分，右３０°成分，左３０°
成分，右６０°成分および左６０°成分を抽出するフィ
ルタである。
示す。ぼかし圧縮フィルタｇ１は、水平方向成分を抽出
するためのフィルタであり、ぼかし圧縮フィルタｇ２，
ｇ３，ｇ４，ｇ５，ｇ６，ｇ７およびｇ８は、それぞ
れ、垂直成分，右４５°成分，右３０°成分，左３０°
成分，右６０°成分および左６０°成分を抽出するフィ
ルタである。
【００２３】そして、数３に従って計算した出力データ
Ｏｋ(p,q) は max｛Ｏｋ(p,q) ｝で割ることによって
「０〜１」の値に正規化する。このようにして、それぞ
れが４×４ドットである８方向の直線成分すなわち特徴
パターンデータが計算され、それが前段部１４へ入力さ
れる。図３に示す文字認識装置１０において、ブランチ
ネットすなわち後段部１６の学習時には、このようにし
て入力される１２８（＝８×４×４）次元のデータに従
って、結合係数Vih およびWho が決定される。すなわ
ち、教師用サンプルデータの特徴データが、前段部１４
に入力される。したがって、ニューラルネットワーク１
２では、適宜の結合係数Vih およびWho に従って、出力
層１６ｃから出力値を出力する。つまり、教師用サンプ
ルとの類似度に応じた出力値を出力する。
Ｏｋ(p,q) は max｛Ｏｋ(p,q) ｝で割ることによって
「０〜１」の値に正規化する。このようにして、それぞ
れが４×４ドットである８方向の直線成分すなわち特徴
パターンデータが計算され、それが前段部１４へ入力さ
れる。図３に示す文字認識装置１０において、ブランチ
ネットすなわち後段部１６の学習時には、このようにし
て入力される１２８（＝８×４×４）次元のデータに従
って、結合係数Vih およびWho が決定される。すなわ
ち、教師用サンプルデータの特徴データが、前段部１４
に入力される。したがって、ニューラルネットワーク１
２では、適宜の結合係数Vih およびWho に従って、出力
層１６ｃから出力値を出力する。つまり、教師用サンプ
ルとの類似度に応じた出力値を出力する。
【００２４】ニューラルネットワーク１２からの上述の
出力値は誤差出力回路１８に与えられる。この誤差出力
回路１８には、また、教師信号出力回路２０から、正解
出力値、すなわちそのとき学習させようとした文字に相
当する出力値をたとえば「０．９」とし、残余の文字に
相当する出力値をたとえば「０．２」とした教師信号が
与えられる。したがって、誤差出力回路１８では、ニュ
ーラルネットワーク１２からの出力値と教師信号出力回
路２０からの教師信号との誤差を計算し、誤差データを
誤差総和回路２２に与える。
出力値は誤差出力回路１８に与えられる。この誤差出力
回路１８には、また、教師信号出力回路２０から、正解
出力値、すなわちそのとき学習させようとした文字に相
当する出力値をたとえば「０．９」とし、残余の文字に
相当する出力値をたとえば「０．２」とした教師信号が
与えられる。したがって、誤差出力回路１８では、ニュ
ーラルネットワーク１２からの出力値と教師信号出力回
路２０からの教師信号との誤差を計算し、誤差データを
誤差総和回路２２に与える。
【００２５】誤差総和回路２２は、誤差データの総和を
計算し、誤差総和が所定値たとえば「０．５」を超える
と、修正回路２４に修正指令信号を与える。修正回路２
４では、修正指令信号を受けると、そのとき誤差出力回
路１８から出力されている誤差データに基づいて、結合
係数Vih およびWho を修正する。つまり、バックプロパ
ゲーション法に従って結合係数Vih およびWho が修正さ
れる。
計算し、誤差総和が所定値たとえば「０．５」を超える
と、修正回路２４に修正指令信号を与える。修正回路２
４では、修正指令信号を受けると、そのとき誤差出力回
路１８から出力されている誤差データに基づいて、結合
係数Vih およびWho を修正する。つまり、バックプロパ
ゲーション法に従って結合係数Vih およびWho が修正さ
れる。
【００２６】次に、図６および図７を参照して、図３実
施例におけるニューラルネットワーク１２の学習方法に
ついて説明する。まず、図６の最初のステップＳ１１で
は、サンプル番号ｔが「１」の教師サンプルの特徴パタ
ーンデータをニューラルネットワーク１２の前段部１４
に入力する。次のステップＳ１２では、グループ数ｎを
「１」として、前段部１４におけるグループを作成し、
そのグループの基準データすなわち参照ベクトルをセッ
トする。次のステップＳ１３では、サンプル番号ｔをイ
ンクリメントし、「ｔ＋１」のサンプル番号の教師サン
プルの特徴パターンデータを前段部１４に与える。
施例におけるニューラルネットワーク１２の学習方法に
ついて説明する。まず、図６の最初のステップＳ１１で
は、サンプル番号ｔが「１」の教師サンプルの特徴パタ
ーンデータをニューラルネットワーク１２の前段部１４
に入力する。次のステップＳ１２では、グループ数ｎを
「１」として、前段部１４におけるグループを作成し、
そのグループの基準データすなわち参照ベクトルをセッ
