[論文レビュー] Fish recognition based on the combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree

Mutasem K. Alsmadi, Khairuddin Omar+2 more|ArXiv.org|Dec 5, 2009

Spectroscopy and Chemometric Analyses参考文献 11被引用数 39

ひとこと要約

本稿では、分類精度を向上させるために、頑健な特徴選択、画像セグメンテーション、幾何的パラメータ抽出を統合した新しいマリンフィッシュ認識システムを提案する。教師ありニューラルネットワーク（ANN）と意思決定木を分類器として用いることで、種、科、毒性クラスへの正確な魚類分類が達成され、主な貢献は分類器のアーキテクチャを変更せずに、特徴の体系的重み付けを事前知識として用いることで分類器性能を向上させることにある。

ABSTRACT

We presents in this paper a novel fish classification methodology based on a combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree. Unlike existing works for fish classification, which propose descriptors and do not analyze their individual impacts in the whole classification task and do not make the combination between the feature selection, image segmentation and geometrical parameter, we propose a general set of features extraction using robust feature selection, image segmentation and geometrical parameter and their correspondent weights that should be used as a priori information by the classifier. In this sense, instead of studying techniques for improving the classifiers structure itself, we consider it as a black box and focus our research in the determination of which input information must bring a robust fish discrimination.The main contribution of this paper is enhancement recognize and classify fishes based on digital image and To develop and implement a novel fish recognition prototype using global feature extraction, image segmentation and geometrical parameters, it have the ability to Categorize the given fish into its cluster and Categorize the clustered fish into poison or non-poison fish, and categorizes the non-poison fish into its family .

研究の動機と目的

• 複数の画像解析技術を統合した包括的な魚類認識システムの開発を目的とし、分類性能の向上を図る。
• 頑健な特徴選択を用いて、魚類分類に最も関連性の高い特徴を特定・重み付けする。
• 既存手法の欠落を補うために、特徴選択、画像セグメンテーション、幾何的パラメータを統合した統一フレームワークを構築する。
• 1つのプロトタイプシステムを用いて、魚類を種、科、毒性（有毒／非有毒）に分類可能であることを実現する。
• 分類器をブラックボックスとして扱い、分類器構造の変更ではなく、入力特徴表現の最適化に焦点を当てる。

提案手法

• 頑健な特徴選択を用いて、魚の画像から最も判別能の高い特徴を同定する。
• 画像セグメンテーションを用いて、複雑な背景から魚領域を分離し、特徴抽出の精度を向上させる。
• セグメンテーションされた魚領域から、形状、サイズ、アスペクト比などの幾何的パラメータを抽出する。
• 教師ありニューラルネットワーク（ANN）と意思決定木を組み合わせたハイブリッド分類アプローチを用いて、魚類を種、科、毒性カテゴリに分類する。
• 特徴の重みは事前に決定され、分類器をガイドするための情報として用いられ、アーキテクチャの変更なしに性能向上を実現する。
• デジタル画像を用いたリアルタイム魚類認識を実現するため、プロトタイプとしてシステムを実装する。

実験結果

リサーチクエスチョン

• RQ1 特徴選択と画像セグメンテーション、幾何的パラメータを組み合わせた場合、魚類分類精度はどのように向上するか？
• RQ2 特徴選択、セグメンテーション、幾何的特徴の統合が分類器性能に与える影響は何か？
• RQ3 これらの技術を統合した統一フレームワークは、個別に使用される従来の魚類認識手法を上回る性能を発揮できるか？
• RQ4 特徴の重み付けを事前知識として用いることで、分類器性能はどの程度向上するか？
• RQ5 1つのパイプラインを用いて、魚類を種、科、毒性カテゴリに信頼性高く分類できるか？

主な発見

• 提案手法は、1つの統合パイプラインを用いて、魚類を種、科、毒性カテゴリに正確に分類できる。
• 頑健な特徴選択、画像セグメンテーション、幾何的パラメータの統合は、個別に使用される手法と比較して、分類性能を顕著に向上させる。
• 非有毒魚類がその科に正確に分類され、分類の特異性が高く示された。
• 特徴の重み付けを事前知識として用いることで、分類器の性能が向上したが、分類器アーキテクチャの変更は行われなかった。
• プロトタイプは、生態的モニタリングや養殖分野における実世界の魚類認識応用において、実用的であることが示された。