[論文レビュー] Kernel Methods on the Riemannian Manifold of Symmetric Positive Definite Matrices

Sadeep Jayasumana, Richard Hartley+3 more|arXiv (Cornell University)|Dec 12, 2014

Medical Image Segmentation Techniques被引用数 4

ひとこと要約

本稿では、対称正定値（SPD）行列のための、証明可能に正定値であるカーネルの族を、リーマン幾何学を活用して提案する。具体的には、SPD多様体上のさまざまな計量から導かれる測地線距離を用いる。これらのカーネルを用いてSPD行列を再生核ヒルバート空間（RKHS）に埋め込むことで、ユークリッド空間におけるカーネル法（SVM やカーネルPCAなど）を直接多様体上に適用可能にし、歩行者検出、物体分類、テクスチャ解析、医療画像セグメンテーションのタスクにおいて、局所的接空間近似や標準的なユークリッドカーネルよりも優れた性能を達成する。

ABSTRACT

Symmetric Positive Definite (SPD) matrices have become popular to encode image information. Accounting for the geometry of the Riemannian manifold of SPD matrices has proven key to the success of many algorithms. However, most existing methods only approximate the true shape of the manifold locally by its tangent plane. In this paper, inspired by kernel methods, we propose to map SPD matrices to a high dimensional Hilbert space where Euclidean geometry applies. To encode the geometry of the manifold in the mapping, we introduce a family of provably positive definite kernels on the Riemannian manifold of SPD matrices. These kernels are derived from the Gaussian ker- nel, but exploit different metrics on the manifold. This lets us extend kernel-based algorithms developed for Euclidean spaces, such as SVM and kernel PCA, to the Riemannian manifold of SPD matrices. We demonstrate the benefits of our approach on the problems of pedestrian detection, ob- ject categorization, texture analysis, 2D motion segmentation and Diffusion Tensor Imaging (DTI) segmentation.

研究の動機と目的

• 既存の多様体ベースのアルゴリズムが局所的接空間近似に依存するという限界を解決すること。このアプローチは真のリーマン幾何学を歪め、高い計算コストを伴う。
• 非ユークリッド多様体、特にSPD行列のリーマン多様体上での正定値カーネルを構築する理論的根拠に基づくフレームワークを構築すること。
• SVM、カーネルPCA、カーネルk-meansなどの強力なカーネルベースのアルゴリズムをSPD行列データに適用可能にするために、幾何学に配慮したカーネルを用いて高次元ヒルバート空間に埋め込むこと。
• 幾何学に配慮したカーネルが、標準的なユークリッドカーネルおよび接空間ベースの手法と比較して、複数のビジョンタスクで優れた性能を示すことを実証すること。

提案手法

• 標準的なガウスカーネルにおけるユークリッド距離を、有効なリーマン計量から得られる測地線距離に置き換えることで、SPD多様体上に正定値ガウスカーネルの族を導出する。
• 距離関数に基づくガウスカーネルの正定値性を分析する理論的枠組みを確立し、Sym+d 上の特定のリーマン計量が、正当な正定値カーネルを生成することを証明する。
• 対数ユークリッド計量を主な例として用い、真の測地線距離を提供するとともに、行列対数および指数関数を用いた効率的な計算を可能にする。
• 提案されたカーネルを用いて、SVM、カーネルPCA、カーネルk-meansといった標準的なカーネルアルゴリズムをSPD行列のリーマン多様体へ拡張し、データの内在的幾何構造を保存する。
• カーネルトリックを用いて、SPD行列を高次元のRKHSに暗黙的に写像し、明示的な計算を伴わずにユークリッドアルゴリズムを適用可能にする。
• 歩行者検出、物体分類、テクスチャ認識、DTIおよび運動解析における画像セグメンテーションを含む、複数のコンピュータビジョンタスクを用いてフレームワークの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 SPD多様体上の測地線距離を用いて定義されたガウスカーネルは、証明可能に正定値であるか？
• RQ2 SVM やカーネルPCA などのカーネルベースのアルゴリズムは、SPD行列のリーマン多様体へどのように一般化できるか？
• RQ3 SPD多様体上で幾何学に配慮したカーネルを使用することで、ユークリッドカーネルおよび接空間ベースの手法と比較して性能が向上するか？
• RQ4 Sym+d 上のどのリーマン計量が、ガウスカーネルの定式化において正当な正定値カーネルを生成するか？

主な発見

• 幾何学に配慮したカーネルベースのカーネルPCAは、Brodatzテクスチャデータセットでl=12の条件下で96.40%の精度を達成し、同じ条件下でユークリッドカーネルの91.89%を大きく上回った。
• Riemannカーネルを用いたk-meansは、実際のDTI脳画像において、コルパスコロスムのセグメンテーションを成功させ、LLE、LE、HLLEによる次元削減を用いたベースライン手法よりもクリアな結果を得た。
• ハムブルクタクシー運動セグメンテーションデータセットにおいて、提案されたRiemannカーネルk-meansは、次元削減を施した後にクラスタリングを行うベースライン手法と比較して、より正確でノイズの少ないセグメンテーションを生成した。
• 本手法は反復的な対数および指数写像を回避しており、接空間ベースのアプローチと比較して計算コストを低減しつつ、グローバルな幾何的構造を保持している。
• 本フレームワークは、その計量が負の定値の二乗距離を誘導する限り、他の多様体へも一般化可能であり、SPD行列を超えた幅広い応用可能性を示唆している。