다중점 적합성 피드백방법을 이용한 영역기반 이미지 유사성 검색 = Region Based Image Similarity Search using Multi-point Relevance Feedback

국문 초록 (Abstract)

질의 이미지의 시각적 특징이 사용자의 상위 수준 개념을 잘 표현하지 못하기 때문에 이미지 검색 시스템의 성능은 보통 매우 낮다. 의미적으로 유사한 이미지들이 매우 다른 시각적 특징을 보일 수도 있으며 따라서 여러 개의 군집에 분산될 수 있다. 본 논문에서는 영역기반 이미지 검색과 군집-합병을 이용한 새로운 적합성 피드백 방법을 결합한 내용기반 이미지 검색 방법을 제안한다. 주요 목표는 의미적 차이를 줄이기 위해 의미적으로 관련된 군집들을 찾는 것이다. 제안된 방법은 영역기반 군집 과정과 군집-합병 과정으로 이루어진다. 적합한 이미지들의 모든 분할된 영역들을 의미적으로 관련된 계층적인 군집으로 구성한다. 잠재된 군집의 개수를 결정하고 근접한 군집들을 합병한 후 최종 군집의 대표점들로 다중 질의를 표현한다. 군집-합병 과정에서 군집의 개수를 찾고 고차원에서 특이점 문제를 해결하기 위하여 호텔링의 $T^2$ 대신에 v개의 주성분을 이용하는 $T_v^2$를 적용하였으며 $T^2$의 성능과 $T_v^2$의 성능의 차이가 없음을 보인다. 실험 결과는 제안된 방법이 내용기반 이미지 검색 시스템의 성능을 개선하는 데 효율적임을 보여준다.

다국어 초록 (Multilingual Abstract)

Performance of an image retrieval system is usually very low because of the semantic gap between the low level feature and the high level concept in a query image. Semantically relevant images may exhibit very different visual characteristics, and may be scattered in several clusters. In this paper, we propose a content based image rertrieval approach which combines region based image retrieval and a new relevance feedback method using adaptive clustering together. Our main goal is finding semantically related clusters to narrow down the semantic gap. Our method consists of region based clustering processes and cluster-merging process. All segmented regions of relevant images are organized into semantically related hierarchical clusters, and clusters are merged by finding the number of the latent clusters. This method, in the cluster-merging process, applies r: using v principal components instead of classical Hotelling's $T_v^2$ [1] to find the unknown number of clusters and resolve the singularity problem in high dimensions and demonstrate that there is little difference between the performance of $T^2$ and that of $T_v^2$. Experiments have demonstrated that the proposed approach is effective in improving the performance of an image retrieval system.

참고문헌 (Reference)

1 A. Natsev, "WALRUS: A similarity retrieval algorithm for image databases" 395-406, 1999.

2 Y. Rubner, "The earth mover's distance, Shimutil-dimensional scaling, and color-based image retrieval" 661-668, May1997.

3 J. Z. Wang, "SIMPLIcity : Semantics-Sensitive Integrated Matching for Picture Libraries." 23 (23): 947-963, 2001.

4 F. Jing, "Relevance feedback in region-based image retrieval." 14 (14): 672-681, May2004.

5 J. J. Rocchio, "Relevance feedback in information retrieval" Prentice Hall 313-323,

6 M. Flickner, "Query by image and Video content : The qbic system." 28 (28): 23-32, 1995.

7 K. Porkaew, "Query Refinement for Multimedia Similarity Retrieval in MARS." 235-238, 1999.

8 K.A. Hua, "Query Decomposition : A Multiple Neighborhood Approach to Relevance Feedback Processing in Content-based Image Retrieval." 2005.

9 R. D. Duda, "Pattern Classification." John Wiley & Sons, Inc. 2001.

10 J. Shi, "Normalized Cuts^Image Segmentation." 22 (22): 888-905, Aug.2000

11 H. Hotelling, "Multivariate Quality Control" McGraw-Hill 1947.

12 Y. Ishikawa, "MindReader: Querying databases through multiple examples" 218-227, 1998.

13 Q. Lv, "Image Similarity Search with Compact Data Structures." 208-217, Nov.2004.

14 Y. Rui, "Content-based image retrieval with relevance feedback in MARS." 1997.10

15 J. S. Hare, "Bridging the Semantic Gap in Multimedia Information Retrieval: Top down and Bottom-up approaches" 2006.

16 R.A. Johnson, "Applied Multivariate Statistical Analysis." Prentice-Hall 1998.