[논문 리뷰] Posterior inference on the boundary of a noisy image via a Gibbs model

Nicholas Syring, Ryan Martin|arXiv (Cornell University)|2016. 06. 27.

Bayesian Methods and Mixture Models참고 문헌 20인용 수 7

한 줄 요약

이 논문은 노이즈가 있는 데이터에서 이미지 경계를 탐지하기 위해 오차 기반 손실 함수를 갖는 게이브스 모델을 사용하는 가능도 자유형 베이지안 접근법을 제안한다. 경계를 자유 결합점 B-스플라인의 혼합으로 모델링하고 몬테카를로 계산을 활용함으로써, 이 방법은 적응형 최적 수렴 속도를 달성하며 시뮬레이션 연구에서 기존의 베이지안 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Detection of an image boundary when the pixel intensities are noisy is an important problem in epidemiology, geography, and ecology. A practical challenge to implementing a Bayesian approach in such problems is modeling the pixel intensity distributions inside and outside the image boundary. In this paper, we propose a likelihood-free Bayesian approach based on a Gibbs model, where the usual negative log-likelihood function is replaced by a variation on misclassification error. The only parameter is the image boundary curve, which we model using a mixture of free knot b-splines. Monte Carlo computation of the Gibbs posterior distribution is straightforward, and we prove that it concentrates asymptotically at the optimal rate, adaptively to the smoothness of the boundary. Simulation experiments show that posterior inference based on the proposed Gibbs model is often more accurate than that based on existing Bayesian methodology.

연구 동기 및 목표

• 노이즈가 있는 이미지에서 경계 내외의 픽셀 강도 분포를 모델링하는 데 도전하는 것.
• 경계 탐지 문제에서 명시적인 가능도 사양이 어려운 점을 고려해, 가능도 사양을 피하는 베이지안 추론 프레임워크를 개발하는 것.
• 모르는 매끄러움 정도에도 불구하고 경계 곡선에 대한 정확하고 적응형 사후 추론을 가능하게 하는 것.
• 노이즈가 있는 이미지 경계 탐지에서 기존의 베이지안 방법론보다 정확성과 강인성 측면에서 향상시키는 것.

제안 방법

• 표준 음의 로그 가능도를 대체하여 오분류 오차 기반의 변형을 사용해 가능도 자유형 게이브스 사후를 구성한다.
• 복잡한 곡선을 위한 비모수적 표현을 가능하게 하기 위해 자유 결합점 B-스플라인의 혼합으로 이미지 경계를 모델링한다.
• 게이브스 사후 분포의 효율적 계산을 위해 몬테카를로 방법을 활용한다.
• 오직 경계 곡선만이 알려지지 않은 매개변수인 비모수적 베이지안 프레임워크를 사용한다.
• 사후 분포의 이론적 농도를 확립하여, 경계의 알려지지 않은 매끄러움 정도에 적응함을 보여준다.
• 실제 경계에 비해 픽셀의 오분류를 방지하는 손실 함수를 통합하여 노이즈 하에서 강인한 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 가능도가 계산이 불가능하거나 사양하기 어려운 경우, 가능도 자유형 베이지안 접근법이 노이즈가 있는 이미지에서 정확한 경계 탐지를 달성할 수 있는가?
• RQ2 사전 지식 없이 다양한 매끄러움 정도에 적응할 수 있도록 경계 곡선을 어떻게 민첩하게 모델링할 수 있는가?
• RQ3 오분류 기반 손실 함수를 갖는 제안된 게이브스 모델이 최적의 사후 농도 수렴 속도를 달성하는가?
• RQ4 이 방법은 정확성과 강인성 측면에서 기존의 베이지안 접근법과 비교해 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 게이브스 모델은 알려지지 않은 경계 곡선의 매끄러움 정도에 적응적으로 최적의 수렴 속도를 달성한다.
• 게이브스 사후의 몬테카를로 계산은 간단하고 계산적으로 실현 가능하다.
• 시뮬레이션 실험 결과, 이 방법은 기존의 베이지안 접근법보다 더 정확한 경계 추론을 제공함을 보여준다.
• 자유 결합점 B-스플라인의 사용은 복잡한 경계 형태의 민감하고 비모수적 모델링을 가능하게 한다.
• 오분류 오차 기반 가능도 자유형 접근법은 기존의 가능도 기반 베이지안 방법보다 노이즈가 있는 이미지 경계 탐지에서 더 뛰어난 성능을 발휘한다.
• 이 방법은 점근적 농도와 매끄러움 정도에 대한 적응성과 같은 강력한 이론적 보장을 유지한다.