[論文レビュー] Online Decomposition of Compressive Streaming Data Using $n$-$\ell_1$ Cluster-Weighted Minimization

Huynh Van Luong, Nikos Deligiannis+2 more|arXiv (Cornell University)|Feb 8, 2018

Sparse and Compressive Sensing Techniques参考文献 21被引用数 3

ひとこと要約

本稿では、$n$-$\ell_1$ クラスタ重み付き最小化を用いて、圧縮測定値からスパースおよび低ランク成分を同時に回復するオンライン圧縮ストリーミングデータ分解手法CODAを提案する。反復的クラスタリングと再重み付けを通じて複数の事前スパースベクトルを活用することで、最小限の測定数で動画ストリームにおける前景・背景分離を優れた性能で達成し、従来のオンラインおよび圧縮RPCA手法に比べ、低測定レート下でも優れた性能を発揮する。

ABSTRACT

We consider a decomposition method for compressive streaming data in the context of online compressive Robust Principle Component Analysis (RPCA). The proposed decomposition solves an $n$-$\ell_1$ cluster-weighted minimization to decompose a sequence of frames (or vectors), into sparse and low-rank components, from compressive measurements. Our method processes a data vector of the stream per time instance from a small number of measurements in contrast to conventional batch RPCA, which needs to access full data. The $n$-$\ell_1$ cluster-weighted minimization leverages the sparse components along with their correlations with multiple previously-recovered sparse vectors. Moreover, the proposed minimization can exploit the structures of sparse components via clustering and re-weighting iteratively. The method outperforms the existing methods for both numerical data and actual video data.

研究の動機と目的

• 長期間の動画ストリームにおける背景の変化や高データボリュームに起因するバッチおよびオンラインRobust PCA (RPCA) の限界を解消すること。
• 完全なデータアクセスを必要とせず、圧縮測定値からのストリーミングデータのリアルタイム分解を可能にすること。
• クラスタリングと再重み付けを用いて複数の事前スパース成分およびその構造的相関を活用し、回復精度を向上させること。
• 低測定レート下でも高い性能を維持し、ストレージおよび通信コストを削減すること。

提案手法

• CODAは、低ランク成分のノルムと現在のスパース成分の$\ell_1$-ノルムを最小化するオンライン最適化問題を定式化し、事前情報に基づく正則化項を追加する。
• 本手法は3つの補助情報信号を組み込む：直前の再構成済み前景、および以前のフレームから得られた2つの運動補正付き外挿版。
• 時間軸にわたるスパース成分の反復的クラスタリングにより構造的パターンを同定し、クラスタ所属に基づいて$\ell_1$-ノルムを再重み付けすることでスパarsityを強化する。
• 最適化は、各時間フレームごとに逐次解き、圧縮測定値$\mathbf{y}_t = \mathbf{\Phi}(\mathbf{x}_t + \mathbf{v}_t)$を用いる。ここで$\mathbf{\Phi}$は$m \ll n$を満たすランダム射影行列である。
• 再重み付けスキームは、クラスタ構造と事前回復品質に基づき、可能性が低いスパース成分に対するペナルティを段階的に増加させる。
• CODAはモンテカルロシミュレーションおよび実動画シーケンスを用いて評価され、さまざまな測定レート下での回復成功率を性能指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 複数の事前スパース成分を効果的に活用することで、圧縮ストリーミングデータのオンライン分解性能を向上させることができるか？
• RQ2 スパース成分の反復的クラスタリングと再重み付けは、圧縮オンラインRPCAにおける回復精度を向上させるか？
• RQ3 低測定レート下で、CODAの性能はCORPCA、ReProCS、GRASTAといった最先端手法と比べてどの程度優れているか？
• RQ4 CODAは最小限のデータ量で、例えば動画の前景のような構造的スパース成分をどの程度正確に回復できるか？

主な発見

• CODAは、$m/n = 0.25$という極めて低い測定率下でも500次元のデータを成功裏に回復でき、最適条件下ではスパースおよび低ランク回復の成功率が$100\%$に達する。
• スパース性$s_0 > 70$の場合、CORPCA-$n$-$\ell_1$はスパース成分の回復に失敗するが、CODAは$100\%$の成功率を維持し、高スパース性下でも安定性を示す。
• $m/n = 0.5$の測定率下で、CODAはBootstrap動画シーケンスの前景構造を高い忠実度で回復し、$m/n = 0.8$のCORPCAやReProCSでさえもこれを上回る性能を発揮する。
• ReProCSはCODAに比べて著しく性能が劣り、特に低ランク回復において顕著なアーティファクトが観察され、高測定率下でも同様の問題が顕在化する。
• GRASTAはCODAに比べて低ランク回復性能が低く、特に$m/n = 0.4$の測定率下で顕著に劣る。これはCODAが背景構造を効率的に保持していることを示している。
• 図1の骨色の成功率マップでは、$m/n = 0.6$でCODAが白色（100%成功率）の領域を達成している一方、ReProCSおよびCORPCAは同測定率下でグレー（失敗）領域を示している。