[논문 리뷰] New approach using Bayesian Network to improve content based image classification systems

Khlifia Jayech, Mohamed Ali Mahjoub|arXiv (Cornell University)|2012. 04. 07.

Image Retrieval and Classification Techniques참고 문헌 38인용 수 24

한 줄 요약

이 논문은 먼저 이미지를 블록으로 분할하고, 각 블록에서 특징 기술자를 추출한 후 이미지당 레이블 벡터를 생성하는 방식으로 콘텐츠 기반 이미지 분류를 향상시키기 위한 새로운 베이지안 네트워크 기반 접근법을 제안한다. 이는 나이브 베이즈(NB), 트리보강 나이브 베이즈(TAN), 숲보강 나이브 베이즈(FAN)의 세 가지 베이지안 네트워크 변형을 평가하며, FAN이 기준 방법보다 뚜렷한 향상된 분류 성능을 보임을 입증한다.

ABSTRACT

This paper proposes a new approach based on augmented naive Bayes for image classification. Initially, each image is cutting in a whole of blocks. For each block, we compute a vector of descriptors. Then, we propose to carry out a classification of the vectors of descriptors to build a vector of labels for each image. Finally, we propose three variants of Bayesian Networks such as Naive Bayesian Network (NB), Tree Augmented Naive Bayes (TAN) and Forest Augmented Naive Bayes (FAN) to classify the image using the vector of labels. The results showed a marked improvement over the FAN, NB and TAN.

연구 동기 및 목표

• 확률적 그래픽 모델을 통합하여 콘텐츠 기반 이미지 분류 시스템의 정확도를 향상시키기 위해.
• 기존의 나이브 베이즈가 이미지 데이터의 복잡한 특징 상관관계를 모델링하는 데 한계를 보이는 문제를 해결하기 위해.
• 트리보강 및 숲보강 베이지안 네트워크의 효과성을 이미지 분류에서 탐색하기 위해.
• 국소적 이미지 블록 분석과 전역 레이블 벡터 모델링을 결합한 다단계 분류 파이프라인을 개발하기 위해.
• NB, TAN, FAN의 성능을 이미지 분류 작업에서 평가하고 비교하기 위해.

제안 방법

• 이미지를 겹치지 않는 블록으로 분할하여 국소적 특징을 추출한다.
• 각 블록은 시각적 기술자 벡터로 표현되어 국소적 특징 표현을 형성한다.
• 국소 기술자 벡터는 이미지당 레이블 벡터를 생성하기 위해 분류되며, 이는 블록 간의 의미적 내용을 포괄한다.
• 유도된 레이블 벡터를 사용하여 세 가지 베이지안 네트워크 모델—NB, TAN, FAN—을 적용하여 이미지를 분류한다.
• FAN은 다수의 트리 구조 네트워크를 조합하여 NB나 TAN보다 특징 상관관계를 더 잘 모델링한다.
• 분류 과정은 조건부 확률 분포를 사용하여 레이블 벡터를 바탕으로 이미지 카테고리를 추론한다.

실험 결과

연구 질문

• RQ1 구조적 상관관계를 추가한 나이브 베이즈가 이미지 분류 정확도를 향상시킬 수 있는가?
• RQ2 TAN과 FAN 모델은 블록 수준의 특징에 기반해 표준 NB와 비교하여 어떻게 성능을 내는가?
• RQ3 FAN처럼 다수의 트리 구조 네트워크를 조합하면 단일 트리 또는 나이브 모델보다 더 나은 일반화 성능을 보이는가?
• RQ4 레이블 벡터 표현 방식은 원시 기술자 입력에 비해 분류 성능 향상에 어느 정도 기여하는가?
• RQ5 베이지안 네트워크의 구조적 모델링이 이미지 분류 정확도에 기여하는 상대적 기여도는 어느 정도인가?

주요 결과

• 검토된 모델들 중에서 숲보강 나이브 베이즈(FAN) 모델이 가장 높은 분류 성능를 달성하였다.
• FAN은 나이브 베이즈(NB)와 트리보강 나이브 베이즈(TAN) 모두보다 뚜렷한 향상을 보였다.
• 블록 단위 특징 추출과 레이블 벡터 구성의 활용은 모델 일반화 능력을 크게 향상시켰다.
• 베이지안 네트워크와 다중 블록 이미지 분석을 통합함으로써 이미지 콘텐츠의 의미적 이해가 향상되었다.
• 결과적으로 네트워크 구조를 통해 특징 상관관계를 모델링하는 것이 나이브 독립성 가정보다 더 나은 분류 결과를 이끌어낸다는 것이 확인되었다.