JPH1131226A - 情報処理方法及び装置 - Google Patents
情報処理方法及び装置Info
- Publication number
- JPH1131226A JPH1131226A JP9187019A JP18701997A JPH1131226A JP H1131226 A JPH1131226 A JP H1131226A JP 9187019 A JP9187019 A JP 9187019A JP 18701997 A JP18701997 A JP 18701997A JP H1131226 A JPH1131226 A JP H1131226A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- dimension
- classification
- information processing
- threshold 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
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)
- Image Analysis (AREA)
- Character Discrimination (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【課題】複数の次元で表される特徴量を有するパターン
を分類するための分類木を高速に作成することを可能と
する。 【解決手段】階層断片化前処理部１０２は、学習用パタ
ーン１０１の分類に用いる特徴量の各次元を階層的に断
片化し、各次元の閾値を決定するとともに、学習用パタ
ーン１０１の各々の特徴量が、断片化された各次元のど
の断片に属するかを示す階層化された学習用パターン１
０３を生成する。展開変数判別部１０５は分類木中の各
ノードにおいて分類効率が最も高くなる次元（変数）を
選択する。分類木作成部１０４は、階層化された学習用
パターン１０３と、展開変数判別部１０５より得られる
次元と、当該次元に設定された閾値とに基づいて分類木
を生成する。
を分類するための分類木を高速に作成することを可能と
する。 【解決手段】階層断片化前処理部１０２は、学習用パタ
ーン１０１の分類に用いる特徴量の各次元を階層的に断
片化し、各次元の閾値を決定するとともに、学習用パタ
ーン１０１の各々の特徴量が、断片化された各次元のど
の断片に属するかを示す階層化された学習用パターン１
０３を生成する。展開変数判別部１０５は分類木中の各
ノードにおいて分類効率が最も高くなる次元（変数）を
選択する。分類木作成部１０４は、階層化された学習用
パターン１０３と、展開変数判別部１０５より得られる
次元と、当該次元に設定された閾値とに基づいて分類木
を生成する。
Description
【０００１】
【発明の属する技術分野】本発明は画像、文字、音声等
のパターンを認識する際に使用する分類木を作成する情
報処理方法及び装置に関するものである。
のパターンを認識する際に使用する分類木を作成する情
報処理方法及び装置に関するものである。
【０００２】
【従来の技術】従来、文献“Classification and Regre
ssion Trees”by Breiman, Friedman,Olshen, and Ston
eにあるように、いわゆる分類木を用いてパターンを分
類する手法が存在した。この方法は認識速度が比較的速
く、適用できるパターンの種類を問わないという利点を
有する。このため、画像、文字、音声等のパターン認識
において広く採用されている。
ssion Trees”by Breiman, Friedman,Olshen, and Ston
eにあるように、いわゆる分類木を用いてパターンを分
類する手法が存在した。この方法は認識速度が比較的速
く、適用できるパターンの種類を問わないという利点を
有する。このため、画像、文字、音声等のパターン認識
において広く採用されている。
【０００３】
【発明が解決しようとする課題】しかしながら、この方
法では、パターンを分類するための分類木を作成するの
に時間がかかるという欠点があった。特にパターンを構
成する特徴量の次元が多くなると、分類木の作成に膨大
な時間がかかってしまう。
法では、パターンを分類するための分類木を作成するの
に時間がかかるという欠点があった。特にパターンを構
成する特徴量の次元が多くなると、分類木の作成に膨大
な時間がかかってしまう。
【０００４】例えば、分類木の各ノードではある特徴量
の次元に着目し、入力パターンのその次元（特徴量）が
ある値より大きいか小さいかについての判断を行う。そ
の際使用される“ある値”のことを通常“閾値”と呼
ぶ。つまり、分類木を作成するにあたり、“ｎ次元の中
でどの次元に着目するか？”ということと、“その次元
のどこに閾値を設定するか？”ということを決定しない
と、各ノードでの判定ができない。具体的には、特徴量
のすべての次元に対して、仮にその次元に着目したとし
たときの分類効率が最高になる閾値を求め（求めた閾値
の総数はｎとなる）、その中で最も分類効率の高くなる
次元と閾値を導くことで分類木を作成していく。
の次元に着目し、入力パターンのその次元（特徴量）が
ある値より大きいか小さいかについての判断を行う。そ
の際使用される“ある値”のことを通常“閾値”と呼
ぶ。つまり、分類木を作成するにあたり、“ｎ次元の中
でどの次元に着目するか？”ということと、“その次元
のどこに閾値を設定するか？”ということを決定しない
と、各ノードでの判定ができない。具体的には、特徴量
のすべての次元に対して、仮にその次元に着目したとし
たときの分類効率が最高になる閾値を求め（求めた閾値
の総数はｎとなる）、その中で最も分類効率の高くなる
次元と閾値を導くことで分類木を作成していく。
【０００５】本発明は上記の問題に鑑みてなされたもの
であり、複数の次元で表される特徴量を有するパターン
を分類するための分類木を高速に作成することを可能と
する情報処理方法及び装置を提供することを目的とす
る。
であり、複数の次元で表される特徴量を有するパターン
を分類するための分類木を高速に作成することを可能と
する情報処理方法及び装置を提供することを目的とす
る。
【０００６】また、本発明の他の目的は、少量の学習パ
ターンでも高認識率を実現できる情報処理方法及び装置
を提供することにある。
ターンでも高認識率を実現できる情報処理方法及び装置
を提供することにある。
【０００７】
【課題を解決するための手段】上記の目的を達成するた
めの本発明の情報処理方法は以下の工程を備える。すな
わち、処理対象パターンを分類するための分類木を生成
するための情報処理方法であって、パターンの分類に用
いる特徴量の各次元を階層的に断片化し、各次元の閾値
を決定する断片化工程と、複数の学習用パターンの各々
について、前記断片化工程で断片化された各次元のどの
断片に属するかを示す特徴情報を求めるパターン断片化
工程と、前記複数の学習パターンの前記各次元に係る特
徴情報と、該各次元の閾値とに基づいて分類木を生成す
る生成工程とを備える。
めの本発明の情報処理方法は以下の工程を備える。すな
わち、処理対象パターンを分類するための分類木を生成
するための情報処理方法であって、パターンの分類に用
いる特徴量の各次元を階層的に断片化し、各次元の閾値
を決定する断片化工程と、複数の学習用パターンの各々
について、前記断片化工程で断片化された各次元のどの
断片に属するかを示す特徴情報を求めるパターン断片化
工程と、前記複数の学習パターンの前記各次元に係る特
徴情報と、該各次元の閾値とに基づいて分類木を生成す
る生成工程とを備える。
【０００８】また、上記の目的を達成するための本発明
の情報処理装置は以下の構成を備える。すなわち、処理
対象パターンを分類するための分類木を生成する情報処
理装置であって、パターンの分類に用いる特徴量の各次
元を階層的に断片化し、各次元の閾値を決定する断片化
手段と、複数の学習用パターンの各々について、前記断
片化手段で断片化された各次元のどの断片に属するかを
示す特徴情報を求めるパターン断片化手段と、前記複数
の学習パターンの前記各次元に係る特徴情報と、該各次
元の閾値とに基づいて分類木を生成する生成手段とを備
える。
の情報処理装置は以下の構成を備える。すなわち、処理
対象パターンを分類するための分類木を生成する情報処
理装置であって、パターンの分類に用いる特徴量の各次
元を階層的に断片化し、各次元の閾値を決定する断片化
手段と、複数の学習用パターンの各々について、前記断
片化手段で断片化された各次元のどの断片に属するかを
示す特徴情報を求めるパターン断片化手段と、前記複数
の学習パターンの前記各次元に係る特徴情報と、該各次
元の閾値とに基づいて分類木を生成する生成手段とを備
える。
【０００９】更に、上記の他の目的を達成するための本
発明の情報処理方法は以下の工程を備える。すなわち、
処理対象パターンを分類するための分類木を生成するた
めの情報処理方法であって、パターンの分類に用いる特
徴量の複数の次元の夫々を階層的に断片化し、各次元の
閾値を決定する断片化工程と、複数の学習用パターンの
夫々から、前記複数の次元の一部もしくは全てを用いて
構成される複数種類のサブパターンを獲得する獲得工程
と、前記サブパターンの各々について、前記断片化工程
で断片化された各次元のどの断片に属するかを示す特徴
情報を求めるパターン断片化工程と、前記サブパターン
の前記各次元に係る特徴情報と、該各次元の閾値とに基
づいて、前記サブパターンの種類数分の分類木を生成す
る生成工程とを備える。
発明の情報処理方法は以下の工程を備える。すなわち、
処理対象パターンを分類するための分類木を生成するた
めの情報処理方法であって、パターンの分類に用いる特
徴量の複数の次元の夫々を階層的に断片化し、各次元の
閾値を決定する断片化工程と、複数の学習用パターンの
夫々から、前記複数の次元の一部もしくは全てを用いて
構成される複数種類のサブパターンを獲得する獲得工程
と、前記サブパターンの各々について、前記断片化工程
で断片化された各次元のどの断片に属するかを示す特徴
情報を求めるパターン断片化工程と、前記サブパターン
