쿼드트리를 이용한 영상 분류 신경망의 입력 정보량 축소

Abstract

본 논문에서는 영상 분류를 위해 신경망을 이용하는 데 있어 전처리 단계를 도입하여 입력 노드 수를 줄였다. 전처리 과정에서 쿼드트리로 영상을 표현하여 분류에 영향을 미치지 않는 픽셀들을 압축시키고 영향을 미치는 픽셀들은 상대적으로 상세히 나타냄으로써 분류에 필요한 공간과 시간을 줄였다. 또한 쿼드트리로 표현된 영상을 신경망에서 학습시키기 이전에 같은 쿼드트리 형태를 갖게 함으로써 오분류를 방지하였다. 전처리 단계 후 입력 노드가 영상에서 가지는 위치와 크기에 대한 정보를 저장한 템플리트를 생성되는데, 이것은 인식 단계 이전에 인식 데이타를 학습 데이타와 같은 쿼드트리 형태로 만드는 데 사용된다. 이와 같이 쿼드트리 기법에 기반을 둔 전처리 과정을 통해 입력 노드 수의 축소로 인해 발생할 수 있는 오분류와 인식율의 감소를 방지하였다. 영상을 분류하는 데에 있어 대표적인 교사 신경망 중에 하나이며 경사 강하 법칙에 기반을 둔 역전파(EBP: Error-Backpropagation) 신경망을 사용하였다. 본 논문에서는 정규화된 필기체 숫자 데이타를 사용하여 실험하였으며, 그 결과 영상을 구성하는 모든 픽셀들을 신경함에 적용시킨 경우에 비해 입력 노드 수를 약 30∼37% 정도 줄임으로써 공간을 절약하였고, 학습 시간과 인식율의 저하를 방지하였다. 다.;The objective of image processing and computer vision is to extract and recognize the meaningful information from given pattern. To obtain meaningful information in every specific application, the neural networks approach may be used to implement recognization system. All the pixels in two dimensional patterns are treated as one input node in normal techniques for neural networks. But they give a bad result if used as one-to-one matching connection in input layer. Also, they increase the hardware cost so high as their input size are so large. In this thesis, to reduce the number of input nodes, the preprocessing of images is fulfilled. Generally speaking, if the number of input nodes is reduced, the learning time and recognition rates may be not good for practical use. So, in this thesis, the new preprocessing is proposed to compress the given image. When compressing the images, its information density is calculated and constructed by using quadtree. Quadtree approach is very efficient to divide given information into low and high regions. To fm the input node size, the quadtree representations of input data in neural network have the same number of quadtree nodes before learning. Experimental results show that total input node sizes can be reduced in EBP(Error-Backpropagation) neural network. Furthermore, it is known that it can be used for all classification application. To standardize our result, 32 * 32 spatially normalized handwritten numeric patterns adopted from NIST(National Institute of Standards and Technology) are used in every experiment. Finally, quadtree approach to minimize the input node size lead to practical use of neural networks. That is because though the number of input nodes are reduced, the learning error and recognition rates are good enough. Future research would be about getting the more optimal qyadtree size for given input patterns.