[論文レビュー] Speeding-up Graphical Model Optimization via a Coarse-to-fine Cascade of Pruning Classifiers

Bruno Conejo, Nikos Komodakis+2 more|arXiv (Cornell University)|Sep 15, 2014

Advanced Image and Video Retrieval Techniques参考文献 31被引用数 3

ひとこと要約

本稿では、マーカフ・ランダムフィールド（MRF）最適化を著しく高速化するとともに、解の精度を向上させる、学習済みのプルーニング分類器を粗くから細かく段階的に適用する手法を提案する。各スケールで訓練済みの分類器を用いて不活性なラベルを適応的にプルーニングすることで、最先端の推論手法に比べ最大4倍の高速化を達成し、エネルギー値は低く抑えられ、ラベルの一致率は99%以上を達成する。

ABSTRACT

We propose a general and versatile framework that significantly speeds-up graphical model optimization while maintaining an excellent solution accuracy. The proposed approach relies on a multi-scale pruning scheme that is able to progressively reduce the solution space by use of a novel strategy based on a coarse-to-fine cascade of learnt classifiers. We thoroughly experiment with classic computer vision related MRF problems, where our framework constantly yields a significant time speed-up (with respect to the most efficient inference methods) and obtains a more accurate solution than directly optimizing the MRF.

研究の動機と目的

• スーパーライニアな複雑性を示す大規模ビジョン問題におけるMRF最適化の高い計算コストに対処すること。
• 固定されたヒューリスティクスに依存するか、最適解を失うリスクを伴う既存のプルーニングおよびマルチスケール手法の限界を克服すること。
• 精度を損なわずに段階的に解空間を縮小できる汎用的で学習可能なフレームワークを構築すること。
• 多様なビジョンタスクにわたり、エネルギー最小化の性能を維持または向上させつつ、顕著な高速化を実現すること。

提案手法

• グラフィカルモデルの粗くから細かく段階的な表現を用いて、MAP推定値を段階的に精緻化する。
• 各ノードごとに、どのラベルを安全にプルーニングできるかを予測する、訓練済みのバイナリ分類器のカスケードを導入する。
• 分類器の信頼度に基づいて、任意のノード固有のラベルサブセットを破棄できる、細かく制御されたプルーニング戦略を採用する。
• 現在のスケールの解と局所的な画像コンテキストから得られる特徴量を用いて、非最適ラベルを予測するように分類器を学習する。
• ハイパーパrameter λ によって制御される、段階的に強化されるプルーニングを複数のスケールで適用し、速度と精度のバランスを取る。
• コア最適化アルゴリズムを変更せずに、既存のMRFソルバー（例：FastPD）にプルーニングフレームワークを統合する。

実験結果

リサーチクエスチョン

• RQ1 学習可能で粗くから細かく段階的なプルーニングカスケードは、従来のMRF最適化と比較して、速度と精度の両面で優れているか？
• RQ2 分類器に基づくラベルプルーニングは、不連続性付近でも最適解を保持できるか？
• RQ3 エネルギー最小化の結果に悪影響を及げることなく、解空間をどの程度まで縮小できるか？
• RQ4 本フレームワークは、ステレオマッチング、オプティカルフォローアップ、画像修復といった多様なMRF問題に一般化できるか？
• RQ5 激しいプルーニングを行っても、直接最適化よりも優れたエネルギー値を達成できるか？

主な発見

• 提案手法によるプルーニングに基づく最適化は、最も効率的なベースライン手法であるFastPDと比較して最大4倍の高速化を達成した。
• 全テスト問題において、直接最適化よりも低いエネルギー値が得られ、解の質の向上を示している。
• ほとんどのケースでラベル一致率が99%を超え、最も悪いケースでも激しいプルーニング下でも96%以上を維持した。
• アクティブラベルの比率と高速化要因の間に強い相関が確認され、プルーニングが探索空間を効果的に削減していることが裏付けられた。
• 全データセットにおいて不連続性領域でのプルーニングが抑制されることから、ラベルの不連続性付近でも精度が保持されていることが実証された。
• 本手法は良好に一般化可能である：1つのデータセット（例：Tsukuba）で訓練した分類器が、未観測のデータセット（例：Venus, Teddy, House）に対してもラベルを適切にプルーニングできた。