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
- NB 분류기와 SVM을 이용한 제안하는 방법은 지문 사이의 미묘한 차이를 다루어 지문분류 성능을 높이고자 하였다. 주된 분류는 성능이 뛰어난 SVM을 이용하고 NB 분류기는 SVM을 동적으로 구성하는 보조자의 역할을 한다.
- 본 논문에서는 서로 다른 지문특징으로 학습된 NB 분류기와 SVM을 효과적으로 결합하는 지문분류 방법올 제안한다. 높은 분류성능을 위해서 FingerCode를 이용하여 SVM을, 특이점을 사용하여 NB 분류기를 OVA 전략으로 학습한다.
가설 설정
- . 만약 중심점이 가장 가까운 삼각주로부터 8 픽셀 이내에 위치하면 이들 중심점과 삼각주는 제거된다.
- . 영상의 가장자리로부터 80픽셀까지는 중심점을 뽑지 않는다.
제안 방법
- 기존의 승자독식을 이용하는 OVA SVMe 'tented arch'로 잘못 분류한 반면에, 제안하는 방법은 NB 분류기가 SVM을 효과적으로 보완하여 이 영상을 'arch'로 정확히 분류하였다.
- 제안한다. 높은 분류성능을 위해서 FingerCode를 이용하여 SVM을, 특이점을 사용하여 NB 분류기를 OVA 전략으로 학습한다. 입력된 지문 영상에 대해 NB 분류기로부터 계산된 각 클래스의 확률에 따라 SVM올 순차적으로 구성하여 분류를 수행하기 때문에, 다수의 SVM 을 사용할 때 발생하는 동점 문제를 해결한다.
- 다중의 SVM을 생성하고 결합하는 기존 방법의 성능을 먼저 분석하였다. 승자독식, 해밍 거리와 유클리스거리를 사용한 ECC와 DT, BKS를 사용하였고 표 3은 그 분류결과를 보여준다.
- 지문 영상의각 클래스에 대한 사후 확률 prob = {pW, PL, pR, pA, PT}을 특이점과 의사융선을 이용하여 계산하고, OVA SVMe 2장에서 설명한 것과 같이 FingerCode를 이용하며 샘플의 각 클래스에 대한 소속도 o-svm = {mw, mu, mt, mA, mr}을 측정한다. 동점과 거부의 경우를 처리하기 위해서 본 논문에서는 포섭구조의 형태로 OVA SVM을 순차적으로 선택하여 평가하는데, 이 순서는 NB 분류기에서 측정된 각 클래스에 대한 사후 확률에 의해 결정된다. 따라서 NB 분류기에 의해 보다 높은 확률을 가진 클래스에 대한 OVA SVM이 그렇지 않은 것보다 먼저 평가된다.
- 본 논문에서는 jain 등[8], Yao 등[12], Park[9], Zhang과 Yan[6]이 제안한 기존의 대표적인 지문분류 방법과의 성능비교를 수행하였다. 그림 9는 NIST 데이타베이스 4에 대한 기존 방법의 분류정확률과 제안하는 방법의 분류정확률을 보여주며, 결과는 각 방법의 거부율에 대응하는 분류정확률을 표시하였다.
- 본 논문에서는 중심점과 삼각주의 수(Nc, Nd), 이들의 상대적 위치와 거리(Die, Did, D2L, 7?2d)와 중심점과의 사융선 끝점과의 상대적 위치와 거리(7?m, Rm, R2l, Rnd)를 NB 분류기를 이용한 지문분류에 사용한다. NB 분류기는 5개의 상호독립적인 클래스(W, R, L, A, T)와 앞서 정의한 10개의 지문특징(Nc, Nd, Dil, Dw, D2l, D2d, Rll, Rid, Rzl, Rzd)으로 구성되며, 각 클래스 노드는 그림 2에서와 같이 모든 특징들과 연결되어 있다.
- 제안하는 방법은 그림 2와 같이 NB 분류기와 OVA SVM으로 구성된다. NB 분류기는 입력된.
- NB 분류기는 입력된.지문 영상의각 클래스에 대한 사후 확률 prob = {pW, PL, pR, pA, PT}을 특이점과 의사융선을 이용하여 계산하고, OVA SVMe 2장에서 설명한 것과 같이 FingerCode를 이용하며 샘플의 각 클래스에 대한 소속도 o-svm = {mw, mu, mt, mA, mr}을 측정한다. 동점과 거부의 경우를 처리하기 위해서 본 논문에서는 포섭구조의 형태로 OVA SVM을 순차적으로 선택하여 평가하는데, 이 순서는 NB 분류기에서 측정된 각 클래스에 대한 사후 확률에 의해 결정된다.
- NB 분류기를 이용하여 측정한다. 측정된 확률에따라 OVA SVM을 포섭구조로 구성하고, 만족하는 OVA SVM이 있을 때까지 그 순서에 따라 평가를 진행한다. 하나의 OVA SVM이 입력된 샘플을 대응하는 클래스에 속한다고 결정하면 그 샘플은 해당 클래스로 분류된다.