トする。次のステップＳ１３では、サンプル番号ｔをイ
ンクリメントし、「ｔ＋１」のサンプル番号の教師サン
プルの特徴パターンデータを前段部１４に与える。
【００２７】そして、次のステップＳ１４では、サンプ
ル番号「ｔ＋１」の教師サンプルと先のステップＳ１２
で設定した参照ベクトルとの類似度ＳＭ（これは特開平
４−１５５４８０号の(1) 式のようにして求めることが
できる）を求め、その類似度ＳＭが所定の閾値αより小
さいかどうか、すなわち教師サンプルｔ＋１がｎ＝１の
グループの参照ベクトルと類似しているかどうかを判断
する。このステップＳ１４において“ＹＥＳ”が判断さ
れるということは、教師サンプルｔ＋１とｎ＝１の参照
ベクトルとが類似していないことを意味し、この場合に
は、次のステップＳ１５において、全グループ数Ｎをイ
ンクリメントするとともに、この教師サンプルｔ＋１の
参照ベクトルをセットする。逆に、このステップＳ１４
において“ＮＯ”が判断されるということは、教師サン
プルｔ＋１がステップＳ１２の参照ベクトルに類似して
いることを示し、したがって、この場合には、ステップ
Ｓ１６において、そのときのグループ番号ｋに教師サン
プルｔ＋１を分類するとともに、ｎ＝１の参照ベクトル
を教師サンプルｔ＋１を考慮して変更する。具体的に
は、２つの参照ベクトルの平均値をとる。
ル番号「ｔ＋１」の教師サンプルと先のステップＳ１２
で設定した参照ベクトルとの類似度ＳＭ（これは特開平
４−１５５４８０号の(1) 式のようにして求めることが
できる）を求め、その類似度ＳＭが所定の閾値αより小
さいかどうか、すなわち教師サンプルｔ＋１がｎ＝１の
グループの参照ベクトルと類似しているかどうかを判断
する。このステップＳ１４において“ＹＥＳ”が判断さ
れるということは、教師サンプルｔ＋１とｎ＝１の参照
ベクトルとが類似していないことを意味し、この場合に
は、次のステップＳ１５において、全グループ数Ｎをイ
ンクリメントするとともに、この教師サンプルｔ＋１の
参照ベクトルをセットする。逆に、このステップＳ１４
において“ＮＯ”が判断されるということは、教師サン
プルｔ＋１がステップＳ１２の参照ベクトルに類似して
いることを示し、したがって、この場合には、ステップ
Ｓ１６において、そのときのグループ番号ｋに教師サン
プルｔ＋１を分類するとともに、ｎ＝１の参照ベクトル
を教師サンプルｔ＋１を考慮して変更する。具体的に
は、２つの参照ベクトルの平均値をとる。
【００２８】次のステップＳ１７では、教師サンプル番
号ｔが全サンプル数Ｔと等しくなったかどうか、すなわ
ち、全ての教師サンプルを分類したかどうかを判断す
る。したがって、このステップＳ１７において“ＮＯ”
が判断された場合には、先のステップＳ１３〜Ｓ１６が
繰り返し実行される。ステップＳ１７において、“ＹＥ
Ｓ”が判断されるということは、全ての教師サンプルを
分類したことを意味し、この場合には、続くステップＳ
１８において、再びサンプル番号ｔを「１」に設定し、
次のステップＳ１９に進む。
号ｔが全サンプル数Ｔと等しくなったかどうか、すなわ
ち、全ての教師サンプルを分類したかどうかを判断す
る。したがって、このステップＳ１７において“ＮＯ”
が判断された場合には、先のステップＳ１３〜Ｓ１６が
繰り返し実行される。ステップＳ１７において、“ＹＥ
Ｓ”が判断されるということは、全ての教師サンプルを
分類したことを意味し、この場合には、続くステップＳ
１８において、再びサンプル番号ｔを「１」に設定し、
次のステップＳ１９に進む。
【００２９】このステップＳ１９では、全グループ１〜
Ｎの参照ベクトルとサンプル番号ｔ（＝１）の教師サン
プルとの類似度ＳＭが最大となるグループ番号ｋ′が、
先のグループ番号ｋと同じかどうかが判断される。すな
わち、このステップＳ１９では、サンプル番号ｔの教師
サンプルが、ステップＳ１６で分類した同じグループに
属するかどうかを判断する。したがって、このステップ
Ｓ１９において“ＮＯ”が判断されると、教師パターン
ｔの分類をグループｋからｋ′に移動するとともに、グ
ループの移動があったことを示すフラグをセットする。
また、ステップＳ１９において“ＹＥＳ”が判断される
とき（ｔ＝ｋ′）、ステップＳ２０を処理したときと同
様に、ステップＳ２１において、サンプル番号ｔをイン
クリメントし、ステップＳ２２において、全サンプルｔ
についてグループ移動の有無が確認されたかどうかを判
断する。
Ｎの参照ベクトルとサンプル番号ｔ（＝１）の教師サン
プルとの類似度ＳＭが最大となるグループ番号ｋ′が、
先のグループ番号ｋと同じかどうかが判断される。すな
わち、このステップＳ１９では、サンプル番号ｔの教師
サンプルが、ステップＳ１６で分類した同じグループに
属するかどうかを判断する。したがって、このステップ
Ｓ１９において“ＮＯ”が判断されると、教師パターン
ｔの分類をグループｋからｋ′に移動するとともに、グ
ループの移動があったことを示すフラグをセットする。
また、ステップＳ１９において“ＹＥＳ”が判断される
