[논문 리뷰] Comparative study of histogram distance measures for re-identification

Pedro A. Marín-Reyes, Javier Lorenzo-Navarro외 1명|arXiv (Cornell University)|2016. 11. 24.

Advanced Image and Video Retrieval Techniques인용 수 11

한 줄 요약

이 논문은 색상 히스토GRAM을 사용한 인물 재식별을 위한 히스토GRAM 거리 측정법과 색상 공간을 평가하며, HSV 색상 공간에서 16–32개의 버킷과 5–10개의 수평 스트립을 사용할 경우 Bhattacharyya, 카이제곱, 교차 거리 측정법이 가장 높은 성능을 보임을 발견한다. 본 연구는 여러 데이터베이스를 통한 경험적 순위 분석 기반으로 재식별 시스템에 대한 검증된 초깃값을 제공한다.

ABSTRACT

Color based re-identification methods usually rely on a distance function to measure the similarity between individuals. In this paper we study the behavior of several histogram distance measures in different color spaces. We wonder whether there is a particular histogram distance measure better than others, likewise also, if there is a color space that present better discrimination features. Several experiments are designed and evaluated in several images to obtain measures against various color spaces. We test in several image databases. A measure ranking is generated to calculate the area under the CMC, this area is the indicator used to evaluate which distance measure and color space present the best performance for the considered databases. Also, other parameters such as the image division in horizontal stripes and number of histogram bins, have been studied.

연구 동기 및 목표

• 다양한 히스토GRAM 거리 측정법이 인물 재식별 작업에서 어떻게 성능을 발휘하는지 평가하기 위해.
• 다양한 조명 조건 하에서 더 나은 분류 성능을 보이는 색상 공간을 규명하기 위해.
• 히스토GRAM 버킷 수와 이미지를 수평 스트립으로 나누는 방식이 재식별 정확도에 미치는 영향을 분석하기 위해.
• 다양한 데이터베이스를 통한 경험적 평가 기반으로 재식별 시스템에 대한 강건한 초깃값을 설정하기 위해.

제안 방법

• 연구는 RGB, HSV, CIELAB, YCbCr 등의 다양한 색상 공간에서 계산된 전역 이미지 기술자로 색상 히스토GRAM을 사용한다.
• 일곱 가지 히스토GRAM 거리 측정법을 평가한다: Bhattacharyya, 카이제곱, 상관관계, 교차, L1, L2, Kullback-Leibler 발산.
• 이미지를 수평 스트립(1~20개)으로 나누어 局소적 색상 히스토GRAM을 추출함으로써 공간적 분류 성능을 향상시킨다.
• 스케일 불변성을 확보하기 위해 히스토GRAM을 확률 분포로 정규화한다.
• 성능는 네 개의 벤치마크 데이터베이스를 기반으로 CMC 곡선 아래 면적(mAP)으로 측정되며, 결과는 평균화된다.
• 실험은 16개의 버킷 설정과 다양한 색상 공간에서 수행되며, 계산 효율성을 확보하기 위해 실행 시간도 모니터링된다.

실험 결과

연구 질문

• RQ1 다양한 데이터베이스에서 가장 높은 재식별 정확도를 보이는 히스토GRAM 거리 측정법은 무엇인가?
• RQ2 특히 다양한 조명 조건에서 더 나은 분류 성능을 보이는 색상 공간는 무엇인가?
• RQ3 히스토GRAM 버킷 수가 재식별 성능와 계산 비용에 미치는 영향는 어떠한가?
• RQ4 히스토그램 기반 재식별에서 이미지 분할을 위한 최적의 수평 스트립 수는 얼마인가?
• RQ5 다양한 거리 측정법은 실행 시간과 내성 면에서 어떻게 행동하는가?

주요 결과

• Bhattacharyya, 카이제곱, 교차 거리 측정법은 모든 데이터베이스에서 다른 측정법보다 뛰어난 성능을 보이며, CMC 곡선 아래 면적에서 최고 수준을 기록한다.
• HSV 색상 공간는 RGB, CIELAB, YCbCr보다 유의미하게 높은 성능을 보이며, 밝기와 색채 성분을 분리함으로써 이로 인해 성능 향상이 가능하다고 여겨진다.
• 히스토그램 버킷 수를 16~32개로 설정할 경우 정보 유지와 노이즈 감소 사이의 최적 균형을 이룬다. 더 큰 버킷 수는 추가적인 성능 향상 없이도 유의미한 개선을 이끌지 못한다.
• 이미지를 5~10개의 수평 스트립으로 나누는 것은 색상 분포의 공간적 특성을 반영함으로써 성능 향상을 이끌지만, 더 많은 스트립은 희박한 버킷 값으로 인해 노이즈를 유발한다.
• KL 발산은 계산 과정에서 정보 손실로 인해 비정상적으로 행동하여 이 작업에 적합하지 않다.
• 실행 시간은 스트립 수에 비례하여 선형적으로 증가하지만, 버킷 수는 실행 시간에 더 예측 불가능한 영향을 미친다.