- 테스트 단계에서는 입력된 샘플의 결정 프로파일과 각 클래스의 결정 템플릿과의 유사도를 계산하며, 가장 유사한 결정 템플릿의 클래스로 분류한다. Kuncheva는 해밍 거리와 유클리드 거리를 포함한 11가지 유사도 측정기준을 DT에 적용하였고, 기존의 대표적인 결합 방법인 다수결 투표나 BKS 등보다 높은 성능을 획득하였다[25].
- 제안하는 방법은 대부분의 거부율에서 다른 방법에 비해 높은 분류 성능을 획득하였다. 특이점과 의사융선을 사용하는 Zhang과 Yan의 방법은 동작이 매우 빠르지만 지문영상에 포함된 잡음에 약한 성능을 보였지만[6], 제안하는 방법은 지문의 구조적 특징과 함께 FingerCode를 사용하여 영상에 포함된 잡음에 대한 영향을 최소화하였다. 제안하는 방법은 Jain의 연구에 대해서는 특이점을 추가로 고려하면서 OVA SVM의 성능을 극대화하였으며, 상대적 관계 그래프 모델을 사용한 Yao 의 방법에 비해서는 특징을 쉽게 추출하였다.
- 필터 방향과 평행하지 않은 융선은 그림 1과 같이 흐려진다. 필터 처리 후, Gabor 필터의 각 방향에 대해 48개 구역의 표준편차를 계산하여총 192차원의 특징벡터인 FingerCode 를 생성한다. FingerCode를 기반으로 Jain 등은 k 최근접 이웃과 신경망을 이용하여 1.
대상 데이터
- 이 데이타는 4, 000장의 스캔된 영상 (해상도: 512x512)으로 구성된다. 2,000개의 손가락에서 각각 두 장의 영상을 취득하였고, whorl (W), right loop (R), left loop (L), arch (A) 와 tented arch (T) 의 5개의 클래스가 균등하게 분포한다. 지문 영상의 모호성 때문에 350개의 지문(17.
- 85%의 거부영상이 포함되었다. LIBSVM 패키지(http://www.csie.ntu.edu.tw/~ cjlin/libsvm)로 SVM 모듈을 구성하였고 σ2=(0.0625)값의 가우시안 커널을 사용하였다[3이.
- 5%)은 두 개의 클래스 레이블을 가지기 때문에, SVM과 NB 분류기의 학습에는 첫 번째 레이블만을 사용하였고, 테스트에서는 두 개의 레이블을 함께 고려하였다. 실험에서는 각 지문의 첫 번째 영상인 (F0001 ~F2000)를 학습 데이타로, 나머지 영상을 테스트 데이타로 사용하였다. Jain이 제안한 FingerCode는 -1 에서 1로 정규화하여 사용하였으며, FingerCode 생성에서 발생하는 거부로 인해 학습 데이타에는 1.
- 사용하였다[13]. 이 데이타는 4, 000장의 스캔된 영상 (해상도: 512x512)으로 구성된다. 2,000개의 손가락에서 각각 두 장의 영상을 취득하였고, whorl (W), right loop (R), left loop (L), arch (A) 와 tented arch (T) 의 5개의 클래스가 균등하게 분포한다.
- 2,000개의 손가락에서 각각 두 장의 영상을 취득하였고, whorl (W), right loop (R), left loop (L), arch (A) 와 tented arch (T) 의 5개의 클래스가 균등하게 분포한다. 지문 영상의 모호성 때문에 350개의 지문(17.5%)은 두 개의 클래스 레이블을 가지기 때문에, SVM과 NB 분류기의 학습에는 첫 번째 레이블만을 사용하였고, 테스트에서는 두 개의 레이블을 함께 고려하였다. 실험에서는 각 지문의 첫 번째 영상인 (F0001 ~F2000)를 학습 데이타로, 나머지 영상을 테스트 데이타로 사용하였다.
이론/모형
- 본 논문에서는 제안하는 방법을 평가하기 위해 지문분류의 대표적인 평가 데이타인 NIST 데이타베이스 4 를 사용하였다[13]. 이 데이타는 4, 000장의 스캔된 영상 (해상도: 512x512)으로 구성된다.
성능/효과
- NIST 데이타베이스 4를 대상으로 제안하는 방법의 유용성을 검증하였다. 특이점을 이용한 NB 분류기의 경우 85.
- 주된 분류는 성능이 뛰어난 SVM을 이용하고 NB 분류기는 SVM을 동적으로 구성하는 보조자의 역할을 한다. 그림 7에서와 같이 NB 분류기만을 이용하였을 때에는 성능이 높지 않지만, 동적으로 분류모델 구성에 이용될 때 90.8%의 분류정확률을 획득하여 제안하는 방법이 다른 방법보다 높은 성능을 획득하였다. NB 분류기와 SVM의 분류 결과를 내적으로 결합한 경우 90.
