[논문 리뷰] Weighted Low-Rank Approximation of Matrices and Background Modeling

Aritra Dutta, Xin Li외 1명|arXiv (Cornell University)|2018. 04. 15.

Sparse and Compressive Sensing Techniques참고 문헌 41인용 수 6

한 줄 요약

이 논문은 영상 시퀀스에서 강인한 배경 모델링을 위한 가중치가 부여된 저질서 근사(WLR)와 증분 알고리즘(inWLR)을 제안한다. 프레셰르 노름에 데이터에 의존하는 가중치를 통합함으로써, 레이블이 부여된 학습 프레임이 필요 없이도 ℓ₁-노름 최소화와 유사한 이상치에 대한 강인성을 달성하며, 다양한 데이터셋에서 정량적·정성적 기준 모두에서 최신 기술들을 능가한다.

ABSTRACT

We primarily study a special a weighted low-rank approximation of matrices and then apply it to solve the background modeling problem. We propose two algorithms for this purpose: one operates in the batch mode on the entire data and the other one operates in the batch-incremental mode on the data and naturally captures more background variations and computationally more effective. Moreover, we propose a robust technique that learns the background frame indices from the data and does not require any training frames. We demonstrate through extensive experiments that by inserting a simple weight in the Frobenius norm, it can be made robust to the outliers similar to the $\ell_1$ norm. Our methods match or outperform several state-of-the-art online and batch background modeling methods in virtually all quantitative and qualitative measures.

연구 동기 및 목표

• 영상 시퀀스에서 희박한 이상치와 동적인 배경을 다루는 표준 저질서 근사 기법의 한계를 해결하기 위해.
• 순수한 배경 프레임에 대한 사전 지식이 필요 없는 강인한 배경 모델링 방법을 개발하기 위해.
• 천천히 변화하는 배경에 적응하고 변화하는 시점의 변화를 효과적으로 포착할 수 있는 증분 알고리즘을 설계하기 위해.
• 가중치가 부여된 프레셰르 노름이 행렬 근사에서 ℓ₁-노름과 유사한 이상치에 대한 강인성을 달성할 수 있음을 보여주기 위해.
• 자기지도 학습 방식을 제공하여 데이터에서 배경일 가능성이 높은 프레임을 자동으로 식별하고 활용하기 위해.

제안 방법

• 오차가 낮은 항목을 강조하고 이상치를 억제하기 위해 데이터로부터 적응적으로 가중치를 학습하는 가중치가 부여된 저질서 근사 프레임워크를 도입한다.
• 배치 모드 WLR과 실시간 영상 처리를 위한 증분 배치-증분 알고리즘(inWLR)을 제안한다.
• 가중치가 부여된 프레셰르 노름을 목적 함수로 사용한다: min ||W ∘ (A - X)||_F², 조건으로 rank(X) ≤ r, 여기서 W는 데이터에 적응하는 가중치 행렬이다.
• 특이값 임계처리 기반의 반복적 갱신을 통해 저질서 행렬과 가중치 행렬을 동시에 추정하는 교차 최적화 기법을 활용한다.
• 가중치가 부여된 프레셰르 노름이 ℓ₁-노름 강인성을 모방할 수 있음을 활용하여, 명시적인 ℓ₁ 정규화 없이도 이상치에 저항할 수 있도록 한다.
• inWLR 알고리즘은 데이터를 배치 단위로 처리하며, 낮은 메모리 및 계산 비용을 유지하면서 배경 모델을 증분적으로 갱신한다.

실험 결과

연구 질문

• RQ1 가중치가 부여된 프레셰르 노름을 사용하여 저질서 근사에서 ℓ₁-노름 최소화와 유사한 이상치에 대한 강인성을 달성할 수 있는가?
• RQ2 학습 데이터가 전혀 필요 없이 배경 모델링 알고리즘이 순수한 배경 프레임을 자동으로 식별할 수 있는가?
• RQ3 제안된 inWLR 알고리즘이 동적인 배경 시퀀스에서 최신 기술 대비 어떻게 성능을 내는가?
• RQ4 배치-증분 접근 방식은 느린 배경 변화를 다루면서도 정확도를 유지하고 저장 요구량을 줄일 수 있는가?
• RQ5 적응형 가중치 학습이 배경 재구성 품질과 정적 영역 탐지 품질에 미치는 영향은 무엇인가?

주요 결과

• CDNet2014 데이터셋에서 inWLR 알고리즘은 평균 PSNR 58.0381 dB 및 MSSSIM 0.9995를 기록하여 여러 최신 기술들을 능가한다.
• SBI 데이터셋에서 inWLR는 평균 PSNR 74.3221 dB 및 MSSSIM 0.9995를 기록하며, SC-SOBS1 및 기타 지도 학습 방법을 초월한다.
• inWLR는 Waving Tree 및 Canoe와 같은 동적인 배경 시퀀스에서도 우수한 성능을 보이며, 복잡한 운동 상황에서도 최소한의 가시성 잔상 효과를 보인다.
• 순수한 학습 프레임이 제공되지 않더라도, 정적 활동이 최소한인 프레임을 식별함으로써 자동으로 배경 프레임을 탐지할 수 있다.
• 가중치가 부여된 프레셰르 노름 접근 방식은 명시적인 ℓ₁ 정규화 없이도 RPCA와 같은 ℓ₁-노름 기반 방법과 유사한 성능을 달성한다.
• 증분 알고리즘(inWLR)은 낮은 메모리 사용량을 유지하면서도 높은 정확도를 유지하며, 실시간 영상 처리 응용에 적합하다.