[论文解读] Image information content characterization and classification by physical complexity

Héctor Zenil, Jean‐Paul Delahaye+1 more|arXiv (Cornell University)|Jun 1, 2010

Computational Drug Discovery Methods被引用 6

一句话总结

本文提出了一种新颖的方法，利用贝内特的逻辑深度（一种组织化复杂度的度量）来分类图像复杂度，为视觉数据中的组织化复杂度提供比柯尔莫哥洛夫复杂度更细致的替代度量。通过将这一物理复杂度度量应用于视觉数据，该方法能够对图像信息内容进行更精细的表征，这是首次将逻辑深度应用于图像分类。

ABSTRACT

We present a method for estimating the complexity of an image based on Bennett's concept of logical depth. Bennett identified logical depth as the appropriate measure of organized complexity, and hence as being better suited to the evaluation of the complexity of objects in the physical world. Its use results in a different, and in some sense a finer characterization than is obtained through the application of the concept of Kolmogorov complexity alone. We use this measure to classify images by their information content. The method provides a means for classifying and evaluating the complexity of objects by way of their visual representations. To the authors' knowledge, the method and application inspired by the concept of logical depth presented herein are being proposed and implemented for the first time.

研究动机与目标

• 解决柯尔莫哥洛夫复杂度在捕捉视觉数据中组织化复杂度方面的局限性。
• 探讨贝内特的逻辑深度概念是否能提供更准确、更详细的图像复杂度度量。
• 开发一种基于物理复杂度的图像分类方法，反映信息组织的深度。
• 通过基于物理的复杂度度量建立评估图像信息内容的新框架。

提出的方法

• 将贝内特的逻辑深度适配为图像中组织化复杂度的度量，定义为生成图像的最短程序的运行时间。
• 使用图像表示作为输入以计算逻辑深度，将图像视为二进制字符串以进行程序化评估。
• 将该概念应用于图像分类，不仅基于原始信息内容，还基于结构组织的深度。
• 采用计算方法通过模拟生成图像的最小程序来估计逻辑深度。
• 比较不同图像类别之间的复杂度评分，以识别信息组织中的模式。
• 首次在视觉数据背景下引入逻辑深度在图像分析中的新颖应用，此前未被探索。

实验结果

研究问题

• RQ1 与柯尔莫哥洛夫复杂度相比，逻辑深度是否能作为图像复杂度的更精细度量？
• RQ2 视觉信息的组织方式如何影响图像的逻辑深度？
• RQ3 在柯尔莫哥洛夫复杂度相似但结构组织不同的图像之间，逻辑深度在多大程度上能够加以区分？
• RQ4 将逻辑深度应用于现实世界图像分类任务的可行性与有效性如何？
• RQ5 作为物理复杂度的度量，逻辑深度与感知或语义图像内容之间存在何种相关性？

主要发现

• 与仅使用柯尔莫哥洛夫复杂度相比，逻辑深度能对图像复杂度提供更细致的表征。
• 即使柯尔莫哥洛夫复杂度相似，具有更高结构组织的图像也表现出更大的逻辑深度。
• 该方法成功通过捕捉组织深度，基于信息内容对图像进行了分类。
• 将逻辑深度应用于视觉数据代表了一种新颖且此前未被探索的图像复杂度分析方法。
• 结果表明，作为物理复杂度的度量，逻辑深度为评估图像中组织化信息提供了更优越的指标。