研究課題
パターン認識系では特徴抽出で測定された大規模な特徴集合から識別に貢献する少数の特徴を抜き出す特徴選択の過程が必要である。しかし、従来の特徴選択手法では識別性能を向上させるために各特徴を使うべきか捨てるべきかという指標を得ることはできるものの、特徴そのものをどの程度の精度で記述(表現)するべきかという指標を得ることができない。そこで本研究では、近年ファジィ理論のラフ集合の分野で研究が盛んな粒度(測定精度)の考え方を学習理論へ応用し、識別対象となるデータの識別に最も適した粒度で離散化して識別を行う手法を検討している。提案手法における粒度の調整は、任意の粒度における学習サンプルの識別状況を情報量基準により評価することで実行する。提案手法により最適に調整された各特徴の粒度はまた、その特徴の識別への貢献度評価を与える事から、提案手法は特徴選択を一般化した手法と見なせる。さらに、システムを利用するユーザーの観点より評価すると提案手法の規則は各特徴の区間(高い・低い等の程度)を条件としたIF-THEN列となり、極めて可読性が高い識別規則となる。本年度は、申請者のこれまでの提案手法に部分クラス法を適用して高い精度で識別する手法を検討し、計算機プログラムへの実装を行い、現実のパターン認識データに対する計算機による性能評価実験を行った。さらに、その結果を国際会議にて発表し、本研究課題に関する評価及びアドバイスを得、今後の画像認識等への応用の可能性を検討した。
すべて 2008
すべて 雑誌論文 (1件) (うち査読あり 1件) 学会発表 (1件)
Lecture Notes in Computer Science, Advances in Pattern Recognition 5342
ページ: 582-591
