Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 11
大規模確率場と大規模確率場と確率的画像処理の深化と展開確率的画像処理の深化と展開
東北大学東北大学 大学院情報科学研究科大学院情報科学研究科
田中田中 和之和之
http://www.smapip.is.tohoku.ac.jp/~kazu/http://www.smapip.is.tohoku.ac.jp/~kazu/
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 22
ContentsContents
1.1. 序論序論2.2. 確率的画像処理確率的画像処理3.3. 確率伝搬法確率伝搬法4.4. まとめまとめ
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 33
確率的情報処理確率的情報処理
理詰めの情報処理法則・命題群からの予測
現実世界の現実世界の情報処理情報処理現象の起こる要因の多様性現象の起こる要因の多様性必要なデータが完全に得られるわけではない.必要なデータが完全に得られるわけではない.大量のデータは得られるが必要な情報の抽出が難しい.大量のデータは得られるが必要な情報の抽出が難しい.
「すぐ分かること」と「本当に知りたいこと」のギャップからくる「すぐ分かること」と「本当に知りたいこと」のギャップからくる不確実性→何とかして克服したい不確実性→何とかして克服したい!!!!
不確実性の数学的表現→確率・統計不確実性の数学的表現→確率・統計
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 44
確率的情報処理確率的情報処理
確率的画像処理ネットワーク構造をもつ
数理モデル
単純な機能を持つたくさんの要素が関連し合い,互いに協力して複雑・高度な機能を生み出す.
不確実性を伴うデータに耐えうる推論システム
モデル化
ノードは事象,矢印は条件付き確率に対応
不確実性の数学的表現→確率・統計
重要な概念のひとつ
10 June, 2009 CIVM200906 (Kyoto) 5
確率的情報処理の深化と展開
通信理論・像情報処理・確率推論
コトの物理学としての定着
ポイントはやはり More is different
統計科学
統計的学習理論
情報統計力学計算理論
日常生活の情報処理
データマイニング
複雑ネットワーク科学
例えばSAT
量子情報
生命情報科学
例えば量子誤り訂正符号,量子アニーリング
例えばSVMを用
いた遺伝子解析
例えば機械学習への応用
平均場法 スピングラス理論
ベイズ法 最尤法
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 66
文部科学省 科学研究費補助金 特定領域研究
「確率的情報処理への統計力学的アプローチ」
文部科学省文部科学省 科学研究費補助金科学研究費補助金 特定領域研究特定領域研究
「確率的情報処理への統計力学的アプローチ」「確率的情報処理への統計力学的アプローチ」
2002年4月-2006年3月2002年4月-2006年3月2002年4月-2006年3月
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 77
文部科学省 科学研究費補助金 特定領域研究
「情報統計力学の深化と展開」
文部科学省文部科学省 科学研究費補助金科学研究費補助金 特定領域研究特定領域研究
「「情報統計力学の深化と展開情報統計力学の深化と展開」」
2006年4月-2010年3月領域代表:樺島祥介(東工大総合理工)20020066年4月-20年4月-201010年3月年3月領域代表:樺島祥介(東工大総合理工)領域代表:樺島祥介(東工大総合理工)
http://dex-smi.sp.dis.titech.ac.jp/DEX-SMI/http://dexhttp://dex--smi.sp.dis.titech.ac.jp/DEXsmi.sp.dis.titech.ac.jp/DEX--SMISMI//
情報統計力学 検索
DEX-SMI 検索
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 88
ContentsContents
1.1. 序論序論2.2. 確率的画像処理確率的画像処理3.3. 確率伝搬法確率伝搬法4.4. まとめまとめ
10 June, 2009 CIVM200906 (Kyoto) 9
画像修復の確率モデル
原画像 劣化画像
通信路
雑音
{ } { } { }{ }
43421
48476444 8444 76444 8444 76
周辺尤度
事前確率尤度事後確率
劣化画像
原画像原画像劣化画像劣化画像原画像
PrPr|Pr|Pr =
白色ガウス雑音原画像劣化画像 +=
10 June, 2009 CIVM200906 (Kyoto) 10
Prior Probability in Probabilistic Image Processing
{ } ( ) ⎟⎟
⎠
⎞
⎜⎜
⎝
⎛−−∝= ∑
∈Ejiji xxxX
},{
221expPr αrr
10 June, 2009 CIVM200906 (Kyoto) 11
2値画像の事前確率(Prior Probability)
赤い線が少ないほど確率が高くなるように確率モデルを設計
問題設定画素の周辺の状態が固定されているとき着目画素の状態は?
?
>
== >
周りが白ければ着目画素も白くあるべき
2/α−∝ e 2/α−∝ e1∝1∝
10 June, 2009 CIVM200906 (Kyoto) 12
2値画像の事前確率(Prior Probability)2値画像の事前確率(Prior Probability)
赤い線が少ないほど確率が高くなるように確率モデルを設計
画素がいくつか集まると周りの画素の状態をよく見ながら自分の状態を決めないといけなくなる もっとたくさん集まったらどうなるか?
問題設定画素の周辺の状態が固定されているとき着目画素の状態は?
?-?== >
> >=
2/α−∝ e 2/α−∝ e1∝1∝
10 June, 2009 CIVM200906 (Kyoto) 13
ゆらぎが大きいときに何が実際に起こっているのか? p
0.0
0.2
0.4
0.6
0.8
1.0
0.0 0.2 0.4 0.6 0.8 1.0
無秩序状態 秩序状態ゆらぎが大きく点の近くのパターン
α が小さい α が大きい
最近接画素間の共分散
マルコフ連鎖モンテカルロ法によるサンプリング
Markov Networkα
10 June, 2009 CIVM200906 (Kyoto) 14
ゆらぎが大きいときのパターンを画像処理に使えるか?
0.0
0.2
0.4
0.6
0.8
1.0
0.0 0.2 0.4 0.6 0.8 1.0α
最近接画素間の共分散
p
似ている
Markov Network大小
10 June, 2009 CIVM200906 (Kyoto) 15
強磁性体と確率モデル強磁性体と確率モデル
>
=
=
>
=
=
x
y
画像は各画素ごとの強さの異なる光であらわされる.
0 255
共通点:まわりと同じ状態をとろうとする
Ising モデル
Markov Random Field (MRF) モデル
10 June, 2009 CIVM200906 (Kyoto) 16
Prior Probability in Probabilistic Image Processing
{ } ⎟⎟
⎠
⎞
⎜⎜
⎝
⎛−−∝= ∑
∈Ejiji xxxX
},{
2)(21expPr αrr
0005.0=α 0030.0=α0001.0=α
Samples are generated by MCMC.
Markov Chain Monte Carlo Method
{ }VV ,,2,1 L=
links theall ofSet :E
10 June, 2009 CIVM200906 (Kyoto) 17
Additive White Gaussian Noise
{ } ( )∏∈
⎟⎠⎞
⎜⎝⎛ −−∝==
Viii yxxXyY 2
221expPrσ
rrrr
Degradation Process
10 June, 2009 CIVM200906 (Kyoto) 18
ベイズ統計と画像処理
{ } { } { }{ }
( ) ( ) ⎟⎟
⎠
⎞
⎜⎜
⎝
⎛−−−−∝
=
======
∑∑∈∈ Eji
jiVi
ii xxyx
yY
xXxXyYyYxX
},{
222 2
12
1exp
Pr
PrPrPr
ασ
rr
rrrrrrrrrr
xr g
{ }xX =Pr { }xXyY rrrr==Pr yr
原画像 劣化画像事前確率
事後確率
加法的白色ガウス雑音または2元対称通信路
画像処理は平均,分散,共分散の計算に帰着
10 June, 2009 CIVM200906 (Kyoto) 19
Statistical Estimation of Hyperparameters
∑ =====z
zXzXyYyYr
rrrrrrrr}|Pr{},|Pr{},|Pr{ ασσα
( )},|Pr{max arg)ˆ,ˆ(
,σασα
σαyY rr
==
xr g
Marginalized with respect to X
}|Pr{ αxX rr= },|Pr{ σxXyY rrrr
== yrOriginal Image
Marginal Likelihood
Degraded ImageΩy
x
},|Pr{ σαyY rr=
Hyperparameters α, σ are determined so as to maximize the marginal likelihood Pr{Y=y|α,σ} with respect to α, σ.
10 June, 2009 CIVM200906 (Kyoto) 20
Maximization of Marginal Likelihood by EM Algorithm
∑ =====z
xXzXyYyYr
rrrrrrr}|Pr{},|Pr{},|Pr{ ασσαMarginal
Likelihood
( ) },|,Pr{ln}',',|Pr{
,',',
∑ =====z
yYzXyYzX
yQ
r
rrrrrrrr
r
σασα
σασα
( ) ( )( )
( ) ( )( )( )
( ) ( )( ).,,maxarg1,1 :Step-M
},|,Pr{ln)}(),(,|Pr{
,, :Step-E
,ttQtt
yYzXttyYzX
ttQ
zσασασα
σασα
σασα
βα←++
====← ∑r
rrrrrrrr
E-step and M-Step are iterated until convergence:EM (Expectation Maximization) Algorithm
Q-Function
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 2121
ContentsContents
1.1. 序論序論2.2. 確率的画像処理確率的画像処理3.3. 確率伝搬法確率伝搬法4.4. まとめまとめ
10 June, 2009 CIVM200906 (Kyoto) 22
計算困難のポイントは何か
2L 通りの和が計算できるか?
( )∑ ∑ ∑= = =FT, FT, FT,
211 2
,,,x x x
LL
xxxf LL
( )
}}
} ;,,,
F){or Tfor(
F){or Tfor( F){or Tfor(
;0
21
2
1
M
L
M
L
Lxxxfaa
x
xx
a
+←=
==
←
L 重ループ
このプログラムではL=10個のノードで1秒かかるとしたらL=20個で約17分,L=30個で約12日,L=40個で約34年かかる.
厳密に計算するのは一部の特殊な例を除いて難しい.
マルコフ連鎖モンテカルロ法確率伝搬法 今回
10 June, 2009 CIVM200906 (Kyoto) 23
扱いやすい確率モデルのグラフ表現
扱いやすい確率モデルの数理構造
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛= ∑∑∑
∑ ∑ ∑
===
= = =
FT,FT,FT,
FT, FT, FT,
),(),(),(
),(),(),(
CBA
A B C
DChDBgDAf
DChDBgDAf
A
B CD∑ ∑ ∑
= = =FT, FT, FT,A B C
扱いやすくない確率モデルの数理構造
∑ ∑ ∑= = =FT, FT, FT,
),(),(),(A B C
AChCBgBAf
A
B C
∑ ∑ ∑= = =FT, FT, FT,A B C
木構造をもつグラフ表現
閉路を含むグラフ表現
別々に和を計算できる
別々に和を計算することが難しい
10 June, 2009 CIVM200906 (Kyoto) 24
転送行列法=確率伝搬法(1)
1次元鎖
{ } ( )∏−
=++==
1
111, ,1Pr
N
iiiii xxW
ZxX rr
( ) ( )∑∑ ∑ ∏−
⎟⎟⎠
⎞⎜⎜⎝
⎛≡
−
=++→−
1 2 1
1
111,1 ,
x x x
k
iiiiikkk
k
xxWxL L
( )kkk xL →−1
( )kkk xR →+1
k
k( ) ( )∑ ∑ ∑ ∏
+ + −⎟⎟⎠
⎞⎜⎜⎝
⎛≡
−
=++→+
1 2 1
111,1 ,
k k Nx x x
N
kiiiiikkk xxWxR L
10 June, 2009 CIVM200906 (Kyoto) 25
転送行列法=確率伝搬法(2)
漸化式
( ) ( ) ( )∑ ++→−++→ =kx
kkkkkkkkkk xxWxLxL 11,111 ,
( )kkk xL →−1
k
( )11 ++→ kkk xL
1+k
{ } { }
( ) ( )( ) ( )∑
∑∑ ∑ ∑ ∑ ∑
→+→−
→+→−=
===− + + −
m
m m m N
xmmmmmm
mmmmmm
x x x x x xmm
xRxLxRxL
xXxX
11
11
1 2 1 1 2 1
PrPr rrLL
( )kkk xR →+1k
( )11 −−→ kkk xR1−k
( ) ( ) ( )kkkx
kkkkkkk xRxxWxRk
→+−−−−→ ∑= 11,111 ,
パスはひとつ
10 June, 2009 CIVM200906 (Kyoto) 26
閉路のないグラフ上の確率伝搬法
{ } ( )∏−
=++==
1
111, ,1Pr
N
iiiii xxW
ZxX rr
( ) ( )
( ) ( ) ( ) ( )∑
∑∑ ∑ ∏
++→−→−→−
=++++→
=
⎟⎟⎠
⎞⎜⎜⎝
⎛=
k
k
xkkkkkkkkkkkkk
x x x
k
iiiiikkk
xxWxMxMxM
xxWxM
11,321
111,11
,
,1 2
L
閉路が無いことが重要!!
同じノードは2度通らない
1X
2X 3X
1−kX
kX
2−kX
3−kX
1+kX
10 June, 2009 CIVM200906 (Kyoto) 27
確率的画像処理における確率伝搬法(Belief Propagation)
着目画素とその近傍画素だけを残すと木構造になる.
確率伝搬法(Belief Propagation)の統計的近似アルゴ
リズムとしての転用
10 June, 2009 CIVM200906 (Kyoto) 28
閉路のあるグラフ上の確率モデルの確率伝搬法(Belief Propagation)
( )MMrrr
Ψ= メッセージに対する固定点方程式
閉路のあるグラフ上でも局所的な構造だけに着目してアルゴリムを構成することは可能.ただし,得られる結果は厳密ではなく近似アルゴリズム
( )( ) ( ) ( ) ( )
( ) ( ) ( ) ( )∑∑
∑
→→→
→→→
→ Φ
Φ
=
1 2
1
1151141132112
1151141132112
221 ,
,
z z
z
zMzMzMzz
zMzMzMxz
xM
21
3
4
5
平均,分散,共分散はこのメッセージを使ってあらわされる
10 June, 2009 CIVM200906 (Kyoto) 29
確率的画像処理における確率伝搬アルゴリズムの基本構造
ひとつの画素ごとに4種類の更新パターン
4近傍の場合は3入力1出力の更新式
画素上での動作の様子の一例
10 June, 2009 CIVM200906 (Kyoto) 30
Belief Propagation
Input
Output
BP EM
Update Rule of BP
21
3
4
5
10 June, 2009 CIVM200906 (Kyoto) 31
Maximization of Marginal Likelihood by EM Algorithm
( ) ( )( )( )
( ) ( )( ).,,,maxarg1,1,
gttQtt rσασασασα
←++
yr
( )ymx rrr ,ˆ,ˆˆ σα=
0
0.0002
0.0004
0.0006
0.0008
0.001
0 20 40 60 80 100
Loopy Belief Propagation
Exact
0006000ˆ335.36ˆ
.==
LBP
LBP
ασ
0007130ˆ624.37ˆ
.==
Exact
Exact
ασ
10 June, 2009 CIVM200906 (Kyoto) 32
Image Restoration by MRF and Conventional Filters
( )2ˆ|V|
1MSE ∑∈
−=Vi
ii xx
327Statistical Method
445(5x5)
486(3x3)Median Filter
413(5x5)388(3x3)Lowpass
Filter
MSE
(3x3) (3x3) LowpassLowpass (5x5) Median(5x5) MedianMRFMRF
Original ImageOriginal Image Degraded ImageDegraded Image
RestoredRestoredImageImage
10 June, 2009 CIVM200906 (Kyoto) 33
Digital Images Inpaintingbased on MRF
Inpu
t
Out
put
MarkovRandom
FieldM. Yasuda, J. Ohkubo and K. Tanaka: Proceedings ofCIMCA&IAWTIC2005.
10 June, 2009 CIVM200906 (Kyoto) 34
結合ガウス・マルコフ確率場モデル
( )⎟⎟
⎠
⎞
⎜⎜
⎝
⎛−−−−−−= ∑∑
∈∈uyx Vxxuyx
ZP
Ejijiji
Viii γα
σ },{
2},{
22 ))(1(
21)(
21exp1)|(
0 2.7 1.8 0.9 1.8 2.7:0 :1
ライン場についての事前情報 V(u)
ライン場を量子化することでさらなる拡張が可能ライン場を量子化することでさらなる拡張が可能
10 June, 2009 CIVM200906 (Kyoto) 35
結合ガウス・マルコフ確率場モデル
原画像 劣化画像 ライン場のない確率場モデル
ライン場を導入した確率場モデル
量子ライン場を導入した確率場モデル
10 June, 2009 CIVM200906 (Kyoto) 36
結合ガウス・マルコフ確率場モデル
原画像 劣化画像 ライン場のない確率場モデル
ライン場を導入した確率場モデル
量子ライン場を導入した確率場モデル
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 3737
ContentsContents
1.1. 序論序論2.2. 確率的画像処理確率的画像処理3.3. 確率伝搬法確率伝搬法4.4. まとめまとめ
10 June, 2009 CIVM200906 (Kyoto) 38
確率モデルによる画像処理技術入門確率モデルによる画像処理技術入門
ベイズ統計をつかった画像処理ベイズ統計をつかった画像処理画像処理の事前分布画像処理の事前分布磁性体の物理モデルとの類似性磁性体の物理モデルとの類似性確率伝搬法(確率伝搬法(Belief PropagationBelief Propagation))
10 June, 2009 CIVM200906 (Kyoto) 39
脳の物理モデルの記憶容量,パーセプトロンの容量の評価に類似の議論
標本平均による統計的性能
11→yr
Prio
r Pr
obab
ility 1xr
2xr
3xr
21→yr
12→yr
22→yr
13→yr
23→yrN
oise
11→mr
12→mr
21→mr
22→mr
31→mr
32→mr
Mar
kov
Net
wor
k
推定画像劣化画像
Mean Square Error の標本平均
原画像
スピングラス理論による解析的評価が可能
マルコフ連鎖モンテカルロ法
H. Nishimori: Statistical Physics of Spin Glasses and Information Processing, ---An Introduction, Oxford University Press, 2001.
10 June, 2009 CIVM200906 (Kyoto) 40
統計的性能評価
( ) { }
( ) { } { } xdydxXxXyYxyhV
xdydyYxXxyhV
M
rrrrrrrrrrr
rrrrrrrr
PrPr1
,Pr1
2
2
===−=
==−≡
∫
∫
( )yh rr
g
)(xP r yr事前確率
劣化過程
( )xyP rrxr
( )yxP rr
事後確率修復画像
原画像劣化画像
10 June, 200910 June, 2009 CIVM200906 (KyotoCIVM200906 (Kyoto)) 4141
ReferencesReferences
1.1. K. Tanaka: StatisticalK. Tanaka: Statistical--Mechanical Approach to Image Processing Mechanical Approach to Image Processing (Topical Review), J. Phys. A, (Topical Review), J. Phys. A, 3535, 2002., 2002.
2.2. 田中和之編著田中和之編著: : 臨時別冊・数理科学臨時別冊・数理科学SGCSGCライブラリ「確率的情報処ライブラリ「確率的情報処理と統計力学理と統計力学 ------様々なアプローチとそのチュートリアル」様々なアプローチとそのチュートリアル」, , サイエンサイエンス社ス社, 2006., 2006.
3.3. 田中和之著田中和之著: : 確率モデルによる画像処理技術入門確率モデルによる画像処理技術入門, , 森北出版森北出版, , 2006.2006.
4.4. C. M. Bishop: Pattern Recognition and Machine Learning, C. M. Bishop: Pattern Recognition and Machine Learning, Springer, 2006.Springer, 2006.
5.5. M. J. Wainwright and M. I. Jordan: Graphical Models, M. J. Wainwright and M. I. Jordan: Graphical Models, Exponential Families, and Exponential Families, and VariationalVariational Inference, now Publishing Inference, now Publishing Inc, 2008.Inc, 2008.
6.6. M. M. MezardMezard, A. , A. MontanariMontanari: Information, Physics, and : Information, Physics, and Computation, Oxford University Press, 2009.Computation, Oxford University Press, 2009.