とき（ｔ＝ｋ′）、ステップＳ２０を処理したときと同
様に、ステップＳ２１において、サンプル番号ｔをイン
クリメントし、ステップＳ２２において、全サンプルｔ
についてグループ移動の有無が確認されたかどうかを判
断する。
【００３０】このように、ステップＳ１８からステップ
Ｓ２２において全ての教師サンプルのグループ移動の有
無を判断するのは、先のステップＳ１６において、グル
ープｋに類似した教師サンプルを取り込むときに参照ベ
クトルを変更するからである。したがって、このステッ
プＳ２２において“ＮＯ”が判断されると、ステップＳ
１９〜Ｓ２１が繰り返し実行される。
Ｓ２２において全ての教師サンプルのグループ移動の有
無を判断するのは、先のステップＳ１６において、グル
ープｋに類似した教師サンプルを取り込むときに参照ベ
クトルを変更するからである。したがって、このステッ
プＳ２２において“ＮＯ”が判断されると、ステップＳ
１９〜Ｓ２１が繰り返し実行される。
【００３１】そして、ステップＳ２３において、先のス
テップＳ２０によって移動を示すフラグがオンされてい
るかどうかを判断する。このフラグがオンされていると
いうことは、教師サンプルのグループ間移動があったこ
とを示し、この場合には、ステップＳ１８〜Ｓ２３が、
フラグがオンされなくなるまで、繰り返し実行される。
テップＳ２０によって移動を示すフラグがオンされてい
るかどうかを判断する。このフラグがオンされていると
いうことは、教師サンプルのグループ間移動があったこ
とを示し、この場合には、ステップＳ１８〜Ｓ２３が、
フラグがオンされなくなるまで、繰り返し実行される。
【００３２】このようにして、図６のステップＳ１１〜
Ｓ２３において、ニューラルネットワーク１２の前段部
１４における分類が決定される。そして、図７のステッ
プＳ２４〜Ｓ３１が実行され、教師サンプルの再分類が
行われる。すなわち、ステップＳ２４では、サンプル番
号ｔを「１」にセットし、ステップＳ２５では、類似し
ているかどうかを判断するグループ数ｍを「２」に設定
する。そして、ステップＳ２６において、「ＳＭ1 −Ｓ
Ｍm 」が所定の閾値βより小さいかどうかを判断する。
ＳＭ1 は、その教師サンプルｔが最も類似する参照ベク
トルとの類似度、すなわち第１位の類似度を示す。した
がって、ＳＭm は、教師サンプルｔが第ｍ位に類似する
参照ベクトルとの類似度を示す。ｍ＝２がセットされて
いる場合には、ステップＳ２６では、（ＳＭ1 −Ｓ
Ｍ2 ）＞βが判断される。つまり、教師サンプルｔの第
１位の類似度と第２位の類似度との差が所定の閾値βよ
り小さいかどうかが判断される。
Ｓ２３において、ニューラルネットワーク１２の前段部
１４における分類が決定される。そして、図７のステッ
プＳ２４〜Ｓ３１が実行され、教師サンプルの再分類が
行われる。すなわち、ステップＳ２４では、サンプル番
号ｔを「１」にセットし、ステップＳ２５では、類似し
ているかどうかを判断するグループ数ｍを「２」に設定
する。そして、ステップＳ２６において、「ＳＭ1 −Ｓ
Ｍm 」が所定の閾値βより小さいかどうかを判断する。
ＳＭ1 は、その教師サンプルｔが最も類似する参照ベク
トルとの類似度、すなわち第１位の類似度を示す。した
がって、ＳＭm は、教師サンプルｔが第ｍ位に類似する
参照ベクトルとの類似度を示す。ｍ＝２がセットされて
いる場合には、ステップＳ２６では、（ＳＭ1 −Ｓ
Ｍ2 ）＞βが判断される。つまり、教師サンプルｔの第
１位の類似度と第２位の類似度との差が所定の閾値βよ
り小さいかどうかが判断される。
【００３３】ステップＳ２６において“ＹＥＳ”が判断
されるということは、教師サンプルｔが、第１位の類似
度を示す参照ベクトルと第ｍ位の類似度を示す参照ベク
トルとの両方に類似していることを意味し、この場合に
は、ステップＳ２７において、教師サンプルｔをグルー
プ番号ｍのグループに追加的に分類する。すなわち、こ
のステップＳ２７において、教師サンプルｔが少なくと
も２つのグループに重複して登録されることになる。
されるということは、教師サンプルｔが、第１位の類似
度を示す参照ベクトルと第ｍ位の類似度を示す参照ベク
トルとの両方に類似していることを意味し、この場合に
は、ステップＳ２７において、教師サンプルｔをグルー
プ番号ｍのグループに追加的に分類する。すなわち、こ
のステップＳ２７において、教師サンプルｔが少なくと
も２つのグループに重複して登録されることになる。
【００３４】次のステップＳ２８では、グループ数ｍを
インクリメントし、続くステップＳ２９では、グループ
数ｍが全グループ数Ｍと等しくなったかどうかすなわ
ち、第Ｍ位の類似度を示す参照ベクトルの全てについて
ステップＳ２６が実行されたかどうかを判断する。した
がって、このステップＳ２９において“ＮＯ”が判断さ
れればステップＳ２６に戻り、ステップＳ２６〜Ｓ２９
を繰り返し実行する。そして、ステップＳ３０でサンプ
ル番号ｔをインクリメントし、ステップＳ３１において
