Core Concepts
GLCMベースの特徴量の組み合わせを用いることで、高精度かつ低複雑性の物体検出モデルを実現できる。
Abstract
本研究では、物体検出における計算効率の向上を目的として、GLCM(Gray Level Co-occurrence Matrix)フレームワークの中から適切な特徴量を選択する取り組みを行った。K-Nearest Neighbours (K-NN)とSupport Vector Machine (SVM)の2つの分類モデルを使用した結果、K-NNがSVMよりも計算複雑性の面で優れていることが示された。具体的には、Correlation、Energy、Homogeneityの3つの特徴量の組み合わせを使用したK-NNが100%の高精度を達成しつつ低複雑性を維持していた。また、EnergyとHomogeneityの組み合わせを使用したK-NNも99.9889%の極めて高い精度を達成しながら低複雑性を保っていた。一方、SVMは特定の特徴量の組み合わせで100%の精度を達成したものの、高い複雑性が課題となる可能性がある、特に実時間アプリケーションにおいて。したがって、精度と複雑性のトレードオフを考えると、Correlation、Energy、Homogeneityの組み合わせを使用したK-NNモデルが、高精度かつ低複雑性を要求される実時間アプリケーションに最適であると考えられる。本研究は、高精度かつ迅速な応答性を必要とする様々なアプリケーションにおける物体検出の最適化に貴重な洞察を提供するものである。
Stats
物体検出における計算時間の複雑性は、GLCMアルゴリズムのO(n^2)の時間計算量に起因する。
特徴量であるエネルギー、コントラスト、均一性、エントロピー、相関はそれぞれO(n^2)の複雑性を持つ。