[論文レビュー] Adaptive-Rate Sparse Signal Reconstruction With Application in Compressive Background Subtraction

João F. C. Mota, Nikos Deligiannis+3 more|arXiv (Cornell University)|Mar 11, 2015

Sparse and Compressive Sensing Techniques参考文献 35被引用数 4

ひとこと要約

本稿では、時間変化するスパース信号のオンライン再構成のため、各タイムステップで測定数を動的に調整するアダプティブレートのスパース信号再構成アルゴリズムを提案する。再帰的β-正則化¹-ミニマム化と¹-¹ミニマム化からの理論的保証を活用することで、固定レート方式に比べてはるかに少ない測定数で完全再構成を達成する。特に、圧縮動画の背景差分処理において、測定負荷を低減しながらも精度を維持することを実証した。

ABSTRACT

We propose and analyze an online algorithm for reconstructing a sequence of signals from a limited number of linear measurements. The signals are assumed sparse, with unknown support, and evolve over time according to a generic nonlinear dynamical model. Our algorithm, based on recent theoretical results for $\ell_1$-$\ell_1$ minimization, is recursive and computes the number of measurements to be taken at each time on-the-fly. As an example, we apply the algorithm to compressive video background subtraction, a problem that can be stated as follows: given a set of measurements of a sequence of images with a static background, simultaneously reconstruct each image while separating its foreground from the background. The performance of our method is illustrated on sequences of real images: we observe that it allows a dramatic reduction in the number of measurements with respect to state-of-the-art compressive background subtraction schemes.

研究の動機と目的

• 未知で時間変動するサポートを持つ、限られた線形測定値からスパース信号の系列をオンラインで再構成する再帰的アルゴリズムを開発すること。
• 各タイムステップで必要な測定数を最小限に抑えつつ、系列内の各信号の完全再構成を保証すること。
• 時間的ダイナミクスと過去の再構成結果を活用して、固定レートの圧縮センシング手法を上回る測定負荷の低減を実現すること。
• 本手法を圧縮動画の背景差分処理に適用し、静的背景から分離された前方物体の効率的再構成を可能にすること。

提案手法

• アルゴリズムは、各信号x[k]を測定値y[k] = A_k x[k]から、²正則化を伴う再帰的¹-ミニマム化を用いて再構成し、過去の信号推定値を組み込んで精度を向上させる。
• 各タイムステップkにおける測定数m_kを、推定スパarsityと信号ダイナミクスに基づいて動的に計算し、再構成品質を損なわずに測定使用量を最小化する。
• ¹-¹ミニマム化からの理論的結果を活用することで、測定行列と信号スパarsityに関する一定の条件下で完全再構成が保証されることを裏付ける。
• 信号の時間的変化を、過去の信号に依存する一般非線形ダイナミカルマップf_kでモデル化し、複雑な時間的挙動への適応を可能にする。
• 過去の再構成結果とノイズ推定値を統合して測定選択を最適化し、交差検証や固定レート仮定に依存しない。
• 理論的分析では、Hoeffdingの不等式を用いて再構成失敗の確率をバウンドし、ノイズと不確実性下でもロバスト性を保証する。

実験結果

リサーチクエスチョン

• RQ1 オンラインアルゴリズムは、各タイムステップごとに測定数を動的に調整することで、測定使用量を最小限に抑えつつスパース信号の完全再構成を保証できるか？
• RQ2 過去の信号推定値と時間的ダイナミクスを組み込むことで、固定レートの圧縮センシングに比べて再構成性能がどのように向上するか？
• RQ3 未知のサポートとノイズの存在下で、アダプティブ測定選択のもとで完全再構成の理論的保証はどのように得られるか？
• RQ4 状態の最良の固定レート手法と比較して、圧縮動画背景差分処理におけるアダプティブ測定選択は測定数をどの程度削減できるか？
• RQ5 前方物体の動きや背景の複雑さが変動する実世界の動画シーケンスにおいて、アルゴリズムの性能はいかがであるか？

主な発見

• 提案手法は、特に圧縮動画背景差分処理において、固定レート方式に比べてはるかに少ない測定数でスパース信号の完全再構成を達成する。
• 時間相関と過去の再構成結果を活用することで、測定数の低減を実現し、既存のアダプティブおよび固定レート手法を凌駕する。
• 理論的分析により、再構成失敗の確率がバウンドされており、信号対雑音比とスパarsityが向上するにつれて指数関数的に減少することが確認され、ロバスト性が保証される。
• 実画像シーケンスにおいて、高品質な前方物体再構成と背景分離を維持しながら、測定負荷が顕著に低減されている。
• 再帰的¹-ミニマム化に²正則化を組み合わせた動的測定選択戦略により、交差検証や前方物体サイズの事前知識が不要な効率的でオンライン処理が可能である。
• 実動画シーケンスを用いた実験により、再構成忠実度を損なわず測定効率が一貫して向上することが実証された。