[論文レビュー] Teaching a machine to see: unsupervised image segmentation and categorisation using growing neural gas and hierarchical clustering

Alex Hocking, J. E. Geach+2 more|arXiv (Cornell University)|Jul 6, 2015

Neural Networks and Applications参考文献 5被引用数 8

ひとこと要約

本論文は、教師なし機械学習フレームワークを提案し、成長型ニューラルガス（GNG）と階層的クラスタリングを組み合わせることで、事前のラベルなしに天体画像を自動的にセグメンテーションおよびラベル付けする。1つのハッブル・フロンティア・フィールズ画像（Abell 2744）で訓練されたモデルは、未学習の領域（MACS 0416.1-2403）における初期期および後期型銀河の分類に成功し、完全に自動的かつスケーラブルな方法で、複雑な銀河構造に対して一貫性があり人間と類似したセグメンテーションとラベル付けを実現した。

ABSTRACT

We present a novel unsupervised learning approach to automatically segment and label images in astronomical surveys. Automation of this procedure will be essential as next-generation surveys enter the petabyte scale: data volumes will exceed the capability of even large crowd-sourced analyses. We demonstrate how a growing neural gas (GNG) can be used to encode the feature space of imaging data. When coupled with a technique called hierarchical clustering, imaging data can be automatically segmented and labelled by organising nodes in the GNG. The key distinction of unsupervised learning is that these labels need not be known prior to training, rather they are determined by the algorithm itself. Importantly, after training a network can be be presented with images it has never 'seen' before and provide consistent categorisation of features. As a proof-of-concept we demonstrate application on data from the Hubble Space Telescope Frontier Fields: images of clusters of galaxies containing a mixture of galaxy types that would easily be recognised and classified by a human inspector. By training the algorithm using one field (Abell 2744) and applying the result to another (MACS0416.1-2403), we show how the algorithm can cleanly separate image features that a human would associate with early and late type galaxies. We suggest that the algorithm has potential as a tool in the automatic analysis and data mining of next-generation imaging and spectral surveys, and could also find application beyond astronomy.

研究の動機と目的

• 大規模な天文学的調査における自動画像セグメンテーションおよび分類のための教師なし機械学習手法を開発すること。
• アルゴリズムが画像の内在的特徴に基づいてのみラベルを発見および割り当てることで、事前のラベル付きデータに依存しないようにすること。
• 1つのハッブル・フロンティア・フィールズクランスターで学習し、別の未学習のクランスターに適用することで、データセット間での一般化能力を実証すること。
• LSST や Euclid のようなペタバイトスケールの画像調査に対して、スケーラブルで一貫性があり自動化された分析を可能にすること。
• 医療画像や衛星画像などの分野において、本手法の応用可能性を検討すること。

提案手法

• 特徴空間をピクセルデータから学習するため、成長型ニューラルガス（GNG）を用い、画像構造のトポロジカル表現を学習する。
• 局所的な強度、色、空間勾配情報から特徴ベクトルを構築し、形態的および光度的性質を捉える。
• GNGノードに対して階層的クラスタリングを適用し、類似した特徴を別々のカテゴリにグループ化することで、画像セグメンテーションの基盤を形成する。
• クラスターセンターよりノードラベルを割り当て、重複を減らし解釈性を向上させるリラベルプロセスを実施する。
• 訓練済みモデルは、新しいピクセルを最も近いGNGノードにマッピングし、そのクラスターラベルを継承することで、未学習の画像に適用する。
• アルゴリズムは高度に並列化可能であり、分類時間は画像サイズに線形に増加するため、大規模データセットの効率的処理が可能である。

実験結果

リサーチクエスチョン

• RQ1 教師なし学習アプローチは、事前の人間ラベルなしに天体画像における銀河のセグメンテーションおよびラベル付けを自動的に行えるか？
• RQ2 1つの銀河クランスターで学習したモデルは、別の未学習のフィールドに一般化可能であり、初期期および後期型銀河を正しく区別できるか？
• RQ3 成長型ニューラルガスと階層的クラスタリングの組み合わせは、画像セグメンテーションにおいて形態的および光度的構造をどれほど効果的に保持できるか？
• RQ4 アルゴリズムは、複雑な銀河における解像されたスパイラルアームやバルジといった微細または曖昧な特徴をどの程度特定できるか？
• RQ5 大規模な画像調査に適用した際の計算効率はどの程度で、ペタバイトレベルのデータにスケーラブルか？

主な発見

• Abell 2744からの訓練データのみを用いて、MACS 0416.1-2403フィールドにおける初期期および後期型銀河のセグメンテーションとラベル付けに成功し、データセット間での一般化を実証した。
• 銀河タイプの明確な分離が達成され、レンズ効果を示す特徴やバルジやスパイラルアームといった空間的に解像された構造の認識も可能だった。
• 異なる画像間で一貫性のある分類が得られ、解像された銀河では明確に分離された形態的成分による二重ラベルが観察された。
• 訓練時間はピクセルあたり39.5ミリ秒、推論時間は標準デスクトップでピクセルあたり1.7ミリ秒であり、強力なスケーラビリティの可能性を示した。
• 本手法は完全に並列化可能であり、GPUコンピューティングにより加速可能であり、CUDAへの移植作業が進行中で、性能向上が見込まれる。
• 本手法はスペクトルデータなどの他のデータタイプにも一般化可能であり、医療画像、衛星画像、セキュリティ画像などの分野でも応用可能である。