[논문 리뷰] Fish recognition based on the combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree

Mutasem K. Alsmadi, Khairuddin Omar외 2명|ArXiv.org|2009. 12. 05.

Spectroscopy and Chemometric Analyses참고 문헌 11인용 수 39

한 줄 요약

이 논문은 분류 정확도를 향상시키기 위해 강건한 특징 선택, 영상 분할, 기하학적 파라미터 추출을 통합한 새로운 물고기 식별 시스템을 제안한다. 인공신경망(ANN)과 결정 트리 분류기를 사용하여 종, 계열, 독성 등급으로 정확한 물고기 분류를 달성하며, 주요 기여점은 분류기 아키텍처를 수정하지 않고도 분류 성능을 향상시키기 위해 사전 지식으로서 특징의 체계적 가중치를 설정하는 것이다.

ABSTRACT

We presents in this paper a novel fish classification methodology based on a combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree. Unlike existing works for fish classification, which propose descriptors and do not analyze their individual impacts in the whole classification task and do not make the combination between the feature selection, image segmentation and geometrical parameter, we propose a general set of features extraction using robust feature selection, image segmentation and geometrical parameter and their correspondent weights that should be used as a priori information by the classifier. In this sense, instead of studying techniques for improving the classifiers structure itself, we consider it as a black box and focus our research in the determination of which input information must bring a robust fish discrimination.The main contribution of this paper is enhancement recognize and classify fishes based on digital image and To develop and implement a novel fish recognition prototype using global feature extraction, image segmentation and geometrical parameters, it have the ability to Categorize the given fish into its cluster and Categorize the clustered fish into poison or non-poison fish, and categorizes the non-poison fish into its family .

연구 동기 및 목표

• 다양한 영상 분석 기법을 통합하여 향상된 분류 성능을 달성하는 종합적인 물고기 식별 시스템을 개발하기 위해.
• 강건한 특징 선택을 통해 물고기 분류에 가장 관련성이 높은 특징를 식별하고 가중치를 부여하기 위해.
• 기존 방법의 격차를 보완하기 위해 특징 선택, 영상 분할, 기하학적 파라미터를 통합한 유일한 프레임워크를 제안하기 위해.
• 단일 프로토타입 시스템을 통해 물고기를 종, 계열, 독성(독성/비독성)으로 분류할 수 있도록 하기 위해.
• 분류기를 블랙박스로 간주하고 분류기 아키텍처를 수정하지 않고도 입력 특징 표현을 최적화하는 데 초점을 맞추기 위해.

제안 방법

• 강건한 특징 선택을 통해 물고기 영상에서 가장 구분력 있는 특징를 식별한다.
• 영상 분할을 통해 복잡한 배경에서 물고기 영역을 분리하여 특징 추출 정확도를 향상시킨다.
• 분할된 물고기 영역에서 형태, 크기, 비율과 같은 기하학적 파라미터를 추출한다.
• 인공신경망(ANN)과 결정 트리의 하이브리드 분류 접근법을 통해 물고기를 종, 계열, 독성 카테고리로 분류한다.
• 사전에 결정된 특징 가중치를 사용하여 분류기를 지시함으로써 아키텍처 변경 없이 성능을 향상시킨다.
• 디지털 영상을 사용하여 실시간 물고기 식별을 위한 프로토타입으로 시스템을 구현한다.

실험 결과

연구 질문

• RQ1 강건한 특징 선택이 영상 분할 및 기하학적 파라미터와 결합될 경우 물고기 분류 정확도는 어떻게 향상되는가?
• RQ2 특징 선택, 분할, 기하학적 특징의 통합이 분류기 성능에 미치는 영향은 무엇인가?
• RQ3 이러한 기법들을 통합한 유일한 프레임워크는 개별적으로 사용되는 기존의 물고기 식별 방법보다 우월한가?
• RQ4 특징 가중치를 사전 지식으로 사용할 경우 분류기 성능 향상에 얼마나 효과적인가?
• RQ5 단일 파이프라인을 통해 물고기를 종, 계열, 독성 카테고리로 신뢰성 있게 분류할 수 있는가?

주요 결과

• 제안된 방법은 단일 통합 파이프라인을 통해 종, 계열, 독성 카테고리로 정확한 물고기 분류를 달성한다.
• 강건한 특징 선택, 영상 분할, 기하학적 파라미터의 통합은 개별적으로 사용된 기법보다 분류 성능을 크게 향상시킨다.
• 비독성 물고기를 그들의 해당 계열로 성공적으로 분류하여 분류학적 분류의 높은 특이도를 입증한다.
• 특징 가중치를 사전 정보로 사용함으로써 분류기 아키텍처를 수정하지 않고도 성능 향상을 달성한다.
• 프로토타입은 생태계 및 양식업 모니터링 분야에서 실생활 적용 가능성을 입증하며 실용적인 타당성을 보여준다.