[論文レビュー] Weighted Low-Rank Approximation of Matrices and Background Modeling

Aritra Dutta, Xin Li+1 more|arXiv (Cornell University)|Apr 15, 2018

Sparse and Compressive Sensing Techniques参考文献 41被引用数 6

ひとこと要約

本稿では、動画シーケンスにおけるロバストなバックグラウンドモデリングのため、重み付き低ランク近似（WLR）とインクリメンタルアルゴリズム（inWLR）を提案する。データに依存する重みをフロベニウスノルムに組み込むことで、ラベル付きトレーニングフレームを必要とせず、ℓ₁ノルム最小化と同等の外れ値へのロバスト性を達成し、複数のデータセットにおいて定量的・定性的なベンチマークで最先端の手法を上回る性能を発揮する。

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.

研究の動機と目的

• 動画シーケンスにおけるスパースな外れ値や動的背景に対処するための標準的な低ランク近似の限界を解消すること。
• 純粋なバックグラウンドフレームの事前知識を必要としないロバストなバックグラウンドモデリング手法の開発。
• ゆっくりとした背景の変化に適応し、進化するシーンの変化を効果的に捉えるインクリメンタルアルゴリズムの設計。
• 重み付きフロベニウスノルムが、行列近似におけるℓ₁ノルムに類似した外れ値へのロバスト性を達成できることの実証。
• データから背景に近いフレームを自動で特定・利用する自己教師付き手法の提供。

提案手法

• 外れ値を抑圧し、低誤差エントリを強調するデータに依存する重みを適応的に学習する重み付き低ランク近似フレームワークを導入。
• バッチモードのWLRと、リアルタイム動画処理に適したインクリメンタルバッチインクリメンタルアルゴリズム（inWLR）の2つのアルゴリズムを提案。
• 重み付きフロベニウスノルムを目的関数として用いる：min ||W ∘ (A - X)||_F² ただし rank(X) ≤ r であり、W はデータに適応する重み行列。
• 特異値しきい値処理に基づく反復的更新を用いて、低ランク行列と重み行列を交互に最適化する。
• 重み付きフロベニウスノルムがℓ₁ノルムのロバスト性を模倣できることを活用し、明示的なℓ₁正則化を必要とせずに外れ値に強い性能を実現。
• inWLRアルゴリズムはデータをバッチ単位で処理し、低メモリ・低計算コストを維持しながらバックグラウンドモデルを段階的に更新する。

実験結果

リサーチクエスチョン

• RQ1 重み付きフロベニウスノルムを用いることで、ℓ₁ノルム最小化と同等の外れ値へのロバスト性を低ランク近似で達成できるか？
• RQ2 トレーニングデータを一切必要とせず、背景モデリングアルゴリズムが純粋なバックグラウンドフレームを自動で特定できるか？
• RQ3 提案手法のinWLRアルゴリズムは、動的背景シーケンスにおいて最先端の手法と比較してどのように性能を発揮するか？
• RQ4 バッチインクリメンタルアプローチは、ゆっくりとした背景の変化に対応しながら、精度を維持するとともに、ストレージ要件を削減できるか？
• RQ5 適応的重み学習の影響は、バックグラウンド再構成品質およびフォアグラウンド検出にどのように及ぶか？

主な発見

• CDNet2014データセットにおいて、inWLRは平均PSNR 58.0381 dB、MSSSIM 0.9995を達成し、複数の最先端手法を上回った。
• SBIデータセットでは、inWLRが平均PSNR 74.3221 dB、MSSSIM 0.9995を記録し、SC-SOBS1や他の教師あり手法をも凌駕した。
• inWLRは、Waving Tree や Canoe といった動的背景シーケンスにおいても、複雑な運動にもかかわらず最小限のゴースト効果で安定した性能を示した。
• 純粋なトレーニングフレームが提供されない状況でも、フォアグラウンド活動が最小限のフレームを自動で特定することで、背景フレームの特定に成功した。
• 重み付きフロベニウスノルムアプローチは、RPCAなどのℓ₁ノルムベース手法と同等の性能を達成したが、明示的なℓ₁正則化を必要としなかった。
• インクリメンタルアルゴリズム（inWLR）は低メモリ使用量を維持しながら高い精度を保ち、リアルタイム動画処理アプリケーションに適している。