In this thesis, we propose a strategy for classification of image sets using discriminative dictionary learning. The proposed strategy was motivated from two ideas: (i) a redundant dictionary can be regarded as a collection of subspaces and sparse coding over a discriminative dictionary as the selection of a subspace that corresponds to the class of an input signal; (ii) we can expect that more robust result can be achieved by using sets of vectors rather than vectors themselves because they can cover various characteristics of images or image objects. We propose a way to combine two ideas by defining an objective function as well as an algorithm to find the optimal dictionary. We verify the proposed formulation and the algorithm on two publicly available datasets and compare the result with a comparative method. The results on the datasets show that superiority of our algorithm in terms of recognition rate increases as the number of classes in dataset gets larger.
이 논문에서, 우리는 식별 사전 학습을 이용한 영상 집합 분류 방법을 제안한다. 제안된 방법은 두 아이디어로부터 영감을 받았다: (i) 중복 사전은 부분공간의 모음으로, 식별 사전에서의 스파스 코딩은 부류에 대응하는 부분공간을 고르는 것으로 생각할 수 있다; (ii) 벡터가 아닌 벡터의 집합을 사용함으로써 더 강인한 결과를 얻을 수 있다. 이것은 영상벡터의 집합은 영상의 여러 성질을 반영할 수 있기 때문이다. 우리는 이러한 두 가지 아이디어를 결합하는 목적함수와 목적함수를 최적화하는 알고리즘을 제안한다. 이후, 두 공인된 데이터베이스를 사용하여 제안된 방법을 검증하고, 비교 모델과 결과를 비교한다. 실험 결과로부터 부류의 수가 증가함에 따라 제안된 알고리즘이 인식률 관점에서 우수성을 보이는 것을 확인할 수 있다.
