Multi-Media-Computing.8 Recognition

Recognition

• Recognition : 특정 오브젝트가 어디에 있는지 찾는 것
• Categorization : 어떤 종류의 오브젝트인지 분류하는 것
• Content-based image retrieval : 원하는 것을 찾기 위해 이미지로 검색하는 것
• Detection : 뭘 찾을지 사람이 알려주고 그것을 찾는 것
• 위와 같은 기술들은 feature matching을 통해 구한다는 공통점이 있다

  Skin detection

  

• RGB 값 중에 G와 B값을 그래프에 표시
• 위의 이미지에서 노란색 점이 스킨이라고 추정
• example을 만들어서 label된 training image를 만든다.

Skin classifier

• 새로운 X 값이 들어왔을 때 해당 값이 skin인지 아닌지를 판별해야 한다면 아래와 같은 세가지 방법을 사용할 수 있다.
• Nearest neighbor : 가장 가까운 점과 같은 label을 갖는것
  • 장점 : 심플하다
  • 단점 : noisy한 값에 대해서 취약하다
• Find plane/curve that separates the two classes : decision boundary를 정의하는 SVM 방법
  • over fitting 문제 : 학습 데이터에는 잘 동작하나 현실에서는 잘안되는 현상
• Data modeling : 각각의 데이터들에 대한 모델을 밝히는 것
  • dense한 부분을 찾아내는 것
  • skin/non-skin에 대한 2차원 히스토그램을 만들고 확률 분포를 2개 만든다.
  • 이로써 새로운 값에 대한 확률 값을 얻을 수 잇게 된다.
  • 장점 : machine에서 출력한 confidence를 수치적으로 나타낼 수 있다.
• 위의 3가지 방식의 특징과 장단점에 대해 잘 이해하는 것이 중요함.

  Probability

  

• X : random variable(확률 변수)
• P(X) : X가 특정 값을 달성할 확률
• 노이즈한 값을 측정할 때 확률 변수의 효용성이 좋다.

Probabilistic skin classification

• P(skin

  R) : R이 주어졌을 때 skin일 확률

• P(~skin

  R) : R이 주어졌을 때 skin이 아닐 확률

• 위의 값을 구하기 위해서는 P(R

  skin)를 활용한다

Bayes rule

• posterior(사후 확률) : 데이터를 관찰한 후에 업데이트된 모델 파라미터(θ)에 대한 확률 분포이다.
  • 실질적으로 원하는 확률 값
• likelihood(가능도) : 주어진 모델 파라미터(θ)에 대해 관찰된 데이터(X)의 확률을 나타내는 함수이다.
  • 데이터들을 측정한 결과 확률 값
  • 해석 가능한 모델
• prior(사전 확률) : 데이터를 관찰하기 전에 모델 파라미터(θ)에 대한 사전 지식이나 믿음을 나타내는 확률 분포이다.
  • Domain knowledge에서 나온 확률(트레이닝 데이터에 국한하지 않은 도메인에서 일반적인 형태의 스킨 확률)
  • train set으로부터 구할 수 있지만 해당 데이터에 편향될 수 있다.

• normalization : P(R) = P(R

  skin)P(skin) + P(R

  ~skin)P(~skin)

• 생성형 모델이라고 부른다.

Learning conditional PDF’s

• 해당 skin에 대한 R의 히스토그램은 위와 같다.(Likelihood)
• 이 때 이 히스토그램을 그대로 쓰기보다는 분포 함수를 활용하는 것이 바람직하다.
  • 보통 가우시안 분포로 모델링을 한다.
• miss value generation이 가능하다
  • 특정 R값이 유실되어도 분포함수를 통해 generation 할 수 있다.
• 하지만 차원이 올라가면 정형화된 모델로 정의하기 어렵기 때문에 복잡해진다.

Bayesian estimation

• 위의 이미지는 MAP(Maximum A Posterior)이다.
  • domain knowledge를 반영한 것
• ML(Maximum Likelihood) : domain knowledge가 명확하지 않거나 없을 때 likelihood만 사용하는 경우

Visual Recognition

• Visual Recognition 알고리즘이 해야 되는 것들
  • 이미지 또는 영상 분류
  • 오브젝트 탐색
  • 의미적인, 기하학적인 속성들을 추정
  • 사람의 행동과 사건을 분류

Basic issue

• Representation : SIFT, 별자리 모델
• Learning : nearest neighbor
• Recognition
• Deep learning에서는 Representation과 Learning 단계를 합침
• intra-class variability : 확률적 모델을 씀으로써 극복 가능한 것

Learning

• 확습 과정에서 파라미터를 Likelihood를 maximize 하느냐(generative model), posterior를 Maximize하느냐(discrete model)에 따라 달라진다.