Nowadays, many pattern recognition methods are practically utilized in various areas. In this dissertation, two novel pattern recognition methodologies based on piecewise linear decision boundary (PLDB) are proposed.
First, a novel feature selection scheme for a given decision boundary is proposed. We construct a PLDB on the original feature space and find a feature sub-space which produces similar decision results from the constructed PLDB. By this way, we obtain a feature sub-space minimizing the degradation of recognition accuracy with reduced computational cost. To show the efficiency of the proposed scheme, we present an analytical expression of a PDLB and derive a process of optimal feature selection for a given PLDB. We also propose elemental direction preserving discriminant analysis (EDPDA) which produces a near-optimal result for the nearest neighbor classifier. Unlike other feature selection methods based on sample distances, EDPDA produces better recognition performance owing to its decision boundary oriented nature. In our experiments managed with popular face image databases, the proposed scheme shows better recognition accuracy than other methods.
Second, a novel classifier named geometrically constructed piecewise linear machine (GCPLM) is introduced. The proposed GCPLM generates geometrically a PLDB which minimizes the number of misclassified training samples. In the proposed method, a PLDB is obtained by modifying sequentially and iteratively each linear function constituting the PLDB. Since GCPLM constructs a PLDB directly rather than generating discriminant functions, it is more advantageous when the class-conditional probability distributions of patterns are harder to estimate. GCPLM is appropriate when the number of training samples is large enough to achieve high recognition accuracy by minimizing the number of misclassified training samples. Especially, GCPLM is valuable when rapid classification is needed since it classifies a sample with very low computational cost. In experiments managed with well-known face databases, GCPLM produced accurate and more consistent classification results with lower computational cost.
최근 들어, 다양한 분야에서 수 많은 패턴인식 방법들이 실생활에서 활용되고 있다. 본 논문에서는 조각선형판별경계(PLDB)에 기반한 두 가지 패턴인식 방법을 제안한다.
첫째, 어떤 판별경계가 주어진 상황에 적합한 새로운 특징선택 방법론을 제안한다. 제안 방법론에서는 원 특징공간 상에서 PLDB를 구성하고 구성된 PLDB와 유사한 판별결과를 생성하는 특징 부 공간을 획득하여, 특징선택 과정에서 유발되는 인식정확도의 저하를 최소화한다. 본 논문에서는 제안 방법의 효율성을 보이기 위하여, PLDB의 분석적 표현을 보이고, 이에 기반하여 주어진 PLDB에 최적인 특징선택을 획득하는 과정을 유도한다. 본 논문에서는 또한 최인접 식별기(nearest neighbor classifier)에 대하여 최적에 가까운 결과를 생성하는 기초방향보존분별분석법(EDPDA)을 제안한다. 제안 방법은 표본들 간의 거리에 기반한 다른 방법들과 달리, 판별 경계에 기반한 독창성에 기인하여 향상된 인식성능을 보인다. 널리 활용되는 얼굴영상 데이터베이스를 이용한 실험에서는 제안방법이 타 방법들 대비 더 높은 인식정확도를 보였다.
둘째, 새로운 식별기인 기하학적구성조각선형판별기(GCPLM)를 제안한다. 제안하는 GCPLM은 잘 못 인식되는 훈련표본의 수를 최소화하는 PLDB를 기하학적 방법으로 생성한다. 제안 방법에서는, PLDB를 구성하는 각 선형 함수를 순차적, 반복적으로 수정하여 최종 PLDB를 획득한다. GCPLM은 판별함수를 생성하지 않고 PLDB를 직접 생성하기 때문에, 각 클래스에 속하는 패턴들의 확률분포를 추정하기 어려운 경우에 타기법 대비 우수성이 부각되며, 특히 매우 적은 계산량으로 각 표본을 식별하기 때문에 빠른 식별이 필요한 경우 유용하다. GCPLM은 오인식되는 훈련 표본의 수를 최소화 함으로써 높은 인식 정확도를 획득할 수 있는, 즉 훈련 표본의 수가 충분히 많은 경우에 적합하다. 얼굴영상 데이터베이스를 이용한 실험에서, GCPLM은 매우 적은 계산량으로 정확하고 더욱 항상성 있는 식별 결과를 생성하였다.
