[論文レビュー] Multiclass Data Segmentation using Diffuse Interface Methods on Graphs

Cristina García–Cardona, Ekaterina Merkurjev+3 more|arXiv (Cornell University)|Feb 15, 2013

Medical Image Segmentation Techniques参考文献 46被引用数 5

ひとこと要約

本稿では、拡散界面法とグラフ上のギンツバーグ＝ランダウ汎関数を用いた、マルチクラスデータセグメンテーションのための2つの効率的なグラフベースのアルゴリズムを提案する。クラスメンバーシップをギブズ単体上に制約を課したベクトル値の位相場として表現することで、勾配降下（GL法）またはグラフ適合型MBOスキームを用いて滑らかでマルチクラスのセグメンテーションを実現し、最小限のラベル付きデータで高い精度を達成するとともに、従来の手法を上回る速度と頑健性を示した。

ABSTRACT

We present two graph-based algorithms for multiclass segmentation of high-dimensional data. The algorithms use a diffuse interface model based on the Ginzburg-Landau functional, related to total variation compressed sensing and image processing. A multiclass extension is introduced using the Gibbs simplex, with the functional's double-well potential modified to handle the multiclass case. The first algorithm minimizes the functional using a convex splitting numerical scheme. The second algorithm is a uses a graph adaptation of the classical numerical Merriman-Bence-Osher (MBO) scheme, which alternates between diffusion and thresholding. We demonstrate the performance of both algorithms experimentally on synthetic data, grayscale and color images, and several benchmark data sets such as MNIST, COIL and WebKB. We also make use of fast numerical solvers for finding the eigenvectors and eigenvalues of the graph Laplacian, and take advantage of the sparsity of the matrix. Experiments indicate that the results are competitive with or better than the current state-of-the-art multiclass segmentation algorithms.

研究の動機と目的

• 高次元データのグラフ上における効率的かつスケーラブルなマルチクラスセグメンテーション手法の開発。
• ギブズ単体上のベクトル値の位相場を用いて、拡散界面モデルとギンツバーグ＝ランダウエネルギー最小化をマルチクラス設定に拡張すること。
• ギブズ単体の制約を組み込んだグラフベースのMBOスキームを導入し、計算効率を向上させること。
• 二値分解やワン・ビズ・アール戦略への依存を低減し、それらに伴うバイアスを回避すること。
• 特に半教師あり学習設定下で、最小限のラベル付きデータで優れた性能を示すことを実証すること。

提案手法

• 各成分がノードにおけるクラスの割合を表すように、ギブズ単体上に制約を課したベクトル値の位相場を用いる。各成分の和が1に保たれることで、クラスメンバーシップの整合性が保証される。
• ギンツバーグ＝ランダウエネルギー汎関数は、数値的安定性を確保するための凸分割スキームを用いた$L_2$勾配流れによって最小化される。
• グラフに適応したMBOスキームは、ギブズ単体の制約を組み込むことで、複雑な非線形系の解法を回避し、高速で反復的な更新が可能になった。
• 微分作用素の代わりにグラフラプラシアンが用いられ、固有値分解またはニーヨーストロム近似により効率的な計算が可能になった。
• 忠実度項は、ラベル付きデータとの整合性を強制し、ラベル付きデータの割合を最大10%程度に抑える。
• 一次微分項や発散項を排除することで、少数の固有ベクトルへの射影を用いた標準的な固有空間射影や、大規模グラフにおけるニーヨーストロム近似により、迅速な数値解法が可能になった。

実験結果

リサーチクエスチョン

• RQ1 ベクトル値の位相場を用いたギブズ単体上での制約のもとで、拡散界面モデルをマルチクラスグラフセグメンテーションに効果的に拡張できるか。
• RQ2 ギブズ単体の制約を課したグラフベースのMBOスキームは、GL最小化と比較して、精度と速度の面でどのように異なるか。
• RQ3 このフレームワークを用いて、最小限のラベル付きデータで高品質なセグメンテーションをどの程度達成できるか。
• RQ4 ベンチマークデータセット上での最先端のマルチクラスセグメンテーションアルゴリズムと比較して、本手法の性能はいかがであるか。
• RQ5 複雑な幾何構造において、界面の厚さ（εで制御）がセグメンテーション品質に与える影響はどの程度か。

主な発見

• テストされたすべてのデータセットにおいて、マルチクラスMBO法はマルチクラスGL法を上回り、精度と収束速度の両面で優れていた。
• ラベル付きデータがたった5%でさえも、高いセグメンテーション精度が維持され、ラベル集合にすべてのクラスが含まれていればランダム初期化でも十分な性能が得られた。
• 合成データや画像ラベリングタスクを含むベンチマークデータセットにおいて、最近発表されたアルゴリズムと比較して、同等または優れた結果を達成した。
• グラフラプラシアンに基づく定式化により、少数の固有値と固有ベクトルのみを用いることで高速な計算が可能になり、実行時間が著しく短縮された。
• 一次微分項の欠如により、標準的な固有空間射影とニーヨーストロム近似を用いた効率的な数値解法が可能になり、大規模グラフに対しても適用可能となった。
• 直接的に単体上にマルチクラスメンバーシップをモデル化することで、ワン・ビズ・アールや二値符号化戦略に内在するバイアスを回避した。