Image Classification

정의

문제점

• 카메라 위치 변화(Viewpoint Variation): 같은 대상이더라도 카메라 위치가 달라지면 이미지가 달라지지만, 이를 동일하게 인식해야한다.

• 조명 조건 (Illumination conditions): 조명이 어둡든지 밝든지 간에 대상을 동일하게 인식해야한다.

• 형태 변화 (Deformation): 대상의 포즈가 달라지더라도 동일하게 인식해야한다.

• 가려짐 (Occlusion): 대상의 일부가 가려져도 그것이 동일한 대상임을 탐지해야한다.

• 배경과 비슷한 경우 (Background Clutter): 대상과 배경이 유사해보일 때, 이들을 구분해낼 수 있어야한다.

• 같은 클래스 내의 차이 (Intra-class Variation) : 같은 대상이더라도 생김새, 색, 나이, 크기가 제각기 다르므로 이를 올바르게 인지해야한다.

Data-Driven Approach

# Data-driven approach 함수 표현

def train(train_images, train_labels):
# 이미지에 맞춰 라벨 데이터를 학습
return model

def predict(model, test_images):
# 모델을 사용하여 테스트 라벨을 예측
return test_labels

Nearest Neighbor

K-Nearest Neighbors (KNN)

L1거리 (맨해튼 거리)

L2거리 (유클리디언 거리)

Parametric approach: Linear Classifier

원리

• 이미지를 입력 받으면(X), 가중치 파라미터(W)와 곱하여 카테고리 score 값(f(x,w))에 bias를 더해 계산하여 각각의 카테고리로 분류될 점수를 계산하는 방식이다.

Linear Classifier이 잘 동작하지 않는 경우

• 한 클래스 내에 다양한 특징들이 존재할 수 있지만, 모든것을 평균화시켜 하나의 템플릿만을 학습한다.
• 이미지는 고차원이기 때문에 일차함수 직선으로 분류하기 어려운 데이터의 분포가 있을 수 있다 (Paritiy Problem)

• 한 클래스가 다양한 공간에 분포할 수 있다 (Multimodal problem)