の前記各次元に係る特徴情報と、該各次元の閾値とに基
づいて、前記サブパターンの種類数分の分類木を生成す
る生成工程とを備える。
【００１０】また、上記の他の目的を達成する本発明の
情報処理方法は、処理対象パターンを分類するための分
類木を生成するための情報処理装置であって、パターン
の分類に用いる特徴量の複数の次元の夫々を階層的に断
片化し、各次元の閾値を決定する断片化手段と、複数の
学習用パターンの夫々から、前記複数の次元の一部もし
くは全てを用いて構成される複数種類のサブパターンを
獲得する獲得手段と、前記サブパターンの各々につい
て、前記断片化手段で断片化された各次元のどの断片に
属するかを示す特徴情報を求めるパターン断片化手段
と、前記サブパターンの前記各次元に係る特徴情報と、
該各次元の閾値とに基づいて、前記サブパターンの種類
数分の分類木を生成する生成手段とを備える。
情報処理方法は、処理対象パターンを分類するための分
類木を生成するための情報処理装置であって、パターン
の分類に用いる特徴量の複数の次元の夫々を階層的に断
片化し、各次元の閾値を決定する断片化手段と、複数の
学習用パターンの夫々から、前記複数の次元の一部もし
くは全てを用いて構成される複数種類のサブパターンを
獲得する獲得手段と、前記サブパターンの各々につい
て、前記断片化手段で断片化された各次元のどの断片に
属するかを示す特徴情報を求めるパターン断片化手段
と、前記サブパターンの前記各次元に係る特徴情報と、
該各次元の閾値とに基づいて、前記サブパターンの種類
数分の分類木を生成する生成手段とを備える。
【００１１】
【発明の実施の形態】以下、添付の図面を参照して本発
明の好適な実施形態を説明する。
明の好適な実施形態を説明する。
【００１２】＜第１の実施形態＞図１は以下に説明する
各実施形態すべてに係わるパターン認識方法が適用され
る情報処理装置の概略の構成を示すブロック図である。
図２に示されるように、本実施形態による情報処理装置
（パターン認識装置）は、パターン入力装置２０１、表
示装置２０２、中央処理装置（ＣＰＵ）２０３、メモリ
２０４から構成される。
各実施形態すべてに係わるパターン認識方法が適用され
る情報処理装置の概略の構成を示すブロック図である。
図２に示されるように、本実施形態による情報処理装置
（パターン認識装置）は、パターン入力装置２０１、表
示装置２０２、中央処理装置（ＣＰＵ）２０３、メモリ
２０４から構成される。
【００１３】パターン入力装置２０１は、例えばオンラ
イン文字認識を行う装置ならば、デジタイザとペンを有
し、デジタイザの上にペンによって入力された文字や図
形の座標データをＣＰＵ２０３に渡す。また、音声認識
を行う装置ならば、パターン入力装置２０１はマイクロ
フォンを備えることになる。すなわち、このパターン入
力装置２０１は、これから認識しようとするパターンが
入力できるものであればよく、スキャナ等でもよい。表
示装置２０２はパターン入力装置２０１に入力されたパ
ターンデータやＣＰＵ２０３がパターン認識した結果を
表示する。ＣＰＵ２０３は入力されたパターンの認識処
理を行なうなど、すべての装置の制御を行なう。メモリ
２０４はＣＰＵ２０３が使用する認識プログラムやパタ
ーン認識のための辞書を記録するＲＯＭや、入力された
パターンデータ、認識プログラムの使用する変数等を一
時的に記憶するＲＡＭ等を備える。
イン文字認識を行う装置ならば、デジタイザとペンを有
し、デジタイザの上にペンによって入力された文字や図
形の座標データをＣＰＵ２０３に渡す。また、音声認識
を行う装置ならば、パターン入力装置２０１はマイクロ
フォンを備えることになる。すなわち、このパターン入
力装置２０１は、これから認識しようとするパターンが
入力できるものであればよく、スキャナ等でもよい。表
示装置２０２はパターン入力装置２０１に入力されたパ
ターンデータやＣＰＵ２０３がパターン認識した結果を
表示する。ＣＰＵ２０３は入力されたパターンの認識処
理を行なうなど、すべての装置の制御を行なう。メモリ
２０４はＣＰＵ２０３が使用する認識プログラムやパタ
ーン認識のための辞書を記録するＲＯＭや、入力された
パターンデータ、認識プログラムの使用する変数等を一
時的に記憶するＲＡＭ等を備える。
【００１４】図２は、第１の実施形態による分類木生成
の為の制御構成を説明する図である。同図において、１
０１は元の学習用パターンである学習用パターン、１０
２は学習用パターン１０１を分類するための特徴量の各
次元を予め階層的に断片化する階層断片化前処理部、１
０３は階層断片化前処理部１０２によって階層的に処理
された後の階層化された学習用パターン、１０４は階層
化された学習用パターン１０３を元に分類木を作成する
分類木作成部、１０５は分類木作成部１０４が分類木を
作成する過程で使用する展開変数判別部、１０６は分類
木作成部１０４によって生成された分類木である。本実
施形態におけるインプットは学習用パターンであり、ア
ウトプットは分類木１０６となる。
の為の制御構成を説明する図である。同図において、１
０１は元の学習用パターンである学習用パターン、１０
２は学習用パターン１０１を分類するための特徴量の各
次元を予め階層的に断片化する階層断片化前処理部、１
０３は階層断片化前処理部１０２によって階層的に処理
された後の階層化された学習用パターン、１０４は階層
化された学習用パターン１０３を元に分類木を作成する
分類木作成部、１０５は分類木作成部１０４が分類木を
作成する過程で使用する展開変数判別部、１０６は分類
木作成部１０４によって生成された分類木である。本実
施形態におけるインプットは学習用パターンであり、ア
ウトプットは分類木１０６となる。
【００１５】図３は階層断片化前処理部１０２による特
徴量の断片化を説明する図である。一般にパターンはｎ
次元のベクトルを使って表すことができる。上述の“Cl
assification and Regression Trees”にも記載されて
いるが、通常このｎが大きい場合、分類木の各ノードで
はある特徴量の次元に着目し、入力パターンのその次元
（特徴量）がある値より大きいか小さいかについての決
定を行う。その際使用される“ある値”のことを通常
“閾値”と呼ぶ。つまり、分類木を作成するにあたり、
“ｎ次元の中でどの次元に着目するか？”ということ
と、“その次元のどこに閾値を設定するか？”というこ
とを決定しないと、各ノードでのDecisionを作成できな
いわけである。具体的には、通常はｎ次元のすべての次
元に対して、仮にその次元に着目したとした時の分類効
率が最高になる閾値を求め（求めた閾値の総数はｎとな
る）、その中で最も分類効率の高くなる次元と閾値を導
く。このため、特徴量の次元が増加すればするほど計算
量が増大し、分類木の作成に膨大な時間を費やすように
なってしまう。
徴量の断片化を説明する図である。一般にパターンはｎ
次元のベクトルを使って表すことができる。上述の“Cl
assification and Regression Trees”にも記載されて
いるが、通常このｎが大きい場合、分類木の各ノードで
はある特徴量の次元に着目し、入力パターンのその次元
（特徴量）がある値より大きいか小さいかについての決
定を行う。その際使用される“ある値”のことを通常
“閾値”と呼ぶ。つまり、分類木を作成するにあたり、
“ｎ次元の中でどの次元に着目するか？”ということ
と、“その次元のどこに閾値を設定するか？”というこ
とを決定しないと、各ノードでのDecisionを作成できな
いわけである。具体的には、通常はｎ次元のすべての次
元に対して、仮にその次元に着目したとした時の分類効
率が最高になる閾値を求め（求めた閾値の総数はｎとな
る）、その中で最も分類効率の高くなる次元と閾値を導
く。このため、特徴量の次元が増加すればするほど計算
量が増大し、分類木の作成に膨大な時間を費やすように
なってしまう。
【００１６】本実施形態では、図３の（ａ）にあるよう
に、例えばあらかじめｎ次元の各次元を再帰的に２等分
しておく。こうすることによって、上記の「各次元に対
して閾値を求める」という処理を省くことができるよう
になる。
に、例えばあらかじめｎ次元の各次元を再帰的に２等分
しておく。こうすることによって、上記の「各次元に対
して閾値を求める」という処理を省くことができるよう
になる。
【００１７】なお、以上の論議はいわゆる２分木(Binar
y Tree）の構造の分類木を作成する場合の話で、一般的
な構造の分類木に対しては、本発明の分割は２分割であ
る必要はなく、例えば図３（ｂ）の様に３分割であって
も構わない。また、この分割は等分である必要もなく、
例えば図３（ｃ）の様に不均一分割であっても構わな
い。
y Tree）の構造の分類木を作成する場合の話で、一般的
な構造の分類木に対しては、本発明の分割は２分割であ
る必要はなく、例えば図３（ｂ）の様に３分割であって
も構わない。また、この分割は等分である必要もなく、
例えば図３（ｃ）の様に不均一分割であっても構わな
い。
【００１８】以上のように、階層断片化前処理部１０２
は、パターンを分類するための特徴量の各次元を、所定
の方法で分割し、分類木の各ノードにおいて使用される
閾値を前もって決定しておく。
は、パターンを分類するための特徴量の各次元を、所定
の方法で分割し、分類木の各ノードにおいて使用される
閾値を前もって決定しておく。
【００１９】以下、上記の構成による分類木の生成手順
を説明する。本実施形態では、オンライン手書き文字認
識技術に本発明を適用した例を用いて説明することにす
る。なお、本発明が一般のパターン認識技術に対して
も、なんら変更なく、適用可能であることは明らかであ
る。
を説明する。本実施形態では、オンライン手書き文字認
識技術に本発明を適用した例を用いて説明することにす
る。なお、本発明が一般のパターン認識技術に対して
も、なんら変更なく、適用可能であることは明らかであ
る。
【００２０】まず、図４を用いてパターンを表現するた
めの特徴量を説明する。図４では「あ」の文字が入力文
字となっている。４０１の枠は、特徴量を求めるときの
基準となる枠であり、例えば実際の認識文字板の入力枠
でもよいし、入力された文字の外接矩形でもよい。
「あ」を構成する３つのストロークは点列から構成され
