초록

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

영상 내 사물들의 카테고리를 인식하는 연구는 시각적 영상처리와 연관된 다양한 분야에서 활발히 진행되고 있다. 객체 범주화(Object Categorization)는 가정과 같은 실내에서 책상, 의자, 컵, 주전자 등의 다양한 사물들을 구분하여 인식하는데 중요한 역할을 할 수 있다. 본 논문에서는 최근 영상 내 객체들의 카테고리 분석을 위해 연구된 PLSA를 기반으로 특이점에 가중치를 부여하여, 보다 유사한 카테고리 간에 인식 성능을 향상시키는 접근법에 대하여 연구하였다. PLSA는 문서기반의 정보검색 분야로부터 소개된 기법으로, 약한 수준의 비감독 방법임에도 불구하고 인상적인 인식성능을 보여준다. 그러나 비슷한 특징점 분포를 보이는 유사한 카테고리 간의 객체 카테고리 인식에 대해서는 비교적 낮은 성능을 보인다. 본 연구에서는 카테고리간의 비교실험을 통해 각 특징점에 대하여 가중치를 부여한 PLSA를 적용하여 유사한 객체 간의 카테고리 인식 가능성을 살펴보았다. 실험에서는 기존의 PLSA 기법과 제안한 가중치를 부여 PLSA 기법을 각각 적용하여 그 성능을 비교하였다. 본 연구에서는 기존 PLSA 기법에서는 비교적 낮은 인식률을 보인 유사한 카테고리 인식에 대하여 실험 결과를 통해 가중치를 부여한 PLSA 기법이 보다 향상된 성능을 보임을 확인하였다.

영상 내 사물들의 카테고리를 인식하는 연구는 시각적 영상처리와 연관된 다양한 분야에서 활발히 진행되고 있다. 객체 범주화(Object Categorization)는 가정과 같은 실내에서 책상, 의자, 컵, 주전자 등의 다양한 사물들을 구분하여 인식하는데 중요한 역할을 할 수 있다. 본 논문에서는 최근 영상 내 객체들의 카테고리 분석을 위해 연구된 PLSA를 기반으로 특이점에 가중치를 부여하여, 보다 유사한 카테고리 간에 인식 성능을 향상시키는 접근법에 대하여 연구하였다. PLSA는 문서기반의 정보검색 분야로부터 소개된 기법으로, 약한 수준의 비감독 방법임에도 불구하고 인상적인 인식성능을 보여준다. 그러나 비슷한 특징점 분포를 보이는 유사한 카테고리 간의 객체 카테고리 인식에 대해서는 비교적 낮은 성능을 보인다. 본 연구에서는 카테고리간의 비교실험을 통해 각 특징점에 대하여 가중치를 부여한 PLSA를 적용하여 유사한 객체 간의 카테고리 인식 가능성을 살펴보았다. 실험에서는 기존의 PLSA 기법과 제안한 가중치를 부여 PLSA 기법을 각각 적용하여 그 성능을 비교하였다. 본 연구에서는 기존 PLSA 기법에서는 비교적 낮은 인식률을 보인 유사한 카테고리 인식에 대하여 실험 결과를 통해 가중치를 부여한 PLSA 기법이 보다 향상된 성능을 보임을 확인하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 보다 최근의 연구들은 인식대상 자체나 그것의 놓여있는 방향, 크게는 윤곽선 정보를 무시하고 영상으로부터 특징 있는 영역들의 특징점의 집합을 추출한다. 본 논문에서는 Bag of Words 모델을 기반으로 가중치 부여 PLSA에 대하여 연구한다.
