선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 즉, 낮은 레벨에서 추출된 특징일수록 더 국부적인 정보를 표현해야 한다. 본 논문에서는 가버 필터들을 이용하여 서로 다른 레벨의 정보를 표현하는 특징들의 추출방법을 제안한다. 이를 위해서 먼저 레벨마다 주어진 방향에 대해서 가버 필터 집합들을 정의하고, 각 가버 필터 집합마다 FLD 척도를 이용해서 하나의 최적화된 가버 필터를 선택한다.
- 특징들을 추출하였다. 본 논문에서는 보다 좋은 인식 성능을 위해서 가버 특징들의 의존도를 표현하는 베이지안 망으로써 계층적 베이지안 망올 제안한다. 제안하는 계층적인 베이지안 망은 임의의한 샘플링 포인트에서 추출된 가버 특징과 하위 레벨에서 분할된 9개의 샘플 림 포인트들에서 추출된 가버 특징들 사의의 직접적인 의존도를 표현한다.
- 본 논문에서는 서로 다른 레벨의 정보를 표현하는 계충적 가버 특징 추출방법과 분류를 위한 계충적 베이지안 망을 제안하였다. 계충적으로 구조화된 특징들을 추출하기 위해서 가버 필터를 고려하였다.
- 최적화된 가버 필터들에 의해서 추출된 특징들은 계층적으로 서로 다른 레벨의 정보를 표현할 수 있도록 구조화된다. 즉 본 논문에서는 더 낮은 레벨의 특징들은 더 국부적인 정보들을 표현할 수 있는 구조화된 특징추출 방법을 제안한다. 또한 분류기로써 추출된 특징들 사이의 계층적인 구조적 의존도를 고려할 수 있는 계충적 베이지안 망(Hierarchical Bayesian Net- work) 을 제안한다.
제안 방법
- 그림 5는 사용된 일부 데이타를보여준다. 가버 특징들의 계층적인 의존도가 성능을 향상 시킬 수 있다는 것을 보여주기 위해서 제안한 계층적 베이지안 망은 널리 알려진 naive Bayesian 분류기, k-nearest neighbor 분류기, 그리고 신경망 분류기들과 함께 동일한 계충적 가버 특징들에 대해서 평가되었다. 또한 성능평가에 사용된 모든 방법들의 학습에 대해서도 동일한 계충적 가버 특징을 그들의 입력으로 사용하였다.
- 계충적 가버 특징들을 추출하기 위해서 가버 필터의 허수 부분을 사용하였다. 가버 필터 집합을 위해서 주파수 집합 ℃ 二 (0.025, 0.05, 0.075, 0.1, 0.15, 0.2, 0.4, 0.6, 0.8, 1), 방향 집합 ❷=0, + 丸, -危, 号兀, /=2을사용하였으며, 총 레벨은 3으로 하였다
- 또한 문자인식 분야에서 사용된 특징들의 종류에 따라서 성능에 많은 영향을 준다는 것도 알려져 있다. 대부분의 문자인식에 관한 연구는 특징추출에 관한 연구에 치우쳐 있었으며, 분류기로는 널리 알려진 k-neamest nei음hbor[2]나 신경망 [2?게 기반한 분류기 등을 사용하여 성능평가가 되었다. 그러나 대부분의 특징추출 방법들은 서로 다른 레벨의 정보를 표현하는 구조화된 특징들을 추출하도록 고안되지는 않았다.
- 또한 학습 데이타와 평가 데이타는 중복되지 않았다 표 1은 클래스 당 평가 데이타 수를 보여준다. 계충적 가버 특징들을 추출하기 위해서 가버 필터의 허수 부분을 사용하였다. 가버 필터 집합을 위해서 주파수 집합 ℃ 二 (0.
- 망을 제안하였다. 계충적으로 구조화된 특징들을 추출하기 위해서 가버 필터를 고려하였다. 하위 레벨에서 9개로 분할되는 샘플링 포인트를 정의하였고, 가버 필터들 온 각 샘플링 포인트를 중앙으로 하여 정의되었다.
