[论文解读] Online Decomposition of Compressive Streaming Data Using $n$-$\ell_1$ Cluster-Weighted Minimization

Huynh Van Luong, Nikos Deligiannis+2 more|arXiv (Cornell University)|Feb 8, 2018

Sparse and Compressive Sensing Techniques参考文献 21被引用 3

一句话总结

该论文提出CODA，一种在线压缩流数据分解方法，通过使用 $n$-$\ell_1$ 聚类加权最小化，联合从压缩测量中恢复稀疏分量和低秩分量。通过迭代聚类和重加权多个先验稀疏向量，CODA 在极低测量率下实现了视频流中前景-背景分离的优越性能，优于现有在线和压缩RPCA方法。

ABSTRACT

We consider a decomposition method for compressive streaming data in the context of online compressive Robust Principle Component Analysis (RPCA). The proposed decomposition solves an $n$-$\ell_1$ cluster-weighted minimization to decompose a sequence of frames (or vectors), into sparse and low-rank components, from compressive measurements. Our method processes a data vector of the stream per time instance from a small number of measurements in contrast to conventional batch RPCA, which needs to access full data. The $n$-$\ell_1$ cluster-weighted minimization leverages the sparse components along with their correlations with multiple previously-recovered sparse vectors. Moreover, the proposed minimization can exploit the structures of sparse components via clustering and re-weighting iteratively. The method outperforms the existing methods for both numerical data and actual video data.

研究动机与目标

• 解决批量和在线鲁棒主成分分析（RPCA）在具有背景变化和高数据量的长视频流中的局限性。
• 实现实时流数据分解，仅依赖压缩测量，无需完整数据访问。
• 通过聚类和重加权，利用多个先验稀疏分量及其结构相关性，提升恢复精度。
• 开发一种在低测量率下保持高性能的方法，降低存储和通信成本。

提出的方法

• CODA 将在线优化问题表述为：最小化低秩分量的核范数和当前稀疏分量的 $\ell_1$-范数，并引入基于先验的正则化项。
• 该方法引入三种辅助信息信号：最近一次重建的前景，以及来自先前帧的两个运动补偿外推版本。
• 通过时间维度上对稀疏分量进行迭代聚类，识别结构模式，并根据聚类归属关系对 $\ell_1$-范数进行重加权，以增强稀疏性。
• 使用压缩测量 $\mathbf{y}_t = \mathbf{\Phi}(\mathbf{x}_t + \mathbf{v}_t)$ 逐帧顺序求解优化问题，其中 $\mathbf{\Phi}$ 是一个满足 $m \ll n$ 的随机投影矩阵。
• 该算法采用一种重加权方案，根据聚类结构和先前恢复质量，自适应地增加对不太可能的稀疏分量的惩罚。
• CODA 通过蒙特卡洛模拟和真实视频序列进行评估，性能通过在不同测量率下的恢复成功率进行衡量。

实验结果

研究问题

• RQ1 能否有效利用多个先验稀疏分量，以提升压缩流数据的在线分解性能？
• RQ2 对稀疏分量进行迭代聚类和重加权，是否能增强压缩在线RPCA中的恢复精度？
• RQ3 在低测量率下，CODA 与 CORPCA、ReProCS 和 GRASTA 等最先进方法相比性能如何？
• RQ4 CODA 在数据量极小时，能在多大程度上从压缩测量中恢复结构化稀疏分量（如视频中的前景）？

主要发现

• CODA 在测量率低至 $m/n = 0.25$ 时，成功从 500 维数据中恢复，且在理想条件下稀疏分量和低秩分量的恢复成功率均为 $100\%$。
• 当 $s_0 > 70$ 时，CORPCA-$n$-$\ell_1$ 无法恢复稀疏分量，而 CODA 仍保持 $100\%$ 的成功率，表明其对高稀疏性的鲁棒性。
• 在 $m/n = 0.5$ 时，CODA 在 Bootstrap 视频序列中以高保真度恢复了前景结构，即使在 $m/n = 0.8$ 时也优于 CORPCA 和 ReProCS。
• ReProCS 的性能显著劣于 CODA，尤其在低秩恢复方面，即使在高测量率下仍存在明显伪影。
• GRASTA 的低秩恢复性能低于 CODA，尤其在 $m/n = 0.4$ 时表现更差，凸显了 CODA 在保持背景结构方面的高效性。
• 图 1 中的骨色成功率图显示，CODA 在 $m/n = 0.6$ 时实现白色区域（100% 成功率），而 ReProCS 和 CORPCA 在相同测量率下仍显示灰色区域（失败）。