[논문 리뷰] A two-pass fuzzy-geno approach to pattern classification

Subhadip Basu, Mahantapas Kundu외 2명|arXiv (Cornell University)|2014. 10. 15.

Image Retrieval and Classification Techniques참고 문헌 8인용 수 4

한 줄 요약

이 논문은 2차원 패턴 분류를 위한 이중 패assing 퍼지-유전적 접근법을 제안하며, 최적화된 퍼지 분할을 통해 굵은 분류 결정을 보완함으로써 인식 정확도를 향상시킨다. 먼저, 유전 알고리즘을 사용해 훈련 이미지의 수평 및 수직 퍼지 분할을 최적화하고, 이후 유사도 측정을 통해 미지 패턴을 분류하며, 지역별 분할에 대한 재최적화를 두 번째 단계에서 수행함으로써 손글씨 숫자 데이터에서 인식률을 86.2%에서 90.4%로 향상시킨다. (500개 샘플 기준)

ABSTRACT

The work presents an extension of the fuzzy approach to 2-D shape recognition [1] through refinement of initial or coarse classification decisions under a two pass approach. In this approach, an unknown pattern is classified by refining possible classification decisions obtained through coarse classification of the same. To build a fuzzy model of a pattern class horizontal and vertical fuzzy partitions on the sample images of the class are optimized using genetic algorithm. To make coarse classification decisions about an unknown pattern, the fuzzy representation of the pattern is compared with models of all pattern classes through a specially designed similarity measure. Coarse classification decisions are refined in the second pass to obtain the final classification decision of the unknown pattern. To do so, optimized horizontal and vertical fuzzy partitions are again created on certain regions of the image frame, specific to each group of similar type of pattern classes. It is observed through experiments that the technique improves the overall recognition rate from 86.2%, in the first pass, to 90.4% after the second pass, with 500 training samples of handwritten digits.

연구 동기 및 목표

• 기존의 퍼지 분류 방법을 넘어서 2차원 형태 인식 정확도를 향상시키는 것.
• 粗분류의 한계를 보완하기 위해 지역별 퍼지 분할을 사용한 보완 단계를 도입하는 것.
• 더 나은 패턴 표현을 위해 퍼지 분할을 유전 알고리즘으로 최적화하는 것.
• 미지 패턴과 클래스 모델 간의 강건한 비교를 가능하게 하는 유사도 측정법을 개발하는 것.
• 실세계 데이터셋에서 이중 패assing 전략이 분류 성능 향상에 기여하는지 확인하는 것.

제안 방법

• 각 패턴 클래스의 샘플 이미지에 대해 유전 알고리즘 최적화를 통해 수평 및 수직 퍼지 분할을 생성한다.
• 유사도 측정법을 사용해 미지 패턴의 퍼지 표현을 모든 클래스의 모델과 비교하여 굵은 분류 결정을 내린다.
• 두 번째 단계에서 유사한 패턴 클래스 그룹에 대해 지역별 퍼지 분할을 재최적화하여 결정을 보완한다.
• 최종 분류 결정은 재최적화된 분할과 유사도 측정법을 사용해 굵은 결과를 보완함으로써 도출된다.
• 이 방법은 퍼지 논리의 표현력과 유전 알고리즘의 최적화 능력을 융합한 퍼지-유전 하이브리드 접근법을 활용한다.
• 이 접근법은 500개의 훈련 샘플을 포함한 손글씨 숫자 데이터셋에서 평가된다.

실험 결과

연구 질문

• RQ1 이중 패assing 전략이 퍼지 패턴 인식 시스템의 분류 정확도 향상에 기여하는가?
• RQ2 지역별 퍼지 분할을 사용한 굵은 분류 결정의 보완은 얼마나 효과적인가?
• RQ3 유전 알고리즘 최적화된 퍼지 분할이 패턴 모델 표현에 얼마나 기여하는가?
• RQ4 특화된 유사도 측정법이 이중 패assing 프레임워크 내 분류 성능에 미치는 영향은 무엇인가?
• RQ5 제안된 방법이 손글씨 숫자 인식 작업에서 단일 패assing 퍼지 분류보다 우수한가?

주요 결과

• 이중 패assing 퍼지-유전적 접근법은 첫 번째 패assing에서 86.2%였던 전체 인식률을 보완 후 90.4%로 상승시켰다.
• 두 번째 패assing은 모호하거나 잘못된 굵은 결정을 보완함으로써 분류 정확도를 크게 향상시켰다.
• 지역별 이미지 영역에 최적화된 퍼지 분할은 분류 모델의 구분 능력을 향상시켰다.
• 특화된 유사도 측정법을 사용함으로써 퍼지 패턴 표현과 클래스 모델 간의 효과적인 비교가 가능했다.
• 500개의 훈련 샘플을 포함한 실세계 손글씨 숫자 데이터셋에서 일관된 성능 향상이 나타났다.
• 결과는 유전 알고리즘 기반 최적화와 퍼지 논리를 이중 단계 분류 프레임워크에 융합한 것이 효과적임을 확인시켰다.