[논문 리뷰] Progressive Tree-like Curvilinear Structure Reconstruction with Structured Ranking Learning and Graph Algorithm

Seong-Gyun Jeong, Yuliya Tarabalka외 2명|arXiv (Cornell University)|2016. 12. 08.

Automated Road and Building Extraction참고 문헌 28인용 수 3

한 줄 요약

이 논문은 구조적 순위 학습과 지오데식 경로 최적화를 이용하여 나무꼴 곡선 구조를 그래프 기반으로 재구성하는 새로운 방법을 제안한다. 구조적 서포트 벡터 머신(Structured SVM)을 통해 방향 인식 특징 순위를 학습하고, 최소한의 픽셀로 서서히 위상적으로 정확한 구조를 구성함으로써, 망막 혈관, 도로망, 균열 등 다양한 데이터셋에서 최신 기술 대비 높은 F1 스코어를 달성하고 픽셀 사용을 크게 줄였다.

ABSTRACT

We propose a novel tree-like curvilinear structure reconstruction algorithm based on supervised learning and graph theory. In this work we analyze image patches to obtain the local major orientations and the rankings that correspond to the curvilinear structure. To extract local curvilinear features, we compute oriented gradient information using steerable filters. We then employ Structured Support Vector Machine for ordinal regression of the input image patches, where the ordering is determined by shape similarity to latent curvilinear structure. Finally, we progressively reconstruct the curvilinear structure by looking for geodesic paths connecting remote vertices in the graph built on the structured output rankings. Experimental results show that the proposed algorithm faithfully provides topological features of the curvilinear structures using minimal pixels for various datasets.

연구 동기 및 목표

• 저대비 및 복잡한 기하학적 구조를 가진 영상에서 위상적으로 정확한 곡선 구조를 재구성하는 데 도전하는 것.
• 접합점과 연결성을 유지하지 못하는 임계값 기반 분할 및 중심선 방법의 한계를 극복하는 것.
• 감독 학습을 통해 잠재적 곡선 패턴에 대한 타당성을 반영하는 이미지 패치의 구조적 순위를 학습하는 것.
• 순위 점수로 구성된 그래프 위에서 지오데식 경로를 식별하고 점진적으로 재구성함으로써 곡선 구조를 재구성하는 것.
• 다양한 데이터셋에서 위상적 정확성을 유지하면서 픽셀 사용을 최소화하는 것.

제안 방법

• 이미지 패치에서 국소 곡선 구조를 추출하기 위해 기울기 방향 특징을 스위블러 필터를 사용해 계산한다.
• 잠재적 곡선 구조와의 형태 유사도 기반으로 패치 순위를 매기기 위해 서열 회귀를 위한 구조적 서포트 벡터 머신(Structured SVM)을 훈련한다.
• 지역적 주요 방향을 사용해 각 패치를 기준 방향(수평)에 맞추어 정렬함으로써 특징 표현의 회전 불변성을 확보한다.
• 노드가 순위가 매겨진 이미지 패치에 대응하고, 간선이 공간적 연결성을 나타내는 그래프를 구성한다.
• 그래프 내 원거리 정점 간의 지오데식 경로를 반복적으로 식별하고 연장함으로써 점진적 재구성을 수행한다.
• 위상적 중요도 순서를 사용해 재구성 순서에서 주요 분지와 세부 사항을 우선적으로 추가한다.

실험 결과

연구 질문

• RQ1 구조적 순위 학습이 잠재적 곡선 구조에 대한 이미지 패치의 타당성을 효과적으로 포착할 수 있는가?
• RQ2 순위 기반 그래프 위에서의 지오데식 경로 계산이 최소한의 픽셀 사용으로 위상적으로 정확한 곡선 구조를 재구성할 수 있는가?
• RQ3 제안된 방법이 접합점과 연속성을 유지하는 데 있어 분할 및 중심선 검출 기법과 비교해 어떻게 성능을 냈는가?
• RQ4 다양한 텍스처와 구조 복잡도를 가진 다양한 데이터셋에 대해 이 방법이 얼마나 일반화되는가?
• RQ5 최신 기술 대비 상당히 적은 픽셀을 사용하면서도 높은 F1 스코어를 달성할 수 있는가?

주요 결과

• 제안된 방법은 RecA(0.59), Aerial(0.59), Cracks(0.38) 데이터셋에서 모두 최고의 F1 스코어를 기록하여 모든 경쟁 방법을 압도했다.
• DRIVE 데이터셋에서는 이론적 두께 파ameter의 고정으로 인해 F1 스코어가 0.36으로 최고 성능을 낸 방법보다 略적으로 낮았다.
• DRIVE 데이터셋에서 제안된 방법은 전체 픽셀의 0.17%만 사용했으며, Sironi 등(5.41%)과 Becker 등(12.67%)보다 뚜렷이 낮아 높은 효율성을 보였다.
• 중간 재구성 단계(그림 6)에서 망막 및 균열 영상에서 미세한 분지와 접합점을 성공적으로 재구성하여 점진적인 위상적 세부 정보 복원 능력을 입증했다.
• 相대적으로 작고 완벽하지 않은 훈련 데이터셋을 사용함에도 불구하고, Cracks와 같이 고도로 텍스처가 복잡한 데이터셋을 포함한 모든 데이터셋에서 강력한 성능을 달성했다.
• 구조적 순위 학습과 지오데식 경로 선택에 의존함으로써 부분적 가림이나 저대비 조건에서도 위상적 특징을 충실하게 유지할 수 있었다.