Object Categorization Using PLSA Based on Weighting

특이점 가중치 기반 PLSA를 이용한 객체 범주화

  • Published : 2009.08.30

Abstract

In this paper we propose a new approach that recognizes the similar categories by weighting distinctive features. The approach is based on the PLSA that is one of the effective methods for the object categorization. PLSA is introduced from the information retrieval of text domain. PLSA, unsupervised method, shows impressive performance of category recognition. However, it shows relatively low performance for the similar categories which have the analog distribution of the features. In this paper, we consider the effective object categorization for the similar categories by weighting the mainly distinctive features. We present that the proposed algorithm, weighted PLSA, recognizes similar categories. Our method shows better results than the standard PLSA.

본 논문에서는 영상 내 객체들의 카테고리 분석을 위해 연구된 PLSA를 기반으로 특이점에 가중치를 부여하여 보다 유사한 카테고리 간에 인식 성능을 향상시키는 접근법에 대하여 연구하였다. PLSA는 문서기반의 정보검색 분야로부터 소개된 기법으로, 약한 수준의 비감독 방법임에도 불구하고 인상적인 인식성능을 보여준다. 그러나 비슷한 특징점 분포를 보이는 유사한 카테고리 간의 객체 카테고리 인식에 대해서는 비교적 낮은 성능을 보인다. 본 연구에서는 카테고리간의 비교실험을 통해 각 특징점에 대하여 가중치를 부여한 PLSA를 적용하여 유사한 객체 간의 카테고리 인식 가능성을 살펴보았다. 실험에서는 기존의 PLSA 기법과 제안한 가중치를 부여 PLSA 기법을 각각 적용하여 그 성능을 비교하였다. 본 연구에서는 기존 PLSA 기법에서는 비교적 낮은 인식률을 보인 유사한 카테고리 인식에 대하여 실험 결과를 통해 가중치를 부여한 PLSA 기법이 보다 향상된 성능을 보임을 확인하였다.

Keywords

References

  1. R. Fergus, L. Fei-Fei, P. Perona and A. Zisserman, "Learning Object Categories from Google's Image Search," International Conference on Computer Vision, 2005
  2. T. Hofmann, "Probabilistic latent semantic indexing," In Special Interest Group on Information Retrieval, 1999.
  3. A. Ng. Blei, and M. Jordan, "Latent Dirichlet allocation," Journal of Machine Learning Research, 3:993–1022, Jan 2003. https://doi.org/10.1162/jmlr.2003.3.4-5.993
  4. L. Fei-Fei and P. Perona, "A Bayesian Hierarchical Model for Learning Natural Scene Categories," the IEEE Conference on Computer Vision and Pattern Recognition, 2005.
  5. T. Hofmann, "Unsupervised Learning by Probabilistic Latent Semantic Analysis," Machine Learning, 43:177–196, 2001.
  6. J. Sivic, B. C. Russell, A. Efros, A. Zisserman and W. T. Freeman, "Discovering Object Categories in Image Collections," MIT AI Lab Memo AIM-2005-005, MIT, 2005.
  7. D. Lowe, "Local Feature View Clustering for 3D Object Recognition," the IEEE Conference on Computer Vision and Pattern Recognition, Kauai, Hawaii, Springer, December 2001.
  8. G. Csurka, C. Bray, C. Dance and L. Fan, "Visual Categorization with Bags of Keypoints," In Workshop on Statistical Learning in Computer Vision, ECCV, 2004.
  9. D. Lowe, "Object Recognition from Local Scale-invariant Features," International Conference on Computer Vision, Kerkyra, Greece, September 1999.