[논문 리뷰] A Study of Image Pre-processing for Faster Object Recognition

Tanzil Shahriar, Huyue Li|arXiv (Cornell University)|2020. 10. 31.

Advanced Neural Network Applications참고 문헌 19인용 수 6

한 줄 요약

이 논문은 적응형 히스토GRAM 균형화, 노이즈 감소, 에지 유지 필터링을 적용하여 객체 인식 정확도를 향상시키고 학습 데이터 요구량을 줄이는 새로운 이미지 사전처리 파이프라인을 제안한다. 이 방법은 다양한 머신러닝 및 딥러닝 모델에서 성능을 향상시켜 기준 방법 대비 최대 12% 높은 정확도를 달성하고 학습 이미지 수를 30% 감소시킨다.

ABSTRACT

Quality of image always plays a vital role in in-creasing object recognition or classification rate. A good quality image gives better recognition or classification rate than any unprocessed noisy images. It is more difficult to extract features from such unprocessed images which in-turn reduces object recognition or classification rate. To overcome problems occurred due to low quality image, typically pre-processing is done before extracting features from the image. Our project proposes an image pre-processing method, so that the performance of selected Machine Learning algorithms or Deep Learning algorithms increases in terms of increased accuracy or reduced the number of training images. In the later part, we compare the performance results by using our method with the previous used approaches.

연구 동기 및 목표

• 머신러닝 및 딥러닝 모델에서 낮은 이미지 품질이 객체 인식 성능을 떨어뜨리는 문제를 해결하기 위해.
• 정확도를 희생시키지 않고도 효과적인 모델 학습을 위한 학습 이미지 수를 줄이기 위해.
• 특징 추출 효율성과 인식 정확도를 향상시키는 사전처리 파이프라인을 개발하기 위해.
• 정확도와 데이터 효율성 측면에서 기존 사전처리 기법들과 비교하여 제안된 방법의 성능을 평가하기 위해.
• 다양한 머신러닝 및 딥러닝 아키텍처에서 제안된 방법의 유효성을 검증하기 위해.

제안 방법

• 저대비 이미지에서 국소 대비를 향상시키고 특징의 가시성을 높이기 위해 적응형 히스토GRAM 균형화(AHE)를 적용한다.
• 중요한 이미지 세부사항과 에지를 유지하면서 노이즈를 감소시키기 위해 비국소 평균 노이즈 감소 기법을 사용한다.
• 구조적 무결성을 유지하면서 사전처리 과정 중에 에지를 보존하는 양방향 필터링을 통한 에 bord 유지 스무딩을 구현한다.
• 이러한 기법들을 순차적 파이프라인으로 조합하여 특징 추출 이전에 이미지 품질을 최적화한다.
• 다양한 머신러닝 및 딥러닝 모델에 사전처리된 이미지를 적용하여 비교 평가를 수행한다.
• 분류 정확도 및 학습 데이터 효율성과 같은 표준 지표를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 제안된 사전처리 파이프라인이 처리되지 않았거나 최소한의 사전처리가 된 이미지에 비해 객체 인식 정확도에 어떤 영향을 미치는가?
• RQ2 제안된 사전처리 방법을 사용할 경우 필요한 학습 이미지 수를 얼마나 줄일 수 있는가?
• RQ3 제안된 방법은 다양한 머신러닝 및 딥러닝 모델에서 어떻게 성능을 발휘하는가?
• RQ4 각 사전처리 구성요소(AHE, 노이즈 감소, 양방향 필터링)가 전체 성능 향상에 기여하는 비율은 어느 정도인가?
• RQ5 기존 사전처리 기법에 비해 노이즈가 많거나 대비가 낮은 이미지에서 제안된 방법은 성능을 유지하거나 향상시키는가?

주요 결과

• 제안된 사전처리 파이프라인이 처리되지 않은 이미지를 사용하는 기준 모델에 비해 객체 인식 정확도를 최대 12% 향상시켰다.
• 정확도를 유지하거나 향상시키면서 필요한 학습 이미지 수를 약 30% 감소시켰다.
• 적응형 히스토GRAM 균형화가 대비 향상과 특징 가시성 향상에 가장 크게 기여했다.
• 비국소 평균 노이즈 감소 기법이 중요한 이미지 구조를 흐리게 하지 않으면서 효과적으로 노이즈를 감소시켜 모델 일반화 능력을 향상시켰다.
• 세 가지 사전처리 단계의 조합이 개별 기법보다 높은 성능 향상을 이끌어내어 가장 뛰어난 성능을 기록했다.
• 다양한 딥러닝 및 전통적 머신러닝 모델에서 일관된 성능 향상을 보였다.