[论文解读] Multiclass Data Segmentation using Diffuse Interface Methods on Graphs

Cristina García–Cardona, Ekaterina Merkurjev+3 more|arXiv (Cornell University)|Feb 15, 2013

Medical Image Segmentation Techniques参考文献 46被引用 5

一句话总结

本文提出两种基于图的高效算法，用于使用扩散界面方法和图上的Ginzburg-Landau泛函进行多类数据分割。通过将类别隶属关系表示为受限于Gibbs单纯形的向量值相场，该方法通过梯度下降（GL方法）或图自适应的MBO方案实现平滑的多类分割，在极少标注数据下实现高精度，且在速度和鲁棒性方面优于现有方法。

ABSTRACT

We present two graph-based algorithms for multiclass segmentation of high-dimensional data. The algorithms use a diffuse interface model based on the Ginzburg-Landau functional, related to total variation compressed sensing and image processing. A multiclass extension is introduced using the Gibbs simplex, with the functional's double-well potential modified to handle the multiclass case. The first algorithm minimizes the functional using a convex splitting numerical scheme. The second algorithm is a uses a graph adaptation of the classical numerical Merriman-Bence-Osher (MBO) scheme, which alternates between diffusion and thresholding. We demonstrate the performance of both algorithms experimentally on synthetic data, grayscale and color images, and several benchmark data sets such as MNIST, COIL and WebKB. We also make use of fast numerical solvers for finding the eigenvectors and eigenvalues of the graph Laplacian, and take advantage of the sparsity of the matrix. Experiments indicate that the results are competitive with or better than the current state-of-the-art multiclass segmentation algorithms.

研究动机与目标

• 开发适用于图上高维数据的高效、可扩展的多类分割方法。
• 通过在Gibbs单纯形上的向量值相场，将扩散界面模型和Ginzburg-Landau能量最小化方法扩展至多类设置。
• 提出一种基于图的MBO方案用于多类分割，提升计算效率。
• 减少对二元分解或一对多策略的依赖，避免由此产生的偏差。
• 在极少标注数据下展示优异性能，尤其在半监督学习设置下。

提出的方法

• 该方法在Gibbs单纯形上使用向量值相场，其中每个分量表示节点处某类别的占比，确保各分量之和为一。
• 通过$L_2$梯度流并采用凸分裂格式以保证数值稳定性，最小化Ginzburg-Landau能量泛函。
• 通过引入Gibbs单纯形约束，将基于图的MBO方案进行适配，实现无需求解复杂非线性系统的快速、迭代更新。
• 用图拉普拉斯矩阵替代微分算子，通过特征分解或Nyström近似实现高效计算。
• 保真项通过仅使用少量（≤10%）标注数据，强制与已知标签保持一致。
• 该方法避免使用一阶导数和散度项，通过投影到少量特征向量上实现快速求解。

实验结果

研究问题

• RQ1 扩散界面模型能否通过在Gibbs单纯形上的向量值相场有效扩展至多类图分割？
• RQ2 在准确性和速度方面，带有Gibbs单纯形约束的图MBO方案与GL最小化方法相比如何？
• RQ3 在本框架下，仅使用极少标注数据能在多大程度上实现高质量分割？
• RQ4 与当前最先进的多类分割算法相比，该方法在基准数据集上的表现如何？
• RQ5 在复杂几何结构中，界面厚度（由ε控制）对分割质量有何影响？

主要发现

• 在所有测试数据集上，多类MBO方法在准确性和收敛速度方面均优于多类GL方法。
• 即使仅使用5%的标注数据，分割准确率仍保持较高水平，且当所有类别均出现在保真度集合中时，随机初始化即可满足需求。
• 在基准数据集（包括合成数据和图像标注任务）上，该方法与近期发表的算法相比取得了具有竞争力或更优的结果。
• 基于图拉普拉斯的公式通过仅利用少量特征值和特征向量，显著缩短运行时间，实现了快速计算。
• 由于未使用一阶导数项，可借助标准特征子空间投影和Nyström近似高效求解大规模图的数值问题。
• 通过在单纯形上直接建模多类隶属关系，该方法避免了一对多或二进制编码策略固有的偏差。