This paper describes an algorithm using deep probabilistic model, referred to as sum-product networks (SPNs), for cell classification: it take a trained pathologist to distinguish the human epithelial type 2 cells with 73.3{\%} accuracy. The SPNs reduce generalization errors by maximizing the margin between the conditional probability of the true label and the maximum conditional probability of the label that is not a true label. In the SPNs architecture, the most confusing classes are grouped such that have a common parent sum node, referred to as sub-networks of SPNs (sub-SPNs). The sub-SPNs are one of the solutions to gradient diffusion problems, and are combined with maximum margin learning algorithm. The proposed SPN performed better than all other state-of-the-art algorithms on HEp-2 cells dataset and convolutional neural networks on Feulgen stained cells dataset.
세포 이미지 분류에서 발생하는 오류의 대부분이 매우 비슷한 생김새를 가지고 있는 서로 다른 특정 클래스에서 발생하는데, 기존의 세포 이미지 분류 알고리즘들은 이러한 문제점을 고려하지 않았다. 본 학위논문에서는 매우 비슷한 생김새를 가지고 있는 세포 데이터 내 특정 클래스를 잘 분류하기 위해 딥 확률 모델인 합-곱 네트워크를 이용한 보조 합-곱 네트워크를 제안한다. 이와 함께 학습데이터의 정답일 확률과 정답이 아닌 것 중에서 가장 큰 확률 사이의 마진을 최대화 시키는 알고리즘을 이용하여 세포 이미지 분류 성능을 개선하였다. 이는 앞서 설명한 보조 합-곱 네트워크와 결합되어 이미지 분류 성능이 크게 개선되었고, HEp-2 세포 데이터를 이용한 실험에서 기존의 다른 모든 알고리즘들 보다 좋은 성능을 보여주므로써 본 논문에서 제안된 알고리즘의 우수성을 확인하였다.