ており、まずその点列からストロークを記述するのに妥
当な点（いわゆる特徴点）を求める。例えば、図４では
「あ」の第１画（４０２）の始点４０２ａと終点４０２
ｂを特徴点としている。例えばこのように特徴点を取る
と、「あ」という文字のように３つのストロークで構成
される文字は、３×２＝６次元の特徴ベクトルで記述さ
れることになる。また、各特徴点をＸ座標のみを用いれ
ば３ストロークで構成される文字の次元は６次元であ
り、Ｘ座標とＹ座標を用いれば１２次元となる。
めの特徴量を説明する。図４では「あ」の文字が入力文
字となっている。４０１の枠は、特徴量を求めるときの
基準となる枠であり、例えば実際の認識文字板の入力枠
でもよいし、入力された文字の外接矩形でもよい。
「あ」を構成する３つのストロークは点列から構成され
ており、まずその点列からストロークを記述するのに妥
当な点（いわゆる特徴点）を求める。例えば、図４では
「あ」の第１画（４０２）の始点４０２ａと終点４０２
ｂを特徴点としている。例えばこのように特徴点を取る
と、「あ」という文字のように３つのストロークで構成
される文字は、３×２＝６次元の特徴ベクトルで記述さ
れることになる。また、各特徴点をＸ座標のみを用いれ
ば３ストロークで構成される文字の次元は６次元であ
り、Ｘ座標とＹ座標を用いれば１２次元となる。
【００２１】なお、始点、終点の他に、例えば各ストロ
ークの１／４点、中点、３／４点、または重心等の特徴
点の座標を使って文字を記述してもよいし、文字全体の
最上点、最下点、最右点、最左点等の特徴点の座標を使
ってもよい。
ークの１／４点、中点、３／４点、または重心等の特徴
点の座標を使って文字を記述してもよいし、文字全体の
最上点、最下点、最右点、最左点等の特徴点の座標を使
ってもよい。
【００２２】以上述べた特徴量の求め方は、極めて常識
的、標準的なものである。これに対して、例えば図４に
示されるような、あるストローク（４０３の場合、第１
画）の特徴点（４０３の場合、始点）からあるストロー
ク（４０３の場合、第２画）の特徴点（４０３の場合、
終点）への差分ベクトル４０３を一つの座標値として用
いてもよい。
的、標準的なものである。これに対して、例えば図４に
示されるような、あるストローク（４０３の場合、第１
画）の特徴点（４０３の場合、始点）からあるストロー
ク（４０３の場合、第２画）の特徴点（４０３の場合、
終点）への差分ベクトル４０３を一つの座標値として用
いてもよい。
【００２３】以上説明したように、一旦パターンを記述
する特徴量の次元（＝変数の数）が決定されれば、その
後は、それら変数のそれぞれを図３の（ａ），（ｂ），
（ｃ）にある様に再帰的に断片化する。そして、学習用
パターンを、断片化された次元によって階層化し、階層
化された学習用パターン１０３を生成する。これが階層
断片化前処理部１０２による処理である。
する特徴量の次元（＝変数の数）が決定されれば、その
後は、それら変数のそれぞれを図３の（ａ），（ｂ），
（ｃ）にある様に再帰的に断片化する。そして、学習用
パターンを、断片化された次元によって階層化し、階層
化された学習用パターン１０３を生成する。これが階層
断片化前処理部１０２による処理である。
【００２４】図５は本実施形態による分類木作成の手順
を説明する図である。図５ではＸ軸を再帰的に３回、２
分割し、Ｘ軸を８個に断片化している。そして、「あ」
の第１画のストロークの始点は左から２番目の断片に属
していることになる。もちろんＹ軸に関しても、同様に
断片化をする。但し、Ｘ軸とＹ軸が全く同じ形式で断片
化されなくてはいけないわけではない。また、図５には
第１ストロークの始点のＸ座標という特徴量の次元を分
割する様子を示しているが、第１ストロークの終点、第
２、第３ストロークの始点、終点のＸ座標の各次元につ
いても同様に次元の分割を行う。ただし、各次元の分割
数は同一である必要は無く、また、すべてが等分割であ
る必要も無い。
を説明する図である。図５ではＸ軸を再帰的に３回、２
分割し、Ｘ軸を８個に断片化している。そして、「あ」
の第１画のストロークの始点は左から２番目の断片に属
していることになる。もちろんＹ軸に関しても、同様に
断片化をする。但し、Ｘ軸とＹ軸が全く同じ形式で断片
化されなくてはいけないわけではない。また、図５には
第１ストロークの始点のＸ座標という特徴量の次元を分
割する様子を示しているが、第１ストロークの終点、第
２、第３ストロークの始点、終点のＸ座標の各次元につ
いても同様に次元の分割を行う。ただし、各次元の分割
数は同一である必要は無く、また、すべてが等分割であ
る必要も無い。
【００２５】図５の通りＸ軸を断片化した後、分類木を
作成するわけであるが、例えば特徴量が第１画のストロ
ークの始点のＸ座標しかない場合（特徴量の次元画１次
元＝１変数）、図５の「あ」パターンからは図５下の分
類木が作成される。
作成するわけであるが、例えば特徴量が第１画のストロ
ークの始点のＸ座標しかない場合（特徴量の次元画１次
元＝１変数）、図５の「あ」パターンからは図５下の分
類木が作成される。
【００２６】特徴量の次元がｎ（ ｎ＞１）である場
合、分類木の各ノードで、どの次元に注目すれば最も分
類効率が上がるかを評価しながら分類木を作成してい
く。この分類効率の評価を行うのが展開変数判別部１０
５である。なわち、展開変数判別部１０５は、階層化さ
れた学習用パターン１０３を用いて、予め定めた閾値に
基づいて分類効率を計算する。
合、分類木の各ノードで、どの次元に注目すれば最も分
類効率が上がるかを評価しながら分類木を作成してい
く。この分類効率の評価を行うのが展開変数判別部１０
５である。なわち、展開変数判別部１０５は、階層化さ
れた学習用パターン１０３を用いて、予め定めた閾値に
基づいて分類効率を計算する。
【００２７】なお、分類効率の評価としては、例えば文
献“Classification and Regression Trees”の“Gini
Griterion”を用いる方法、情報理論で一般的に使用さ
れている“Mutual Infomation”を用いる方法等、周知
の手法を適用できる。
献“Classification and Regression Trees”の“Gini
Griterion”を用いる方法、情報理論で一般的に使用さ
れている“Mutual Infomation”を用いる方法等、周知
の手法を適用できる。
【００２８】また、その他の分類木を作成するための一
般的な手法は全て公知のものが使用できる。例えば、文
献“Classification and Regression Trees”にはリー
フノードを作成する際に、何の尺度を用いれば良いかが
記述されている。例えば、エントロピーをその尺度とし
て採用するならば、本実施形態の分類木作成処理のフロ
ーチャートは図６のようになる。なお、エントロピーは
ΣＰi・ｌｏｇＰiで定義される。
般的な手法は全て公知のものが使用できる。例えば、文
献“Classification and Regression Trees”にはリー
フノードを作成する際に、何の尺度を用いれば良いかが
記述されている。例えば、エントロピーをその尺度とし
て採用するならば、本実施形態の分類木作成処理のフロ
ーチャートは図６のようになる。なお、エントロピーは
ΣＰi・ｌｏｇＰiで定義される。
【００２９】図６において、ステップＳ１１で処理対象
のノードに着目する。まず最初に分類木のルートノード
から出発することになる。ルートノードはもちろん複数
のカテゴリーの学習パターンが存在するので、ステップ
Ｓ１２からステップＳ１３進む。次に、ステップＳ１３
において、そのノードにおけるエントロピーを算出し、
得られたエントロピーがある閾値より小さい場合は、ス
テップＳ１６へ進み、そのノードをリーフノードとし
て、最も存在確率の高いカテゴリー番号をそのノードに
対応させる。例えば、そのノードに「な」と「は」が存
在し、「な」が圧倒的に多い場合、当該ノードは「な」
のリーフノードとする。もちろんルートノードはリーフ
ノードにはなり得ないので、ステップＳ１３からステッ
プＳ１４へ進むことになる。
のノードに着目する。まず最初に分類木のルートノード
から出発することになる。ルートノードはもちろん複数
のカテゴリーの学習パターンが存在するので、ステップ
Ｓ１２からステップＳ１３進む。次に、ステップＳ１３
において、そのノードにおけるエントロピーを算出し、
得られたエントロピーがある閾値より小さい場合は、ス
テップＳ１６へ進み、そのノードをリーフノードとし
て、最も存在確率の高いカテゴリー番号をそのノードに
対応させる。例えば、そのノードに「な」と「は」が存
在し、「な」が圧倒的に多い場合、当該ノードは「な」
のリーフノードとする。もちろんルートノードはリーフ
ノードにはなり得ないので、ステップＳ１３からステッ
プＳ１４へ進むことになる。
【００３０】ステップＳ１４では、展開変数判別部１０
５による分類効率の判定を行い、その結果に基づいて、
当該ノードに用いるべき特徴変数（特徴量の次元）に関
するDecisionを行う。その結果、２分岐の場合は２つの
ノードが新たに生成される。なお、一般化して述べれ
ば、ｎ分岐の場合はｎ個のノードが生成されることにな
る。そして、そのそれぞれのノードに対してもとの「あ
るノードに着目」に戻る。
５による分類効率の判定を行い、その結果に基づいて、
当該ノードに用いるべき特徴変数（特徴量の次元）に関
するDecisionを行う。その結果、２分岐の場合は２つの
ノードが新たに生成される。なお、一般化して述べれ
ば、ｎ分岐の場合はｎ個のノードが生成されることにな
る。そして、そのそれぞれのノードに対してもとの「あ
るノードに着目」に戻る。
【００３１】図７は第１ストロークのＸ座標とＹ座標を
変数（特徴量の次元）とする、２変数の場合の分類木の
生成を説明する図である。図７の（ａ）に示されるよう
に、本例では、Ｘ座標は７つの閾値（Ｘ１〜Ｘ７）で８
つの階層に断片化され（図５と同様）、Ｙ座標は３つの
閾値で４つの階層に断片化されている。図７の（ｂ）
は、各次元の閾値の階層構造を示す図である。例えば、
Ｘ４より左にあると分類された場合、次に比較される閾
値はＸ２となる。
変数（特徴量の次元）とする、２変数の場合の分類木の
