[論文レビュー] Supervised deep learning of elastic SRV distances on the shape space of curves

Emmanuel Hartman, Yashil Sukurdeep+3 more|arXiv (Cornell University)|Jan 13, 2021

Morphological variations and asymmetry参考文献 24被引用数 6

ひとこと要約

本論文は、再パrametrizationの最適化を必要とせず、曲線間の弾性SRV距離を直接予測する教師あり深層学習フレームワークを提案する。正確なSRV距離をラベルとして用い、形状保存型データ拡張によるパラメータ化不変性を活用することで、動的計画法よりも1000倍以上の高速化を達成しながら、1次元、2次元、3次元の合成データおよび実データの曲線において、正確性を維持または向上させる。

ABSTRACT

Motivated by applications from computer vision to bioinformatics, the field of shape analysis deals with problems where one wants to analyze geometric objects, such as curves, while ignoring actions that preserve their shape, such as translations, rotations, or reparametrizations. Mathematical tools have been developed to define notions of distances, averages, and optimal deformations for geometric objects. One such framework, which has proven to be successful in many applications, is based on the square root velocity (SRV) transform, which allows one to define a computable distance between spatial curves regardless of how they are parametrized. This paper introduces a supervised deep learning framework for the direct computation of SRV distances between curves, which usually requires an optimization over the group of reparametrizations that act on the curves. The benefits of our approach in terms of computational speed and accuracy are illustrated via several numerical experiments.

研究の動機と目的

• 形状解析における再パラメータ化に関する最適化を伴う正確なSRV距離計算の計算ボトル neck を解消すること。
• 再パラメータ化推定を回避し、曲線間のSRV距離を直接予測する深層学習フレームワークの開発。
• 回転および再パラメータ化を尊重する形状保存型データ拡張戦略の導入により、一般化性能と不変性を向上させること。
• 畳み込みニューラルネットワーク（CNN）による直接的距離予測が、動的計画法の近似よりも効率的かつしばしば正確であることを実証すること。
• 閉曲線および回転をmoduloとする曲線に対しても、最適再パラメータ化の理論的存在結果を拡張し、これらの設定でも正確な距離計算を可能にする。

提案手法

• 正確な距離を教師ラベルとして用い、離散化された曲線のペアを直接入力として、そのSRV距離を予測する深層畳み込みニューラルネットワーク（CNN）を学習する。
• SRV距離が再パラメータ化および回転に対して不変であることに着目し、回転および再パラメータ化された曲線ペアによる訓練データ拡張を実施する。
• 曲線をヒルバート空間に写像するSRV変換を用い、速度表現間のL2ノルムにより距離を計算する。
• [11]および[4]における最適再パラメータ化の存在および構築法を、閉曲線および回転をmoduloとする曲線へと拡張し、これらの設定でも正確な距離計算を可能にする。
• 3次元データにおける正確なSRV距離の計算コストが高いため、訓練データの正確な距離計算に動的計画法（DP）を適用する。
• 古典的多次元スケーリング（CMDS）を用い、正確な距離と学習済み距離からのクラスタリング結果を可視化および比較する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、動的計画法よりも高速かつ同等またはより高い正確性で、曲線間のSRV距離を直接予測できるか？
• RQ2 形状保存型データ拡張は、SRV距離予測の一般化性能および不変性を向上させるのにどの程度有効か？
• RQ3 実データおよび合成データにおいて、学習済みSRV距離と動的計画法の近似との間の性能ギャップは何か？
• RQ4 最適再パラメータ化の理論的存在結果を閉曲線および回転をmoduloとする曲線へと拡張できるか？
• RQ5 3次元曲線（トレーニング時に見られなかったもの）のような分布外データに対し、モデルの一般化性能はどの程度高いか？

主な発見

• 提案された深層学習モデルは、1次元および2次元曲線において、動的計画法よりも最大1000倍高速にSRV距離を計算し、同等または優れた正確性を達成した。
• スウェーデンの葉データセットにおいて、モデルが予測した距離はCMDSによるクラスタリング結果が正確な距離の結果と視覚的および定量的に同等であった。
• 3次元のハリケーン経路において、予測距離とDP距離の相関係数は0.977に達し、分布内データに対して優れた性能を示した。
• 分布外のタプラート曲線では相関係数が0.823に低下したが、これは訓練データの多様性が不十分なために一般化性能が限定的であることを示唆している。
• 形状保存型データ拡張戦略は、過学習の低減と耐性の向上に顕著に寄与し、パラメータ化不変な予測を可能にした。
• 最適再パラメータ化の存在に関する理論的拡張を閉曲線および回転をmoduloとする曲線へと行ったことで、正確な距離計算が可能となり、ネットワークのトレーニングに最小限のバイアスが生じた。