This thesis considers an algorithm for classification with outlier rejection using a discriminative dictionary based on non-negative mutual incoherency (DNMI). The dictionary and non-negative coefficients are obtained by minimizing an empirical reconstruction error and mutual coherency among atoms of different classes. The non-negative condition on the coefficients redefines the spanning space of the atoms to encourage a sample of a particular class to be reconstructed by atoms of the same class under the sparsity constraint. For target samples, classification is performed in the similar manner as was used in the LC-KSVD algorithm. Prior to classification, outliers are rejected based on four rejection measures: (1) normalized weighted concentration of the atoms of the most used class, (2) entropy of weighted class concentrations, (3) variance of the coefficients, and (4) reconstruction accuracy.Experimental results on two benchmark image datasets, Caltech101 and Caltech 256, show that the proposed algorithm provides better classification and rejection results than other conventional sparse representation for classification.
최근에 컴퓨터 비전 분야의 큰 이슈인 사진 분류 알고리즘과 사진 분류 알고리즘에서 중요한 요소인 학습되지 않은 종류의 사진인 비정상 사진을 걸러내는 알고리즘을 다룬다. 비정상 사진은 굉장히 다양한 종류의 사진이 가능하기 때문에 비정상 사진 처리는 아주 어려운 문제로 고려되고 있다. 본 학위 논문에서는 이 문제를 희소 표현 기법과 비간섭성 사전을 학습하여 풀고자 한다. 본 논문에서 제시하는 알고리즘 Discriminative dictionary based on non-negative mutual incoherency (DNMI)은 희소 표현 시의 음수의 계수를 사용하지 않도록 함으로써 사전 요소의 신장 공간을 제한하여 사진 분류시의 성능을 향상시키고 비음수 표현을 사용을 고려하여 사전 요소 간의 간섭성을 낮추는 방법으로 기존의 사전보다 더 분류에 용이한 사전을 학습하여 사진 분류 알고리즘을 형성한다. 또한 사전 학습에 사용된 방법을 사용하여 비정상 사진을 찾아내는 알고리즘을 제시한다. 실험 결과, 기존의 알고리즘들과 비교하여 더 높은 성능을 얻을 수 있었다.
