[論文レビュー] Statistical Estimation and Clustering of Group-invariant Orientation Parameters

Yu‐Hui Chen, Dennis Wei+4 more|arXiv (Cornell University)|Mar 15, 2015

Bayesian Methods and Mixture Models参考文献 17被引用数 6

ひとこと要約

本稿では、球面上の群不変な方位パラメータを推定するため、双曲的ボン・ミーゼス＝フィッシャー（VMF）および$γ$不変ワトソン混合モデルを提案し、多モードデータをクラスタリングするための強化されたEM-MLアルゴリズムを用いる。この手法は、立方対称性を示すニッケル基超合金（Ni superalloys）を含む多結晶材料において、平均方位推定およびクラスタリング精度を顕著に向上させ、K-means法や標準推定器を上回る性能を発揮する。

ABSTRACT

We treat the problem of estimation of orientation parameters whose values are invariant to transformations from a spherical symmetry group. Previous work has shown that any such group-invariant distribution must satisfy a restricted finite mixture representation, which allows the orientation parameter to be estimated using an Expectation Maximization (EM) maximum likelihood (ML) estimation algorithm. In this paper, we introduce two parametric models for this spherical symmetry group estimation problem: 1) the hyperbolic Von Mises Fisher (VMF) mixture distribution and 2) the Watson mixture distribution. We also introduce a new EM-ML algorithm for clustering samples that come from mixtures of group-invariant distributions with different parameters. We apply the models to the problem of mean crystal orientation estimation under the spherically symmetric group associated with the crystal form, e.g., cubic or octahedral or hexahedral. Simulations and experiments establish the advantages of the extended EM-VMF and EM-Watson estimators for data acquired by Electron Backscatter Diffraction (EBSD) microscopy of a polycrystalline Nickel alloy sample.

研究の動機と目的

• 立方対称性（$m\overline{3}m$）を示す球面対称群に関して方位が不変となる多結晶材料における平均結晶方位の推定という課題に取り組む。
• 群不変性を尊重し、効率的なパrameter推定を可能にする新しいパラメトリックモデル（双曲的VMFおよび$\mathcal{G}$不変ワトソン分布）を構築する。
• EM-MLフレームワークを拡張し、群不変分布の混合モデルを用いて多モードに分布する方位データをクラスタリングする。
• 実際の電子線バックスクattering回折（EBSD）データから得られたIN100 Ni超合金のデータを用いて、提案手法の妥当性を検証し、既存手法を上回る精度を示す。
• 一般化尤度比検定（GLRT）をEMアルゴリズムと統合し、方位データにおける多モード性を検出するとともに、部分領域のクラスタリングを支援する。

提案手法

• 群不変VMF分布の双曲的表現を導入し、元のEM-VMFアルゴリズムと比較して計算コストを2倍に削減する。
• 球面対称群に適した、平均方向および集中度でパラメータ化された新しい群不変ワトソン分布（$\mathcal{G}$-invariant Watson distribution）を提案する。
• 群不変分布における平均および集中度パラメータの最尤推定のためのEM-MLアルゴリズム（EM-VMFおよびEM-Watson）を開発する。
• 有限混合モデルへの拡張として、mGIV（$\mathcal{G}$不変VMFの混合）およびmGIW（$\mathcal{G}$不変ワトソンの混合）を導入し、多モードに分布する方位データのクラスタリングを可能にする。
• GLRTをEMアルゴリズムと統合し、多モード性を検出する。有意水準$\alpha = 0.05$および$C=2$を用いて、単一モード分布からの逸脱を検証する。
• 多結晶Ni超合金（IN100）のEBSDデータにこのフレームワークを適用し、空間的セグメンテーションと反復的精錬を用いて、各部分領域における平均方位および集中度パラメータを推定する。

実験結果

リサーチクエスチョン

• RQ1 VMF分布の双曲的パrameter化は、群不変な方位パラメータの推定精度を維持しつつ、計算複雑性を低減できるか？
• RQ2 提案された$\mathcal{G}$不変ワトソン分布は、球面対称群における方位の集中度および平均の表現において、VMFよりも効果的であるか？
• RQ3 群不変分布の混合モデル（mGIVおよびmGIW）は、多結晶材料における多モードに分布する方位分布を効果的に同定・クラスタリングできるか？
• RQ4 EM-VMFおよびEM-Watson推定器は、K-means法やOEMソフトウェアと比較して、実際のEBSDデータにおける平均方位および集中度推定において、どの程度の性能を示すか？
• RQ5 EMアルゴリズムと統合されたGLRTは、対称性に起因する曖昧性やノイズが存在する領域においても、多モード性を信頼性高く検出できるか？

主な発見

• 双曲的VMF表現により、元のEM-VMFアルゴリズムと比較して計算時間を2倍に短縮でき、パラメータ推定が高速化された。
• EM-VMFおよびEM-Watson推定器は、シミュレートデータおよびIN100 Ni超合金の実EBSDデータの両方において、標準手法よりも顕著に高い平均方位推定精度を達成した。
• mGIVおよびmGIW混合モデルは、多モードに分布する方位領域を効果的に同定・クラスタリングでき、複雑な結晶構造を検出する点でK-means法を上回った。
• 多モード分布は$\alpha = 0.05$を用いたGLRTにより検出され、部分領域ごとに別々に推定が行われ、各クラスタの集中度パラメータ（$\kappa$）が高値を示し、強い角度クラスタリングを示した。
• IN100試料では、EM-VMFおよびEM-Watson推定器が、対称性に起因する曇り（対称性の曇り）によって生じる不均一なIPF色分けを検出し、個々の結晶内または部分領域内で複数のモードを推定することで解消した。
• 推定された集中度パラメータ（$\kappa$）は、大多数の部分領域で大きく、推定された平均方向を中心に高い角度集中度を示しており、特に部分領域の精錬後には顕著であった。