[논문]소셜 이미지 분류를 위한 클러스터링 알고리즘 기반 트레이닝 집합 획득 기법의 비교

정진우; 이동호

소셜 이미지 분류를 위한 클러스터링 알고리즘 기반 트레이닝 집합 획득 기법의 비교
A Study on Comparison of Clustering Algorithm-based Methods for Acquiring Training Sets for Social Image Classification 원문보기

정진우 (한양대학교 컴퓨터공학과) , 이동호 (한양대학교 컴퓨터공학과)

최근, Flickr, YouTube 와 같은 사용자 참여형 미디어 공유 및 검색 사이트가 폭발적으로 증가하면서, 이를 멀티미디어 정보 검색 서비스에 효과적으로 활용하기 위한 다양한 연구들이 시도되고 있다. 특히, 이미지에 할당되어 있는 태그를 이용하여 이미지를 효과적으로 검색하기 위한 연구가 활발히 진행 중이다. 그러나 사용자들에 의해 제공되는 소셜 이미지들은 매우 다양한 범위와 주제를 가지고 있기 때문에, 소셜 이미지들의 분류 및 태그 할당을 위한 트레이닝 집합의 획득이 쉽지 않다는 한계점을 가지고 있다. 본 논문에서는 데이터 군집화를 위한 클러스터링 알고리즘들 중 K-Means, K-Medoids, Affinity Propagation 을 활용하여 소셜 이미지 집합으로부터 트레이닝 집합을 획득하기 위한 방법들을 살펴 본다. 또한, 각 알고리즘으로부터 획득한 트레이닝 집합을 이용하여 소셜 이미지를 분류한 결과를 비교 분석한다.

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

문제 정의

본 논문에서는 데이터 군집화를 위한 클러스터링 알고리즘들 중 K-Means, K-Medoids, Affinity Propagation을 활용하여 소셜 이미지 집합으로부터 트레이닝 집합을 획득하기 위한 방법들을 살펴본다. 또한, 각 알고리즘으로부터 획득한 트레이닝 집합을 이용하여 소셜 이미지를 분류한 결과를 비교 분석하였다.
본 논문에서는 데이터 군집화를 위한 클러스터링 알고리즘들 중 K-Means, K-Medoids, affinity propagation 을 활용하여 소셜 이미지 집합으로부터 트레이닝 집합을 획득하기 위한 방법들을 살펴보았다. 또한, 각 알고리즘으로부터 획득한 트레이닝 집합을 이용하여 소셜 이미지를 분류한 결과를 비교하였다.
본 논문에서는 특정 태그의 대표적 특징 벡터를 획득하기 위하여, 알고리즘 2 와 같이, 소셜 이미지 공유사이트인 Flickr 로부터 해당 태그와 연관된 이미지 들을 획득한 후, 각각의 클러스터링 알고리즘을 적용하여 태그에 적합 한다고 판단되는 이미지들을 트레이닝 집합으로 제공한다.
본 절에서는 각 클러스터링 알고리즘을 이용하여 획득된 ‘Tiger’ 태그에 해당하는 트레이닝 이미지 집합의 예와 트레이닝 이미지 중 적합하지 않은 이미지의 예를 살펴본다.

가설 설정

태그를 이용한 이미지 검색을 위한 연구는 크게 1) 태그 랭킹 2) 태그 추천 및 태그 수정 3) 태그 분류와 같은 분류로 구분될 수 있다.

