이미지 특징 추출에서 샘플 레이블이 완전히 정확하거나 유효하지 않아 이미지 분류 프레임워크의 분류 정확도가 크게 떨어질 수 있으며, 기존 레이블 복원 알고리즘은 노이즈가 포함된 샘플을 효율적으로 재사용하는 데 어려움을 겪고 있다. 이에 본 논문은 부분집합 분할 기반의 반복 투영 앙상블 레이블 복원 알고리즘을 제안한다. 이 알고리즘은 먼저 소규모 부분집합 정보를 다수 무작위로 추출한 후, 주성분 분석, 인접 그래프 정규화 및 K-최근접 이웃 알고리즘 등 기술을 종합하여 샘플 이미지의 신뢰할 수 있는 차원 축소 및 반복 투영 앙상블을 수행하며, 최종적으로 다수결 원칙에 따라 레이블을 복원한다. 본 논문은 대표적인 두 얼굴 데이터베이스를 선정하여 다양한 지표 하에 여러 레이블 복원 알고리즘의 대규모 비교 분석을 수행하였다. 실험 결과, 본 알고리즘은 노이즈가 포함된 샘플 레이블을 효과적으로 교정할 수 있으며, 동일한 이미지 분류 프레임워크 내에서 Yale B와 AR 데이터베이스의 분류 정확도를 각각 16.9%, 8.1% 향상시켰다. 현재 최고 성능의 레이블 복원 알고리즘과 비교할 때, 본 부분집합 분할 반복 투영 앙상블 알고리즘은 분류 정확도를 4.3%~4.7% 향상시키며, 샘플 데이터의 완전성을 보장하는 동시에 일정 수준의 확장성을 갖춘다.

이미지 분류;특징 추출;노이즈 레이블;레이블 복원;신뢰할 수 있는 차원 축소