[논문]퍼지 Adaboost를 이용한 객체 검출

김기상; 최형일

doi:10.5392/jkca.2016.16.05.104

초록
AI-Helper

Adaboost 학습 알고리즘은 학습 단계마다 가장 좋은 특징을 선택하도록 하는 학습 알고리즘 이다. 각 학습 단계에서는 최적의 특징을 선택하기 위해 특정 임계값과 그에 대한 최소 오차율을 가지는 특징을 선택하도록 되어 있다. 하지만, 임계값을 이용하는 방법은 최적의 오차율을 검출하는데 있어 효율적인 방법이 아니다. 본 논문에서는 최적의 오차율을 검출하기 위한 퍼지 Adaboost 기법을 제안한다. 퍼지를 통해 결정 경계를 유연하게 한 Adaboost는 학습 단계가 적어도 좋은 성능을 보이는 장점이 있다. 기존의 Adaboost는 학습 전에 학습데이터에 대한 가중치를 동일하게 할당한다. 하지만, 본 논문에서는 이에 대한 가중치를 확률을 이용하여 초기 가중치를 다르게 줌으로서, 적은 학습에도 좋은 결과를 보이는 방법을 제안한다. 실험 결과에서는 기존의 Adaboost와 제안하는 방법에 대한 성능 평가를 통해, 퍼지 Adaboost가 기존 방법에 비해 좋은 결과를 보였다.

Abstract ▼ AI-Helper

The Adaboost chooses a good set of features in rounds. On each round, it chooses the optimal feature and its threshold value by minimizing the weighted error of classification. The involved process of classification performs a hard decision. In this paper, we expand the process of classification to ...

The Adaboost chooses a good set of features in rounds. On each round, it chooses the optimal feature and its threshold value by minimizing the weighted error of classification. The involved process of classification performs a hard decision. In this paper, we expand the process of classification to a soft fuzzy decision. We believe this expansion could allow some flexibility to the Adaboost algorithm as well as a good performance especially when the size of a training data set is not large enough. The typical Adaboost algorithm assigns a same weight to each training datum on the first round of a training process. We propose a new algorithm to assign different initial weights based on some statistical properties of involved features. In experimental results, we assess that the proposed method shows higher performance than the traditional one.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 초기 가중치 설정 방법과 퍼지 Adaboost 알고리즘을 제안했다. 초기 가중치 설정은 학습을 적게 하여 특징을 적게 추출했을 때 효율적인 분류 결과를 보였다.
하지만 임계값으로 설정 하는 것은 임계값 주변에서 잘못된 결정을 내리는 오류가 빈번히 일어나는 문제가 있다. 이러한 문제를 해결하기 위해 본 논문에서는 퍼지를 이용한 최소 오차율을 계산하는 방법과 학습데이터 중 객체 데이터에 대해 데이터 분포를 이용하여 초기 가중치를 설정함으로서, 기존 방법에 비해 분류가 더 정확한 방법을 제안한다.

제안 방법

[그림 10]은 기존의 Adaboost와 퍼지Adaboost간의 ROC 곡선(Receiver Operating Characteristics)을 나타낸 결과이다. 두 분류기 모두 분류를 위해 30개의 특징을 사용하였다. 이 곡선은 거짓 긍정률과 인식 성공률 간의 연관성에 대해 설명한다.
[표 3]은 객체 데이터가 얼굴 데이터 때의 결과를 나타내며, [표 4]는 객체 데이터가 보행자 데이터에 대한 결과를 나타낸다. 성능 분석을 위해 전체 오차율, 거짓 긍정률, 거짓 부정률의 유형으로 비교 분석한다. [표 3]에서 확인할 수 있듯이, 거짓 긍정률이 거짓 부정률에 비해 오차율이 약간 높은 것을 확인할 수 있다.
이 가설을 이용하여 각 객체 데이터와 배경 데이터에 초기 가중치를 다르게 할당하는 방법을 제안한다. 배경 데이터의 경우 기존과 동일하게 초기 가중치를 할당한다.
[그림 1]은 본 논문에서 제안하는 방법의 전체 흐름을 나타낸다. 학습 데이터들 중 객체 데이터의 초기가중치를 설정하기 위해 각 특징들의 평균값과 이 평균값들을 이용하여 각 데이터의 분포를 이용한다. 최적의 특징과 분류기를 선택하기 오분류를 산출하며, 산출 방법으로는 연판정을 이용한다.

