[論文レビュー] The Use of Self Organizing Map Method and Feature Selection in Image Database Classification System

Dian Pratiwi|arXiv (Cornell University)|Jun 1, 2012

Image Retrieval and Classification Techniques参考文献 9被引用数 19

ひとこと要約

本論文では、主成分分析（PCA）および潜在的意味解析（LSA）を用いた特徴選択と組み合わせた自己組織化マップ（SOM）を用いたハイブリッド画像分類システムを提案する。250枚のカラー画像をグレースケール変換、色ヒストグラム抽出、次元削減のプロセスを経て5つのクラスにクラスタリングする。PCAを用いた特徴選択で100次元に削減した場合、88%の精度を達成し、LSAの74%を上回った。

ABSTRACT

This paper presents a technique in classifying the images into a number of classes or clusters desired by means of Self Organizing Map (SOM) Artificial Neural Network method. A number of 250 color images to be classified as previously done some processing, such as RGB to grayscale color conversion, color histogram, feature vector selection, and then classifying by the SOM Feature vector selection in this paper will use two methods, namely by PCA (Principal Component Analysis) and LSA (Latent Semantic Analysis) in which each of these methods would have taken the characteristic vector of 50, 100, and 150 from 256 initial feature vector into the process of color histogram. Then the selection will be processed into the SOM network to be classified into five classes using a learning rate of 0.5 and calculated accuracy. Classification of some of the test results showed that the highest percentage of accuracy obtained when using PCA and the selection of 100 feature vector that is equal to 88%, compared to when using LSA selection that only 74%. Thus it can be concluded that the method fits the PCA feature selection methods are applied in conjunction with SOM and has an accuracy rate better than the LSA feature selection methods. Keywords: Color Histogram, Feature Selection, LSA, PCA, SOM.

研究の動機と目的

• 教師なし学習手法を用いて画像データベースの分類精度を向上させること。
• 特徴選択手法（PCAとLSA）が分類性能に与える影響を評価すること。
• SOMを用いた効果的なクラスタリングを実現するための最適な特徴数（50、100、150）を特定すること。
• 次元削減の観点から、PCAとLSAが画像の識別的特徴をどれだけ保持できるかを比較すること。
• SOMと特徴選択を組み合わせた手法が、画像クラスタリングタスクにおいて有効であることを検証すること。

提案手法

• 入力カラー画像をグレースケールに変換し、画像表現を標準化する。
• 初期特徴ベクトルとして色ヒストグラムを抽出し、1枚の画像あたり256次元の特徴空間が得られる。
• 次元削減のため、主成分分析（PCA）および潜在的意味解析（LSA）を用いて特徴選択を行い、特徴数を50、100、150に削減する。
• 学習率0.5を用いた自己組織化マップ（SOM）ニューラルネットワークを訓練し、5つの事前に定義されたクラスタに画像を分類する。
• SOMの競争的学習メカニズムを活用して、高次元の特徴ベクトルを2次元格子上にマップする。
• 予測されたクラスタ割り当てと正解ラベルを比較して分類精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 PCAを用いた特徴選択は、LSAに比べてSOMを用いた画像分類精度をどの程度向上させるか？
• RQ2 この画像クラスタリングシステムにおいて、分類精度を最大化するための最適な特徴数（50、100、150）は何か？
• RQ3 PCAまたはLSAによる次元削減は、効果的な画像クラスタリングに十分な識別的情報を保持できるか？
• RQ4 SOMと特徴選択を組み合わせることで、教師なし画像データベース分類において高い精度を達成できるか？
• RQ5 色ヒストグラム特徴に適用した場合、PCAとLSAの間には画像クラスタリングにおける性能にどのような差があるか？

主な発見

• PCAを用いて100個の特徴を選択した場合、最高の分類精度88%を達成した。
• LSAを用いた特徴選択では、同じクラスタリング条件下で74%の精度にとどまった。
• 特に100次元特徴選択の状況において、PCAはLSAよりも画像クラスタリングに必要な関連特徴をより効果的に保持した。
• 150次元特徴を使用しても100次元特徴と比べて精度が顕著に向上しなかったため、ある閾値を超えると利得が減少することが示唆された。
• PCAに基づく特徴選択と組み合わせたSOMネットワークは、画像を5つの明確なクラスタに分類するのに成功した。
• 結果から、SOMを用いたこの画像分類タスクにおいて、PCAはLSAよりも効果的な特徴選択手法であると示された。