[논문 리뷰] Texture Retrieval via the Scattering Transform

Alexander Sagel, Dominik Meyer외 1명|arXiv (Cornell University)|2015. 01. 12.

Image Retrieval and Classification Techniques참고 문헌 19인용 수 3

한 줄 요약

이 논문은 변형에 강한 특징 추출을 위한 산란 변환을 사용하는 새로운 텍스처 검색 프레임워크를 제안한다. 하위대역 계수를 Weibull 분포로 모델링하고, Bhattacharyya 커널 기반 유사도 측정법을 적용한다. 이는 특히 거친 텍스처와 공간적 왜곡 또는 블러링 상황에서 최신 기술 대비 뛰어난 검색 정확도를 달성한다.

ABSTRACT

This work studies the problem of content-based image retrieval, specifically, texture retrieval. It focuses on feature extraction and similarity measure for texture images. Our approach employs a recently developed method, the so-called Scattering transform, for the process of feature extraction in texture retrieval. It shares a distinctive property of providing a robust representation, which is stable with respect to spatial deformations. Recent work has demonstrated its capability for texture classification, and hence as a promising candidate for the problem of texture retrieval. Moreover, we adopt a common approach of measuring the similarity of textures by comparing the subband histograms of a filterbank transform. To this end we derive a similarity measure based on the popular Bhattacharyya Kernel. Despite the popularity of describing histograms using parametrized probability density functions, such as the Generalized Gaussian Distribution, it is unfortunately not applicable for describing most of the Scattering transform subbands, due to the complex modulus performed on each one of them. In this work, we propose to use the Weibull distribution to model the Scattering subbands of descendant layers. Our numerical experiments demonstrated the effectiveness of the proposed approach, in comparison with several state of the arts.

연구 동기 및 목표

• 공간적 왜곡과 노이즈로 인해 전통적인 필터뱅크 기반 특징이 열화되는 상황에서 강건한 텍스처 검색 문제를 해결한다.
• 모듈러스 연산으로 인해 복잡하고 비정규 분포를 띠는 산란 변환 하위대역의 통계적 분포를 모델링하는 통계적 모델을 개발한다.
• 산란 계수를 Weibull 분포로 모델링하여 冗餘를 줄이고 저차원의 효율적인 특징 표현을 설계한다.
• 산란 하위대역 히스토그램에서 유도된 특징 벡터를 비교하기 위한 Bhattacharyya 커널 기반 유사도 측정법을 제안한다.
• 다양한 텍스처 유형과 다양한 열화 조건(예: 블러링)에서의 성능을 평가하여 강건성과 일반화 능력을 입증한다.

제안 방법

• 텍스처 이미지에 산란 변환(WST)을 적용하여, 웨이블릿 필터링과 모듈러스 연산을 통해 다중 척도의 왜곡에 강건한 하위대역 계수를 생성한다.
• 각 산란 하위대역의 진폭 분포를 Weibull 분포로 모델링하며, 하위대역 진폭에 대해 최대우도(ML) 기반 추정을 수행한다.
• 수치 최적화를 통해 Weibull 분포의 모수(shape k 및 scale λ)를 추정하며, k*에 대한 λ*의 닫힌 형식 해를 활용한다.
• 각 하위대역의 Weibull 모수(k*, λ*)를 압축된 정보량이 풍부한 특징으로 사용하여 차원을 감소시키면서도 분류 능력을 유지한다.
• Bhattacharyya 커널을 사용해 특징 벡터 간의 유사도를 계산하며, 힐버트 공간 내의 내적으로 해석되어 효율적인 검색을 가능하게 한다.
• 쿼리 이미지를 WST로 처리하고, 특징를 Weibull로 모델링하며, Bhattacharyya 커널 기반 유사도를 통해 데이터베이스 이미지의 순서를 매기는 CBIR 시스템을 구축한다.

실험 결과

연구 질문

• RQ1 모듈러스 연산으로 인한 비정규 분포를 띠는 복잡한 통계적 특성을 고려할 때, Weibull 분포가 산란 변환 하위대역의 진폭 분포를 효과적으로 모델링할 수 있는가?
• RQ2 Weibull 모수로 하위대역을 모델링하는 것이 기존 히스토그램 기반 방법에 비해 텍스처 검색 정확도를 향상시키는가?
• RQ3 공간적 왜곡과 이미지 블러링 상황에서 제안된 방법은 기존 필터뱅크 기반 접근법에 비해 어떻게 성능을 발휘하는가?
• RQ4 일반 WST와 정규화된 WST(NWST) 간 성능 차이가 존재하는가? 만약 존재한다면 어떤 텍스처 유형에서 그러한 차이가 나타나는가?
• RQ5 Bhattacharyya 커널 기반의 유사도 측정법이 CBIR 프레임워크 내에서 검색 성능 향상에 얼마나 기여하는가?

주요 결과

• 제안된 Weibull 기반 특징 모델링은 특히 거친 텍스처(Bark0, Bark6, Terrain10)에서 최신 기술 대비 뛰어난 텍스처 검색 정확도를 달성한다.
• 정규화된 WST(NWST)는 거친 텍스처와 불균일한 텍스처에서 뛰어난 성능을 보이며, 일반 WST(WST)는 미세한 구조(Fabric11, Grass1)에서 더 우수한 성능을 보인다.
• 가우시안 블러링 상황에서 WST의 검색 성능은 NWST보다 빠르게 열화되며, 이는 WST가 스무딩에 민감한 미세 척도 특징에 의존함을 확인한다.
• 강한 블러링 조건에서도 제안된 방법은 높은 검색 정확도를 유지하여, 산란 변환의 공간적 왜곡에 대한 불변성의 강건성을 입증한다.
• Weibull 모델은 산란 하위대역의 통계 분포를 효과적으로 포착하며, 각 하위대역당 두 개의 모수만으로도 저차원이면서도 분류 능력이 뛰어난 특징 표현을 가능하게 한다.
• Bhattacharyya 커널 기반의 유사도 측정법은 특징 벡터 간의 효율적이고 효과적인 비교를 가능하게 하여, CBIR 시스템의 전체 검색 성능에 기여한다.