[論文レビュー] A fair comparison of many max-tree computation algorithms (Extended version of the paper submitted to ISMM 2013

Edwin Carlinet, Thierry Géraud|arXiv (Cornell University)|Dec 8, 2012

Data Management and Algorithms参考文献 11被引用数 3

ひとこと要約

本論文は、同一の実装条件（C++、同一のハードウェア、同一の出力形式）の下で、5つの最先端のmax-tree計算アルゴリズムを公平かつ体系的にベンチマークする。画像の量子化レベルと並列化の変動に応じた性能評価を行い、union-by-rankおよびレベル圧縮付きunion-findが最も優れたパフォーマンスを示すことを特定。また、データ特性とシステム制約に基づくアルゴリズム選択を支援する意思決定ツリーを提案。

ABSTRACT

With the development of connected filters for the last decade, many algorithms have been proposed to compute the max-tree. Max-tree allows to compute the most advanced connected operators in a simple way. However, no fair comparison of algorithms has been proposed yet and the choice of an algorithm over an other depends on many parameters. Since the need of fast algorithms is obvious for production code, we present an in depth comparison of five algorithms and some variations of them in a unique framework. Finally, a decision tree will be proposed to help user in choosing the right algorithm with respect to their data.

研究の動機と目的

• 同一の実装および評価条件の下で、max-treeアルゴリズムの公平で再現可能な比較を提供すること。
• 異なる画像タイプ（量子化レベル）およびシステムアーキテクチャ（逐次処理対並列処理）に対して、最も効率的なアルゴリズムを特定すること。
• 文献においてアルゴリズムがしばしば孤立して評価されたり、比較不可能な設定下で評価されたりするという、標準化された比較の欠如を是正すること。
• 画像データおよびハードウェア制約に基づいて最適なmax-treeアルゴリズムを選択するための意思決定フレームワーク（意思決定ツリー）を構築すること。
• 完全にテスト済みのオープンソース実装を公開することで、再現性を確保し、今後のベンチマーク作業を容易にすること。

提案手法

• すべてのアルゴリズムは、同じコードベースとデータ構造（親画像およびS配列）を用いてC++で再実装された。このS配列は木の走査に使用される。
• 評価フレームワークにより、同一の入力画像、同一の出力形式（親画像およびS配列）、同一のハードウェア（8つの論理コアを備えたIntel Xeonシステム）が保証された。
• 実行時間（ウォールクロック時間）を、8ビットから24ビットまでのさまざまな画像量子化レベルおよび最大600万ピクセルまでの画像サイズで測定した。
• 並列化にはマップリダクスパターンが用いられ、1〜12スレッドのスケーラビリティを評価した。後処理ステップ（正規化およびS配列再構築）は分離された。
• union-by-rankおよびレベル圧縮付きのunion-findの実装が行われ、BergerらおよびSalembierらの既存手法と比較された。
• 意思決定ツリーは実験的結果から導出され、画像の量子化、メモリ制約、並列処理の有無を意思決定要因として含めた。

実験結果

リサーチクエスチョン

• RQ1 公平で再現可能な環境下で、8ビットから24ビットまでのさまざまな画像量子化レベルにおいて、どのmax-treeアルゴリズムが最も高いパフォーマンスを発揮するか？
• RQ2 並列化はmax-treeアルゴリズムのパフォーマンスにどのように影響するか？また、スレッド数の増加に伴って、どのアルゴリズムが最も良好にスケーリングするか？
• RQ3 メモリ制約はmax-treeアルゴリズム選択にどのような影響を及ぼすか？また、どのアルゴリズムが最も優れたメモリ効率を示すか？
• RQ4 階層的キューと標準ヒープは、ビット深度の増加に伴ってどのようにスケーラビリティを示すか？
• RQ5 画像データおよびシステムアーキテクチャに基づいて、最適なmax-treeアルゴリズムを選択するための統合的フレームワークを構築可能か？

主な発見

• union-by-rankの変種であるunion-findアルゴリズムが、他のすべての手法を上回り、特に高量子化レベルで顕著な高速性を示し、全体としても最も速い。
• レベル圧縮付きのunion-findは、メモリ使用量を顕著に削減し、厳しいメモリ制約がある組み込みシステムに最適である。
• マップリダクス並列化パターンにより、1スレッドでもキャッシュ効率が向上し、パフォーマンスが向上。特にレベル圧縮付きのunion-findでは最大×4.2のスルーブプット向上が達成された。
• 階層的キューに基づくアルゴリズム（例：NistérおよびStewénius）は、ビット深度の増加に伴いスケーリングが著しく悪化し、18ビットを超えると実行時間が指数関数的に増加する傾向を示した。
• Salembierらの非再帰版（NistérおよびStewénius）は元の実装と同等の性能を示したが、最適化されたunion-by-rank実装に比べて遅い。
• 図8に示される意思決定ツリーは、画像の量子化レベルとシステム制約に基づいて最適なアルゴリズムを選択するための実用的でデータ駆動型のガイドである。