[論文レビュー] Bandwidth selection for kernel estimation in mixed multi-dimensional spaces

Aurélie Bugeau, Patrick Pérez|arXiv (Cornell University)|Sep 12, 2007

Medical Image Segmentation Techniques参考文献 24被引用数 9

ひとこと要約

本稿では、混合多次元空間におけるカーネル密度推定の反復的で特徴別帯域幅選択手法を提案する。安定性に基づく自動帯域幅選択を異種データに拡張したものであり、疑似バルーン平均シフトフィルタリングとパーティショニングフレームワークを導入することで、固定帯域幅法やサンプル点ベースの手法よりも、特に5次元カラーモノクローム画像セグメンテーションのような高次元・異種設定において、より安定的かつ正確なクラスタリングを実現した。

ABSTRACT

Kernel estimation techniques, such as mean shift, suffer from one major drawback: the kernel bandwidth selection. The bandwidth can be fixed for all the data set or can vary at each points. Automatic bandwidth selection becomes a real challenge in case of multidimensional heterogeneous features. This paper presents a solution to this problem. It is an extension of \cite{Comaniciu03a} which was based on the fundamental property of normal distributions regarding the bias of the normalized density gradient. The selection is done iteratively for each type of features, by looking for the stability of local bandwidth estimates across a predefined range of bandwidths. A pseudo balloon mean shift filtering and partitioning are introduced. The validity of the method is demonstrated in the context of color image segmentation based on a 5-dimensional space.

研究の動機と目的

• 特徴の異種性により従来の手法が失敗する多次元で異種の特徴空間における自動帯域幅選択の課題に対処すること。
• カラーモノクローム画像のような複雑なデータにおいて、固定帯域幅法やサンプル点ベースの可変帯域幅推定器に起因する制限を克服すること。
• 局所的なデータ構造をよりよく捉えるために、各特徴タイプごとに帯域幅を独立して選択する手法を開発すること。
• 異なるスケールや特徴部分空間において、クラスタリング結果のロバスト性と安定性を確保すること。
• 実世界のコンピュータビジョンタスク、例えば画像セグメンテーションへの平均シフトクラスタリングの有効な適用を可能にすること。

提案手法

• 各特徴タイプごとに可変帯域幅を用いた局所的密度推定を活用する疑似バルーン平均シフトフィルタリングおよびパーティショニングアルゴリズムを導入する。
• 各特徴部分空間に対して事前に定義された帯域幅範囲内で、クラスターパーティションの安定性を評価する反復的帯域幅選択プロセスを適用する。
• 複数のスケールにおけるクラスターラベルの安定性を基準として、各特徴ごとの最適帯域幅を選択する。
• 正規分布の正規化密度勾配性質を活用して帯域幅選択をガイドし、局所的な一貫性を確保する。
• 特徴を順次処理するが、ノイズが多いかコントラストの高い特徴を優先して処理するオプションを備え、セグメンテーション品質の向上を図る。
• 5次元カラーモノクローム画像セグメンテーションを用いて、標準的なサンプル点推定器を用いた可変帯域幅平均シフトと比較して、手法の有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 異種データタイプを含む混合多次元特徴空間に、自動帯域幅選択を効果的に拡張する方法は何か？
• RQ2 反復的で特徴別帯域幅選択が、平均シフトクラスタリングの安定性と正確性に与える影響は何か？
• RQ3 欠点があるにもかかわらず、安定性に基づく帯域幅選択と組み合わせることで、バルーン推定器は高次元・異種データにおいて、サンプル点推定器を上回る性能を示せるか？
• RQ4 提案手法における特徴処理の順序が、最終的なセグメンテーション結果に与える影響は何か？
• RQ5 既存の手法と比較して、提案手法は実世界の画像セグメンテーションタスクにおけるクラスタリング品質をどの程度向上させるか？

主な発見

• 提案された反復的帯域幅選択手法は、非反復的手法と比較して、特に高次元特徴空間においてより安定的かつ正確なクラスタリングを達成した。
• 屋外画像では、疑似バルーン平均シフトが31のクラスタを生成したのに対し、サンプル点推定器は29のクラスタを生成し、視覚的結果はほぼ同一であった。
• 手の画像では、本手法が37のクラスタを生成したのに対し、サンプル点推定器は35のクラスタを生成し、指のような細かな構造のセグメンテーションが改善された。
• 公の画像では、疑似バルーン平均シフトが136のクラスタを検出したのに対し、サンプル点推定器は128のクラスタを検出しており、頭部の詳細をよりよく保持し、背中のクラスタ分割を低減した。
• バルーン推定器が他の推定器よりも優れていると知られている高次元データ（d ≥ 3）において、本手法は優れた性能を示した。
• 特徴処理の順序がセグメンテーション品質にほとんど影響を及ぼさなかったため、入力順序に対してロバストであることが示された。