[論文レビュー] Probabilistic Recovery of Multiple Subspaces in Point Clouds by Geometric lp Minimization

Gilad Lerman, Teng Zhang|arXiv (Cornell University)|Feb 9, 2010

Remote Sensing and LiDAR Applications参考文献 38被引用数 16

ひとこと要約

本稿では、外れ値を含む点群から複数の低次元部分空間を回復するための幾何学的 lp 最小化手法を提案する。0 < p ≤ 1 の場合、特定の条件下で、すべての部分空間および最良の l0 部分空間の正確な回復が可能であることが示され、p > 1 の場合、近似的にも根本的に回復が不可能になることが判明し、部分空間クラスタリングおよび RANSAC 型アルゴリズムの理論的限界を確立する。

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.

研究の動機と目的

• 外れ値を含む点群から複数の部分空間が回復可能な理論的条件を分析すること。
• lp 最小化が、すべての K 個の元の部分空間および最良の l0 部分空間を同時に回復する役割を調査すること。
• lp 最小化の部分空間回復における根本的限界、特に p > 1 の場合を明確にすること。
• 最近の lp 型最小化を用いる複数部分空間モデリングのアルゴリズムに対する理論的裏付けを提供すること。
• RANSAC 型戦略における lp 変種の単一部分空間回復への影響を評価すること。

提案手法

• データを、K 個の d 次元部分空間上に一様分布する K 個の成分と、全体の単位球上に一様分布する1つの成分（外れ値を表す）としてモデル化する。
• D 次元空間における d 次元部分空間からの点の lp 平均距離の最小化として回復問題を定式化する。
• すべての p > 0 に対して非凸性を示す lp 最小化問題の分析を行い、標準的な凸最適化手法を超える専用技術の必要性を示す。
• p に応じて、すべての部分空間および最良の l0 部分空間の正確な回復が可能となる理論的条件を確立する。
• 幾何学的および確率的議論を用いて、信頼性のある回復に必要な点の数の上限を導出する。
• これらの結果が、RANSAC 変種やマルチ部分空間クラスタリング手法を含む実用的アルゴリズムに与える影響を議論する。

実験結果

リサーチクエスチョン

• RQ1 0 < p ≤ 1 の場合、どのような条件下で、すべての K 個の元の部分空間が lp 最小化を用いて正確に回復可能か？
• RQ2 p > 1 の場合、なぜ最良の l0 部分空間の正確な回復（近似的にも）が不可能なのか？
• RQ3 すべての p > 0 に対して非凸性を示す lp 最小化が、部分空間回復の理論的妥当性にどのように影響するか？
• RQ4 単一部分空間回復に lp 変種を用いる RANSAC 型アルゴリズムに対して、どのような理論的保証を導出できるか？
• RQ5 本稿の結果は、既存のマルチ部分空間クラスタリングアルゴリズムの有効性をどのように正当化または制限するか？

主な発見

• 0 < p ≤ 1 の場合、適切なサンプリング条件のもとで、すべての K 個の元の部分空間の正確な回復が理論的に可能である。
• 0 < p ≤ 1 の場合、最良の l0 部分空間（点数が最も多いもの）の正確な回復も可能である。
• p > 1 の場合、すべての部分空間および最良の l0 部分空間の正確な回復も、近似的な回復すら根本的に不可能である。
• すべての p > 0 に対して非凸性を示す lp 最小化問題は、凸緩和手法を超える専用の解析技術を必要とする。
• これらの結果は、特定の lp ベースのアルゴリズムがマルチ部分空間クラスタリングで実験的に成功する理由を理論的に裏付ける。
• 研究結果は、p > 1 の変種を RANSAC 型戦略に用いる際の重要な限界を強調しており、近似的にも回復が失敗することを示している。