[논문 리뷰] The structure of Bayes nets for vision recognition

John Mark Agosta|arXiv (Cornell University)|2013. 03. 27.

Bayesian Modeling and Causal Inference참고 문헌 2인용 수 4

한 줄 요약

이 논문은 다중 연결 그래프를 다룰 수 있도록 신뢰 네트워크와 영향 다이어그램을 모두 활용하여, 모델 기반 시각 인식을 위한 구조적 베이지안 네트워크 접근법을 제안한다. 기하학적 및 기능적 물체 기술서로부터 네트워크 구조를 원리에 기반해 유도하는 방법을 제시하여, 히우리스틱 접근법에서 흔히 볼 수 있는 임의의 파rameter에 의존하지 않고도 효율적인 추론을 가능하게 한다.

ABSTRACT

This paper is part of a study whose goal is to show the effciency of using Bayes networks to carry out model based vision calculations. [Binford et al. 1987] Recognition proceeds by drawing up a network model from the object's geometric and functional description that predicts the appearance of an object. Then this network is used to find the object within a photographic image. Many existing and proposed techniques for vision recognition resemble the uncertainty calculations of a Bayes net. In contrast, though, they lack a derivation from first principles, and tend to rely on arbitrary parameters that we hope to avoid by a network model. The connectedness of the network depends on what independence considerations can be identified in the vision problem. Greater independence leads to easier calculations, at the expense of the net's expressiveness. Once this trade-off is made and the structure of the network is determined, it should be possible to tailor a solution technique for it. This paper explores the use of a network with multiply connected paths, drawing on both techniques of belief networks [Pearl 86] and influence diagrams. We then demonstrate how one formulation of a multiply connected network can be solved.

연구 동기 및 목표

• 시각 인식을 위한 베이지안 네트워크 구조를 히우리스틱적 파rameter 선택을 피하는 원리에 기반한 첫 번째 원칙적 유도 방법 개발.
• 계산 효율성(네트워크의 독립성)과 정확한 모델링을 위한 표현력 사이의 상호 상충 관계 탐색.
• 시각 응용 분야에서 다중 연결 베이지안 네트워크를 효과적으로 해결하는 기법을 보여줌.
• 복잡한 시각 인식 문제의 모델링 향상을 위해 신뢰 네트워크 및 영향 다이어그램 기법을 통합.
• 기하학적 및 기능적 물체 모델에서 외관 예측을 도출함으로써 사진 이미지에서의 강건한 물체 인식을 가능하게 함.

제안 방법

• 물체의 기하학적 및 기능적 기술서로부터 그 시각적 외관을 예측할 수 있는 베이지안 네트워크를 구성.
• 조건부 독립성 가정을 활용해 네트워크를 구조화함으로써 계산 효율성과 모델 표현력 사이의 균형을 확보.
• 신뢰 네트워크(Pearl, 1986) 및 영향 다이어그램 기법을 활용해 시각 문제의 복잡한 의존성 구조를 모델링.
• 서로 의존하는 시각적 특징과 제약 조건을 표현하기 위해 다중 연결 네트워크 구조를 구성.
• 결과로 도출된 네트워크 구조를 지원하기 위해 특화된 추론 알고리즘 개발.
• 히우리스틱적 튜닝이 아닌 첫 번째 원칙에서 파arameter를 유도.

실험 결과

연구 질문

• RQ1 어떻게 기하학적 및 기능적 물체 기술서로부터 시각 인식을 위한 베이지안 네트워크 구조를 체계적으로 도출할 수 있는가?
• RQ2 시각 인식 작업에서 네트워크의 독립성과 표현력 사이의 최적의 상호 상충 관계는 무엇인가?
• RQ3 실제 시각 문제에 대해 다중 연결 베이지안 네트워크를 효과적으로 해결할 수 있는가?
• RQ4 신뢰 네트워크와 영향 다이어그램은 어떻게 상호 보완적으로 시각 인식 문제를 모델링하는 데 기여하는가?
• RQ5 원리에 기반한 베이지안 모델링은 시각 시스템에서 임의의 파arameter에 대한 의존도를 어느 정도 감소시킬 수 있는가?

주요 결과

• 제안된 베이지안 네트워크 구조는 기하학적 및 기능적 기술서에 기반해 물체 외관을 원리에 기반해 모델링할 수 있도록 한다.
• 조건부 독립성 가정의 사용은 추론을 단순화하면서도 인식 작업에 필요한 충분한 표현력을 유지한다.
• 다중 연결 베이지안 네트워크에 대한 해결 기법이 시각 인식 맥락에서 성공적으로 시연되었다.
• 히우리스틱적 시각 방법에서 흔히 볼 수 있는 임의의 파arameter를 피함으로써 재현 가능성과 이론적 기반을 향상시켰다.
• 신뢰 네트워크와 영향 다이어그램의 통합은 복잡한 시각적 의존성의 더 강건한 모델링을 가능하게 한다.
• 시각 문제 내에서 식별 가능한 독립성 관계를 중심으로 네트워크를 구조화함으로써 효율적인 추론을 지원한다.