[논문 리뷰] Reduction of Feature Vectors Using Rough Set Theory for Human Face Recognition

Debotosh Bhattacharjee, Dipak Kumar Basu외 2명|arXiv (Cornell University)|2010. 05. 21.

Image Retrieval and Classification Techniques참고 문헌 25인용 수 3

한 줄 요약

이 논문은 인간의 얼굴 인식에서 차원을 줄이면서 정확도를 햖스키기 위해 흐린 집합 이론을 사용한 이단계 특징 축소 방법을 제안한다. 먼저 주성분 분석(PCA)을 적용하여 차원을 줄이고, 그 다음 흐린 집합 기반 특징 선택(특히 재구성 요소와 핵심 특징)을 통해 중복된 특징을 제거함으로써, 더 작은 특징 벡터로도 향상된 인식률을 달성한다.

ABSTRACT

In this paper we describe a procedure to reduce the size of the input feature vector. A complex pattern recognition problem like face recognition involves huge dimension of input feature vector. To reduce that dimension here we have used eigenspace projection (also called as Principal Component Analysis), which is basically transformation of space. To reduce further we have applied feature selection method to select indispensable features, which will remain in the final feature vectors. Features those are not selected are removed from the final feature vector considering them as redundant or superfluous. For selection of features we have used the concept of reduct and core from rough set theory. This method has shown very good performance. It is worth to mention that in some cases the recognition rate increases with the decrease in the feature vector dimension.

연구 동기 및 목표

• 얼굴 인식 시스템에서 흔히 발생하는 고차원 특징 벡터 문제를 해결하기 위해.
• 중복된 특징을 최소화하여 계산 복잡도를 낮추고 인식 효율을 향상시키기 위해.
• 흐린 집합 이론을 활용한 지능적인 특징 선택을 통해 인식 정확도를 향상시키기 위해.
• 분류 성능를 유지하는 데 필수적인 특징(핵심 및 재구성 요소)을 식별하기 위해.
• 차원이 감소한 특징 집합이 인식 작업에서 전체 차원의 벡터를 초월할 수 있음을 입증하기 위해.

제안 방법

• 입력된 얼굴 이미지를 낮은 차원의 고유공간으로 투영하기 위해 주성분 분석(PCA)을 적용하여 초깃값의 차원을 줄인다.
• 감소된 특징 공간을 분석하기 위해 흐린 집합 이론을 사용하고, 분류 능력을 유지하는 최소한의 특징 조합인 재구성 요소를 식별한다.
• 모든 재구성 요소의 교차를 계산하여 핵심을 산정하고, 이는 인식에 필수적인 특징을 나타낸다.
• 최종 특징 벡터를 구성하기 위해 핵심과 재구성 요소에 속한 특징만 선택하고, 중복된 특징은 기각한다.
• 정제된 특징 벡터를 사용하여 얼굴 인식 시스템을 학습하고 테스트하여 성능을 평가한다.
• 흐린 집합 이론의 구별 가능성 행렬과 특징 축소 알고리즘을 활용하여 체계적으로 최소 특징 조합을 식별한다.

실험 결과

연구 질문

• RQ1 흐린 집합 이론을 통한 특징 벡터 축소가 낮은 차원임에도 불구하고 얼굴 인식 정확도를 향상시킬 수 있는가?
• RQ2 얼굴 인식에서 분류 성능를 유지하는 데 필수적인 특징은 무엇인가?
• RQ3 PCA와 흐린 집합 기반 특징 선택의 조합이 기존 방법보다 뛰어난가?
• RQ4 흐린 집합 이론에서 유도된 핵심과 재구성 요소가 최소이면서도 충분한 특징 조합을 효과적으로 식별할 수 있는가?
• RQ5 특징 벡터 크기와 인식률 사이에 상충 관계가 존재하는가, 그리고 이를 최적화할 수 있는가?

주요 결과

• 제안된 방법은 일부 경우에서 전체 차원의 특징 벡터보다 더 높은 인식률을 달성했다.
• 흐린 집합 이론을 활용한 특징 축소는 인식 정확도를 훼손하지 않은 채 중복된 특징을 성공적으로 제거했다.
• 흐린 집합 분석을 통해 식별된 핵심과 재구성 요소는 분류에 대해 최소이면서도 효과적인 특징 조합을 제공했다.
• 특징 벡터의 차원이 크게 감소한 상황에서도 인식 성능가 향상되거나 안정을 유지했다.
• PCA와 흐린 집합 기반 선택의 융합은 시스템의 효율성과 정확도를 향상시키는 상호보완적 효과를 보였다.
• 이 방법은 다양한 얼굴 인식 시나리오에서 뛰어난 내성성을 보이며, 실제 응용 분야에서의 효과성을 입증했다.