상황별 이미지 분류: 효과적인 분류를 위한 시각적 데이터 이해

By Fouad Sabry

문맥 이미지 분류란

이미지에 포함된 문맥 정보를 기반으로 하는 분류 방법을 문맥 이미지 분류라고 합니다. 이 방법은 컴퓨터 비전의 패턴 인식 범주에 속합니다. "맥락적" 접근 방식은 이웃이라고도 하는 서로 매우 근접한 픽셀 간의 관계에 초점을 맞추는 접근 방식입니다. 상황에 맞는 정보를 활용하여 사진을 분류하는 것이 이 접근 방식의 목표입니다.

귀하가 얻을 수 있는 이점

(I) 통찰력 및 다음 주제에 대한 검증:

1장: 상황별 이미지 분류

2장: 패턴 인식

3장: 가우스 프로세스

4장: LPBoost

5장: 원샷 학습(컴퓨터 비전)

6장: 최소제곱 지원 벡터 머신

7장: 프라운호퍼 회절 방정식

8장: 양자역학의 대칭

9장: 베이지안 계층적 모델링

10장: Paden-Kahan 하위 문제

( II) 상황별 이미지 분류에 관한 대중의 주요 질문에 답합니다.

(III) 다양한 분야에서 상황별 이미지 분류 사용에 대한 실제 사례.

이 책은 누구입니까?

전문가, 학부 및 대학원생, 매니아, 취미생활자 및 모든 종류의 상황별 이미지 분류에 대한 기본 지식이나 정보를 넘어서고자 하는 사람들을 위한 것입니다.

 

 

• Language: 한국어
• Publisher: 10 억 지식이 걸립니다 [Korean]
• Release date: May 5, 2024

Book preview

1장: 문맥 이미지 분류

컴퓨터 비전에서 패턴 인식의 하위 분야인 문맥 이미지 분류는 이미지의 문맥 정보를 기반으로 하는 분류 기술입니다. 컨텍스트라는 용어는 이 방법이 종종 이웃으로 알려진 주변 픽셀 간의 연결을 강조한다는 것을 나타냅니다. 이 방법의 목적은 컨텍스트 정보를 사용하여 사진을 분류하는 것입니다.

언어 처리와 마찬가지로 문맥이 제공되지 않는 한 단일 단어는 여러 가지 해석을 가질 수 있으며 유일한 정보 부분은 문장 패턴입니다. 사진에도 동일한 개념이 적용됩니다. 패턴과 적절한 의미를 결정합니다.

아래 이미지에서 볼 수 있듯이 이미지의 작은 부분만 표시되는 경우 이미지가 무엇을 나타내는지 확인하기가 매우 어렵습니다.

Mouth

이미지의 다른 영역을 검사하더라도 이미지를 분류할 수 없습니다.

Left eye

그러나 이미지의 컨텍스트를 개선하면 이미지를 인식하는 것이 더 합리적입니다.

아래에서 전체 이미지에서 볼 수 있듯이 거의 모든 사람이 쉽게 분류할 수 있습니다.

분할 동작 동안, 상황 정보를 활용하지 않는 시스템들은 잡음과 변화에 민감하며, 그 결과 많은 수의 잘못 분류된 영역들이 발생하는데, 이들은 종종 크기가 작다(예를 들어, 1픽셀).

이 방법은 세그먼트의 연속성을 고려하기 때문에 다른 방법보다 노이즈와 큰 변화에 더 강합니다.

이 전략에 대한 몇 가지 방법은 아래에 자세히 설명되어 있습니다.

이 방법은 소음을 유발하는 경미한 위치에 대해 매우 성공적입니다. 그리고 이러한 작은 영역은 일반적으로 몇 개 또는 단일 픽셀로 구성됩니다. 이러한 영역은 가장 가능성이 높은 레이블을 받습니다. 그러나 이 전략에는 단점이 있습니다. 작은 영역은 노이즈가 아닌 오른쪽 영역에 의해 생성될 수도 있으며, 이 경우 전략은 실제로 분류를 악화시킵니다. 이 방법은 원격 감지 응용 분야에서 광범위하게 사용됩니다.

