[論文レビュー] Online Robust Principal Component Analysis with Change Point Detection

Wei Xiao, Xiaolin Huang+3 more|arXiv (Cornell University)|Feb 19, 2017

Spectroscopy and Chemometric Analyses被引用数 5

ひとこと要約

本稿では、オンライン・ムービングウィンドウ・ロバストPCA（OMWRPCA）を提案する。これは、組み込みの仮説検定を用いて変化点を検出しながら、ゆっくりと変化する低ランク部分空間と急激に変化する部分空間を同時に追跡するオンラインアルゴリズムである。合成シミュレーションおよびリアルタイム監視映像の背景差分処理において、最先端の手法を上回り、変化点を正確に特定するとともに、低ランクの背景とスパースなフォアグラウンドを分離している。

ABSTRACT

Robust PCA methods are typically batch algorithms which requires loading all observations into memory before processing. This makes them inefficient to process big data. In this paper, we develop an efficient online robust principal component methods, namely online moving window robust principal component analysis (OMWRPCA). Unlike existing algorithms, OMWRPCA can successfully track not only slowly changing subspace but also abruptly changed subspace. By embedding hypothesis testing into the algorithm, OMWRPCA can detect change points of the underlying subspaces. Extensive simulation studies demonstrate the superior performance of OMWRPCA compared with other state-of-art approaches. We also apply the algorithm for real-time background subtraction of surveillance video.

研究の動機と目的

• バッチ処理のロバストPCA手法には、全データのロードが必要であり、ストリーミングデータやビッグデータに対して効率的に処理できないという制限があることに対処する。
• リアルタイムでゆっくりと変化する部分空間と急激に変化する部分空間の両方を追跡できるオンラインのロバストPCAアルゴリズムを開発する。
• オンラインのロバストPCAフレームワークに変化点検出を統合し、部分空間の変化をタイムリーに同定する。
• リアルタイム監視映像分析、異常検出、システム障害モニタリングなどの実用的応用を可能にする。

提案手法

• OMWRPCAは、効率的なオンライン処理を実現するため、スライディングデータウィンドウを維持するムービングウィンドウアプローチを用いる。全データの保存を回避する。
• 各ウィンドウ内でロバスト主成分プルーリング（RPCA-PCP）を適用し、データを低ランク成分とスパース成分に分解する。
• 連続するウィンドウ間の部分空間推定値を比較することで、変化点を検出する仮説検定を組み込む。
• 有意水準 α = 0.01 の逐次検定と、初期推定値の安定化を目的としたバーニングフェーズを用いる。
• 部分空間の安定性を評価するために、n_win = 20 のローリングウィンドウと、n_test = 300 のテストウィンドウを用いる。
• 調整パrameterには、RPCA-PCPのための λ₁ = 1/√200 と λ₂ = 100/√200 を設定し、変化点検出のための適応的しきい値を用いる。

実験結果

リサーチクエスチョン

• RQ1 オンラインのロバストPCAアルゴリズムは、ゆっくりと変化する部分空間と急激に変化する部分空間の両方を、正確に追跡しながら、急激な変化を検出できるか？
• RQ2 仮説検定の統合は、オンラインのロバストPCAにおける変化点検出をどのように改善するか？
• RQ3 OMWRPCAは、STOC-RPCAなどの既存のオンラインロバストPCA手法と比較して、部分空間推定および変化点検出の観点でどのような性能を示すか？
• RQ4 突然のシーンチェンジを伴う監視映像において、OMWRPCAは背景とフォアグラウンドを効果的に分離できるか？

主な発見

• OMWRPCAは、ゆっくりと変化する部分空間および急激に変化する部分空間の両方において、変化点を正確に検出しており、合成シミュレーションでは正確な検出が達成されている。
• 動画の背景差分処理において、OMWRPCA-CPは空港およびラウンジの監視映像の両方で、真の変化点を正確に検出している。
• OMWRPCA-CPが回復した低ランク成分は、STOC-RPCAのそれよりも顕著にシャープであり、特に変化点周辺で顕著に優れている。
• OMWRPCAは、シミュレーション研究および実世界の動画データの両方において、低ランク成分とスパース成分の両方の推定において優れた性能を示し、誤差率が低かった。
• 高いノイズとスパースな不正な影響下でも、OMWRPCAはロバスト性と正確性を維持しており、すべてのテスト指標でSTOC-RPCAを上回っている。
• 本手法は、突然のカメラの移動やシーンチェンジがあっても、正確な背景モデリングを可能にする強力な実用的有用性を示した。