Hypercolumn Model: A Combination Model of Hierarchical Self-Organizing Maps and Neocognitron for Image Recognition

本論文では，一般の画像認識へ応用可能な画像認識モデルとしての人工神経回路網:ハイパコラムモデルを提案する．ハイパコラムモデルは，階層化自己組織マップとネオコグニトロンとを統合したモデルであり，それぞれの欠点を補完しつつ両者の利点を継承する．階層化自己組織マップは，自己組織マップを用いて入力空間を低次元の特徴空間に非線型にマッピングする．これにより従来の線形分離原理を用いたパターン認識手法や誤差逆伝搬法を用いた多層パーセプトロンでは認識が困難であった，データ空間内で複雑な形状のカテゴリー領域を形成する問題を容易に解く類別モデルとして注目されている．一方，ネオコグニトロンは，局所的な特徴抽出と，抽出した特徴ごとに解像度を減少させる位置ずれ吸収を階層的に行う構造になっており，次元数の高い入力データを認識するのに適した構造になっている．ハイパコラムモデルは，上で述べた階層化自己組織マップの特性とネオコグニトロンの構造との統合により，入力データの次元数が高く，データ空間内で複雑な形状のカテゴリー領域を形成する一般の画像の認識への応用が可能である．We describe an artificial neural network model for image recognition: hypercolumn model. The hypercolumn model is derived from HSOM(Hierarchical Self-organizing Maps) and NC(NeoCognitron), and inherits both of their good properties for image recognition. The hypercolumn model provides, according to the HSOM principle, a flexible nonlinear restructure of input data space, in which data distribution regions have very complex shape. Furthermore, it provides, according to the neocognitron structure, a dimensionality reduction based on divide-and-concur stile