講演抄録/キーワード |
講演名 |
2020-03-17 09:45
低ランク・スパース近似のDNN表現と学習 ~ 自然呼吸下X線血管造影への応用 ~ ○三好亮平・酒井智弥(長崎大)・大西 峻・羽石秀昭(千葉大) PRMU2019-91 |
抄録 |
(和) |
低ランク・スパース近似またはロバスト主成分分析は,線形従属な特徴と希少な特徴が混合している時系列データの情報処理に適している.
しかし,その応用にはいくつかの課題がある.
低ランク性とスパース性のバランスを司る超パラメタ${bf Lambda}_{mbox{scriptsize S}}$を実データに合わせて調整しなければならない.
また,低ランク性・スパース性以外の事前知識を併用すると算法が複雑化する.
本稿では,これらの課題の解決を図るため,低ランク・スパース近似の算法をディープニューラルネット(DNN)と見なして超パラメタ${bf Lambda}_{mbox{scriptsize S}}$の学習を試みる.
深層学習のフレームワークがもつ自動微分の機能に注意し,低ランク・スパース近似の算法に使われる特異値閾値処理とソフト閾値処理,および低ランク性とスパース性を計算出力に課すための核ノルムと$ell_1$ノルムを実装した.
また,自然呼吸下X線造影像の血管強調の応用に対して全変動(total variation)を損失関数に追加してDNNを最適化すると,スパース成分の分布を超パラメタが学習し,造影領域の推定が改善されることを確認した. |
(英) |
Low-rank and sparse (L+S) approximation, a.k.a. stable and robust principal component analysis, is known to be suitable for analyzing sequential data simultaneously containing linearly dependent and sparse features.
There remain, however, some challenges in practice.
Hyperparameters ${bf Lambda}_{mbox{scriptsize S}}$ to control the balance between the low-rankness and sparseness must be tuned on real data.
Introducing additional prior knowledge to the L+S structures makes the optimization algorithm computationally intensive.
This work takes a novel approach to improve the L+S approximation by representing its algorithm as a deep neural network (DNN) with trainable hyperparameters ${bf Lambda}_{mbox{scriptsize S}}$.
In order for the DNN to learn via the backpropagation, the singular-value thresholding and soft thresholding in the L+S algorithm, as well as the nuclear and $ell_1$ norms imposing the L+S nature on the DNN outputs, can be implemented as auto-differentiable modules using a deep learning framework.
Introducing the total variation of the sparse components into the loss function for the DNN training, the hyperparameters successfully acquire spatial distribution of the sparse components, which is experimentlly shown to improve artery detction in the application to celiac angiography under free-breathing condition. |
キーワード |
(和) |
ロバスト主成分分析 / ハイパーパラメータ最適化 / 核ノルム損失関数 / ADMM / / / / |
(英) |
Robust PCA / Hyperparameter optimization / Nuclear loss function / ADMM / / / / |
文献情報 |
信学技報, vol. 119, no. 481, PRMU2019-91, pp. 133-138, 2020年3月. |
資料番号 |
PRMU2019-91 |
発行日 |
2020-03-09 (PRMU) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
PRMU2019-91 |
研究会情報 |
研究会 |
PRMU IPSJ-CVIM |
開催期間 |
2020-03-16 - 2020-03-17 |
開催地(和) |
京都大学 |
開催地(英) |
|
テーマ(和) |
安全安心、セキュリティ・防災 |
テーマ(英) |
|
講演論文情報の詳細 |
申込み研究会 |
PRMU |
会議コード |
2020-03-PRMU-CVIM |
本文の言語 |
日本語 |
タイトル(和) |
低ランク・スパース近似のDNN表現と学習 |
サブタイトル(和) |
自然呼吸下X線血管造影への応用 |
タイトル(英) |
Deep neural network representation and learning of low-rank and sparse approximation |
サブタイトル(英) |
With application to celiac angiography under free breathing |
キーワード(1)(和/英) |
ロバスト主成分分析 / Robust PCA |
キーワード(2)(和/英) |
ハイパーパラメータ最適化 / Hyperparameter optimization |
キーワード(3)(和/英) |
核ノルム損失関数 / Nuclear loss function |
キーワード(4)(和/英) |
ADMM / ADMM |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
三好 亮平 / Ryohei Miyoshi / ミヨシ リョウヘイ |
第1著者 所属(和/英) |
長崎大学 (略称: 長崎大)
Nagasaki University (略称: Nagasaki Univ.) |
第2著者 氏名(和/英/ヨミ) |
酒井 智弥 / Tomoya Sakai / サカイ トモヤ |
第2著者 所属(和/英) |
長崎大学 (略称: 長崎大)
Nagasaki University (略称: Nagasaki Univ.) |
第3著者 氏名(和/英/ヨミ) |
大西 峻 / Takashi Ohnishi / オオニシ タカシ |
第3著者 所属(和/英) |
千葉大学 (略称: 千葉大)
Chiba University (略称: Chiba Univ.) |
第4著者 氏名(和/英/ヨミ) |
羽石 秀昭 / Hideaki Haneishi / ハネイシ ヒデアキ |
第4著者 所属(和/英) |
千葉大学 (略称: 千葉大)
Chiba University (略称: Chiba Univ.) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2020-03-17 09:45:00 |
発表時間 |
15分 |
申込先研究会 |
PRMU |
資料番号 |
PRMU2019-91 |
巻番号(vol) |
vol.119 |
号番号(no) |
no.481 |
ページ範囲 |
pp.133-138 |
ページ数 |
6 |
発行日 |
2020-03-09 (PRMU) |