• 이 논문에서의 접근법은 특정 카테고리에 차별적으로 등장하는 특징점에 대해서는 해당 카테고리가 선택될 가능성을 높여주고 전체 카테고리에 대하여 중복되어 나타나는 특징점에 대해서 특정 카테고리로 인식될 가능성을 줄여 줌으로써 유사한 카테고리 간의 변별력을 높여준다. 본 논문에서는 불특정 분류에 속한 사물들의 예제 사이에서 자동적으로 시각적인 일관성을 학습하여 새로운 예제를 인식하는 방법론을 소개하고 분류에서 주도적으로 드러나는 특징에 대한 가중치 부여를 통해 기존의 방법을 보다 개선하고자 한다.
• 본 논문에서는 사물의 카테고리를 인식하기 위한 여러 가지 다양한 방법 중 하나인 Bag of Words의 주도적 확률 모델 중 하나인 PLSA에 대하여 가중치를 부여하는 시스템을 구현하였다. 가중치 부여 알고리즘을적용시켜 보다 정확한 객체의 카테고리 인식이 가능한지를 실험하였다.
• 본 논문에서는 제안한 가중치 부여 PLSA를 통해 영상 내 사물의 카테고리 인식을 위한 시스템을 구현하고 이를 통해 영상의 카테고리를 인식하고자 한다. 실험에 사용된 영상의 카테고리는 다음과 같이 오토바이, 자동차, 비행기, 반지이다.
• 본 연구의 동기는 Bag of Words Model에서 가장 주도적인 접근법의 하나인 PLSA를 기반으로 각기 다른 카테고리에 속한 사물들의 차이점을 주도적으로 나타내는 특징점에 가중치를 부여하여 주도적인 Visual Word를 강조함으로써 영상의 카테고리 인식성능을향상시킬 수 있는 접근법에 대해 연구한다. 이 논문에서의 접근법은 특정 카테고리에 차별적으로 등장하는 특징점에 대해서는 해당 카테고리가 선택될 가능성을 높여주고 전체 카테고리에 대하여 중복되어 나타나는 특징점에 대해서 특정 카테고리로 인식될 가능성을 줄여 줌으로써 유사한 카테고리 간의 변별력을 높여준다.
• 두 모델은 비슷한 결과를 보인다. 이 논문에서는 특이점에 대한가중치 부여의 효과를 보이기 위해 보다 단순한 형태의 PLSA 기법에 초점을 두고자 한다. 두 모델은 모두 특징점들 간의 상대적 위치관계를 고려하지 않는 Bag of Words 표현법을 사용한다.
• 각 영상을 특징점을 기반으로 Visual Words의 집합으로 표현하는 방법은 Bag of Words 모델의 대표적인 표현법이다. 이를 바탕으로 베이지안 네트워크, PLSA, LDA 등의 다양한 기법을 적용할 수 있으며, 본 연구에서는 가중치 부여 PLSA를제안하여 실험하였다. 그림1은 각 카테고리 별 영상에서 추출된 Visual Words가 300개의 프로토타입에 따라 각기 다른 색으로 라벨링 된 결과를 보여준다.

