[論文レビュー] Objective, Probabilistic, and Generalized Noise Level Dependent Classifications of sets of more or less 2D Periodic Images into Plane Symmetry Groups

Andrew Dempsey, Peter Moeck|arXiv (Cornell University)|Sep 17, 2020

Image Retrieval and Classification Techniques参考文献 36被引用数 4

ひとこと要約

本論文は、Kanataniの幾何学的アカイケ情報基準（GAIC）および重みを用いて強化されたフーリエ空間解析を用いて、2次元周期的画像を平面対称性群に分類する客観的で確率的なフレームワークを提示する。この手法は、ノイズレベル依存の一般化された対称性分類を可能にし、より良いデータが得られるたびに更新可能であり、実世界の画像における周期的繰り返しの不足や主観的な閾値の問題を、統計的に根拠を持つ階層的分類によって解決する。これは、コンピュータビジョンおよび結晶工学分野における長年の課題を解決するものである。

ABSTRACT

Crystallographic symmetry classifications from real-world images with periodicities in two dimensions (2D) are of interest to crystallographers and practitioners of computer vision studies alike. Currently, these classifications are typically made by both communities in a subjective manner that relies on arbitrary thresholds for judgments, and are reported under the pretense of being definitive, which is impossible. Moreover, the computer vision community tends to use direct space methods to make such classifications instead of more powerful and computationally efficient Fourier space methods. This is because the proper functioning of those methods requires more periodic repeats of a unit cell motif than are commonly present in images analyzed by the computer vision community. We demonstrate a novel approach to plane symmetry group classifications that is enabled by Kenichi Kanatani's Geometric Akaike Information Criterion and associated Geometric Akaike weights. Our approach leverages the advantages of working in Fourier space, is well suited for handling the hierarchic nature of crystallographic symmetries, and yields probabilistic results that are generalized noise level dependent. The latter feature means crystallographic symmetry classifications can be updated when less noisy image data and more accurate processing algorithms become available. We demonstrate the ability of our approach to objectively estimate the plane symmetry and pseudosymmetries of sets of synthetic 2D-periodic images with varying amounts of red-green-blue and spread noise. Additionally, we suggest a simple solution to the problem of too few periodic repeats in an input image for practical application of Fourier space methods. In doing so, we effectively solve the decades-old and heretofore intractable problem from computer vision of symmetry detection and classification from images in the presence of noise.

研究の動機と目的

• コンピュータビジョンおよび結晶工学分野における、2次元周期的画像からの主観的で閾値依存の対称性分類という長年の課題を解決すること。
• 現実の画像において周期的繰り返しが不十分な場合でも、直接空間法の制限を克服し、効率的で強力なフーリエ空間分類を可能にすること。
• 新しい低ノイズデータや改善されたアルゴリズムが利用可能になるにつれ、更新可能な一般化されたノイズレベル依存の分類システムを開発すること。
• 分類における確信度を定量化する確率的フレームワークを提供し、誤った決定的分類を回避すること。
• 幾何的情報基準を用いて、結晶学的対称性関係の階層的性質を統合し、一貫性があり計算効率の良い分類モデルを構築すること。

提案手法

• 本手法は、入力画像のフーリエ変換に対する適合度に基づき、候補となる平面対称性群を評価・順位付けするために、金田賢一の幾何的アカイケ情報基準（GAIC）を用いる。
• 幾何的アカイケ重みを用いて、各対称性群の事後確率を計算し、不確実性とデータ品質を反映した確率的で客観的な分類を実現する。
• ノイズレベルに依存する一般化されたアプローチを採用し、画像品質が向上するか、新しいデータが得られるたびに分類を洗練可能である。
• 低繰り返し画像において周期的繰り返しの数を人工的に増やす、新しいデータ拡張技術を導入し、有効なフーリエ空間解析を可能にする。
• 結晶学的対称性の階層的性質を、部分群と上位群を一貫した確率的フレームワーク内で評価することで扱う。
• 17種の平面結晶学的群の数学的構造を活用することで、分類結果の整合性と完全性を保証する。

実験結果

リサーチクエスチョン

• RQ1 2次元周期的画像の平面対称性群分類を、主観的で決定的なものから、客観的で確率的なものへとどのように変換できるか？
• RQ2 周期的繰り返しが不十分な画像に対して、フーリエ空間手法をどのように効果的に適用できるか？
• RQ3 入力画像のノイズレベルを、分類に体系的に組み込むにはどうすればよいか？これにより、将来的にデータ品質が向上した場合の更新が可能になる。
• RQ4 結晶学的対称性群間の階層的関係を確率的枠組みで尊重する統一されたフレームワークを構築できるか？
• RQ5 GAICのような情報基準が、画像データからの対称性群仮説の客観的順位付けに果たす役割は何か？

主な発見

• 提案手法は、赤緑青ノイズおよび分散ノイズをさまざまなレベルで含む合成2次元周期的画像を、ノイズ条件にかかわらず頑健に分類できることを示した。
• GAIC重みに基づく確率的分類は、任意の閾値による手法の代替として統計的に妥当であり、分類における誤った確信を低減する。
• 一般化されたノイズレベル依存の更新が可能であり、高品質なデータやより優れたアルゴリズムが得られるたびに分類を洗練できる。
• データ拡張技術は、周期的繰り返しが不足する問題を効果的に緩和し、フーリエ空間手法を実世界の画像に適用可能にする。
• 真の対称性と偽の対称性（pseudosymmetries）の両方を正しく同定でき、結果として対称性群候補間の階層的関係が一貫して示された。
• フーリエスペクトルの全情報を活用することで、特にノイズが多いか繰り返しが少ない状況において、従来の直接空間法よりも精度と信頼性に優れた性能を発揮した。