비선형 주성분 분석을 이용한 내용기반 이미지 검색 = Content-based Image Retrieval Using Non-linear PCA

국문 초록 (Abstract)

최근 이미지 데이터베이스 구축의 증가와 함께 다양해진 이미지 기반 검색은 색깔이나 모양과 같은 이미지의 특징을 표현하는 것으로 사용자의 질의 및 검색과정이 매우 편리하고, 인간의 시각적 인지과정에 의해 가시적으로 시스템과 상호작용 하면서 대화할 수 있다. 그러나 이미지 기반 검색의 문제점 중 하나가 이미지 데이터가 가지고 있는 차원이 매우 크다는 것이다. 만약 데이터의 양이 방대할 경우 모든 데이터에 대해 모든 차원(feature)을 사용한다면 그만큼 수행시간은 오래 걸릴 것이다. 그러므로 이미지 특징 중에서 그 이미지에 대한 중요한 성분만을 가지는 특징으로 차원을 축소한 뒤 이미지 검색에 사용한다면 비슷한 결과를 내면서도 수행시간은 효과적으로 줄어들 것이다.
본 연구에서는 차원축소에 가장 대표적인 방법인 선형 주성분 분석(linear PCA)과 비선형 주성분 분석(non linear PCA) 중 비선형 주성분 분석 방법인 kernel PCA가 이미지와 같은 비선형 구조를 가지는 데이터에 가장 적합한 차원 축소 방법임을 성능평가를 통하여 알아낸다. 이를 위해 본 논문에서는 일반적으로 유사성 측도에 사용되는 유클리디언 거리를 사용하여 비교하였으며, 검색의 효율성을 측정하기 위해 재현율(recall)과 정확도(precision), AVRR(Average rank of all relevant items), IAVRR(Ideal AVRR), 켄달의 타우(Kendalls tau)를 사용하였으며 이를 통해 비선형 데이터일 경우 kernel PCA가 좀 더 효율적으로 차원을 축소한다는 것을 확인하였다.

다국어 초록 (Multilingual Abstract)

Content-based image retrieval, which has become more diverse recently with the increase of image data base construction, is a process that expresses characteristics of an image such as the color and shape. It provides a highly convenient questioning and retrieval process for users and enables conversation with the system while visibly interacting with it through the human visual recognition process. One of the problems of the image retrieval, however, is that the feature that the image data possess is very large. In case the amount of the data is huge, if all the features are used to all the data, the process of retrieval would take a long time. Therefore, reducing the feature to the characteristics that contain only the important elements of the image and using only that for image retrieval would produce similar results while effectively shortening the time for processing.
In this research, we aim to prove that between the two representative methods for reducing features, the linear PCA and the non-linear PCA, the kernel PCA (the non-linear PCA) is more suitable for data with non-linear structures like the image, through the performance evaluation of each method. For carrying out the evaluation, the euclidian distance (which is generally used to measure similarity) was used to compare the two methods. In addition, in order to measure the efficiency of retrieval, the recall, precision, AVRR (Average rank of all relevant items), IAVRR (Ideal AVRR), and Kendalls tau were used, through the applications of which we could confirm that the kernel PCA reduces the feature more efficiently in the case of the non-linear data.

목차 (Table of Contents)

• 목차
• 요약
• 제 1장 서론 = 1
• 1.1 연구 배경 = 1
• 1.2 연구 목적 = 2
• 1.3 논문의 구성 = 2
• 제 2장 관련 연구 = 3
• 2.1 내용 기반 이미지 검색 시스템 = 3
• 2.2 기존 차원 축소 기법 = 5
• 2.2.1 선형 주성분 분석 (linear PCA) = 5
• 2.2.1.1 선형 주성분 분석 과정 = 6
• 2.2.1.2 주성분의 결정 = 9
• 2.2.2 비선형 주성분 분석(kernel PCA) = 10
• 2.2.2.1 특징 공간에서의 PCA = 13
• 제 3장 차원 축소 성능 평가 방법 = 17
• 3.1 평가 내용 = 17
• 3.2 차원축소 알고리즘 = 18
• 3.2.1 특징 추출 = 19
• 3.2.2 차원 축소 = 20
• 3.2.2.1 선형 주성분 분석 = 20
• 3.2.2.2 비선형 주성분 분석 = 22
• 3.3 유사성 측정 = 22
• 제 4장 성능 평가 결과 및 해석 = 24
• 4.1 자연 이미지 실험 결과 = 24
• 4.1.1 성능 측정 척도 = 25
• 4.1.1.1 재현율(recall)과 정확도(precision) = 25
• 4.1.1.2 AVRR과 IAVRR = 26
• 4.1.1.3 켄달의 타우(Kendall's tau) = 27
• 4.1.2 성능 측정 결과 = 27
• 4.1.2.1 재현율과 정확도에 의한 측정 결과 = 27
• 4.1.2.2 AVRR과 IAVRR에 의한 측정 결과 = 29
• 4.1.2.3 켄달의 타우에 의한 측정 결과 = 31
• 제 5장 결론 및 향후 연구방향 = 34
• 참고문헌 = 45