[論文レビュー] Bayesian Inference in Model-Based Machine Vision

Thomas O. Binford, Tod S. Levitt+1 more|arXiv (Cornell University)|Mar 27, 2013

Machine Learning and Data Classification参考文献 10被引用数 80

ひとこと要約

本稿では、幾何学的、材料的、センサーモデルを統合したモデルベースの機械視覚システムに階層ベイズ推論フレームワークを組み込み、視覚的シーンの推論を可能にする。マルチセンサデータと物理的物体表現を融合させることで、不確実性を伴うシーン解釈のための確率的仮説ランク付けを実現し、複雑な環境における不確実性に配慮した視覚システムの基盤的アプローチを確立する。

ABSTRACT

This is a preliminary version of visual interpretation integrating multiple sensors in SUCCESSOR, an intelligent, model-based vision system. We pursue a thorough integration of hierarchical Bayesian inference with comprehensive physical representation of objects and their relations in a system for reasoning with geometry, surface materials and sensor models in machine vision. Bayesian inference provides a framework for accruing_ probabilities to rank order hypotheses.

研究の動機と目的

• 複数のセンサと物理モデルを機械視覚に統合する統一フレームワークの開発を目的とする。
• 階層ベイズ推論を用いて視覚的シーンに関する確率的推論を可能とする。
• 不確実性の定量化を通じて、複雑な視覚的解釈における仮説ランク付けを支援する。
• 単一の推論フレームワーク内に幾何学的、材料的、センサ特性を一貫してモデル化する。
• 不確実性を考慮した状況下でも、実世界への適用が可能な堅牢なモデルベースビジョンシステムの発展を目的とする。

提案手法

• 複数のセンサと物理モデルからの証拠を統合するために階層ベイズ推論を採用する。
• 幾何学的形状と表面素材を含む、包括的な物体の物理的表現を用いる。
• 測定の不確実性やノイズを考慮するため、センサーモデルを統合する。
• 観測データに基づいて仮説を後験確率に基づいてランク付けするための条件付き確率分布を適用する。
• 低レベル特徴から高レベルのシーン解釈まで、複数の抽象化レベルにわたる推論を構造化する。
• 信念伝播に類似したメカニズムを用いて、モデル階層全体にわたり不確実性を伝搬する。

実験結果

リサーチクエスチョン

• RQ1 モデルベースビジョンにおけるマルチセンサデータ統合に、ベイズ推論を体系的に適用する方法は何か？
• RQ2 物理的物体モデルは、不確実性下での視覚的解釈の堅牢性を向上させる役割を果たすか？
• RQ3 階層的推論は、複雑な視覚的シーンにおける仮説ランク付けをどのように改善するか？
• RQ4 幾何学的、材料的、センサーモデルを統合するための計算的および表現的要件は何か？
• RQ5 このフレームワークは、矛盾するか曖昧なセンサ観測をどのように処理するか？

主な発見

• 本フレームワークは、複数のセンサモalityと物理的物体モデルを統合し、シーン解釈の精度を向上させることに成功した。
• 階層ベイズ推論により、低レベル特徴から高レベルの解釈に至るまでの不確実性の一貫した伝搬が可能となった。
• 後験確率に基づく仮説ランク付けにより、曖昧な視覚的状況下でも意思決定の信頼性が向上した。
• 確率的統合により、ノイズが多いか不完全なセンサデータに対しても、システムが堅牢に動作した。
• 本アプローチは、モデルベースビジョンシステムにおける不確実性の定量化に対して、形式的かつ原理的である。
• 本手法は、SUCCESSORシステムへの応用を通じて妥当性が検証され、実世界の視覚的解釈タスクへの実用性が示された。