学习装置、学习方法和程序制造方法及图纸

本发明专利技术公开了学习装置、学习方法和程序。特征量计算单元从学习图像的各特征点提取特征量。获取单元获取已通过学习所获得的分类器作为迁移分类器。分类器生成单元将特征量代入构成迁移分类器的弱分类器，基于弱分类器的分类结果和学习图像的权重而计算弱分类器的误差率，并且重复选择误差率最小化的弱分类器的处理多次。另外，分类器生成单元通过线性地耦合所选择的多个弱分类器来生成用于检测检测目标的分类器。

【技术实现步骤摘要】

本技术涉及学习装置、学习方法和程序，更具体地，涉及能够以更高速度获得高度精确的分类器的学习装置、学习方法和程序。
技术介绍
尽管例如在多类别对象识别器(诸如，手部形状检测器)的学习中需要大量手部形状的学习图像，但是在使用大量学习图像的情况下，学习是耗时的。已提出了能够使用先前获得的知识缩短学习时间的迁移学习(例如，参见L. Torrey和J. Shavlik, “TransferLearning, ” 在 E. Soria, J. Martin, R. Magdalena, M. Martinez 和 A. Serrano 作为编辑的Handbook of Research on Machine Learning Applications, IGI Global 2009 中;以及Sinno Jialin Pan和Qiang Yang,uK Survey on Transfer Learning,，’IEEE Transactionson Knowledge and Data Engineering, Vol. 22, No. 10, pp 1345 至 1359，2010 年 10 月)。 另外，近年来，已提出了使用迁移学习的对象识别系统(例如，参见L. Fei-Fei, R.Fergus 和 P. Perona, uOne-Shot learning of object categories, ”IEEE Trans.Pattern Analysis and Machine Intelligence, Vol. 28, No. 4, pp 594to 611,2006;E.Bart, S. Ullman, “Cross-generalization:learning novel classes from a singleexample by feature replacement, ” 在 Proc. CVPR, 2005 中；以及 M. Stark, M. Goesele 和B.Schiele, “AShape-Based Object Class Model for Knowledge Transfer,，，第12 届 IEEEInternational Conference on Computer Vision (ICCV), 2009,京都，日本(2009))。在这些对象识别系统中，对象由小部分表现，并且学习这些部分的表现和位置的分布并通过迁移已知类别的分布来学习未知的类别。另外，对象识别系统使用贝叶斯估计的框架，并且关注对一个或多个样本或少量样本的学习。
技术实现思路
然而，如果在真实世界中不存在许多用于鲁棒对象检测的学习样本，则不能获得充分的性能。期望以更高的速度获得高度精确的分类器。根据本实施例，提供了一种学习装置，包括特征量提取单元，用于针对多幅学习图像中的各学习图像，从学习图像的特征点提取特征量，其中，多幅学习图像包括包含检测目标的学习图像和不包含检测目标的学习图像；弱分类计算单元，用于针对构成迁移分类器的多个弱分类器中的各弱分类器，通过将与弱分类器对应的特征量代入弱分类器中来针对每幅学习图像计算根据该弱分类器的检测目标的分类结果，其中该迁移分类器是通过统计学习而获得的用于检测检测目标的分类器；以及分类器生成单元，用于使用基于分类结果从多个弱分类器选择的弱分类器来生成用于检测该检测目标的分类器。学习装置还可包括权重设置单元，用于基于分类结果设置学习图像的权重；以及误差率计算单元，用于基于权重和根据弱分类器的各学习图像的分类结果而计算弱分类器的误差率，其中，分类器生成单元基于误差率选择弱分类器。分类器生成单元所生成的分类器可用于多类别对象识别。