[논문 리뷰] Probabilistic Recovery of Multiple Subspaces in Point Clouds by Geometric lp Minimization

Gilad Lerman, Teng Zhang|arXiv (Cornell University)|2010. 02. 09.

Remote Sensing and LiDAR Applications참고 문헌 38인용 수 16

한 줄 요약

이 논문은 이상치를 포함한 점군으로부터 다중 저차원 부분공간을 복원하기 위해 기하학적 lp 최소화 접근법을 제안하며, 0 < p ≤ 1인 경우 특정 조건 하에서 모든 부분공간과 최적의 l0 부분공간의 정확한 복원이 가능하다고 보여주며, p > 1인 경우는 심지어 근사적으로도 복원이 본질적으로 불가능해지므로, 부분공간 군집화 및 RANSAC 유형 알고리즘의 이론적 한계를 설정한다.

ABSTRACT

We assume data independently sampled from a mixture distribution on the unit ball of the D-dimensional Euclidean space with K+1 components: the first component is a uniform distribution on that ball representing outliers and the other K components are uniform distributions along K d-dimensional linear subspaces restricted to that ball. We study both the simultaneous recovery of all K underlying subspaces and the recovery of the best l0 subspace (i.e., with largest number of points) by minimizing the lp-averaged distances of data points from d-dimensional subspaces of the D-dimensional space. Unlike other lp minimization problems, this minimization is non-convex for all p&gt;0 and thus requires different methods for its analysis. We show that if 01 and p&gt;1, then we show that both all underlying subspaces and the best l0 subspace cannot be recovered and even nearly recovered. Further relaxations are also discussed. We use the results of this paper for partially justifying recent effective algorithms for modeling data by mixtures of multiple subspaces as well as for discussing the effect of using variants of lp minimizations in RANSAC-type strategies for single subspace recovery.

연구 동기 및 목표

• 이상치를 포함한 점군으로부터 다중 부분공간이 복원될 수 있는 조건을 이론적으로 분석하는 것.
• lp 최소화가 모든 K개의 기저 부분공간과 최적의 l0 부분공간을 동시에 복원하는 데서 수행하는 역할을 조사하는 것.
• lp 최소화가 부분공간 복원에 있어 본질적인 제약 조건, 특히 p > 1일 경우의 한계를 명확히 하는 것.
• 최근 다중 부분공간 모델링에서 lp 유형 최소화를 사용하는 알고리즘들에 대한 이론적 근거를 제공하는 것.
• RANSAC 유형 전략에서 lp 변형이 단일 부분공간 복원에 미치는 영향을 평가하는 것.

제안 방법

• 이상치를 나타내는 전체 단위 구 내에서 균일 분포를 가지는 K+1개의 성분으로 데이터를 모델링: K개의 d차원 부분공간에서의 균일 분포와 하나의 전체 단위 구에서의 균일 분포.
• D차원 공간 내에서 점들이 d차원 부분공간으로부터의 lp-평균 거리의 최소화 문제로 복원 문제를 수립.
• 모든 p > 0에 대해 비볼록성을 분석하고, 표준 볼록 최적화 기법을 초월한 특수한 기법이 필요함을 밝힘.
• p에 따라 모든 부분공간과 최적의 l0 부분공간의 정확한 복원이 가능한 이론적 조건을 설정.
• 기하학적 및 확률적 추론을 사용하여 신뢰할 수 있는 복원을 위한 점의 수에 대한 한계를 유도.
• 이러한 결과가 RANSAC 변형 및 다중 부분공간 군집화 방법과 같은 실용적 알고리즘에 미치는 영향을 논의.

실험 결과

연구 질문

• RQ1 0 < p ≤ 1일 때, 어떤 조건 하에서 모든 K개의 기저 부분공간이 lp 최소화를 통해 정확히 복원될 수 있는가?
• RQ2 p > 1일 때, 왜 최적의 l0 부분공간의 정확한 복원이 심지어 근사적으로도 불가능한가?
• RQ3 모든 p > 0에 대해 lp 최소화 문제의 비볼록성은 부분공간 복원의 이론적 가능성을 어떻게 영향을 미치는가?
• RQ4 RANSAC 유형 알고리즘에서 lp 변형을 사용하는 단일 부분공간 복원에 대해 어떤 이론적 보장을 도출할 수 있는가?
• RQ5 이 논문의 결과는 기존의 다중 부분공간 군집화 알고리즘의 효능을 어떻게 정당화하거나 제한하는가?

주요 결과

• 0 < p ≤ 1일 경우, 적절한 표본 조건 하에서 모든 K개의 기저 부분공간의 정확한 복원이 이론적으로 가능하다.
• 0 < p ≤ 1일 경우, 가장 많은 점을 포함하는 최적의 l0 부분공간 역시 정확히 복원될 수 있다.
• p > 1일 경우, 모든 부분공간과 최적의 l0 부분공간에 대한 정확한 복원은 물론 거의 정확한 복원까지도 본질적으로 불가능하다.
• 모든 p > 0에 대해 lp 최소화 문제의 비볼록성은 볼록 완화 방법을 초월한 특수한 분석 기법이 필요함을 시사한다.
• 이러한 결과는 일부 lp 기반 알고리즘이 다중 부분공간 군집화에서 경험적으로 성공한 데 대한 이론적 근거를 제공한다.
• 결과들은 p > 1 변형을 RANSAC 유형 전략에 사용할 경우의 치명적인 한계를 부각시키며, 심지어 근사 복원조차도 실패함을 보여준다.