[논문 리뷰] On Image segmentation using Fractional Gradients-Learning Model Parameters using Approximate Marginal Inference

Anish Acharya, Uddipan Mukherjee외 1명|arXiv (Cornell University)|2016. 05. 07.

Sparse and Compressive Sensing Techniques참고 문헌 27인용 수 4

한 줄 요약

이 논문은 분수계 미분을 활용하여 에지 검출을 향상시켜 이미지 분할 성능을 향상시키기 위해 분수계 수치 미분 기반 방법(FDOG)을 제안한다. 기존 정수계 수치 미분을 분수계 도함수로 대체함으로써 마르코프 무작위장(MRF) 프레임워크 내에서 근사적 마진 추론을 사용하여, 스탠포드 배경 데이터셋에서 평균 79.2%의 정확도를 달성하며, 기존 최고 성능 기법보다 오차를 약 10% 감소시킨다.

ABSTRACT

Estimates of image gradients play a ubiquitous role in image segmentation and classification problems since gradients directly relate to the boundaries or the edges of a scene. This paper proposes an unified approach to gradient estimation based on fractional calculus that is computationally cheap and readily applicable to any existing algorithm that relies on image gradients. We show experiments on edge detection and image segmentation on the Stanford Backgrounds Dataset where these improved local gradients outperforms state of the art, achieving a performance of 79.2% average accuracy.

연구 동기 및 목표

• 기존 정수계 수치 미분 기반 기법에서의 에지 검출 민감도와 노이즈 증폭 간의 상충 관계를 해결하기 위해.
• 분수계 미분을 활용한 계산 효율적이고 통합된 기울기 추정 프레임워크를 개발하기 위해.
• 구조적 MRF 모델 내에서 표준 HOG 특징을 분수계 기울기 특징(FHOG)으로 대체하여 분할 성능 향상시키기 위해.
• 기울기 기반 특징의 엔드 투 엔드 학습을 가능하게 하기 위해, 미분 가능한 근사적 마진 추론을 사용하여 모델 파라미터를 최적화하기 위해.
• 기존 DOG 및 LOG 필터에 비해 분수계 기울기 기반 기법이 더 뛰어난 에지 검출 및 분할 정확도를 제공하는지 입증하기 위해.

제안 방법

• 분수계 미분을 활용해 더 민감하고 정확한 에지 반응을 제공하는 분수계 가우시안 도함수(FDOG) 필터를 설계하여, 정수계 도함수보다 더 유연한 성능을 확보한다.
• 효율적인 계산을 위해 FDOG 필터의 2차원 컨볼루션 커널을 제3차 테일러 전개를 사용해 근사한다.
• 다양한 척도와 방향에서 FDOG 응답의 기울기 방향을 계산하여 분수계 기울기 히스토그램(FHOG)을 구성한다.
• 단일 항 및 쌍방향 잠재변수를 포함한 이원 및 이원 잠재변수를 갖는 4접속 그리드 MRF 모델을 사용하며, 단일 항 특징으로는 RGB 강도와 정규화된 공간 위치를, 에지 특징으로는 RGB 차이와 FDOG 응답 크기를 포함한다.
• 클리크 기반 로지스틱 손실을 사용한 기울기 기반 추론 단계를 거쳐 백프로파게이션를 통해 모델 파라미터를 학습하는, 기울기 가능한 트리 재구성 신뢰도 추론(TRW-BP)를 적용한다.
• 수렴 안정성을 유지하면서 계산 효율성을 향상시키기 위해 R-Prop를 사용하여 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 표준 정수계 도함수인 DOG 및 LOG에 비해 분수계 기울기 연산자가 더 나은 에지 검출 성능을 제공할 수 있는가?
• RQ2 구조적 MRF 프레임워크 내에서 FDOG 기반 특징을 사용할 경우, 기존 최고 수준의 기법보다 더 높은 이미지 분할 정확도를 달성할 수 있는가?
• RQ3 추론 과정이 완전히 수렴하지 않더라도, 근사적 마진 추론을 기울기 가능한 방식으로 효과적으로 사용하여 모델 파라미터를 엔드 투 엔드로 학습시킬 수 있는가?
• RQ4 자연 이미지에서 에지 검출 성능과 노이즈에 대한 강건성 간의 최적 균형을 이룰 수 있는 분수계 기울기 연산자의 최적 순서는 무엇인가?
• RQ5 기존 분할 파이프라인에 구조적 변경 없이 FDOG를 통합할 수 있는가? 단지 기울기 계산 모듈만 교체함으로써 가능할까?

주요 결과

• 제안된 FDOG 기반 방법은 스탠포드 배경 데이터셋에서 평균 79.2%의 정확도를 달성하여, 이전 최고 성능 기법인 TRW-BP 기반 DOG 기반 HOG를 사용한 기법(77.9%)을 뛰어넘었다.
• 모델은 테스트 데이터에서 평균 오차율을 20.8%로 낮춰 이전 최고 성능 기법의 22.1% 오차율 대비 약 10%의 개선을 이룩했다.
• FDOG 필터의 최적 분수계 기울기 순서는 0.7로, 에지 검출 민감도와 노이즈 억제 간의 균형을 가장 잘 맞추는 것으로 확인되었다.
• FDOG 기반 FHOG 특징은 DOG 필터에서 계산된 표준 HOG 특징보다 에지 검출 및 분할 작업 모두에서 뛰어난 성능을 보였다.
• 기울기 가능한 TRW-BP 프레임워크를 통해 추론 과정이 정지되었더라도 근사 마진을 기반으로 효과적인 파라미터 학습이 가능했으며, 이는 강건성과 확장성의 우수함을 입증했다.
• 이러한 성능 향상은 거의 추가 계산 부담 없이 달성되었으며, 3GHz 듌코어 프로세서를 사용해 모든 이미지에 대해 FDOG 특징을 계산하는 데 약 5분이 소요되었다.