生成を説明する図である。図７の（ａ）に示されるよう
に、本例では、Ｘ座標は７つの閾値（Ｘ１〜Ｘ７）で８
つの階層に断片化され（図５と同様）、Ｙ座標は３つの
閾値で４つの階層に断片化されている。図７の（ｂ）
は、各次元の閾値の階層構造を示す図である。例えば、
Ｘ４より左にあると分類された場合、次に比較される閾
値はＸ２となる。
【００３２】図７の（ｃ）は図６のフローチャートに従
って生成される分類木の一例を示す図である。ノード７
０１はルートノードであり、ステップＳ１４によってＸ
座標の次元が選択されたことにより、ステップＳ１５に
おいて閾値であるＸ４が設定される。そして、この結
果、２つのノード７０２、７０３が生成される。次に、
ノード７０２が着目ノードとなり、ノード７０２が複数
のカテゴリに属する学習パターンを有する場合、ステッ
プＳ１４においてノード７０２で展開変数判別部１０５
が採用すべき次元を決定する。ここでは、Ｙ座標が選択
されたので、ステップＳ１５において閾値としてＹ２が
設定される。以下、同様に、ノード７０４ではＹ座標が
選択されて閾値Ｙ３が、ノード７０５ではＸ座標が選択
されて閾値Ｘ２が設定されている。なお、各閾値の設定
は、図７の（ｂ）に示した階層構造に則ってなされる。
すなわち、Ｘ４より右側へ分岐した部分（ノード７０１
において右側に分岐した部分）において、次にＸ座標が
選択された場合の閾値はＸ２ということになる（従っ
て、ノード７０５の閾値はＸ２となる）。
って生成される分類木の一例を示す図である。ノード７
０１はルートノードであり、ステップＳ１４によってＸ
座標の次元が選択されたことにより、ステップＳ１５に
おいて閾値であるＸ４が設定される。そして、この結
果、２つのノード７０２、７０３が生成される。次に、
ノード７０２が着目ノードとなり、ノード７０２が複数
のカテゴリに属する学習パターンを有する場合、ステッ
プＳ１４においてノード７０２で展開変数判別部１０５
が採用すべき次元を決定する。ここでは、Ｙ座標が選択
されたので、ステップＳ１５において閾値としてＹ２が
設定される。以下、同様に、ノード７０４ではＹ座標が
選択されて閾値Ｙ３が、ノード７０５ではＸ座標が選択
されて閾値Ｘ２が設定されている。なお、各閾値の設定
は、図７の（ｂ）に示した階層構造に則ってなされる。
すなわち、Ｘ４より右側へ分岐した部分（ノード７０１
において右側に分岐した部分）において、次にＸ座標が
選択された場合の閾値はＸ２ということになる（従っ
て、ノード７０５の閾値はＸ２となる）。
【００３３】さて、着目しているノードが単一のカテゴ
リの学習パターンしか含まない場合は、当該ノードをリ
ーフノードに決定する（ステップＳ１７、Ｓ１６）。ま
た、ステップＳ１７でＮＯに分岐する場合は、学習パタ
ーンが存在しないことを意味しており、その場合はステ
ップＳ１８において当該ノードを分類木から削除する。
リの学習パターンしか含まない場合は、当該ノードをリ
ーフノードに決定する（ステップＳ１７、Ｓ１６）。ま
た、ステップＳ１７でＮＯに分岐する場合は、学習パタ
ーンが存在しないことを意味しており、その場合はステ
ップＳ１８において当該ノードを分類木から削除する。
【００３４】以上の手順に従って分類木を作成していっ
て、すべてのノードに対して処理を終了した時点で、分
類木の作成終了とする（ステップＳ１９、Ｓ２０）。
て、すべてのノードに対して処理を終了した時点で、分
類木の作成終了とする（ステップＳ１９、Ｓ２０）。
【００３５】図７は本実施形態の情報処理装置の構成例
を示すブロック図である。８１はＣＰＵであり、メモリ
８３に格納された制御プログラムに従って各種制御を実
現する。８２はハードディスクであり、入力データとし
て全学習パターンが保持されるとともに、出力データと
して分類木の作成結果が保持される。８３はメモリであ
り、プログラム部８４とデータ部８５を有する。プログ
ラム部８４には、図６で説明したフローチャートの手順
を実現する制御プログラム等がサブルーチンとして存在
し、ＣＰＵ８１は個々のサブルーチンを読み出して実行
する。データ部８５には、個々の学習パターンを暫定的
に保持する学習パターンバッファ８５ａと、階層断片化
された学習パターン領域８５ｂと、作成途中の分類木を
保持する分類木バッファ８５ｃが存在する。
を示すブロック図である。８１はＣＰＵであり、メモリ
８３に格納された制御プログラムに従って各種制御を実
現する。８２はハードディスクであり、入力データとし
て全学習パターンが保持されるとともに、出力データと
して分類木の作成結果が保持される。８３はメモリであ
り、プログラム部８４とデータ部８５を有する。プログ
ラム部８４には、図６で説明したフローチャートの手順
を実現する制御プログラム等がサブルーチンとして存在
し、ＣＰＵ８１は個々のサブルーチンを読み出して実行
する。データ部８５には、個々の学習パターンを暫定的
に保持する学習パターンバッファ８５ａと、階層断片化
された学習パターン領域８５ｂと、作成途中の分類木を
保持する分類木バッファ８５ｃが存在する。
【００３６】学習パターンバッファ８５ａには、ハード
ディスク８２から全学習パターンを逐次格納する。そし
て、階層断片化前処理部１０２によって階層化された学
習用パターン１０３を得て、これを階層化された学習パ
ターン領域８５ｂに格納する。その後、分類木作成部１
０４は図６による分類木作成の手順を実行して、分類木
を作成する。
ディスク８２から全学習パターンを逐次格納する。そし
て、階層断片化前処理部１０２によって階層化された学
習用パターン１０３を得て、これを階層化された学習パ
ターン領域８５ｂに格納する。その後、分類木作成部１
０４は図６による分類木作成の手順を実行して、分類木
を作成する。
【００３７】以上説明したように、上記第１の実施形態
によれば、各ノードにおいて採用すべき次元が決定され
ると、階層断片化前処理部１０２において予め決定され
た閾値が自動的に設定されることになるので、計算量が
減少し、分類木の作成時間が短縮できる。
によれば、各ノードにおいて採用すべき次元が決定され
ると、階層断片化前処理部１０２において予め決定され
た閾値が自動的に設定されることになるので、計算量が
減少し、分類木の作成時間が短縮できる。
【００３８】なお、上記実施形態では３ストロークの文
字を分類するための分類木の生成を示したが、他のスト
ローク数、例えば４ストロークの文字や２ストロークの
文字を分類するための分類木の生成も同様に行なわれ
る。
字を分類するための分類木の生成を示したが、他のスト
ローク数、例えば４ストロークの文字や２ストロークの
文字を分類するための分類木の生成も同様に行なわれ
る。
【００３９】＜第２の実施形態＞図９は、第２の実施形
態によるパターン認識処理の機能構成を説明するブロッ
ク図である。８０１は入力パターンであり、認識対象
（分類対象）となる入力パターンである。８０２は入力
パターン８０１を階層的に断片化する階層断片化前処理
部である。また、８０３は断片化前処理された後の階層
化された入力パターン、８０４は分類木である。８０５
はカテゴリー判別部であり、階層化された入力パターン
８０３と分類木８０４を元にカテゴリーの判別確率を求
める。第２の実施形態におけるインプットは“入力パタ
ーン８０１”で、アウトプットは“認識候補８０６”と
なる。また、分類木８０４としては、第１の実施形態の
方法で作成し得る分類木を採用するものとする。
態によるパターン認識処理の機能構成を説明するブロッ
ク図である。８０１は入力パターンであり、認識対象
（分類対象）となる入力パターンである。８０２は入力
パターン８０１を階層的に断片化する階層断片化前処理
部である。また、８０３は断片化前処理された後の階層
化された入力パターン、８０４は分類木である。８０５
はカテゴリー判別部であり、階層化された入力パターン
８０３と分類木８０４を元にカテゴリーの判別確率を求
める。第２の実施形態におけるインプットは“入力パタ
ーン８０１”で、アウトプットは“認識候補８０６”と
なる。また、分類木８０４としては、第１の実施形態の
方法で作成し得る分類木を採用するものとする。
【００４０】入力パターン８０１は、第１の実施形態の
学習用パターン１０１に対応するもので、実質的には何
ら変りはない。階層断片化前処理部８０２は第１の実形
態の階層断片化前処理部８０２と同様のものである。階
層化された入力パターン８０３は、第１の実施形態の場
合は学習パターンの数だけ存在していたが、本第２の実
施形態においては、入力パターン８０１から導きだされ
た１つのみとなる。
学習用パターン１０１に対応するもので、実質的には何
ら変りはない。階層断片化前処理部８０２は第１の実形
態の階層断片化前処理部８０２と同様のものである。階
層化された入力パターン８０３は、第１の実施形態の場
合は学習パターンの数だけ存在していたが、本第２の実
施形態においては、入力パターン８０１から導きだされ
た１つのみとなる。
【００４１】カテゴリー判別部８０５は、階層化された
入力パターン８０３に基づき、分類木８０４をたどって
葉（リーフノード）に到達した時点で、その葉に存在す
る最も確からしいカテゴリーを認識結果として出力す
る。また、葉に到達しなかった場合は、最後に通過した
ノードに含まれるカテゴリー確率（カテゴリー存在確
率）を結果として出力する。
入力パターン８０３に基づき、分類木８０４をたどって
葉（リーフノード）に到達した時点で、その葉に存在す
る最も確からしいカテゴリーを認識結果として出力す
る。また、葉に到達しなかった場合は、最後に通過した
ノードに含まれるカテゴリー確率（カテゴリー存在確
率）を結果として出力する。
【００４２】次に、第２の実施形態の情報処理装置の構
成例を図１０に示す。１０１０はＣＰＵであり、メモリ
１０４０に格納された制御プログラムに基づいて各種の
制御を実現する。１０２０は入力装置であり、入力パタ
ーン８０１を入力するのに用いられる。入力装置１０２
０は認識処理の対象となるパターンを入力するのに適し
たものであり、例えば手書き文字認識であれば座標入力
装置が、音声認識であればマイクロフォンが用いられ
る。１０３０はハードディスクであり、分類木を格納す
る。メモリ１０４０はプログラム部１０５０とデータ部