全ての教師サンプルについて再分類の可能性のチェック
が行われたかどうかを判断する。したがって、このステ
ップＳ３１において“ＮＯ”が判断されれば、先のステ
ップＳ２５に戻る。
インクリメントし、続くステップＳ２９では、グループ
数ｍが全グループ数Ｍと等しくなったかどうかすなわ
ち、第Ｍ位の類似度を示す参照ベクトルの全てについて
ステップＳ２６が実行されたかどうかを判断する。した
がって、このステップＳ２９において“ＮＯ”が判断さ
れればステップＳ２６に戻り、ステップＳ２６〜Ｓ２９
を繰り返し実行する。そして、ステップＳ３０でサンプ
ル番号ｔをインクリメントし、ステップＳ３１において
全ての教師サンプルについて再分類の可能性のチェック
が行われたかどうかを判断する。したがって、このステ
ップＳ３１において“ＮＯ”が判断されれば、先のステ
ップＳ２５に戻る。
【００３５】このようにして、ステップＳ２４〜Ｓ３１
において、全ての教師サンプルｔが複数のグループに重
複して登録されるべきであるかどうかが判断される。そ
して、ステップＳ３２〜Ｓ３５において、ニューラルネ
ットワーク１２の後段部１６の先に説明した学習が実行
される。この実施例によれば、図７のステップＳ２７に
おいて、１つの教師サンプルｔが複数の参照ベクトルに
同等程度に類似する場合には、その教師サンプルｔを複
数のグループに重複して登録するようにしている。した
がって、ブランチネットすなわち後段部１６において
は、図８に示すようにグループの境界すなわち識別境界
が連続する。したがって、この実施例によれば、図９お
よび図１０で示す認識時における認識精度が向上する。
において、全ての教師サンプルｔが複数のグループに重
複して登録されるべきであるかどうかが判断される。そ
して、ステップＳ３２〜Ｓ３５において、ニューラルネ
ットワーク１２の後段部１６の先に説明した学習が実行
される。この実施例によれば、図７のステップＳ２７に
おいて、１つの教師サンプルｔが複数の参照ベクトルに
同等程度に類似する場合には、その教師サンプルｔを複
数のグループに重複して登録するようにしている。した
がって、ブランチネットすなわち後段部１６において
は、図８に示すようにグループの境界すなわち識別境界
が連続する。したがって、この実施例によれば、図９お
よび図１０で示す認識時における認識精度が向上する。
【００３６】図９に示す文字認識においては、最初のス
テップＳ４１において、入力文字パターンを正規化して
８×８ドットのパターンデータを作成する。そして、次
のステップＳ４２では、先に詳細に説明したように、直
線成分フィルタを用いて、特徴抽出を行うとともに、ス
テップＳ４３において、ニューラルネットワーク１２の
前段部１４に入力するための特徴パターンデータ（１２
８次元）を作成する。そして、ステップＳ４４に示す１
文字認識のサブルーチンを実行する。
テップＳ４１において、入力文字パターンを正規化して
８×８ドットのパターンデータを作成する。そして、次
のステップＳ４２では、先に詳細に説明したように、直
線成分フィルタを用いて、特徴抽出を行うとともに、ス
テップＳ４３において、ニューラルネットワーク１２の
前段部１４に入力するための特徴パターンデータ（１２
８次元）を作成する。そして、ステップＳ４４に示す１
文字認識のサブルーチンを実行する。
【００３７】このサブルーチンにおいては、図１０の最
初のステップＳ１０１に示すように、ステップＳ４３で
入力された特徴パターンデータをニューラルネットワー
ク１２のステムネットすなわち前段部１４の各グループ
の参照ベクトルとの類似度によって、その入力文字がど
のグループに属するかを決定する。そして、参照ベクト
ルとの類似度が大きい方から２つまでのグループ出力を
ソートする（ステップＳ１０２）。次のステップＳ１０
３においては、グループカウンタｉをクリアする。そし
て、ステップＳ１０４では、ニューラルネットワーク１
２の後段部１６すなわち認識部を用いて、文字認識を実
行する。その結果、文字コードｃおよび文字レベルbp-o
utを出力する。そしてステップＳ１０５では、その文字
レベルbp-outが第１位の文字レベルであるかどうかを判
断する。そして、ステップＳ１０４で出力される文字レ
ベルbp-outが第１位のものであれば、次のステップＳ１
０６において、その文字レベルbp-outが一定値以上かど
うかを判断する。文字レベルbp-outが一定値以上ないと
いうことは出力を確定できるほど文字レベルが大きくな
いことを意味し、この場合には、グループカウンタｉを
インクリメントし、再び先のステップＳ１０４を実行す
る。ただし、このステップＳ１０６で“ＹＥＳ”が判断
されると、そのとき出力された文字レベルbp-outをニュ
ーラルネットワーク１２の出力値として出力する。
初のステップＳ１０１に示すように、ステップＳ４３で
入力された特徴パターンデータをニューラルネットワー
ク１２のステムネットすなわち前段部１４の各グループ
の参照ベクトルとの類似度によって、その入力文字がど
