[論文レビュー] New approach using Bayesian Network to improve content based image classification systems

Khlifia Jayech, Mohamed Ali Mahjoub|arXiv (Cornell University)|Apr 7, 2012

Image Retrieval and Classification Techniques参考文献 38被引用数 24

ひとこと要約

本稿では、画像をブロックに分割し、各ブロックから特徴記述子を抽出して画像ごとにラベルベクトルを生成することで、コンテンツベースの画像分類を向上させる、新たなベイジアンネットワークベースの手法を提案する。3つのベイジアンネットワークバリエーション（ネイティブベイズ（NB）、ツリー拡張ネイティブベイズ（TAN）、フォレスト拡張ネイティブベイズ（FAN））を評価し、FANが最高の分類性能を示し、ベースライン手法に比べ顕著な改善を示した。

ABSTRACT

This paper proposes a new approach based on augmented naive Bayes for image classification. Initially, each image is cutting in a whole of blocks. For each block, we compute a vector of descriptors. Then, we propose to carry out a classification of the vectors of descriptors to build a vector of labels for each image. Finally, we propose three variants of Bayesian Networks such as Naive Bayesian Network (NB), Tree Augmented Naive Bayes (TAN) and Forest Augmented Naive Bayes (FAN) to classify the image using the vector of labels. The results showed a marked improvement over the FAN, NB and TAN.

研究の動機と目的

• 確率的グラフィカルモデルを統合することで、コンテンツベースの画像分類システムの精度を向上させること。
• 従来のネイティブベイズが画像データの複雑な特徴依存関係をモデル化するのには限界があるという問題に取り組むこと。
• ツリー拡張およびフォレスト拡張ベイジアンネットワークの画像分類における有効性を検討すること。
• 局所的画像ブロック解析とグローバルラベルベクトルモデリングを組み合わせたマルチレベル分類パイプラインを構築すること。
• NB、TAN、FANの性能を画像分類タスクにおいて評価および比較すること。

提案手法

• 画像を重複のないブロックに分割して局所的特徴を抽出する。
• 各ブロックは、視覚的記述子のベクトルとして表現され、局所的特徴表現を形成する。
• 局所的記述子ベクトルが分類され、画像ごとにラベルベクトルが生成され、ブロック全体にわたる意味的コンテンツを捉える。
• 得られたラベルベクトルを用いて、3つのベイジアンネットワークモデル（NB、TAN、FAN）が画像分類に適用される。
• FANは、複数の木構造ネットワークを組み合わせることで、NB や TAN よりも特徴依存関係をよりよくモデル化できるように構築される。
• 分類プロセスでは、条件付き確率分布を用いて、ラベルベクトルに基づいて画像カテゴリを推論する。

実験結果

リサーチクエスチョン

• RQ1 構造的依存関係を追加したネイティブベイズが、画像分類精度を向上させることができるか？
• RQ2 TAN や FAN モデルは、ブロックレベルの特徴に基づく画像分類において、標準的な NB より優れているか？
• RQ3 FAN のように複数の木構造ネットワークを組み合わせることで、単一木またはネイティブモデルよりも一般化性能が向上するか？
• RQ4 ラベルベクトル表現は、生の記述子入力よりも分類性能をどの程度向上させるか？
• RQ5 ベイジアンネットワークにおける構造モデリングの寄与度は、画像分類精度にどの程度影響を与えるか？

主な発見

• フォレスト拡張ネイティブベイズ（FAN）モデルが、評価されたモデルの中で最高の分類性能を達成した。
• FAN は、ネイティブベイズ（NB）およびツリー拡張ネイティブベイズ（TAN）の両方を顕著に上回った。
• ブロック単位の特徴抽出とラベルベクトル構築の使用は、モデルの一般化性能を顕著に向上させた。
• ベイジアンネットワークとマルチブロック画像解析を統合することで、画像コンテンツの意味的理解が向上した。
• 結果から、ネットワーク構造による特徴依存関係のモデリングが、単純な独立性仮定よりも優れた分類結果をもたらすことが確認された。