[論文レビュー] Online Robust Subspace Tracking from Partial Information

Jun He, Laura Balzano+1 more|arXiv (Cornell University)|Sep 18, 2011

Sparse and Compressive Sensing Techniques参考文献 40被引用数 103

ひとこと要約

GRASTA は、$l^1$-ノルムコスト関数とグラスマン多様体勾配降下法を用いて、極めて不完全で外れ値で汚染されたデータから低ランク部分空間を推定・追跡するオンラインのロバスト部分空間追跡アルゴリズムである。リアルタイムでの処理を実現し、MATLAB上で1秒間に57フレームの速度で動画を処理できるため、動的ビデオ監視や高速で段階的な更新を要する行列補完タスクに最適である。

ABSTRACT

This paper presents GRASTA (Grassmannian Robust Adaptive Subspace Tracking Algorithm), an efficient and robust online algorithm for tracking subspaces from highly incomplete information. The algorithm uses a robust $l^1$-norm cost function in order to estimate and track non-stationary subspaces when the streaming data vectors are corrupted with outliers. We apply GRASTA to the problems of robust matrix completion and real-time separation of background from foreground in video. In this second application, we show that GRASTA performs high-quality separation of moving objects from background at exceptional speeds: In one popular benchmark video example, GRASTA achieves a rate of 57 frames per second, even when run in MATLAB on a personal laptop.

研究の動機と目的

• 欠損データとスパースな外れ値が存在する状況において、効率的でオンラインな部分空間追跡アルゴリズムを開発すること。
• 高次元のストリーミングデータ（例：動画フレーム）を、最小限の計算オーバーヘッドでリアルタイム処理できること。
• 部分的で著しく汚染された観測から、高速かつ正確な低ランク行列補完を達成すること。
• 背景部分空間が時間とともに変化する動的背景モデリングにおいて、動画監視で利用できること。
• ロバストPCA、行列補完、オンライン部分空間学習の長所を統合的に統合した、一貫性のある段階的フレームワークを提供すること。

提案手法

• GRASTA は、グラスマン多様体上でのロバスト最適化問題を解くために、拡張ラグランジュの交替方向スケーリング法（ADMM）を用いる。
• 低ランク部分空間 $\mathcal{S}$ はグラスマン多様体勾配降下法で更新され、同時にスパースな汚染 $s$、重み $w$、双対変数 $y$ は ADMM を用いて推定される。
• アルゴリズムは各データベクトルごとに段階的な更新を実行するため、完全なデータ行列を保存せずともオンライン処理が可能である。
• $l^1$-ノルムコスト関数によりスパースな外れ値に対してロバスト性が保証され、グラスマン多様体構造により部分空間の幾何学的性質が保持される。
• 部分空間の更新は、拡張ラグランジュ関数の勾配を用いて行われ、非凸制約下でも局所最適解への収束が保証される。
• 部分観測をサポートするため、各フレームでピクセルのサブセットのみを用いて部分空間の更新が行われ、高速な動作が実現できる。

実験結果

リサーチクエスチョン

• RQ1 データが極めて不完全でスパースな外れ値によって汚染されている状況において、オンラインアルゴリズムが非定常な低ランク部分空間を効率的に追跡できるか。
• RQ2 GRASTA の段階的でグラスマン多様体に基づく最適化は、バッチ処理のRPCA や行列補完法と比較して、速度と精度の面でどのように差がつくか。
• RQ3 カメラのパンや照明の変化といった動的背景の変化に対して、GRASTA はどの程度適応できるか。
• RQ4 部分フレーム情報のみを用いても、GRASTA は標準の動画ベンチマークでリアルタイム性能（例：30 FPS以上）を達成できるか。
• RQ5 1フレームあたりの観測ピクセル数を減らした場合、部分空間追跡の精度と計算速度のトレードオフはどの程度か。

主な発見

• GRASTA は、個人用ラップトップのMATLAB上で実装されていても、標準の動画ベンチマークで1秒間に57フレームのリアルタイムの前景・背景分離を達成している。
• アルゴリズムは部分的で著しく汚染された観測から低ランク行列を効果的に回復でき、速度とロバスト性の面で最先端のRPCA や行列補完法を上回っている。
• カメラパンなどの動的背景シナリオでは、変化後わずか25フレームでGRASTA は新しい部分空間構造に適応している。
• 1フレームあたり30％のピクセルデータのみを部分空間更新に使用しても、GRASTA は高品質な背景再構築と前景分離を維持している。
• ピクセルの50％を用いて追跡を行うと、GRASTA は50フレームの適応遅延を伴いながらも24.8 FPSを達成しており、スケーラビリティとロバスト性を示している。
• GRASTA の段階的更新メカニズムにより、バッチ法に比べて顕著な高速化が実現され、リアルタイムおよびストリーミング応用に適している。