[論文レビュー] A Fusion of Labeled-Grid Shape Descriptors with Weighted Ranking Algorithm for Shapes Recognition

Jamil Ahmad, Zahoor Jan+2 more|arXiv (Cornell University)|Jun 16, 2014

Image Retrieval and Classification Techniques参考文献 10被引用数 6

ひとこと要約

本稿では、ラベル付きグリッド表現からの局所的境界および領域特徴と、グローバル形状特徴を融合させることで、複合記述子を構築する形状認識手法を提案する。重み付きランク付けアルゴリズムを用いることで、幾何的に類似した形状と類似しない形状を効果的に区別でき、大規模データセット内での形状同定において優れた性能を示している。

ABSTRACT

Retrieving similar images from a large dataset based on the image content has been a very active research area and is a very challenging task. Studies have shown that retrieving similar images based on their shape is a very effective method. For this purpose a large number of methods exist in literature. The combination of more than one feature has also been investigated for this purpose and has shown promising results. In this paper a fusion based shapes recognition method has been proposed. A set of local boundary based and region based features are derived from the labeled grid based representation of the shape and are combined with a few global shape features to produce a composite shape descriptor. This composite shape descriptor is then used in a weighted ranking algorithm to find similarities among shapes from a large dataset. The experimental analysis has shown that the proposed method is powerful enough to discriminate the geometrically similar shapes from the non-similar ones.

研究の動機と目的

• 大規模データセットにおける有効な形状ベースの画像検索の課題に対処すること。
• 局所的、領域的、グローバルな複数の特徴タイプを統合することで、形状認識の精度を向上させること。
• 空間的一致性と頑健性を確保するラベル付きグリッド表現を用いて、強化された幾何的表現を持つ複合形状記述子を構築すること。
• 重み付きランク付けアルゴリズムを活用して、大規模なコレクションから類似形状を効率的に同定すること。
• 類似した形状と類似しない形状の間の区別能を向上させるために、ランク付けプロセスにおける特徴の重みを最適化すること。
• ラベル付きグリッド構造を活用して、特徴抽出の空間的一致性と頑健性を確保すること。

提案手法

• 入力形状をラベル付きグリッド法で表現し、局所的境界および領域特徴を抽出する。
• 抽出された局所的および領域的特徴を、グローバル形状特徴の集合と統合して、複合形状記述子を構築する。
• 複合記述子に基づいて、形状間の類似度スコアを計算するため、重み付きランク付けアルゴリズムを適用する。
• 重み付きランク付けメカニズムを活用して、大規模な検索タスクにおける関連する形状マッチを優先順位付けする。
• 類似した形状と類似しない形状の区別能を向上させるために、ランク付けプロセスにおける特徴の重みを最適化する。
• ラベル付きグリッド構造を活用して、特徴抽出における空間的一致性と頑健性を確保する。

実験結果

リサーチクエスチョン

• RQ1 局所的、領域的、グローバルな特徴を統合した複合形状記述子は、形状認識の精度を向上させることができるか？
• RQ2 提案された記述子を用いた重み付きランク付けアルゴリズムは、大規模データセットからの類似形状の検索においてどの程度効果的か？
• RQ3 この手法は、幾何的に類似した形状と類似しない形状をどの程度明確に区別できるか？
• RQ4 ラベル付きグリッド特徴の統合は、単一特徴アプローチと比較して、識別能を向上させるか？
• RQ5 形状の複雑さや方向の変化に対して、この手法はどの程度の性能を示すか？

主な発見

• 提案手法は、幾何的に類似した形状と類似しない形状を、高い精度で区別できることを確認した。
• ラベル付きグリッドに基づく局所的、領域的、グローバルな特徴の統合により、形状記述子の識別能力が向上した。
• 重み付きランク付けアルゴリズムは、大規模データセットからの類似形状の検索を効果的に実行でき、検索精度を向上させた。
• 実験結果から、複合記述子は単一特徴または非統合アプローチよりも、形状類似度評価において優れた性能を示すことが確認された。
• この手法は、検索時の形状幾何的および方向的変化に対しても頑健であることが示された。
• World Applied Sciences Journal (2014) に報告された結果により、このアプローチが強い性能を発揮することが裏付けられた。