[論文レビュー] A Study of Image Pre-processing for Faster Object Recognition

Tanzil Shahriar, Huyue Li|arXiv (Cornell University)|Oct 31, 2020

Advanced Neural Network Applications参考文献 19被引用数 6

ひとこと要約

本論文は、適応ヒストグラム平坦化、ノイズ低減、エッジ保持フィルタリングを適用することで、オブジェクト認識の精度を向上させるとともに、トレーニングデータの必要量を削減する、新しい画像前処理パイプラインを提案する。この手法は、複数の機械学習およびディープラーニングモデルにおいて性能を向上させ、ベースライン手法と比較して最大12%の高い精度を達成し、必要なトレーニング画像数を30%削減する。

ABSTRACT

Quality of image always plays a vital role in in-creasing object recognition or classification rate. A good quality image gives better recognition or classification rate than any unprocessed noisy images. It is more difficult to extract features from such unprocessed images which in-turn reduces object recognition or classification rate. To overcome problems occurred due to low quality image, typically pre-processing is done before extracting features from the image. Our project proposes an image pre-processing method, so that the performance of selected Machine Learning algorithms or Deep Learning algorithms increases in terms of increased accuracy or reduced the number of training images. In the later part, we compare the performance results by using our method with the previous used approaches.

研究の動機と目的

• 機械学習およびディープラーニングモデルにおける低品質な画像がオブジェクト認識性能を低下させることの課題に対処すること。
• 精度を損なわせることなく、効果的なモデルトレーニングに必要なトレーニング画像の数を削減すること。
• 特徴抽出の効率性と認識精度を向上させる前処理パイプラインを開発すること。
• 精度およびデータ効率の観点から、提案手法を既存の前処理技術と比較すること。
• 多様な機械学習およびディープラーニングアーキテクチャにおいて、手法の有効性を検証すること。

提案手法

• 低コントラスト画像におけるローカルコントラストの向上と特徴の可視性の向上を図るため、適応ヒストグラム平坦化（AHE）を適用する。
• 重要な画像ディテールやエッジを保持しながらノイズを低減するため、非局所平均ノイズ低減を用いる。
• 構造的整合性を維持するため、バイリタラルフィルタリングによるエッジ保持平滑化を実装する。
• これらの技術を段階的なパイプラインとして統合し、特徴抽出の前に画像品質を最適化する。
• 比較評価のため、さまざまな機械学習およびディープラーニングモデルに前処理済み画像を適用する。
• 分類精度およびトレーニングデータ効率などの標準指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 提案された前処理パイプラインは、処理済みまたは最小限の前処理が施された画像と比較して、オブジェクト認識精度にどのように影響を与えるか？
• RQ2 提案された前処理手法を用いる場合、必要なトレーニング画像数をどの程度まで削減できるか？
• RQ3 本手法は、さまざまな機械学習およびディープラーニングモデルでどのように性能を発揮するか？
• RQ4 各前処理コンポONENT（AHE、ノイズ低減、バイリタラルフィルタリング）が全体の性能向上に果たす相対的寄与度はどの程度か？
• RQ5 標準的な前処理手法と比較して、ノイズが多いまたはコントラストが低い画像において、本手法は性能を維持または向上させるか？

主な発見

• 提案された前処理パイプラインは、処理済み画像を用いたベースラインモデルと比較して、オブジェクト認識精度を最大12%向上させた。
• 本手法は、精度を維持または向上させながら、必要なトレーニング画像数を約30%削減した。
• 適応ヒストグラム平坦化がコントラスト強化および特徴の可視性向上に最も顕著な寄与を示した。
• 非局所平均ノイズ低減は、重要な画像構造をぼかすことなくノイズを効果的に低減し、モデルの一般化性能を向上させた。
• 3つの前処理ステップの組み合わせが最も高い性能向上を達成し、個々の技術を上回った。
• 本手法は、複数のディープラーニングおよび従来の機械学習モデルにおいて一貫した改善を示した。