[論文レビュー] Incorporating Prior Information in Compressive Online Robust Principal Component Analysis

Huynh Van Luong, Nikos Deligiannis+3 more|arXiv (Cornell University)|Jan 24, 2017

Sparse and Compressive Sensing Techniques参考文献 27被引用数 5

ひとこと要約

本稿では、n-ℓ₁最小化と逐次的特異値分解（SVD）を用いて、以前の再構成からの事前情報を利用することで、圧縮測定値から動画フレームをスパース（前景）および低ランク（背景）成分に逐次的に分離する、圧縮オンラインロバストPCA手法を提案する。静的またはゆっくりと変化する背景のもとで、成功した回復に必要な測定数の理論的境界を提示し、従来手法を上回る優れた性能を達成する。

ABSTRACT

We consider an online version of the robust Principle Component Analysis (PCA), which arises naturally in time-varying source separations such as video foreground-background separation. This paper proposes a compressive online robust PCA with prior information for recursively separating a sequences of frames into sparse and low-rank components from a small set of measurements. In contrast to conventional batch-based PCA, which processes all the frames directly, the proposed method processes measurements taken from each frame. Moreover, this method can efficiently incorporate multiple prior information, namely previous reconstructed frames, to improve the separation and thereafter, update the prior information for the next frame. We utilize multiple prior information by solving $n ext{-}\ell_{1}$ minimization for incorporating the previous sparse components and using incremental singular value decomposition ($\mathrm{SVD}$) for exploiting the previous low-rank components. We also establish theoretical bounds on the number of measurements required to guarantee successful separation under assumptions of static or slowly-changing low-rank components. Using numerical experiments, we evaluate our bounds and the performance of the proposed algorithm. In addition, we apply the proposed algorithm to online video foreground and background separation from compressive measurements. Experimental results show that the proposed method outperforms the existing methods.

研究の動機と目的

• バッチ処理に依存するロバストPCAの限界を克服し、リアルタイム動画処理において、スパース成分と低ランク成分を再帰的に圧縮測定値から再構成できる手法を提供すること。
• 具体的には、以前に再構成されたスパース成分および低ランク成分といった事前情報を、オンライン回復プロセスに統合することで、精度と効率を向上させること。
• 静的またはゆっくりと変化する低ランク成分を想定した状況下で、スパース成分と低ランク成分の成功した分離に必要な測定数の理論的境界を確立すること。
• 1フレームずつ圧縮測定値を処理するスケーラブルでオンラインなアルゴリズムを構築し、大規模な動画応用に適した仕組みを提供すること。

提案手法

• 各時刻で、更新された低ランク行列の核ノルムと現在のスパース成分のℓ₁ノルムを最小化する正則化最適化問題を解く。その制約として圧縮測定値が用いられる。
• n-ℓ₁最小化を用いて、以前のスパース成分に関する事前知識を組み込み、再構成精度を向上させる。
• 完全な再計算を回避するために、逐次的特異値分解（SVD）を用いて、事前低ランク成分を効率的に更新・利用する。
• フルフレームではなく、圧縮測定値 Φ(xₜ + vₜ) を処理することで、ストレージおよび計算負荷を低減する。
• 理論的分析では、ガウス幅と極錐（polar cone）の概念を用いて、一意な回復が達成されるための測定数の境界を導出する。
• 数値実験を通じて検証され、圧縮測定値からのオンライン動画の前景・背景分離に応用されている。

実験結果

リサーチクエスチョン

• RQ1 オンライン設定下で、スパース成分と低ランク成分の成功した分離を保証するための、圧縮測定の最小数は何か？
• RQ2 以前のフレームからの事前情報は、オンライン回復プロセスにどのように効果的に統合できるか？
• RQ3 逐次的SVDとn-ℓ₁最小化を組み合わせることで、時間的に変化する動画シーケンスにおいても計算効率を維持しながら、ロバスト性を確保できるか？
• RQ4 本手法は、従来の圧縮RPCAおよびオンラインPCA手法と比較して、再構成品質および測定効率の点で優れているか？

主な発見

• 提案手法は、圧縮測定値を用いた前景・背景分離タスクにおいて、従来の圧縮オンラインRPCA手法を上回る性能を発揮する。
• ガウス幅と部分微分幾何学を用いた理論的境界により、信号構造に関連する閾値を超える測定数が与えられれば、高い確率で成功した回復が保証される。
• 特に、事前情報が効果的に活用される場合、少数の圧縮測定値でも安定的かつ正確な再構成が達成される。
• 数値実験により、導出された測定数の境界が、さまざまな条件下での実際の回復性能を的確に予測していることが確認された。
• 逐次的SVDとn-ℓ₁最小化の併用により、低計算オーバーヘッドでリアルタイム処理が可能となり、ストリーミング動画応用に適している。