１０６０とに別れる。プログラム部１０５０には、図９
のブロック図の個々の部品がサブルーチンとして存在
し、ＣＰＵ１０１０は個々のサブルーチンを読み出して
実行する。データ部１０６０には、入力装置１０２０か
らユーザが入力した入力パターン１０６ａ（入力パター
ン８０１を格納する）と、入力パターンを階層断片化さ
れた入力パターン１０６ｂ（階層化された入力パターン
８０３を格納する）と、認識候補１０６ｃが存在する。
カテゴリー判別部８０５は階層化された入力パターン８
０３と分類木８０４に従って認識候補８０６を決定し、
データ部１０６０の認識候補１０６ｃに格納する。
成例を図１０に示す。１０１０はＣＰＵであり、メモリ
１０４０に格納された制御プログラムに基づいて各種の
制御を実現する。１０２０は入力装置であり、入力パタ
ーン８０１を入力するのに用いられる。入力装置１０２
０は認識処理の対象となるパターンを入力するのに適し
たものであり、例えば手書き文字認識であれば座標入力
装置が、音声認識であればマイクロフォンが用いられ
る。１０３０はハードディスクであり、分類木を格納す
る。メモリ１０４０はプログラム部１０５０とデータ部
１０６０とに別れる。プログラム部１０５０には、図９
のブロック図の個々の部品がサブルーチンとして存在
し、ＣＰＵ１０１０は個々のサブルーチンを読み出して
実行する。データ部１０６０には、入力装置１０２０か
らユーザが入力した入力パターン１０６ａ（入力パター
ン８０１を格納する）と、入力パターンを階層断片化さ
れた入力パターン１０６ｂ（階層化された入力パターン
８０３を格納する）と、認識候補１０６ｃが存在する。
カテゴリー判別部８０５は階層化された入力パターン８
０３と分類木８０４に従って認識候補８０６を決定し、
データ部１０６０の認識候補１０６ｃに格納する。
【００４３】＜第３の実施形態＞図１１は、第３の実施
形態による分類木作成機能を説明するブロック図であ
る。１００１は学習用パターン、１００２は学習用パタ
ーン１００１をサブパーン毎に切り出すサブパターン取
り出し部、１００３は学習用サブパターンを階層的に断
片化する階層断片化前処理部、１００４は階層断片化前
処理部１００３によって断片化前処理された後の階層化
された学習用サブパターン、１００５は階層化された学
習用サブパターン１００４を元に分類木を作成する分類
木作成部、１００６は分類木作成部１００５が分類木を
作成する過程で使用する展開変数判別部、１００７は分
類木作成部１００５による処理の結果として得られた分
類木である。第３の実施形態におけるインプットは、
“学習用パターン１００１”で、アウトプットは、“分
類木１００７”となる。なお、本例において、サブパタ
ーンの概念は漢字の偏と旁からきている。例えば、
「漢」は１３画で、ｘ、ｙで２６次元となるが、「最初
の３画（偏）」と「最後の１０画（旁）」に分けて、そ
れぞれの次元で分類木を作ることができる。
形態による分類木作成機能を説明するブロック図であ
る。１００１は学習用パターン、１００２は学習用パタ
ーン１００１をサブパーン毎に切り出すサブパターン取
り出し部、１００３は学習用サブパターンを階層的に断
片化する階層断片化前処理部、１００４は階層断片化前
処理部１００３によって断片化前処理された後の階層化
された学習用サブパターン、１００５は階層化された学
習用サブパターン１００４を元に分類木を作成する分類
木作成部、１００６は分類木作成部１００５が分類木を
作成する過程で使用する展開変数判別部、１００７は分
類木作成部１００５による処理の結果として得られた分
類木である。第３の実施形態におけるインプットは、
“学習用パターン１００１”で、アウトプットは、“分
類木１００７”となる。なお、本例において、サブパタ
ーンの概念は漢字の偏と旁からきている。例えば、
「漢」は１３画で、ｘ、ｙで２６次元となるが、「最初
の３画（偏）」と「最後の１０画（旁）」に分けて、そ
れぞれの次元で分類木を作ることができる。
【００４４】第１の実施形態で述べたオンライン手書き
文字認識を例にとって説明する。第１の実施形態で述べ
たとおり「あ」という３画のストロークで書かれる文字
において、始点終点の座標値を特徴点として用いると、
パターンは結局３×２＝６次元の特徴ベクトルで記述さ
れることになる。例えば、この特徴ベクトルを構成する
６次元から２次元ずつ抽出すると、6Ｃ2＝１５個の２次
元ベクトルがサブパターンとして抽出できることにな
る。第３の実施形態ではこの１５個のベクトル毎に第１
の実施形態と同様な手順で分類木を作成するのである。
この方法は、学習パターンの情報を冗長に保持し、それ
に関するパターン認識を行うことに相当する。よって、
この方法を用いると、結果として少量の学習パターンで
も高認識率が実現できることになる。但し、結果的に生
成される全分類木の合計サイズは、冗長性が高まれば高
まる程大きくなる。
文字認識を例にとって説明する。第１の実施形態で述べ
たとおり「あ」という３画のストロークで書かれる文字
において、始点終点の座標値を特徴点として用いると、
パターンは結局３×２＝６次元の特徴ベクトルで記述さ
れることになる。例えば、この特徴ベクトルを構成する
６次元から２次元ずつ抽出すると、6Ｃ2＝１５個の２次
元ベクトルがサブパターンとして抽出できることにな
る。第３の実施形態ではこの１５個のベクトル毎に第１
の実施形態と同様な手順で分類木を作成するのである。
この方法は、学習パターンの情報を冗長に保持し、それ
に関するパターン認識を行うことに相当する。よって、
この方法を用いると、結果として少量の学習パターンで
も高認識率が実現できることになる。但し、結果的に生
成される全分類木の合計サイズは、冗長性が高まれば高
まる程大きくなる。
【００４５】例えば極端な例として、６次元の特徴ベク
トルから１次元ずつ抽出すると、最も単純な分類木作成
が行え、かつ分類木のサイズは小さくなるが、冗長性が
全くなくなり、分類能力は低下する。
トルから１次元ずつ抽出すると、最も単純な分類木作成
が行え、かつ分類木のサイズは小さくなるが、冗長性が
全くなくなり、分類能力は低下する。
【００４６】６次元ベクトルの場合、最大（6Ｃ6+6Ｃ5+
6ＣＣ4+6Ｃ3+6Ｃ2+6Ｃ1）＝６３個の次元の異なるベク
トルがえられ、これらそれぞれについて分類木を作成す
ると、最も冗長性は高くなり認識率も高くなる。
6ＣＣ4+6Ｃ3+6Ｃ2+6Ｃ1）＝６３個の次元の異なるベク
トルがえられ、これらそれぞれについて分類木を作成す
ると、最も冗長性は高くなり認識率も高くなる。
【００４７】なお、第３の実施形態の具体的な装置構成
例は、第１の実施形態の図７に示したものと基本的に同
じである。
例は、第１の実施形態の図７に示したものと基本的に同
じである。
【００４８】以上のように、分類木の作成を第１の実施
形態で説明したのと同様の手法を行うことにより、分類
木をより短時間で作成できるので、上述のような分類木
を冗長に作成するようにしても十分実用に耐えるスルー
プットが得られる。そして、このように冗長な分類木を
作成して、後述の第４の実施形態の如く認識処理を行う
ことにより、認識率を高めることができる。
形態で説明したのと同様の手法を行うことにより、分類
木をより短時間で作成できるので、上述のような分類木
を冗長に作成するようにしても十分実用に耐えるスルー
プットが得られる。そして、このように冗長な分類木を
作成して、後述の第４の実施形態の如く認識処理を行う
ことにより、認識率を高めることができる。
【００４９】＜第４の実施形態＞図１２は、第３の実施
形態による分類木作成機能を説明するブロック図であ
る。１１０１は入力パターン、１１０２は入力パターン
１１０１をサブパターン毎に切り出すサブパターン取り
出し部、１１０３はサブパターンを階層的に断片化する
階層断片化前処理部、１１０４は断片化前処理された後
の階層化されたサブパターン、１１０５は分類木、１１
０６は階層化されたサブパターン１１０４と分類木１１
０５を元にカテゴリーの判別確率を求めるカテゴリー判
別部、１１０７はカテゴリー判別部１１０６による処理
の結果得られた各カテゴリーの判別確率を統合する判別
確率統合部である。第４の実施形態におけるインプット
は“入力パターン１１０１”で、アウトプットは“認識
候補１１０８”となる。なお、上記の分類木は、第３の
実施形態の方法で作成しうる分類木であることが望まし
い。
形態による分類木作成機能を説明するブロック図であ
る。１１０１は入力パターン、１１０２は入力パターン
１１０１をサブパターン毎に切り出すサブパターン取り
出し部、１１０３はサブパターンを階層的に断片化する
階層断片化前処理部、１１０４は断片化前処理された後
の階層化されたサブパターン、１１０５は分類木、１１
０６は階層化されたサブパターン１１０４と分類木１１
０５を元にカテゴリーの判別確率を求めるカテゴリー判
別部、１１０７はカテゴリー判別部１１０６による処理
の結果得られた各カテゴリーの判別確率を統合する判別
確率統合部である。第４の実施形態におけるインプット
は“入力パターン１１０１”で、アウトプットは“認識
候補１１０８”となる。なお、上記の分類木は、第３の
実施形態の方法で作成しうる分類木であることが望まし
い。
【００５０】入力パターン１１０１は、第３の実施形態
の学習用パターン１００１に対応するもので、実質的に
は何ら変りはない。サブパターン取り出し部１１０２、
階層断片化前処理部１１０３の２つの機能は第３の実施
形態のそれぞれ対応する構成（サブパターン取り出し部
１００２、階層断片化前処理部１００３）と同様であ
る。ただし、階層化された入力サブパターン１１０４
は、第３の実施形態の場合は学習パターンの数だけ存在
したが、本第４の実施形態においては、入力されたパタ
ーンから導き出された１つのみとなる。
の学習用パターン１００１に対応するもので、実質的に
は何ら変りはない。サブパターン取り出し部１１０２、
階層断片化前処理部１１０３の２つの機能は第３の実施
形態のそれぞれ対応する構成（サブパターン取り出し部
１００２、階層断片化前処理部１００３）と同様であ
る。ただし、階層化された入力サブパターン１１０４
は、第３の実施形態の場合は学習パターンの数だけ存在
したが、本第４の実施形態においては、入力されたパタ
