[논문 리뷰] The Use of Self Organizing Map Method and Feature Selection in Image Database Classification System

Dian Pratiwi|arXiv (Cornell University)|2012. 06. 01.

Image Retrieval and Classification Techniques참고 문헌 9인용 수 19

한 줄 요약

이 논문은 주로 자기조직화 지도(SOM)를 사용하고, 주성분 분석(PCA)과 잠재의미분석(LSA)을 통한 특성 선택 기법을 결합한 하이브리드 이미지 분류 시스템을 제안한다. 250장의 컬러 이미지를 회색조로 변환하고, 색상 히스토그램을 추출하며 차원 축소를 수행한 후 5개의 클래스로 군집화한다. 100개의 성분을 사용한 PCA 기반 특성 선택은 88%의 정확도를 달성하여 LSA의 74%를 뛰어넘었다.

ABSTRACT

This paper presents a technique in classifying the images into a number of classes or clusters desired by means of Self Organizing Map (SOM) Artificial Neural Network method. A number of 250 color images to be classified as previously done some processing, such as RGB to grayscale color conversion, color histogram, feature vector selection, and then classifying by the SOM Feature vector selection in this paper will use two methods, namely by PCA (Principal Component Analysis) and LSA (Latent Semantic Analysis) in which each of these methods would have taken the characteristic vector of 50, 100, and 150 from 256 initial feature vector into the process of color histogram. Then the selection will be processed into the SOM network to be classified into five classes using a learning rate of 0.5 and calculated accuracy. Classification of some of the test results showed that the highest percentage of accuracy obtained when using PCA and the selection of 100 feature vector that is equal to 88%, compared to when using LSA selection that only 74%. Thus it can be concluded that the method fits the PCA feature selection methods are applied in conjunction with SOM and has an accuracy rate better than the LSA feature selection methods. Keywords: Color Histogram, Feature Selection, LSA, PCA, SOM.

연구 동기 및 목표

• 비지도 학습 기법을 사용하여 이미지 데이터베이스의 분류 정확도를 향상시키는 것.
• 특성 선택 방법—PCA와 LSA—가 분류 성능에 미치는 영향을 평가하는 것.
• SOM를 사용한 효과적인 군집화를 위해 최적의 특성 수(50, 100, 150)를 결정하는 것.
• PCA 또는 LSA를 통한 차원 축소가 분류에 유용한 이미지 특징을 유지하는지 평가하는 것.
• SOM와 특성 선택을 조합함으로써 이미지 군집화 작업에서 높은 정확도를 달성할 수 있는지 검증하는 것.

제안 방법

• 입력 컬러 이미지를 표준화된 이미지 표현을 위해 회색조로 변환하는 것.
• 초기 특성 벡터로 색상 히스토그램을 추출하여 각 이미지당 256차원의 특성 공간을 생성하는 것.
• 차원 축소를 위해 주성분 분석(PCA)과 잠재의미분석(LSA)을 적용하여 특성 수를 50, 100, 150개로 줄이는 것.
• 학습률 0.5로 설정된 자기조직화 지도(SOM) 신경망을 사용하여 이미지를 5개의 사전 정의된 군집으로 분류하는 것.
• 고차원 특성 벡터를 2차원 격자에 매핑하기 위해 SOM의 경쟁적 학습 메커니즘을 사용하여 군집화하는 것.
• 예측된 군집 할당과 진짜 레이블을 비교하여 분류 정확도를 평가하는 것.

실험 결과

연구 질문

• RQ1 PCA 기반 특성 선택이 LSA보다 SOM을 사용한 이미지 분류 정확도 향상에 얼마나 효과적인가?
• RQ2 이 이미지 군집화 시스템에서 분류 정확도를 극대화하기 위해 최적의 특성 수(50, 100, 150)는 무엇인가?
• RQ3 PCA 또는 LSA를 통한 차원 축소가 효과적인 이미지 군집화를 위해 충분한 분류에 유용한 정보를 유지하는가?
• RQ4 SOM와 특성 선택의 조합이 비지도 이미지 데이터베이스 분류에서 높은 정확도를 달성할 수 있는가?
• RQ5 색상 히스토그램 특성에 적용했을 때 PCA와 LSA의 성능 차이는 무엇인가?

주요 결과

• PCA를 사용하고 100개의 특성을 선택했을 때 가장 높은 분류 정확도 88%를 달성했다.
• 동일한 군집 조건에서 LSA 기반 특성 선택은 74%의 낮은 정확도를 기록했다.
• 특히 100개 성분 선택 시, PCA는 LSA보다 관련 이미지 특징을 더 잘 유지하는 것으로 나타났다.
• 150개 특성 사용은 100개 특성 사용보다 정확도 향상이 유의미하지 않아, 일정 임계값을 초과하면 수익 감소 현상이 나타남을 시사했다.
• PCA 기반 특성 선택과 함께 사용했을 때 SOM 네트워크는 이미지를 다섯 개의 명확한 군집으로 성공적으로 분류했다.
• 결과적으로, 이 연구에서 사용된 SOM 기반 이미지 분류 작업에서는 PCA가 LSA보다 더 효과적인 특성 선택 방법임을 시사한다.