[論文レビュー] Cubical Ripser: Software for computing persistent homology of image and volume data

Shizuo Kaji, Takeki Sudo+1 more|arXiv (Cornell University)|May 23, 2020

Topological and Geometric Data Analysis参考文献 11被引用数 25

ひとこと要約

Cubical Ripser は、重み付き立方複体を用いて画像およびボリュームデータの持久的ホモロジーを計算する高速でメモリ効率の良いソフトウェアツールである。これは Ripser の効率的な行列削減アルゴリズムを立方体構造に適応させ、連結成分、ループ、空洞といった位相的特徴を符号化するバーコードを高速かつメモリ効率よく計算可能にし、画像分類のための深層学習モデルの性能向上に実証済みである。

ABSTRACT

We introduce Cubical Ripser for computing persistent homology of image and volume data (more precisely, weighted cubical complexes). To our best knowledge, Cubical Ripser is currently the fastest and the most memory-efficient program for computing persistent homology of weighted cubical complexes. We demonstrate our software with an example of image analysis in which persistent homology and convolutional neural networks are successfully combined. Our open-source implementation is available online.

研究の動機と目的

• 画像およびボリュームデータを自然にモデル化する重み付き立方複体に基づいて、持久的ホモロジーを高速かつメモリ効率よく計算するツールの開発。
• Ripser などの既存ツールの制限を解決すること。Ripser はバーヴィス・リース複体に最適化されているが、画像データには適用できない。
• 位相的データ解析および画像解析分野の研究者や実務家が利用可能な実用的でアクセスしやすいソフトウェアソリューションを提供すること。
• 位相的特徴を深層学習と統合し、小規模データの画像分類タスクにおける性能向上を実証すること。
• 2次元および3次元の画像データから、ループや空洞といったグローバルな位相的特徴を抽出し、その後続の解析に活用すること。

提案手法

• Ripser が採用する行列削減アルゴリズムを重み付き立方複体に適応させ、コバウンダリ行列の暗黙的表現を用いてメモリ効率を向上。
• 画像を正規格子（1次元、2次元、または3次元）上の関数としてモデル化し、ピクセルまたはボクセル値に基づいて立方体セルに重み（強度）を割り当てる。
• 実数パラメータの増加する値で画像をしきい値処理して定義される部分レベル集合をスイープすることで、持久的ホモロジーを計算。
• バーコードを [a,b) の区間として出力し、フィルトレーション内での位相的特徴（0次元：成分、1次元：ループ、2次元：空洞）の誕生と死を表す。
• 深層畳み込みニューラルネットワークへの統合を目的として、ライフタイム強化画像や恒久的ヒストグラム画像といった拡張された画像表現を生成。
• カーネル密度推定を用いない修正版のパーシステント画像技術を採用し、ニューラルネットワークによるエンド・ツー・エンド学習を可能にした。

実験結果

リサーチクエスチョン

• RQ1 画像およびボリュームデータに対して、立方複体表現を用いて持久的ホモロジーを効率的に計算できるか？
• RQ2 Cubical Ripser の性能は、画像データにおける既存ツールと比較して、速度およびメモリ使用量の面で優れているか？
• RQ3 持久的ホモロジーによって抽出された位相的特徴は、小規模または限られた学習データセットにおける深層学習モデルの性能を向上させることができるか？
• RQ4 持久的ホモロジーのバーコードを、畳み込みニューラルネットワークに統合可能な画像に似たテンソルに効果的に符号化する方法は何か？
• RQ5 位相的特徴は人間が認識する画像構造と相関があるか？また、低データ環境におけるモデルの一般化性能向上に活用可能か？

主な発見

• Cubical Ripser は、重み付き立方複体における持久的ホモロジー計算において、最も高速かつメモリ効率に優れたソフトウェアであり、画像およびボリュームデータの分野で既存ツールを上回っている。
• 赤、緑、青のチャンネルがそれぞれ元の強度、0次元のライフタイム、1次元のライフタイムを表すライフタイム強化画像の統合により、Reduced MNIST データセットにおける分類精度が向上した。
• Reduced MNIST データセット（1クラスあたり10枚の訓練画像）において、恒久的ホモロジー特徴を追加すると、精度およびトップ2精度ともに向上し、特にループや空洞を有する特徴を示す「0」、「8」、「9」のような数字で顕著な向上が見られた。
• 既存の畳み込みニューラルネットワークのアーキテクチャへの変更は最小限に抑えられ、位相的特徴を扱うために入力チャンネル数を増やすのみで実現可能であった。
• 16×16×16 解像度の3D MNIST データセットを用いた実験では、顕著な性能向上が得られなかった。これは解像度が低いため、穴のような位相的特徴がぼやけて見えにくくなっているためと推測される。
• オープンソースの実装（ライフタイム強化画像および恒久的ヒストグラム画像の生成コードを含む）が公開されており、位相的特徴を深層学習パイプラインに再現可能に統合できる。