Journal of the Institute of Electronics Engineers of Korea CI (전자공학회논문지CI)

The Institute of Electronics and Information Engineers (대한전자공학회)
권호 표지

Classifier Integration Model for Image Classification

영상 분류를 위한 분류기 통합모델

  • Received : 2011.02.16
  • Accepted : 2012.03.05
  • Published : 2012.03.25
Download PDF
⟨ Previous Next ⟩

Abstract

An advanced form of the Partitioned Feature-based Classifier with Expertise Table(PFC-ET) is proposed in this paper. As is the case with the PFC-ET, the proposed classifier model, called Classifier Integration Model(CIM), does not use the entire feature vectors extracted from the original data in a concatenated form to classify each datum, but rather uses groups of features related to each feature vector separately. The proposed CIM utilizes a proportion of selected cluster members instead of the expertise table in PFC-ET to minimize the error in confusion table. The proposed CIM is applied to the classification problem on two data sets, Caltech data set and collected terrain data sets. When compared with PFC model and PFC-ET model. the proposed CIM shows improvements in terms of classification accuracy and post processing efforts.

영상 분류를 위한 다단계 특성벡터 기반의 분류기 모델(Partitioned Feature-based Classification Model with Expertise Table: PFC-ET)의 성능을 더욱 향상시킨 진보된 형태의 분류기 통합모델 (Classifier Integration Model: CIM)이 본 논문에서 제안되었다. CIM은 PFC-ET과 같이 주어진 데이터에서 추출된 전체의 특징벡터를 연결하여 이용하지 않고, 같은 성질의 특징 벡터들끼리 모아서, 각각의 국지적 학습기를 통하여 분류에 이용한다. PFC-ET에서 분류판단 확률행렬에 의한 오류를 최소화하기위해 국지적 분류기로 사용되는 군집화 알고리즘의 멤버 비율을 사용하여 최종적인 분류의 정확도를 높이는 방안을 제안한다. 제안된 CIM의 성능을 검증하기 위하여, Caltech 데이터에 대한 일반적인 영상 분류와 6 클래스 위성 영상 분류 문제에 대한 실험을 진행하였다. 제안된 CIM은 기존의 PFC 와 PFC-ET 모델과 비교한 실험에서 분류 정확도와 후처리 문제의 복잡성 면에서 향상된 성능을 보여주었다.

Keywords

References

  1. 이동훈, 김종화, 최흥문. 위성영상에서 도로 추출을 위한 히스토그램 기반 경계선 추출자. 전자공학회 논문지-SP, 제44권 제5호, 28-34쪽, 2007.
  2. Z. Wang. J. Yong. Texture Analysis and Classification With Linear Regression Model Based on Wavelet Transform. IEEE Trans. Image Processing, 8:1421-1430, 2008.
  3. D.-C. Park, D.-M. Woo. Image Classification Using Gradient-Based Fuzzy c-Means with Divergence Measure. Proc. of IJCNN, 2521-2525, 2008.
  4. D.-C. Park. Image classification using Partitioned-Feature based Classifier model, Proc. of IEEE Int. Conf. on AICCSA, 1-6, 2010.
  5. 김재영, 박동철, 진보된 다단계 특징벡터 기반의 분류기 모델, 전자공학회논문지, 제47권, CI편, 제3 호, 36-41쪽, 2010.
  6. D.-C. Park. Partitioned Feature-based Classifier model with Expertise Table. Proc. of IEEE Int. Conf. on BIC-TA, 737-742, 2010.
  7. D. C. Park. Centroid Neural Network for Unsupervised Competitive Learning. IEEE Trans. Neural Networks, 11(2), 520-528, 2000. https://doi.org/10.1109/72.839021
  8. V. Huong, D.-C. Park, Y. Lee. Centroid neural network for face recognition. Proc. of IJCNN, 1304-1309, 2009.
  9. C. Novak, S. Shafer. Anatomy of a color histogram. IEEE Trans. CVPR, 599-605, 1992.
  10. N. Ahmed, et al.. Discrete Cosine Transform. IEEE Trans. Computer 1, 90-93, 1974.
  11. T. Ojala, M. Pietikäinen, D. Harwood. Performance evaluation of texture measures with classificationProc. of ICPR based on Kullback discrimination of distributions. Proc. of ICPR, 1, 582-585, 1994.
  12. B. A. Olshausen, D. J. Field. Emergence of simple-cell receptive field properties by learning a sparse code for natural images. Nature, 381, 607-609, 1996. https://doi.org/10.1038/381607a0
  13. www.vision.caltech.edu/...Datasets/Caltech101/
  14. A. Berg, et al.. Shape matching and object recognition using low distortion correspondences, IEEE Trans. CVPR, 1, 26-33, 2005.