大規模事例データベースに基づく身体動作の準教師ありクラスタリングと行動素抽出

ハッシュ法による1対多写像の高速近似法の開発見え方によりクラスタリングを行なうと, 複数の姿勢パラメータの可能性が生じる. すなわち入力1に対して出力は多数となる可能性が生じる. 一般に、学習などの回帰曲綿を求める方法は, 1対1写像を考えており、従来の学習方法ではこの問題は解决しない. そこで, 局所領域分割の基準を推定姿勢パラメータの近似精度から決定する方法を利用した. この手法は, 単一クラスタ内の複数の行動素の生起確率を必要とする. 今回は, 大量事例データが存在するので, クラスタリングを行なった後に, 高速に事例データを読み出して生起確率を計算する必要がある. そこで, ハッシュ法により高速に事例データにアクセスする手法を開発した, なお, ハッシュ関数には高速に計算出来るParameter Sensitive Hashingを利用した。また, クローズドハッシュ法を応用することで1対多の写像を実現した。クラスタリングデータを用いた行動素の評価とクラスリング法の改良前年度に得られたクラスタリングデータを用いて, 画像シーケンスを行動素に分解した. 画像の類似度計算には, クラスタリングに用いた同様の方法を利用した. 複数の画像シーケンスを行動素に分解して.一致度(相違度)を計算して, 得られた行動素がどの程度安定して得られているのかを判定した. また, その結果を元に, 不安定な部分の行動その要因を分析し, クラスタリング法の改良を行った.

ハッシュ法による1対多写像の高速近似法の開発見え方によりクラスタリングを行なうと, 複数の姿勢パラメータの可能性が生じる. すなわち入力1に対して出力は多数となる可能性が生じる. 一般に、学習などの回帰曲綿を求める方法は, 1対1写像を考えており、従来の学習方法ではこの問題は解决しない. そこで, 局所領域分割の基準を推定姿勢パラメータの近似精度から決定する方法を利用した. この手法は, 単一クラスタ内の複数の行動素の生起確率を必要とする. 今回は, 大量事例データが存在するので, クラスタリングを行なった後に, 高速に事例データを読み出して生起確率を計算する必要がある. そこで, ハッシュ法により高速に事例データにアクセスする手法を開発した, なお, ハッシュ関数には高速に計算出来るParameter Sensitive Hashingを利用した。また, クローズドハッシュ法を応用することで1対多の写像を実現した。クラスタリングデータを用いた行動素の評価とクラスリング法の改良前年度に得られたクラスタリングデータを用いて, 画像シーケンスを行動素に分解した. 画像の類似度計算には, クラスタリングに用いた同様の方法を利用した. 複数の画像シーケンスを行動素に分解して.一致度(相違度)を計算して, 得られた行動素がどの程度安定して得られているのかを判定した. また, その結果を元に, 不安定な部分の行動その要因を分析し, クラスタリング法の改良を行った.