Upload
shogo-muramatsu
View
509
Download
0
Embed Size (px)
Citation preview
12015/11/4 第 30 回信号処理シンポジウム
非分離冗長重複変換の事例学習設計における効果的辞書更新
平成27年11月4日(水)新潟大学
村松正吾、石井雅基
2
発表内容
研究背景と目的 NSOLT の構成と設計 目的関数の勾配導出 解析的勾配の効果的計算法の提案 確率的勾配降下(SGD)法の導入 NSOLT 設計の評価 まとめ
2015/11/4 第 30 回信号処理シンポジウム
3
研究背景 冗長変換の応用例:画像復元
2015/11/4 第 30 回信号処理シンポジウム
𝐛観測画像
𝐱未知の原画像
観測過程
𝐃𝐲
𝐃�̂�
冗長変換(辞書)
スパース表現
�̂�復元画像
復元
冗長変換の選択は復元性能に影響大
4
特徴 非分離性、対称性、重複性を有する冗長変換 事例に基づく設計(辞書学習)が可能
非分離冗長重複変換 (NSOLT)
2015/11/4 第 30 回信号処理シンポジウム
事例画像
学習辞書(要素画像群)[Muramatsu,ICASSP2014]
𝐃
スパース表現による画像復元
2015/11/4 第 30 回信号処理シンポジウム 5
原画像
PSNR→
観測画像
23.84 [dB]
復元画像ウィー
ナー21.99 [dB]
ISTA + →PSNR →冗長度 →
復元画像非間引 HT27.17 [dB]
復元画像NSOLT
27.27 [dB]
6
問題と目的
従来の設計(辞書学習)法 遺伝的アルゴリズム (GA) &準ニュートン法
無数の局所解をもつ非線形な目的関数に対応 問題点
パラメータ数が数百、数千 設計困難➡ 特に、準ニュートン法に時間を要する 目的関数の数値的勾配(有限差分)計算がボトルネックに
2015/11/4 第 30 回信号処理シンポジウム
【目的】 設計の効率化解析的勾配を導出、確率的勾配降下法を導入
0
0.5
5
1f()
5
1.5
f( )=||y-D x||22
1
2
0
0
2.5
0-5 -5
パーセバルタイト実装()
Type-I NSOLT のラティス構成
2015/11/4 第 30 回信号処理シンポジウム 7
𝐱 𝐲
垂直 水平
𝐂𝐌𝑇 𝐖0
𝑇
𝐔0𝑇
𝐔𝑛{𝑑 }𝑇
- -
𝑧𝑑− 1 1/2
1/2パラメータ行列
パラメータ行列
𝜃0𝜃1 𝜃𝑝− 1𝜃𝑝
𝜃𝑝(𝑝− 1)/2
𝑠0𝑠1𝑠2𝑠𝑝 −2𝑠𝑝−1
符号パラメー
タ回転角
パラメータ
偶対称
奇対称
8
NSOLT の設計(辞書学習) 問題設定
スパース符号化
辞書更新
第 30 回信号処理シンポジウム2015/11/4
スパース符号化( 変換係数の更新 )
辞書更新( パラメータの更新 )
収束判定
true
false
事例画像群(事例数)
繰返しハード閾値処理
(IHT)
少ない係数で良い近似を得たい
GA +準ニュートン
法
{𝐲 𝑖 }
�̂�
�̂�辞書更新が課題.特に,有限差分による準ニュートン
法辞書(要素画像群)
9
辞書更新の目的関数
目的関数の勾配
ここで、
目的関数の勾配導出
2015/11/4 第 30 回信号処理シンポジウム
𝑓 (𝚯 )= 1𝑆∑
𝑖=0
𝑆−1
‖𝐫 𝑖 (𝚯 )‖22= 1𝑆∑
𝑖=0
𝑆− 1
‖𝐱 𝑖−𝐃𝚯𝐲 𝑖‖22
,
𝐃𝚯
{𝐱 𝑖 } {𝐲 𝑖 }{�̂� 𝑖 (𝚯 ) }誤差
𝜃0𝜃1 𝜃𝑝− 1𝜃𝑝
𝜃𝑝(𝑝− 1)/2
𝜕𝜕𝜃 𝑗
𝑓 (𝚯 )=− 2𝑆∑𝑖=0
𝑆− 1
⟨𝐫 𝑖 (𝚯 ) , 𝜕𝜕𝜃 𝑗
𝐃𝚯 �̂� 𝑖⟩𝐆𝚯 ( 𝑗 )= 𝜕
𝜕𝜃 𝑗𝐃𝚯
{𝐲 𝑖 }{ 𝜕𝜕 𝜃 𝑗
𝐃𝚯 �̂�𝑖}偏微分システ
ム
対象となる回転行列の実装変更のみで良い
0 𝜃 𝑗+𝜋 /2
事例 近似
回転行列の微分
10
解析的勾配計算法の提案 全ての回転角について評価
同じ演算が繰返し現れる ➡ 非効率
中間結果の再利用.より,回転 ➡
2015/11/4 第 30 回信号処理シンポジウム
𝜕𝜕𝜃 𝑗
𝑓 (𝚯 )=− 2𝑆∑𝑖=0
𝑆− 1
⟨𝐫 𝑖 (𝚯 ) ,𝑮𝚯 ( 𝑗 )𝐲 𝑖 ⟩�̂� 𝑖𝐆𝚯 ( 𝑗 ) �̂� 𝑖
,
𝐫 𝑖 (𝚯 ) ,
𝐫 𝑖 (𝚯 ) ,
𝐫 𝑖 (𝚯 ) �̂� 𝑖
�̂� 𝑖
�̂� 𝑖
𝑗=0
𝑗= 𝐽−1
回
11
解析的勾配の速度評価 数値的勾配(有限差分)と解析的勾配の比較
2次元,間引き,次数,直流無漏洩, 準ニュートン法(MATLAB R2015b fminunc, 反復数:20回)
2015/11/4 第 30 回信号処理シンポジウム
帯域数 所要時間 [s] 速度比率
最大相対誤差
(DerivativeCheck)数値的 解析的
8+8 120.23 1.45 83.14
9+9 170.79 1.41 121.48
10+10 228.26 1.69 134.93
11+11 282.40 1.85 152.80
12+12 342.52 1.92 178.60CPU: Intel Core i7-3667U 2.00GHz, RAM:8GB, OS: Win8.1Pro(64)
12
全ての事例について評価
事例をランダムに選択して評価
確率的勾配降下 (SGD) 法の導入
2015/11/4 第 30 回信号処理シンポジウム
𝛻𝜽 𝑓 (𝚯 )= 1𝑆∑
𝑖=0
𝑆−1
𝛻𝜽 𝑓 𝑖 (𝚯)
𝛻𝛉 𝑓 𝑖 (𝚯 )=𝛻𝜽‖𝐱 𝑖−𝐃𝚯 �̂�𝑖‖22
𝛻𝜽 𝑓 (𝚯 )∼𝛻𝛉 𝑓 𝑖 (𝚯 )
事例毎の勾配
全事例の勾配(平均)
事例毎の勾配で近似
計算量削減 局所解脱出
𝜽𝑘+1=𝜽𝑘−𝜂𝑘𝛻𝜽 𝑓 (𝚯 )
𝜽𝑘+1=𝜽𝑘−𝜂𝑘𝛻𝜽 𝑓 𝑖𝑘 (𝚯 )
13
要素画像(インパルス応答)群() 事例:barbaraからの画素パッチ(ランダム抽出)
スパース符号化実験の結果( PSNR[dB] ) 実験緒言 ()
確率的勾配降下法による設計
2015/11/4 第 30 回信号処理シンポジウム
辞書 goldhill lena barbara baboon
Sparse K-SVD 33.55 34.87 29.35 26.22
SGD-NSOLT (提案法)
33.56 37.40 32.67 25.94
14
まとめ
辞書更新目的関数の解析的勾配を導出 偏微分合成システムを導出,効果的算出法を提案 数値的手法に比べ数十~数百倍の速度向上を確認
確率的勾配降下 (SGD) 法の導入 大規模な設計問題の最適化が可能に Sparse-KSVD と同等か優れた性能も得た
今後の課題 画像復元,特徴抽出等への応用 ボリュームデータへの適用
2015/11/4 第 30 回信号処理シンポジウム