のグループに属するかを決定する。そして、参照ベクト
ルとの類似度が大きい方から２つまでのグループ出力を
ソートする（ステップＳ１０２）。次のステップＳ１０
３においては、グループカウンタｉをクリアする。そし
て、ステップＳ１０４では、ニューラルネットワーク１
２の後段部１６すなわち認識部を用いて、文字認識を実
行する。その結果、文字コードｃおよび文字レベルbp-o
utを出力する。そしてステップＳ１０５では、その文字
レベルbp-outが第１位の文字レベルであるかどうかを判
断する。そして、ステップＳ１０４で出力される文字レ
ベルbp-outが第１位のものであれば、次のステップＳ１
０６において、その文字レベルbp-outが一定値以上かど
うかを判断する。文字レベルbp-outが一定値以上ないと
いうことは出力を確定できるほど文字レベルが大きくな
いことを意味し、この場合には、グループカウンタｉを
インクリメントし、再び先のステップＳ１０４を実行す
る。ただし、このステップＳ１０６で“ＹＥＳ”が判断
されると、そのとき出力された文字レベルbp-outをニュ
ーラルネットワーク１２の出力値として出力する。
【００３８】ステップＳ１０５において“ＮＯ”が判断
されることは、ステップＳ１０４において出力された文
字レベルbp-outが第２位のものであることを意味し、こ
の場合には、ステップＳ１０９において、第１位の文字
レベルを示す文字コードｃ１と第２位の文字レベルを示
す文字コードｃ２とが等しいかどうかを判断する。第１
位と第２位との文字コードが異なる場合には、ステップ
Ｓ１１０において、第２位の文字レベルbp-out(c2)が一
定値以上であるかどうかを判断する。このステップＳ１
１０において“ＹＥＳ”が判断されるということは、第
２位の文字レベルを示す文字を認識結果とすることを意
味し、この場合には、ステップＳ１１１において、文字
コードｃとしてｃ２を出力するとともに、出力値として
bp-out(c2)を出力する。ただし、ステップＳ１１０にお
いて“ＮＯ”が判断されるときには、ステップＳ１１２
において、文字コードｃとして第１位の文字コードｃ１
を出力し、文字レベルとして第１位の文字レベルbp-out
(c1)を出力する。
されることは、ステップＳ１０４において出力された文
字レベルbp-outが第２位のものであることを意味し、こ
の場合には、ステップＳ１０９において、第１位の文字
レベルを示す文字コードｃ１と第２位の文字レベルを示
す文字コードｃ２とが等しいかどうかを判断する。第１
位と第２位との文字コードが異なる場合には、ステップ
Ｓ１１０において、第２位の文字レベルbp-out(c2)が一
定値以上であるかどうかを判断する。このステップＳ１
１０において“ＹＥＳ”が判断されるということは、第
２位の文字レベルを示す文字を認識結果とすることを意
味し、この場合には、ステップＳ１１１において、文字
コードｃとしてｃ２を出力するとともに、出力値として
bp-out(c2)を出力する。ただし、ステップＳ１１０にお
いて“ＮＯ”が判断されるときには、ステップＳ１１２
において、文字コードｃとして第１位の文字コードｃ１
を出力し、文字レベルとして第１位の文字レベルbp-out
(c1)を出力する。
【００３９】さらに、第１位の文字コードと第２位の文
字コードとが同じ場合には、ステップＳ１１３におい
て、第２位の文字レベルbp-out(c2)が設定値たとえば
「０．８」以上あるかどうかを判断する。このステップ
Ｓ１１３において“ＹＥＳ”が判断されると、ステップ
Ｓ１１４において、出力値として「０．９」を出力す
る。また、ステップＳ１１３において“ＮＯ”が判断さ
れると、ステップＳ１１５において、第１位の文字レベ
ルbp-out(c1)と第２位の文字レベルbp-out(c2)の大きい
方を求め、次のステップＳ１１６において、その大きい
方の文字レベルがステップＳ１１３の設定値の半分以上
あるかどうかを判断する。このステップＳ１１６におい
て“ＹＥＳ”が判断されると、先のステップＳ１１４に
進み、出力値「０．９」が出力される。ただし、ステッ
プＳ１１６において“ＮＯ”が判断されると、ステップ
Ｓ１１７では、出力値として、ステップＳ１１５で求め
た大きい方の文字レベルを出力する。
字コードとが同じ場合には、ステップＳ１１３におい
て、第２位の文字レベルbp-out(c2)が設定値たとえば
「０．８」以上あるかどうかを判断する。このステップ
Ｓ１１３において“ＹＥＳ”が判断されると、ステップ
Ｓ１１４において、出力値として「０．９」を出力す
る。また、ステップＳ１１３において“ＮＯ”が判断さ
れると、ステップＳ１１５において、第１位の文字レベ
ルbp-out(c1)と第２位の文字レベルbp-out(c2)の大きい
方を求め、次のステップＳ１１６において、その大きい
方の文字レベルがステップＳ１１３の設定値の半分以上
あるかどうかを判断する。このステップＳ１１６におい
て“ＹＥＳ”が判断されると、先のステップＳ１１４に
進み、出力値「０．９」が出力される。ただし、ステッ