여기에는 두 가지 분류 단계가 포함됩니다.

각 픽셀에 레이블을 지정하고 각 픽셀에 대해 새 특징 벡터를 생성합니다.

업데이트된 기능 벡터와 컨텍스트 정보를 활용하여 최종 레이블을 적용합니다.

개별 픽셀을 사용하는 대신 인접 픽셀을 컨텍스트 데이터의 이점을 활용하는 동종 영역으로 결합할 수 있습니다. 그리고 이러한 영역을 분류자에 제공합니다.

드문 경우지만 원본 스펙트럼 데이터는 인접 픽셀에 의해 전달되는 컨텍스트 정보로 보완되거나 대체될 수 있습니다. 이러한 유형의 전처리 기술은 일반적으로 질감이 있는 사진 인식에 사용됩니다. 일반적인 방법에는 평균값, 분산, 질감 설명 등이 포함됩니다.

분류기는 회색 수준과 픽셀 이웃(컨텍스트 정보)을 사용하여 픽셀에 레이블을 할당합니다. 이 경우 데이터는 스펙트럼 정보와 지리 정보의 조합입니다.

Bayes 최소 오류 분류자는 이미지 데이터의 컨텍스트 분류(나이브 Bayes 분류자라고도 함)에 사용됩니다.

픽셀 표시:

픽셀은 로 표시됩니다 x_{0} .

각 픽셀의 이웃 x_{0} 은 벡터이며 로 표시됩니다 {\displaystyle N(x_{0})} .

이웃 벡터의 값은 로 표시됩니다 f(x_{i}) .

각 픽셀은 벡터로 표시됩니다.

{\displaystyle \xi =\left(f(x_{0}),f(x_{1}),\ldots ,f(x_{k})\right)}{\displaystyle x_{i}\in N(x_{0});\quad i=1,\ldots ,k}

이웃에 있는 픽셀의 레이블(분류) {\displaystyle N(x_{0})} 은 벡터로 표시됩니다

{\displaystyle \eta =\left(\theta _{0},\theta _{1},\ldots ,\theta _{k}\right)}{\displaystyle \theta _{i}\in \left\{\omega _{0},\omega _{1},\ldots ,\omega _{k}\right\}}

\omega _{s} 여기서 는 할당된 클래스를 나타냅니다.

벡터는 픽셀 없이 이웃에 레이블 {\displaystyle N(x_{0})} 을 표시합니다 x_{0}

{\displaystyle {\hat {\eta }}=\left(\theta _{1},\theta _{2},\ldots ,\theta _{k}\right)}

이웃: 이웃의 크기입니다.

크기 제한은 없지만, 각 픽셀에 대해 비교적 작은 것으로 간주됩니다 x_{0} .

이웃의 적당한 크기는 3 \times 3 4-연결성 또는 8-연결성( x_{0} 빨간색으로 표시되고 중앙에 배치됨)입니다.

4-연결 커뮤니티, 8-연결 커뮤니티

계산은 다음과 같습니다.

픽셀에 최소 오류 분류를 적용 하면 x_{0} 클래스가 \omega _{r} 픽셀을 표시할 x_{0} 확률이 모든 클래스 중에서 가장 높 으면 \omega _{r} 해당 클래스로 할당합니다.

{\displaystyle \theta _{0}=\omega _{r}\quad {\text{ if }}\quad P(\omega _{r}\mid f(x_{0}))=\max _{s=1,2,\ldots ,R}P(\omega _{s}\mid f(x_{0}))}

다음은 문맥 분류 규칙에 대한 설명입니다., 대신 기능 벡터를 사용합니다 x_{1} x_{0} .