ーンから導き出された１つのみとなる。
【００５１】判別確率統合部１１０７は、カテゴリー判
別部１１０６のサブパターン毎の結果について相加平
均、または相乗平均等の平均処理を行う。
別部１１０６のサブパターン毎の結果について相加平
均、または相乗平均等の平均処理を行う。
【００５２】なお、第４の実施形態の具体的な装置構成
例は第２の実施形態の図９に示したものと基本的に同様
となる。
例は第２の実施形態の図９に示したものと基本的に同様
となる。
【００５３】なお、本発明は、複数の機器（例えばホス
トコンピュータ，インタフェイス機器，リーダ，プリン
タなど）から構成されるシステムに適用しても、一つの
機器からなる装置（例えば、複写機，ファクシミリ装置
など）に適用してもよい。
トコンピュータ，インタフェイス機器，リーダ，プリン
タなど）から構成されるシステムに適用しても、一つの
機器からなる装置（例えば、複写機，ファクシミリ装置
など）に適用してもよい。
【００５４】また、本発明の目的は、前述した実施形態
の機能を実現するソフトウェアのプログラムコードを記
録した記憶媒体を、システムあるいは装置に供給し、そ
のシステムあるいは装置のコンピュータ（またはＣＰＵ
やＭＰＵ）が記憶媒体に格納されたプログラムコードを
読出し実行することによっても、達成されることは言う
までもない。
の機能を実現するソフトウェアのプログラムコードを記
録した記憶媒体を、システムあるいは装置に供給し、そ
のシステムあるいは装置のコンピュータ（またはＣＰＵ
やＭＰＵ）が記憶媒体に格納されたプログラムコードを
読出し実行することによっても、達成されることは言う
までもない。
【００５５】この場合、記憶媒体から読出されたプログ
ラムコード自体が前述した実施形態の機能を実現するこ
とになり、そのプログラムコードを記憶した記憶媒体は
本発明を構成することになる。
ラムコード自体が前述した実施形態の機能を実現するこ
とになり、そのプログラムコードを記憶した記憶媒体は
本発明を構成することになる。
【００５６】プログラムコードを供給するための記憶媒
体としては、例えば、フロッピディスク，ハードディス
ク，光ディスク，光磁気ディスク，ＣＤ−ＲＯＭ，ＣＤ
−Ｒ，磁気テープ，不揮発性のメモリカード，ＲＯＭな
どを用いることができる。
体としては、例えば、フロッピディスク，ハードディス
ク，光ディスク，光磁気ディスク，ＣＤ−ＲＯＭ，ＣＤ
−Ｒ，磁気テープ，不揮発性のメモリカード，ＲＯＭな
どを用いることができる。
【００５７】また、コンピュータが読出したプログラム
コードを実行することにより、前述した実施形態の機能
が実現されるだけでなく、そのプログラムコードの指示
に基づき、コンピュータ上で稼働しているＯＳ（オペレ
ーティングシステム）などが実際の処理の一部または全
部を行い、その処理によって前述した実施形態の機能が
実現される場合も含まれることは言うまでもない。
コードを実行することにより、前述した実施形態の機能
が実現されるだけでなく、そのプログラムコードの指示
に基づき、コンピュータ上で稼働しているＯＳ（オペレ
ーティングシステム）などが実際の処理の一部または全
部を行い、その処理によって前述した実施形態の機能が
実現される場合も含まれることは言うまでもない。
【００５８】さらに、記憶媒体から読出されたプログラ
ムコードが、コンピュータに挿入された機能拡張ボード
やコンピュータに接続された機能拡張ユニットに備わる
メモリに書込まれた後、そのプログラムコードの指示に
基づき、その機能拡張ボードや機能拡張ユニットに備わ
るＣＰＵなどが実際の処理の一部または全部を行い、そ
の処理によって前述した実施形態の機能が実現される場
合も含まれることは言うまでもない。
ムコードが、コンピュータに挿入された機能拡張ボード
やコンピュータに接続された機能拡張ユニットに備わる
メモリに書込まれた後、そのプログラムコードの指示に
基づき、その機能拡張ボードや機能拡張ユニットに備わ
るＣＰＵなどが実際の処理の一部または全部を行い、そ
の処理によって前述した実施形態の機能が実現される場
合も含まれることは言うまでもない。
【００５９】
【発明の効果】以上説明したように、本発明によれば、
複数の次元で表される特徴量を有するパターンを分類す
るための分類木を高速に作成できるという効果がある。
複数の次元で表される特徴量を有するパターンを分類す
るための分類木を高速に作成できるという効果がある。
【００６０】また、本発明によれば、少量の学習パター
ンでも高認識率が実現できるという効果がある。
ンでも高認識率が実現できるという効果がある。
【００６１】
【図１】本実施形態による情報処理装置の概略の構成を
示すブロック図である。
示すブロック図である。
【図２】第１の実施形態による分類木生成の為の制御構
成を説明する図である。
成を説明する図である。
【図３】階層断片化前処理部１０２による特徴量の断片
化を説明する図である。
化を説明する図である。
【図４】実施形態の情報処理装置におけるパターンの記
述を説明する図である。
述を説明する図である。
【図５】本実施形態による分類木作成の手順を説明する
図である。
図である。
【図６】第１の実施形態における分類木作成過程を示す
フローチャートである。
フローチャートである。
【図７】第１ストロークのＸ座標とＹ座標を変数（特徴
量の次元）とする、２変数の場合の分類木の生成を説明
する図である。
量の次元）とする、２変数の場合の分類木の生成を説明
する図である。
【図８】第１の実施形態の情報処理装置の構成例を示す
ブロック図である。
ブロック図である。
【図９】第２の実施形態によるパターン認識処理の機能
構成を説明するブロック図である。
構成を説明するブロック図である。
【図１０】第２の実施形態による情報処理装置の構成例
を示すブロック図である。
を示すブロック図である。
【図１１】第３の実施形態による分類木作成機能を説明
するブロック図である。
するブロック図である。
【図１２】第４の実施形態による分類木作成機能を説明
するブロック図である。
するブロック図である。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 ＦＩ Ｇ１０Ｌ 3/00 ５２１ Ｇ０６Ｆ 15/401 ３１０Ｄ
Claims (30)
- 【請求項１】 処理対象パターンを分類するための分類
木を生成するための情報処理方法であって、 パターンの分類に用いる特徴量の各次元を階層的に断片
化し、各次元の閾値を決定する断片化工程と、 複数の学習用パターンの各々について、前記断片化工程
で断片化された各次元のどの断片に属するかを示す特徴
情報を求めるパターン断片化工程と、 前記複数の学習パターンの前記各次元に係る特徴情報
と、該各次元の閾値とに基づいて分類木を生成する生成
工程とを備えることを特徴とする情報処理方法。 - 【請求項２】 前記断片化工程は、パターンの分類に用
いる特徴量の各次元を再帰的にｎ分割（ｎは複数）する
ことを特徴とする請求項１に記載の情報処理方法。 - 【請求項３】 前記生成工程は、 生成中の分類木の注目ノードにおいて前記複数の学習パ
ターンの分類効率が高い次元を選択する選択工程と、 前記選択工程で選択された次元において採用すべき閾値
を前記断片化工程で得られた閾値の中から決定し、これ
を当該注目ノードの閾値に決定する決定工程とを有する
ことを特徴とする請求項１に記載の情報処理方法。 - 【請求項４】 前記決定工程は、前記断片化工程で得ら
れた閾値の階層構造に従って採用する閾値を決定するこ
とを特徴とする請求項３に記載の情報処理方法。 - 【請求項５】 前記生成工程で生成された分類木を保持
する保持工程を更に備えることを特徴とする請求項１乃
至４のいずれかに記載の情報処理方法。 - 【請求項６】 前記生成工程で生成された分類木に基づ
いて入力されたパターンを認識する認識工程を更に備え
ることを特徴とする請求項１乃至５のいずれかに記載の
情報処理方法。 - 【請求項７】 入力パターンの特徴量を前記断片化工程
で用いられた各次元について獲得する獲得工程を更に備
え、 前記認識工程は、前記獲得工程で獲得された入力パター
ンの各次元の特徴量と、前記生成工程で生成された分類
木とに基づいて当該入力パターンの認識を行うことを特
徴とする請求項６に記載の情報処理方法。 - 【請求項８】 処理対象パターンを分類するための分類
木を生成する情報処理装置であって、 パターンの分類に用いる特徴量の各次元を階層的に断片
化し、各次元の閾値を決定する断片化手段と、 複数の学習用パターンの各々について、前記断片化手段
で断片化された各次元のどの断片に属するかを示す特徴
情報を求めるパターン断片化手段と、 前記複数の学習パターンの前記各次元に係る特徴情報
と、該各次元の閾値とに基づいて分類木を生成する生成
手段とを備えることを特徴とする情報処理装置。 - 【請求項９】 前記断片化手段は、パターンの分類に用
いる特徴量の各次元を再帰的にｎ分割（ｎは複数）する
ことを特徴とする請求項８に記載の情報処理装置。 - 【請求項１０】 前記生成手段は、 生成中の分類木の注目ノードにおいて前記複数の学習パ
ターンの分類効率が高い次元を選択する選択手段と、 前記選択手段で選択された次元において採用すべき閾値
を前記断片化手段で得られた閾値の中から決定し、これ
を当該注目ノードの閾値に決定する決定手段とを有する
ことを特徴とする請求項８に記載の情報処理装置。 - 【請求項１１】 前記決定手段は、前記断片化手段で得
られた閾値の階層構造に従って採用する閾値を決定する
ことを特徴とする請求項１０に記載の情報処理装置。 - 【請求項１２】 前記生成手段で生成された分類木を保
持する保持手段を更に備えることを特徴とする請求項８
乃至１１のいずれかに記載の情報処理装置。 - 【請求項１３】 前記生成手段で生成された分類木に基
づいて入力されたパターンを認識する認識手段を更に備
えることを特徴とする請求項８乃至１２のいずれかに記
載の情報処理装置。 - 【請求項１４】 入力パターンの特徴量を前記断片化手
段で用いられた各次元について獲得する獲得手段を更に
備え、 前記認識手段は、前記獲得手段で獲得された入力パター
ンの各次元の特徴量と、前記生成手段で生成された分類
