著者

西田 健次 栗田 多喜夫

出版者

一般社団法人情報処理学会

雑誌

情報処理学会研究報告コンピュータビジョンとイメージメディア(CVIM) (ISSN:09196072)

巻号頁・発行日

vol.2005, no.38, pp.333-342, 2005-05-13

---

カーネル学習法は、非線形識別関数を効率よく構成する手法であり、カーネルトリックとも呼ばれている。サポートベクターマシンは、現在知られている多くのパターン認識手法の中でも認識性能の優れた手法であると考えられているが、カーネルトリックによって非線形識別関数を構成できるようになったことが、その性能向上に大きく貢献している。カーネル学習法とサポートベクターマシンに代表される線形識別手法を組み合わせることにより高性能な識別器を構成する事が可能になったが、未学習データに対する認識性能(汎化性能)を更に向上するためには変数選択などの手法が重要な役割を果たす。本稿では、サポートベクターマシンを中心にカーネル学習法について概説し、汎化性能向上のための変数選択手法などを紹介する。さらに、画像認識への応用例も紹介する。Kernel method, which is also called Kernel Trick, is known to be one of the best scheme to extend linear classfier systems to nonlinear classifier systems. Support vector machine (SVM) is recognized as one of the best models for two class classification among the many methods, since its performace is drastically improved by kernel trick. Although we can build a high performance classifier system with combination of kernel method and linear classification method such as SVM, feature selection is still important to obtain high performance for unlearned data. This paper reviews kernel methods centering on the SVM and introduces some feature selection methods. Some examples of applications for image understanding are also introduced.

著者

戸田 賢二 西田 健次 高橋 栄一 Nick Michell 山口 喜教

出版者

一般社団法人情報処理学会

雑誌

情報処理学会論文誌 (ISSN:18827764)

巻号頁・発行日

vol.36, no.7, pp.1619-1629, 1995-07-15

被引用文献数

13

---

実時間並列計算機用相互結合網の構成要素として用いるルータチップの設計およびその性能について報告する。本ルータはパケット交換型で4入力4出力であり、多段網における優先度逆転現象の発生を抑える方式として我々の提案した「優先度先送り方式」を採用している。優先度は32ビット、入力ポートごとに8パケットの優先度キューを持ち、データ転送レートはポート当たり190メガバイト/秒、パイプラインは25ナノ秒ピッチの2段構成である。この性能は優先度制御を行わない通常の方式のルータと比較し遜色のないものである。

著者

黒木 秀一 西田 健

出版者

日本神経回路学会

雑誌

日本神経回路学会誌 (ISSN:1340766X)

巻号頁・発行日

vol.14, no.4, pp.273-281, 2007-12-05 (Released:2008-11-21)

参考文献数

20

被引用文献数

1

---

This paper describes an application of the competitive associative net called CAN2 to plane extraction from range images measured by a laser range scanner (LRS). The CAN2 basically is a neural net for learning efficient piecewise linear approximation of nonlinear functions, and in this application it is utilized for learning piecewise planner (linear) surfaces from the range image. As a result of the learning, the obtained piecewise planner surfaces are more precise than the actual planner surfaces, so that we introduce a method to gather piecewise planner surfaces for reconstructing the actual planner surfaces. We apply this method to the real range image, and examine the effectiveness by means of comparing other methods, such as the USF (University of South Florida) method and a RHT (Randomized Hough Transform) based method.