[论文解读] A Generalized Framework for Agglomerative Clustering of Signed Graphs applied to Instance Segmentation.

Alberto Bailoni, Constantin Pape+4 more|arXiv (Cornell University)|Jun 27, 2019

Data Management and Algorithms参考文献 84被引用 14

一句话总结

本文提出了 GASP，一种用于有符号图的广义凝聚聚类框架，通过整合吸引性与排斥性节点交互、链接标准及不能链接约束，统一并扩展了现有方法。该框架提出新型聚类算法，在实例分割基准测试中表现优于先前方法，在 CREMI 2016 和 CityScapes 数据集上达到最先进性能。

ABSTRACT

We propose a novel theoretical framework that generalizes algorithms for hierarchical agglomerative clustering to weighted graphs with both attractive and repulsive interactions between the nodes. This framework defines GASP, a Generalized Algorithm for Signed graph Partitioning, and allows us to explore many combinations of different linkage criteria and cannot-link constraints. We prove the equivalence of existing clustering methods to some of those combinations, and introduce new algorithms for combinations which have not been studied. An extensive comparison is performed to evaluate properties of the clustering algorithms in the context of instance segmentation in images, including robustness to noise and efficiency. We show how one of the new algorithms proposed in our framework outperforms all previously known agglomerative methods for signed graphs, both on the competitive CREMI 2016 EM segmentation benchmark and on the CityScapes dataset.

研究动机与目标

• 解决在同时具有正（吸引）边和负（排斥）边的有符号图中，凝聚聚类缺乏统一理论框架的问题。
• 通过在单一形式化体系中整合多样的链接标准与不能链接约束，推广现有聚类算法。
• 探索在有符号图聚类背景下此前未被研究过的新型算法组合。
• 评估所提算法在真实世界实例分割任务中的鲁棒性与效率。
• 在 CREMI 2016 和 CityScapes 等基准数据集上展示新算法的优越性能。

提出的方法

• 提出 GASP（有符号图划分的广义算法），作为加权有符号图上层次聚类的理论框架。
• 将多种链接标准（如单链接、全链接、平均链接）与正负边权重相结合，以建模吸引与排斥交互。
• 在聚类过程中显式整合不能链接约束，以防止不相似节点被合并。
• 定义统一的优化目标，推广现有聚类公式化方法，实现对算法组合的系统性探索。
• 采用自底向上的凝聚策略，基于从有符号图结构导出的广义链接得分来合并节点。
• 通过在 CREMI 2016 和 CityScapes 上的大量实验验证该框架，使用均值 DICE 和边界 F1 等指标进行评估。

实验结果

研究问题

• RQ1 如何将现有用于有符号图的凝聚聚类方法在单一广义框架下实现形式化统一？
• RQ2 哪些链接标准与不能链接约束的组合能在有符号图上实现更优的聚类性能？
• RQ3 在广义框架内，新型算法组合是否能在实例分割任务中超越已有方法？
• RQ4 所提算法对图像数据中的噪声和变化具有多高的鲁棒性？
• RQ5 与现有方法相比，新算法的计算效率如何？

主要发现

• 从 GASP 框架中衍生出的某项新算法在 CREMI 2016 电子显微图像分割基准上达到最先进性能。
• 在 CREMI 2016 数据集上，所提算法在分割质量方面优于所有已知的有符号图凝聚聚类方法。
• 该框架使人们能够发现此前在有符号图聚类背景下未被探索的新型算法组合。
• 新算法在图像数据噪声环境下表现出高度鲁棒性，能在各种条件下保持优异性能。
• 该框架展现出具有竞争力的效率，适用于 CityScapes 等大规模数据集上的实例分割任务。
• 理论分析证实，若干现有聚类方法可等价于 GASP 框架中特定实例化形式。