- 본 논문에서는 NB 분류기와 OVA SVM을 효과적으로 결합한 지문분류 방법을 제안하였으며, NIST 데이타베이스 4에 대해 기존의 방법에 비해 높은 분류 성능을 획득하였다. 특이점, 의사 융선, FingerCode 등의 다양한 지문 특징을 이용하여 5클래스 분류 문제에 대하여 90.
- 승자독식, 해밍 거리와 유클리스거리를 사용한 ECC와 DT, BKS를 사용하였고 표 3은 그 분류결과를 보여준다. 승자독식 와 ECC가 90.1%의 분류정확률로 다른 방법에 높은 결과를 얻었으며, OVA 전략으로 SVM을 구성하였을 때 가장 높은 성능을 획득하였다. 표 4는 OVA SVM을 이용한 승자독식 전략의 혼동행렬을 보여준다
- 9%의 분류 정확률을 획득하였다. 이는 단일 분류모델을 통해 얻은 분류 성능에 비해 향상된 것이며, OVA SVM 이 가지는 동점의 문제도 효과적으로 해결하였다. 향후에는 다양한 다중 부류 문제에 제안하는 방법을 적용하여 보다 범용적인 성능을 보이고자 한다.
- 2%의 분류정확률을 얻었다. 이는 제안하는 방법이 SVM과 NB 분류기를 효과적으로 결합하였다는 것 올 보여주며, 다양한 지문특징을 함께 고려할 때 보다 높은 분류 결과를 얻을 수 있었다. 표 5는 제안하는 방법의 혼동행렬을 보여준다.
- 정적인 분류모델에 기반한 기존의 방법과는 달리, 본 논문에서는 SVM을 입력 샘플의 확률적 분류결과에 따라 적절히 구성하는 동적 지문분류 방법을 제안하여 다중클래스 분류에 대해 기존의 OVA SVM이 가지는 불명확함인 동점문제를 효과적으로 해결한다. 특이점, 의사융선과 FingerCode 등의 다양한 지문 특징을 이용할 뿐만 아니라 다수의 SVM을 포섭구조로 구성하여 분류 의사 결정을 명확히 한다.
- 특이점과 의사융선을 사용하는 Zhang과 Yan의 방법은 동작이 매우 빠르지만 지문영상에 포함된 잡음에 약한 성능을 보였지만[6], 제안하는 방법은 지문의 구조적 특징과 함께 FingerCode를 사용하여 영상에 포함된 잡음에 대한 영향을 최소화하였다. 제안하는 방법은 Jain의 연구에 대해서는 특이점을 추가로 고려하면서 OVA SVM의 성능을 극대화하였으며, 상대적 관계 그래프 모델을 사용한 Yao 의 방법에 비해서는 특징을 쉽게 추출하였다.
- 4%의 분류정확률을 획득하였다. 제안하는 방법은 L8%의 거부율에 대해서 90.8%의 분류정확률을 획득하였으며, 입력된 지문에 대해 다수의 지지 벡터 기계가 '만족하는 동접의 경우를 효과적으로 처리하는 것을 확인하였다.
- 그림 9는 NIST 데이타베이스 4에 대한 기존 방법의 분류정확률과 제안하는 방법의 분류정확률을 보여주며, 결과는 각 방법의 거부율에 대응하는 분류정확률을 표시하였다. 제안하는 방법은 대부분의 거부율에서 다른 방법에 비해 높은 분류 성능을 획득하였다. 특이점과 의사융선을 사용하는 Zhang과 Yan의 방법은 동작이 매우 빠르지만 지문영상에 포함된 잡음에 약한 성능을 보였지만[6], 제안하는 방법은 지문의 구조적 특징과 함께 FingerCode를 사용하여 영상에 포함된 잡음에 대한 영향을 최소화하였다.
- 획득하였다. 특이점, 의사 융선, FingerCode 등의 다양한 지문 특징을 이용하여 5클래스 분류 문제에 대하여 90.8%의 분류 정확률을, 4클래스 분류에 대해서 94.9%의 분류 정확률을 획득하였다. 이는 단일 분류모델을 통해 얻은 분류 성능에 비해 향상된 것이며, OVA SVM 이 가지는 동점의 문제도 효과적으로 해결하였다.
- 검증하였다. 특이점을 이용한 NB 분류기의 경우 85.4%의 분류정확률을, FingerCode를 이용한 SVM 의 경우 1.8%의 거부율에 대해서 90.4%의 분류정확률을 획득하였다. 제안하는 방법은 L8%의 거부율에 대해서 90.
후속연구
- 이는 단일 분류모델을 통해 얻은 분류 성능에 비해 향상된 것이며, OVA SVM 이 가지는 동점의 문제도 효과적으로 해결하였다. 향후에는 다양한 다중 부류 문제에 제안하는 방법을 적용하여 보다 범용적인 성능을 보이고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.