[論文レビュー] Posterior inference on the boundary of a noisy image via a Gibbs model

Nicholas Syring, Ryan Martin|arXiv (Cornell University)|Jun 27, 2016

Bayesian Methods and Mixture Models参考文献 20被引用数 7

ひとこと要約

この論文は、誤分類誤差に基づく損失関数を用いたギブスモデルを用いた、尤度フリーなベイズ的手法を提案し、ノイズが混入したデータにおける画像境界の検出を目的としている。境界を自由 Knot を持つ B スプラインの混合でモデル化し、モンテカルロ計算を活用することで、適応的で最適な収束速度を達成し、シミュレーション研究において既存のベイズ的手法を上回る性能を示している。

ABSTRACT

Detection of an image boundary when the pixel intensities are noisy is an important problem in epidemiology, geography, and ecology. A practical challenge to implementing a Bayesian approach in such problems is modeling the pixel intensity distributions inside and outside the image boundary. In this paper, we propose a likelihood-free Bayesian approach based on a Gibbs model, where the usual negative log-likelihood function is replaced by a variation on misclassification error. The only parameter is the image boundary curve, which we model using a mixture of free knot b-splines. Monte Carlo computation of the Gibbs posterior distribution is straightforward, and we prove that it concentrates asymptotically at the optimal rate, adaptively to the smoothness of the boundary. Simulation experiments show that posterior inference based on the proposed Gibbs model is often more accurate than that based on existing Bayesian methodology.

研究の動機と目的

• ノイズが混入した画像における境界内部および外部の画素強度分布をモデル化する課題に対処すること。
• 境界検出問題では尤度を明示的に指定することが困難であるため、尤度を明示しないベイズ推論フレームワークを構築すること。
• 境界曲線の未知の滑らかさに対しても、正確で適応的な事後分布推論を可能にすること。
• ノイズが混入した画像境界検出において、既存のベイズ的手法よりも精度と頑健性を向上させること。

提案手法

• 標準的な負の対数尤度の代わりに、誤分類誤差を応用した変種を用いて、尤度フリーなギブス事後分布を構築する。
• 複雑な曲線を柔軟に非パラメトリックに表現できるよう、自由 Knot を持つ B スプラインの混合で画像境界をモデル化する。
• ギブス事後分布の計算を効率的に行うためにモンテカルロ手法を採用する。
• 境界曲線のみが未知パラメータである非パラメトリックベイズフレームワークを採用する。
• 事後分布の濃縮率を理論的に確立し、境界の未知の滑らかさに適応できることを示す。
• 真の境界に対して画素の誤分類をペナルティとして課す損失関数を統合し、ノイズ下でも頑健な推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 尤度が不確実または明示的に指定しづらい状況下でも、尤度フリーなベイズ的手法がノイズが混入した画像における境界検出を正確に実現できるか？
• RQ2 事前の滑らかさの知識がなくとも、境界曲線を滑らかさの変動に適応できる柔軟なモデル化方法は何か？
• RQ3 誤分類に基づく損失関数を用いた提案されたギブスモデルが、最適な事後濃縮率を達成するか？
• RQ4 本手法の性能は、既存のベイズ的手法と比較して、精度と頑健性の面で優れているか？

主な発見

• 提案されたギブスモデルは、境界曲線の未知の滑らかさに適応して最適なレートで事後分布が濃縮されることを達成した。
• ギブス事後分布のモンテカルロ計算は直感的で、計算的に実行可能である。
• シミュレーション実験により、本手法は既存のベイズ的手法よりもより正確な境界推論を実現することが示された。
• 自由 Knot を持つ B スプラインの使用により、複雑な境界形状の柔軟で非パラメトリックなモデリングが可能になった。
• 誤分類誤差に基づく尤度フリーなアプローチは、ノイズが混入した画像境界検出において、従来の尤度ベースのベイズ手法を上回った。
• 本手法は、漸近的濃縮と滑らかさへの適応性といった強い理論的保証を維持している。