[논문 리뷰] Online Robust Subspace Tracking from Partial Information

Jun He, Laura Balzano외 1명|arXiv (Cornell University)|2011. 09. 18.

Sparse and Compressive Sensing Techniques참고 문헌 40인용 수 103

한 줄 요약

GRASTA는 $l^1$-노름 비용 함수와 그라스만다이안 기울기 강하를 사용하여 극도로 불완전하고 이상치로 오염된 데이터에서 낮은 질서 부분공간을 추정하고 추적하는 온라인 강건한 부분공간 추적 알고리즘입니다. 실시간 성능을 달성하여 MATLAB에서 57 프레임 per 초로 영상을 처리할 수 있어, 동적 영상 감시 및 고속, 순차적 업데이트가 필요한 행렬 완성 작업에 이상적입니다.

ABSTRACT

This paper presents GRASTA (Grassmannian Robust Adaptive Subspace Tracking Algorithm), an efficient and robust online algorithm for tracking subspaces from highly incomplete information. The algorithm uses a robust $l^1$-norm cost function in order to estimate and track non-stationary subspaces when the streaming data vectors are corrupted with outliers. We apply GRASTA to the problems of robust matrix completion and real-time separation of background from foreground in video. In this second application, we show that GRASTA performs high-quality separation of moving objects from background at exceptional speeds: In one popular benchmark video example, GRASTA achieves a rate of 57 frames per second, even when run in MATLAB on a personal laptop.

연구 동기 및 목표

• 결손 데이터와 흩어진 이상치가 존재하는 상황에서도 효율적이고 온라인으로 작동하는 부분공간 추적 알고리즘을 개발하기.
• 영상 프레임과 같은 고차원 스트리밍 데이터를 최소한의 계산 오버헤드로 실시간 처리할 수 있도록 하기.
• 부분적으로 관측되고 심각하게 오염된 관측치로부터 빠르고 정확한 낮은 질서 행렬 완성 달성하기.
• 배경 부분공간이 시간이 지남에 따라 변화하는 영상 감시 환경에서의 동적 배경 모델링 지원하기.
• 강건한 PCA, 행렬 완성, 온라인 부분공간 학습의 장점을 통합한 유일한 순차적 프레임워크에서 통합하기.

제안 방법

• GRASTA는 그라스만다이안 다양체 위에서 강건한 최적화 문제를 해결하기 위해 확장된 라그랑주 승수법과 교차 방향 방법을 사용합니다.
• 알고리즘은 그라스만다이안 기울기 강하를 통해 낮은 질서 부분공간 $\mathcal{S}$ 를 갱신하고, ADMM를 사용하여 희소 오염 $s$, 가중치 $w$, 이중 변수 $y$ 를 번갈아가며 갱신합니다.
• 데이터 벡터 단위로 증분 업데이트를 수행하여 전체 데이터 행렬을 저장하지 않고도 온라인 처리가 가능합니다.
• $l^1$-노름 비용 함수는 희소 이상치에 대한 강건성을 보장하지만, 그라스만다이안 구조는 부분공간 기하학을 유지합니다.
• 부분공간 갱신은 확장된 라그랑주 함수의 기울기를 사용하여 수행되며, 비볼록 제약 조건 하에서도 국소 최적해로 수렴함을 보장합니다.
• 부분 관측을 지원하기 위해 각 프레임에서 일부 픽셀만을 사용하여 부분공간 갱신을 수행함으로써 고속 작동이 가능합니다.

실험 결과

연구 질문

• RQ1 데이터가 극도로 불완전하고 흩어진 이상치에 의해 오염된 상황에서, 온라인 알고리즘이 비정적 낮은 질서 부분공간을 효율적으로 추적할 수 있는가?
• RQ2 GRASTA의 증분적이고 그라스만다이안 기반 최적화는 배치 기반 RPCA 및 행렬 완성 방법에 비해 속도와 정확도에서 어떻게 비교되는가?
• RQ3 카메라 흔들림이나 조명 변화와 같은 동적 배경 변화에 대해 GRASTA는 어느 정도 적응할 수 있는가?
• RQ4 GRASTA는 표준 영상 벤치마크에서 프레임 당 30 FPS 이상의 실시간 성능을 달성할 수 있는가? 이때 프레임의 일부 정보만을 사용한다.
• RQ5 프레임당 관측 픽셀 수를 줄일 경우, 부분공간 추적 정확도와 계산 속도 사이의 상호 상충 관계는 어떠한가?

주요 결과

• GRASTA는 표준 영상 벤치마크에서 실시간으로 배경-전경 분離를 수행할 때 조건부로 MATLAB 환경에서 개인용 노트북에서도 57 프레임 per 초를 달성합니다.
• 알고리즘은 부분적이고 심각하게 오염된 관측치로부터 낮은 질서 행렬을 성공적으로 복원하며, 속도와 강건성 면에서 최신의 RPCA 및 행렬 완성 방법을 능가합니다.
• 가상의 카메라 흔들림과 같은 동적 배경 시나리오에서는, 카메라 이동 후 25 프레임 내에 새로운 부분공간 구조에 적응합니다.
• 프레임당 30%의 픽셀 데이터만을 부분공간 갱신에 사용함으로써, GRASTA는 높은 품질의 배경 재구성과 전경 분리 성능을 유지합니다.
• 픽셀의 50%를 사용하여 추적할 경우, GRASTA는 24.8 FPS 성능을 달성하고 카메라 흔들림 이후 50프레임의 적응 지연를 보입니다. 이는 확장성과 강건성을 입증합니다.
• GRASTA의 증분 업데이트 메커니즘은 배치 방법 대비 뚜렷한 속도 향상을 이룹니다. 이는 실시간 및 스트리밍 응용 분야에 적합합니다.