[論文レビュー] Image classification based on support vector machine and the fusion of complementary features

Huilin Gao, Wenjie Chen+1 more|arXiv (Cornell University)|Nov 5, 2015

Advanced Image and Video Retrieval Techniques参考文献 22被引用数 4

ひとこと要約

この論文では、PHOW、PHOC、PHOGの3つの補完的特徴を、適応的特徴重み付きSVMを用いて融合する新しい画像分類手法を提案している。従来のBOWモデルに密サンプリングと改善されたK-meansクラスタリングを導入することで、視覚的辞書の構築を向上させ、Caltech 101データセットにおいて従来のBOW手法よりも7%〜17%高い分類精度を達成した。

ABSTRACT

Image Classification based on BOW (Bag-of-words) has broad application prospect in pattern recognition field but the shortcomings are existed because of single feature and low classification accuracy. To this end we combine three ingredients: (i) Three features with functions of mutual complementation are adopted to describe the images, including PHOW (Pyramid Histogram of Words), PHOC (Pyramid Histogram of Color) and PHOG (Pyramid Histogram of Orientated Gradients). (ii) The improvement of traditional BOW model is presented by using dense sample and an improved K-means clustering method for constructing the visual dictionary. (iii) An adaptive feature-weight adjusted image categorization algorithm based on the SVM and the fusion of multiple features is adopted. Experiments carried out on Caltech 101 database confirm the validity of the proposed approach. From the experimental results can be seen that the classification accuracy rate of the proposed method is improved by 7%-17% higher than that of the traditional BOW methods. This algorithm makes full use of global, local and spatial information and has significant improvements to the classification accuracy.

研究の動機と目的

• 従来のBag-of-Words (BOW)手法が単一特徴表現と低精度という限界を抱えることに対処する。
• PHOW、PHOC、PHOGという補完的特徴を組み合わせることで、グローバル、ローカル、空間的情報を統合し、特徴表現を向上させる。
• 視覚的辞書構築のための密サンプリングと改善されたK-meansクラスタリングアルゴリズムを導入することで、BOWモデルを強化する。
• 複数の補完的特徴を最適に融合できるように、適応的特徴重み付きSVMフレームワークを開発する。

提案手法

• 本手法は、局所的なテクスチャと空間的配置を捉えるPHOW（ピラミッドヒストグラムオブワード）、色分布を表現するPHOC（ピラミッドヒストグラムオブカラー）、エッジと勾配パターンを特徴化するPHOG（ピラミッドヒストグラムオブオリエンテッドグレディエント）という3つの補完的特徴を用いる。
• より強固な視覚的特徴を抽出するために、密サンプリング戦略を適用し、特徴の多様性とカバー範囲を向上させる。
• より識別性の高い視覚的語彙を構築するため、改善されたK-meansクラスタリングアルゴリズムを用いて、BOW表現の品質を向上させる。
• SVMに適応的特徴重み調整メカニズムを統合し、各特徴タイプの分類への寄与度に応じて動的に最適な重みを割り当てる。
• 融合された特徴表現をSVM分類器に供給し、3つの特徴タイプから得られる情報を統合して、画像カテゴリを区別する学習を実施する。
• パイプライン全体をCaltech 101ベンチマークデータセット上で訓練および評価し、性能向上を検証する。

実験結果

リサーチクエスチョン

• RQ1 PHOW、PHOC、PHOGという複数の補完的特徴を融合することで、単一特徴のBOW手法を上回る画像分類精度を達成できるか？
• RQ2 密サンプリングと改善されたK-meansクラスタリング手法は、BOWフレームワークにおける視覚的語彙構築をどのように向上させるか？
• RQ3 多様な視覚的特徴を統合する際、SVMフレームワークにおける適応的特徴重み付けは、分類性能をどの程度向上させるか？
• RQ4 グローバル、ローカル、空間的特徴を統合することで、標準的な画像分類ベンチマークで顕著な精度向上が得られるか？

主な発見

• 提案手法は、Caltech 101データセットにおいて、従来のBOWベースの手法よりも7%〜17%の分類精度向上を達成した。
• PHOW、PHOC、PHOG特徴の融合により、補完的情報を効果的に捉えることができ、視覚的表現の識別力が著しく向上した。
• 密サンプリングと改善されたK-meansクラスタリング手法の適用により、標準的なスパースサンプリングに比べ、より強固で識別性の高い視覚的語彙が構築された。
• 適応的特徴重み付きSVMアプローチにより、各特徴タイプの寄与度が適切にバランスされ、より安定的で正確な分類結果が得られた。
• グローバル（PHOC）、ローカル（PHOW）、空間勾配（PHOG）情報を同時に活用することで、本手法は優れた一般化性能を示した。
• 実験結果から、本手法は従来のBOW手法を上回り、特徴の融合と改善された特徴表現の有効性が検証された。