プＳ１１６において“ＮＯ”が判断されると、ステップ
Ｓ１１７では、出力値として、ステップＳ１１５で求め
た大きい方の文字レベルを出力する。
【００４０】このようにして、ステップＳ４４すなわち
図１０のサブルーチンを実行することによって、ニュー
ラルネットワーク１２によって認識した文字コードｃと
文字レベルout とが出力される。なお、ステップＳ４４
において出力される文字レベルout が所定の閾値以上な
いときには、ステップＳ４５において必要なエラー処理
を行う。
図１０のサブルーチンを実行することによって、ニュー
ラルネットワーク１２によって認識した文字コードｃと
文字レベルout とが出力される。なお、ステップＳ４４
において出力される文字レベルout が所定の閾値以上な
いときには、ステップＳ４５において必要なエラー処理
を行う。
【図１】従来技術のステムネットすなわち前段部におけ
る特徴空間を示す図解図である。
る特徴空間を示す図解図である。
【図２】従来技術におけるブランチネットすなわち後段
部を含む分類すなわち特徴空間を示す図解図である。
部を含む分類すなわち特徴空間を示す図解図である。
【図３】この発明の一実施例を示す機能ブロック図であ
る。
る。
【図４】特徴パターンデータを作成する動作を示すフロ
ー図である。
ー図である。
【図５】８×８ドットの周囲に１ドットの「０」を追加
した１０×１０ドットのパターンを示す図解図である。
した１０×１０ドットのパターンを示す図解図である。
【図６】図１実施例のニューラルネットワークの学習動
作の一例を示すフロー図である。
作の一例を示すフロー図である。
【図７】図６に続く動作を示すフロー図である。
【図８】実施例における後段部を含むグループの境界す
なわち特徴空間を示す図解図である。
なわち特徴空間を示す図解図である。
【図９】図３実施例を用いた文字認識の動作を示すフロ
ー図である。
ー図である。
【図１０】図９の１文字認識サブルーチンを示すフロー
図である。
図である。
１０ …文字認識装置 １２ …ニューラルネットワーク １４ …前段部 １６ …後段部
───────────────────────────────────────────────────── フロントページの続き (72)発明者 堀井 洋 大阪府守口市京阪本通２丁目５番５号 三 洋電機株式会社内 (72)発明者 田中 淳司 鳥取県鳥取市南吉方３丁目201番地 鳥取 三洋電機株式会社内
Claims (6)
- 【請求項１】入力データを所定の複数の基準データと比
較して入力データを分類する前段部と前記複数の基準デ
ータに対応して設けられた複数の認識部からなる後段部
とからなるニューラルネットワークを用いた文字認識装
置の前記後段部のバックプロパゲーション法に従った学
習方法において、 教師用入力データと基準データとの類似度に応じて、前
記後段部の複数の認識部に前記教師用データを学習させ
るようにしたことを特徴とする、学習方法。 - 【請求項２】前記教師用入力データと複数の基準データ
との間の類似度の差が所定値以下のとき、前記教師用入
力データを前記複数の基準データに対応する複数の認識
部に学習させる、請求項１記載の学習方法。 - 【請求項３】入力データを所定の複数の基準データと比
較して入力データを分類する前段部と前記複数の基準デ
ータに対応して設けられた複数の認識部からなる後段部
とを含むニューラルネットワークを用いた文字認識装置
の学習方法であって、 (a) 教師用入力データに基づいて自己増殖によって複数
のグループに分類して前記前段部における複数の基準デ
ータを作成し、 (b) 前記複数の基準データのそれぞれに対応する前記後
段部の複数の認識部を作成し、 (c) 前記教師用入力データが複数の基準データに類似す
るとき前記教師用入力データが複数のグループに重複し
て分類されるように前記教師用入力データを再分類し、
そして (d) バックプロパゲーション法によって前記教師用入力
データを複数の認識部に学習させる、学習方法。 - 【請求項４】前記ステップ(c) は前記教師用入力データ
と複数の基準データのそれぞれとの類似度に従って再分
類する、請求項４記載の学習方法。 - 【請求項５】前記ステップ(c) は前記教師用入力データ
と複数の基準データとの間の類似度の差が所定値以下の
とき再分類する、請求項５記載の学習方法。 - 【請求項６】請求項１ないし５のいずれかに記載の学習
方法に従って学習した、文字認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP13349795A JP3469677B2 (ja) | 1995-05-31 | 1995-05-31 | 文字認識装置およびその学習方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP13349795A JP3469677B2 (ja) | 1995-05-31 | 1995-05-31 | 文字認識装置およびその学習方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08329196A true JPH08329196A (ja) | 1996-12-13 |
| JP3469677B2 JP3469677B2 (ja) | 2003-11-25 |
Family
ID=15106159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP13349795A Expired - Fee Related JP3469677B2 (ja) | 1995-05-31 | 1995-05-31 | 文字認識装置およびその学習方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3469677B2 (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005008513A1 (en) * | 2003-07-16 | 2005-01-27 | 3Gd Korea, Inc. | A method of recognizing automatically information units for constructing experimental data and array patterns of rules, and a storage medium for recording a program of the same |
| US10867244B2 (en) | 2016-09-30 | 2020-12-15 | Fujitsu Limited | Method and apparatus for machine learning |
| US11514308B2 (en) | 2017-09-08 | 2022-11-29 | Fujitsu Limited | Method and apparatus for machine learning |
| WO2022269885A1 (ja) * | 2021-06-25 | 2022-12-29 | 三菱電機株式会社 | 学習データ収集装置、学習データ収集方法、および学習データ収集プログラム |
| US11829867B2 (en) | 2018-06-07 | 2023-11-28 | Fujitsu Limited | Computer-readable recording medium and learning data generation method |
| US11836580B2 (en) | 2018-12-18 | 2023-12-05 | Fujitsu Limited | Machine learning method |
-
1995
- 1995-05-31 JP JP13349795A patent/JP3469677B2/ja not_active Expired - Fee Related
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005008513A1 (en) * | 2003-07-16 | 2005-01-27 | 3Gd Korea, Inc. | A method of recognizing automatically information units for constructing experimental data and array patterns of rules, and a storage medium for recording a program of the same |
| US10867244B2 (en) | 2016-09-30 | 2020-12-15 | Fujitsu Limited | Method and apparatus for machine learning |
| US11514308B2 (en) | 2017-09-08 | 2022-11-29 | Fujitsu Limited | Method and apparatus for machine learning |
| US11829867B2 (en) | 2018-06-07 | 2023-11-28 | Fujitsu Limited | Computer-readable recording medium and learning data generation method |
| US11836580B2 (en) | 2018-12-18 | 2023-12-05 | Fujitsu Limited | Machine learning method |
| WO2022269885A1 (ja) * | 2021-06-25 | 2022-12-29 | 三菱電機株式会社 | 学習データ収集装置、学習データ収集方法、および学習データ収集プログラム |