- 또한 부모 노드를 가지고 있지 않은 클래스 노드 C의 조건부 확률분포 P(O는 multinomial 분포[10, 11]로 정의된다. 계층적 베이지안 망은 은익 랜덤 변수를 가지고 있지 않기 때문에 각 조건부 확률분포의 파라미터들은 학습 데이타로부터 ML(Maximum Likelihood) 방법으로 학습될 수 있으며, 본 논문에서도 성능평가를 위해서 학습 이미지로부터 계층적 가버 특징들을 추출한 후 ML 방법을 사용하여 파라미터들을 학습하였다.
- 참고논문 [기에서는 본 논문에서 제안하는 가버 특징과 다론 특징을 사용하여 tolerant rough set, k-nearest neighbor, 그리고 신경망으로 분류하였다. 그러므로 본 논문의 성능평가에서는 제안한 계층적 베이지안 망의 분류 성능평가에 주안점을 두었다.
- 즉 본 논문에서는 더 낮은 레벨의 특징들은 더 국부적인 정보들을 표현할 수 있는 구조화된 특징추출 방법을 제안한다. 또한 분류기로써 추출된 특징들 사이의 계층적인 구조적 의존도를 고려할 수 있는 계충적 베이지안 망(Hierarchical Bayesian Net- work) 을 제안한다. 널리 알려진 naive Bayesian 분류기, k-nearest neighbor 분류기 그리고 신경망 분류기들과 함께 수행된 필기체 숫자인식에 대한 성능평가는 본 논문에서 제안하는 특징추출 방법과 분류방법의 우수성을 보여준다.
- , 은 가버 필터의 타원 성에 대한 정도를 나타내며 行1인 경우 가버 필터는 원 모양이 된다. 본 논문에서는 /=2로 고정하여 타원 모양의 가버 필터를 사용하였다.
- 앞에서 계층적인 정보를 표현할 수 있도록 구조화된가버 특징들을 추출하였다. 본 논문에서는 보다 좋은 인식 성능을 위해서 가버 특징들의 의존도를 표현하는 베이지안 망으로써 계층적 베이지안 망올 제안한다.
- 본 논문에서는 가버 필터들을 이용하여 서로 다른 레벨의 정보를 표현하는 특징들의 추출방법을 제안한다. 이를 위해서 먼저 레벨마다 주어진 방향에 대해서 가버 필터 집합들을 정의하고, 각 가버 필터 집합마다 FLD 척도를 이용해서 하나의 최적화된 가버 필터를 선택한다. 이렇게 각 레벨마다 선택된 최적화된 가버 필터들에 의해서 주어진 이미지의 계충적 가버 특징들을 추출하게 된다.
- 본 논문에서는 보다 좋은 인식 성능을 위해서 가버 특징들의 의존도를 표현하는 베이지안 망으로써 계층적 베이지안 망올 제안한다. 제안하는 계층적인 베이지안 망은 임의의한 샘플링 포인트에서 추출된 가버 특징과 하위 레벨에서 분할된 9개의 샘플 림 포인트들에서 추출된 가버 특징들 사의의 직접적인 의존도를 표현한다. 즉 계층적 베이지안 망은 임의의 특징과 그것보다 더 국부적인 특징들 사이의 의존도를 표현하며, 인식올 위해서 분류기로 이용된다.
- 이미지 데이타를 사용하였다. 참고논문 [기에서는 본 논문에서 제안하는 가버 특징과 다론 특징을 사용하여 tolerant rough set, k-nearest neighbor, 그리고 신경망으로 분류하였다. 그러므로 본 논문의 성능평가에서는 제안한 계층적 베이지안 망의 분류 성능평가에 주안점을 두었다.
- 하위 레벨에서 9개로 분할되는 샘플링 포인트를 정의하였고, 가버 필터들 온 각 샘플링 포인트를 중앙으로 하여 정의되었다. 최적화돤 가버 필터는 FLD 척도를 이용하여 선택되었다、계충적 베이지안 망은 추출된 가버 특징들 사이의 의존도를 표현하도록 생성하여 더 나은 인식성능을 가능하게 하였다.
대상 데이터
- 성능평가를 위해서 UCI(University of California, Irvine) 데이타베이스의 이진 필기체 숫자 이미지 데이타[14]들을 사용하였다. 그림 5는 사용된 일부 데이타를보여준다.
- 제안한 계충적인 가버 특징들의 효율성올 간접적으로 보여주기 위해서 참고논문 [기에서 성능평가에 사용된 학습 이미지 데이타를 사용하였다. 참고논문 [기에서는 본 논문에서 제안하는 가버 특징과 다론 특징을 사용하여 tolerant rough set, k-nearest neighbor, 그리고 신경망으로 분류하였다.
- 학습데이타를 위해서 무작위로 클래스 당 25, 50, 300의 숫자 이미지 데이타를 선택하였고, 평가 데이타를 위해 서남아 있는 숫자 이미지 데이타들 중 무작위로 1, 934개를 선택하였다. 또한 학습 데이타와 평가 데이타는 중복되지 않았다 표 1은 클래스 당 평가 데이타 수를 보여준다.
이론/모형
- 그래서 가장 큰 P(C = c|V = Q)을 주는 클래스 c로 “를 분류한다. P(C= 시 V = a)는 베이지안 망의 추론 알고리즘[9]을 이용하여 구할 수 있으며 본 논문에서는 성능평가 시 junction tree 알고리즘[12]을 사용하였다.
- 그림 6은 선택된 최적화된 가버필터들을 보여준다. 계층적 베이지안 망과 naive Bayesian 분류기의 조건부 확률 분포들의 파라미터들은 학습 이미지 데이타의 계층적 가버 특징들을 가지고 ML 방법을 사용하여 학습되었다.
- 위와 같이 레벨마다 각 샘플링 포인트와 방향에 대하여 가버 필터 집합 GF:을 정의한 후 FLD(Fisher, s Linear Discriminant) 척도를 이용하여 GF f로부터 최적화된 가버 필터 G*을 선택한다. 필기체 숫자 인식을 위해서 특징들의 추출 후 최종 목표는 추출된 특징들의 분류이다.
- 효율적일 수 있다는 것을 보여준다. 이를 위해서 계충적으로 구조화된 특징들을 추출할 수 있는 가버 필터들을 레벨 단위로 정의하고, FLD(Fisher's Linear Discriminant) 척도를 이용하여 최적화된 가버 필터들을 선택한다. 최적화된 가버 필터들에 의해서 추출된 특징들은 계층적으로 서로 다른 레벨의 정보를 표현할 수 있도록 구조화된다.
- 주어진 학습 이미지 데이타로부터 각 레벨마다 최적화된 가버 필터들은 앞에서 언급한 방법으로 FLD 척도에 의해서 선택되었다. 그림 6은 선택된 최적화된 가버필터들을 보여준다.
성능/효과
- 그림 7과 표 2는 30번의 반복 수행의 평균으로 분류 성능평가의 결과를 보여준다. k~nearest neighbor분류기의 평가에서 k=l, 3, 5인 경우들을 수행하였으며 k가 1일 때 가장 좋은 성능을 보여주었다
- 이는 분류 시 가버 특징들 사이의 계층적인 의존도를 고려하는 것이 성능의 향상을 준다는 것 올 보여준다. 그러나 클래스 당 20개의 학습데이타의 경우 naive Bayesian 분류기가 더 나온 성능올 보였는데, 이는 계층적 베이지안 망은 의존도를 표현하기 위해서 naive Bayesian 분류기보다 더 많은 파라미터를 가지고 있기 때문예 클래스 당 20개의 학습데이타는 제안된 계충적 베이지안 망의 파라미터 학습에는 부족함을 보여준다.
- 또한 분류기로써 추출된 특징들 사이의 계층적인 구조적 의존도를 고려할 수 있는 계충적 베이지안 망(Hierarchical Bayesian Net- work) 을 제안한다. 널리 알려진 naive Bayesian 분류기, k-nearest neighbor 분류기 그리고 신경망 분류기들과 함께 수행된 필기체 숫자인식에 대한 성능평가는 본 논문에서 제안하는 특징추출 방법과 분류방법의 우수성을 보여준다.