分类器生成单元所生成的分类器是构成树结构分类器的分类器，并且迁移分类器是构成树结构分类器的叶子的分类器。根据本技术的第一方面的学习方法或程序包括以下步骤针对多幅学习图像中的各学习图像，从学习图像的特征点中提取特征量，其中，多幅学习图像包括包含检测目标的学习图像和不包含检测目标的学习图像；针对构成迁移分类器的多个弱分类器中的各弱分类器，通过将与弱分类器对应的特征量代入弱分类器中来针对每幅学习图像计算根据该弱分类器的检测目标的分类结果，其中该迁移分类器是通过统计学习而获得的用于检测检测目标的分类器；以及使用基于分类结果从多个弱分类器选择的弱分类器来检测该检测目标，该学习方法包括通过特征量提取单元从学习图像中提取特征量；以及通过弱分类计算单元计算分类结果，并且通过分类器生成单元生成分类器。 根据本技术的第一方面，提供了一种学习装置，包括特征量提取单元，用于针对多幅学习图像中的各学习图像，从学习图像的特征点提取特征量，其中，多幅学习图像包括包含检测目标的学习图像和不包含检测目标的学习图像；弱分类计算单元，用于针对构成迁移分类器的多个弱分类器中的各弱分类器，通过将与弱分类器对应的特征量代入弱分类器中来针对每幅学习图像计算根据该弱分类器的检测目标的分类结果，其中该迁移分类器是通过统计学习而获得的用于检测检测目标的分类器；以及分类器生成单元，用于使用基于分类结果从多个弱分类器选择的弱分类器来生成用于检测该检测目标的分类器，通过特征量提取单元从学习图像中提取特征量；通过弱分类计算单元计算分类结果；以及通过分类器生成单元生成分类器。根据本技术的第二方面，提供了一种学习装置，包括特征量提取单元，用于针对多幅学习图像中的各学习图像，从学习图像的特征点中提取特征量，其中，多幅学习图像包括包含检测目标的学习图像和不包含检测目标的学习图像；弱分类计算单元，用于针对构成迁移分类器的多个弱分类器中的各弱分类器，通过将与弱分类器对应的特征量代入弱分类器中来针对每幅学习图像计算根据该弱分类器的检测目标的分类结果，其中该迁移分类器是通过统计学习而获得的用于检测该检测目标的分类器；以及分类器生成单元，用于使用基于分类结果从多个弱分类器中选择的弱分类器来生成用于检测该检测目标的分类器，通过特征量提取单元从学习图像中提取特征量；通过弱分类计算单元计算分类结果；以及通过分类器生成单元生成分类器。学习装置还可包括权重设置单元，用于基于分类结果设置学习图像的权重；以及误差率计算单元，用于基于权重和根据弱分类器的各学习图像的分类结果而计算弱分类器的误差率。分类器生成单元基于误差率选择弱分类器。分类器生成单元所生成的分类器用于多类别对象识别。分类器生成单元所生成的分类器是构成树结构分类器的分类器，并且迁移分类器是构成树结构分类器的叶子的分类器。一种用在学习装置中的学习方法，其中，该学习装置包括特征量提取单元，用于针对多幅学习图像中的各学习图像，从学习图像的特征点提取特征量，其中，多幅学习图像包括包含检测目标的学习图像和不包含检测目标的学习图像；弱分类器设置单元，用于基于学习图像以及在从学习图像提取的特征量当中与构成迁移分类器的迁移弱分类器对应的特征量，生成弱分类器，其中该迁移分类器是通过统计学习而获得的用于检测该检测目标的分类器；弱分类计算单元，用于通过将与弱分类器对应的特征量代入弱分类器中来针对每幅学习图像计算根据该弱分类器的检测目标的分类结果；以及分类器生成单元，用于使用基于分类本文档来自技高网...

【技术保护点】
一种学习装置，包括：特征量提取单元，用于针对多幅学习图像中的各学习图像，从学习图像的特征点提取特征量，其中所述多幅学习图像包括包含检测目标的学习图像和不包含所述检测目标的学习图像；弱分类计算单元，用于针对构成迁移分类器的多个弱分类器中的各弱分类器，通过将与弱分类器对应的特征量代入所述弱分类器中来针对每幅学习图像计算根据所述弱分类器的所述检测目标的分类结果，其中所述迁移分类器是通过统计学习而获得的用于检测所述检测目标的分类器；以及分类器生成单元，用于使用基于所述分类结果从所述多个弱分类器选择的弱分类器来生成用于检测所述检测目标的分类器。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：横野顺，
申请(专利权)人：索尼公司，
类型：发明
国别省市：