木とに基づいて当該入力パターンの認識を行うことを特
徴とする請求項１３に記載の情報処理装置。 - 【請求項１５】 処理対象パターンを分類するための分
類木を生成するための情報処理方法であって、 パターンの分類に用いる特徴量の複数の次元の夫々を階
層的に断片化し、各次元の閾値を決定する断片化工程
と、 複数の学習用パターンの夫々から、前記複数の次元の一
部もしくは全てを用いて構成される複数種類のサブパタ
ーンを獲得する獲得工程と、 前記サブパターンの各々について、前記断片化工程で断
片化された各次元のどの断片に属するかを示す特徴情報
を求めるパターン断片化工程と、 前記サブパターンの前記各次元に係る特徴情報と、該各
次元の閾値とに基づいて、前記サブパターンの種類数分
の分類木を生成する生成工程とを備えることを特徴とす
る情報処理方法。 - 【請求項１６】 前記断片化工程は、パターンの分類に
用いる特徴量の各次元を再帰的にｎ分割（ｎは複数）す
ることを特徴とする請求項１５に記載の情報処理方法。 - 【請求項１７】 前記生成工程は、 生成中の分類木の注目ノードにおいて分類対象としてい
るサブパターンの分類効率が高い次元を選択する選択工
程と、 前記選択工程で選択された次元において採用すべき閾値
を前記断片化工程で得られた閾値の中から決定し、これ
を当該注目ノードの閾値に決定する決定工程とを有する
ことを特徴とする請求項１５に記載の情報処理方法。 - 【請求項１８】 前記決定工程は、前記断片化工程で得
られた閾値の階層構造に従って採用する閾値を決定する
ことを特徴とする請求項１７に記載の情報処理方法。 - 【請求項１９】 前記生成工程で生成された複数の分類
木を保持する保持工程を更に備えることを特徴とする請
求項１５乃至１８のいずれかに記載の情報処理方法。 - 【請求項２０】 入力パターンから、前記獲得工程で採
用した特徴量の次元の組み合わせに従って入力サブパタ
ーンを獲得する第２獲得工程と、 前記第２獲得工程で得られた入力サブパターンの各々
を、前記生成工程で生成された分類木に基づいて分類す
る分類工程と、 前記分類工程で得られた各入力サブパターンの分類結果
に基づいて前記入力パターンを認識する認識工程を更に
備えることを特徴とする請求項１５乃至１９のいずれか
に記載の情報処理方法。 - 【請求項２１】 前記入力サブパターンの特徴量を前記
断片化工程で用いられた各次元について獲得する第３獲
得工程を更に備え、 前記分類工程は、前記第３獲得工程で獲得された入力サ
ブパターンの各次元の特徴量と、前記生成工程で生成さ
れた分類木とに基づいて当該入力サブパターンの分類を
行うことを特徴とする請求項２０に記載の情報処理方
法。 - 【請求項２２】 処理対象パターンを分類するための分
類木を生成するための情報処理装置であって、 パターンの分類に用いる特徴量の複数の次元の夫々を階
層的に断片化し、各次元の閾値を決定する断片化手段
と、 複数の学習用パターンの夫々から、前記複数の次元の一
部もしくは全てを用いて構成される複数種類のサブパタ
ーンを獲得する獲得手段と、 前記サブパターンの各々について、前記断片化手段で断
片化された各次元のどの断片に属するかを示す特徴情報
を求めるパターン断片化手段と、 前記サブパターンの前記各次元に係る特徴情報と、該各
次元の閾値とに基づいて、前記サブパターンの種類数分
の分類木を生成する生成手段とを備えることを特徴とす
る情報処理装置。 - 【請求項２３】 前記断片化手段は、パターンの分類に
用いる特徴量の各次元を再帰的にｎ分割（ｎは複数）す
ることを特徴とする請求項２２に記載の情報処理装置。 - 【請求項２４】 前記生成手段は、 生成中の分類木の注目ノードにおいて分類対象としてい
るサブパターンの分類効率が高い次元を選択する選択手
段と、 前記選択手段で選択された次元において採用すべき閾値
を前記断片化手段で得られた閾値の中から決定し、これ
を当該注目ノードの閾値に決定する決定手段とを有する
ことを特徴とする請求項２２に記載の情報処理装置。 - 【請求項２５】 前記決定手段は、前記断片化手段で得
られた閾値の階層構造に従って採用する閾値を決定する
ことを特徴とする請求項２４に記載の情報処理装置。 - 【請求項２６】 前記生成手段で生成された複数の分類
木を保持する保持手段を更に備えることを特徴とする請
求項２２乃至２５のいずれかに記載の情報処理装置。 - 【請求項２７】 入力パターンから、前記獲得手段で採
用した特徴量の次元の組み合わせに従って入力サブパタ
ーンを獲得する第２獲得手段と、 前記第２獲得手段で得られた入力サブパターンの各々
を、前記生成手段で生成された分類木に基づいて分類す
る分類手段と、 前記分類手段で得られた各入力サブパターンの分類結果
に基づいて前記入力パターンを認識する認識手段を更に
備えることを特徴とする請求項２２乃至２６のいずれか
に記載の情報処理装置。 - 【請求項２８】 前記入力サブパターンの特徴量を前記
断片化手段で用いられた各次元について獲得する第３獲
得手段を更に備え、 前記分類手段は、前記第３獲得手段で獲得された入力サ
ブパターンの各次元の特徴量と、前記生成手段で生成さ
れた分類木とに基づいて当該入力サブパターンの分類を
行うことを特徴とする請求項２７に記載の情報処理装
置。 - 【請求項２９】 処理対象パターンを分類するための分
類木を生成する為の制御プログラムを格納する記憶媒体
であって、該制御プログラムがコンピュータを パターンの分類に用いる特徴量の各次元を階層的に断片
化し、各次元の閾値を決定する断片化手段と、 複数の学習用パターンの各々について、前記断片化手段
で断片化された各次元のどの断片に属するかを示す特徴
情報を求めるパターン断片化手段と、 前記複数の学習パターンの前記各次元に係る特徴情報
と、該各次元の閾値とに基づいて分類木を生成する生成
手段として機能させることを特徴とする記憶媒体。 - 【請求項３０】 処理対象パターンを分類するための分
類木を生成するための制御プログラムを格納する記憶媒
体であって、該制御プログラムがコンピュータを、 パターンの分類に用いる特徴量の複数の次元の夫々を階
層的に断片化し、各次元の閾値を決定する断片化手段
と、 複数の学習用パターンの夫々から、前記複数の次元の一
部もしくは全てを用いて構成される複数種類のサブパタ
ーンを獲得する獲得手段と、 前記サブパターンの各々について、前記断片化手段で断
片化された各次元のどの断片に属するかを示す特徴情報
を求めるパターン断片化手段と、 前記サブパターンの前記各次元に係る特徴情報と、該各
次元の閾値とに基づいて、前記サブパターンの種類数分
の分類木を生成する生成手段として機能させることを特
徴とする記憶媒体。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18701997A JP3634574B2 (ja) | 1997-07-11 | 1997-07-11 | 情報処理方法及び装置 |
| US09/112,448 US6560359B2 (en) | 1997-07-11 | 1998-07-09 | Data processing method and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18701997A JP3634574B2 (ja) | 1997-07-11 | 1997-07-11 | 情報処理方法及び装置 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPH1131226A true JPH1131226A (ja) | 1999-02-02 |
| JPH1131226A5 JPH1131226A5 (ja) | 2004-11-25 |
| JP3634574B2 JP3634574B2 (ja) | 2005-03-30 |
Family
ID=16198780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18701997A Expired - Fee Related JP3634574B2 (ja) | 1997-07-11 | 1997-07-11 | 情報処理方法及び装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US6560359B2 (ja) |
| JP (1) | JP3634574B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11126212A (ja) * | 1997-10-24 | 1999-05-11 | Fujitsu Ltd | 特徴量選択装置 |
| KR100484375B1 (ko) * | 2002-02-05 | 2005-04-20 | 이영섭 | 데이터마이닝의 분류 의사 결정 나무에서 극단값을 가지는 관심 노드 분류를 통한 자료의 통계적 분류 방법 |
| KR100497211B1 (ko) * | 2002-03-02 | 2005-06-23 | (주)비엘시스템스 | 데이터 마이닝을 위한 최적의 의사 결정 나무 선택 장치및 그 방법 |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4878667B2 (ja) * | 2000-02-17 | 2012-02-15 | 富士通コンポーネント株式会社 | 座標検出装置及び座標検出方法 |
| US20020174093A1 (en) * | 2001-05-17 | 2002-11-21 | Fabio Casati | Method of identifying and analyzing business processes from workflow audit logs |
| US7068271B2 (en) * | 2001-09-05 | 2006-06-27 | Autodesk, Inc. | Assembly patterns by feature association |
| EP1480155A3 (en) * | 2003-05-19 | 2008-12-03 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, storage medium and program |
