[论文解读] 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 5

一句话总结

本文提出有序子空间聚类（OSC），一种新颖的方法，通过将时间顺序信息融入稀疏子空间聚类，实现对位于子空间并集中的序列数据的分割。OSC 通过增加一个序列惩罚项，在噪声环境下相比 SSC、LRR 和 SpatSC 显著提升了准确率与鲁棒性，实现了在高光谱、视频和动作捕捉数据上的最先进性能，且保证收敛性与可并行优化。

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.

研究动机与目标

• 解决序列有序数据中的子空间分割问题，现有标准方法无法有效利用时间结构。
• 提升高维序列数据中的聚类准确率与鲁棒性，尤其在噪声污染条件下。
• 开发一种保证收敛性的优化框架，支持并行计算以提升可扩展性。
• 提出一种方法，生成比现有最先进方法更可解释、更准确的亲和矩阵。

提出的方法

• 将子空间分割建模为稀疏表示问题，通过引入额外的序列惩罚项，扩展稀疏子空间聚类（SSC）。
• 提出一种新型优化目标，通过惩罚非序列表示来强制实现时间一致性。
• 设计一种使用交替方向乘子法（ADMM）的新型优化算法，保证收敛性。
• 支持优化步骤的并行计算，降低计算负担，提升可扩展性。
• 将该方法应用于多个领域数据：红外高光谱、视频序列和动作捕捉数据。
• 使用向量化帧表示，并将连续帧拼接以在数据矩阵中保留时间顺序。

实验结果

研究问题

• RQ1 将时间顺序信息融入子空间聚类是否能提升序列数据的分割准确率？
• RQ2 在真实世界序列数据中，OSC 相较于 SSC、LRR 和 SpatSC 在高斯噪声下的鲁棒性如何？
• RQ3 所提出的 OSC 优化方案是否能保证收敛并支持高效、可并行计算？
• RQ4 OSC 是否能在多种序列数据类型上生成比现有方法更可解释、更准确的亲和矩阵？
• RQ5 OSC 在不同数据模态（包括高光谱成像、视频和动作捕捉）上的泛化能力如何？

主要发现

• OSC 在所有测试数据集上的子空间聚类误差方面显著优于 SSC、LRR 和 SpatSC，尤其在高噪声水平下表现更优。
• 在半合成数据实验中，OSC 在所有噪声幅度下均实现了最低的平均、中位数、最小值和最大子空间聚类误差（SCE）。
• 在视频场景分割任务中，OSC 在噪声增加时仍保持稳定的低误差率，而其他方法则表现出急剧的性能下降。
• 在 HDM05 数据集上的人体动作分割任务中，OSC 在所有噪声水平下均展现出更优的鲁棒性与更低的误差率。
• 所提出的 OSC 优化方案收敛稳定，并支持并行计算，显著降低计算成本，提升可扩展性。
• OSC 生成的亲和矩阵比现有方法更具可解释性与准确性，所有评估场景中均表现出一致的性能提升。