- 총 레벨 2의 계층적 가버 특징들의 평가에도 모두 참고문헌 [기의 결과보다 우수한 성능을 보였다. 또한 본 논문에서 수행돤 4개의 분류기들의 성눙평가에서 제안된 계층적 베이지안 망이 가장 우수한 성능 올 보였다. 이는 분류 시 가버 특징들 사이의 계층적인 의존도를 고려하는 것이 성능의 향상을 준다는 것 올 보여준다.
- 892, k=l일 때 k-nearest neighbor 분류기에서 0873 그리고 산 경망 분류기에서 0889의 성능을 보여주었다. 본 논문에서 수행된 계총적 가버 특징들을 이용하는 모든 분류기는 500개의 학습 데이타에 대해서 위의 결과에서 보여 주었던 것보다 우수한 성능을 보여주었다. 위의 성능평가 비교는 간접적으로 제안된 계층적 가버 특징들의 효율성을 보여준다.
- 본 논문에서는 효율적인 인식 시스템을 위해서 구조화된 특징추출 방법과 추출된 특징들 사이의 구조적인 의존도를 이용하여 분류하는 것이 숫자인식을 위해서더 효율적일 수 있다는 것을 보여준다. 이를 위해서 계충적으로 구조화된 특징들을 추출할 수 있는 가버 필터들을 레벨 단위로 정의하고, FLD(Fisher's Linear Discriminant) 척도를 이용하여 최적화된 가버 필터들을 선택한다.
- 적용되었다. 성능평가 결과로부터 계충적 가버 특징들의 효율성을 보여 주었으며, 가버 특징들의 계층적 의존도를 고려하는 것이 더 좋은 분류성능올 준다는 것을 보여주었다. 본 논문에서는 계층적 의존도를 표현하기 위해서 미리 정해진 9개의 노드들로 제한하였는데, 향후 더 좋은 인식성능을 위해서 레벨 간 가버 특징들 사이의 의존도 구조를 찾는 연구를 할 계획이며, 필기체 숫자 인식 외의 다른 웅용분야에 적용을 할 계획이다.
- 본 논문에서 수행된 계총적 가버 특징들을 이용하는 모든 분류기는 500개의 학습 데이타에 대해서 위의 결과에서 보여 주었던 것보다 우수한 성능을 보여주었다. 위의 성능평가 비교는 간접적으로 제안된 계층적 가버 특징들의 효율성을 보여준다. 총 레벨 2의 계층적 가버 특징들의 평가에도 모두 참고문헌 [기의 결과보다 우수한 성능을 보였다.
- 제안한 방법들은 널리 알려진 naive Bayesian 분류기, k-nearest neighbor 분류기 그리고 신경망 분류기들과 함께 필기체 숫자인식에 성공적으로 적용되었다. 성능평가 결과로부터 계충적 가버 특징들의 효율성을 보여 주었으며, 가버 특징들의 계층적 의존도를 고려하는 것이 더 좋은 분류성능올 준다는 것을 보여주었다.
- 위의 성능평가 비교는 간접적으로 제안된 계층적 가버 특징들의 효율성을 보여준다. 총 레벨 2의 계층적 가버 특징들의 평가에도 모두 참고문헌 [기의 결과보다 우수한 성능을 보였다. 또한 본 논문에서 수행돤 4개의 분류기들의 성눙평가에서 제안된 계층적 베이지안 망이 가장 우수한 성능 올 보였다.
후속연구
- 성능평가 결과로부터 계충적 가버 특징들의 효율성을 보여 주었으며, 가버 특징들의 계층적 의존도를 고려하는 것이 더 좋은 분류성능올 준다는 것을 보여주었다. 본 논문에서는 계층적 의존도를 표현하기 위해서 미리 정해진 9개의 노드들로 제한하였는데, 향후 더 좋은 인식성능을 위해서 레벨 간 가버 특징들 사이의 의존도 구조를 찾는 연구를 할 계획이며, 필기체 숫자 인식 외의 다른 웅용분야에 적용을 할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.