A Heisenberg-Lift Descriptor for Order-Sensitive Online Handwriting Recognition

기술 요약: 순서 민감형 온라인 필기 인식을 위한 하이젠베르크 리프트 기술자(Heisenberg-Lift Descriptor)

문제 정의
전통적인 온라인 필기 인식 시스템은 일반적으로 펜 궤적을 표현하기 위해 고정된 길이의 유클리드 형상 기술자(예: 호 길이, 경계 상자 차원, 곡률 통계, 푸리에 진폭 등)에 의존한다. 이러한 기술자들은 계산 효율성은 높지만, 본질적으로 "순서 무관(order-blind)"적이다. 즉, 획의 공간적 윤곽은 포착하지만, 그 윤곽이 생성되는 시간적 순서에는 불변하다. 결과적으로, 동일한 기하학적 영역을 반대 방향으로 추적하는 두 획(예: 시계 방향 루프와 반시계 방향 루프)은 유클리드 표현 방식에서 구분이 불가능하다. 이러한 한계는 문서 분석에서 매우 중요한데, 많은 경우 클래스 정보가 정적인 형상이 아니라 루프의 방향, 획의 방향 및 시퀀싱에 의해 인코딩되기 때문이다. 본 논문은 이것이 차원의 문제가 아니라 정보의 결핍 문제라고 주장한다. 단순히 유클리드 특징의 수를 늘리는 것만으로는 누락된 시간적 신호를 복구할 수 없다.

방법론
저자들은 3차원 하이젠베르크 군($Heis_3$)에서 유도된 순서 민감형 기하학적 특징을 표준 유클리드 기술자에 추가하는 하이젠베르크 리프트 프레임워크를 제안한다. 방법론은 다음과 같은 4단계 파이프라인을 거친다:

1. 적응형 가우시안 전-평활화(Adaptive Gaussian Pre-Smoothing): 후속 리프트 과정에서의 노이즈 축적을 완화하기 위해, 원시 좌표 시퀀스 $(x_t, y_t)$를 1차원 가우시안 필터를 사용하여 평활화한다. 대역폭 $\sigma_s$는 적응형으로 설정되어, 짧은 획의 과도한 평활화를 방지하는 동시에 길고 밀도 높게 샘플링된 경로를 정규화한다.
2. 하이젠베르크 리프트(Heisenberg Lift): 평면 궤적을 하이젠베르크 군으로 리프트한다. 군 곱셈 법칙은 교차항 $z_{t+1} = z_t + \frac{1}{2}(x_t y_{t+1} - y_t x_{t+1})$을 도입하며, 여기서 세 번째 좌표 $z(t)$는 궤적이 휩쓸고 지나간 누적 부호 면적(signed area)을 나타낸다. 이 좌표는 반대칭(antisymmetric)적이며, 이는 궤적의 주행 방향이 반전될 경우 부호가 바뀜을 의미하므로, 누락되었던 순서 정보를 인코딩한다.
3. SH 비가환 세분화(SH Noncommutative Subdivision, 선택 사항): 종단 값(terminal value)뿐만 아니라 부호 면적의 시간적 역동성을 포착하기 위해, 리프트된 다각형은 하이젠베르크 군의 4점 세분화 스킴($S_H$)을 통해 정교화된다. 이 보간 스킴은 기존 노드를 보존하면서 새로운 점을 삽입하여, 부호 면적 $z(t)$의 조밀하고 안정적인 프로파일을 생성한다.
4. 특징 추출(Feature Extraction): 파이프라인은 두 가지 수준의 기술자를 생성한다:
   • 최소형 (Euc+z(T)): 단일 스칼라 값인 종단 부호 면적 $z(T)$를 유클리드 베이스라인에 추가한 것이다.
   • 전체형 (Euc+Heis): $z(t)$ 곡선으로부터 유도된 15차원의 프로파일(총 변동, 부호 변화, 에너지, 왜도 등의 통계량 포함)을 25차원의 유클리드 베이스라인과 결합하여 형성된 40차원 벡터이다.

