[論文レビュー] Application Specific Instrumentation (ASIN): A Bio-inspired Paradigm to Instrumentation using recognition before detection

Amit Kumar Mishra|arXiv (Cornell University)|Oct 31, 2016

Neural Networks and Applications被引用数 4

ひとこと要約

本論文は、従来の検出優先アプローチに代わる認識優先センシングを採用する、生物にインspiredされたパラダイムであるアプリケーション固有のインストルメンテーション（ASIN）を紹介する。低解像度でアプリケーション固有のセンサと最小限の計算を用い、特定のタスク—例えば乳がん腫瘍検出やスラudge体積推定—において高い性能を達成する。1対のUWBレーダーを用いて、シミュレーションでは相関係数0.91、実験では0.88を達成し、Neyman-PearsonおよびCramer-Raoの原則に基づき解像度を再定義する。

ABSTRACT

In this paper we present a new scheme for instrumentation, which has been inspired by the way small mammals sense their environment. We call this scheme Application Specific Instrumentation (ASIN). A conventional instrumentation system focuses on gathering as much information about the scene as possible. This, usually, is a generic system whose data can be used by another system to take a specific action. ASIN fuses these two steps into one. The major merit of the proposed scheme is that it uses low resolution sensors and much less computational overhead to give good performance for a highly specialised application

研究の動機と目的

• 生物的システムにインspiredされた新しいインストルメンテーションパラダイムを開発し、汎用的データ取得よりも機能特化型センシングを優先することを目的とする。
• 高解像度の汎用的センシングではなく、アプリケーション固有の測定行列に焦点を当てることで、計算負荷とセンサの複雑さを低減することを目的とする。
• 認識優先のインストルメンテーションが、医療用腫瘍検出や産業用スラudge体積推定といった特定タスクにおいて、従来の検出ベースのシステムを上回ることを実証することを目的とする。
• 目的志向的でアプリケーション固有の文脈における性能をより的確に反映するように、インストルメンテーションシステムにおける解像度を再定義することを目的とする。

提案手法

• ターゲット検出に特化した環境信号の事前処理を可能にする、アプリケーション固有の測定行列 $P_{ASIN}$ を有する低解像度センサを設計する。
• 計算負荷を低減するため、複雑な信号処理チェーンの代わりに単純な相関プロセッサを採用する。
• 処理のオーバーヘッドを最小限に抑えるために、必須の意思決定のみを出力するバイナリ意思決定インタプリタを用いる。
• パターン認識アルゴリズムを用いて、関心対象のアーティファクトを検出する確率 $P_p$ を推定し、Neyman-Pearsonの原則による誤検出率の制御を実施する。
• シミュレーションおよび実データで学習された1層ニューラルネットワークを相関プロセッサとして採用し、UWBレーダーの戻り信号からスラudge体積を推定する。
• 2つのフレームワークを用いて解像度を再定義する：Neyman-Pearsonに基づく解像度 $\delta_{NP}$ とCramer-Raoの下界に基づく解像度 $\delta_{CR}$ であり、両者とも検出性能の変化とフィッシャー情報に結びついている。

実験結果

リサーチクエスチョン

• RQ1 認識優先の手法が、特定のアプリケーションにおいて従来の検出優先のインストルメンテーションを上回る性能を発揮できるか？
• RQ2 解像度が低く、アプリケーション固有の測定行列を有するセンサが、ターゲットタスクにおいてどのように高い性能を達成できるか？
• RQ3 目的志向的でバイナリ意思決定を特徴とするアプリケーション固有のインストルメンテーションシステムに適した解像度の定義は何か？
• RQ4 1対のUWBレーダーが、腫瘍検出やスラudge体積推定といったタスクで、複数ノードのアレイに代わってどの程度の性能を発揮できるか？
• RQ5 Neyman-PearsonおよびCramer-Raoに基づく解像度指標が、ASINシステムにおける性能評価をどのように向上させるか？

主な発見

• ASINフレームワークは、1対のUWBレーダーを用いてスラudge体積推定において、シミュレーションで相関係数0.91、実環境測定で0.88を達成した。
• ASINは1対のUWBレーダーを用いて乳がん腫瘍検出においても効果的な性能を示し、複雑なセンサアレイや高解像度処理の必要性を顕著に低減した。
• 提案されたアプリケーション固有の測定行列 $P_{ASIN}$ は、センサ出力をターゲット意思決定に集中させる上で不可欠であり、最小限の計算で高い性能を実現可能にした。
• Neyman-Pearsonに基づく解像度 $\delta_{NP}$ は、誤検出確率の変化量 $\Delta P_{fp}$ が閾値 $\epsilon$ 未満に保たれる最大のアーティファクト値の変化 $\Delta\theta$ として定義され、性能の上限を示す解像度の定義となる。
• Cramer-Raoの下界に基づく解像度 $\delta_{CR}$ は、フィッシャー情報の変化量 $\Delta I(\theta) \leq \epsilon$ を満たす最大の $\Delta\theta$ として定義され、モデル化が不完全なシステムに適したデータ中心の解像度指標を提供する。
• 本研究では、ASINシステムが、従来のインストルメンテーションと比較して、低コスト、計算負荷の低減、ハードウェアの簡素化を実現しながらも、高いタスク特化型の正確性を達成できることを示した。