| JPWO2022269885A1 (ja) * | 2021-06-25 | 2022-12-29 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3469677B2 (ja) | 2003-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2940933B2 (ja) | パターン認識方式 | |
| US8396817B2 (en) | Learning apparatus, learning method, recognition apparatus, recognition method, and program | |
| CN100419780C (zh) | 含有地址信息的图像的视频编码方法 | |
| EP0487309A2 (en) | Pattern recognition method and apparatus using a neural network | |
| US7181062B2 (en) | Modular classification architecture for a pattern recognition application | |
| EP0450522A2 (en) | A learning method for a data processing system | |
| Meignen et al. | One application of neural networks for detection of defects using video data bases: identification of road distresses | |
| Saidane et al. | Robust binarization for video text recognition | |
| EP0459276A2 (en) | Data processing system | |
| JP3469677B2 (ja) | 文字認識装置およびその学習方法 | |
| CN119169666A (zh) | 基于遮挡增强及掩码学习的行人重识别方法 | |
| US20040022441A1 (en) | Method and computer program product for identifying and incorporating new output classes in a pattern recognition system during system operation | |
| Sari et al. | An MLP for binarizing images of old manuscripts | |
| WO1991002323A1 (en) | Adaptive network for classifying time-varying data | |
| KR20210050684A (ko) | 이미지 처리 시스템 | |
| EP0453939B1 (en) | Learning method for data processing system | |
| US7167587B2 (en) | Sequential classifier for use in pattern recognition system | |
| CN117275094B (zh) | 手势识别方法、装置、电子设备及存储介质 | |
| Chi et al. | Image segmentation using fuzzy rules derived from K-means clusters | |
| 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 | |
| JP2993862B2 (ja) | 信号認識方法、信号認識装置、信号認識装置の学習方法及び信号認識装置の学習装置 | |
| CN116645727B (zh) | 一种基于Openpose模型算法的行为捕捉识别方法 | |
| Pal | Fuzzy set theoretic approach: A tool for speech and image recognition | |
| JP2778194B2 (ja) | パターン認識方法および装置 | |
| JPH05314090A (ja) | ニューラルネットを用いたパターン認識方法およびその装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030819 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080905 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090905 Year of fee payment: 6 |
|
| LAPS | Cancellation because of no payment of annual fees |