[인공지능][컴퓨터 비전] 시스템 및 성능평가

인트로
1. 컴퓨터 비전 시스템 개요
- 전처리, 특징 추출, 해석

2. 비전 시스템의 설계
- 문제 이해, 데이터베이스 수집, 알고리즘 설계와 구현

3. 성능평가
- Classification error , False Alarms etc.
- Confusion matrix in two-class problem

---

컴퓨터 비전 시스템의 개요
컴퓨터 비전 시스템에는 3가지 단계가 있다.
전처리, 특징 추출, 해석 단계이다. 먼저, 전처리는 특징추출을 하기 위해 잡음을 제거하는 등의 역할을 수행한다.
1) 전처리
영상 처리 기술을 이용한 image enhancement / restoration
2) 특징 추출
Edge, line, region, texture 및 영역 특징을 검출하고 특징벡터를 추출한다.
3) 해석
기계학습 기술을 주로 이용한다. 응용에 따라 다양한 형태가 나타난다.
비전 시스템을 그림으로 설명하면 다음과 같다.

컴퓨터 비전 시스템

컴퓨터 비전 시스템의 설계
1) 문제 이해
주어진 문제에 대해 직관적이고 철저한 이해가 중요하다.
문제에 대해 합리적인 제약 조건이 수립되어있어야 한다.
예를 들어, 얼굴인식기를 구현하고 싶은경우
일정한 크기의 정면 얼굴과 , 자연 영상 속 얼굴 등 어떠한 조건에서
얼굴을 추출하고 싶은지 제약조건을 수립하고 결정해야한다.

2) 데이터 베이스 수집
데이터 베이스는 학습집합 + 테스트집합을 말한다.

3) 알고리즘 설계와 구현
주어진 문제에 적합한 알고리즘을 선택한다.
hand gesture recognition (손의 제스처 인식) : edge, region, local shape 중 주된 특징을 선택한다.
Human tracking : 추적 알고리즘을 선택한다. (움직이는 사람의 동작을 tracking)
기존 성능 비교 분석 논문을 참조하거나 설계자의 경험과 직관에 의해 선택하고, 데이터베이스에서 성능을 실험한다.

4) 성능평가
Classification error ( N = c + r + e )
정인식률(correct recognition rate) = c/N
기각률(rejection rate) = r / N
오류율(error rate) = e / N
이때, c = 맞는 샘플 수 , r = 기각한 샘플 수 , e는 틀린 샘플 수

False Alarms (false positive)
실제로는 병에 걸리지 않았으나 병에 걸렸다고 결과가 나오는 경우,
스팸메일이 아니나 스팸메일로 판정되는 경우이다.

False dismissals (false negative)
실제로는 병에 걸렸으나 병에 걸리지 않았다고 결과가 나오는 경우,
스팸메일이나 스팸메일이 아니라고 판정하는 경우이다.

Receiver operating curve(ROC) , 수신자 조작 특성
False Alarms & False dismissals 를 포함해 그래프로 정리한것이다.

ROC(Receiver operating curve)는 적중확률 대 오경보 확률을 그래프로 나타낸다.
패턴인식 시스템의 성능 평가 방법은 다음과 같다 .
1) 맞추는 샘플 , 틀리는 샘플, 기각하는 샘플의 수를 세어 그것을 이용하는 방법이 있다.
2) 틀리게 분류하였을때, 발생할 위험을 고려하여 위험을 수치화하는 방법이 있다.

Confusion matrix in two-class problem

1) TP(True Positive) : TP는 True 인데 True라고 맞춘 경우이다.

• w1인 n11을 w1이라고 분류한경우이다. (정답이다)
• 병에 걸린 사람을 병에 걸렸다고 분류하는 것이 예이다.

2) TN(True Negative) : TN은 False 인데 False 라고 맞춘 경우이다.

• w2인 n22를 w2라고 분류한경우이다. (정답이다)
• 병에 걸리지 않은 사람을 병에 걸리지 않았다고 분류하는 것이 예이다.

3) FP(False Positive) : FP는 False인데 True라고 한 경우이다.

• w2인 n21을 w1으로 분류한 경우이다. (틀렸다)
• 병에 걸리지 않았는데 병에 걸렸다고 분류하는 예이다.

4) FN (False Negative) : FN은 True인데 Fasle 라고 한경우이다.

• w1인 n12을 w2로 분류한경우이다. (틀렸다)
• 병에 걸렸는데 병에 걸리지 않았다고 분류하는 예이다.