텐서 부공간 분석 기법에 의한 3차원 물체인식 (3-D Object Recognition by Tensor Subspace Analysis Approach)

서지정보

· 발행기관 : 한국정보기술학회
· 수록지 정보 : 한국정보기술학회논문지 / 7권 / 1호 / 100 ~ 106페이지
· 저자명 : 곽근창

초록

본 논문은 텐서 부공간 분석(TSA: Tensor Subspace Analysis)기법에 의한 3차원 물체인식을 다룬다. 물체인식과 얼굴인식분야에서 널리 알려진 주성분분석기법(PCA: Principal Component Analysis)과 선형판별분석기법(LDA: Linear Discriminant Analysis)은 2차원 영상을 고차원 벡터로 표현하여 다루는 반면, TSA는 2차 텐서로서 영상을 표현하며, 영상행렬의 열벡터들과 행벡터들 사이의 관계는 TSA에 의해 특성화되어진다. 또한, TSA는 저차 텐서 공간을 학습함으로써 텐서 공간의 본질적인 기하학적인 구조를 찾아준다. 제시된 TSA의 인식성능을 평가하기 위해, 널리 알려진 COIL(Columbia object image library) 물체인식 데이터베이스에 적용한 실험적인 결과는 TSA가 기존의 PCA와 LDA에 비해 우수한 인식성능을 보임을 증명한다. 　

영어초록

This paper is concerned with three-dimensional object recognition by TSA (Tensor Subspace Analysis). The traditional well-known PCA (Principal Component Analysis) and LDA (Linear Discriminant Analysis) frequently used in conjunction with face and object recognition consider as a high dimensional vector represented by image, while TSA considers an image as the second order tensor. The relationship between the column and row vectors of the image matrix can be naturally characterized by TSA. Furthermore, TSA finds the intrinsic geometrical structure of the tensor space by learning a lower dimensional tensor subspace. The experimental results on COIL(Columbia object image library) object database used in this paper demonstrate that TSA showed a good recognition rate in comparison with that of PCA and LDA.

참고자료

· 없음