[論文レビュー] Riemannian Metric Learning for Symmetric Positive Definite Matrices

Raviteja Vemulapalli, David W. Jacobs|arXiv (Cornell University)|Jan 10, 2015

Face recognition and analysis参考文献 7被引用数 31

ひとこと要約

本稿では、情報理論的距離学習（ITML）を活用して、対称正定値（SPD）行列の対数ユークリッド領域におけるマハラノビス距離を学習することにより、データ駆動型のリーマン計量学習アプローチを提案する。この手法は、ETH80における顔認識および半教師付きクラスタリングタスクにおいて、標準的な測地線距離（例：対数フロベニウス距離）を上回り、学習された対数ユークリッド測地線距離が固定された計量よりも顕著に性能を向上させることを示している。

ABSTRACT

Over the past few years, symmetric positive definite (SPD) matrices have been receiving considerable attention from computer vision community. Though various distance measures have been proposed in the past for comparing SPD matrices, the two most widely-used measures are affine-invariant distance and log-Euclidean distance. This is because these two measures are true geodesic distances induced by Riemannian geometry. In this work, we focus on the log-Euclidean Riemannian geometry and propose a data-driven approach for learning Riemannian metrics/geodesic distances for SPD matrices. We show that the geodesic distance learned using the proposed approach performs better than various existing distance measures when evaluated on face matching and clustering tasks.

研究の動機と目的

• 対称正定値（SPD）行列の多様体上でのデータ駆動型リーマン計量学習アプローチの開発。
• 情報理論的距離学習（ITML）を用いて、恒等元における接空間でマハラノビス距離を学習することにより、SPD行列の測地線距離計算の改善。
• 顔認識や物体クラスタリングなどの実世界のコンピュータビジョンタスクにおける学習された測地線距離の性能評価。
• 対数ユークリッド領域での学習と、共分散行列またはコレスキー分解への直接学習の有効性の比較。

提案手法

• SPD行列を行列対数に変換して、恒等元における接空間（対称行列の空間に同型）にマッピングする。
• 類似性および非類似性の制約を用いて、対数空間におけるマハラノビス距離関数を情報理論的距離学習（ITML）で学習する。
• 学習されたマハラノビス計量を用いて、対数ユークリッドフレームワークを通じて元のSPD多様体上での測地線距離を定義する。
• 学習された計量を対数ドメインで用いて測地線距離を計算し、これはSPD多様体上での双対不変リーマン計量に対応する。
• 顔認識やK-meansを用いた半教師付きクラスタリングなどの下流タスクに、学習された距離を適用する。
• クラスタリング精度およびマッチング精度を用いて性能を評価し、フロベニウス距離、コレスキー-フロベニウス距離、対数フロベニウス距離などの標準的距離と比較する。

実験結果

リサーチクエスチョン

• RQ1 対数ユークリッド空間におけるデータ駆動型リーマン計量学習は、SPD行列の測地線距離計算を改善できるか？
• RQ2 対数空間におけるマハラノビス距離の学習は、顔認識などのコンピュータビジョンタスクにおいて、固定された測地線距離（例：対数フロベニウス距離）を上回るか？
• RQ3 共分散行列またはそのコレスキー分解への直接学習と比較して、対数ユークリッド領域での学習はより効果的か？
• RQ4 顔認識および物体クラスタリングにおいて、学習された測地線距離は標準的ベースラインと比較してどの程度の性能を示すか？

主な発見

• 提案された対数ユークリッド測地線距離学習アプローチは、ETH80データセットで73.79%のクラスタリング精度を達成し、ベースラインの対数フロベニウス距離（55.70%）および他の手法を顕著に上回った。
• 対数ユークリッド領域におけるITMLベースの学習は、標準的な対数フロベニウス距離に対して18.09%のクラスタリング精度向上を達成し、データ駆動型計量学習の利点を示した。
• 元の共分散行列またはコレスキー分解における距離学習は性能が低く、それぞれ34.92%および19.24%の向上にとどまり、対数空間アプローチの優位性を示した。
• 顔認識タスクにおいて、学習された測地線距離はすべてのベースラインを上回り、判別的表現学習の有効性を確認した。
• 結果から、対数ユークリッド空間におけるリーマン計量の学習が、SPD行列比較タスクにおける一般化性能の向上に寄与することが明らかになった。