[論文レビュー] DeepSphere: towards an equivariant graph-based spherical CNN

Michaël Defferrard, Nathanaël Perraudin|arXiv (Cornell University)|Apr 8, 2019

Medical Image Segmentation Techniques参考文献 21被引用数 14

ひとこと要約

DeepSphereは、不規則にサンプリングされた球面データ上で、効率的で柔軟かつほぼ回転等変換性を備えた学習を可能にする、グラフベースの球面畳み込みニューラルネットワークを提案する。HEALPix（Hierarchical Equal Area isoLatitude Pixelisation）を活用することで、宇宙論的マップ分類において最先端の性能を達成し、2次元CNNや従来のベースラインを上回る。特に高ノイズ環境下や小サンプルサイズの条件下で顕著な優位性を示す。

ABSTRACT

Poster presented at the Representation Learning on Graphs and Manifolds (https://rlgm.github.io) workshop at ICLR'19.

研究の動機と目的

• 均一なサンプリングや全球面のカバーを必要としない、不規則にサンプリングされた球面データを効率的に処理できるニューラルネットワークアーキテクチャの開発。
• スペクトルグラフ理論とHEALPixサンプリングを活用することで、グラフベースの球面畳み込みにおいてほぼ回転等変換性を達成すること。
• 宇宙論的収束マップ分類を含む、球面信号における回転不変性学習タスクにおいて優れた性能を示すこと。
• 規則的なサンプリングや球面調和関数に依存する従来の球面CNNの代替として、柔軟かつ計算的に効率的な選択肢を提供すること。

提案手法

• 頂点が測定されたデータポイントに対応するk近傍法グラフとして離散化された球面をモデル化し、エッジは測地的近接性を表す。
• グラフラプラシアンおよびその固有値分解を用いて、フーリエドメインでのフィルタリングを実現する、スペクトルグラフ理論に基づくグラフ畳み込みを採用。
• Defferrardら（2016）のグラフCNN定式化を採用することで、O(N_pix)の計算複雑度を達成し、大規模データセットへのスケーラビリティを実現。
• HEALPixのマルチスケール構造を用いた階層的プーリングにより、異なる空間スケールにおけるマルチスケール特徴量学習を可能に。
• 2つのアーキテクチャを採用：グローバル分類用の全結合層を備えたCNN変種、および回転不変性を実現するためのグローバル平均プーリングを備えたFCN変種。
• グラフフーリエモードと球面調和関数との一致を実験的に検証し、回転等変換性の度合いを評価。

実験結果

リサーチクエスチョン

• RQ1 不規則にサンプリングされた球面グラフ上で、グラフ畳み込みがどの程度回転等変換性を達成できるか。
• RQ2 回転不変性学習タスクにおいて、グラフベースの球面CNNは、従来の球面CNNおよび2次元ユークリッドCNNに比べてどの程度優れた性能を示すか。
• RQ3 固定サンプリングの球面CNNに比べて、グラフベースのアプローチは、部分的で非一様的かつ動的に変化する球面データをより効果的に処理できるか。
• RQ4 HEALPixサンプリング構造が、グラフラプラシアンのスペクトル的性質およびそれによる畳み込み演算に与える影響は何か。
• RQ5 FCNとCNN変種の選択が、回転不変性タスクと回転等変換性タスクの両方における性能に与える影響は何か。

主な発見

• FCN変種のDeepSphereは、回転不変性を活用することで、特に高ノイズ環境や小サンプルサイズの条件下でCNN変種を上回る性能を示す。
• DeepSphereは、宇宙論的収束マップ分類において最先端の分類精度を達成しており、タスクの難易度が高くなるほど性能差が拡大する。
• グラフ畳み込み演算はO(N_pix)の計算複雑度を達成しており、O(N_pix^{2/3})の複雑度を示す球面畳み込み手法に比べてより効率的である。
• 実験的分析により、低周波成分（ℓ ≤ 8）においてグラフフーリエモードが球面調和関数の部分空間とよく一致することが示され、低域フィルタに対してほぼ回転等変換性が成立していることが裏付けられた。
• 2次元ConvNetベースラインは、投影による幾何的歪みと回転等変換性の欠如により性能が劣っており、球面に適応したアーキテクチャの優位性が浮き彫りになった。
• 不規則かつ部分的なサンプリングに柔軟に対応できるため、CMB、気象データ、MEGなど多様な球面データタイプへも良好に一般化可能である。