MRF 기반의 시멘틱 속성 서브네트워크 탐색을 이용한 장면 이미지 분류 성능 개선 (Performance Enhancement for Scene Image Classification Using a MRF-based Subnetworks Search for Semantic Attributes)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 : 소프트웨어 및 응용 / 40권 / 11호 / 732 ~ 740페이지
· 저자명 : 최선욱, 이종호

초록

장면 이미지는 다양한 시멘틱 속성들 간의 고차원의 상호작용으로 구성되어 있다. 본 논문에서는 이러한 시멘틱 속성들의 고차원의 상호작용을 고려 가능한 마르코프 랜덤 필드 기반의 모델링 기법을 제안한다. 마르코프 랜덤 필드 상의 서브네트워크 탐색 기법을 통해 각 장면 카테고리에 최적화 된 시멘틱 속성들의 서브네트워크를 탐색하고, 이들 서브네트워크 내에 속한 시멘틱 속성들의 발현량을 우도비 기반의 선형 변환 기법을 통해 요약하는 기법을 제안한다. 이들 요약 된 값은 분류 모델을 이용하여 각 카테고리를 분류하기 위한 특징 벡터로 사용된다. 제안한 기법의 우수성을 검증하기 위해, 실험을 통하여 제시한 기법을 통해 생성된 특징 벡터의 분별력이 기존의 기법들에서 사용 된 특징 벡터들의 분별력보다 우수함을 보인다. 또한 이러한 특징 벡터를 이용하여 장면 분류 실험을 수행한 결과 기존의 기법들과 비교하여 경쟁력 있는 분류 성능을 보임을 확인하였다. 제안한 기법은 기존의 이미지 자동 주석 생성 및 분류 작업 성능 향상에 기여 할 수 있을 뿐만 아니라, 자율 주행 로봇을 위한 영상 기반의 문맥 정보 획득에도 활용 가능하다.

영어초록

A scene image is composed by higher-order interactions of semantic attributes. In this paper, we propose a method of the markov random field based modeling can consider the higher-order interactions of semantic attributes of a scene image. Through subnetworks search method on the markov random filed, we explore subnetworks of semantic attributes that are optimized for each scene category classification task. And also we propose a method to summarize the expression values of the member semantic attributes that belongs to the searched subnetworks using a linear transformation method via likelihood based estimation. To verify the competitiveness of the proposed method, we show that the discrimination power of the feature vector generated by the proposed method is better than existing methods through experiments. And also, in a scene classification experiment, the proposed method show a competitive classification performance compared with the conventional methods. The proposed method can be utilized not only to obtain the context information from the video for autonomous navigation robots, but also to improve the performance of existing image classification or annotation methods.

참고자료

· 없음