주요 기여
본 논문의 기여는 세 가지 계층으로 구조화된다:

• 계층 1 (최소 스칼라 증강): 저자들은 표준 25차원 유클리드 기술자에 종단 부호 면적 $z(T)$를 추가함으로써 얻은 26차원 벡터(Euc+z(T))가 유클리드 베이스라인보다 성능이 유의미하게 우수함을 입증했다. 결정적으로, 이러한 개선은 학습된 파라미터 없이도 매우 낮은 계산 비용으로 달성되었다.
• 계층 2 (하이젠베르크 시간 프로파일): 부호 면적 축적의 역동성을 요약하는 더 풍부한 15차원 기술자(Euc+Heis)를 구축하였다. 이 확장은 특히 노이즈가 심한 조건이나, 원시 시간 샘플링이 희소한 짧고 루프가 많은 궤적에서 추가적인 정확도 향상을 제공한다.
• 계층 3 (검증 및 범위): 본 연구는 이러한 개선이 단순한 특징 수의 팽창이 아닌 기하학적 정보에서 기인했음을 엄격히 검증한다. 이는 차원이 일치하는 무작위 베이스라인(Euc+Rand)과 맥니머(McNemar) 유의성 검정을 통해 확인되었다. 또한, 본 논문은 이 방법을 고용량 시퀀스 분류기(예: ROCKET)를 대체하는 것이 아니라, 가볍고 해석 가능한 보완재로 위치시킨다.

실험 결과
방법론은 두 가지 표준 벤치마크인 UCI Character Trajectories 데이터셋(20개 클래스, $T=60$)과 UCI Pen-Based Digit Recognition 데이터셋(10개 클래스, $T=8$)에서 평가되었다.

• 순서 민감도: 시계 방향과 반시계 방향 루프를 구분하는 통제된 합성 작업에서, 유클리드 특징은 실패(정확도 $\approx 0.84$)했으나, 부호 면적 기반 방법들은 완벽한 분리(1.00)를 달려냈다.
• 어려운 클래스 분리: 연구에서 가장 어려운 문자 쌍인 'o'와 'y'의 경우, 유클리드 베이스라인은 0.964의 정확도에서 정체되었다. 최소 스칼라 $z(T)$ 단독으로 완벽한 분리(1.00)를 달성했으며, 이는 주행 방향이 결정적인 판별 신호였음을 보여준다.
• 노이즈 강건성: 가법 가우시안 좌표 노이즈 하에서, 제안된 기술자들은 유클리드 베이스라인에 비해 우수한 성능을 유지했다. 노이즈 수준 $\sigma=0.20$에서, Euc+z(T)는 Character 데이터셋에서 10.9 퍼센트 포인트, Pen Digits 데이터셋에서 7.8 포인트의 정확도를 개선했다. 전체 Euc+Heis 기술자는 더 큰 이득(Characters 데이터셋에서 최대 +15.1 포인트)을 제공하여, 노이즈 환경에서 시간적 프로파일의 효용성을 확인시켜 주었다.
• 통계적 유의성: 맥니머 검정 결과, Euc+z(T)와 Euc+Heis가 유클리드 베이스라인보다 우수함이 통계적으로 유의미함($p < 0.001$)이 확인된 반면, 차원이 일치하는 무작위 증강은 유의미한 개선을 보이지 않았다.

의의 및 주장
본 논문은 주요 기여가 새로운 수학적 불변량의 발견(부호 면적은 이미 경로 시그니처 문헌에서 알려진 반대칭 레벨 2 항임)이 아니라, 온라인 필기를 위한 압축적이고 해석 가능하며 순서에 민감한 특징 증강으로서의 실용적 유용성을 입증하는 데 있다고 주장한다.

저자들은 이 방법이 문서 분석의 특정 구조적 간극, 즉 획의 주행 순서에 따라 형상을 구분하지 못하는 문제를 해결한다고 강조한다. 종단 부호 면적은 기존 파이프라인에 부가하여 형상 기반 기술자가 버리는 정보를 복구할 수 있는 "파라미터 프리(parameter-free)" 스칼라로 제시된다. 전체 하이젠베르크 프로파일이 노이즈가 많거나 짧은 궤적 regime에서 강건함을 제공하지만, 본 논문은 최소 스칼라 증강만으로도 깨끗한 다중 클래스 인식에 충분한 경우가 많다고 결론지으며, 이는 높은 이득과 낮은 비용을 제공하는 업그레이드임을 시사한다. 본 연구는 가법 가우시안 노이즈를 갖는 2차원 펜 궤적으로 범위를 명확히 제한하며, 이 기술자를 획 실행 방향이 판별 정보를 담고 있는 문서 분석 파이프라인을 위한 실용적인 도구로 포지셔닝한다.