대상 데이터

두 가지 환경에서 실험하였으며, 학습 환경으로는 하나는 객체 데이터로 400장의 얼굴 이미지와 배경 학습 데이터로 800장의 랜덤 이미지를 사용하였으며 다른 하나는 객체 데이터를 300장의 보행자 이미지와 600장의 랜덤 이미지를 사용하였다. 객체 데이터는 뉴욕 대학에서 제공하는 얼굴 데이터베이스[12]와 MIT 에서 제공하는 보행자 데이터베이스[13]를 사용하였으며, 배경 데이터는 인터넷에 있는 임의의 데이터를 사용하였다. [그림 7]은 학습하는데 사용한 데이터에 대한 일부이다.
9를 사용하였다. 두 가지 환경에서 실험하였으며, 학습 환경으로는 하나는 객체 데이터로 400장의 얼굴 이미지와 배경 학습 데이터로 800장의 랜덤 이미지를 사용하였으며 다른 하나는 객체 데이터를 300장의 보행자 이미지와 600장의 랜덤 이미지를 사용하였다. 객체 데이터는 뉴욕 대학에서 제공하는 얼굴 데이터베이스[12]와 MIT 에서 제공하는 보행자 데이터베이스[13]를 사용하였으며, 배경 데이터는 인터넷에 있는 임의의 데이터를 사용하였다.
본 시스템을 개발 및 실험하기 위한 컴퓨터 환경으로는 Intel(R) Core^TM i7-4790 3.60 GHz CPU와 8GByte 메모리를 사용하였다. 운영체제는 Windows 8 Enterprise K 64bit OS를 사용하였으며, 개발 툴은 Visual Studio 2013의 MFC환경과 OpenCV 2.

데이터처리

객체 데이터의 경우 [그림 4]에서와 같이 중심에 가까이 있는 데이터에는 경우 높은 가중치를 제공하며, 멀리 있는 데이터에는 낮은 가중치를 제공한다. 이를 위해 객체 데이터에서 각 특징에 대해 평균값을 생성하며, 이 평균값에 대해 분포를 계산한다. [그림 5]는 가중치 설정 알고리즘을 나타내는 예제 그림이다.

이론/모형

이러한 방법은 경계 주변으로 구성된 입력에 대해서는 큰 오차를 발생하는 문제가 있다. 따라서, 본 논문에서는 퍼지를 이용한 연판정을 사용한다. 이 방법을 사용할 시, Adaboost 알고리즘에 유연성을 제공할 뿐만 아니라 학습 데이터의 수가 적어도 좋은 결과를 가져오는 장점이 있다.
실험을 위한 특징으로는 Haar-like 특징을 사용하였다. [그림 9]에서는 약 100,000개 이상의 특징들로부터 퍼지 Adaboost을 통한 학습 결과로 가장 좋은 특징 20개를 추출한 결과이다.

성능/효과

이 곡선은 거짓 긍정률과 인식 성공률 간의 연관성에 대해 설명한다. 곡선의 분석 결과 전반 적인 측면에 있어 제안하는 알고리즘이 기존의 Adaboost 알고리즘에 비해 모든 범위의 거짓 긍정률에 있어 인식 성공률이 더 좋은 결과를 나타낸다. 특히 거짓 긍정률이 낮을수록 더욱 좋은 결과를 보인다.
극히 드물게 어떤 객체 데이터는 –2를 갖으며 배경 데이터는 50 근처에 있지만, 개수가 적으며, 또한 확인 특징이 늘어나면 해당 오류도 줄어드는 것을 확인 할 수 있었다.
또한, 제안하는 알고리즘들이 기존의 Adaboost 알고리즘들에 비해 모든 면에서 성능이 좋음을 확인할 수 있다. 데이터 분포를 이용한 초기 가중치 설정은 특징이 적을수록 더 잘 분류하는 것을 확인 할 수 있다. 퍼지 결정을 이용한 방법은 특징이 적어도 인식률이 기존 방법에 비해 좋은 결과가 나타날 뿐만 아니라 특징이 많아도 인식률이 좋아지는 것을 확인할 수 있다.
첫 번째로, 일반적으로 유용한 특징은 학습 데이터 중 객체 데이터에서 높은 값을 갖는다. 두 번째로, 배경 데이터는 특징이 여러 곳에 퍼져있는 방면, 객체 데이터는 한군데로 모이는 경향이 있다. [그림 4]는 객체 데이터와 배경 데이터의 분포도를 나타낸 결과 이다.
이러한 결과는 [그림 9]의 히스토그램에서도 확인할 수 있는 부분이다. 또한, 제안하는 알고리즘들이 기존의 Adaboost 알고리즘들에 비해 모든 면에서 성능이 좋음을 확인할 수 있다. 데이터 분포를 이용한 초기 가중치 설정은 특징이 적을수록 더 잘 분류하는 것을 확인 할 수 있다.
퍼지 결정은 더 좋은 특징을 추출하여 전반적으로 더 좋은 분류 결과를 보였다. 이러한 결과를 토대로 퍼지를 기반으로 한 Adaboost는 다양한 분야에서 기존에 방법보다 더 좋은 결과를 보일 것으로 예상한다.
데이터 분포를 이용한 초기 가중치 설정은 특징이 적을수록 더 잘 분류하는 것을 확인 할 수 있다. 퍼지 결정을 이용한 방법은 특징이 적어도 인식률이 기존 방법에 비해 좋은 결과가 나타날 뿐만 아니라 특징이 많아도 인식률이 좋아지는 것을 확인할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Adaboost 알고리즘이란 무엇인가?	Adaboost 알고리즘은 학습데이터를 효율적으로 분류할 수 있는 유용한 특징들을 가중치를 변화시키면서 순차적으로 찾는 방법이다. 초기 데이터의 경우 각 데이터에 대한 정보가 없기 때문에 가중치를 동일하게 할당한다.
	Haar-like 특징은 무엇인가?	Haar-like 특징은 Adaboost 뿐만 아니라 다양한 객체 검출, 분류 및 인식 등 다분야에 많이 사용되는 특징이다. Haar-like 특징은 사용자가 설정한 특정크기의 인접한 여러 개의 윈도우를 생성한다. 각 윈도우 안에 있는 픽셀값들의 합으로 구성되며, 이 윈도우간의 차 또는 합을 통해 특징을 추출하는 방법을 말한다. 이 특징은 특히 사람 얼굴을 검출하는데 많이 사용된다.
	Adaboost 알고리즘의 가장 좋은 특징은 무엇인가?	그러나, 다음 결정 특징을 선택하는데 있어 잘못 분류된 데이터는 높은 가중치가 할당 되며, 잘 분류된 데이터는 낮은 가중치가 할당하여 잘못 분류된 데이터를잘 분류할 수 있게 한다. 가장 좋은 특징은 특징들 가운데 오차율 값이 가장 낮은 특징으로 선택하며, 각 특징에 대한 오차율를 계산하기 위해 각 특징마다 최소 오류 값을 갖는 임계값을 설정한다. 하지만 임계값으로 설정 하는 것은 임계값 주변에서 잘못된 결정을 내리는 오류가 빈번히 일어나는 문제가 있다.

