SOM 을 이용한 등록상표에 대한 내용기반 이미지 검색

발표일 : 2007 년 5 월 12 일 ( 토 )

SOM 을 이용한 등록상표에 대한 내용기반 이미지 검색

백우진 , 신문선 , 이재준 , 신민기Dept. of Computer Science, Konkuk University

목 차

1. 연구의 필요성

2. 관련 연구

3. SOM 을 이용한 내용기반 검색

4. 실험

5. 결론 및 향후 연구

www.goodDnet.co.kr

연구의 필요성

1. 유사 상표이미지의 검색을 통한 산업재산권 보호2. 유사상표 등록예방을 통한 추후 분쟁 방지 .

www.goodDnet.co.kr

현재 이미지 검색 방법 제안 시스템

키워드 , 도형분류코드 입력방식

내용기반 이미지 검색

낮은 실용성 효율적인 검색방안

관련연구

www.goodDnet.co.kr

기존 시스템 특징

CBIR(Content-based Image Retrieval)

1. 컬러 , 형태 , 질감등 추출 .2. DB 에 저장하는 과정 과 , 원하는 이미지 검색과정 포함

aiPicSOM1. 컬러 , 질감 또는 그 둘을 활용 .2. SOM 활용

PicSOM1. 이미지 형태에 대한 shape

fourier transform, 컬러 , 질감

2. SOM 활용

1. 이미지의 유사도 에 대한 객관적인 수치가 없다 .2. 모든 이미지를 대상으로 한다 . ( 제안 시스템은 특허청 상표를 대상으로 함 .)

SOM 을 이용한 내용기반 검색

www.goodDnet.co.kr

1. 이미지 특성 추출

2. SOM 을 이용한 이미지 군집화

3. 유사이미지 검색

SOM 을 이용한 내용기반 검색

www.goodDnet.co.kr

1. 이미지 특성 추출

Gray Histogram

www.goodDnet.co.kr

이미지 특성 추출 진행 과정

비분할 Gray 히스토그램

2X2 분할 Gray 히스토그램

3X3 분할 Gray 히스토그램

4X4 분할 Gray 히스토그램

이미지 군집화

www.goodDnet.co.kr

이미지 군집화

www.goodDnet.co.kr

유사이미지 검색

www.goodDnet.co.kr

유사이미지 검색

www.goodDnet.co.kr

SOM( Self – Organizing Map )

개발자 : Teuvo Kohonen

데이터 군집화 경쟁학습을 통한 다차원 입력데이터의 군집화 .

자기조직화를 통한 통계적 모델 대량의 상표이미지에 대한 자기 조직화 .

www.goodDnet.co.kr

실 험 – 데이터 샘플링

도형분류 ( Design Search Code ) 디자인의 상징적인 요소에 대한 체계적인 분류

www.goodDnet.co.kr

전체 샘플이미지 수 240 만개 ( 특허청 상표이미지 )

도형분류코드 보유 이미지 23.03 %도형분류코드 의미

03 동물

26 기하학구조(2/3 차원 )

27 필기체

실 험 – 데이터 샘플링

1. 도형분류코드 중 문자 의미 제외 ( 27, 28 )

2. 도형분류코드 중 기타 등등 의미 제외 ( 29 )

3. 1~26 까지 10 개씩 260 개의 상표이미지 샘플링

4. 선택한 260 개와 매우 유사한 244 개 추가 샘플링

www.goodDnet.co.kr

1~26 코드별 이미지

매우 유사한 이미지 총 샘플 이미지

260 개 244 개 504 개

실 험 – 데이터 샘플링

실험집단에게 260 개 이미지 군집화 => 적합군집 ( 가정 )

www.goodDnet.co.kr

실 험 – 정확율 , 재현율 측정 가정사항

1. 한명이라도 군집이라 생각하면 적합군집이다 .

2. BMU 만을 시스템의 검색 군집이라 가정한다 .

3. 성능 측정은 True/ False 이다 . ( 유사도의 우선순위가 없다 . )

www.goodDnet.co.kr

실 험 – 정확율 , 재현율 측정

1. 정확율

2. 재현율

www.goodDnet.co.kr

실험 결과

www.goodDnet.co.kr

10

15

30

20

5

25

35

40

0

재현율 정확율 재현율

분할하지 않은 이미지 분할한 이미지

(%)

정확율

22.6%

1.8%

18.9%

1.4%

결 론

www.goodDnet.co.kr

10

15

30

20

5

25

35

40

0

(%)

23.5%

6.8%

3.1% 3.1%

27.8%

4.9%

30.9%

정↑ 재↑

정↑ 재↓

정↑ 재=

정↓ 재↑

정↓ 재↓

정↓ 재=

정 = 재=

정확율과 재현율의 경우에 따른 분포도

결론

1. 정확률이 떨어지고 , 재현율이 떨어졌다 .

- 실험집단의 군집결과가 신뢰도 문제 . - 시스템상에서 추출된 이미지 특성 문제 .

2. 낮은 정확율 . - 이미지 형태를 반영한 특성 추출 필요 .

3. 기존 시스템에 없는 내용기반이미지 검색시스템 성능 측정방안을 제시 .

www.goodDnet.co.kr

향후 연구

1. 이미지 형태정보 추출 . - Edge direction histogram

2. 시스템 검색 군집 범위 확장 .

www.goodDnet.co.kr

참고문헌

• [1] USPTO Design Search Code manual , http://tess2.uspto.tmdb/dscm/index.htm• [2] Teuvo Kohonen, “Self-Organizing Maps”, third edition Springer Series in Inforamtion Science, 2001• [3] Kyung Ah Han, Jong Chan Lee, Chi Jung Hwang, ChungNam

National University, Taejun, KOREA , “Image Clustering using Self-Organizng feature map with Refinement”, IEEE, 1995

• [4] 반종오 , 강문주 , 최형진 , “ 칼라 공간과 형태 정보를 이용한 내용기반 이미지검색 시스템 구현”, 정보처리학회논문지 , 2003, 10

• [5] Self Organizing Map AI for Pictures By Casey Chesnut, 2004

• [6] PicSOM information browsing and retreival, http://www.cis.hut.fi/picsom• [7] Juha Vesanto , Esa Alhoniemi, “Clustering of The Self-

Organizing Map”, IEEE TRANSACTION NEURAL NETWORKS, VOL.11, NO.3 MAY 2000

• [8] 한국특허정보원 , http://www.kipris.or.kr

www.goodDnet.co.kr