[논문 리뷰] Image classification based on support vector machine and the fusion of complementary features

Huilin Gao, Wenjie Chen외 1명|arXiv (Cornell University)|2015. 11. 05.

Advanced Image and Video Retrieval Techniques참고 문헌 22인용 수 4

한 줄 요약

이 논문은 Caltech 101 데이터셋에서 기존 BOW 방법보다 7%~17% 높은 분류 정확도를 달성하기 위해, 적응형 특성 가중 SVM를 사용하여 상호보완적인 세 가지 특징—PHOW, PHOC, PHOG—을 융합하는 새로운 이미지 분류 방법을 제안한다. 기존 BOW 모델을 밀도 있는 샘플링과 향상된 K-means 군집화를 통해 시각 어휘 구축에 응용함으로써, 전통적인 BOW 방법보다 더 높은 정확도를 달성한다.

ABSTRACT

Image Classification based on BOW (Bag-of-words) has broad application prospect in pattern recognition field but the shortcomings are existed because of single feature and low classification accuracy. To this end we combine three ingredients: (i) Three features with functions of mutual complementation are adopted to describe the images, including PHOW (Pyramid Histogram of Words), PHOC (Pyramid Histogram of Color) and PHOG (Pyramid Histogram of Orientated Gradients). (ii) The improvement of traditional BOW model is presented by using dense sample and an improved K-means clustering method for constructing the visual dictionary. (iii) An adaptive feature-weight adjusted image categorization algorithm based on the SVM and the fusion of multiple features is adopted. Experiments carried out on Caltech 101 database confirm the validity of the proposed approach. From the experimental results can be seen that the classification accuracy rate of the proposed method is improved by 7%-17% higher than that of the traditional BOW methods. This algorithm makes full use of global, local and spatial information and has significant improvements to the classification accuracy.

연구 동기 및 목표

• 이미지 분류에서 단일 특징 표현과 낮은 정확도 문제를 겪는 전통적인 Bag-of-Words (BOW) 방법의 한계를 해결하기 위해.
• PHOW, PHOC, PHOG와 같은 상호보완적인 특징을 통해 전역, 국소, 공간 정보를 융합하여 특징 표현을 향상시키기 위해.
• 밀도 있는 샘플링과 향상된 K-means 군집화 알고리즘을 도입하여 시각 어휘 구축을 위한 BOW 모델을 개선하기 위해.
• 다양한 상호보완적 특징의 융합을 최적화하기 위해 적응형 특성 가중 SVM 프레임워크를 개발하기 위해.

제안 방법

• 이 방법은 세 가지 상호보완적 특징을 사용한다: PHOW(피라미드 히스토그램 오브 워드)는 국소 텍스처와 공간 레이아웃을 위해, PHOC(피라미드 히스토그램 오브 컬러)는 색상 분포를 위해, PHOG(피라미드 히스토그램 오브 오리엔티드 그라디언트)는 에지 및 기울기 패턴을 위해.
• 더 강력한 시각적 특징을 추출하기 위해 밀도 있는 샘플링 전략을 적용하여 특징의 다양성과 커버리지 증가.
• 더 구분력 있는 시각 어휘를 만들기 위해 향상된 K-means 군집화 알고리즘을 사용하여 BOW 표현의 품질 향상.
• 특징 유형이 분류에 기여하는 바에 따라 동적으로 최적의 가중치를 할당하는 적응형 특성 가중 조정 메커니즘을 SVM에 통합.
• 융합된 특징 표현을 SVM 분류기로 입력하여, 세 가지 특징 유형의 모든 정보를 종합적으로 사용하여 이미지 카테고리 간의 구분을 학습.
• 전체 파ipeline는 성능 향상을 검증하기 위해 Caltech 101 벤치마크 데이터셋에서 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 PHOW, PHOC, PHOG와 같은 다수의 상호보완적 특징 융합이 단일 특징 기반 BOW 방법을 초월해 이미지 분류 정확도를 향상시킬 수 있는가?
• RQ2 밀도 있는 샘플링과 향상된 K-means 군집화 방법은 BOW 프레임워크 내에서 시각 어휘 구축을 어떻게 향상시키는가?
• RQ3 다양한 시각적 특징을 융합할 때, SVM 프레임워크 내의 적응형 특성 가중치는 분류 성능 향상에 어느 정도 기여하는가?
• RQ4 전역, 국소, 공간 특징의 융합은 표준 이미지 분류 벤치마크에서 의미 있는 정확도 향상으로 이어지는가?

주요 결과

• 제안된 방법은 Caltech 101 데이터셋에서 기존 BOW 기반 방법보다 7%에서 17% 높은 분류 정확도를 달성한다.
• PHOW, PHOC, PHOG 특징의 융합은 상호보완적인 정보를 포괄하여 시각 표현의 구분 능력을 크게 향상시킨다.
• 밀도 있는 샘플링과 향상된 K-means 군집화 방법을 사용함으로써 표준 희소 샘플링 대비 더 강력하고 구분력 있는 시각 어휘를 확보할 수 있었다.
• 적응형 특성 가중 SVM 접근법은 각 특징 유형의 기여도를 효과적으로 균형 조정하여 더 안정적이고 정확한 분류 결과를 이끌어냈다.
• 전역(PhOC), 국소(PHOW), 공간 기울기(PHOG) 정보를 동시에 활용함으로써 이 방법은 강력한 일반화 능력을 보였다.
• 실험 결과는 제안된 접근법이 기존의 BOW 방법을 능가하며, 특징 융합과 향상된 특징 표현의 효과성을 입증하였다.