{\displaystyle \theta _{0}=\omega _{r}\quad {\text{ if }}\quad P(\omega _{r}\mid \xi )=\max _{s=1,2,\ldots ,R}P(\omega _{s}\mid \xi )}

Bayes 공식을 사용하여 사후 확률 계산 {\displaystyle P(\omega _{s}\mid \xi )}

{\displaystyle P(\omega _{s}\mid \xi )={\frac {p(\xi \mid \omega _{s})P(\omega _{s})}{p\left(\xi \right)}}}

이미지의 픽셀 수와 같으면 벡터의 수도 같습니다.

분류기는 각 픽셀에 해당하는 벡터를 사용하며 x_{i} , 벡터는 픽셀의 이웃에서 형성됩니다.

상황별 이미지 분류를 위한 기본 절차는 다음과 같습니다.

각 픽셀에 대한 \xi 특징 벡터를 계산합니다.

확률 분포의 모수를 계산 {\displaystyle p(\xi \mid \omega _{s})} 하고 {\displaystyle P(\omega _{s})}

사후 확률 {\displaystyle P(\omega _{r}\mid \xi )} 과 모든 레이블 을 계산합니다 \theta _{0} .

이미지 분류 결과를 가져옵니다.

템플릿 일치는 이 전략의 무차별 대입 적용입니다. 목표는 일련의 템플릿을 설정한 다음 템플릿과 일치하는 작은 이미지 구성 요소를 검색하는 것입니다.

이 기술은 계산 집약적이며 비효율적입니다.

전체 프로세스에 걸쳐 전체 템플릿 목록을 유지 관리하며 가능한 조합의 수가 매우 많습니다.

m\times n 픽셀 이미지의 경우 최대 조합이 있을 수 {\displaystyle 2^{m\times n}} 있으므로 계산이 많이 됩니다.

이는 일반적으로 테이블 조회 또는 사전 조회로 알려진 하향식 전략입니다.

마르코프 체인은 패턴 인식에도 적용할 수 있습니다. 이미지의 픽셀은 확률 변수 집합으로 식별될 수 있으며, 그런 다음 하위 마르코프 체인을 사용하여 관계를 결정할 수 있습니다. 이 접근 방식은 이미지를 가상 선으로 취급하고 조건부 확률을 사용합니다.

힐베르트 곡선은 픽셀 중 어느 하나에도 두 번 돌아가지 않고 각 픽셀을 교차하며 전체 영상에 걸쳐 연속적인 곡선을 유지합니다. 빠르고 효과적입니다.

위에서 언급한 하차 마르코프 체인 곡선과 힐베르트 공간 채우기 곡선은 영상을 선 구조로 취급합니다. 그러나 Markov 메시는 2차원 정보를 고려합니다.

종속성 트리는 트리 종속성을 통해 확률 분포를 근사화하는 방법입니다.

{챕터 1 종료}

2 장 : 패턴 인식

데이터 내의 패턴과 규칙성을 자동으로 인식하는 프로세스를 패턴 인식이라고 합니다. 통계 데이터 분석, 신호 처리, 이미지 분석, 정보 검색, 생물 정보학, 데이터 압축, 컴퓨터 그래픽 및 기계 학습은 그 사용의 이점을 누릴 수 있는 분야 중 일부에 불과합니다. 통계 및 공학 분야는 패턴 인식이 시작된 곳입니다. 패턴 인식의 일부 최신 방법에는 기계 학습의 사용이 포함되며, 이는 방대한 데이터의 가용성이 증가하고 컴퓨팅 용량이 더 풍부해짐에 따라 가능합니다. 이 두 가지 추구는 동일한 응용 분야의 양면으로 간주될 수 있으며, 이 두 가지 활동 모두 지난 수십 년 동안 상당한 성장을 보였습니다.

패턴 인식 시스템에 대한 학습은 종종 학습으로 분류된 데이터를 사용하여 수행됩니다. 사용할 수 있는 라벨링된 데이터가 없는 경우, 이전에 알려지지 않았던 패턴을 식별하기 위해 대체 기술을 사용할 수 있습니다. KDD와 데이터 마이닝은 모두 비지도 분석 기법에 더 중점을 두고 있으며 업계의 실제 적용과 더 깊은 관계를 맺고 있습니다. 패턴 식별은 신호 자체에 더 중점을