階層型自己組織化写像のスパースコーディングを利用した動作認識

摘要

We propose an approach to recognize time-series gesture patterns with Self-Organizing Map. The time length of a human gesture is not always same even if we compare the same gesture. Of course, when the gesture is different, the time length is obviously different. Therefore, the key issue of the time-series pattern recognition is to absorb the time variant appropriately and to make clusters which include the same gesture class. In our approach, we arrange the Self-Organizing Maps hierarchically. In each layer of the Self-Organizing Map, the time-series patterns divided into some periods rowdy. For example, postures which are the minimum unit of a gesture are learned in the first layer. In the second layer, short gestures which are consist of some time-series postures are learned. In this paper, we call such short gestures "gesture element". In the upper layer, gestures which are consist of some gesture elements are learned. In our approach, we use the activated pattern of neurons in the first layer, which we call "Sparse Code". The Self-Organizing Map can store the similar patterns on the neighbor neurons. This helps the Self-Organizing Map to create similar sparse code even if the time lengths of the gesture are different from each other in the same gesture class. Therefore, in the upper layer, the Self-Organizing Map can perform time invariant recognition of the gesture elements and gestures. In this paper, we explain how to learn and recognize the gesture patterns with the sparse codes of the hierarchical Self-Organizing Maps.%本稿では，自己組織化写像を利用した時間長の異なる時系列動作パターンの認識手法を提案する．人間の動作は同じ動作であってもその動作に要する時間は毎回異なり，別の動作であればその特徴は顕著に現れる．従って，動作長の変動をうまく吸収し，同クラスの動作を適切に対応付けすることが動作認識において取り組む問題である．本研究では，自己組織化写像を階層的に配置し，各層では時間長を荒く区切ったパターンを学習する．たとえば，1層目では．動作の最小構成単位である姿勢を学習し，次層では，姿勢を時間方向に集めた動作の基本となる短い動作を学習する．本稿ではこの短い動作を動作素と呼んでいる．さらに上位の層では，動作素を集めた動作を学習する．動作素の学習層では，1層下の自己組織化写像に動作素を入力した際のニューロンの活性化状況（スパースコード）を学習する．自己組織化写像の性質上，類似パターンはマップ内の近くのニューロンに記憶されるため，時間長の異なるパターンであっても類似したスパースコードを生成することが可能である．これにより，上位層では時間長の変動を吸収した動作素あるいは動作の学習が可能となる．以下では，スパースコードを利用した学習法ならびに実験結果について報告する．