[논문 리뷰] A GA Based approach for selection of local features for recognition of handwritten Bangla numerals

Nibaran Das, Subhadip Basu외 4명|arXiv (Cornell University)|2015. 01. 22.

Neural Networks and Applications참고 문헌 15인용 수 8

한 줄 요약

이 논문은 국소적 특징 선택을 최적화하여 수필된 방글라 숫자 인식을 향상시키기 위해 이단계 유전자 알고리즘(GA) 기반 접근법을 제안한다. 먼저 전역적 특징을 기반으로 한 군집 분류로 후보 클래스를 좁히고, 그 다음 GA를 통해 최적의 국소 영역을 선택하여 정밀화한다. 이로 인해 인식 정확도가 첫 번째 단계의 93.35%에서 95.25%로 향상되었으며, 이는 복잡한 패턴 인식 과제에서 GA 최적화 국소 특징 선택의 효과를 입증한다.

ABSTRACT

Soft computing approaches are mainly designed to address the real world ill-defined, imprecisely formulated problems, combining different kind of novel models of computation, such as neural networks, genetic algorithms (GAs. Handwritten digit recognition is a typical example of one such problem. In the current work we have developed a two-pass approach where the first pass classifier performs a coarse classification, based on some global features of the input pattern by restricting the possibility of classification decisions within a group of classes, smaller than the number of classes considered initially. In the second pass, the group specific classifiers concentrate on the features extracted from the selected local regions, and refine the earlier decision by combining the local and the global features for selecting the true class of the input pattern from the group of candidate classes selected in the first pass. To optimize the selection of local regions a GA based approach has been developed here. The maximum recognition performance on Bangla digit samples as achieved on the test set, during the first pass of the two pass approach is 93.35%. After combining the results of the two stage classifiers, an overall success rate of 95.25% is achieved.

연구 동기 및 목표

• 수필된 방글라 숫자를 인식하는 데 있어 높은 내부 클래스 변동성과 복잡한 공간 패턴으로 인해 발생하는 과제를 해결하기 위해.
• 전역적 특징을 사용해 초기에 후보 클래스를 좁힘으로써 분류 복잡도를 감소시키기 위해.
• 정밀화를 위해 가장 구분력 있는 국소적 특징을 지능적으로 선택함으로써 인식 정확도를 향상시키기 위해.
• 두 번째 분류 단계에서 결정 정확도를 향상시키기 위해 국소적 특징 선택을 유전자 알고리즘(GA)을 사용해 최적화하기 위해.
• 전역적 특징만을 사용하는 것보다 높은 총합 인식률을 달성함으로써, 하이브리드 전역-국소 특징 융합의 효과를 검증하기 위해.

제안 방법

• 이중 단계 분류 프레임워크를 사용한다: 첫 번째 단계는 전역적 특징을 사용해 군집 분류를 수행하여 검색 공간을 축소한다.
• 두 번째 단계는 입력 숫자 이미지의 선택된 관심 영역에서 추출한 국소적 특징에 집중한다.
• 유전자 알고리즘(GA)을 사용해 특징 영역 조합의 집단을 진화시켜 분류 정확도를 최적화한다.
• GA는 인식 성능을 기반으로 적합도를 평가하며, 두 번째 단계에서 정확한 분류를 극대화하는 영역 조합을 선택한다.
• 두 번째 단계에서 전역적 특징과 국소적 특징을 융합하여 군집 분류 결정을 정밀화한다.
• 선택된 국소적 영역 간의 높은 구분력과 낮은 상관성(중복성)을 촉진하는 적합도 함수에 따라 특징 선택이 이뤄진다.

실험 결과

연구 질문

• RQ1 단일 단계 전역적 특징 방법에 비해 이중 단계 분류 접근법이 수필된 방글라 숫자의 인식 정확도 향상에 기여하는가?
• RQ2 유전자 알고리즘이 분류 성능 향상에 기여하는 가장 정보적인 국소 이미지 영역을 선택하는 데 얼마나 효과적인가?
• RQ3 전역적 특징과 융합했을 때 국소적 특징이 총합 인식 정확도에 기여하는 정도는 어떠한가?
• RQ4 GA 기반 특징 선택은 후보 클래스 수를 줄일 수 있으며, 이로 인해 인식률을 유지하거나 향상시킬 수 있는가?
• RQ5 방글라 숫자를 위한 하이브리드 인식 프레임워크에서 전역적 특징과 국소적 특징 사이의 최적의 균형은 무엇인가?

주요 결과

• 전역적 특징을 사용한 첫 번째 단계 분류기는 테스트 세트에서 93.35%의 인식 정확도를 달성했다.
• 두 번째 단계에서 GA 기반 방법을 통해 선택된 국소적 특징을 통합한 결과, 총합 인식 정확도가 95.25%로 향상되었다.
• GA 기반 특징 선택 과정은 분류 성능를 크게 향상시키는 구분력 있는 국소적 영역을 효과적으로 식별했다.
• 이중 단계 접근법은 두 번째 단계에서 후보 클래스 수를 줄여 계산 효율성과 결정 정확도를 향상시켰다.
• 전역적 특징과 최적화된 국소적 특징을 융합한 하이브리드 방식은 전역적 특징에만 의존하는 모델보다 성능이 뛰어났다.
• 결과적으로, 방글라와 같은 복잡한 스크립트에서 수필된 숫자 인식에 대해 지능적인 국소적 특징 선택이 GA를 통해 가능하고 효과적인 전략임을 입증한다.