[論文レビュー] Robust Fitting in Computer Vision: Easy or Hard?

Tat-Jun Chin, Zhipeng Cai+1 more|arXiv (Cornell University)|Feb 18, 2018

Domain Adaptation and Few-Shot Learning被引用数 7

ひとこと要約

この論文は、コンピュータビジョンにおけるコンSENSUS最大化が計算的に解けないことを確立しており、標準の複雑性仮定のもとで、P = NP でない限り、正確または近似的な効率的アルゴリズムは存在しないことを示している。NP-hard、W[1]-hard（次元dにおいて）、APX-hardである。最近のグローバル最適ソルバの進展にもかかわらず、次元と外れ値の数が増えると、問題は根本的に困難である。

ABSTRACT

Robust model fitting plays a vital role in computer vision, and research into algorithms for robust fitting continues to be active. Arguably the most popular paradigm for robust fitting in computer vision is consensus maximisation, which strives to find the model parameters that maximise the number of inliers. Despite the significant developments in algorithms for consensus maximisation, there has been a lack of fundamental analysis of the problem in the computer vision literature. In particular, whether consensus maximisation is "tractable" remains a question that has not been rigorously dealt with, thus making it difficult to assess and compare the performance of proposed algorithms, relative to what is theoretically achievable. To shed light on these issues, we present several computational hardness results for consensus maximisation. Our results underline the fundamental intractability of the problem, and resolve several ambiguities existing in the literature.

研究の動機と目的

• コンピュータビジョンの文献において長年の曖昧さであった、コンセンサス最大化の計算複雑性についての解明。
• 計算複雑性理論を用いて、コンセンサス最大化が容易かどうか、根本的に困難かどうかを厳密に分析すること。
• ロバストフィッティングアルゴリズムの性能を理論的限界と比較して評価するための理論的基盤を提供すること。
• 最近のグローバル最適アルゴリズムが、高次元または外れ値が多いデータセットにおいてスケーラブルでない理由を明確にすること。

提案手法

• MAX-2SAT問題からの還元を用いて、コンセンサス最大化のNP-hard性を証明し、根本的な非効率性を確立した。
• 次元dにおけるW[1]-hard性を示し、固定パラメータ可 tractable（FPT）アルゴリズムであっても、dに関して指数関数的にスケーリングする必要があることを示した。
• MAX-2SATからのL還元を用いてAPX-hard性を確立し、多項式時間近似スキーム（PTAS）が存在しないことを証明した。
• MAX-2SATからコンセンサス最大化への構成的還元を用い、真偽割り当てをモデルパラメータにマッピングし、インライア閾値が1未満となるようにした。
• ε < 1 の場合、コンセンサスはちょうど 2M + σ に等しくなることを示した。ここでσは満たされた節の数であり、解の質とインライア数の間の密接な対応関係を確立した。
• runtime O(d^o)poly(N,d) の固定パラメータ可 tractable（FPT）アルゴリズムを提示したが、外れ値数oに指数的依存があることに注意した。

実験結果

リサーチクエスチョン

• RQ1 標準の複雑性仮定のもとで、コンピュータビジョンにおけるコンセンサス最大化は計算的に容易か？
• RQ2 コンセンサス最大化は、多項式時間内で一定要因の近似で効率的に近似可能か？
• RQ3 次元dまたは外れ値数oは、正確または近似解法の性能にボトルネックをもたらすか？
• RQ4 最近のコンセンサス最大化のグローバル最適アルゴリズムは、実用的スケーラビリティを達成しているか？
• RQ5 高度な最適化技術を用いても、コンセンサス最大化の効率的解法が理論的限界によって妨げられるか？

主な発見

• コンセンサス最大化はNP-hardである。これは、P = NP でない限り、多項式時間で正確に解けるアルゴリズムは存在しないことを意味する。
• 問題は次元dにおいてW[1]-hardである。これは、任意の固定パラメータ可 tractable（FPT）アルゴリズムがdに関して指数関数的にスケーリングしなければならないことを示唆する。
• コンセンサス最大化はAPX-hardである。これは、多項式時間近似スキーム（PTAS）が存在しないことを証明する。
• コンセンサス最大化に対する最良の既知のFPTアルゴリズムのruntimeはO(d^o)poly(N,d)であり、外れ値数o ≥ 100 になると実行不能になる。
• 理論的結果から、最近のグローバル最適ソルバの実験的成功は、高次元または外れ値が多いシナリオに一般化されにくいと示唆される。
• MAX-2SATからコンセンサス最大化への還元により、解の質とインライア数の間の密接な対応関係が確認され、硬度結果の妥当性が裏付けられた。