[논문 리뷰] Object Recognition System Design in Computer Vision: a Universal Approach

Andrew Gleibman|arXiv (Cornell University)|2013. 10. 27.

Image Retrieval and Classification Techniques참고 문헌 14인용 수 4

한 줄 요약

이 논문은 물체 검출을 위한 격자 기반 분류기, 해상도에 강건한 텍스처 기술자인 회색 수준-반경 공존 행렬(GlRCM)을 도입하고, 무한한 수의 수치적 특징을 매개변수 기반으로 합성할 수 있도록 하며, 기존 방법에 비해 20–100배 빠른 SVM 초파rameter 최적화 방법을 제안한다. 실험적 검증을 통해 다양한 이미지 및 영상 인식 작업에서 뛰어난 성능을 보여준다.

ABSTRACT

The first contribution of this paper is architecture of a multipurpose system, which delegates a range of object detection tasks to a classifier, applied in special grid positions of the tested image. The second contribution is Gray Level-Radius Co-occurrence Matrix, which describes local image texture and topology and, unlike common second order statistics methods, is robust to image resolution. The third contribution is a parametrically controlled automatic synthesis of unlimited number of numerical features for classification. The fourth contribution is a method of optimizing parameters C and gamma in LibSVM-based classifier, which is 20-100 times faster than the commonly applied method. The work is essentially experimental, with demonstration of various methods for definition of objects of interest in images and video sequences.

연구 동기 및 목표

• 다양한 검출 작업에 일반화되는 다목적 물체 인식 시스템을 설계하는 것.
• 이미지 해상도 변화에 불변하며 국소적 토폴로지와 강도 패턴을 포착하는 텍스처 기술자인 GLRCM을 개발하는 것.
• 분류를 위한 무한한 수의 수치적 특징을 자동으로 매개변수 기반으로 생성할 수 있도록 하는 것.
• 기존 방법에 비해 20–100배 빠르게 LibSVM의 초파rameter(C 및 감마)를 최적화하는 것.
• 실세계 이미지 및 영상 인식 시나리오에서 시스템의 효과성을 경험적으로 검증하는 것.

제안 방법

• 시스템은 입력 이미지의 사전 정의된 공간 위치 격자에 분류기를 적용하여 물체를 검출한다.
• 회색 수준-반경 공존 행렬(GlRCM)은 반경 주변 내 강도 공존을 분석하여 국소적 텍스처 특징을 계산하며, 해상도 변화에 대해 강건함을 보장한다.
• GLRCM 계산에서 반경, 각도, 강도 임계값 등의 매개변수를 변화시켜 무한한 수의 수치적 특징을 생성하는 매개변수 기반 프레임워크를 제공한다.
• LibSVM 초파라미터(C 및 감마)에 대한 새로운 최적화 전략은 기존의 그리드 서치나 교차검증에 비해 계산 시간을 20–100배 감소시키는 빠른 반복적 탐색 방법을 사용한다.
• 이러한 구성 요소들을 통합하여 이미지 및 영상 시퀀스의 물체 인식을 위한 유일한 파이프라인으로 통합한다.
• 실험적 평가는 18페이지의 결과, 11개의 그림, 1개의 표를 활용하여 다양한 데이터셋에서의 성능을 입증한다.

실험 결과

연구 질문

• RQ1 단일 분류기 아키텍처를 사용하여 다양한 검출 작업에 일반화되는 통합 물체 인식 시스템을 설계할 수 있는가?
• RQ2 이미지 해상도 변화에 강건하면서도 분류 능력을 유지할 수 있는 텍스처 기술자는 어떻게 설계할 수 있는가?
• RQ3 분류를 위한 매개변수 기반 프레임워크를 통해 무한한 수의 수치적 특징을 자동으로 합성하는 것은 가능한가?
• RQ4 모델 정확도를 손상시키지 않고 LibSVM의 초파라미터 튜닝을 크게 가속화할 수 있는가?
• RQ5 기존 방법과 비교해 볼 때 제안된 시스템은 실세계 이미지 및 영상 인식 작업에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 GLRCM 텍스처 기술자는 이미지 해상도 변화에 강건하며, 이와 관련하여 전통적인 2차 통계 방법보다 뛰어난 성능을 보였다.
• 매개변수 기반 특징 합성 방법은 무한한 수의 수치적 특징 생성을 가능하게 하여 분류의 유연성과 표현력을 향상시켰다.
• LibSVM의 초파라미터 최적화 방법은 기존 접근 방식에 비해 학습 시간을 20배에서 100배 감소시켜 확장성 면에서 뚜렷한 향상을 이뤘다.
• 광범위한 실험적 평가를 통해 시스템은 이미지 및 영상 시퀀스의 다양한 물체 인식 작업에서 뛰어난 성능을 보였다.
• 격자 기반 분류, 해상도에 강건한 텍스처 기술자, 확장 가능한 특징 생성, 빠른 SVM 튜닝의 통합은 매우 적응력 있고 효율적인 통합 인식 프레임워크를 제공한다.