제안 방법

본 논문에서는 ‘Tiger’, ‘Zebra’, ‘Panda’ 세 개의 태그에 대하여 트레이닝 집합을 획득하고, 획득된 집합을 이용하여 이미지 분류자를 학습시킨 후, 이미지 분류 성능을 평가하였다. 각 태그 별로 300 개의 이미지를 Flickr 로부터 다운로드 후, 총 15 개의 클러스터를 생성하도록 각각의 클러스터링 알고리즘의 파라미터를 조정하였다. 그 후, 클러스터의 크기를 기반으로 클러스터를 정렬한 후, 약 100~120 개의 트레이닝 이미지를 제공할 수 있도록 상위 클러스터들을 선택하였다.
각 태그 별로 300 개의 이미지를 Flickr 로부터 다운로드 후, 총 15 개의 클러스터를 생성하도록 각각의 클러스터링 알고리즘의 파라미터를 조정하였다. 그 후, 클러스터의 크기를 기반으로 클러스터를 정렬한 후, 약 100~120 개의 트레이닝 이미지를 제공할 수 있도록 상위 클러스터들을 선택하였다. ‘Panda, ‘Tiger’, ‘Zebra’ 카테고리의 이미지 분류에 사용된 테스트 집합은 각각 992, 1176, 1042 개의 이미지를 포함하고 있다.
본 논문에서는 데이터 군집화를 위한 클러스터링 알고리즘들 중 K-Means, K-Medoids, Affinity Propagation을 활용하여 소셜 이미지 집합으로부터 트레이닝 집합을 획득하기 위한 방법들을 살펴본다. 또한, 각 알고리즘으로부터 획득한 트레이닝 집합을 이용하여 소셜 이미지를 분류한 결과를 비교 분석하였다.
본 논문에서는 데이터 군집화를 위한 클러스터링 알고리즘들 중 K-Means, K-Medoids, Affinity Propagation을 활용하여 소셜 이미지 집합으로부터 트레이닝 집합을 획득하기 위한 방법들을 살펴본다. 또한, 각 알고리즘으로부터 획득한 트레이닝 집합을 이용하여 소셜 이미지를 분류한 결과를 비교 분석하였다.
본 논문에서는 ‘Tiger’, ‘Zebra’, ‘Panda’ 세 개의 태그에 대하여 트레이닝 집합을 획득하고, 획득된 집합을 이용하여 이미지 분류자를 학습시킨 후, 이미지 분류 성능을 평가하였다.
본 연구에서는 2.4 절의 알고리즘을 통하여 획득한 트레이닝 집합을 바탕으로 SVM 과 Bayes classifier 를학습 시킨 후, 각각의 이미지 분류 결과의 precision 과 recall 을 비교하였다. (그림 2)와 (그림 3)은 각각의 클러스터링 알고리즘을 이용하여 획득한 트레이닝 집합을 이용하여 SVM 을 학습시킨 후, 이미지 분류 실험을 수행한 결과를 보이고 있다.
성능 평가 본 장에서는 각각의 클러스터링 알고리즘을 이용하여 구축된 트레이닝 집합을 이용하여 이미지 분류자를 학습한 후, 테스트 집합을 분류한 실험결과를 비교 분석한다.
태그는 사용자에 의하여 어떠한 제약 없이 할당되는 키워드이기 때문에, 이미지와의 연관성 및 중요성을 보장할 수 없다. 이들 연구는 각 태그와 이미 지간의 연관성을 분석하기 위하여 kernel density estimation 기반의 scoring 기법, neighbor voting 기법, WordNet 기반 의미 관계 분석 기법 등을 제안하였다.

대상 데이터

‘Panda, ‘Tiger’, ‘Zebra’ 카테고리의 이미지 분류에 사용된 테스트 집합은 각각 992, 1176, 1042 개의 이미지를 포함하고 있다.

이론/모형

본 논문에서는 데이터 군집화 알고리즘 중 K-Means, K-Medoids, Affinity propagation 알고리즘을 활용하여 실시간 트레이닝 이미지 집합 획득 과정을 수행하였다. 본 장에서는 각각의 클러스터링 알고리즘에 대하여 살펴본 후, 각 알고리즘을 활용하여 트레이닝 집합을 획득하기 위한 과정에 대하여 기술한다.

성능/효과

(그림 4)와 (그림 5)는 각각의 클러스터링 알고리즘을 이용하여 획득한 트레이닝 집합을 이용하여 Bayes 분류자를 학습한 후, 이미지 분류 실험을 수행한 결과를 보이고 있다. 그림에서 볼 수 있듯이, Affinity propagation 을 통하여 획득한 트레이닝 집합으로부터 학습된 Bayes 분류자(Bayes-AP)가 K-Means 및 K-Medoids 를 통하여 학습된 분류자 보다 평균적으로 7.3%, 7.6%의 높은 precision 과 recall 을 보이고 있다.
(그림 2)와 (그림 3)은 각각의 클러스터링 알고리즘을 이용하여 획득한 트레이닝 집합을 이용하여 SVM 을 학습시킨 후, 이미지 분류 실험을 수행한 결과를 보이고 있다. 그림에서 볼 수 있듯이, Affinity propagation 을 통하여 획득한 트레이닝 집합으로부터 학습된 SVM 분류자(SVM-AP)가 K-Means 및 K-Medoids 를 통하여 학습된 SVM 보다 평균적으로 16.5%, 22.4%의 높은 precision 과 recall 을 보이고 있다.
또한, 각 알고리즘으로부터 획득한 트레이닝 집합을 이용하여 소셜 이미지를 분류한 결과를 비교하였다. 실험을 통하여 affinity propagation 기반의 클러스터링을 이용한 트레이닝 집합이 특정 태그에 대하여 보다 적합한 이미지 집합을 구축하고 있음을 확인할 수 있었다. 그러나 본 논문에서 사용한 트레이닝 집합 획득 기법은 구축된 클러스터 중 크기가 가장 큰 k 개의 클러스터를 우선적으로 선택하였기 때문에, 특정 클러스터에 태그에 매우 적합한 이미지들이 포함되어 있다 하더라도 개체수가 적을 경우 선택될 수 없다는 한계점을 가지고 있다.

후속연구

실험을 통하여 affinity propagation 기반의 클러스터링을 이용한 트레이닝 집합이 특정 태그에 대하여 보다 적합한 이미지 집합을 구축하고 있음을 확인할 수 있었다. 그러나 본 논문에서 사용한 트레이닝 집합 획득 기법은 구축된 클러스터 중 크기가 가장 큰 k 개의 클러스터를 우선적으로 선택하였기 때문에, 특정 클러스터에 태그에 매우 적합한 이미지들이 포함되어 있다 하더라도 개체수가 적을 경우 선택될 수 없다는 한계점을 가지고 있다.
또한, 이미지에 할당되어 있는 태그를 이미지 내의 영역으로 매핑하기 위한 ‘영역기반 태깅’을 위하여, 특정 이미지와 태그가 주어졌을 경우 해당 이미지를 고려하여 태그의 컨텍스트를 판별하고 이에 기반하여 트레이닝 집합을 획득하기 위한 연구도 수행할 예정이다.
향후 시각 특징정보뿐만 아니라 이미지에 할당된 연관 태그와의 관련성을 고려하여 보다 적합한 트레이닝 집합을 추출하기 위한 연구를 수행할 예정이다. 또한, 이미지에 할당되어 있는 태그를 이미지 내의 영역으로 매핑하기 위한 ‘영역기반 태깅’을 위하여, 특정 이미지와 태그가 주어졌을 경우 해당 이미지를 고려하여 태그의 컨텍스트를 판별하고 이에 기반하여 트레이닝 집합을 획득하기 위한 연구도 수행할 예정이다.

핵심어

질문

논문에서 추출한 답변

K-Means 알고리즘은 어떤 알고리즘인가?

알고리즘은 클러스터 기반 비계층적 군집화 알고리즘의 하나로, 데이터 집합으로부터 k 개의 클러스터를 발견하기 위한 알고리즘이다. K-Means 알고리즘의 기본적인 작업 절차는 알고리즘 1 과 같다.

K-Medoids 알고리즘이 K-Means 알고리즘과 다른 점은 무엇인가?

즉, 결정된 centroid 가 실제 데이터 포인트일 필요는 없다. K-Medoids 알고리즘은 K-Means 알고리즘과 달리 각각의 클러스터를 대표할 수 있는 representative point (medoid)를 선정하고 이를 기반으로 클러스터링을 수행한다.

K-Means 알고리즘의 작업 절차는 어떻게 되는가?

1. Choose K initial centroid points 2. Assign all data points to the closest centroid point 3. Re-compute the centroid point of each cluster 4. Repeat 3-4 until centroid of each cluster is not changed

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

소셜 이미지 분류를 위한 클러스터링 알고리즘 기반 트레이닝 집합 획득 기법의 비교
A Study on Comparison of Clustering Algorithm-based Methods for Acquiring Training Sets for Social Image Classification 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

소셜 이미지 분류를 위한 클러스터링 알고리즘 기반 트레이닝 집합 획득 기법의 비교 A Study on Comparison of Clustering Algorithm-based Methods for Acquiring Training Sets for Social Image Classification 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

소셜 이미지 분류를 위한 클러스터링 알고리즘 기반 트레이닝 집합 획득 기법의 비교
A Study on Comparison of Clustering Algorithm-based Methods for Acquiring Training Sets for Social Image Classification 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper