[論文レビュー] Segmentation of Subspaces in Sequential Data

Stephen Tierney, Yi Guo+1 more|arXiv (Cornell University)|Apr 16, 2015

Video Surveillance and Tracking Methods参考文献 33被引用数 5

ひとこと要約

本稿では、時系列的な順序をスパース部分空間クラスタリングに組み込むことで、部分空間の和に位置する時系列データのセグメンテーションを目的とした新規手法、Ordered Subspace Clustering (OSC) を提案する。OSC は、順序ペナルティ項を追加することにより、SSC や LRR、SpatSC よりも高い精度とロバスト性を達成し、ノイズ下でも優れた性能を示す。高光譜、動画、モーショングラフデータにおいて、収束保証と並列化可能な最適化を備えて、最先端の性能を達成している。

ABSTRACT

We propose Ordered Subspace Clustering (OSC) to segment data drawn from a sequentially ordered union of subspaces. Similar to Sparse Subspace Clustering (SSC) we formulate the problem as one of finding a sparse representation but include an additional penalty term to take care of sequential data. We test our method on data drawn from infrared hyper spectral, video and motion capture data. Experiments show that our method, OSC, outperforms the state of the art methods: Spatial Subspace Clustering (SpatSC), Low-Rank Representation (LRR) and SSC.

研究の動機と目的

• 標準的手法が時間的構造を十分に活用できない時系列データにおける部分空間セグメンテーションの課題に対処すること。
• 特にノイズ汚染下でも高いクラスタリング精度とロバスト性を実現する、高次元時系列データのセグメンテーションを向上させること。
• 収束を保証する最適化フレームワークを構築し、スケーラビリティを実現する並列計算を可能とすること。
• 既存の最先端手法よりも、より解釈可能で正確な類似度行列を生成する手法を提供すること。

提案手法

• スパース表現問題として部分空間セグメンテーションを定式化し、スパース部分空間クラスタリング (SSC) を拡張する形で、追加の順序ペナルティ項を導入する。
• 非順序的表現を罰するように設計された、時間的一致性を強制する新しい最適化目的関数を導入する。
• 交替方向乗数法 (ADMM) を用いた収束保証付きの新しい最適化アルゴリズムを設計する。
• 最適化ステップの並列計算を可能とし、計算負荷を軽減し、スケーラビリティを向上させる。
• 赤外高光譜、動画シーケンス、モーショングラフデータの複数のドメインからのデータに本手法を適用する。
• フレームのベクトル表現を用い、連続するフレームを連結することで、データ行列における時間的順序を保持する。

実験結果

リサーチクエスチョン

• RQ1 部分空間クラスタリングに時間的順序を組み込むことで、時系列データにおけるセグメンテーション精度が向上するか？
• RQ2 実世界の時系列データセットにおけるガウスノイズに対して、OSC は SSC や LRR、SpatSC よりも優れたロバスト性を示すか？
• RQ3 OSC のために提案された最適化スキームは収束を保証し、効率的かつ並列化可能な計算を可能にするか？
• RQ4 多様な時系列データタイプにおいて、OSC は既存手法よりも解釈可能で正確な類似度行列を生成できるか？
• RQ5 OSC は、高光譜画像、動画、モーショングラフを含む、さまざまなデータモダリティに一般化してうまく機能するか？

主な発見

• OSC は、全テストデータセットにおいて、SSC や LRR、SpatSC よりも顕著に低い部分空間クラスタリング誤差を達成しており、特に高ノイズ条件下で顕著な優位性を示す。
• 準実験データの実験では、全ノイズレベルにおいて、OSC が平均、中央値、最小値、最大値のすべてにおいて、部分空間クラスタリング誤差 (SCE) を最低に抑えた。
• 動画シーンセグメンテーションの実験では、ノイズが増加しても OSC は一貫して低い誤差率を維持したが、他の手法は急激な性能低下を示した。
• HDM05 データセットを用いた人間行動セグメンテーションでは、全ノイズレベルで OSC がベースライン手法よりも優れたロバスト性と低い誤差率を示した。
• OSC のために提案された最適化スキームは、信頼性の高い収束を示し、並列計算を可能とすることで、計算コストを低減し、スケーラビリティを向上させた。
• OSC は、全評価シナリオにおいて一貫した性能向上を示したことから、既存手法よりも解釈可能で正確な類似度行列を生成した。