[논문 리뷰] Cubical Ripser: Software for computing persistent homology of image and volume data

Shizuo Kaji, Takeki Sudo외 1명|arXiv (Cornell University)|2020. 05. 23.

Topological and Geometric Data Analysis참고 문헌 11인용 수 25

한 줄 요약

Cubical Ripser는 이미지 및 볼륨 데이터에 대해 가중 칸델라 복합체를 사용하여 지속 호몰로지( persistent homology )를 계산하는 고성능 소프트웨어 도구이다. 이 도구는 Ripser의 효율적인 행렬 감소 알고리즘을 칸델라 구조에 적응시켜 연결된 성분, 고리, 빈공간과 같은 위상적 특징을 인코딩하는 바코드를 빠르고 메모리 효율적으로 계산할 수 있도록 한다. 이는 이미지 분류를 위한 딥러닝 모델 성능 향상에 성공적으로 적용된 바가 있다.

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.

연구 동기 및 목표

• 이미지 및 볼륨 자료가 자연스럽게 모델링되는 가중 칸델라 복합체를 기반으로 지속 호몰로지 계산을 빠르고 메모리 효율적으로 수행할 수 있는 도구를 개발하는 것.
• Ripser와 같은 기존 도구의 한계를 해결하는 것 — 즉, 베티스-리프스 복합체에 최적화되어 있지만 이미지 자료에는 적용 불가능한 점.
• 위상데이터분석 및 이미지분석 분야의 연구자와 전문가들이 쉽게 사용할 수 있도록 파이썬 바인딩을 제공하는 실용적이고 접근 가능한 소프트웨어 솔루션을 제공하는 것.
• 지속 호몰로지 기반 위상적 특징을 딥러닝 모델에 통합하여 소규모 데이터 기반 이미지 분류 작업에서 성능 향상을 입증하는 것.
• 2차원 및 3차원 이미지 자료에서 고리, 빈공간과 같은 전역적 위상적 특징을 추출하여 후속 분석에 활용할 수 있도록 하는 것.

제안 방법

• 메모리 효율성을 위해 코경계 행렬의 암시적 표현을 활용하여 Ripser의 행렬 감소 알고리즘을 가중 칸델라 복합체에 적응시키는 것.
• 이미지를 정규 격자(1차원, 2차원 또는 3차원) 위의 함수로 모델링하고, 픽셀/보크셀 값에 따라 칸델라 세포에 가중치(강도)를 할당하는 것.
• 실수 매개변수의 증가하는 값으로 이미지를 임계값 처리하여 정의된 하위레벨 집합을 스weep하면서 지속 호몰로지 계산을 수행하는 것.
• 지속 호몰로지 특징(0차원: 성분, 1차원: 고리, 2차원: 빈공간)의 탄생과 소멸을 나타내는 간격 [a,b) 형태의 바코드를 출력하는 것.
• 지속 호몰로지 바코드를 컨volutional 신경망에 통합하기 위해 수명 강도 이미지 및 지속 히스토그램 이미지와 같은 향상된 이미지 표현을 생성하는 것.
• 핵밀도추정을 사용하지 않는 수정된 영역 지도 기법을 사용하여 신경망이 엔드 투 엔드 학습이 가능하도록 하는 것.

실험 결과

연구 질문

• RQ1 이미지 및 볼륨 자료에 대해 칸델라 복합체 표현을 사용하여 지속 호몰로지 계산을 효율적으로 수행할 수 있는가?
• RQ2 Cubical Ripser의 성능은 기존 도구와 비교해 이미지 자료 처리 시 속도 및 메모리 사용 측면에서 어떻게 다른가?
• RQ3 지속 호몰로지로 추출한 위상적 특징은 소규모 또는 제한된 학습 데이터 세트에서 딥러닝 모델의 성능을 향상시킬 수 있는가?
• RQ4 지속 호몰로지 바코드를 컨volutional 신경망에 통합하기 위해 효과적인 방식으로 이미지 유사 텐서로 인코딩할 수 있는가?
• RQ5 위상적 특징은 인간이 인식하는 이미지 구조와 어떻게 관련이 있으며, 저데이터 환경에서 모델 일반화를 향상시키는 데 활용될 수 있는가?

주요 결과

• Cubical Ripser는 가중 칸델라 복합체에 대한 지속 호몰로지 계산에서 가장 빠르고 메모리 효율적인 소프트웨어로, 기존 도구들보다 이미지 및 볼륨 자료 처리에서 뛰어난 성능을 보였다.
• 레드, 그린, 파랑 채널이 각각 원본 강도, 0차원 수명, 1차원 수명을 나타내는 수명 강도 이미지를 통합함으로써 Reduced MNIST 데이터셋에서 분류 정확도가 향상되었다.
• 클래스당 10장의 훈련 이미지만 있는 Reduced MNIST 데이터셋에서 지속 호몰로지 특징을 추가함으로써 정확도와 상위 2위 정확도가 모두 향상되었으며, 특히 고리나 빈공간이 뚜렷한 숫자 '0', '8', '9'에서 더 큰 향상이 관찰되었다.
• 이미 존재하는 컨볼루션 신경망 아키텍처에 최소한의 변경만으로도 적용 가능했으며, 유일한 변경 사항은 위상적 특징을 수용하기 위해 입력 채널 수를 늘리는 것뿐이었다.
• 16×16×16 해상도의 3D MNIST 데이터셋에서의 실험에서는 성능 향상이 유의미하게 관찰되지 않았는데, 이는 낮은 해상도로 인해 빈공간과 같은 위상적 특징이 흐릿해졌기 때문으로 보인다.
• 오픈소스 구현체는 수명 강도 이미지 및 지속 히스토그램 이미지 생성 코드를 포함하여 공개되어 있으며, 이는 위상적 특징을 딥러닝 파이프라인에 재현 가능하게 통합할 수 있도록 한다.