가설 설정

• 따라서 분류기의 경우는 두 개의 카테고리를 분류하게 되지만 객체 범주화의 경우는 n개의 카테고리 분류 과제를 갖게 된다. 본 논문에서는 하나의 객체가 하나의 카테고리에 속한다고 가정한다.

제안 방법

• PLSA로부터 얻은 결과를 통하여 각 카테고리에 해당하는 Visual Words에 대한 히스토그램을 생성한다.
• 시스템을 구현하였다. 가중치 부여 알고리즘을적용시켜 보다 정확한 객체의 카테고리 인식이 가능한지를 실험하였다.
• 첫째, 컬러 이미지를 영상처리를 통해 흑백과 일정한 크기의 이미지로 변환하고, Canny Edge 탐지기를 특징점 탐지기로 사용하여 특징점을 추출한다. 둘째, 추출된 특징점을 SIFT 기술자로 요약하여 K-mean 를 통해 300개의 Visual Words에 대한 Codebook를 생성한다.
• PLSA는 확률적 mixture decomposition에 기반한 방법으로서 데이터에 대한 생성 모델을 다항분포로 정의하고 이에 대한유사도 값을 최대화함으로써 모델을 학습한다. 모델의 학습은 훈련이미지에 대하여 topic z에 대한 파라미터를 EM(Expectation Maximization) 알고리즘을 통해 지역 최적해를 구한다. PLSA 훈련단계에서 훈련데이터 집합에서 얻은 확률모델을 얻게 된다.
• 본 논문에서 사용된 바와 같이 Sivice 각각의 특징점 영역들을 128차원의 SIFT 기술자를 사용하였고, Fei-Fei와 Perona는 각 영역에 대하여 서로 다른 두 표현법을 사용하였다[9]. SIFT는 관심영역의 기술자로서두 연구에서 뛰어난 성능을 보였다.
• 또한 상태에 정의되는 관심영역을 설정함으로써 처리 시간에 대한 부담을 줄임으로써 전체관측가능성의 융합을 위한 변별력 있는 영상특징으로 사용할 수 있다[7]. 본 논문에서는 특징점을 기술하여 Visual Word를 형성하는 서술자로 사용되었다.
• 마지막으로 P(이 z)와 P(z)를 이용하여 베이지안 정리로써 P(z|d)의 확률모델을 구한다. 본 시스템은 최종적으로 얻게 되는 P(z|d)값이 최대 값을 갖는 z에 대하여 해당 이미지의 카테고리로 최종평가를 내린다.
• of Word 모델로 표현한다. 셋째, PLSA기법을적용하여 EM 알고리즘을 통해 학습된 매개 변수로 평가 영상의 카테고리를 분류하고 카테고리에 해당하는 Visual Words의 히스토그램을 추출하여 차별적인 Visual Words에 대하여 카테고리 간의 차이에 따라 가중치를 부여한다. 마지막으로 가중치 부여된 파라미터를 재평가하여 비슷한 카테고리 간에 차별적인 인식을 하게 된다.
• 실험과정 중에서 EM 알고리즘에서 초기값이 임의로 설정됨에 실행 시 마다 서로 다른 지역 최적화에 수렴하기 때문에 30회에 걸친 반복 실험으로 인식성능을 평가하였다. 각 반복회수에 따른 결과를 살펴보면 수렴된 값이 대부분 1~2%의 작은 범위 내의 변화를 확인할 수 있다.
• 이 논문에서의 접근법은 특정 카테고리에 차별적으로 등장하는 특징점에 대해서는 해당 카테고리가 선택될 가능성을 높여주고 전체 카테고리에 대하여 중복되어 나타나는 특징점에 대해서 특정 카테고리로 인식될 가능성을 줄여 줌으로써 유사한 카테고리 간의 변별력을 높여준다. 본 논문에서는 불특정 분류에 속한 사물들의 예제 사이에서 자동적으로 시각적인 일관성을 학습하여 새로운 예제를 인식하는 방법론을 소개하고 분류에서 주도적으로 드러나는 특징에 대한 가중치 부여를 통해 기존의 방법을 보다 개선하고자 한다.
• 다음과 같이 제시되어 왔다. 첫째, Bag of Words 모델은 이미지를 하나의 문서로 가정하고 문서의 키워드들을 추출하는 것과 같이 영상 내의 특이점들을 각각의 Visual Words로 보고 이미지의 카테고리를 학습한다. 현재 이 모델의 가장 주도적인 두 접근법으로는 PLSA(Probabilistic Latent Semantic Analysis)[2]와 PLSA 모델의 위계적 형태인 LDA(Latent Dirichlet Allocation)[3]가 있다.
• 첫째, 컬러 이미지를 영상처리를 통해 흑백과 일정한 크기의 이미지로 변환하고, Canny Edge 탐지기를 특징점 탐지기로 사용하여 특징점을 추출한다. 둘째, 추출된 특징점을 SIFT 기술자로 요약하여 K-mean 를 통해 300개의 Visual Words에 대한 Codebook를 생성한다.

대상 데이터

• 어휘집의 크기는 시스템의 파라미터로 주어지게 된다. Sivic과 Fei-Fei의 연구에서 200~2000개 범위의 다양한 어휘집 크기가 적용하였다.
• 따라서 Vusual Words는 Bag of Words 모델의 기반이 된다. 본 논문에서는 특징점 탐지기로 Canny Edge Detect。「를 적용하였고, 영상특징기술자로 SIFT 기술자를 이용하였다. 마지막으로 클러스터링알고리 즘으로는 K-means 알고리즘을 사용하여 훈련데이터를 바탕으로 Visual Wordbooks 형성하였다.
• 각 카테고리에 대해서 100개의 영상 중 50%는 훈련데이터로 50%는 평가 데이터로 사용하였다. 각 실험에 두 개의 카테고리에 포함된 200개의 영상데이터가 사용되었고, 카테고리에 따라 영상의 색인의 순서를 정하였다.
• 실험에 사용된 영상의 카테고리는 다음과 같이 오토바이, 자동차, 비행기, 반지이다. 각 카테고리에 대해서 100개의 영상 중 50%는 훈련데이터로 50%는 평가 데이터로 사용하였다. 각 실험에 두 개의 카테고리에 포함된 200개의 영상데이터가 사용되었고, 카테고리에 따라 영상의 색인의 순서를 정하였다.
• 실험에 사용된 영상의 카테고리는 다음과 같이 오토바이, 자동차, 비행기, 반지이다. 각 카테고리에 대해서 100개의 영상 중 50%는 훈련데이터로 50%는 평가 데이터로 사용하였다.

