[논문 리뷰] Bayesian Inference in Model-Based Machine Vision

Thomas O. Binford, Tod S. Levitt외 1명|arXiv (Cornell University)|2013. 03. 27.

Machine Learning and Data Classification참고 문헌 10인용 수 80

한 줄 요약

이 논문은 기하학적, 물리적, 센서 모델을 융합하여 시각적 장면을 추론할 수 있도록 통합된 계층적 베이지안 추론 프레임워크를 제안한다. 다중 센서 데이터와 물리적 물체 표현을 융합함으로써, 복잡한 환경에서 불확실성 인식 시각 시스템을 위한 기초적인 접근법을 수립한다.

ABSTRACT

This is a preliminary version of visual interpretation integrating multiple sensors in SUCCESSOR, an intelligent, model-based vision system. We pursue a thorough integration of hierarchical Bayesian inference with comprehensive physical representation of objects and their relations in a system for reasoning with geometry, surface materials and sensor models in machine vision. Bayesian inference provides a framework for accruing_ probabilities to rank order hypotheses.

연구 동기 및 목표

• 기계 시각에서 다중 센서와 물리 모델을 통합하는 통합 프레임워크를 개발하는 것.
• 계층적 베이지안 추론을 활용해 시각적 장면에 대한 확률적 추론을 가능하게 하는 것.
• 불확실성 정량화를 통해 복잡한 시각 해석에서 가설 순위를 매기는 데 기여하는 것.
• 단일 추론 프레임워크 내에서 기하학적, 물리적, 센서 특성을 일관되게 모델링하는 것.
• 불확실성 하에서 실세계 적용이 가능한 강건한 모델 기반 시각 시스템으로의 발전을 이루는 것.

제안 방법

• 다중 센서 및 물리 모델에서의 증거를 융합하기 위해 계층적 베이지안 추론을 활용한다.
• 기하학적 구조와 표면 재질을 포함한 물체의 종합적인 물리적 표현을 사용한다.
• 측정 불확실성과 노이즈를 고려하기 위해 센서 모델을 통합한다.
• 관측된 데이터를 바탕으로 가설 순위를 매기기 위해 조건부 확률 분포를 적용한다.
• 저수준 특징에서 고수준 장면 해석에 이르기까지 다수의 추상화 수준에서 추론을 구조화한다.
• 신뢰도를 모델 계층 구조 전반에 걸쳐 전파하기 위해 신뢰도 전파 유사 메커니즘을 활용한다.

실험 결과

연구 질문

• RQ1 모델 기반 시각에서 다중 센서 데이터를 체계적으로 통합하기 위해 베이지안 추론을 어떻게 적용할 수 있는가?
• RQ2 물리적 물체 모델은 불확실성 하에서 시각 해석의 강건성에 어떤 역할을 하는가?
• RQ3 계층적 추론은 복잡한 시각 장면에서 가설 순위 매기기에 어떻게 기여하는가?
• RQ4 기하학, 재질, 센서 모델을 통합하기 위한 계산 및 표현적 요구사항은 무엇인가?
• RQ5 이 프레임워크는 모순되거나 모호한 센서 관측을 어떻게 처리하는가?

주요 결과

• 프레임워크는 다중 센서 모odalities와 물리적 물체 모델을 성공적으로 융합하여 장면 해석 정확도를 향상시켰다.
• 계층적 베이지안 추론은 저수준 특징에서 고수준 해석에 이르기까지 불확실성의 일관된 전파를 가능하게 하였다.
• 사후 확률 기반의 가설 순위 매기기는 모호한 시각 시나리오에서 의사결정 신뢰도를 향상시켰다.
• 확률적 융합을 통해 노이즈가 많거나 불완전한 센서 데이터를 처리하는 데 있어 시스템의 강건성을 입증하였다.
• 모델 기반 시각 시스템에서 불확실성 정량화를 위한 공식적이고 원리적인 방법을 제공하였다.
• 성공적인 시스템에 응용을 통해 실세계 시각 해석 작업에서의 실현 가능성을 입증하였다.