참고문헌 (15)

R. Rout, "A survey on object detection and tracking algorithms," PhD Thesis, National Institute of Technology Rourkela, 2013.
D. Prasad, "Survey of the Problem of Object Detection in real images," International Journal of Image Processing, Vol.6, Issue.6, pp.441-466, 2012.
S. Tong and D. Koller, "Support vector machine active learning with applications to text classification," The journal of machine learning research, pp.45-66, 2001.
M. Hagan, H. Demuth, M. Beale, and O. Jesus, Neural Network Design, Boston:Pws Pub., 1996.
P. Viola and M. Jones, "Rapid object detection using a boosted cascade of simple features," Computer Vision and Pattern Recognition, 2001.
G. Ratsch, T. Onoda, and K. Muller, "Soft margins for AdaBoost," Machine learning, Vol.42, Issue.3, pp.287-320, 2001.
S. Joo, S. Weon, and H. Choi, "Real-time depth-based hand detection and tracking," The Scientific World Journal, 2014.
R. Lienhart and M. Jochen, "An extened set of haar-like features for rapid object detection," Image Processing, 2002
J. Zhu, S. Rosset, H. Zou and T. Hastie, "Multi-class adaboost," Statistics and its Inference, Vol.2, No.3, pp.349-360, 2009.
W. Hu, J. Gao, Y. Wang, O. Wu, and S. Maybank, "Online adaboost-based parameterized methods for dynamic distributed network intrusion detection," Cybermetics, IEEE transactions on, Vol.44, No.1, pp.66-82, 2014.

상세보기
G. Hinton, S. Osindero, and Y. Teh, "A fast learning algorithm for deep belief nets," Neural computation, Vol.18, No.7, pp.1527-1554, 2006.

상세보기
http://www.cs.nyu.edu/ roweis/data.html
http://cbcl.mit.edu/software-datasets/Pedestrian Data.html
S. Lomax and S. Vadera, "A survey of cost-sensitive decision tree induction algorithms," ACM Computing Surveys (CSUR), Vol.45, Issue.2, 2013.
A. Graves, A. Mohamed, and G. Hinton, "Speech recognition with deep recurrent neural networks," Acoustics, Speech and Signal Processing (ICASSP), 2013.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

퍼지 Adaboost를 이용한 객체 검출
Object Detection using Fuzzy Adaboost 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

퍼지 Adaboost를 이용한 객체 검출 Object Detection using Fuzzy Adaboost 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

김기상 (8) 최형일 (76)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

퍼지 Adaboost를 이용한 객체 검출
Object Detection using Fuzzy Adaboost 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper