要約
機械学習とコンピュータービジョンでは、平均シフト（MS）は、クラスタリングと画像セグメンテーションに使用される最も一般的なモード探索アルゴリズムの1つとして認められています。
各データポイントを、その近傍のデータポイントの加重平均に繰り返し移動します。
各データポイントの近傍を見つけるために必要な計算コストは、データポイントの数の2次式です。
その結果、バニラMSは、大規模なデータセットでは非常に遅いように見えます。
この問題に対処するために、GridShiftと呼ばれるモード探索アルゴリズムを提案します。これは、大幅に高速化され、主にMSに基づいています。
加速するために、GridShiftは、データポイントの数が線形である、隣接検索にグリッドベースのアプローチを採用しています。
さらに、GridShiftは、データポイントの代わりにアクティブなグリッドセル（少なくとも1つのデータポイントに関連付けられたグリッドセル）を高密度に移動します。これにより、速度が向上します。
GridShiftの実行時間は、アクティブなグリッドセルの数では線形であり、機能の数では指数関数的です。
したがって、オブジェクトトラッキングや画像セグメンテーションなどの大規模な低次元アプリケーションに最適です。
広範な実験を通じて、画像セグメンテーションのベンチマークデータセットの精度と実行時間の点で、他のMSベースおよび最先端のアルゴリズムと比較してGridShiftの優れたパフォーマンスを紹介します。
最後に、GridShiftに基づく新しいオブジェクト追跡アルゴリズムを提供し、CamShiftおよびmeanshift++と比較したオブジェクト追跡の有望な結果を示します。
要約(オリジナル)
In machine learning and computer vision, mean shift (MS) qualifies as one of the most popular mode-seeking algorithms used for clustering and image segmentation. It iteratively moves each data point to the weighted mean of its neighborhood data points. The computational cost required to find the neighbors of each data point is quadratic to the number of data points. Consequently, the vanilla MS appears to be very slow for large-scale datasets. To address this issue, we propose a mode-seeking algorithm called GridShift, with significant speedup and principally based on MS. To accelerate, GridShift employs a grid-based approach for neighbor search, which is linear in the number of data points. In addition, GridShift moves the active grid cells (grid cells associated with at least one data point) in place of data points towards the higher density, a step that provides more speedup. The runtime of GridShift is linear in the number of active grid cells and exponential in the number of features. Therefore, it is ideal for large-scale low-dimensional applications such as object tracking and image segmentation. Through extensive experiments, we showcase the superior performance of GridShift compared to other MS-based as well as state-of-the-art algorithms in terms of accuracy and runtime on benchmark datasets for image segmentation. Finally, we provide a new object-tracking algorithm based on GridShift and show promising results for object tracking compared to CamShift and meanshift++.
arxiv情報
| 著者 | Abhishek Kumar,Oladayo S. Ajani,Swagatam Das,Rammohan Mallipeddi |
| 発行日 | 2022-06-05 15:08:34+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google