데이터처리

• 각 카테고리에 속한 이미지의 수에 따라 평균 히스토그램을 구한다. 최종적으로 두 히스토그램의 차이를 기록한 차이 히스토그램을 얻게 된다.

이론/모형

• 이 논문에서는 특이점에 대한가중치 부여의 효과를 보이기 위해 보다 단순한 형태의 PLSA 기법에 초점을 두고자 한다. 두 모델은 모두 특징점들 간의 상대적 위치관계를 고려하지 않는 Bag of Words 표현법을 사용한다.
• 본 논문에서는 특징점 탐지기로 Canny Edge Detect。「를 적용하였고, 영상특징기술자로 SIFT 기술자를 이용하였다. 마지막으로 클러스터링알고리 즘으로는 K-means 알고리즘을 사용하여 훈련데이터를 바탕으로 Visual Wordbooks 형성하였다.
• 이 점에 착안하여 객체의 카테고리를말견하기 위해 문서에서 주제를 찾기 위한 통계적 자연어 처리에서 사용되는 모델이 적용되었다. 이 고안된 모델에서 문서는 영상으로 단어는 영상의 지역적 특징점 기술자(Descriptor)를 양자화한 시각적 단어(Visual Word)에 대응된다.
• 확률모델은 EM(Expectation Maximization) 알고리즘을 이용해 얻는다.

성능/효과

• 평가하였다. 각 반복회수에 따른 결과를 살펴보면 수렴된 값이 대부분 1~2%의 작은 범위 내의 변화를 확인할 수 있다.
• 각 실험에 대한 결과를 보면 가중치를 부여한 PLSA는 두 카테고리의 구분이 명확하지 않은 경우에 대해 인식성능개선을 보였다. 그러나 카테고리 간의 시각적 차이가 있어 기존 PLSA에 의해 높은 인식률을 갖는 경우 가중치 부여 PLSA의 성능도 비슷한 결과를 얻었다.
• 1%의 성능향상 결과를 보였다. 기존의 PLSA에서 비교적 결과가 낮은 카테고리에서 성능 향상을 보였다. 이유는 공통된 특이점에 대해서는 낮은 가중치를 부여하고 주도적으로 차이를 보이는 특이점에 대해서는 높은 가중치를 부여함으로써 높아진 변별력이 반영된 결과라 할 수 있다.
• 현재 이 모델의 가장 주도적인 두 접근법으로는 PLSA(Probabilistic Latent Semantic Analysis)[2]와 PLSA 모델의 위계적 형태인 LDA(Latent Dirichlet Allocation)[3]가 있다. 둘째, Part-Based 모델은 위치 정보에 대한 고려가 부족한 Bag of Words 모델과는 달리 사물 각 부분의 상대적 위치정보를 바탕으로 카테고리를 판별한다. 셋째, Discriminative Methods는 기존에 알려진 다양한 분류기(Nearest Neighbor, Neural Network, Support Vector Machines, Conditional Random Fi이ds 등)를통해 대상을 판별한다.
• 이 표에서 확인할 수 있듯이 기존의 PLSA는실험에 따라 낮은 수준의 결과차이를 보인다. 제안한 가중치 부여 PLSA의 경우 반복실험에 대해 안정된결과값을 보여준다.
• 표 3에서 오토바이와 자동차의 카테고리 인식실험에서는 기존의 PLSA보다 가중치를 부여한 PLSA가 1.6%의 성능이 향상되었고 오토바이와 비행기의 카테고리 인식실험에서는 1.1%의 성능향상 결과를 보였다. 기존의 PLSA에서 비교적 결과가 낮은 카테고리에서 성능 향상을 보였다.

후속연구

• 또한 LDA와 같은 다른 방법을 이용해 가중치 부여하는 연구도 가능할 것이며 동영상에서의 인식이나 장면을 인식시키는 연구로 발전시킬 수 있을 것이다.
• 향상시켰다. 제안한 알고리즘은 사물을 인식하고, 유사한 시각적 특징을 갖는 사물들을 보다 효율적으로 인식하기 위한 기법으로 사용될 수 있다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기