Methods of Silk Pattern Image Retrieval with Small Sample Sizes

Abstract

The objective of this research was to present a process of retrieving Thai silk pattern images with small sample size using keypoint detection and local feature descriptor techniques through Scale-Invariant Feature Transform (SIFT) and Random Sample Consensus (RANSAC). This research also compared the distance measurement between keypoints of Thai silk pattern images in each round, the effectiveness between local feature descriptor techniques and convolutional neural networks (CNN) for retrieving Thai silk pattern images. Local feature descriptor techniques including Histogram of Oriented Gradients (HOG) and SIFT were compared to create local feature data. Therefore, local feature data would be sent for calculation together with K-Nearest Neighbour (KNN) and Support Vector Machine. CNN structure used in this experiment consisted of LeNet-5 and AlexNet. The results showed that the proposed keypoint detection technique had the highest retrieving rate at 95.69% in Top-1. The integrated use of local feature descriptor techniques and KNN could yield higher effectiveness than CNN.

งานวิจัยฉบับนี้มีจุดประสงค์เพื่อนำเสนอกระบวนการค้นคืนรูปภาพลายผ้าไหมที่มีกลุ่มตัวอย่างน้อย โดยวิธีการตรวจหาจุดสนใจภาพร่วมกับการสกัดคุณลักษณะพิเศษเฉพาะพื้นที่ด้วยวิธี Scale-Invariant Feature Transform (SIFT) และวิธีการสุ่มข้อมูลเพื่อหาความสอดคล้องของกลุ่มตัวอย่าง (Random Sample consensus: RANSAC) เปรียบเทียบระยะห่างของภาพลายผ้าไหมจากการวัดระยะทาง (Distance Measurement) ระหว่างจุดสนใจภาพลายผ้าไหมในแต่ละรอบ เปรียบเทียบประสิทธิภาพระหว่างวิธีการหาคุณลักษณะพิเศษเฉพาะพื้นที่ และโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) สำหรับการค้นคืนรูปภาพลายผ้าไหมไทย วิธีการหาคุณลักษณะพิเศษเฉพาะพื้นที่ ถูกนำมาเพื่อเปรียบเทียบในการสร้างข้อมูลลักษณะพิเศษ ประกอบด้วย วิธี Histogram of Oriented Gradients (HOG) และวิธี SIFT ดังนั้น ข้อมูลลักษณะพิเศษจะถูกส่งไปเพื่อคำนวณร่วมกับวิธี K-Nearest Neighbor (KNN) และวิธี Support Vector Machine โครงสร้างของวิธี CNN ที่ใช้ในการทดลองประกอบด้วยโครงสร้างแบบ LeNet-5 และ AlexNet สำจากการทดลองพบว่า วิธีการตรวจหาจุดสนใจที่นำเสนอมีอัตราการค้นคืนสูงสุดโดยเฉลี่ยเท่ากับ 95.69% ใน Top-1 และวิธีการหาคุณลักษณะพิเศษเฉพาะพื้นที่เมื่อนำไปคำนวณร่วมกับวิธี KNN มีประสิทธิภาพสูงกว่าวิธี CNN