| US20110286628A1 (en) * | 2010-05-14 | 2011-11-24 | Goncalves Luis F | Systems and methods for object recognition using a large database |
| JP5865043B2 (ja) * | 2011-12-06 | 2016-02-17 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
| US8873812B2 (en) * | 2012-08-06 | 2014-10-28 | Xerox Corporation | Image segmentation using hierarchical unsupervised segmentation and hierarchical classifiers |
| US9959364B2 (en) * | 2014-05-22 | 2018-05-01 | Oath Inc. | Content recommendations |
| CN105447010B (zh) * | 2014-08-12 | 2018-12-07 | 博雅网络游戏开发（深圳）有限公司 | 文本渲染方法和系统 |
| CN104318255B (zh) * | 2014-11-17 | 2017-10-13 | 成都品果科技有限公司 | 一种移动拍照类app用户的性别识别方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60217477A (ja) * | 1984-04-12 | 1985-10-31 | Toshiba Corp | 手書き文字認識装置 |
| US5634087A (en) * | 1991-02-28 | 1997-05-27 | Rutgers University | Rapidly trainable neural tree network |
| US5325445A (en) * | 1992-05-29 | 1994-06-28 | Eastman Kodak Company | Feature classification using supervised statistical pattern recognition |
| JP3630734B2 (ja) * | 1994-10-28 | 2005-03-23 | キヤノン株式会社 | 情報処理方法 |
| US5787194A (en) * | 1994-11-08 | 1998-07-28 | International Business Machines Corporation | System and method for image processing using segmentation of images and classification and merging of image segments using a cost function |
| US5982933A (en) * | 1996-01-12 | 1999-11-09 | Canon Kabushiki Kaisha | Information processing method, information processing apparatus, and storage medium |
-
1997
- 1997-07-11 JP JP18701997A patent/JP3634574B2/ja not_active Expired - Fee Related
-
1998
- 1998-07-09 US US09/112,448 patent/US6560359B2/en not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11126212A (ja) * | 1997-10-24 | 1999-05-11 | Fujitsu Ltd | 特徴量選択装置 |
| KR100484375B1 (ko) * | 2002-02-05 | 2005-04-20 | 이영섭 | 데이터마이닝의 분류 의사 결정 나무에서 극단값을 가지는 관심 노드 분류를 통한 자료의 통계적 분류 방법 |
| KR100497211B1 (ko) * | 2002-03-02 | 2005-06-23 | (주)비엘시스템스 | 데이터 마이닝을 위한 최적의 의사 결정 나무 선택 장치및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US6560359B2 (en) | 2003-05-06 |
| JP3634574B2 (ja) | 2005-03-30 |
| US20020057841A1 (en) | 2002-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409398B (zh) | 图像处理装置、图像处理方法以及存储介质 | |
| JP3445394B2 (ja) | 少なくとも二つのイメージセクションの比較方法 | |
| CN111401099B (zh) | 文本识别方法、装置以及存储介质 | |
| KR20130029430A (ko) | 문자 인식 장치, 문자 인식 방법, 문자 인식 시스템, 및 문자 인식 프로그램 | |
| JP3634574B2 (ja) | 情報処理方法及び装置 | |
| JP6014120B2 (ja) | 集合演算機能を備えたメモリ及びこれを用いた集合演算処理方法 | |
| Baluja | Learning typographic style: from discrimination to synthesis | |
| JP2000099632A (ja) | 検索装置、検索方法及び検索プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| JP5777390B2 (ja) | 情報処理方法及び装置、パターン識別方法及び装置 | |
| JP4704601B2 (ja) | 文字認識方法，プログラム及び記録媒体 | |
| JP2019220014A (ja) | 画像解析装置、画像解析方法及びプログラム | |
| Shilman et al. | Recognition and grouping of handwritten text in diagrams and equations | |
| Úbeda et al. | Pattern spotting in historical documents using convolutional models | |
| US6233352B1 (en) | Information processing method and apparatus | |
| JP3903613B2 (ja) | 検索装置及び検索プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| JP2002133411A (ja) | 情報処理方法、情報処理装置及びプログラム | |
| CN120635916A (zh) | 一种应用于选举的手写汉字另选他人姓名识别系统及设备 | |
| JP7172343B2 (ja) | 文書検索用プログラム | |
| JP4537097B2 (ja) | パターン検出方法及び装置 | |
| JP2004038744A (ja) | 画像認識アルゴリズム生成方法，画像認識アルゴリズム生成装置，画像認識アルゴリズム生成プログラムおよび画像認識アルゴリズム生成プログラムを記録した記録媒体 | |
| JP4878057B2 (ja) | 文字認識方法，プログラム及び記録媒体 | |
| JP2000076464A (ja) | 図形認識方法、図形認識装置、図形分類方法、図形分類装置、記録媒体、及び、図形特徴抽出方法 | |
| JP2004094644A (ja) | 画像処理装置、画像処理方法、記憶媒体及びプログラム | |
| JP4328511B2 (ja) | パターン認識装置、パターン認識方法、プログラムおよび記憶媒体 | |
| JP2001126063A (ja) | パターン認識方法及びパターン認識装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20031211 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20031211 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040903 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041102 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041217 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041224 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090107 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100107 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110107 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120107 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130107 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140107 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |