[논문]준 지도 학습에 기반한 중요 객체 검출 방법

황인성; 이상화; 박재성; 조남익

준 지도 학습에 기반한 중요 객체 검출 방법
Saliency Detection Based on Semi-Supervised Learning 원문보기

황인성 (서울대학교 전기정보공학부) , 이상화 (서울대학교 전기정보공학부) , 박재성 (서울대학교 전기정보공학부) , 조남익 (서울대학교 전기정보공학부)

본 논문에서는 준 지도 학습에 기반한 중요 객체 검출 방법을 제안한다. 첫째, 색상과 공간 정보를 활용하여 이미지를 분할한 후, 분할된 영역을 색상의 유사도로 연결하여 그래프를 만든다. 둘째, 색 대비 및 가장자리 사전 지식을 활용하여 중요 객체에 해당하는 씨앗 노드와 배경에 해당하는 씨앗 노드를 추출한다. 끝으로, 중요 객체 및 배경 씨앗 노드를 이용하여 준 지도학습 기법에 적용함으로써 이미지 전체 노드의 중요도를 계산한다. 실험 결과, 제안한 알고리즘이 최신의 다른 알고리즘보다 높은 재현율 구간에서 높은 정밀도를 보임을 확인할 수 있고, 시각적으로도 좋은 성능을 보임을 확인할 수 있다.

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

문제 정의

본 논문에서는 준 지도 학습을 활용하여 중요 객체 검출의 성능을 높이는 방법을 제안한다. [4]의 방법과는 다르게, 제안하는 방법에서는 가장자리에 의한 사전 지식 뿐만 아니라 색 대비 사전 지식을 동시에 활용한다.

제안 방법

ASD 데이터 셋은 명확한 중요 객체가 존재하는 1,000장의 이미지와 이에 해당하는 1,000장의 ground-truth 이미지로 구성된다. ASD 데이터 셋을 이용하여 성능이 우수하다고 알려져 있는 최신의 방법들과 제안하는 알고리즘을 정량적, 정성적으로 비교하였다.
본 논문에서는 준 지도 학습을 활용하여 중요 객체 검출의 성능을 높이는 방법을 제안한다. [4]의 방법과는 다르게, 제안하는 방법에서는 가장자리에 의한 사전 지식 뿐만 아니라 색 대비 사전 지식을 동시에 활용한다. 중요 객체 및 배경에 대한 두 가지 종류의 씨앗 노드를 모두 추출한 후, 준 지도 학습에 활용함으로써 검출 성능을 높인다 [7].
그림 2. 고정된 색상 파라미터와 적응적인 색상 파라미터와의 비교. (a) 입력 이미지, (b) 고정된 파라미터, (c) 적응적인 파라미터, (d) ground-truth.
위에서 추출한 주요 객체 및 배경 씨앗 노드를 이용하여 준 지도학습을 수행하였다. Zhou et al.
이를 중요 객체 검출 모델에 적용하기 위하여, 씨앗 노드로부터의 전체적인 유사도(overall affinity)를 구하였다. 중요 객체 및 배경 씨앗 노드와의 전체적인 유사도는 각각 아래와 같이 적을 수 있다.
이미지를 과 분할하여 그래프를 생성하고, 색 대비 및 가장자리 사전 지식을 활용하여 씨앗 노드를 추출한 후, 이를 준 지도 학습에 적용함으로써 중요 객체를 검출하는 방법을 제안하였다, 두 종류의 씨앗 노드를 모두 활용함으로써 중요 객체 및 배경과의 상대적인 유사 정도를 측정하였다. 높은 재현율 구간에서 기존의 방법들 보다 좋은 성능을 보였는데, 높은 재현율 구간에서 다양한 컴퓨터 비전 응용이 이용된다는 점에서 의미가 있다.
정량적인 비교뿐만 아니라 정성적인 비교도 수행하였다. RC는 중요 객체를 균일하게 검출하지 못하고, 배경에서도 많은 부분 오검출되는 것을 확인할 수 있다.
제안하는 알고리즘을 색 대비 사전 지식 또는 가장자리 사전지식을 활용하는 기존의 다양한 방법들과 비교를 하였다 (RC [6], GR [2], HS [1], GMR [4], MC [5]). RC, GR, HS는 색 대비를 활용한 방법이고, GMR과 MC는 가장자리 사전지식을 활용한 방법이다.
준 지도 학습 방법에 적용을 위한 씨앗 노드 추출을 위해서, 주요 객체 씨앗 노드와 배경 씨앗 노드를 추출하였다. 주요 객체 씨앗 노드를 추출하기 위해서 영역 간 색 대비를 활용하였는데 [6], 이는 각 노드와 다른 모든 노드와의 색 대비를 거리에 가중치에 두어 계산하는 방법이다.

대상 데이터

실험에는 중요 객체 검출 분야에서 가장 널리 사용되는 ASD 데이터 셋을 사용하였다 [10]. ASD 데이터 셋은 명확한 중요 객체가 존재하는 1,000장의 이미지와 이에 해당하는 1,000장의 ground-truth 이미지로 구성된다. ASD 데이터 셋을 이용하여 성능이 우수하다고 알려져 있는 최신의 방법들과 제안하는 알고리즘을 정량적, 정성적으로 비교하였다.
실험에는 이미지 과 분할 개수, 씨앗 취득 비율 및 학습 균형 파라미터, 총 3가지의 파라미터가 사용되었다. 이미지를 과 분할하는 개수를 N = 200으로 설정하였는데, 이는 이미지에 따라 SLIC 알고리즘에 의해 200보다 조금 많거나 적게 분할된다.
실험에는 중요 객체 검출 분야에서 가장 널리 사용되는 ASD 데이터 셋을 사용하였다 [10]. ASD 데이터 셋은 명확한 중요 객체가 존재하는 1,000장의 이미지와 이에 해당하는 1,000장의 ground-truth 이미지로 구성된다.

성능/효과

RC는 중요 객체를 균일하게 검출하지 못하고, 배경에서도 많은 부분 오검출되는 것을 확인할 수 있다. GR과 GMR은 배경에서 발생하는 오검출은 크게 줄였으나 객체를 덜 검출하는 경향이 있고, HS와 MC의 경우에는 배경의 오검출을 많이 줄였지만, 만족스러운 수준은 아니었다. 이에 반해 제안하는 방법은 이 두 가지 문제점을 어느 정도 만족스럽게 해소시켰다.
실험 결과를 통해 제안하는 알고리즘이 높은 재현율 구간에서 기존의 다른 방법들에 비해 높은 정밀도로 중요 객체를 검출하는 것을 확인할 수 있고. 시각적으로도 배경을 효과적으로 억제하면서 중요 객체를 균일하게 검출하는 것을 확인할 수 있다.
이는 둘 중의 하나의 사전 지식을 활용하는 것보다 효과적이며, 검출 성능을 향상시킬 수 있다. 실험 결과를 통해 제안하는 알고리즘이 높은 재현율 구간에서 기존의 다른 방법들에 비해 높은 정밀도로 중요 객체를 검출하는 것을 확인할 수 있고. 시각적으로도 배경을 효과적으로 억제하면서 중요 객체를 균일하게 검출하는 것을 확인할 수 있다.
높은 재현율 구간에서 기존의 방법들 보다 좋은 성능을 보였는데, 높은 재현율 구간에서 다양한 컴퓨터 비전 응용이 이용된다는 점에서 의미가 있다. 정성적인 결과에서도 보다 중요객체가 균일하게 검출하는 것을 확인할 수 있었다.

핵심어

질문

논문에서 추출한 답변

중요 객체검출은 어떤 분야에서 활용될 수 있나요?

이러한 점에서 컴퓨터 비전 연구 분야에서도 이미지 내의 중요한 객체를 검출하려는 연구가 최근에 많이 진행되고 있다. 중요 객체검출은 눈에 띄는 영역 또는 객체를 찾는 것을 뜻하는데, 이미지 분할, 분류, 검색, 리타겟팅, 압축 등 이미지 프로세싱, 컴퓨터 비전의 다양한 응용 분야에 활용될 수 있다는 점에서 중요한 연구로 주목받고 있다.

중요 객체를 검출하는 많은 방법들은 어떠한 접근 방법을 기반으로 하고 있나요?

중요 객체를 검출하는 많은 방법들은 bottom-up 접근 방법에 기반하고 있는데, 이는 데이터에 따른 처리 방식이며, 중요 객체에 대한 사전 지식을 검출에 활용하는 것을 의미한다. Bottom-up 방식을 활용하는 방법들은 활용하는 사전 지식에 따라 다양한 방법으로 제안되었다.

중요 객체 검출 분야에서 널리 사용되는 ASD 데이터 셋의 구성은 어떻게 되나요?

실험에는 중요 객체 검출 분야에서 가장 널리 사용되는 ASD 데이터 셋을 사용하였다 [10]. ASD 데이터 셋은 명확한 중요 객체가 존재하는 1,000장의 이미지와 이에 해당하는 1,000장의 ground-truth 이미지로 구성된다. ASD 데이터 셋을 이용하여 성능이 우수하다고 알려져 있는 최신의 방법들과 제안하는 알고리즘을 정량적, 정성적으로 비교하였다.

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

준 지도 학습에 기반한 중요 객체 검출 방법
Saliency Detection Based on Semi-Supervised Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

준 지도 학습에 기반한 중요 객체 검출 방법 Saliency Detection Based on Semi-Supervised Learning 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

준 지도 학습에 기반한 중요 객체 검출 방법
Saliency Detection Based on Semi-Supervised Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper