[论文解读] 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 3

一句话总结

本文在相同实现条件（C++、相同硬件、相同输出格式）下，对五种最先进的最大树计算算法进行了公平、系统的基准测试。评估了不同图像量化级别和并行化程度下的性能表现，识别出按秩合并与层级压缩并查集为表现最佳的算法，并提出了一种决策树，以根据数据特征和系统约束指导算法选择。

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.

研究动机与目标

• 在相同实现与评估条件下，提供最大树算法的公平、可复现比较。
• 识别在不同图像类型（量化级别）和系统架构（串行 vs. 并行）下最高效的算法。
• 解决文献中缺乏标准化比较的问题，即算法常被孤立评估或在不可比的环境下进行评估。
• 开发一种决策框架（决策树），以根据图像数据和硬件约束指导用户选择最优的最大树算法。
• 发布经过充分测试的开源实现，以确保可复现性，并促进未来基准测试。

提出的方法

• 所有算法均使用相同的代码库和数据结构（包括父图像和S数组用于树遍历）在C++中重新实现。
• 评估框架确保输入图像、输出格式（父图像和S数组）以及硬件（配备8个逻辑核心的Intel Xeon系统）完全一致。
• 性能通过不同图像量化级别（8至24位）和图像尺寸（最高达600万像素）的时钟时间进行测量。
• 并行化采用map-reduce模式，评估1至12个线程下的可扩展性，同时将后处理步骤（规范化和S数组重建）单独隔离。
• 实现了按秩合并与层级压缩变体，并与现有方法（包括Berger等人和Salembier等人）进行比较。
• 基于实证结果推导出决策树，将图像量化、内存约束和并行性作为决策因素。

实验结果

研究问题

• RQ1 在公平、可复现的环境下，哪种最大树算法在不同图像量化级别（8至24位）下表现最佳？
• RQ2 并行化如何影响最大树算法的性能？哪些算法在增加线程数时具有最佳可扩展性？
• RQ3 内存约束对最大树算法选择有何影响？哪种算法具有最佳内存效率？
• RQ4 在位深增加时，分层队列与标准堆在可扩展性方面有何比较？
• RQ5 能否构建一个统一的决策框架，以根据图像数据和系统架构指导用户选择最优的最大树算法？

主要发现

• 并查集算法的按秩合并变体在所有其他方法中表现最佳，尤其在高量化级别下，整体速度最快。
• 层级压缩并查集变体显著降低了内存使用量，是内存约束严格嵌入式系统的最优选择。
• map-reduce并行化模式即使在单线程下也能提升性能，得益于更好的缓存一致性，使用层级压缩的并查集最高可实现×4.2的加速。
• 基于分层队列的算法（如Nistér和Stewénius）在位深增加时可扩展性差，执行时间在18位以上呈指数级增长。
• Salembier等人（Nistér和Stewénius）的非递归版本性能与原版相似，但比优化后的按秩合并实现更慢。
• 图8中的决策树为基于图像量化和系统约束选择最佳算法提供了实用且基于数据的指导。